一种图像检测方法、装置及电子设备与流程

所属的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。关于上述实施例中的装置，其中各个模块的具体执行方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。基于相同的发明构思，本技术实施例提供一种数据传输装置，该装置解决问题的原理与上述实施例的方法相似，因此该装置的实施可以参见上述方法的实施，重复之处不再赘述。如图16所示，本技术实施例提供的一种图像检测装置1600，包括提取模块1601、选取模块1602。提取模块1601，用于采用已训练的目标检测模型，分别提取出多张候选图像各自包含的检测对象的对象特征；其中，所述目标检测模型的训练损失值，采用以下方式获得：获得多个样本对象各自对应的样本图像集，并针对所述多个样本对象，分别执行以下操作：分别获得一个样本对象，在归属的样本图像集中不同样本图像之间的相似度，以及，分别获得所述一个样本对象，在归属的样本图像集和各其他样本图像集之间的差异度；基于获得的各相似度和各差异度，确定所述一个样本对象分别在归属的样本图像集中不同样本图像内的目标特征，并基于所述多个样本对象各自的目标特征集和参考特征集，获得训练损失值；选取模块1602，用于根据所述多张候选图像各自包含的检测对象的对象特征，从所述多张候选图像中选取出与基准图像关联的目标图像集；所述基准图像为所述多张候选图像中的任意一张。在一种可能的实施例中，所述提取模块1601，具体用于：针对所述归属的样本图像集中的多张样本图像，分别执行以下操作：确定一张样本图像，分别与所述各其他样本图像集中各样本图像之间的差异度，其中所述差异度是根据各样本图像的样本特征确定的。在一种可能的实施例中，所述提取模块1601，具体用于：针对所述样本图像集中每两张不同的样本图像，分别执行以下操作：对所述两张不同的样本图像对应的样本特征进行拼接处理，得到第一拼接特征向量；基于所述第一拼接特征向量，结合第一预设向量权重，获得所述两张不同的样本图像之间的相似度。在一种可能的实施例中，所述提取模块1601，具体用于：针对所述一个样本对象归属的样本图像集中不同样本图像，分别执行以下操作：提取一张样本图像包含的样本对象的样本特征；基于除所述一张样本图像之外的其他各样本图像，各自与所述一张样本图像的相似度，对所述样本特征进行更新，获得中间特征；基于各所述其他样本图像集中各样本图像更新后的中间特征，各自与所述一张样图像更新后的中间特征之间的差异度，对所述中间特征进行调整，获得所述一张样本图像对应的目标特征。在一种可能的实施例中，所述各所述其他样本图像集中各样本图像更新后的中间特征，是采用以下方式得到的：针对各所述其他样本图像集，分别执行以下操作：分别提取一个所述其他样本图像集中不同样本图像包含的样本对象的样本特征；根据一个所述其他样本图像集中不同样本图像之间的相似度，分别对一个所述其他样本图像集中的各样本图像对应的样本特征进行更新，获得各中间特征。在一种可能的实施例中，所述各所述其他样本图像集中各样本图像更新后的中间特征，各自与所述一张样本图像更新后的中间特征之间的各差异度，是根据以下方式得到的：将所述一张样本图像更新后的中间特征，分别与各所述其他样本图像集中各样本图像更新后的中间特征进行拼接处理，得到第二拼接特征向量；基于所述第二拼接特征向量，结合第二预设向量权重，获得各所述其他样本图像集中各样本图像更新后的中间特征，各自与所述一张样本图像更新后的中间特征之间的各差异度。在一种可能的实施例中，所述提取模块1601，具体用于：针对所述其他各样本图像的样本特征分别执行以下操作：基于一个样本特征，根据预设相似度权重，以及所述一个样本特征与所述一张样本图像的样本特征之间的相似度，确定所述一个样本特征对应的第一分量；根据所述其他各样本图像的第一分量之和，确定样本特征变化量；基于所述样本特征变化量，对所述样本特征进行更新，获得所述中间特征。在一种可能的实施例中，所述选取模块1602，具体用于：根据所述基准图像中包含的检测对象的对象特征，以及除所述基准图像之外的多张候选图像各自包含的检测对象的对象特征，分别确定所述基准图像与除所述基准图像之外的多张候选图像之间的各关联度；从所述多张候选图像中筛选出与所述基准图像之间的关联度大于预设的关联度阈值的候选图像，将筛选出的候选图像组成与所述基准图像关联的目标图像集。在一种可能的实施例中，所述目标特征检测模型为均值教师模型。与上述方法实施例基于同一发明构思，本技术实施例中还提供了一种电子设备，该电子设备解决问题的原理与上述实施例的方法相似，因此该电子设备的实施可以参见上述方法的实施，重复之处不再赘述。参阅图17所示，电子设备170可以至少包括处理器171、以及存储器172。其中，所述存储器172存储有程序代码，当所述程序代码被所述处理器171执行时，使得所述处理器171执行本技术上述实施例中的图像检测方法的步骤。如图18所示，本技术实施例提供的一种目标检测模型的训练模型1800，包括迭代模块1801、获取模块1802、确定模块1803、调整模块1804。迭代模块1801，用于对待训练的目标检测模型执行循环迭代训练，获得已训练的目标检测模型，其中，在一次循环迭代过程中执行：获取模块1802，用于获得多个样本对象各自对应的样本图像集，并针对所述多个样本对象，分别执行以下操作：分别获得一个样本对象，在归属的样本图像集中不同样本图像之间的相似度，以及，分别获得所述一个样本对象，在归属的样本图像集和各其他样本图像集之间的差异度；确定模块1803，用于基于获得的各相似度和各差异度，确定所述一个样本对象分别在归属的样本图像集中不同样本图像内的目标特征，并基于所述多个样本对象各自的目标特征集和参考特征集，获得训练损失值；调整模块1804，用于基于所述训练损失值对所述目标检测模型进行参数调整。在一种可能的实施例中，所述获取模块1802具体用于：针对所述归属的样本图像集中的多张样本图像，分别执行以下操作：确定一张样本图像，分别与所述各其他样本图像集中各样本图像之间的差异度，其中所述差异度是根据各样本图像的样本特征确定的。在一种可能的实施例中，所述获取模块1802具体用于：针对所述样本图像集中每两张不同的样本图像，分别执行以下操作：对所述两张不同的样本图像对应的样本特征进行拼接处理，得到第一拼接特征向量；基于所述第一拼接特征向量，结合第一预设向量权重，获得所述两张不同的样本图像之间的相似度。在一种可能的实施例中，所述确定模块1803具体用于：针对所述一个样本对象归属的样本图像集中不同样本图像，分别执行以下操作：提取一张样本图像包含的样本对象的样本特征；基于除所述一张样本图像之外的其他各样本图像，各自与所述一张样本图像的相似度，对所述样本特征进行更新，获得中间特征；基于各所述其他样本图像集中各样本图像更新后的中间特征，各自与所述一张样图像更新后的中间特征之间的差异度，对所述中间特征进行调整，获得所述一张样本图像对应的目标特征。下面参照图19来描述根据本技术的这种实施方式的电子设备190。图19的电子设备190仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。如图19，电子设备190以通用电子设备的形式表现。电子设备190的组件可以包括但不限于：至少一个处理单元191、上述至少一个存储单元192、连接不同系统组件(包括存储单元192和处理单元191)的总线193。总线193表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。存储单元192可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)1921和/或高速缓存存储器1922，还可以进一步包括只读存储器(rom)1923。存储单元192还可以包括具有一组(至少一个)程序模块1924的程序/实用工具1919，这样的程序模块1924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。电子设备190也可以与一个或多个外部设备194(例如键盘、指向设备等)通信，还可与一个或者多个使得对象能与电子设备190交互的设备通信，和/或与使得该电子设备190能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口195进行。并且，电子设备190还可以通过网络适配器196与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器196通过总线193与用于电子设备190的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备190使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。与上述方法实施例基于同一发明构思，本技术提供的界面呈现方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在电子设备上运行时，程序代码用于使电子设备执行本说明书上述描述的根据本技术各种示例性实施方式的界面呈现方法中服务器执行的步骤。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

背景技术：

1、随着时代的快速发展，网络上图像数据的数量是非常巨大的，若想要在大量的图像数据中，针对性的获得与某一对象相关联的图像数据，这个任务无疑是非常艰巨的。例如，在视频领域，为了获得某一对象的运行轨迹，需要从采集到的大量视频图像中筛选出包含该对象的图像。

2、目前，为了在大量图像数据中获得包含目标对象的图像数据，需要先提取图像中目标对象的对象特征，基于目标对象的对象特征与其他图像中包含的对象特征进行判断，在其他图像中确定出包含了目标对象的图像。

3、相关技术下，由于特征提取模型在训练过程根据图像特征对模型进行调整时，每个图像特征中包含的图像信息单一，仅包含对应的一张图像中的图像信息，使得基于已训练的特征提取模型对图像特征进行提取时，提取的每个图像特征中包含的图像信息单一，并且图像特征的表达能力差，因此在基于提取的图像特征对图像进行筛选时，大大影响图像的筛选效果。

4、因此，现在亟需一种能够准确的在大量图像中筛选出相关图像的方案。

技术实现思路

1、本技术的目的是提供一种图像检测方法、装置及电子设备，用以快速准确的识别出包含检索对象的目标图像。

2、第一方面，本技术提供一种图像检测方法，所述方法包括：

3、采用已训练的目标检测模型，分别提取出多张候选图像各自包含的检测对象的对象特征；其中，所述目标检测模型的训练损失值，采用以下方式获得：

4、获得多个样本对象各自对应的样本图像集，并针对所述多个样本对象，分别执行以下操作：分别获得一个样本对象，在归属的样本图像集中不同样本图像之间的相似度，以及，分别获得所述一个样本对象，在归属的样本图像集和各其他样本图像集之间的差异度；

5、基于获得的各相似度和各差异度，确定所述一个样本对象分别在归属的样本图像集中不同样本图像内的目标特征，并基于所述多个样本对象各自的目标特征集和参考特征集，获得训练损失值；

6、根据所述多张候选图像各自包含的检测对象的对象特征，从所述多张候选图像中选取出与基准图像关联的目标图像集；所述基准图像为所述多张候选图像中的任意一张。

7、第二方面，本技术提供一种目标检测模型的训练方法，所述方法包括：

8、对待训练的目标检测模型执行循环迭代训练，获得已训练的目标检测模型，其中，在一次循环迭代过程中执行：

9、获得多个样本对象各自对应的样本图像集，并针对所述多个样本对象，分别执行以下操作：分别获得一个样本对象，在归属的样本图像集中不同样本图像之间的相似度，以及，分别获得所述一个样本对象，在归属的样本图像集和各其他样本图像集之间的差异度；

10、基于获得的各相似度和各差异度，确定所述一个样本对象分别在归属的样本图像集中不同样本图像内的目标特征，并基于所述多个样本对象各自的目标特征集和参考特征集，获得训练损失值；

11、基于所述训练损失值对所述目标检测模型进行参数调整。

12、第三方面，本技术提供一种图像检测装置，包括：

13、提取模块，用于采用已训练的目标检测模型，分别提取出多张候选图像各自包含的检测对象的对象特征；其中，所述目标检测模型的训练损失值，采用以下方式获得：

14、获得多个样本对象各自对应的样本图像集，并针对所述多个样本对象，分别执行以下操作：分别获得一个样本对象，在归属的样本图像集中不同样本图像之间的相似度，以及，分别获得所述一个样本对象，在归属的样本图像集和各其他样本图像集之间的差异度；

15、基于获得的各相似度和各差异度，确定所述一个样本对象分别在归属的样本图像集中不同样本图像内的目标特征，并基于所述多个样本对象各自的目标特征集和参考特征集，获得训练损失值；

16、选取模块，用于根据所述多张候选图像各自包含的检测对象的对象特征，从所述多张候选图像中选取出与基准图像关联的目标图像集；所述基准图像为所述多张候选图像中的任意一张。

17、在一种可能的实施例中，所述提取模块，具体用于：

18、针对所述归属的样本图像集中的多张样本图像，分别执行以下操作：

19、确定一张样本图像，分别与所述各其他样本图像集中各样本图像之间的差异度，其中所述差异度是根据各样本图像的样本特征确定的。

20、在一种可能的实施例中，所述提取模块，具体用于：

21、针对所述样本图像集中每两张不同的样本图像，分别执行以下操作：

22、对所述两张不同的样本图像对应的样本特征进行拼接处理，得到第一拼接特征向量；

23、基于所述第一拼接特征向量，结合第一预设向量权重，获得所述两张不同的样本图像之间的相似度。

24、在一种可能的实施例中，所述提取模块，具体用于：

25、针对所述一个样本对象归属的样本图像集中不同样本图像，分别执行以下操作：

26、提取一张样本图像包含的样本对象的样本特征；

27、基于除所述一张样本图像之外的其他各样本图像，各自与所述一张样本图像的相似度，对所述样本特征进行更新，获得中间特征；

28、基于各所述其他样本图像集中各样本图像更新后的中间特征，各自与所述一张样图像更新后的中间特征之间的差异度，对所述中间特征进行调整，获得所述一张样本图像对应的目标特征。

29、在一种可能的实施例中，所述各所述其他样本图像集中各样本图像更新后的中间特征，是采用以下方式得到的：

30、针对各所述其他样本图像集，分别执行以下操作：

31、分别提取一个所述其他样本图像集中不同样本图像包含的样本对象的样本特征；

32、根据一个所述其他样本图像集中不同样本图像之间的相似度，分别对一个所述其他样本图像集中的各样本图像对应的样本特征进行更新，获得各中间特征。

33、在一种可能的实施例中，所述各所述其他样本图像集中各样本图像更新后的中间特征，各自与所述一张样本图像更新后的中间特征之间的各差异度，是根据以下方式得到的：

34、将所述一张样本图像更新后的中间特征，分别与各所述其他样本图像集中各样本图像更新后的中间特征进行拼接处理，得到第二拼接特征向量；

35、基于所述第二拼接特征向量，结合第二预设向量权重，获得各所述其他样本图像集中各样本图像更新后的中间特征，各自与所述一张样本图像更新后的中间特征之间的各差异度。

36、在一种可能的实施例中，所述提取模块，具体用于：

37、针对所述其他各样本图像的样本特征分别执行以下操作：基于一个样本特征，根据预设相似度权重，以及所述一个样本特征与所述一张样本图像的样本特征之间的相似度，确定所述一个样本特征对应的第一分量；

38、根据所述其他各样本图像的第一分量之和，确定样本特征变化量；

39、基于所述样本特征变化量，对所述样本特征进行更新，获得所述中间特征。

40、在一种可能的实施例中，所述选取模块，具体用于：

41、根据所述基准图像中包含的检测对象的对象特征，以及除所述基准图像之外的多张候选图像各自包含的检测对象的对象特征，分别确定所述基准图像与除所述基准图像之外的多张候选图像之间的各关联度；

42、从所述多张候选图像中筛选出与所述基准图像之间的关联度大于预设的关联度阈值的候选图像，将筛选出的候选图像组成与所述基准图像关联的目标图像集。

43、在一种可能的实施例中，所述目标特征检测模型为均值教师模型。

44、第四方面，本技术提供一种目标检测模型的训练装置，包括：

45、迭代模块，用于对待训练的目标检测模型执行循环迭代训练，获得已训练的目标检测模型，其中，在一次循环迭代过程中执行：

46、获取模块，用于获得多个样本对象各自对应的样本图像集，并针对所述多个样本对象，分别执行以下操作：分别获得一个样本对象，在归属的样本图像集中不同样本图像之间的相似度，以及，分别获得所述一个样本对象，在归属的样本图像集和各其他样本图像集之间的差异度；

47、确定模块，用于基于获得的各相似度和各差异度，确定所述一个样本对象分别在归属的样本图像集中不同样本图像内的目标特征，并基于所述多个样本对象各自的目标特征集和参考特征集，获得训练损失值；

48、调整模块，用于基于所述训练损失值对所述目标检测模型进行参数调整。

49、在一种可能的实施例中，所述获取模块具体用于：

50、针对所述归属的样本图像集中的多张样本图像，分别执行以下操作：

51、确定一张样本图像，分别与所述各其他样本图像集中各样本图像之间的差异度，其中所述差异度是根据各样本图像的样本特征确定的。

52、在一种可能的实施例中，所述获取模块具体用于：

53、针对所述样本图像集中每两张不同的样本图像，分别执行以下操作：

54、对所述两张不同的样本图像对应的样本特征进行拼接处理，得到第一拼接特征向量；

55、基于所述第一拼接特征向量，结合第一预设向量权重，获得所述两张不同的样本图像之间的相似度。

56、在一种可能的实施例中，所述确定模块具体用于：

57、针对所述一个样本对象归属的样本图像集中不同样本图像，分别执行以下操作：

58、提取一张样本图像包含的样本对象的样本特征；

59、基于除所述一张样本图像之外的其他各样本图像，各自与所述一张样本图像的相似度，对所述样本特征进行更新，获得中间特征；

60、基于各所述其他样本图像集中各样本图像更新后的中间特征，各自与所述一张样图像更新后的中间特征之间的差异度，对所述中间特征进行调整，获得所述一张样本图像对应的目标特征。

61、第五方面，本技术实施例提供一种电子设备，其包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行第一方面任一所述方法的步骤、或第二方面任一所述方法的步骤。

62、第六方面，本技术实施例提供一种计算机存储介质，所述计算机存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行第一方面任一所述方法的步骤、或第二方面任一所述方法的步骤。

63、第七方面，本技术实施例提供一种计算机程序产品，其包括计算机程序，所述计算机程序存储在计算机可读存储介质中；当电子设备的处理器从所述计算机可读存储介质读取所述计算机程序时，所述处理器执行该计算机程序，使得所述电子设备执行第一方面任一所述方法的步骤、或第二方面任一所述方法的步骤。

64、本技术实施例采用上述技术方案，至少具有如下技术效果：

65、本技术实施例提供一种图像检测方法、装置及设备，涉及人工智能技术领域，尤其涉及视频处理技术领域；本技术采用已训练的目标检测模型，分别提取出多张候选图像各自包含的检测对象的对象特征；其中，由于本技术中的目标检测模型在训练过程中，针对多个样本对象，分别获得一个样本对象，在归属的样本图像集中不同样本图像之间的相似度，以及，分别获得一个样本对象，在归属的样本图像集和各其他样本图像集之间的差异度，进而根据获得的各相似度和各差异度分别确定每个样本对象分别在归属的样本图像集中不同样本图像内的目标特征。

66、因此，本技术得到的每个样本对象特征对应的目标特征中，能够包含同一样本对象在归属的样本图像集中的相似信息，使包含相似信息的目标特征能够具有样本对象的特点，进而提高目标特征对同一样本对象的表达能力；并且本技术得到的每个样本对象特征对应的目标特征中，能够包含每个样本对象在归属的样本图像集和各其他样本图像集之间的差异度，使包含差异信息的目标特征能够区分不同的样本对象，进而提高目标特征对不同样本对象的辨别能力。

67、则本技术基于多个样本对象各自的目标特征集和参考特征集获取训练损失值，根据训练损失值对目标检测模型进行调整后，使已训练的目标检测模型对候选图像提取检测对象的对象特征时，能够提取出具有更高表现能力的对象特征，使得在基于高表现能力的对象特征确定出同一检测对象的目标图像时，获得更加准确的目标图像。

68、在另一方面，由于训练过程中使用的目标特征具有较高的表现能力，因此在对模型进行训练时，能够更快的完成训练过程，大大减小训练的次数，提高训练过程的训练效率，大大提高使用的效率。