图像焦距检测方法和装置与流程

本发明涉及图像技术领域，尤其涉及一种图像焦距检测方法和装置。

背景技术：

在一些对图片细节要求比较高的业务场景中，图片的拍摄距离直接影响图片的使用价值。拍摄距离过远的图片由于无法提供需要的细节信息，不仅浪费存储空间而且还会消耗宝贵的计算资源。因此，在存储和处理业务图片之前进行筛选掉拍摄距离较远的图片就显得很有必要，但使用人工筛选拍摄距离较远的图片比较消耗人力与物力，而且随着图片数据规模的扩大，筛选的难度会越来越大。

技术实现要素：

本发明的主要目的在于提供一种图像焦距检测方法和装置，旨在解决现有的筛选拍摄过程中焦距不符合要求的图片难度大的技术问题。

为实现上述目的，本发明提供的一种图像焦距检测方法，所述图像焦距检测方法包括：

获取已拍摄的待检测图片，通过预置的图像检测模型确定所述待检测图片中目标图像所在的目标区域；

计算所述目标区域在所述待检测图片中所占的面积比例；

根据所述面积比例确定拍摄所述待检测图片的焦距是否符合拍摄要求。

优选地，所述获取已拍摄的待检测图片，通过预置的图像检测模型确定所述待检测图片中目标图像所在的目标区域的步骤包括：

获取已拍摄的所述待检测图片，将所述待检测图片载入所述图像检测模型的区域生成网络中，以确定所述目标图像在所述待检测图片中的候选区域，其中，所述区域生成网络是卷积神经网络；

将所述候选区域载入所述图像检测模型的目标检测网络中，以确定所述候选区域中的所述目标图像所在的目标区域。

优选地，所述将所述候选区域载入所述图像检测模型的目标检测网络中，以确定所述候选区域中的所述目标图像所在的目标区域的步骤之前，还包括：

获取所述图像检测模型中与所述目标图像对应的参考区域；

计算所述候选区域和所述参考区域中所述目标图像所在位置的误差，根据所述误差，通过网络优化函数优化所述区域生成网络。

优选地，所述根据所述面积比例确定拍摄所述待检测图片的焦距是否符合拍摄要求的步骤包括：

判断所述面积比例是否小于预设阈值；

若所述面积比例小于所述预设阈值，则确定拍摄所述待检测图片的焦距不符合拍摄要求；

若所述面积比例大于或者等于所述预设阈值，则确定拍摄所述待检测图片的焦距符合拍摄要求。

优选地，所述获取已拍摄的待检测图片，通过预置的图像检测模型确定所述待检测图片中目标图像所在的目标区域的步骤之前，还包括：

获取与所述图像检测模型所能检测的目标图像对应的预设数据；

根据所述预设数据调整所述图像检测模型的区域生成网络，得到调整后的所述区域生成网络；

通过调整后的所述区域生成网络生成目标区域训练数据；

根据所述目标区域训练数据优化所述图像检测模型的目标检测网络；

确定所述区域生成网络和所述目标检测网络共享的特征提取层，固定所述特征提取层。

此外，为实现上述目的，本发明还提供一种图像焦距检测装置，所述图像焦距检测装置包括：

第一确定模块，用于获取已拍摄的待检测图片，通过预置的图像检测模型确定所述待检测图片中目标图像所在的目标区域；

计算模块，用于计算所述目标区域在所述待检测图片中所占的面积比例；

第二确定模块，用于根据所述面积比例确定拍摄所述待检测图片的焦距是否符合拍摄要求。

优选地，所述第一确定模块还用于获取已拍摄的所述待检测图片，将所述待检测图片载入所述图像检测模型的区域生成网络中，以确定所述目标图像在所述待检测图片中的候选区域，其中，所述区域生成网络是卷积神经网络；将所述候选区域载入所述图像检测模型的目标检测网络中，以确定所述候选区域中的所述目标图像所在的目标区域。

优选地，所述第一确定模块包括：

获取单元，用于获取所述图像检测模型中与所述目标图像对应的参考区域；

优化单元，用于计算所述候选区域和所述参考区域中所述目标图像所在位置的误差，根据所述误差，通过网络优化函数优化所述区域生成网络。

优选地，所述第二确定模块包括：

判断单元，用于判断所述面积比例是否小于预设阈值；

确定单元，用于若所述面积比例小于所述预设阈值，则确定拍摄所述待检测图片的焦距不符合拍摄要求；若所述面积比例大于或者等于所述预设阈值，则确定拍摄所述待检测图片的焦距符合拍摄要求。

优选地，所述图像焦距检测装置还包括：

获取模块，用于获取与所述图像检测模型所能检测的目标图像对应的预设数据；

调整模块，用于根据所述预设数据调整所述图像检测模型的区域生成网络，得到调整后的所述区域生成网络；

生成模块，用于通过调整后的所述区域生成网络生成目标区域训练数据；

优化模块，用于根据所述目标区域训练数据优化所述图像检测模型的目标检测网络；

第三确定模块，用于确定所述区域生成网络和所述目标检测网络共享的特征提取层，固定所述特征提取层。

本发明通过预置的图像检测模型确定所获取的待检测图片中目标图像所在的目标区域，计算所述目标区域在所述待检测图片中所占的面积比例，根据所述面积比例确定拍摄所述待检测图片的焦距是否符合拍摄要求。实现了自动筛选拍摄过程中焦距不符合要求的图片，降低了筛选拍摄过程中焦距不符合要求的图片的难度。

附图说明

图1为本发明图像焦距检测方法的较佳实施例的流程示意图；

图2为本发明实施例中获取已拍摄的待检测图片，通过预置的图像检测模型确定所述待检测图片中目标图像所在的目标区域的一种流程示意图；

图3为本发明图像焦距检测装置的较佳实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种图像焦距检测方法。

参照图1，图1为本发明图像焦距检测方法较佳实施例的流程示意图。

在本实施例中，所述图像焦距检测方法包括：

步骤S10，获取已拍摄的待检测图片，通过预置的图像检测模型确定所述待检测图片中目标图像所在的目标区域。

当获取到已拍摄的待检测图片，需要确定拍摄所述待检测图片的焦距是否满足用户要求时，获取预先设置好与所述待检测图片对应的图像检测模型，通过所述检测模型确定所述待检测图片中目标图像所在的目标区域。需要说明的是，所述目标图像是所述待检测图片中所要显示的主要物品，如当所述待检测图片所要显示的是一辆车，则所述待检测图片中的车就是所述目标图像。所述图像检测模型是预先设置好的，所述图像检测模型可检测一个目标图像，也可以检测多个目标图像。如所述图像检测模型可设置为只检测车的图像，或者设置为检测车和人的图像等。

进一步地，在设置所述图像检测模型过程中，先收集所述图像检测模型所要检测的目标图像所对应的图片集合，其中，所述图片集合中包含了多张同一目标图像的图片，如有10张含有汽车的图片。对所述图片集合中的目标图像进行标注，得到所述图片集合的标注信息，将每张图片的标注信息以列表的形式存储在同一个文件夹中。在所述文件夹中，每一条记录对应着一张图片的标记信息。需要说明的是，所述文件夹的第一列是所述图片集合中每张图片完整的存储路径；第二列为每张图片中目标图像的个数，如一张图片中可能有一辆车或者多辆车；第二列后面的列表示所述图片集合中每张图片中目标图像标注的区域，即所述目标图像在所述图片中的坐标，如用左上角的坐标topLeft_x和topLeft_y，以及右下角坐标bottomRight_x和bottomRight_y表示。可以理解的是，若某张图片中的目标图像的个数大于1，那么该张图片对应着多个左上角坐标和多个右下角坐标。如果所述文件夹中第二列的数目大于或者等于1，那么所述列表的第二列之后至少会存在4列数目，且所述第二列后面的列的数目一定是4的倍数。

所述图像检测模型包括两部分，第一部分为区域生成网络，用于生成所述待检测图片中目标图像所在的候选区域，所述候选区域为在所述待检测图片中，所述目标图像可能存在的矩形区域；第二部分是目标检测网络，用于在所述候选区域中确定所述目标图像所在的目标区域。需要说明的是，所述区域生成网络是一个深度全卷积神经网络。所述卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。所述卷积神经网络的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征，一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。

进一步地，所述图像焦距检测方法还包括：

步骤a，获取与所述图像检测模型所能检测的目标图像对应的预设数据；

步骤b，根据所述预设数据调整所述图像检测模型的区域生成网络，得到调整后的所述区域生成网络；

在使用所述图像检测模型之前，要先训练所述图像检测模型中的区域生成网络，即优化所述图像检测模型。首先对所述图像检测模型中区域生成网络进行训练，具体过程为：在所述区域生成网络中输入与所述图像检测模型所检测的目标图像对应的图片，即获取与所述图像检测模型所能检测的目标图像对应的预设数据。可以理解的是，预设数据是与所述目标图像对应的图片。在得到与所述目标图像对应的图片后，根据与所述目标图像对应的图片测试所述区域生成网络，得到测试结果，根据所述测试结果调整所述区域生成网络，得到调整后的所述区域生成网络。在本实施例中，为了减小训练所述区域生成网络的时间，可先对所述区域生成网络初始化。

步骤c，通过调整后的所述区域生成网络生成目标区域训练数据；

步骤d，根据所述目标区域训练数据优化所述图像检测模型的目标检测网络；

步骤e，确定所述区域生成网络和所述目标检测网络共享的特征提取层，固定所述特征提取层。

当得到调整后的所述区域生成网络之后，通过输入所述区域生成网络中的图片在调整后的所述区域生成网络中生成目标区域训练数据，根据所述目标区域训练数据测试所述图像检测模型的目标检测网络，得到测试结果，根据所述测试结构优化所述目标检测网络。当优化所述目标检测网络之后，获取优化后的所述目标检测网络的特征提取层，通过所述目标检测网络的特征提取层初始化所述区域生成网络的特征提取层，固定所述区域生成网络的特征提取层。当固定住所述区域生成网络的特征提取层时，将所述区域生成网络的特征提取层复制到所述目标检测网络中，以固定所述目标检测网络和所述区域生成网络共享的特征提取层。可以理解的是，所述区域生成网络和所述目标检测网络共享特征提取层，即共享多层卷积层。在训练所述区域生成网络和所述目标检测网络过程中，对所述区域生成网络和所述目标检测网络交替优化。

步骤S20，计算所述目标区域在所述待检测图片中所占的面积比例。

当确定所述待检测图片中的目标图像所在的目标区域后，计算所述目标区域的面积和所述待检测图片的面积，将所述目标区域的面积除以所述待检测图片的面积，得到所述目标区域在所述待检测图片中所占的面积比例。

步骤S30，根据所述面积比例确定拍摄所述待检测图片的焦距是否符合拍摄要求。

当确定所述目标区域在所述待检测图片中所占的面积比例后，根据所述面积比例确定拍摄所述待检测图片的焦距是否符合拍摄要求。

进一步地，步骤S30包括：

步骤f，判断所述面积比例是否小于预设阈值；

步骤g，若所述面积比例小于所述预设阈值，则确定拍摄所述待检测图片的焦距不符合拍摄要求；

步骤h，若所述面积比例大于或者等于所述预设阈值，则确定拍摄所述待检测图片的焦距符合拍摄要求。

根据所述面积比例确定拍摄所述待检测图片的焦距是否符合拍摄要求的具体过程为：判断所述面积比例是否小于预设阈值，其中，所述预设阈值为根据具体需要而设置，如可设置为0.05，0.08，或者0.10等。当所述面积比例小于所述预设阈值时，确定拍摄所述待检测图片的焦距不符合拍摄求；当所述面积比例大于或者等于所述预设阈值时，确定拍摄所述待检测图片的焦距符合拍摄要求。进一步地，当确定拍摄所述待检测图片的焦距不符合拍摄求时，输出提示信息，提示用户拍摄所述待检测图片的距离过远，需要重新拍摄所述待检测图片；当确定拍摄所述待检测图片的焦距符合拍摄要求时，输出提示信息，提示用户所拍摄的所述待检测图片符合拍摄要求，并存储所述待检测图片。

本实施例通过预置的图像检测模型确定所获取的待检测图片中目标图像所在的目标区域，计算所述目标区域在所述待检测图片中所占的面积比例，根据所述面积比例确定拍摄所述待检测图片的焦距是否符合拍摄要求。实现了自动筛选拍摄过程中焦距不符合要求的图片，降低了筛选拍摄过程中焦距不符合要求的图片的难度。

进一步地，基于本发明图像焦距检测方法的较佳实施例提出本发明的另一实施例，参照图2，在本实施例中，所述步骤S10包括：

步骤S11，获取已拍摄的所述待检测图片，将所述待检测图片载入所述图像检测模型的区域生成网络中，以确定所述目标图像在所述待检测图片中的候选区域，其中，所述区域生成网络是卷积神经网络；

步骤S12，将所述候选区域载入所述图像检测模型的目标检测网络中，以确定所述候选区域中的所述目标图像所在的目标区域。

当获取到已拍摄的所述待检测图片时，将所述待检测图片载入所述图像检测模型的区域生成网络中，通过所述区域生成网络确定所述待检测图片中的候选区域。将所述候选区域载入所述图像检测模型的目标检测网络中，以确定所述候选区域中的所述目标图像所在的目标区域。在本实施例中，所述待检测图片中的候选区域有一个或者多个，且每个候选区域中可能存在所述目标图像。进一步地，所述候选区域的形状为矩形，所述区域生成网络是卷积神经网络。为了提高确定所述目标图像所在的目标区域的速度，所述区域生成网络和所述目标检测网络共享特征提取层，

确定所述目标图像所在的目标区域的具体过程为：在所述区域生成网络的最后一个卷积层中输出的特征映射上设置一个输入维度为n x n的小卷积网络。需要说明的是，所述卷积网络的维度n x n小于所述区域生成网络的最后一个卷积层的维度N x N(所述n和N为正整数)，即将所述区域生成网络的最后一个卷积层所覆盖的区域映射到一个更低维度的特征映射层上。所述特征映射层与两个平行的完全连接层连接。在本实施例中，这两个完全连接层分别称为cls层和reg层。所述cls层用于确定所述候选区域中含有目标图像的可能性，即含有所述候选区域中含有目标图像的概率，所述reg层用于确定所述候选区域中所述目标图像所在的位置，以确定所述目标图像的尺寸和位移。如当所述小卷积网络维度设定为3x3时，所述区域生成网络是一个尺度为3x3的卷积核，输出为256的卷积网络层，所述卷积网络层后面连接两个完全卷积层cls层和reg层。所述3x3的卷积核在每个位置上会以3种缩放和3种宽高模式共计9种模式生成所述候选区域，以确定载入所述目标检测网络中的候选区域中目标图像的尺寸和位移具有鲁棒性。

进一步地，所述步骤S12之前，还包括：

步骤i，获取所述图像检测模型中与所述目标图像对应的参考区域；

步骤j，计算所述候选区域和所述参考区域中所述目标图像所在位置的误差，根据所述误差，通过网络优化函数优化所述区域生成网络。

在确定所述候选区域后，获取所述图像检测模型中与所述目标图像对应的参考区域，所述参考区域由所述图像检测模型中所存储的标注信息确定。确定所述候选区域中目标图像所在的位置的左上角坐标和右下角坐标，以及确定所述参考区域中目标图像所在位置的左上角坐标和右下角坐标。根据所述候选区域中目标图像所在的位置的左上角坐标和右下角坐标确定所述目标图像在所述候选区域中的范围，记为第一范围；根据所述参考区域中目标图像所在位置的左上角坐标和右下角坐标确定所述目标图像在所述参考区域中的范围，记为第二范围。计算所述第一范围和所述第二范围之间的交集，以及计算所述第一范围和所述第二范围之间的并集，将所述交集除以所述并集，得到所述候选区域和所述参考区域中所述目标图像所在位置之间的误差。将所述误差与预设误差进行对比，判断所述误差是否大于预设误差。当所述误差大于或者等于所述预设误差时，表示所述候选区域含有所述目标图像；当所述误差小于所述预设误差时，表示所述候选区域不含有所述目标图像。其中，所述预设误差可根据具体需要而设置，在本实施例中，所述预设误差设置为0.7。

当得到所述误差后，根据所述误差，通过网络优化函数优化所述区域生成网络，具体是优化所述区域生成网络中的神经元。所述网络优化函数L为：

其中，i是多个候选区域所组成的候选区域集合的索引，p_i是第i个候选区域中存在目标图像的概率。p_i^*表示所述候选区域是否含有所述目标图像，取值为0或者1，当取值为1时，表示所述候选区域含有所述目标图像，当取值为0时，表示所述候选区域不含有所述目标图像，由所述误差决定。t_i是所述区域生成网络预测的所述目标图像在所述候选区域中的坐标，形式上是一个4维向量。D_cls是输入所述候选区域中目标图像的数量，在本实施例中，D_cls＝256，D_reg是所述候选区域做3种缩放和3种宽高比变换后得到的新候选区域的数量，在本实施例中，D_reg＝256*9。λ被设置为10，以平衡确定所述候选区域和所述目标区域的重要程度。可以理解的是，在其它实施例中，所述D_cls、D_reg和λ可根据需要设置为其它值。

本实施例通过将所述待检测图片载入所述图像检测模型的区域生成网络和目标检测网络中，得到所述待检测网络中目标图像所在的目标区域，从而根据所述目标区域实现自动判断拍摄所述待检测图片的焦距是否满足拍摄要求。

本发明进一步提供一种图像焦距检测装置100。

参照图3，图3为本发明图像焦距检测装置100较佳实施例的功能模块示意图。

需要强调的是，对本领域的技术人员来说，图3所示模块图仅仅是一个较佳实施例的示例图，本领域的技术人员围绕图3所示的图像焦距检测装置100的模块，可轻易进行新的模块的补充；各模块的名称是自定义名称，仅用于辅助理解该图像焦距检测装置100的各个程序功能块，不用于限定本发明的技术方案，本发明技术方案的核心是，各自定义名称的模块所要达成的功能。

在本实施例中，所述图像焦距检测装置100包括：

第一确定模块10，用于获取已拍摄的待检测图片，通过预置的图像检测模型确定所述待检测图片中目标图像所在的目标区域。

当获取到已拍摄的待检测图片，需要确定拍摄所述待检测图片的焦距是否满足用户要求时，获取预先设置好与所述待检测图片对应的图像检测模型，通过所述检测模型确定所述待检测图片中目标图像所在的目标区域。需要说明的是，所述目标图像是所述待检测图片中所要显示的主要物品，如当所述待检测图片所要显示的是一辆车，则所述待检测图片中的车就是所述目标图像。所述图像检测模型是预先设置好的，所述图像检测模型可检测一个目标图像，也可以检测多个目标图像。如所述图像检测模型可设置为只检测车的图像，或者设置为检测车和人的图像等。

进一步地，在设置所述图像检测模型过程中，先收集所述图像检测模型所要检测的目标图像所对应的图片集合，其中，所述图片集合中包含了多张同一目标图像的图片，如有10张含有汽车的图片。对所述图片集合中的目标图像进行标注，得到所述图片集合的标注信息，将每张图片的标注信息以列表的形式存储在同一个文件夹中。在所述文件夹中，每一条记录对应着一张图片的标记信息。需要说明的是，所述文件夹的第一列是所述图片集合中每张图片完整的存储路径；第二列为每张图片中目标图像的个数，如一张图片中可能有一辆车或者多辆车；第二列后面的列表示所述图片集合中每张图片中目标图像标注的区域，即所述目标图像在所述图片中的坐标，如用左上角的坐标topLeft_x和topLeft_y，以及右下角坐标bottomRight_x和bottomRight_y表示。可以理解的是，若某张图片中的目标图像的个数大于1，那么该张图片对应着多个左上角坐标和多个右下角坐标。如果所述文件夹中第二列的数目大于或者等于1，那么所述列表的第二列之后至少会存在4列数目，且所述第二列后面的列的数目一定是4的倍数。

所述图像检测模型包括两部分，第一部分为区域生成网络，用于生成所述待检测图片中目标图像所在的候选区域，所述候选区域为在所述待检测图片中，所述目标图像可能存在的矩形区域；第二部分是目标检测网络，用于在所述候选区域中确定所述目标图像所在的目标区域。需要说明的是，所述区域生成网络是一个深度全卷积神经网络。所述卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。所述卷积神经网络的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征，一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。

进一步地，所述图像焦距检测装置100还包括：

获取模块，用于获取与所述图像检测模型所能检测的目标图像对应的预设数据；

调整模块，用于根据所述预设数据调整所述图像检测模型的区域生成网络，得到调整后的所述区域生成网络；

在使用所述图像检测模型之前，要先训练所述图像检测模型中的区域生成网络，即优化所述图像检测模型。首先对所述图像检测模型中区域生成网络进行训练，具体过程为：在所述区域生成网络中输入与所述图像检测模型所检测的目标图像对应的图片，即获取与所述图像检测模型所能检测的目标图像对应的预设数据。可以理解的是，预设数据是与所述目标图像对应的图片。在得到与所述目标图像对应的图片后，根据与所述目标图像对应的图片测试所述区域生成网络，得到测试结果，根据所述测试结果调整所述区域生成网络，得到调整后的所述区域生成网络。在本实施例中，为了减小训练所述区域生成网络的时间，可先对所述区域生成网络初始化。

生成模块，用于通过调整后的所述区域生成网络生成目标区域训练数据；

优化模块，用于根据所述目标区域训练数据优化所述图像检测模型的目标检测网络；

第三确定模块，用于确定所述区域生成网络和所述目标检测网络共享的特征提取层，固定所述特征提取层。

当得到调整后的所述区域生成网络之后，通过输入所述区域生成网络中的图片在调整后的所述区域生成网络中生成目标区域训练数据，根据所述目标区域训练数据测试所述图像检测模型的目标检测网络，得到测试结果，根据所述测试结构优化所述目标检测网络。当优化所述目标检测网络之后，获取优化后的所述目标检测网络的特征提取层，通过所述目标检测网络的特征提取层初始化所述区域生成网络的特征提取层，固定所述区域生成网络的特征提取层。当固定住所述区域生成网络的特征提取层时，将所述区域生成网络的特征提取层复制到所述目标检测网络中，以固定所述目标检测网络和所述区域生成网络共享的特征提取层。可以理解的是，所述区域生成网络和所述目标检测网络共享特征提取层，即共享多层卷积层。在训练所述区域生成网络和所述目标检测网络过程中，对所述区域生成网络和所述目标检测网络交替优化。

计算模块20，用于计算所述目标区域在所述待检测图片中所占的面积比例。

当确定所述待检测图片中的目标图像所在的目标区域后，计算所述目标区域的面积和所述待检测图片的面积，将所述目标区域的面积除以所述待检测图片的面积，得到所述目标区域在所述待检测图片中所占的面积比例。

第二确定模块30，用于根据所述面积比例确定拍摄所述待检测图片的焦距是否符合拍摄要求。

当确定所述目标区域在所述待检测图片中所占的面积比例后，根据所述面积比例确定拍摄所述待检测图片的焦距是否符合拍摄要求。

进一步地，所述第二确定模块30包括：

判断单元，用于判断所述面积比例是否小于预设阈值；

确定单元，用于若所述面积比例小于所述预设阈值，则确定拍摄所述待检测图片的焦距不符合拍摄要求；若所述面积比例大于或者等于所述预设阈值，则确定拍摄所述待检测图片的焦距符合拍摄要求。

根据所述面积比例确定拍摄所述待检测图片的焦距是否符合拍摄要求的具体过程为：判断所述面积比例是否小于预设阈值，其中，所述预设阈值为根据具体需要而设置，如可设置为0.05，0.08，或者0.10等。当所述面积比例小于所述预设阈值时，确定拍摄所述待检测图片的焦距不符合拍摄求；当所述面积比例大于或者等于所述预设阈值时，确定拍摄所述待检测图片的焦距符合拍摄要求。进一步地，当确定拍摄所述待检测图片的焦距不符合拍摄求时，输出提示信息，提示用户拍摄所述待检测图片的距离过远，需要重新拍摄所述待检测图片；当确定拍摄所述待检测图片的焦距符合拍摄要求时，输出提示信息，提示用户所拍摄的所述待检测图片符合拍摄要求，并存储所述待检测图片。

本实施例通过预置的图像检测模型确定所获取的待检测图片中目标图像所在的目标区域，计算所述目标区域在所述待检测图片中所占的面积比例，根据所述面积比例确定拍摄所述待检测图片的焦距是否符合拍摄要求。实现了自动筛选拍摄过程中焦距不符合要求的图片，降低了筛选拍摄过程中焦距不符合要求的图片的难度。

进一步地，基于本发明图像焦距检测装置100的较佳实施例提出本发明的另一实施例，在本实施例中，所述第一确定模块10还用于获取已拍摄的所述待检测图片，将所述待检测图片载入所述图像检测模型的区域生成网络中，以确定所述目标图像在所述待检测图片中的候选区域，其中，所述区域生成网络是卷积神经网络；将所述候选区域载入所述图像检测模型的目标检测网络中，以确定所述候选区域中的所述目标图像所在的目标区域。

当获取到已拍摄的所述待检测图片时，将所述待检测图片载入所述图像检测模型的区域生成网络中，通过所述区域生成网络确定所述待检测图片中的候选区域。将所述候选区域载入所述图像检测模型的目标检测网络中，以确定所述候选区域中的所述目标图像所在的目标区域。在本实施例中，所述待检测图片中的候选区域有一个或者多个，且每个候选区域中可能存在所述目标图像。进一步地，所述候选区域的形状为矩形，所述区域生成网络是卷积神经网络。为了提高确定所述目标图像所在的目标区域的速度，所述区域生成网络和所述目标检测网络共享特征提取层，

确定所述目标图像所在的目标区域的具体过程为：在所述区域生成网络的最后一个卷积层中输出的特征映射上设置一个输入维度为n x n的小卷积网络。需要说明的是，所述卷积网络的维度n x n小于所述区域生成网络的最后一个卷积层的维度N x N(所述n和N为正整数)，即将所述区域生成网络的最后一个卷积层所覆盖的区域映射到一个更低维度的特征映射层上。所述特征映射层与两个平行的完全连接层连接。在本实施例中，这两个完全连接层分别称为cls层和reg层。所述cls层用于确定所述候选区域中含有目标图像的可能性，即含有所述候选区域中含有目标图像的概率，所述reg层用于确定所述候选区域中所述目标图像所在的位置，以确定所述目标图像的尺寸和位移。如当所述小卷积网络维度设定为3x3时，所述区域生成网络是一个尺度为3x3的卷积核，输出为256的卷积网络层，所述卷积网络层后面连接两个完全卷积层cls层和reg层。所述3x3的卷积核在每个位置上会以3种缩放和3种宽高模式共计9种模式生成所述候选区域，以确定载入所述目标检测网络中的候选区域中目标图像的尺寸和位移具有鲁棒性。

进一步地，所述第一确定模块10包括：

获取单元，用于获取所述图像检测模型中与所述目标图像对应的参考区域；

优化单元，用于计算所述候选区域和所述参考区域中所述目标图像所在位置的误差，根据所述误差，通过网络优化函数优化所述区域生成网络。

在确定所述候选区域后，获取所述图像检测模型中与所述目标图像对应的参考区域，所述参考区域由所述图像检测模型中所存储的标注信息确定。确定所述候选区域中目标图像所在的位置的左上角坐标和右下角坐标，以及确定所述参考区域中目标图像所在位置的左上角坐标和右下角坐标。根据所述候选区域中目标图像所在的位置的左上角坐标和右下角坐标确定所述目标图像在所述候选区域中的范围，记为第一范围；根据所述参考区域中目标图像所在位置的左上角坐标和右下角坐标确定所述目标图像在所述参考区域中的范围，记为第二范围。计算所述第一范围和所述第二范围之间的交集，以及计算所述第一范围和所述第二范围之间的并集，将所述交集除以所述并集，得到所述候选区域和所述参考区域中所述目标图像所在位置之间的误差。将所述误差与预设误差进行对比，判断所述误差是否大于预设误差。当所述误差大于或者等于所述预设误差时，表示所述候选区域含有所述目标图像；当所述误差小于所述预设误差时，表示所述候选区域不含有所述目标图像。其中，所述预设误差可根据具体需要而设置，在本实施例中，所述预设误差设置为0.7。

当得到所述误差后，根据所述误差，通过网络优化函数优化所述区域生成网络，具体是优化所述区域生成网络中的神经元。所述网络优化函数L为：

其中，i是多个候选区域所组成的候选区域集合的索引，p_i是第i个候选区域中存在目标图像的概率。p_i^*表示所述候选区域是否含有所述目标图像，取值为0或者1，当取值为1时，表示所述候选区域含有所述目标图像，当取值为0时，表示所述候选区域不含有所述目标图像，由所述误差决定。t_i是所述区域生成网络预测的所述目标图像在所述候选区域中的坐标，形式上是一个4维向量。D_cls是输入所述候选区域中目标图像的数量，在本实施例中，D_cls＝256，D_reg是所述候选区域做3种缩放和3种宽高比变换后得到的新候选区域的数量，在本实施例中，D_reg＝256*9。λ被设置为10，以平衡确定所述候选区域和所述目标区域的重要程度。可以理解的是，在其它实施例中，所述D_cls、D_reg和λ可根据需要设置为其它值。

本实施例通过将所述待检测图片载入所述图像检测模型的区域生成网络和目标检测网络中，得到所述待检测网络中目标图像所在的目标区域，从而根据所述目标区域实现自动判断拍摄所述待检测图片的焦距是否满足拍摄要求。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。