本發(fā)明涉及視頻監(jiān)控
技術(shù)領(lǐng)域：
：，具體涉及一種目標(biāo)檢索方法及終端。
背景技術(shù)：
：：基于計算機(jī)視覺的目標(biāo)圖像檢索是計算機(jī)視覺領(lǐng)域中最具有挑戰(zhàn)性的研究主題之一，其主要內(nèi)容是利用計算機(jī)模擬人的視覺來描述圖像的特征，并根據(jù)描述的特征從海量的圖像中找出感興趣的目標(biāo)圖像。圖像檢索在網(wǎng)絡(luò)圖像搜索、醫(yī)學(xué)圖像挖掘、安全監(jiān)控和不良圖像過濾等領(lǐng)域得到了廣泛的應(yīng)用，并且是機(jī)器學(xué)習(xí)、模式識別、計算機(jī)視覺和圖像處理等多門學(xué)科交叉研究的熱點與難點。由于它的復(fù)雜性和結(jié)構(gòu)性，使得基于計算機(jī)視覺的目標(biāo)圖像檢索相關(guān)技術(shù)的研究面臨眾多挑戰(zhàn)，圖像檢索的準(zhǔn)確性尚有待提高。隨著計算機(jī)技術(shù)的高速發(fā)展及各種數(shù)字化設(shè)備的普及，現(xiàn)代社會中多媒體信息的數(shù)量迅猛增長，使得人們越來越多的接觸到大量具有豐富內(nèi)涵的多媒體信息。為了方便地從海量的信息集合中快速準(zhǔn)確的提取出有價值的內(nèi)容，各種各樣的圖像檢索技術(shù)正逐漸成為目前研究的熱點?，F(xiàn)有技術(shù)中，傳統(tǒng)的圖像檢索大多數(shù)是以及文本和內(nèi)容的檢索，其中，文本檢索技術(shù)只提供了基于圖像的描述關(guān)鍵字的檢索，即首先對圖像進(jìn)行人工標(biāo)注，然后再通過對關(guān)鍵字的查找來檢索圖像。這種檢索方法雖然方便簡單，搜索結(jié)果相對精確，但是由于標(biāo)注的勞動量大且存在“語義鴻溝”，常常不能準(zhǔn)確反映圖像的內(nèi)容。從二十世紀(jì)九十年代初開始，研究人員就相繼提出了基于內(nèi)容的圖像檢索的技術(shù)。該技術(shù)實際上是一種模糊查詢技術(shù)，它直接從待查找的圖像視覺特征出發(fā)，利用顏色、紋理、形狀等視覺特征，實現(xiàn)了對圖像視覺內(nèi)容特征的檢索。當(dāng)然，基于內(nèi)容的圖像檢索技術(shù)的缺點也是顯而易見的，主要存在特征維度高，檢索速度慢以及檢索精度不高等缺陷。技術(shù)實現(xiàn)要素：本發(fā)明實施例提供了一種目標(biāo)檢索方法及終端，以期提高圖像檢索的速度和精度。本發(fā)明實施例第一方面提供了一種目標(biāo)檢索方法，包括：對P個待處理圖像進(jìn)行目標(biāo)檢測，得到M個候選框，所述P和所述M均為大于1的整數(shù)；對所述M個候選框進(jìn)行目標(biāo)檢測，得到N個目標(biāo)，所述N為大于1的整數(shù)；采用預(yù)先訓(xùn)練過的多目標(biāo)識別模型對所述N個目標(biāo)進(jìn)行特征提取，得到K個特征，所述K為大于1的整數(shù)；利用局部敏感哈希算法對所述K個特征進(jìn)行編碼，得到所述K個編碼；根據(jù)所述K個編碼和所述P個待處理圖像計算漢明距離，得到所述P個漢明距離值；將所述P個漢明距離值中符合預(yù)設(shè)閾值的至少1個目標(biāo)漢明距離值對應(yīng)的待處理圖像進(jìn)行保留?？蛇x地，所述對P個待處理圖像進(jìn)行目標(biāo)檢測，得到M個候選框，包括：確定正樣本集和負(fù)樣本集；對所述正樣本集和所述負(fù)樣本集進(jìn)行訓(xùn)練，得到訓(xùn)練模型；將所述訓(xùn)練模型在所述P個待處理圖像中進(jìn)行定位，得到所述X個定位框，其中，所述X為小于所述P的正整數(shù)；采用非極大值抑制算法對所述X個定位框進(jìn)行去偽定位框處理，得到所述K個候選框，所述K為小于所述X的正整數(shù)。可選地，對所述M個候選框進(jìn)行目標(biāo)檢測，包括：采用快速神經(jīng)網(wǎng)絡(luò)算法對所述M個候選框進(jìn)行目標(biāo)檢測。可選地，所述采用快速神經(jīng)網(wǎng)絡(luò)算法對所述M個候選框進(jìn)行目標(biāo)檢測，包括：采用基于roi-pooling函數(shù)的快速神經(jīng)網(wǎng)絡(luò)算法對所述M個候選框進(jìn)行目標(biāo)檢測?？蛇x地，所述根據(jù)所述K個編碼和所述P個待處理圖像計算漢明距離，得到所述P個漢明距離值，包括：從所述K個編碼中選取與待處理圖像i對應(yīng)的Q個編碼，所述Q為大于或等于1的整數(shù)，所述待處理圖像i為所述P個待處理圖像中的一個；根據(jù)所述Q個編碼和所述待處理圖像i確定所述待處理圖像i的漢明距離值。本發(fā)明實施例第二方面提供了一種終端，包括：第一檢測單元，用于對P個待處理圖像進(jìn)行目標(biāo)檢測，得到M個候選框，所述P和所述M均為大于1的整數(shù)；第二檢測單元，用于對所述M個候選框進(jìn)行目標(biāo)檢測，得到N個目標(biāo)，所述N為大于1的整數(shù)；提取單元，用于采用預(yù)先訓(xùn)練過的多目標(biāo)識別模型對所述N個目標(biāo)進(jìn)行特征提取，得到K個特征，所述K為大于1的整數(shù)；編碼單元，用于利用局部敏感哈希算法對所述K個特征進(jìn)行編碼，得到所述K個編碼；計算單元，用于根據(jù)所述K個編碼和所述P個待處理圖像計算漢明距離，得到所述P個漢明距離值；確定單元，用于將所述P個漢明距離值中符合預(yù)設(shè)閾值的至少1個目標(biāo)漢明距離值對應(yīng)的待處理圖像進(jìn)行保留?？蛇x地，所述第一檢測單元包括：第一確定模塊，確定正樣本集和負(fù)樣本集；生成模塊，對所述正樣本集和所述負(fù)樣本集進(jìn)行訓(xùn)練，得到訓(xùn)練模型；定位模塊，用于將所述訓(xùn)練模型在所述P個待處理圖像中進(jìn)行定位，得到所述X個定位框，其中，所述X為小于所述P的正整數(shù)；處理模塊，采用非極大值抑制算法對所述X個定位框進(jìn)行去偽定位框處理，得到所述K個候選框，所述K為小于所述X的正整數(shù)?？蛇x地，所述第二檢測單元具體用于：采用快速神經(jīng)網(wǎng)絡(luò)算法對所述M個候選框進(jìn)行目標(biāo)檢測。可選地，所述第二檢測單元具體用于：采用基于roi-pooling函數(shù)的快速神經(jīng)網(wǎng)絡(luò)算法對所述M個候選框進(jìn)行目標(biāo)檢測?？蛇x地，所述計算單元包括：選取模塊，用于從所述K個編碼中選取與待處理圖像i對應(yīng)的Q個編碼，所述Q為大于或等于1的整數(shù)，所述待處理圖像i為所述P個待處理圖像中的一個；第二確定模塊，用于根據(jù)所述Q個編碼和所述待處理圖像i確定所述待處理圖像i的漢明距離值。實施本發(fā)明實施例，具有如下有益效果：通過本發(fā)明實施例，對P個待處理圖像進(jìn)行目標(biāo)檢測，得到M個候選框，P和M均為大于1的整數(shù)，對M個候選框進(jìn)行目標(biāo)檢測，得到N個目標(biāo)，N為大于1的整數(shù)，采用預(yù)先訓(xùn)練過的多目標(biāo)識別模型對N個目標(biāo)進(jìn)行特征提取，得到K個特征，K為大于1的整數(shù)，利用局部敏感哈希算法對K個特征進(jìn)行編碼，得到K個編碼，根據(jù)K個編碼和P個待處理圖像計算漢明距離，得到P個漢明距離值，將P個漢明距離值中符合預(yù)設(shè)閾值的至少1個目標(biāo)漢明距離值對應(yīng)的待處理圖像進(jìn)行保留。如此，可提升目標(biāo)檢索的速度和精度。附圖說明為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是本發(fā)明實施例提供的一種目標(biāo)檢索方法的實施例流程示意圖；圖2a是本發(fā)明實施例提供的一種終端的第一實施例結(jié)構(gòu)示意圖；圖2b是本發(fā)明實施例提供的圖2a所描述的終端的第一檢測單元的結(jié)構(gòu)示意圖；圖2c是本發(fā)明實施例提供的圖2a所描述的終端的計算單元的結(jié)構(gòu)示意圖；圖3是本發(fā)明實施例提供的一種終端的第二實施例結(jié)構(gòu)示意圖。具體實施方式下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。本發(fā)明的說明書和權(quán)利要求書及所述附圖中的術(shù)語“第一”、“第二”、“第三”和“第四”等是用于區(qū)別不同對象，而不是用于描述特定順序。此外，術(shù)語“包括”和“具有”以及它們?nèi)魏巫冃?，意圖在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備沒有限定于已列出的步驟或單元，而是可選地還包括沒有列出的步驟或單元，或可選地還包括對于這些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。在本文中提及“實施例”意味著，結(jié)合實施例描述的特定特征、結(jié)構(gòu)或特性可以包含在本發(fā)明的至少一個實施例中。在說明書中的各個位置展示該短語并不一定均是指相同的實施例，也不是與其它實施例互斥的獨立的或備選的實施例。本領(lǐng)域技術(shù)人員顯式地和隱式地理解的是，本文所描述的實施例可以與其它實施例相結(jié)合。本發(fā)明實施例所描述終端可以包括智能手機(jī)(如Android手機(jī)、iOS手機(jī)、WindowsPhone手機(jī)等)、平板電腦、掌上電腦、筆記本電腦、移動互聯(lián)網(wǎng)設(shè)備(MID，MobileInternetDevices)或穿戴式設(shè)備等，上述僅是舉例，而非窮舉，包含但不限于上述終端。需要說明的是，深度學(xué)習(xí)是近年來提出的一種利用具有多個隱層的深度神經(jīng)網(wǎng)絡(luò)完成學(xué)習(xí)任務(wù)的機(jī)器學(xué)習(xí)方法。其實質(zhì)是,通過構(gòu)建具有多個隱層的神經(jīng)網(wǎng)絡(luò)模型并使用大量的訓(xùn)練數(shù)據(jù)來學(xué)習(xí)得到更有用的特征,進(jìn)而提升模型預(yù)測或分類的準(zhǔn)確性。本方案在著重介紹了基于深度學(xué)習(xí)的特征提取并結(jié)合提取的深度特征來做關(guān)鍵目標(biāo)檢測、圖像檢索以及對相關(guān)特征進(jìn)行編碼的關(guān)鍵技術(shù),設(shè)計了一個基于深度學(xué)習(xí)的圖像檢索系統(tǒng)。該方案具有檢索精度高，處理數(shù)據(jù)量大，檢索速度快等優(yōu)點，適合在復(fù)雜環(huán)境下部署。需要說明的是本發(fā)明實施例，發(fā)明人在大量研究的基礎(chǔ)上，對實際場合下的應(yīng)用給出了切實可行的方案，例如光照變化下的目標(biāo)圖像檢索、基于視覺一致性的目標(biāo)圖像檢索等，并針對檢索過程中的特征提取、檢索模型和視覺顯著性問題，提出了相應(yīng)的解決方法。本發(fā)明實施例主要圍繞基于深度學(xué)習(xí)圖像檢索中圖像特征提取這一關(guān)鍵技術(shù)展開，系統(tǒng)地研究了圖像特征的有效提取等技術(shù)，覆蓋的內(nèi)容主要包括圖像的關(guān)鍵目標(biāo)檢測、目標(biāo)特征提取以及提高檢索速度等現(xiàn)實而有效的方法。請參閱圖1，為本發(fā)明實施例提供的一種目標(biāo)檢索方法的第一實施例流程示意圖。本實施例中所描述的目標(biāo)檢索方法，包括以下步驟：101、對P個待處理圖像進(jìn)行目標(biāo)檢測，得到M個候選框，所述P和所述M均為大于1的整數(shù)。其中，待處理圖像中可包含目標(biāo)，也可以不包含目標(biāo)。在待處理圖像中包含目標(biāo)時，在經(jīng)過目標(biāo)檢測后，得到至少一個候選框，在待處理圖像中不包含候選框時，該待處理圖像可能的得不到候選框。上述P個待處理圖像中可全部包含目標(biāo)，也可以部分包含目標(biāo)。目標(biāo)可為人、車、用戶指定的物體?？衫媚繕?biāo)檢測算法對P個待處理圖像進(jìn)行目標(biāo)檢測，假設(shè)得到M個候選框，P和M均為大于1的整數(shù)?？蛇x地，上述步驟101中，對P個待處理圖像進(jìn)行目標(biāo)檢測，得到M個候選框，可包括如下步驟：11)、確定正樣本集和負(fù)樣本集；12)、對所述正樣本集和所述負(fù)樣本集進(jìn)行訓(xùn)練，得到訓(xùn)練模型；13)、將所述訓(xùn)練模型在所述P個待處理圖像中進(jìn)行定位，得到所述X個定位框，其中，所述X為小于所述P的正整數(shù)；14)、采用非極大值抑制算法對所述X個定位框進(jìn)行去偽定位框處理，得到所述K個候選框，所述K為小于所述X的正整數(shù)。其中，步驟11中的正樣本集可為用戶想檢索的目標(biāo)，例如，人，車、狗等等，正樣本集中包含多個正樣本。負(fù)樣本集則為用戶想檢索的目標(biāo)之外的景物，負(fù)樣本集中包含多個負(fù)樣本。上述正樣本集和負(fù)樣本集的包含的樣本數(shù)量當(dāng)然越多，訓(xùn)練出來的模型越準(zhǔn)確，但是，正樣本和負(fù)樣本的數(shù)量越多，也會增加訓(xùn)練時候的計算成本。采用分類器對正樣本集和負(fù)樣本集進(jìn)行訓(xùn)練，就可以得到一個訓(xùn)練模型。其中，上述分類器可為神經(jīng)網(wǎng)絡(luò)分類器，支持向量基(SupportVectorMachine，SVM)分類器、遺傳算法分類器等等。步驟13中可采用上述訓(xùn)練模型對P個待處理圖像進(jìn)行定位，從而，進(jìn)一步得到X個定位框。由于上述X個定位框中可能還是包含了偽定位框，進(jìn)一步地，步驟14中采用非極大值抑制算法對上述X個定位框進(jìn)行去偽定位框處理，得到K個候選框，此時的候選框精度較高。102、對所述M個候選框進(jìn)行目標(biāo)檢測，得到N個目標(biāo)，所述N為大于1的整數(shù)。其中，可對M個候選框進(jìn)行目標(biāo)檢測，此時，得到N個目標(biāo)，M不一定等于N，因為，有可能M個候選框中還存在偽定位框，或者，M個候選框中的某個候選框目標(biāo)檢測后得到的目標(biāo)不止一個?？蛇x地，對所述M個候選框進(jìn)行目標(biāo)檢測，可按照如下方式實現(xiàn)：采用快速神經(jīng)網(wǎng)絡(luò)算法對所述M個候選框進(jìn)行目標(biāo)檢測?？蛇x地，采用快速神經(jīng)網(wǎng)絡(luò)算法相比于普通神經(jīng)網(wǎng)絡(luò)算法，具有更好的處理速度。進(jìn)一步可選地，上述采用快速神經(jīng)網(wǎng)絡(luò)算法對所述M個候選框進(jìn)行目標(biāo)檢測，包括：采用基于roi-pooling函數(shù)的快速神經(jīng)網(wǎng)絡(luò)算法對所述M個候選框進(jìn)行目標(biāo)檢測。103、采用預(yù)先訓(xùn)練過的多目標(biāo)識別模型對所述N個目標(biāo)進(jìn)行特征提取，得到K個特征，所述K為大于1的整數(shù)?？蛇x地，基于快速神經(jīng)網(wǎng)絡(luò)算法(FastNeuralNetworkAlgorithm，F(xiàn)astRCNN)的多目標(biāo)檢測：本發(fā)明實施例中基于FastRCNN，其網(wǎng)絡(luò)結(jié)構(gòu)可以alexnet為藍(lán)本，在其基礎(chǔ)上對其進(jìn)行調(diào)整，即適當(dāng)減少卷積核的大小和特征圖的數(shù)量以提高檢測速度。進(jìn)一步地，若在網(wǎng)絡(luò)結(jié)構(gòu)中用roi-pooling替代最后一個卷積層后面的pooling層來使用不同候選框的輸入，進(jìn)一步提高運(yùn)行的速度。最后保存訓(xùn)練好的多目標(biāo)檢測模型。其中，在采用預(yù)先訓(xùn)練過的多目標(biāo)識別模型對上述N個目標(biāo)進(jìn)行特征提取時，可以得到K個特征，K為大于1的整數(shù)。104、利用局部敏感哈希算法對所述K個特征進(jìn)行編碼，得到所述K個編碼。其中，可利用局部敏感哈希算法對K個特征進(jìn)行編碼，從而，得到K個編碼，每一特征對應(yīng)一個編碼。105、根據(jù)所述K個編碼和所述P個待處理圖像計算漢明距離，得到所述P個漢明距離值?？蛇x地，上述步驟105中，根據(jù)所述K個編碼和所述P個待處理圖像計算漢明距離，得到所述P個漢明距離值，可包括如下步驟：51)、從所述K個編碼中選取與待處理圖像i對應(yīng)的Q個編碼，所述Q為大于或等于1的整數(shù)，所述待處理圖像i為所述P個待處理圖像中的一個；52)、根據(jù)所述Q個編碼和所述待處理圖像i確定所述待處理圖像i的漢明距離值。106、將所述P個漢明距離值中符合預(yù)設(shè)閾值的至少1個目標(biāo)漢明距離值對應(yīng)的待處理圖像進(jìn)行保留?？蛇x地，可將所述P個漢明距離值中不符合預(yù)設(shè)閾值的至少1個目標(biāo)漢明距離值對應(yīng)的待處理圖像進(jìn)行刪除或者標(biāo)記。上述預(yù)設(shè)閾值可由系統(tǒng)默認(rèn)或者用戶自行設(shè)置，例如，預(yù)設(shè)閾值可為經(jīng)驗值。預(yù)設(shè)閾值也可以為一個范圍值。以下僅以對交通應(yīng)用為例加以說明，具體如下：步驟101可用于得到候選框：利用目標(biāo)檢測算法生成多個目標(biāo)的候選框，例如，這里以人和車為例，分別以包含車或人的圖像為正樣本，其他自然環(huán)境下的圖像為負(fù)樣本進(jìn)行訓(xùn)練，生成車和人的訓(xùn)練模型。把生成的訓(xùn)練模型分別在輸入的訓(xùn)練圖像中進(jìn)行粗定位，并用非極大值抑制算法去掉重疊度搞、置信度低的偽定位框，操作之后大概生成500個車和人的候選框，分別作為深度學(xué)習(xí)的目標(biāo)候選框。假設(shè)候選框與圖像中人工標(biāo)注矩形框的重疊度大于0.5，那么我們就把這個候選框標(biāo)注成物體類別(如人或車)，否則就把它當(dāng)作背景類別。步驟102可用于對101中的候選框進(jìn)行目標(biāo)檢測：本發(fā)明實施例可基于FastRCNN，對步驟101中的候選框進(jìn)行目標(biāo)檢測，得到若干個目標(biāo)。步驟103可用于對102中的目標(biāo)進(jìn)行特征提取，得到若干個特征：為精確地提取多目標(biāo)特征，事先對要檢索的多目標(biāo)(如各種廠家，類別，年款的車型以及行人，摩托車，三輪車等)進(jìn)行分類?；赾affe架構(gòu)，在googlenet的基礎(chǔ)上對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改，減少卷積的層數(shù)以及特征圖的數(shù)量來提高運(yùn)行速度。把訓(xùn)練完畢之后的模型文件作為檢測到的目標(biāo)對象的權(quán)重文件，提取目標(biāo)對象的特征。這里在大量實驗的基礎(chǔ)上，以最后一個pooling層的特征作為最終提取的目標(biāo)特征。最后保存訓(xùn)練好的多目標(biāo)分類模型?；谠摱嗄繕?biāo)分類模型對目標(biāo)進(jìn)行特征提取，得到若干個特征。步驟104可用于對步驟103中得到的特征進(jìn)行編碼，得到若干個編碼：本發(fā)明實施例中的編碼方式以局部敏感哈希算法為藍(lán)本，步驟103中提取到特征作為原始數(shù)據(jù)并將其空間中的兩個相鄰數(shù)據(jù)點通過相同的映射或投影變換(我們在這里稱為hash函數(shù))，這兩個數(shù)據(jù)點在新的數(shù)據(jù)空間中仍然相鄰的概率很大，而不相鄰的數(shù)據(jù)點被映射到同一個桶的概率很小。對原始數(shù)據(jù)集合中所有的數(shù)據(jù)都進(jìn)行hash映射后，我們就得到了一個hashtable，這些原始數(shù)據(jù)集被分散到了hashtable的桶內(nèi)，每個桶會落入一些原始數(shù)據(jù)，屬于同一個桶內(nèi)的數(shù)據(jù)就有很大可能是相鄰的。這樣，我們就通過hashfunction操作，將原始數(shù)據(jù)集合分成了多個子集合。步驟105可用于計算編碼與待處理圖像之間的漢明距離，步驟106用于根據(jù)漢明距離選取包含目標(biāo)的待處理圖像。具體地，假設(shè)有大量圖像經(jīng)過上述操作并保存到指定數(shù)據(jù)庫里面，在這稱為入庫操作。輸入查詢圖像(待處理圖像包含有已訓(xùn)練的目標(biāo)對象)，對要檢索的目標(biāo)對象畫框，表示要在庫文件里面檢索和框內(nèi)同一類型的對象。在這里我們先用多目標(biāo)分類模型對框內(nèi)的目標(biāo)進(jìn)行特征提取，并用局部敏感函數(shù)對提取的特征編碼，然后將庫里面的數(shù)據(jù)取出，計算查詢數(shù)據(jù)與庫里面數(shù)據(jù)之間的距離，并返回設(shè)定閾值范圍的數(shù)據(jù)對應(yīng)的目標(biāo)對象作為最終的檢索結(jié)果。通過本發(fā)明實施例，對P個待處理圖像進(jìn)行目標(biāo)檢測，得到M個候選框，P和M均為大于1的整數(shù)，對M個候選框進(jìn)行目標(biāo)檢測，得到N個目標(biāo)，N為大于1的整數(shù)，采用預(yù)先訓(xùn)練過的多目標(biāo)識別模型對N個目標(biāo)進(jìn)行特征提取，得到K個特征，K為大于1的整數(shù)，利用局部敏感哈希算法對K個特征進(jìn)行編碼，得到K個編碼，根據(jù)K個編碼和P個待處理圖像計算漢明距離，得到P個漢明距離值，將P個漢明距離值中符合預(yù)設(shè)閾值的至少1個目標(biāo)漢明距離值對應(yīng)的待處理圖像進(jìn)行保留。如此，可提升圖像的檢索的速度和精度。與上述一致地，以下為實施上述目標(biāo)檢索方法的裝置，具體如下：請參閱圖2a，為本發(fā)明實施例提供的一種終端的第一實施例結(jié)構(gòu)示意圖。本實施例中所描述的終端，包括：第一檢測單元201、第二檢測單元202、提取單元203、編碼單元204、計算單元205和確定單元206，具體如下：第一檢測單元201，用于對P個待處理圖像進(jìn)行目標(biāo)檢測，得到M個候選框，所述P和所述M均為大于1的整數(shù)；第二檢測單元202，用于對所述M個候選框進(jìn)行目標(biāo)檢測，得到N個目標(biāo)，所述N為大于1的整數(shù)；提取單元203，用于采用預(yù)先訓(xùn)練過的多目標(biāo)識別模型對所述N個目標(biāo)進(jìn)行特征提取，得到K個特征，所述K為大于1的整數(shù)；編碼單元204，用于利用局部敏感哈希算法對所述K個特征進(jìn)行編碼，得到所述K個編碼；計算單元205，用于根據(jù)所述K個編碼和所述P個待處理圖像計算漢明距離，得到所述P個漢明距離值；確定單元206，用于將所述P個漢明距離值中符合預(yù)設(shè)閾值的至少1個目標(biāo)漢明距離值對應(yīng)的待處理圖像進(jìn)行保留?？蛇x地，如圖2b所示，圖2b為圖2a中所描述的終端的第一檢測單元201的細(xì)化結(jié)構(gòu)，其包括：第一確定模塊2011、生成模塊2012、定位模塊2013和處理模塊2014，具體如下：第一確定模塊2011，用于確定正樣本集和負(fù)樣本集；生成模塊2012，用于對所述正樣本集和所述負(fù)樣本集進(jìn)行訓(xùn)練，得到訓(xùn)練模型；定位模塊2013，用于將所述訓(xùn)練模型在所述P個待處理圖像中進(jìn)行定位，得到所述X個定位框，其中，所述X為小于所述P的正整數(shù)；處理模塊2014，用于采用非極大值抑制算法對所述X個定位框進(jìn)行去偽定位框處理，得到所述K個候選框，所述K為小于所述X的正整數(shù)?？蛇x地，所述第二檢測單元202具體用于：采用快速神經(jīng)網(wǎng)絡(luò)算法對所述M個候選框進(jìn)行目標(biāo)檢測。進(jìn)一步可選地，所述第二檢測單元202具體用于：采用基于roi-pooling函數(shù)的快速神經(jīng)網(wǎng)絡(luò)算法對所述M個候選框進(jìn)行目標(biāo)檢測。可選地，如圖2c所示，圖2c為圖2a中所描述的終端的計算單元205的細(xì)化結(jié)構(gòu)，其包括：選取模塊2051和第二確定模塊2052，具體如下：選取模塊2051，用于從所述K個編碼中選取與待處理圖像i對應(yīng)的Q個編碼，所述Q為大于或等于1的整數(shù)，所述待處理圖像i為所述P個待處理圖像中的一個；第二確定模塊2052，用于根據(jù)所述Q個編碼和所述待處理圖像i確定所述待處理圖像i的漢明距離值。通過本發(fā)明實施例所描述的終端，可對P個待處理圖像進(jìn)行目標(biāo)檢測，得到M個候選框，P和M均為大于1的整數(shù)，對M個候選框進(jìn)行目標(biāo)檢測，得到N個目標(biāo)，N為大于1的整數(shù)，采用預(yù)先訓(xùn)練過的多目標(biāo)識別模型對N個目標(biāo)進(jìn)行特征提取，得到K個特征，K為大于1的整數(shù)，利用局部敏感哈希算法對K個特征進(jìn)行編碼，得到K個編碼，根據(jù)K個編碼和P個待處理圖像計算漢明距離，得到P個漢明距離值，將P個漢明距離值中符合預(yù)設(shè)閾值的至少1個目標(biāo)漢明距離值對應(yīng)的待處理圖像進(jìn)行保留。如此，可提升圖像的檢索的速度和精度。與上述一致地，請參閱圖3，為本發(fā)明實施例提供的一種終端的第二實施例結(jié)構(gòu)示意圖。本實施例中所描述的終端，包括：至少一個輸入設(shè)備1000；至少一個輸出設(shè)備2000；至少一個處理器3000，例如CPU；和存儲器4000，上述輸入設(shè)備1000、輸出設(shè)備2000、處理器3000和存儲器4000通過總線5000連接。其中，上述輸入設(shè)備1000具體可為觸控面板、物理按鍵或者鼠標(biāo)。上述輸出設(shè)備2000具體可為顯示屏。上述存儲器4000可以是高速RAM存儲器，也可為非易失存儲器(non-volatilememory)，例如磁盤存儲器。上述存儲器4000用于存儲一組程序代碼，上述輸入設(shè)備1000、輸出設(shè)備2000和處理器3000用于調(diào)用存儲器4000中存儲的程序代碼，執(zhí)行如下操作：上述處理器3000，用于：對P個待處理圖像進(jìn)行目標(biāo)檢測，得到M個候選框，所述P和所述M均為大于1的整數(shù)；對所述M個候選框進(jìn)行目標(biāo)檢測，得到N個目標(biāo)，所述N為大于1的整數(shù)；采用預(yù)先訓(xùn)練過的多目標(biāo)識別模型對所述N個目標(biāo)進(jìn)行特征提取，得到K個特征，所述K為大于1的整數(shù)；利用局部敏感哈希算法對所述K個特征進(jìn)行編碼，得到所述K個編碼；根據(jù)所述K個編碼和所述P個待處理圖像計算漢明距離，得到所述P個漢明距離值；將所述P個漢明距離值中符合預(yù)設(shè)閾值的至少1個目標(biāo)漢明距離值對應(yīng)的待處理圖像進(jìn)行保留?？蛇x地，上述處理器3000對P個待處理圖像進(jìn)行目標(biāo)檢測，得到M個候選框，包括：確定正樣本集和負(fù)樣本集；對所述正樣本集和所述負(fù)樣本集進(jìn)行訓(xùn)練，得到訓(xùn)練模型；將所述訓(xùn)練模型在所述P個待處理圖像中進(jìn)行定位，得到所述X個定位框，其中，所述X為小于所述P的正整數(shù)；采用非極大值抑制算法對所述X個定位框進(jìn)行去偽定位框處理，得到所述K個候選框，所述K為小于所述X的正整數(shù)?？蛇x地，上述處理器3000對所述M個候選框進(jìn)行目標(biāo)檢測，包括：采用快速神經(jīng)網(wǎng)絡(luò)算法對所述M個候選框進(jìn)行目標(biāo)檢測?？蛇x地，上述處理器3000采用快速神經(jīng)網(wǎng)絡(luò)算法對所述M個候選框進(jìn)行目標(biāo)檢測，包括：采用基于roi-pooling函數(shù)的快速神經(jīng)網(wǎng)絡(luò)算法對所述M個候選框進(jìn)行目標(biāo)檢測?？蛇x地，上述處理器3000根據(jù)所述K個編碼和所述P個待處理圖像計算漢明距離，得到所述P個漢明距離值，包括：從所述K個編碼中選取與待處理圖像i對應(yīng)的Q個編碼，所述Q為大于或等于1的整數(shù)，所述待處理圖像i為所述P個待處理圖像中的一個；根據(jù)所述Q個編碼和所述待處理圖像i確定所述待處理圖像i的漢明距離值。本發(fā)明實施例還提供一種計算機(jī)存儲介質(zhì)，其中，該計算機(jī)存儲介質(zhì)可存儲有程序，該程序執(zhí)行時包括上述方法實施例中記載的任何一種目標(biāo)檢索方法的部分或全部步驟。盡管在此結(jié)合各實施例對本發(fā)明進(jìn)行了描述，然而，在實施所要求保護(hù)的本發(fā)明過程中，本領(lǐng)域技術(shù)人員通過查看所述附圖、公開內(nèi)容、以及所附權(quán)利要求書，可理解并實現(xiàn)所述公開實施例的其他變化。在權(quán)利要求中，“包括”(comprising)一詞不排除其他組成部分或步驟，“一”或“一個”不排除多個的情況。單個處理器或其他單元可以實現(xiàn)權(quán)利要求中列舉的若干項功能。相互不同的從屬權(quán)利要求中記載了某些措施，但這并不表示這些措施不能組合起來產(chǎn)生良好的效果。本領(lǐng)域技術(shù)人員應(yīng)明白，本發(fā)明的實施例可提供為方法、裝置(設(shè)備)、或計算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實施例、完全軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機(jī)可用程序代碼的計算機(jī)可用存儲介質(zhì)(包括但不限于磁盤存儲器、CD-ROM、光學(xué)存儲器等)上實施的計算機(jī)程序產(chǎn)品的形式。計算機(jī)程序存儲/分布在合適的介質(zhì)中，與其它硬件一起提供或作為硬件的一部分，也可以采用其他分布形式，如通過Internet或其它有線或無線電信系統(tǒng)。本發(fā)明是參照本發(fā)明實施例的方法、裝置(設(shè)備)和計算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機(jī)程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計算機(jī)程序指令到通用計算機(jī)、專用計算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機(jī)器，使得通過計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。這些計算機(jī)程序指令也可存儲在能引導(dǎo)計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機(jī)可讀存儲器中，使得存儲在該計算機(jī)可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。這些計算機(jī)程序指令也可裝載到計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機(jī)實現(xiàn)的處理，從而在計算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。盡管結(jié)合具體特征及其實施例對本發(fā)明進(jìn)行了描述，顯而易見的，在不脫離本發(fā)明的精神和范圍的情況下，可對其進(jìn)行各種修改和組合。相應(yīng)地，本說明書和附圖僅僅是所附權(quán)利要求所界定的本發(fā)明的示例性說明，且視為已覆蓋本發(fā)明范圍內(nèi)的任意和所有修改、變化、組合或等同物。顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進(jìn)行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。當(dāng)前第1頁1 2 3 當(dāng)前第1頁1 2 3