CN110222726A - 图像处理方法、装置及电子设备 - Google Patents

Abstract

本公开实施例中提供了一种图像处理方法、装置及电子设备，属于数据处理技术领域，该方法包括：获取包含目标对象的第一图像；设置对第一图像进行图像处理的分割网络；在所述分割网络中第二个下采样层之后，设置多个不同采样率平行卷积层，所述平行卷积层用于处理第二个下采样层输出的图像，每个平行卷积层上提取的图像特征通过融合的方式，形成第二图像；通过对所述第二图像进行目标识别，获取包含所述目标对象的第三图像。通过本公开的方案，提高目标识别的准确度。通过本公开的处理方案，能够实时的设置图像的风格化效果。

Description

图像处理方法、装置及电子设备

技术领域

本公开涉及数据处理技术领域，尤其涉及一种图像处理方法、装置及电子设备。

背景技术

随着人工智能技术的发展，越来越多的图像处理工作可以通过人工智能的方式来完成，神经网络作为人工智能的一种实现手段，在计算机图像识别领域得到了充分的应用。例如，在图像中对不同人物进行识别，或者在无人驾驶中自动识别道路上的不同对象。这些都构成了图像语义识别的具体内容。图像语义识别的过程中会涉及到图像语义分割，图像语义分割一般建模为像素级别的多分类问题，其目标是将图像的每一像素区分为预定义的多个类别之一。

目前已有的图像语义分割方法多数基于编码器解码器的卷积神经网络。但是这种网络结构虽然可以获得较好的语义分割结果，但是一旦采用编解码结构，必然会在编码过程明显的降低特征图的空间分辨率，尽管在上采样过程恢复图像的原始分辨率，但是不可避免的会造成空间细节信息的丢失，从而导致目标识别的准确度降低。

发明内容

有鉴于此，本公开实施例提供一种图像处理方法、装置及电子设备，至少部分解决现有技术中存在的问题。

第一方面，本公开实施例提供了一种图像处理方法，包括：

获取包含目标对象的第一图像；

设置对第一图像进行图像处理的分割网络，所述分割网络包括多个卷积层和下采样层，所述卷积层和所述下采样层间隔分布，所述卷积层对所述第一图像中的目标对象进行特征提取，所述下采样层对所述卷积层输出的图像执行下采样操作；

在所述分割网络中第二个下采样层之后，设置多个不同采样率平行卷积层，所述平行卷积层用于处理第二个下采样层输出的图像，每个平行卷积层上提取的图像特征通过融合的方式，形成第二图像；

通过对所述第二图像进行目标识别，获取包含所述目标对象的第三图像。

根据本公开实施例的一种具体实现方式，所述对所述第二图像进行目标识别，包括：

在所述平行卷积层之后，设置第三下采样层，所述第三下采样层对所述第二图像执行下采样操作。

根据本公开实施例的一种具体实现方式，所述对所述第二图像进行目标识别，还包括：

在所述第三下采样层之后，设置多个上采样层，所述上采样层对第三下采样层输出的图像执行上采样操作。

根据本公开实施例的一种具体实现方式，所述对所述第二图像进行目标识别，还包括：

在所述分割网络中设置全连接层；

在所述全连接层中，对所述平行卷积层不同节点输出的图像设置不同的权重值以及针对采样层所有节点的偏置值；

基于所述权重值和所述偏置值，对所述上采样层输出的图像进行目标识别。

根据本公开实施例的一种具体实现方式，所述方法还包括：

获取所述分割网络中所有的卷积层；

获取所有卷积层中每一卷积层输出的特征图像的图像尺寸；

在将输出相同图像尺寸的卷积层之间进行卷积层连接。

根据本公开实施例的一种具体实现方式，所述在将输出相同图像尺寸的卷积层之间进行卷积层连接，包括：

获取N个输出相同图像尺寸的卷积层x中，第i个卷积层的输入xi和输出H(xi)；

基于xi和H(xi)，构建第i个卷积层的残差函数F(xi)＝H(xi)-xi；

基于所述残差函数进行卷积层的连接。

根据本公开实施例的一种具体实现方式，所述基于所述残差函数进行卷积层的连接，包括：

设置针对第i个卷积层的映射函数W(xi)；

获取第i个卷积层的输入xi及第i个卷积层的输出F(xi)；

将F(xi)+W(xi)作为第i+2个卷积层的输入。

根据本公开实施例的一种具体实现方式，所述每个平行卷积层上提取的图像特征通过融合的方式，形成第二图像，包括：

在所述多个平行卷积层中设置相同大小的卷积核；

基于所述卷积核，对输入到所述多个平行卷积层中的图像进行特征提取，形成多个特征向量矩阵；

为所述多个特征向量矩阵分配不同的权重值，将不同权重值的特征向量矩阵的和作为所述第二图像的表示矩阵。

第二方面，本公开实施例公开了一种图像处理装置，包括：

获取模块，用于获取包含目标对象的第一图像；

设置模块，用于设置对第一图像进行图像处理的分割网络，所述分割网络包括多个卷积层和下采样层，所述卷积层和所述下采样层间隔分布，所述卷积层对所述第一图像中的目标对象进行特征提取，所述下采样层对所述卷积层输出的图像执行下采样操作；

处理模块，用于在所述分割网络中第二个下采样层之后，设置多个不同采样率平行卷积层，所述平行卷积层用于处理第二个下采样层输出的图像，每个平行卷积层上提取的图像特征通过融合的方式，形成第二图像；

执行模块，用于通过对所述第二图像进行目标识别，获取包含所述目标对象的第三图像。

第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的图像处理方法。

第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的图像处理方法。

第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的图像处理方法。

本公开实施例中的图像处理方案，包括获取包含目标对象的第一图像；设置对第一图像进行图像处理的分割网络，所述分割网络包括多个卷积层和下采样层，所述卷积层和所述下采样层间隔分布，所述卷积层对所述第一图像中的目标对象进行特征提取，所述下采样层对所述卷积层输出的图像执行下采样操作；在所述分割网络中第二个下采样层之后，设置多个不同采样率平行卷积层，所述平行卷积层用于处理第二个下采样层输出的图像，每个平行卷积层上提取的图像特征通过融合的方式，形成第二图像；通过对所述第二图像进行目标识别，获取包含所述目标对象的第三图像。通过本公开的方案，提高目标识别的准确度。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本公开实施例提供的一种图像处理流程示意图；

图2为本公开实施例提供的一种神经网络模型示意图；

图3为本公开实施例提供的另一种图像处理流程示意图；

图4为本公开实施例提供的另一种图像处理流程示意图；

图5为本公开实施例提供的图像处理装置结构示意图；

图6为本公开实施例提供的电子设备示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

本公开实施例提供一种图像处理方法。本实施例提供的图像处理方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。

参见图1，本公开实施例提供的一种图像处理方法，包括如下步骤：

S101，获取包含目标对象的第一图像。

目标对象是本公开的方案所要获取的内容，作为一个例子，目标对象可以是一个具有各种动作的人，也可以是具有行为特色的动物，或者是静止的物体等。

目标对象通常包含在一定的场景中，例如包含人物肖像的照片通常还含有背景，背景可以包括树木、山、河流、以及其他的人物等。此时如果想从图像中将目标对象单独的提取出来，就需要对目标对象进行单独的识别和处理。基于提取出来的目标对象，可以分析目标对象的各种行为。

第一图像是包含了目标对象的图像，第一图像可以是通过预先存储的一系列照片中的一个，也可以是从一段预先保存的视频中提取出来的视频帧，还可以是从实时直播的视频中提取的一个或多个画面。第一图像中可以包含多个对象，例如用于描述人物动作的照片可以包含目标人物、与目标人物在一起的其他人物、树木、建筑物等。目标人物构成了第一图像的目标对象，与目标人物在一起的其他人物、树木、建筑物等构成了背景图像。基于实际的需要，可以在第一图像中选择一个或多个对象作为目标对象。

作为一个例子，可以从视频文件中获取目标对象，对目标对象采集的视频中包含多个帧图像，可以从视频的帧图像中选取多个包含一个或多个目标对象连续动作的图像，构成图像集合。通过对图像集合中的图像进行选取，能够获取包含目标对象的第一图像。

S102，设置对第一图像进行图像处理的分割网络，所述分割网络包括多个卷积层和下采样层，所述卷积层和所述下采样层间隔分布，所述卷积层对所述第一图像中的目标对象进行特征提取，所述下采样层对所述卷积层输出的图像执行下采样操作。

为了能够对第一图像的进行图像处理，构建基于神经网络模型的分割网络，参见图2，分割网络包括卷积层、采样层和全连接层。

卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入图像进行卷积计算，并提取输入图像的布局特征。

卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入图像的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入图像具有较好的鲁棒性。

采样层可以包括上采样层和下采样层，上采样层通过对输入图像进行插值等方式，增加图像中的像素信息。下采样层通过对输入的图像进行特征提取的方式，提取输入图像的特征，

为了加快分割网络的训练速度，还可以在卷积层后面还设置有池化层(图中未示出)，池化层采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。

全连接层将经过多个卷积层和池化层的图像特征图中的特征进行整合，获取输入图像特征具有的分类特征，以用于图像分类。在分割网络的神经网络模型中，全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入图像所有特征的组合信息，该特征向量将图像中含有最具有特点的图像特征保留了下来以完成图像分类任务。这样一来便可以计算输入的图像对应的预测图，从而确定第一图像中所包含的目标对象。

为了提高分割网络的计算速度，在分割网络中设置下采样层，下采样层和卷积层间隔分布，卷积层对所述第一图像中的目标对象进行特征提取，下采样层对所述卷积层输出的图像执行下采样操作。通过这种设置方式，提高了分割网络对于第一图像的计算速度。

S103，在所述分割网络中第二个下采样层之后，设置多个不同采样率平行卷积层，所述平行卷积层用于处理第二个下采样层输出的图像，每个平行卷积层上提取的图像特征通过融合的方式，形成第二图像。

传统神经网络的缺点是他们需要输入固定大小的图像，而事实上，由于对图像处理的不同，输入到神经网络中的图像可能已经经过裁剪或扭曲处理，经过裁剪或扭曲的图像会由于存在内容丢失的情况，导致神经网络对于输入图像中待识别物体的识别准确性降低。除此之外，当同样的目标对象在不同的图像中的尺寸发生变化时，也会降低神经网络对目标对象的识别准确度。

为了进一步提高分割网络对于第一图像的自适应性，参见图2，在分割网络中设置平行卷积层，具体的，在分割网络中第二个下采样层之后，设置多个不同采样率平行卷积层，平行卷积层用于处理第二个下采样层输出的图像，每个平行卷积层上提取的图像特征通过融合的方式，形成第二图像。

利用平行卷积层进行图像处理，输入图像或输入图像中目标对象可以是任意宽高比或任意的尺寸大小。当输入图像为不同尺度时，分割网络可以按不同尺度进行提取特征。例如，平行卷积层可以采用4×4、2×2和1×1的卷积核对输入的图像分别进行特征计算，从而得到3路独立处理的图像，通过将3路独立处理的图像进行融合，能够形成第二图像。由于第二图像的形成不受输入图像大小或比例的现实，从而进一步的提高了分割网络的鲁棒性。

通过该实施方式，各实施例不限于对特定大小、形状或类型的对象的检测，也不限于对特定大小、类型或内容的图像的检测。根据各实施例的使用平行卷积层池化来进行图像处理的系统可在能作用于任何大小、类型或内容的图像。

平行卷积层提高了数据鲁棒性的同时，也增加了系统的计算负担，为此，将平行卷积层设置在所述分割网络中第二个下采样层之后，此时，第二个下采样层输出的图像具有足够的特征来满足平行采样层的需求，同时第一图像经过两个采样层的处理之后，数据的计算量大为降低。在满足平行卷积层鲁棒性的同时，降低了评价卷积层的计算消耗。之所以如此，是因为若将平行采样层放置在第三个采样层之后进行图像处理，则第一图像经过三个采样层的处理之后，将会损失过多的特征，从而导致平行卷积层获得的特征不足，影响平行卷积层对于目标对象的识别效果。

S104，通过对所述第二图像进行目标识别，获取包含所述目标对象的第三图像。

可以对第二图像的大小进行调节，例如，可以构建最小化函数min(a；b)＝c，其中a是第二图像的宽度，b第二图像的高度，c表示预定义尺度(例如256)，并且可从整个图像提取特征图。例如，以3个平行卷积层(1×1、3×3和6×6，总共46个特征向量)为例，可以将这3个平行卷积层用于每个候选窗口以便池化特征。为每个窗口生成11776维(256×46)表示。这些表示可被提供给分割网络的全连接层，通过全连接层来基于这些表示进行目标识别。识别出的目标对象以单独的图像形式进行保存，形成第三图像。

为了进一步的提高分割网络的处理效率，根据本公开实施例的一种具体实现方式，在对所述第二图像进行目标识别的过程中，在所述平行卷积层之后，可以设置第三下采样层，所述第三下采样层对所述第二图像执行下采样操作。通过设置第三下采样层，能够进一步的降低第二图像的像素值，减少分割网络的计算量。

对于采用GPU等高速计算设备的情景，可以通过增加图像的像素值得方式，提高图像上所包含的特征信息，此时，可以在在第三下采样层之后，设置多个(例如，3个)上采样层，所述上采样层对第三下采样层输出的图像执行上采样操作。通过设置多个上采样层，能够通过插值等方式对第二图像增加更多的图像细节。

参见图3，根据本公开实施例的一种具体实现方式，所述对所述第二图像进行目标识别，可以包括：

S301，在所述分割网络中设置全连接层。

S302，在所述全连接层中，对所述平行卷积层不同节点输出的图像设置不同的权重值以及针对采样层所有节点的偏置值。

以x1、x2、x3为平行卷积层的输出为例，则对于全连接层的输出a1、a2、a3，可以用如下公式进行表示：

其中，分别为权重矩阵和偏置向量，权重矩阵中包含不同的权重值，权重值通过对分割网络训练等方式获得。偏置向量中包含不同的偏置值，偏置值可以通过对分割网络进行训练等方式获得。

S303，基于所述权重值和所述偏置值，对所述上采样层输出的图像进行目标识别。

通过步骤S301-S303中的方式，能够快速的对第二图像中包含的目标对象进行识别。

参见图4，根据本公开实施例的一种具体实现方式，在构建分割网络的过程中，还可以包括如下步骤：

S401，获取所述分割网络中所有的卷积层。

根据不同的需要，分割网络中可以设置多个卷积层，通过对不同的卷积层设置不同的卷积核，可以对需要处理的图像进行相应的处理。

S402，获取所有卷积层中每一卷积层输出的特征图像的图像尺寸。

基于卷积核和输入图像的不同，不同卷积层输出的特征图像的尺寸也会不同，此时可以通过对所有的卷积层的输入参数和卷积核进行计算，从而获得每一个卷积层输出图像的尺寸大小。

S403，在将输出相同图像尺寸的卷积层之间进行卷积层连接。

深度学习网络中，浅层特征有更多的图像特征，深层特征有更多的语义特征，为了能够将浅层和深层的特征结合到一起，对于能够产生同样尺寸的卷积层，增加卷积层之间的连接，从而降低图像中的边缘锯齿问题。

在实现步骤S403的过程中，根据本公开实施例的一种具体实现方式，还可以包括如下步骤：

S4031，获取N个输出相同图像尺寸的卷积层x中，第i个卷积层的输入xi和输出H(xi)。

S4032，基于xi和H(xi)，构建第i个卷积层的残差函数F(xi)＝H(xi)-xi。

S4033，基于所述残差函数进行卷积层的连接。

具体的，可以设置针对第i个卷积层的映射函数W(xi)，以及第i个卷积层的输入xi及第i个卷积层的输出F(xi)，然后将F(xi)+W(xi)作为第i+2个卷积层的输入，通过这种方式，对卷积层进行连接。

在将形成第二图像的过程中，为了能够快速的提取第二图像的特征，可以在多个平行卷积层中设置相同大小的卷积核，通过该卷积核，对输入到所述多个平行卷积层中的图像进行特征提取，形成多个特征向量矩阵。基于对分割网络训练的情况，为所述多个特征向量矩阵分配不同的权重值，将不同权重值的特征向量矩阵的和作为所述第二图像的表示矩阵，最终形成第二图像。

与上面的方法实施例相对应，参见图5，本公开实施例还公开了一种图像处理装置50，包括：

获取模块501，用于获取包含目标对象的第一图像。

目标对象是本公开的方案所要获取的内容，作为一个例子，目标对象可以是一个具有各种动作的人，也可以是具有行为特色的动物，或者是静止的物体等。

目标对象通常包含在一定的场景中，例如包含人物肖像的照片通常还含有背景，背景可以包括树木、山、河流、以及其他的人物等。此时如果想从图像中将目标对象单独的提取出来，就需要对目标对象进行单独的识别和处理。基于提取出来的目标对象，可以分析目标对象的各种行为。

第一图像是包含了目标对象的图像，第一图像可以是通过预先存储的一系列照片中的一个，也可以是从一段预先保存的视频中提取出来的视频帧，还可以是从实时直播的视频中提取的一个或多个画面。第一图像中可以包含多个对象，例如用于描述人物动作的照片可以包含目标人物、与目标人物在一起的其他人物、树木、建筑物等。目标人物构成了第一图像的目标对象，与目标人物在一起的其他人物、树木、建筑物等构成了背景图像。基于实际的需要，可以在第一图像中选择一个或多个对象作为目标对象。

作为一个例子，可以从视频文件中获取目标对象，对目标对象采集的视频中包含多个帧图像，可以从视频的帧图像中选取多个包含一个或多个目标对象连续动作的图像，构成图像集合。通过对图像集合中的图像进行选取，能够获取包含目标对象的第一图像。

设置模块502，用于设置对第一图像进行图像处理的分割网络，所述分割网络包括多个卷积层和下采样层，所述卷积层和所述下采样层间隔分布，所述卷积层对所述第一图像中的目标对象进行特征提取，所述下采样层对所述卷积层输出的图像执行下采样操作。

为了能够对第一图像的进行图像处理，构建基于神经网络模型的分割网络，参见图2，分割网络包括卷积层、采样层和全连接层。

卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入图像进行卷积计算，并提取输入图像的布局特征。

卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入图像的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入图像具有较好的鲁棒性。

采样层可以包括上采样层和下采样层，上采样层通过对输入图像进行插值等方式，增加图像中的像素信息。下采样层通过对输入的图像进行特征提取的方式，提取输入图像的特征，

为了加快分割网络的训练速度，还可以在卷积层后面还设置有池化层(图中未示出)，池化层采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。

全连接层将经过多个卷积层和池化层的图像特征图中的特征进行整合，获取输入图像特征具有的分类特征，以用于图像分类。在分割网络的神经网络模型中，全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入图像所有特征的组合信息，该特征向量将图像中含有最具有特点的图像特征保留了下来以完成图像分类任务。这样一来便可以计算输入的图像对应的预测图，从而确定第一图像中所包含的目标对象。

为了提高分割网络的计算速度，在分割网络中设置下采样层，下采样层和卷积层间隔分布，卷积层对所述第一图像中的目标对象进行特征提取，下采样层对所述卷积层输出的图像执行下采样操作。通过这种设置方式，提高了分割网络对于第一图像的计算速度。

处理模块503，用于在所述分割网络中第二个下采样层之后，设置多个不同采样率平行卷积层，所述平行卷积层用于处理第二个下采样层输出的图像，每个平行卷积层上提取的图像特征通过融合的方式，形成第二图像。

传统神经网络的缺点是他们需要输入固定大小的图像，而事实上，由于对图像处理的不同，输入到神经网络中的图像可能已经经过裁剪或扭曲处理，经过裁剪或扭曲的图像会由于存在内容丢失的情况，导致神经网络对于输入图像中待识别物体的识别准确性降低。除此之外，当同样的目标对象在不同的图像中的尺寸发生变化时，也会降低神经网络对目标对象的识别准确度。

为了进一步提高分割网络对于第一图像的自适应性，参见图2，在分割网络中设置平行卷积层，具体的，在分割网络中第二个下采样层之后，设置多个不同采样率平行卷积层，平行卷积层用于处理第二个下采样层输出的图像，每个平行卷积层上提取的图像特征通过融合的方式，形成第二图像。

利用平行卷积层进行图像处理，输入图像或输入图像中目标对象可以是任意宽高比或任意的尺寸大小。当输入图像为不同尺度时，分割网络可以按不同尺度进行提取特征。例如，平行卷积层可以采用4×4、2×2和1×1的卷积核对输入的图像分别进行特征计算，从而得到3路独立处理的图像，通过将3路独立处理的图像进行融合，能够形成第二图像。由于第二图像的形成不受输入图像大小或比例的现实，从而进一步的提高了分割网络的鲁棒性。

通过该实施方式，各实施例不限于对特定大小、形状或类型的对象的检测，也不限于对特定大小、类型或内容的图像的检测。根据各实施例的使用平行卷积层池化来进行图像处理的系统可在能作用于任何大小、类型或内容的图像。

平行卷积层提高了数据鲁棒性的同时，也增加了系统的计算负担，为此，将平行卷积层设置在所述分割网络中第二个下采样层之后，此时，第二个下采样层输出的图像具有足够的特征来满足平行采样层的需求，同时第一图像经过两个采样层的处理之后，数据的计算量大为降低。在满足平行卷积层鲁棒性的同时，降低了评价卷积层的计算消耗。之所以如此，是因为若将平行采样层放置在第三个采样层之后进行图像处理，则第一图像经过三个采样层的处理之后，将会损失过多的特征，从而导致平行卷积层获得的特征不足，影响平行卷积层对于目标对象的识别效果。

执行模块504，用于通过对所述第二图像进行目标识别，获取包含所述目标对象的第三图像。

可以对第二图像的大小进行调节，例如，可以构建最小化函数min(a；b)＝c，其中a是第二图像的宽度，b第二图像的高度，c表示预定义尺度(例如256)，并且可从整个图像提取特征图。例如，以3个平行卷积层(1×1、3×3和6×6，总共46个特征向量)为例，可以将这3个平行卷积层用于每个候选窗口以便池化特征。为每个窗口生成11776维(256×46)表示。这些表示可被提供给分割网络的全连接层，通过全连接层来基于这些表示进行目标识别。识别出的目标对象以单独的图像形式进行保存，形成第三图像。

图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。

参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中图像处理方法。

本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中。

本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的图像处理方法。

下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (11)

1.一种图像处理方法，其特征在于，包括：

获取包含目标对象的第一图像；

设置对第一图像进行图像处理的分割网络，所述分割网络包括多个卷积层和下采样层，所述卷积层和所述下采样层间隔分布，所述卷积层对所述第一图像中的目标对象进行特征提取，所述下采样层对所述卷积层输出的图像执行下采样操作；

在所述分割网络中第二个下采样层之后，设置多个不同采样率平行卷积层，所述平行卷积层用于处理第二个下采样层输出的图像，每个平行卷积层上提取的图像特征通过融合的方式，形成第二图像；

通过对所述第二图像进行目标识别，获取包含所述目标对象的第三图像。

2.根据权利要求1所述的方法，其特征在于，所述对所述第二图像进行目标识别，包括：

在所述平行卷积层之后，设置第三下采样层，所述第三下采样层对所述第二图像执行下采样操作。

3.根据权利要求2所述的方法，其特征在于，所述对所述第二图像进行目标识别，还包括：

在所述第三下采样层之后，设置多个上采样层，所述上采样层对第三下采样层输出的图像执行上采样操作。

4.根据权利要求3所述的方法，其特征在于，所述对所述第二图像进行目标识别，还包括：

在所述分割网络中设置全连接层；

在所述全连接层中，对所述平行卷积层不同节点输出的图像设置不同的权重值以及针对采样层所有节点的偏置值；

基于所述权重值和所述偏置值，对所述上采样层输出的图像进行目标识别。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述分割网络中所有的卷积层；

获取所有卷积层中每一卷积层输出的特征图像的图像尺寸；

在将输出相同图像尺寸的卷积层之间进行卷积层连接。

6.根据权利要求5所述的方法，其特征在于，所述在将输出相同图像尺寸的卷积层之间进行卷积层连接，包括：

获取N个输出相同图像尺寸的卷积层x中，第i个卷积层的输入xi和输出H(xi)；

基于xi和H(xi)，构建第i个卷积层的残差函数F(xi)＝H(xi)-xi；

基于所述残差函数进行卷积层的连接。

7.根据权利要求6所述的方法，其特征在于，所述基于所述残差函数进行卷积层的连接，包括：

设置针对第i个卷积层的映射函数W(xi)；

获取第i个卷积层的输入xi及第i个卷积层的输出F(xi)；

将F(xi)+W(xi)作为第i+2个卷积层的输入。

8.根据权利要求1所述的方法，其特征在于，所述每个平行卷积层上提取的图像特征通过融合的方式，形成第二图像，包括：

在所述多个平行卷积层中设置相同大小的卷积核；

基于所述卷积核，对输入到所述多个平行卷积层中的图像进行特征提取，形成多个特征向量矩阵；

为所述多个特征向量矩阵分配不同的权重值，将不同权重值的特征向量矩阵的和作为所述第二图像的表示矩阵。

9.一种图像处理装置，其特征在于，包括：

获取模块，用于获取包含目标对象的第一图像；

设置模块，用于设置对第一图像进行图像处理的分割网络，所述分割网络包括多个卷积层和下采样层，所述卷积层和所述下采样层间隔分布，所述卷积层对所述第一图像中的目标对象进行特征提取，所述下采样层对所述卷积层输出的图像执行下采样操作；

处理模块，用于在所述分割网络中第二个下采样层之后，设置多个不同采样率平行卷积层，所述平行卷积层用于处理第二个下采样层输出的图像，每个平行卷积层上提取的图像特征通过融合的方式，形成第二图像；

执行模块，用于通过对所述第二图像进行目标识别，获取包含所述目标对象的第三图像。

10.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一权利要求1-8所述的图像处理方法。

11.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一权利要求1-8所述的图像处理方法。