一种图像数据检测方法、装置、计算机设备和存储介质与流程

1.本技术涉及数据处理的技术领域，尤其涉及一种图像数据检测方法、装置、计算机设备和存储介质。


背景技术：

2.随着计算机网络的不断发展，图像处理技术渗透于日常生活的片片面面，如对图像数据添加毛玻璃特效的图像处理技术。
3.现有技术中，通常可以通过毛玻璃检测模型来检测图像中所添加的毛玻璃特效的位置，可见所检测出的图像是否存在毛玻璃特效以及毛玻璃特效的具体添加位置，都依赖于毛玻璃检测模型的检测精度。因此，当毛玻璃检测模型的训练样本不完备或者对毛玻璃检测模型的训练效果不好时，会直接导致毛玻璃检测模型的检测精度低，进而导致通过毛玻璃检测模型所检测出的图像的毛玻璃特效的准确性也低。


技术实现要素：

4.本技术提供了一种图像数据检测方法、装置、计算机设备和存储介质，可提高所检测到的目标高斯模糊位置的准确性。
5.本技术一方面提供了一种图像数据检测方法，包括：
6.获取检测图像，对检测图像进行边缘检测，得到边缘检测结果；
7.当根据边缘检测结果确定检测图像中存在初始高斯模糊位置时，将检测图像输入校验模型，得到针对初始高斯模糊位置的校验结果；校验模型通过目标样本图像训练得到；目标样本图像为至少两个样本图像中，存在基于边缘检测所得到的样本高斯模糊位置的样本图像；
8.根据初始高斯模糊位置和校验结果，确定检测图像的目标高斯模糊位置。
9.本技术一方面提供了一种图像数据检测装置，包括：
10.边缘检测模块，用于获取检测图像，对检测图像进行边缘检测，得到边缘检测结果；
11.校验模块，用于当根据边缘检测结果确定检测图像中存在初始高斯模糊位置时，将检测图像输入校验模型，得到针对初始高斯模糊位置的校验结果；校验模型通过目标样本图像训练得到；目标样本图像为至少两个样本图像中，存在基于边缘检测所得到的样本高斯模糊位置的样本图像；
12.位置确定模块，用于根据初始高斯模糊位置和校验结果，确定检测图像的目标高斯模糊位置。
13.其中，校验结果包括第一校验结果和第二校验结果；第一校验结果表征校验出检测图像是通过高斯模糊后的图像；第二校验结果表征校验出检测图像是未通过高斯模糊后的图像；
14.位置确定模块，包括：
15.第一位置确定单元，用于当校验结果为第一校验结果时，将初始高斯模糊位置，确定为目标高斯模糊位置；
16.第二位置确定单元，用于当校验结果为第二校验结果时，确定目标高斯模糊位置为空。
17.其中，位置确定模块，包括：
18.直线检测单元，用于当校验结果为第一校验结果时，对检测图像进行图像直线检测，得到检测图像中的检测直线；第一校验结果表征校验出检测图像是通过高斯模糊后的图像；
19.目标位置确定单元，用于根据检测直线和初始高斯模糊位置，确定目标高斯模糊位置。
20.其中，目标位置确定单元，包括：
21.第一位置确定子单元，用于当检测直线的数量为第一数量时，将初始高斯模糊位置确定为目标高斯模糊位置；
22.第二位置确定子单元，用于当检测直线的数量为第二数量，且检测直线与检测图像的图像中轴之间的距离小于距离阈值时，将初始高斯模糊位置确定为目标高斯模糊位置；第二数量大于第一数量；
23.第三位置确定子单元，用于当检测直线的数量为第二数量，且检测直线与检测图像的图像中轴之间的距离大于或等于距离阈值时，基于图像中轴对检测直线进行对称翻转，得到对称检测直线，根据检测直线和对称检测直线确定目标高斯模糊位置；
24.第四位置确定子单元，用于当检测直线的数量为第三数量时，根据初始高斯模糊位置以及与图像中轴之间的距离最大的检测直线，确定目标高斯模糊位置；第三数量大于第二数量。
25.其中，上述装置还包括：
26.样本检测模块，用于对至少两个样本图像进行边缘检测，将基于边缘检测所检测出样本高斯模糊位置的样本图像，确定为目标样本图像；
27.图像输入模块，用于将目标样本图像输入初始校验模型；目标样本图像携带有样本标签；样本标签为第一样本标签或第二样本标签；第一样本标签表征目标样本图像是通过高斯模糊后的图像；第二样本标签表征目标样本图像是未通过高斯模糊后的图像；
28.结果输出模块，用于在初始校验模型中，输出针对目标样本图像的样本校验结果；样本校验结果为第一样本校验结果或第二样本校验结果；第一样本校验结果表征校验出目标样本图像是通过高斯模糊后的图像；第二校验结果表征校验出目标样本图像是未通过高斯模糊后的图像；
29.修正模块，用于根据样本校验结果和目标样本图像所携带的样本标签，修正初始校验模型的模型参数，得到校验模型。
30.其中，边缘检测模块，包括：
31.卷积单元，用于基于边缘检测卷积核对检测图像进行卷积操作，得到检测图像的边缘图像；
32.结果确定单元，用于根据边缘图像，确定针对检测图像的边缘检测结果。
33.其中，卷积单元，包括：
34.低通卷积子单元，用于当边缘检测卷积核为低通卷积核时，基于低通卷积核对检测图像进行卷积操作，得到检测图像的低频信号图像；
35.信号过滤子单元，用于在检测图像中过滤低频信号图像，得到检测图像的边缘图像；或者
36.高通卷积子单元，用于当边缘检测卷积核为高通卷积核时，基于高通卷积核对检测图像进行卷积操作，得到检测图像的边缘图像。
37.其中，边缘图像包括至少两个单元列中的边缘检测值；
38.结果确定单元，包括：
39.求和子单元，用于分别对边缘图像的每个单元列中的边缘检测值进行求和，得到每个单元列分别对应的边缘求和值；
40.向量生成单元，用于根据每个单元列分别对应的边缘求和值，生成边缘检测向量；
41.遍历单元，用于基于边缘检测阈值对边缘检测向量中的边缘求和值进行遍历，根据遍历结果确定边缘检测结果。
42.其中，遍历单元，包括：
43.第一遍历子单元，用于按照第一遍历顺序，依次遍历边缘检测向量中的边缘求和值，当遍历到大于或等于边缘检测阈值的边缘求和值时，停止遍历，根据遍历到的大于或等于边缘检测阈值的边缘求和值，确定第一边缘位置；
44.第二遍历子单元，用于按照第二遍历顺序，依次遍历边缘检测向量中的边缘求和值，当遍历到大于或等于边缘检测阈值的边缘求和值时，停止遍历，根据遍历到的大于或等于边缘检测阈值的边缘求和值，确定第二边缘位置；
45.边缘结果确定子单元，用于将第一边缘位置和第二边缘位置，确定为边缘检测结果。
46.其中，边缘检测结果包括所检测到的检测图像的第一边缘位置和第二边缘位置；初始高斯模糊位置包括第一高斯模糊位置和第二高斯模糊位置；
47.校验模块，包括：
48.模糊宽度值确定单元，用于根据第一边缘位置确定第一高斯模糊宽度值，根据第二边缘位置确定第二高斯模糊宽度值；
49.清晰宽度值确定单元，用于根据第一高斯模糊宽度值、第二高斯模糊宽度值和检测图像的图像宽度值，确定检测图像的清晰图像宽度值；
50.模型输入单元，用于当第一高斯模糊宽度值与第二高斯模糊宽度值之间的差值小于或等于宽度对称检测阈值、且清晰图像宽度值与检测图像的图像高度值之间的比值处于比值检测区间时，将第一边缘位置确定为第一高斯模糊位置，将第二边缘位置确定为第二高斯模糊位置，将检测图像输入校验模型。
51.其中，边缘检测模块，包括：
52.黑边裁剪单元，用于检测检测图像中的黑边图像，在检测图像中对黑边图像进行裁剪，得到目标图像；
53.目标检测单元，用于对目标图像进行边缘检测，得到边缘检测结果。
54.其中，边缘检测模块，还用于：
55.对视频数据进行分帧，得到至少两个图像帧，将至少两个图像帧确定为检测图像；
56.上述装置还包括：
57.图像裁剪模块，用于基于目标高斯模糊位置，对检测图像进行裁剪，得到检测图像中的清晰图像；
58.清晰画面生成模块，用于根据清晰图像，生成视频数据的清晰画面视频数据；
59.清晰画面输出模块，用于在客户端页面中，输出清晰画面视频数据。
60.本技术一方面提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行本技术中的方法。
61.本技术一方面提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令被处理器执行时使该处理器执行上述方法。
62.根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选方式中提供的方法。
63.本技术首先可以获取检测图像，对检测图像进行边缘检测，得到边缘检测结果；当根据边缘检测结果确定检测图像中存在初始高斯模糊位置时，可以将检测图像输入校验模型，得到针对初始高斯模糊位置的校验结果；校验模型通过目标样本图像训练得到；目标样本图像为至少两个样本图像中，存在基于边缘检测所得到的样本高斯模糊位置的样本图像；进而根据初始高斯模糊位置和校验结果，确定检测图像的目标高斯模糊位置。由此可见，本技术提出的方法在对检测图像进行边缘检测得到检测图像的初始高斯模糊位置后，还可以通过校验模型对该初始高斯模糊位置进行校验，以得到针对该初始高斯模糊位置的校验结果。并且该校验模型还是通过特定的基于边缘检测所检测出存在样本高斯模糊位置的样本图像训练得到，因此通过初始高斯模糊位置和校验结果所得到的检测图像的目标高斯模糊位置会更准确。
附图说明
64.为了更清楚地说明本技术或现有技术中的技术方案，下面将对实施例或现有技术描述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技术的一些实施例，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他的附图。
65.图1是本技术实施例提供的一种网络架构的结构示意图；
66.图2是本技术提供的一种图像处理的场景示意图；
67.图3是本技术提供的一种图像数据检测方法的流程示意图；
68.图4是本技术提供的一种获取边缘图像的场景示意图；
69.图5是本技术提供的一种获取边缘向量的场景示意图；
70.图6是本技术提供的一种获取边缘位置的场景示意图；
71.图7是本技术提供的一种模型训练的场景示意图；
72.图8是本技术提供的一种图像检测的场景示意图；
73.图9是本技术提供的一种获取高斯模糊位置的场景示意图；
74.图10是本技术提供的一种毛玻璃检测的场景示意图；
75.图11是本技术提供的一种图像处理的场景示意图；
76.图12是本技术提供的一种图像数据检测装置的结构示意图；
77.图13是本技术提供的一种计算机设备的结构示意图。
具体实施方式
78.下面将结合本技术中的附图，对本技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
79.本技术涉及到人工智能相关技术。其中，人工智能(artificial intelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
80.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
81.本技术中主要涉及到了人工智能中的机器学习。其中，机器学习(machine learning,ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
82.本技术中所涉及到的机器学习主要指，通过机器学习得到校正模型，通过该校正模型可以对检测图像的初始高斯模糊位置进行校正，具体可以参见下述图3对应的实施例中的相关描述。
83.请参见图1，图1是本技术实施例提供的一种网络架构的结构示意图。如图1所示，网络架构可以包括服务器200和终端设备集群，终端设备集群可以包括一个或者多个终端设备，这里将不对终端设备的数量进行限制。如图1所示，多个终端设备具体可以包括终端设备100a、终端设备101a、终端设备102a、
…
、终端设备103a；如图1所示，终端设备100a、终端设备101a、终端设备102a、
…
、终端设备103a均可以与服务器200进行网络连接，以便于每个终端设备可以通过网络连接与服务器200之间进行数据交互。
84.如图1所示的服务器200可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备可以是：智能手机、平板电脑、笔记本电脑、桌上型电
脑、智能电视等智能终端。下面以终端设备100a与服务器200之间的通信为例，进行本技术实施例的具体描述。该终端设备100a中可以承载有客户端，该客户端可以是视频客户端、浏览器客户端、教育客户端、游戏客户端和/或即使通信应用客户端等任意类型的客户端，终端设备100a可以通过所承载的客户端与服务器200进行数据交互，例如终端设备100a可以通过所承载的客户端，获取服务器200所发送的视频数据，进而终端设备100a可以通过所承载的客户端对获取到的视频数据进行播放，具体请参见下述内容描述。
85.请一并参见图2，图2是本技术提供的一种图像处理的场景示意图。如图2所示，检测图像100b可以是任意一个图像，服务器200可以对检测图像100b进行检测，即检测该检测图像100b是否被添加有毛玻璃特效、以及所添加的毛玻璃特效的位置，请参见下述内容描述。
86.其中，对图像添加毛玻璃特效也就是对图像进行高斯模糊。服务器200可以对检测图像100b进行边缘检测，当服务器200对检测图像100b进行边缘检测获取到了检测图像100b的初始高斯模糊位置101b时，表明通过对图像100b进行边缘检测，检测出检测图像100b是添加了毛玻璃特效的图像。其中，初始高斯模糊位置101b也就是通过对检测图像100b进行边缘检测所检测出的检测图像100b中被添加的毛玻璃特效的位置，该毛玻璃特效的位置也就是毛玻璃特效的边界。其中，对检测图像100b进行边缘检测以得到初始高斯模糊位置101b的具体过程，可以参见下述图3对应的实施例中的步骤s101。
87.当服务器200获取到检测图像100b的初始高斯模糊位置101b时，服务器200还可以继续将检测图像100b输入到校验模型102b，通过该校验模型102b可以进一步检测上述检测图像100b是否被添加了毛玻璃特效。其中，校验模型102b的训练过程可以参见下述图3对应的实施例中的步骤s102。
88.因此，可以理解的是，将检测图像100b输入校验模型102b之后，可以得到针对检测图像100b的校验结果103b。该校验结果103b表征了校验模型102b所检测出的检测图像100b是被添加有毛玻璃特效的图像，或者不是被添加有毛玻璃特效的图像。
89.进一步地，服务器200就可以通过该校验结果103b以及上述初始高斯模糊位置101b，得到检测图像100b中的目标高斯模糊位置104b。该目标高斯模糊位置104b也就是最终所检测出来的检测图像100b中添加的毛玻璃特效的位置。其中，具体如何通过校验结果103b以及初始高斯模糊位置101b，得到检测图像100b的目标高斯模糊位置的过程，也可以参见下述图3对应的实施例中的步骤s103。
90.如图2所示，目标高斯模糊位置104b可以包括左边毛玻璃边界105b以及右边毛玻璃边界106b。该左边毛玻璃边界105b可以对应于下述步骤s103中的第一高斯模糊位置，该右边毛玻璃边界105b可以对应于下述步骤s103中的第二高斯模糊位置。
91.因此，服务器200可以通过左边毛玻璃边界105b，得到在检测图像100b的左边图像区域中所添加的毛玻璃特效的区域(即左边毛玻璃区域)，并可以通过右边毛玻璃边界106b，得到检测图像100b的右边图像区域中所添加的毛玻璃特效的区域(即右边毛玻璃区域)。
92.进而，服务器200可以根据上述所得到的左边毛玻璃区域以及右边毛玻璃区域，对检测图像100b进行裁剪，即裁剪掉检测图像100b中被添加有毛玻璃特效的图像区域，得到检测图像100b中未添加有毛玻璃特效的部分图像，可以将该部分图像称之为检测图像100b
中的清晰图像107b。
93.其中，检测图像100b可以是对添加有毛玻璃特效的视频数据进行分帧后所得到的任意一个图像帧，因此，服务器200可以采用与获取检测图像100b中未添加有毛玻璃特效的清晰图像107b相同的方式，得到视频数据的每个图像帧中未添加有毛玻璃特效的部分图像。服务器200可以根据该每个图像帧中未添加有毛玻璃特效的部分图像，生成一个新的视频数据，该新的视频数据相较于原始的视频数据而言，被添加有毛玻璃特效的部分画面数据被裁剪掉了。由于被添加有毛玻璃特效的视频数据会影响用户观感，因此，服务器200可以将该新的视频数据同步至终端设备100a，使得终端设备100a可以播放该新的视频数据，而无需播放原始的视频数据，这可以提高用户针对视频数据的观感。
94.其中，服务器200可以是终端设备100a所承载的客户端的后台服务器，因此，服务器200可以向终端设备100a所承载的客户端发送上述裁剪毛玻璃图像后得到的新的视频数据，进而终端设备100a可以通过所承载的客户端播放接收到的该新的视频数据。
95.采用本技术所提供的方法，当采用边缘检测后检测到了检测图像的初始高斯模糊位置之后，还可以通过校验模型进一步对检测图像是否被添加有毛玻璃特效进行校验，这提高了最终所获取到的针对检测图像的检测结果的准确性。
96.请参见图3，图3是本技术提供的一种图像数据检测方法的流程示意图，如图3所示，该方法可以包括：
97.步骤s101，获取检测图像，对检测图像进行边缘检测，得到边缘检测结果；
98.具体的，本技术实施例中的执行主体可以是一个计算机设备或者多个计算机设备所构成的计算机设备集群。该计算机设备可以是服务器，也可以终端设备。因此，本技术实施例中的执行主体可以是服务器，也可以是终端设备，还可以是由服务器和终端设备共同构成。此处，以服务器作为本技术实施例中的执行主体为例进行说明。
99.检测图像可以是任意一个图像，例如检测图像可以是对视频数据进行分帧后所得到的多个(至少两个)图像帧中的任意一个图像帧。服务器在获取到检测图像之后，可以对检测图像进行边缘检测，得到针对检测图像的边缘检测结果。其中，对检测图像进行边缘检测的过程可以是下述过程，但不仅限于下述过程：
100.首先，服务器可以使用边缘检测卷积核对检测图像进行卷积操作，来得到检测图像的边缘图像。其中，该边缘检测卷积核可以是高通卷积核，也可以是低通卷积核。由于边缘图像为保留了检测图像中的高频信号的图像，因此，当边缘检测卷积核为高通卷积核时，可以直接通过该高通卷积核对边缘检测图像进行卷积操作，即可得到保留了检测图像中的高频信号的边缘图像。
101.或者，当边缘检测卷积核为低通卷积核时，服务器可以使用该低通卷积核对检测图像进行卷积操作，可以得到保留了检测图像中的低频信号的图像，可以将该保留了检测图像中的低频信号的图像称之为低频信号图像。进而，服务器可以使用检测图像减去该低频信号图像，即可得到检测图像的边缘图像。如该低通卷积核可以是3
×
3的低通均值卷积核。
102.其中，检测图像和低频信号图像的图像尺寸是相同的，使用检测图像减去低频信号图像时，可以是对检测图像与低频信号图像中对应位置处的像素值相减，以得到检测图像的边缘图像。可以将使用检测图像减去低频信号图像这一行为，理解为是在检测图像中
过滤掉低频信号图像，也就是在检测图像中过滤掉其低频的图像信号，保留其高频的图像信号。
103.请参见图4，图4是本技术提供的一种获取边缘图像的场景示意图。如图4所示，检测图像100c中包括9个元素，该9个元素分别为a1、a2、a3、a4、a5、a6、a7、a8和a9。低通卷积核和高通卷积核都属于边缘检测卷积核。
104.服务器可以通过低通卷积核对检测图像100c进行卷积操作，即可得到低频信号图像101c，该低频信号图像101c中包括了检测图像100c中的低频信号，该低频信号图像101c中同样包括9个元素，该9个元素分别为b1、b2、b3、b4、b5、b6、b7、b8和b9。
105.服务器可以使用检测图像100c中的各个元素的元素值对应减去低频信号图像101c中的各个元素的元素值，即可得到边缘图像102c。该边缘图像102c同样包括9个元素值，该9个元素值分别为c1、c2、c3、c4、c5、c6、c7、c8和c9。
106.其中，c1可以等于a1减去b1，c2可以等于a2减去b2，c3可以等于a3减去b3，c4可以等于a4减去b4，c5可以等于a5减去b5，c6可以等于a6减去b6，c7可以等于a7减去b7，c8可以等于a8减去b8，c9可以等于a9减去b9。
107.或者，服务器可以通过高通滤波器直接对检测图像100c进行卷积操作，即可边缘图像103c，该边缘图像103c中同样包括9个元素，该9个元素分别为d1、d2、d3、d4、d5、d6、d7、d8和d9。
108.服务器在获取到检测图像的边缘图像之后，即可根据该边缘图像来得到针对检测图像的边缘检测结果，请参见下述内容描述：
109.边缘图像可以是m
×
n的尺寸的，表示边缘图像共有m行n列。可以将边缘图像中的每个元素的元素值均称之为边缘检测值，可以将边缘图像中的每列称之为边缘图像中的每个单元列，因此边缘图像中一个单元列中可以包括m个边缘检测值。
110.服务器可以分别对边缘图像中每个单元列中的m个边缘检测值进行求和，得到每个单元列分别对应的一个求和值，可以将该求和值称之为边缘求和值。因此，一个单元列对应的边缘求和值，即为对该单元列中的m个边缘检测值进行求和后的值。服务器可以根据每个单元列分别对应的边缘求和值，生成边缘检测向量，该边缘检测向量中包括了每个单元列分别对应的边缘求和值，每个单元列分别对应的边缘求和值在边缘检测向量中的顺序也为每个单元列在边缘图像中的顺序。
111.请参见图5，图5是本技术提供的一种获取边缘向量的场景示意图。如图5所示，边缘图像100d可以有5列，该5列包括单元列1、单元列2、单元列3、单元列4和单元列5。
112.其中，单元列1中包括边缘检测值c1、边缘检测值c6、边缘检测值c11、边缘检测值c16和边缘检测值c21。单元列2中包括边缘检测值c2、边缘检测值c7、边缘检测值c12、边缘检测值c17和边缘检测值c22。单元列3中包括边缘检测值c3、边缘检测值c8、边缘检测值c13、边缘检测值c18和边缘检测值c23。单元列4中包括边缘检测值c4、边缘检测值c9、边缘检测值c14、边缘检测值c19和边缘检测值c24。单元列5中包括边缘检测值c5、边缘检测值c10、边缘检测值c15、边缘检测值c20和边缘检测值c25。
113.因此，可以对单元列1中的边缘检测值进行求和，即可得到检测向量中第一个边缘求和值c1 c6 c11 c16 c21。可以对单元列2中的边缘检测值进行求和，即可得到检测向量中第二个边缘求和值c2 c7 c12 c17 c22。可以对单元列3中的边缘检测值进行求和，即可
得到检测向量中第三个边缘求和值c3 c8 c13 c18 c23。可以对单元列4中的边缘检测值进行求和，即可得到检测向量中第四个边缘求和值c4 c9 c14 c19 c24。可以对单元列4中的边缘检测值进行求和，即可得到检测向量中第五个边缘求和值c5 c10 c15 c20 c25。
114.在得到边缘向量之后，服务器可以对边缘向量中的边缘求和值进行遍历，以得到边缘检测结果：首先，服务器可以按照从左到右的顺序对边缘向量中的边缘求和值依次进行遍历，当遍历到大于或者等于边缘检测阈值的边缘求和值时，就可以停止遍历，并可以将当前遍历到的大于或者等于边缘检测阈值的边缘求和值在检测图像中的对应图像位置，称之为第一边缘位置。其中，可以将从左到右对边缘向量中的边缘求和值进行遍历的顺序称之为第一遍历顺序。
115.同理，服务器可以按照从右到左的顺序对边缘向量中的边缘求和值依次进行遍历，当遍历到大于或者等于边缘检测阈值的边缘求和值时，就可以停止遍历，并可以将当前遍历到的大于或者等于边缘检测阈值的边缘求和值在检测图像中的对应图像位置，称之为第二边缘位置。其中，可以将从右到左对边缘向量中的边缘求和值进行遍历的顺序称之为第二遍历顺序。
116.其中，上述边缘检测阈值的大小可以根据实际应用场景自行进行设置，例如，可以根据边缘向量中的边缘求和值来确定边缘检测阈值，如可以将边缘向量中最大的边缘求和值的s1倍的值，作为边缘检测阈值。s1可以为0到1之间的值，如s1可以等于0.32。
117.服务器可以将上述第一边缘位置和第二边缘位置，作为针对检测图像的边缘检测结果。
118.请参见图6，图6是本技术提供的一种获取边缘位置的场景示意图。如图6所示，检测向量101e中可以包括边缘求和值x1、边缘求和值x2、
……
和边缘求和值x50。服务器可以按照第一遍历顺序，从左往右依次遍历检测向量101e中的边缘求和值，发现边缘求和值x3为遍历到的第一个大于或者等于边缘检测阈值的边缘求和值，边缘求和值x1和边缘求和值x2均小于边缘检测阈值。因此，服务器可以将边缘求和值x3对应在检测图像中的位置作为第一边缘位置。
119.可以理解的是，检测向量101e中的边缘求和值的数量等于检测图像的长度所包含的像素点个数，由于边缘求和值x3为边缘向量101e中的第三个元素，因此边缘求和值x3对应在检测图像中的位置可以为检测图像中从左往右第三个像素点的位置。
120.同理，服务器可以按照第二遍历顺序，从右往左依次遍历检测向量101e中的边缘求和值，发现边缘求和值x47为遍历到的第一个大于或者等于边缘检测阈值的边缘求和值，边缘求和值x48、边缘求和值x49和边缘求和值50均小于边缘检测阈值。因此，服务器可以将边缘求和值47对应在检测图像中的位置作为第二边缘位置。
121.可以理解的是，检测向量101e中的边缘求和值的数量等于检测图像的长度所包含的像素点个数，由于边缘求和值x47为边缘向量101e中的第47个元素，因此边缘求和值x47对应在检测图像中的位置可以为检测图像中从左往右第47个像素点的位置。
122.可选的，在某些场景下，检测图像可能会存在黑边，该黑边并不属于高斯模糊的范畴。因此，服务器在获取到检测图像之后，还可以检测该检测图像中的黑边图像，当服务器在检测图像中检测到了黑边图像时，服务器可以在检测图像中裁剪掉所检测到的黑边图像。可以将检测图像裁减掉黑边图像之后的图像称之为目标图像。进而，服务器可以对该目
标图像进行边缘检测，同样可以得到针对检测图像的边缘检测结果。
123.可选的，由于若检测图像被添加了高斯模糊特效，那么，通常是检测图像的整个高度都被添加有高斯模糊特效，而部分宽度未添加有高斯模糊特效，因此，为了提高检测效率，可以对检测图像进行裁剪，裁剪出检测图像的中间指定大小尺寸的图像(可以称之为裁剪图像)进行边缘检测，同样也可以得到针对检测图像的边缘检测结果。例如，可以将检测图像的最上方25％的图像以及最下方25％的图像裁减掉，因此，裁剪图像就可以是检测图像的中间区域中高度为检测图像整个图像高度的50％的部分图像，裁剪图像的宽度与检测图像的整个图像宽度相同。
124.需要进行说明的是，若第一边缘位置和第二边缘位置是同一个位置，那么可以认为检测图像是未进行高斯模糊的图像，则可以不进行后续的步骤，对检测图像检测结束。
125.或者，若上述检测到的第一边缘位置和第二边缘位置是同一个位置(可以称之为单一边缘位置)，那么可以以检测图像的图像中轴为对称轴，对该单一边缘位置进行对称翻转，得到检测图像中该单一边缘位置的对称位置。服务器可以将该单一边缘位置和该对称位置中处于检测图像的左边的位置作为第一边缘位置，将该单一边缘位置和该对称位置中处于检测图像的右边的位置作为第二边缘位置。
126.步骤s102，当根据边缘检测结果确定检测图像中存在初始高斯模糊位置时，将检测图像输入校验模型，得到针对初始高斯模糊位置的校验结果；校验模型通过目标样本图像训练得到；目标样本图像为至少两个样本图像中，存在基于边缘检测所得到的样本高斯模糊位置的样本图像；
127.具体的，服务器在得到上述边缘检测结果之后，还可以验证是否可以通过该边缘检测结果得到检测图像中的初始高斯模糊位置，请参见下述内容描述：
128.可以理解的是高斯模糊为毛玻璃的专业术语，对图像添加毛玻璃特效也就是对图像进行高斯模糊。因此，服务器可以根据边缘检测结果中的第一边缘位置，得到在检测图像的左边图像区域中进行高斯模糊的图像的宽度，该宽度也就是检测图像的最左边图像位置到第一边缘位置之间宽度，可以将该宽度称之为第一高斯模糊宽度值。
129.同理，服务器可以根据边缘检测结果中的第二边缘位置，得到在检测图像的右边图像区域中进行高斯模糊的图像的宽度，该宽度也就是检测图像的最右边图像位置到第二边缘位置之间宽度，可以将该宽度称之为第二高斯模糊宽度值。
130.可以将检测图像的整个图像宽度，称之为检测图像的图像宽度值。服务器可以将检测图像的图像宽度值减去第一高斯模糊宽度，再减去第二高斯模糊宽度，即可得到检测图像中并未进行高斯模糊的图像的宽度，可以将该宽度称之为清晰图像宽度值。
131.服务器可以对比第一高斯模糊宽度值和第二高斯模糊宽度值之间的差值(差值的绝对值)是否小于或者等于宽度对称检测阈值，当对比出第一高斯模糊宽度值与第二高斯模糊宽度值之间的差值小于或者等于该宽度对称检测阈值时，可以认为第一边缘位置与第二边缘位置在检测图像中是相互对称的。
132.反之，当对比出第一高斯模糊宽度值与第二高斯模糊宽度值之间的差值大于该宽度对称检测阈值时，可以认为第一边缘位置与第二边缘位置在检测图像中不是相互对称的。其中，上述宽度对称检测阈值可以根据实际应用场景进行设置，如该宽度对称检测阈值可以等于检测图像的图像宽度值的s2倍，s2可以为0到1之间的值，如s2可以等于0.25。实际
应用场景中，在一个图像的左右两边所添加的毛玻璃特效的位置通常是对称的。
133.可以将检测图像的整个图像高度称之为检测图像的图像高度值，服务器还可以获取清晰图像宽度值与检测图像的图像高度值之间的比值。当清晰图像宽度值与检测图像的图像高度值之间的比值处于比值检测区间时，则可以认为第一边缘位置和第二边缘位置是合理的。反之，当清晰图像宽度值与检测图像的图像高度值之间的比值未处于比值检测区间时，则可以认为第一边缘位置和第二边缘位置是不合理的。清晰图像宽度值与检测图像的图像高度值之间的比值处于比值检测区间，也就是指清晰图像宽度值与检测图像的图像高度值之间的比值大于或者等于比值检测区间的下限值(下区间)，并且清晰图像宽度值与检测图像的图像高度值之间的比值小于或者等于比值检测区间的上限值(上区间)。
134.其中，比值检测区间的上限值和下限值可以根据实际应用场景进行设置。让清晰图像宽度值与检测图像的图像高度值之间的比值需要大于或者等于比值检测区间的下限值，是为了保证检测图像中未进行高斯模糊的图像(可以称之为检测图像中的清晰图像)的宽度相较于检测图像的图像宽度值而言不会过小。
135.而让清晰图像宽度值与检测图像的图像高度值之间的比值需要小于或者等于比值检测区间的上限值，是由于通常在对视频图像进行竖屏播放时，由于视频图像左右两边宽度不够占满全屏，因此在对视频图像进行竖屏播放时，可以在视频图像的左右两边的空白位置添加毛玻璃特效。
136.因此，当清晰图像宽度值与检测图像的图像高度值之间的比值小于或者等于比值检测区间的上限值时，可以认为是对视频数据进行竖屏播放而非横屏播放的。反之，当清晰图像宽度值与检测图像的图像高度值之间的比值大于比值检测区间的上限值时，可以认为是对视频数据进行横屏播放而非竖屏播放的。
137.因此当对比出第一高斯模糊宽度值和第二高斯模糊宽度值之间的差值大于宽度对称检测阈值，并且清晰图像宽度值与检测图像的图像高度值之间的比值未处于比值检测区间中时，可以认为根据边缘检测结果未获取到检测图像中的初始高斯模糊位置，则可以认为检测图像未添加有毛玻璃特效，也不需要再将检测图像输入校验模型，可以停止对检测图像的检测。
138.反之，当对比出第一高斯模糊宽度值和第二高斯模糊宽度值之间的差值小于或者等于宽度对称检测阈值，并且清晰图像宽度值与检测图像的图像高度值之间的比值处于比值检测区间中时，可以将第一边缘位置作为第一高斯模糊位置，将第二边缘位置作为第二高斯模糊位置。该第一高斯模糊位置也就是在检测图像的左边图像区域中所添加的毛玻璃特效的位置。该第二高斯模糊位置也就是在检测图像的右边图像区域中所添加的毛玻璃特效的位置。
139.该第一高斯模糊位置和第二高斯模糊位置，即为服务器根据边缘检测结果所得到的检测图像中的初始高斯模糊位置。服务器在得到该初始高斯模糊位置之后，就表明通过对检测图像进行边缘检测，检测出检测图像是通过高斯模糊后的图像，那么服务器可以继续将检测图像输入到校验模型中。
140.校验模型可以对所输入的检测图像进行识别校验，得到针对检测图像的校验结果，该校验结果也是针对上述初始高斯模糊位置的校验结果。该校验结果可以表征校验模型检测出检测图像被添加有毛玻璃特效或者未被添加有毛玻璃特效。
141.此处具体描述如何对初始校验模型进行验证，以得到校验模型的过程：
142.其中，初始校验模型的模型结构可以参见下述表1：
[0143][0144][0145]
表1
[0146]
其中，relu为一种激活函数。
[0147]
首先，可以准备多个(至少两个)样本图像，服务器可以对该多个样本图像进行边缘检测，服务器可以将对该多个样本图像中进行边缘检测后，检测出样本高斯模糊位置的样本图像，作为目标样本图像。服务器可以将该目标样本图像作为针对初始校验模型的训练数据，通过该目标样本图像对初始校验模型进行训练。
[0148]
其中，服务器对该多个样本图像进行边缘检测以检测出样本图像的样本高斯模糊位置的过程，与上述服务器对检测图像进行边缘检测，以检测出检测图像中的初始高斯模糊位置的过程相同，此处不再进行赘述。即样本高斯模糊位置的检测方式与初始高斯模糊位置的检测方式相同。
[0149]
服务器可以将目标样本图像输入初始校验模型，初始校验模型可以对该目标样本图像进行识别，得到针对该目标样本图像的样本校验结果。该样本校验结果可以为第一样本校验结果和第二样本校验结果。该第一样本结果表征初始校验模型识别出目标样本图像是通过高斯模糊后的图像，即第一样本结果表征初始校验模型识别出目标样本图像是被添
加有毛玻璃特效的图像。该第二样本结果表征初始校验模型识别出目标样本图像不是通过高斯模糊后的图像，即第二样本结果表征初始校验模型识别出目标样本图像不是被添加有毛玻璃特效的图像。
[0150]
其中，目标样本图像还被添加有样本标签，该样本标签可以为第一样本标签和第二样本标签。被添加有第一样本标签的目标样本图像，为实际上进行高斯模糊后的图像，即被添加有第一样本标签的目标样本图像，为实际上被添加有毛玻璃特效的图像。被添加有第二样本标签的目标样本图像，为实际上未进行高斯模糊后的图像，即被添加有第二样本标签的目标样本图像，为实际上未被添加有毛玻璃特效的图像。
[0151]
因此，服务器可以根据目标样本图像被添加的样本标签、以及初始校验模型所识别出的目标样本图像的样本校验结果，修正初始校验模型的模型参数：当初始检测模型所检测出样本校验结果为第一样本校验结果，并且目标样本图像被添加的样本标签为第二样本标签时，表明初始校验模型对目标样本图像识别失败，服务器需要修正初始校验模型的模型参数，使得当目标样本图像被添加的样本标签为第二样本标签时，初始校验模型所识别出的针对目标样本图像的样本校验结果也可以为第二校验结果。
[0152]
同理，当初始检测模型所检测出样本校验结果为第二样本校验结果，并且目标样本图像被添加的样本标签为第一样本标签时，也表明初始校验模型对目标样本图像识别失败，服务器需要修正初始校验模型的模型参数，使得当目标样本图像被添加的样本标签为第一样本标签时，初始校验模型所识别出的针对目标样本图像的样本校验结果也可以为第一校验结果。
[0153]
因此，可以通过若干个目标样本图像对初始校验模型的模型参数进行修正，可以将通过若干个目标样本图像对模型参数修正完成的初始校验模型，作为上述校验模型。其中，当通过若干个目标样本图像训练初始校验模型至收敛时，可以认为初始校验模型的模型参数修正完成，或者，当通过足够多的目标样本图像训练初始校验模型后，也可以认为初始校验模型的模型参数修正完成。
[0154]
由上可知，校验模型是通过基于边缘检测检测出具有样本高斯模糊位置的样本图像训练得到，校验模型为专门用于对边缘检测的检测结果进行校验的模型，因此，在对上述检测图像进行边缘检测后，通过校验模型对检测图像进行校验识别，可以提高针对检测图像的检测准确性。由于在对检测图像进行边缘检测而检测出初始高斯模糊位置之后，才会将检测图像输入校验模型，因此，校验模型对检测图像进行校验识别，也是对边缘检测所检测到的初始高斯模糊位置进行校验。
[0155]
请参见图7，图7是本技术提供的一种模型训练的场景示意图。首先样本数据集100f可以包括多个样本图像，该多个样本图像可以是被人工标注有样本标签的样本图像。服务器可以对该多个样本图像采用粗检测方法101f进行检测。其中粗检测方法101f可以为边缘检测的方法，具体可以参见上述步骤s101。
[0156]
通过对样本数据集100f中的多个样本数据采用粗检测方法101f进行检测，可以得到粗检测结果102f，该粗检测结果102f可以包括毛玻璃检测结果103f和非毛玻璃检测结果104f。其中，毛玻璃检测结果103f包括通过粗检测方法检测出样本高斯模糊位置的样本图像，即上述目标样本图像。而非毛玻璃检测结果104f包括通过粗检测方法未检测出样本高斯模糊位置的样本图像。
[0157]
因此，服务器可以将毛玻璃检测结果103f所包含的样本图像，作为训练样本数据来训练初始校验模型(即模型训练105f)。通过采用毛玻璃检测结果103f所包含的样本图像训练初始校验模型，即可得到校验模型106f。
[0158]
请参见图8，图8是本技术提供的一种图像检测的场景示意图。如图8所示，首先，可以对检测图像100g进行图像裁剪缩放101g。通过对检测图像100g进行裁剪缩放，可以提升针对检测图像100g的检测效率。如可以将检测图像的中间部分图像104g(如上述步骤s101中的裁剪图像)裁剪下来，该部分图像104b中包括了检测图像100g的左边毛玻璃区域的部分区域以及右边毛玻璃区域的部分区域，因此，只需对部分图像104g进行边缘检测102g，得到该部分图像104g的边缘向量105g后，对该边缘向量105g进行左右边界扫描106g(即分别按照第一遍历顺序和第二遍历顺序对边缘向量105g中的元素进行遍历)，也可得到检测图像的初始高斯模糊位置(即粗检结果107g)。若该初始高斯模糊位置是准确的，那么该初始高斯模糊位置中的第一边缘位置应当为毛玻璃左边界，第二边缘位置应当为毛玻璃右边界。
[0159]
步骤s103，根据初始高斯模糊位置和校验结果，确定检测图像的目标高斯模糊位置；
[0160]
具体的，校验模型所校验出的针对检测图像的校验结果可以包括第一校验结果和第二校验结果。第一校验结果表征校验模型校验出检测图像是通过高斯模糊后的图像，即校验出检测图像被添加有毛玻璃特效。第二校验结果表征校验模型校验出检测图像不是通过高斯模糊后的图像，即校验出检测图像未被添加有毛玻璃特效。
[0161]
因此，当针对检测图像的校验结果为第一校验结果时，可以将初始高斯模糊位置，作为检测图像的目标高斯模糊位置。当针对检测图像的校验结果为第二校验结果时，表明检测出检测图像不具有毛玻璃特效，即检测图像中不存在目标高斯模糊位置，目标高斯模糊位置为空，对检测图像检测完成。该目标高斯模糊位置即为最终检测到的检测图像中被添加毛玻璃的位置。
[0162]
可选的，当针对检测图像的校验结果为第一校验结果时，服务器还可以对检测图像进行直线检测，以提高检测图像的目标高斯模糊位置的准确性，请参见下述内容描述：
[0163]
服务器可以采用任意的直线检测方法来检测该检测图像中的直线(竖直方向的直线)，例如服务器可以采用霍夫直线检测算法对检测图像进行直线检测，可以将检测出的检测图像中的直线称之为检测直线。
[0164]
当检测直线的数量为第一数量(第一数量等于0)时，表明未检测出检测图像中的直线，则服务器可以将检测图像的初始高斯模糊位置，作为检测图像的目标高斯模糊位置。
[0165]
当检测直线的数量为第二数量(第二数量为1)时，表明只检测到检测图像中的一条直线，则服务器可以判断该检测直线与检测图像的图像中轴之间的距离是否大于距离阈值，若服务器判断出该检测直线与图像中轴之间的距离大于或者等于距离阈值，表明检测图像中的清晰图像的宽度不会过小，此时该条检测直线是可用的。其中，距离阈值可以根据实际应用自行设置。
[0166]
则服务器可以将检测图像的图像中轴作为对称轴，在检测图像中对该条检测直线进行对称翻转，即可得到检测直线的对称直线(可以称之为对称检测直线)。服务器可以将检测直线和对称检测直线中靠左的直线，作为第一高斯模糊位置，服务器可以将检测直线
和对称检测直线中靠右的直线，作为第二高斯模糊位置。服务器可以将该第一高斯模糊位置和第二高斯模糊位置，作为检测图像中的目标高斯模糊位置。
[0167]
当检测直线的数量为第二数量，并且检测直线与检测图像的图像中轴之间的距离小于上述距离阈值时，则表明检测图像中的清晰图像的宽度过小，此时检测图像不可用，此种情况也可以认为检测到的检测直线为0条，也可以将检测图像的初始高斯模糊位置，作为检测图像的目标高斯模糊位置。
[0168]
当检测直线的数量为第三数量(第三数量为2)时，服务器可以对比两条检测直线分别与检测图像的图像中轴之间的距离，若两条检测直线与检测图像的图像中轴之间的距离均小于距离阈值，则也可以认为检测到的检测直线为0条，可以将检测图像的初始高斯模糊位置，作为检测图像的目标高斯模糊位置。
[0169]
当两条检测直线中存在一条检测直线与图像中轴之间的距离大于或者等于距离阈值，而另一条检测直线与图像中轴之间的距离小于距离阈值，此时可以丢弃与图像中轴之间的距离小于距离阈值的检测直线，而保留与图像中轴之间的距离大于或者等于距离阈值的检测直线，此种情况可以认为只检测到1条检测直线，即检测直线的数量为第二数量，此时获取目标高斯模糊位置的方式与上述相同。
[0170]
当两条检测直线中两条检测直线与图像中轴之间的距离均大于或者等于距离阈值，则服务器还可以检测该两条检测直线在检测图像中是否对称，若该两条检测直线在检测图像中是对称的，则服务器可以将在检测图像中处于左边的那条检测直线所在的位置作为第一高斯模糊位置，可以将在检测图像中处于右边的那条检测直线所在的位置作为第二高斯模糊位置。服务器可以将该第一高斯模糊位置和第二高斯模糊位置，作为检测图像中的目标高斯模糊位置。
[0171]
反之，若该两条检测直线在检测图像中不是对称的，则也可以将初始高斯模糊位置作为目标高斯模糊位置。或者，可以将不对称的该两条检测直线中离检测图像的图像中轴较近的检测直线丢弃，保留离检测图像的图像中轴较远的检测直线，此种情况下，也可以认为只检测到1条检测直线，获取目标高斯模糊位置的过程，与上述检测直线的数量为第二数量时获取目标高斯模糊位置的过程相同。
[0172]
其中，检测两条检测直线是否对称的方式，与检测上述第一边缘位置与第二边缘位置是否对称的方式可以相同。例如，可以将该两条检测直线中处于左边的检测直线的位置充当第一边缘位置的角色，可以将该两条检测直线中处于右边的检测直线的位置充当第二边缘位置的角色，采用上述步骤s102所描述的方式来检测该两条检测直线是否对称。
[0173]
更多的，当检测直线的数量为第四数量(第四数量为大于2的数量)时，服务器可以通过以下方式获取目标高斯模糊位置：
[0174]
当检测直线的数量为第四数量，并且所有检测直线均处于检测图像的图像中轴一侧时，服务器可以保留距离图像中轴最远的检测直线，而丢弃其他检测直线，此时可以认为只检测到1条检测直线，该条检测直线即为距离图像中轴最远的检测直线，因此获取目标高斯模糊位置的过程，与上述检测直线的数量为第二数量时获取目标高斯模糊位置的过程相同，此处不再进行赘述。
[0175]
当检测直线的数量为第四数量，并且所有检测直线分散处于检测图像的图像中轴两侧时，可以保留图像中轴的左侧距离图像中距离图像中轴最远的检测直线、以及图像中
轴的右侧距离图像中距离图像中轴最远的检测直线，而丢弃其他检测直线。此种情况下，可以认为只检测到2条检测直线，该2条检测直线就包括图像中轴的左侧距离图像中距离图像中轴最远的检测直线、以及图像中轴的右侧距离图像中距离图像中轴最远的检测直线，因此获取目标高斯模糊位置的过程，与上述检测直线的数量为第三数量时获取目标高斯模糊位置的过程相同，此处也不再进行赘述。
[0176]
通过上述过程，可以通过对检测图像进行直线检测，来修正检测图像的初始高斯模糊位置，得到检测图像更准确的目标高斯模糊位置，该目标高斯模糊位置也就是检测图像中进行高斯模糊的图像边界。
[0177]
请参见图9，图9是本技术提供的一种获取高斯模糊位置的场景示意图。如图9所示，此处粗检测可以指对检测图像进行边缘检测。服务器可以对检测图像100h进行霍夫直线检测101h，以检测出检测图像中的检测直线。当只有1条检测直线102h时，服务器可以将该条检测直线作为一个毛玻璃边界，服务器可以通过中轴(检测图像的图像中轴)对该条检测直线进行对称翻转，可以得到另一个毛玻璃边界，该两个毛玻璃边界即构成了目标高斯模糊位置109h。
[0178]
当有两条检测直线以上(如框103h所示)，并且所有检测直线都处于中轴的一侧(如框104h所示)时，服务器可以选取距离中轴最远的一条检测直线(如框105h所示)作为一个毛玻璃边界，服务器可以对该毛玻璃边界进行中轴对称翻转，即可得到另一个毛玻璃边界(如框106h所示)，该两个毛玻璃边界也构成了目标高斯模糊位置109h。
[0179]
当有两条检测直线以上(如框103h所示)，并且所有检测直线分布在中轴的两侧(如框107h所示)时，服务器可以分别在中轴的两侧选取距离中轴最远的一条检测直线作为一个毛玻璃位置(如框108h所示)，中轴的左侧对应一个毛玻璃位置，中轴的右侧也对应一个毛玻璃位置，该两个毛玻璃边界也构成了目标高斯模糊位置109h。
[0180]
当没有检测到检测直线时(如框110h所示)，可以直接将粗检测结果111h(即初始高斯模糊位置)，作为目标高斯模糊位置109h。
[0181]
请参见图10，图10是本技术提供的一种毛玻璃检测的场景示意图。服务器可以采用粗检测方法101i(即边缘检测的方法)对检测图像100i进行检测，可以得到粗检无毛玻璃图像的结果102i或者粗检有毛玻璃图像的结果103i。
[0182]
其中，该粗检无毛玻璃图像的结果102i表明通过对检测图像100i进行边缘检测，检测出检测图像100i未添加有毛玻璃特效，因此不存在初始高斯模糊位置。因此，当获取到粗检无毛玻璃图像的结果102i，也就表明对检测图像检测结束，无需再进行后续的检测。
[0183]
而粗检有毛玻璃图像的结果103i表明对检测图像100i进行边缘检测，检测出检测图像100i添加有毛玻璃特效，存在初始高斯模糊位置，因此，可以进一步地将检测图像输入校验模型104i继续进行检测。
[0184]
通过校验模型104i可以得到校验有毛玻璃图像的校验结果106i(即上述第一校验结果)或者校验无毛玻璃图像的校验结果105i(即上述第二校验结果)，因此，当得到校验有毛玻璃图像的校验结果106i之后，可以进一步对检测直线进行毛玻璃边界精定位107i，该毛玻璃边界精定位107i也就是对检测图像进行直线检测，通过检测到的检测直线以及上述初始高斯模糊位置，一起来精确地确定目标高斯模糊位置。
[0185]
在获取到检测图像的目标高斯模糊位置之后，服务器还可以根据该目标高斯模糊
位置对检测图像进行裁剪，得到检测图像中的清晰图像，该清晰图像也就是检测图像中未进行高斯模糊的部分图像。
[0186]
其中，检测图像还可以是对视频数据分帧后所得到的多个图像帧。因此，服务器在通过目标高斯模糊位置对检测图像进行裁剪后，还可以得到视频数据的每个图像帧对应的清晰图像。
[0187]
服务器可以根据每个图像帧对应的清晰图像，生成视频数据的清晰画面视频数据，该清晰画面视频数据即为未添加毛玻璃的视频画面数据。服务器可以将视频数据的清晰画面视频数据同步至客户端，使得客户端可以在客户端页面中输出(播放)该清晰画面视频数据。通过此种方式可以将添加有毛玻璃特效的视频数据裁剪为未添加有毛玻璃特效的视频数据，可以提升用户针对视频数据的观看效果。
[0188]
或者，在有些场景中，通过本技术检测出某个视频数据是添加有毛玻璃特效的视频数据时，还可以过滤掉该添加有毛玻璃特效的视频数据，不推荐给用户观看，而向用户推荐其他未添加有毛玻璃特效的视频数据，也可以提升用户针对视频数据的观感。
[0189]
请参见图11，图11是本技术提供的一种图像处理的场景示意图。视频数据库100j中包括视频数据1、视频数据2、
……
和视频数据n共n个视频数据。服务器可以对每个视频数据进行分帧，得到每个视频数据分帧后的多个图像帧。
[0190]
服务器可以采用上面所描述的方法对每个视频数据的每个图像帧的目标高斯模糊位置都进行检测，当检测到一个视频数据中有超过指定比例(如该视频数据所有图像帧的1/3)的图像帧被检测出存在目标高斯模糊位置，则认为该视频数据被添加有毛玻璃特效。
[0191]
反之，当服务器检测到一个视频数据中没有超过指定比例(如该视频数据所有图像帧的1/3)的图像帧被检测出存在目标高斯模糊位置，则认为该视频数据没有被添加毛玻璃特效。
[0192]
通过所判断的每个视频数据是否被添加有毛玻璃的结果，可以视频数据集100j中的视频数据分为两类，一类为视频集合101j中检测出被添加有毛玻璃特效的视频数据，一类为视频集合102j中检测出未被添加有毛玻璃特效的视频数据。
[0193]
因此，步骤104j：服务器可以直接将视频集合102j中检测出未被添加有毛玻璃特效的视频数据推荐给用户进行观看。而步骤103j：服务器可以不向用户推荐视频集合101j中检测出被添加有毛玻璃特效的视频数据。或者，服务器可以根据所检测出的视频集合101j中的视频数据的每个图像帧的目标高斯模糊位置，对视频数据的每个图像帧进行裁剪，即裁剪掉每个图像帧中被添加有毛玻璃特效的部分图像，即可得到每个图像帧中未被添加有毛玻璃特效的图像。
[0194]
服务器可以根据裁剪得到的每个图像帧中未被添加有毛玻璃特效的图像，生成新的视频数据，该新的视频数据中就没有添加毛玻璃特效。服务器可以将该新的视频数据同步至客户端进行播放，以提升用户针对视频数据的观感。
[0195]
例如，视频集合101j中可以包括视频数据105j。视频数据105j中依次可以包括图像帧1、图像帧2、图像帧3和图像帧4。服务器可以根据检测到的图像帧1的目标高斯模糊位置裁减掉图像帧1中被添加有毛玻璃特效的部分图像，得到新的图像帧11。服务器可以根据检测到的图像帧2的目标高斯模糊位置裁减掉图像帧2中被添加有毛玻璃特效的部分图像，
得到新的图像帧22。服务器可以根据检测到的图像帧3的目标高斯模糊位置裁减掉图像帧3中被添加有毛玻璃特效的部分图像，得到新的图像帧33。服务器可以根据检测到的图像帧4的目标高斯模糊位置裁减掉图像帧4中被添加有毛玻璃特效的部分图像，得到新的图像帧44。
[0196]
服务器可以根据新的图像帧11、图像帧22、图像帧33和图像帧44，生成新的视频数据106j。如框107j所示：服务器可以将该视频数据106j发送给终端设备112j，使得终端设备112j可以在视频播放页面108j、视频播放页面109j、视频播放页面110j以及视频播放页面111j播放该视频数据106j。可以理解的是，视频播放页面108j、视频播放页面109j、视频播放页面110j以及视频播放页面111j实际上为同一个视频播放页面，只是该视频播放页面108j、视频播放页面109j、视频播放页面110j以及视频播放页面111j对应于视频数据106j的不同播放进度。
[0197]
本技术首先可以获取检测图像，对检测图像进行边缘检测，得到边缘检测结果；当根据边缘检测结果确定检测图像中存在初始高斯模糊位置时，可以将检测图像输入校验模型，得到针对初始高斯模糊位置的校验结果；校验模型通过目标样本图像训练得到；目标样本图像为至少两个样本图像中，存在基于边缘检测所得到的样本高斯模糊位置的样本图像；进而根据初始高斯模糊位置和校验结果，确定检测图像的目标高斯模糊位置。由此可见，本技术提出的方法在对检测图像进行边缘检测得到检测图像的初始高斯模糊位置后，还可以通过校验模型对该初始高斯模糊位置进行校验，以得到针对该初始高斯模糊位置的校验结果。并且该校验模型还是通过特定的基于边缘检测所检测出存在样本高斯模糊位置的样本图像训练得到，因此通过初始高斯模糊位置和校验结果所得到的检测图像的目标高斯模糊位置会更准确。
[0198]
请参见图12，图12是本技术提供的一种图像数据检测装置的结构示意图。如图11所示，该图像数据检测装置1可以包括：边缘检测模块101、校验模块102和位置确定模块103；
[0199]
边缘检测模块101，用于获取检测图像，对检测图像进行边缘检测，得到边缘检测结果；
[0200]
校验模块102，用于当根据边缘检测结果确定检测图像中存在初始高斯模糊位置时，将检测图像输入校验模型，得到针对初始高斯模糊位置的校验结果；校验模型通过目标样本图像训练得到；目标样本图像为至少两个样本图像中，存在基于边缘检测所得到的样本高斯模糊位置的样本图像；
[0201]
位置确定模块103，用于根据初始高斯模糊位置和校验结果，确定检测图像的目标高斯模糊位置。
[0202]
其中，边缘检测模块101、校验模块102和位置确定模块103的具体功能实现方式请参见图3对应的实施例中的步骤s101
‑
步骤s103，这里不再进行赘述。
[0203]
其中，校验结果包括第一校验结果和第二校验结果；第一校验结果表征校验出检测图像是通过高斯模糊后的图像；第二校验结果表征校验出检测图像是未通过高斯模糊后的图像；
[0204]
位置确定模块103，包括：第一位置确定单元1031和第二位置确定单元1032；
[0205]
第一位置确定单元1031，用于当校验结果为第一校验结果时，将初始高斯模糊位
置，确定为目标高斯模糊位置；
[0206]
第二位置确定单元1032，用于当校验结果为第二校验结果时，确定目标高斯模糊位置为空。
[0207]
其中，第一位置确定单元1031和第二位置确定单元1032的具体功能实现方式请参见图3对应的实施例中的步骤s103，这里不再进行赘述。
[0208]
其中，位置确定模块103，包括：直线检测单元1033和目标位置确定单元1034；
[0209]
直线检测单元1033，用于当校验结果为第一校验结果时，对检测图像进行图像直线检测，得到检测图像中的检测直线；第一校验结果表征校验出检测图像是通过高斯模糊后的图像；
[0210]
目标位置确定单元1034，用于根据检测直线和初始高斯模糊位置，确定目标高斯模糊位置。
[0211]
其中，直线检测单元1033和目标位置确定单元1034的具体功能实现方式请参见图3对应的实施例中的步骤s103，这里不再进行赘述。
[0212]
其中，目标位置确定单元1034，包括：第一位置确定子单元10341、第二位置确定子单元10342、第三位置确定子单元10343和第四位置确定子单元10344；
[0213]
第一位置确定子单元10341，用于当检测直线的数量为第一数量时，将初始高斯模糊位置确定为目标高斯模糊位置；
[0214]
第二位置确定子单元10342，用于当检测直线的数量为第二数量，且检测直线与检测图像的图像中轴之间的距离小于距离阈值时，将初始高斯模糊位置确定为目标高斯模糊位置；第二数据大于第一数量；
[0215]
第三位置确定子单元10343，用于当检测直线的数量为第二数量，且检测直线与检测图像的图像中轴之间的距离大于或等于距离阈值时，基于图像中轴对检测直线进行对称翻转，得到对称检测直线，根据检测直线和对称检测直线确定目标高斯模糊位置；
[0216]
第四位置确定子单元10344，用于当检测直线的数量为第三数量时，根据初始高斯模糊位置以及与图像中轴之间的距离最大的检测直线，确定目标高斯模糊位置；第三数量大于第二数量。
[0217]
其中，第一位置确定子单元10341、第二位置确定子单元10342、第三位置确定子单元10343和第四位置确定子单元10344的具体功能实现方式请参见图3对应的实施例中的步骤s103，这里不再进行赘述。
[0218]
其中，上述装置1还包括：样本检测模块104、图像输入模块105、结果输出模块106和修正模块107；
[0219]
样本检测模块104，用于对至少两个样本图像进行边缘检测，将基于边缘检测所检测出样本高斯模糊位置的样本图像，确定为目标样本图像；
[0220]
图像输入模块105，用于将目标样本图像输入初始校验模型；目标样本图像携带有样本标签；样本标签为第一样本标签或第二样本标签；第一样本标签表征目标样本图像是通过高斯模糊后的图像；第二样本标签表征目标样本图像是未通过高斯模糊后的图像；
[0221]
结果输出模块106，用于在初始校验模型中，输出针对目标样本图像的样本校验结果；样本校验结果为第一样本校验结果或第二样本校验结果；第一样本校验结果表征校验出目标样本图像是通过高斯模糊后的图像；第二校验结果表征校验出目标样本图像是未通
过高斯模糊后的图像；
[0222]
修正模块107，用于根据样本校验结果和目标样本图像所携带的样本标签，修正初始校验模型的模型参数，得到校验模型。
[0223]
其中，样本检测模块104、图像输入模块105、结果输出模块106和修正模块107的具体功能实现方式请参见图3对应的实施例中的步骤s102，这里不再进行赘述。
[0224]
其中，边缘检测模块101，包括：卷积单元1011和结果确定单元1012；
[0225]
卷积单元1011，用于基于边缘检测卷积核对检测图像进行卷积操作，得到检测图像的边缘图像；
[0226]
结果确定单元1012，用于根据边缘图像，确定针对检测图像的边缘检测结果。
[0227]
其中，卷积单元1011和结果确定单元1012的具体功能实现方式请参见图3对应的实施例中的步骤s101，这里不再进行赘述。
[0228]
其中，卷积单元1011，包括：低通卷积子单元10111、信号过滤子单元10112和高通卷积子单元10113；
[0229]
低通卷积子单元10111，用于当边缘检测卷积核为低通卷积核时，基于低通卷积核对检测图像进行卷积操作，得到检测图像的低频信号图像；
[0230]
信号过滤子单元10112，用于在检测图像中过滤低频信号图像，得到检测图像的边缘图像；或者
[0231]
高通卷积子单元10113，用于当边缘检测卷积核为高通卷积核时，基于高通卷积核对检测图像进行卷积操作，得到检测图像的边缘图像。
[0232]
其中，低通卷积子单元10111、信号过滤子单元10112和高通卷积子单元10113的具体功能实现方式请参见图3对应的实施例中的步骤s101，这里不再进行赘述。
[0233]
其中，边缘图像包括至少两个单元列中的边缘检测值；
[0234]
结果确定单元1012，包括：求和子单元10121、向量生成单元10122和遍历单元10123；
[0235]
求和子单元10121，用于分别对边缘图像的每个单元列中的边缘检测值进行求和，得到每个单元列分别对应的边缘求和值；
[0236]
向量生成单元10122，用于根据每个单元列分别对应的边缘求和值，生成边缘检测向量；
[0237]
遍历单元10123，用于基于边缘检测阈值对边缘检测向量中的边缘求和值进行遍历，根据遍历结果确定边缘检测结果。
[0238]
其中，求和子单元10121、向量生成单元10122和遍历单元10123的具体功能实现方式请参见图3对应的实施例中的步骤s101，这里不再进行赘述。
[0239]
其中，遍历单元10123，包括：第一遍历子单元101231、第二遍历子单元101232和边缘结果确定子单元101233；
[0240]
第一遍历子单元101231，用于按照第一遍历顺序，依次遍历边缘检测向量中的边缘求和值，当遍历到大于或等于边缘检测阈值的边缘求和值时，停止遍历，根据遍历到的大于或等于边缘检测阈值的边缘求和值，确定第一边缘位置；
[0241]
第二遍历子单元101232，用于按照第二遍历顺序，依次遍历边缘检测向量中的边缘求和值，当遍历到大于或等于边缘检测阈值的边缘求和值时，停止遍历，根据遍历到的大
于或等于边缘检测阈值的边缘求和值，确定第二边缘位置；
[0242]
边缘结果确定子单元101233，用于将第一边缘位置和第二边缘位置，确定为边缘检测结果。
[0243]
其中，第一遍历子单元101231、第二遍历子单元101232和边缘结果确定子单元101233的具体功能实现方式请参见图3对应的实施例中的步骤s101，这里不再进行赘述。
[0244]
其中，边缘检测结果包括所检测到的检测图像的第一边缘位置和第二边缘位置；初始高斯模糊位置包括第一高斯模糊位置和第二高斯模糊位置；
[0245]
校验模块102，包括：模糊宽度值确定单元1021、清晰宽度值确定单元1022和模型输入单元1023；
[0246]
模糊宽度值确定单元1021，用于根据第一边缘位置确定第一高斯模糊宽度值，根据第二边缘位置确定第二高斯模糊宽度值；
[0247]
清晰宽度值确定单元1022，用于根据第一高斯模糊宽度值、第二高斯模糊宽度值和检测图像的图像宽度值，确定检测图像的清晰图像宽度值；
[0248]
模型输入单元1023，用于当第一高斯模糊宽度值与第二高斯模糊宽度值之间的差值小于或等于宽度对称检测阈值、且清晰图像宽度值与检测图像的图像高度值之间的比值处于比值检测区间时，将第一边缘位置确定为第一高斯模糊位置，将第二边缘位置确定为第二高斯模糊位置，将检测图像输入校验模型。
[0249]
其中，模糊宽度值确定单元1021、清晰宽度值确定单元1022和模型输入单元1023的具体功能实现方式请参见图3对应的实施例中的步骤s101，这里不再进行赘述。
[0250]
其中，边缘检测模块101，包括：黑边裁剪单元1013和目标检测单元1014；
[0251]
黑边裁剪单元1013，用于检测检测图像中的黑边图像，在检测图像中对黑边图像进行裁剪，得到目标图像；
[0252]
目标检测单元1014，用于对目标图像进行边缘检测，得到边缘检测结果。
[0253]
其中，黑边裁剪单元1013和目标检测单元1014的具体功能实现方式请参见图3对应的实施例中的步骤s101，这里不再进行赘述。
[0254]
其中，边缘检测模块101，还用于：
[0255]
对视频数据进行分帧，得到至少两个图像帧，将至少两个图像帧确定为检测图像；
[0256]
上述装置1还包括：图像裁剪模块108、清晰画面生成模块109和清晰画面输出模块110；
[0257]
图像裁剪模块108，用于基于目标高斯模糊位置，对检测图像进行裁剪，得到检测图像中的清晰图像；
[0258]
清晰画面生成模块109，用于根据清晰图像，生成视频数据的清晰画面视频数据；
[0259]
清晰画面输出模块110，用于在客户端页面中，输出清晰画面视频数据。
[0260]
其中，图像裁剪模块108、清晰画面生成模块109和清晰画面输出模块110的具体功能实现方式请参见图3对应的实施例中的步骤s103，这里不再进行赘述。
[0261]
本技术首先可以获取检测图像，对检测图像进行边缘检测，得到边缘检测结果；当根据边缘检测结果确定检测图像中存在初始高斯模糊位置时，可以将检测图像输入校验模型，得到针对初始高斯模糊位置的校验结果；校验模型通过目标样本图像训练得到；目标样本图像为至少两个样本图像中，存在基于边缘检测所得到的样本高斯模糊位置的样本图
像；进而根据初始高斯模糊位置和校验结果，确定检测图像的目标高斯模糊位置。由此可见，本技术提出的装置在对检测图像进行边缘检测得到检测图像的初始高斯模糊位置后，还可以通过校验模型对该初始高斯模糊位置进行校验，以得到针对该初始高斯模糊位置的校验结果。并且该校验模型还是通过特定的基于边缘检测所检测出存在样本高斯模糊位置的样本图像训练得到，因此通过初始高斯模糊位置和校验结果所得到的检测图像的目标高斯模糊位置会更准确。
[0262]
请参见图13，图13是本技术提供的一种计算机设备的结构示意图。如图13所示，若计算机设备1000为服务器，则计算机设备1000可以包括：处理器1001、网络接口1004、存储器1005和至少一个通信总线1002，若计算机设备1000为终端设备，则计算机设备1000除了可以包括处理器1001、网络接口1004、存储器1005和至少一个通信总线1002之外，还可以包括：用户接口1003。其中，通信总线1002用于实现各个组件之间的连接通信。其中，用户接口1003可以包括显示屏(display)、键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi
‑
fi接口)。存储器1005可以是高速ram存储器，也可以是非不稳定的存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图12所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
[0263]
在图13所示的计算机设备1000中，网络接口1004可提供网络通讯功能；而用户接口1003主要用于为用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序，以实现：
[0264]
获取检测图像，对检测图像进行边缘检测，得到边缘检测结果；
[0265]
当根据边缘检测结果确定检测图像中存在初始高斯模糊位置时，将检测图像输入校验模型，得到针对初始高斯模糊位置的校验结果；校验模型通过目标样本图像训练得到；目标样本图像为至少两个样本图像中，存在基于边缘检测所得到的样本高斯模糊位置的样本图像；
[0266]
根据初始高斯模糊位置和校验结果，确定检测图像的目标高斯模糊位置。
[0267]
校验结果包括第一校验结果和第二校验结果；第一校验结果表征校验出检测图像是通过高斯模糊后的图像；第二校验结果表征校验出检测图像是未通过高斯模糊后的图像；
[0268]
在一种可选的实施例中，上述处理器1001还可以用于调用存储器1005中存储的设备控制应用程序，执行如下步骤：
[0269]
当校验结果为第一校验结果时，将初始高斯模糊位置，确定为目标高斯模糊位置；
[0270]
当校验结果为第二校验结果时，确定目标高斯模糊位置为空。
[0271]
在一种可选的实施例中，上述处理器1001还可以用于调用存储器1005中存储的设备控制应用程序，执行如下步骤：
[0272]
当校验结果为第一校验结果时，对检测图像进行图像直线检测，得到检测图像中的检测直线；第一校验结果表征校验出检测图像是通过高斯模糊后的图像；
[0273]
根据检测直线和初始高斯模糊位置，确定目标高斯模糊位置。
[0274]
在一种可选的实施例中，上述处理器1001还可以用于调用存储器1005中存储的设
备控制应用程序，执行如下步骤：
[0275]
当检测直线的数量为第一数量时，将初始高斯模糊位置确定为目标高斯模糊位置；
[0276]
当检测直线的数量为第二数量，且检测直线与检测图像的图像中轴之间的距离小于距离阈值时，将初始高斯模糊位置确定为目标高斯模糊位置；第二数量大于第一数量；
[0277]
当检测直线的数量为第二数量，且检测直线与检测图像的图像中轴之间的距离大于或等于距离阈值时，基于图像中轴对检测直线进行对称翻转，得到对称检测直线，根据检测直线和对称检测直线确定目标高斯模糊位置；
[0278]
当检测直线的数量为第三数量时，根据初始高斯模糊位置以及与图像中轴之间的距离最大的检测直线，确定目标高斯模糊位置；第三数量大于第二数量。
[0279]
在一种可选的实施例中，上述处理器1001还可以用于调用存储器1005中存储的设备控制应用程序，执行如下步骤：
[0280]
对至少两个样本图像进行边缘检测，将基于边缘检测所检测出样本高斯模糊位置的样本图像，确定为目标样本图像；
[0281]
将目标样本图像输入初始校验模型；目标样本图像携带有样本标签；样本标签为第一样本标签或第二样本标签；第一样本标签表征目标样本图像是通过高斯模糊后的图像；第二样本标签表征目标样本图像是未通过高斯模糊后的图像；
[0282]
在初始校验模型中，输出针对目标样本图像的样本校验结果；样本校验结果为第一样本校验结果或第二样本校验结果；第一样本校验结果表征校验出目标样本图像是通过高斯模糊后的图像；第二校验结果表征校验出目标样本图像是未通过高斯模糊后的图像；
[0283]
根据样本校验结果和目标样本图像所携带的样本标签，修正初始校验模型的模型参数，得到校验模型。
[0284]
在一种可选的实施例中，上述处理器1001还可以用于调用存储器1005中存储的设备控制应用程序，执行如下步骤：
[0285]
基于边缘检测卷积核对检测图像进行卷积操作，得到检测图像的边缘图像；
[0286]
根据边缘图像，确定针对检测图像的边缘检测结果。
[0287]
在一种可选的实施例中，上述处理器1001还可以用于调用存储器1005中存储的设备控制应用程序，执行如下步骤：
[0288]
当边缘检测卷积核为低通卷积核时，基于低通卷积核对检测图像进行卷积操作，得到检测图像的低频信号图像；
[0289]
在检测图像中过滤低频信号图像，得到检测图像的边缘图像；或者
[0290]
当边缘检测卷积核为高通卷积核时，基于高通卷积核对检测图像进行卷积操作，得到检测图像的边缘图像。
[0291]
边缘图像包括至少两个单元列中的边缘检测值；
[0292]
在一种可选的实施例中，上述处理器1001还可以用于调用存储器1005中存储的设备控制应用程序，执行如下步骤：
[0293]
分别对边缘图像的每个单元列中的边缘检测值进行求和，得到每个单元列分别对应的边缘求和值；
[0294]
根据每个单元列分别对应的边缘求和值，生成边缘检测向量；
[0295]
基于边缘检测阈值对边缘检测向量中的边缘求和值进行遍历，根据遍历结果确定边缘检测结果。
[0296]
在一种可选的实施例中，上述处理器1001还可以用于调用存储器1005中存储的设备控制应用程序，执行如下步骤：
[0297]
按照第一遍历顺序，依次遍历边缘检测向量中的边缘求和值，当遍历到大于或等于边缘检测阈值的边缘求和值时，停止遍历，根据遍历到的大于或等于边缘检测阈值的边缘求和值，确定第一边缘位置；
[0298]
按照第二遍历顺序，依次遍历边缘检测向量中的边缘求和值，当遍历到大于或等于边缘检测阈值的边缘求和值时，停止遍历，根据遍历到的大于或等于边缘检测阈值的边缘求和值，确定第二边缘位置；
[0299]
将第一边缘位置和第二边缘位置，确定为边缘检测结果。
[0300]
边缘检测结果包括所检测到的检测图像的第一边缘位置和第二边缘位置；初始高斯模糊位置包括第一高斯模糊位置和第二高斯模糊位置；
[0301]
在一种可选的实施例中，上述处理器1001还可以用于调用存储器1005中存储的设备控制应用程序，执行如下步骤：
[0302]
根据第一边缘位置确定第一高斯模糊宽度值，根据第二边缘位置确定第二高斯模糊宽度值；
[0303]
根据第一高斯模糊宽度值、第二高斯模糊宽度值和检测图像的图像宽度值，确定检测图像的清晰图像宽度值；
[0304]
当第一高斯模糊宽度值与第二高斯模糊宽度值之间的差值小于或等于宽度对称检测阈值、且清晰图像宽度值与检测图像的图像高度值之间的比值处于比值检测区间时，将第一边缘位置确定为第一高斯模糊位置，将第二边缘位置确定为第二高斯模糊位置，将检测图像输入校验模型。
[0305]
在一种可选的实施例中，上述处理器1001还可以用于调用存储器1005中存储的设备控制应用程序，执行如下步骤：
[0306]
检测检测图像中的黑边图像，在检测图像中对黑边图像进行裁剪，得到目标图像；
[0307]
对目标图像进行边缘检测，得到边缘检测结果。
[0308]
在一种可选的实施例中，上述处理器1001还可以用于调用存储器1005中存储的设备控制应用程序，执行如下步骤：
[0309]
对视频数据进行分帧，得到至少两个图像帧，将至少两个图像帧确定为检测图像；
[0310]
在一种可选的实施例中，上述处理器1001还可以用于调用存储器1005中存储的设备控制应用程序，执行如下步骤：
[0311]
基于目标高斯模糊位置，对检测图像进行裁剪，得到检测图像中的清晰图像；
[0312]
根据清晰图像，生成视频数据的清晰画面视频数据；
[0313]
在客户端页面中，输出清晰画面视频数据。
[0314]
此外，这里需要指出的是：本技术还提供了一种计算机可读存储介质，且计算机可读存储介质中存储有前文提及的图像数据检测装置1所执行的计算机程序，且计算机程序包括程序指令，当处理器执行程序指令时，能够执行前文图3对应实施例中对图像数据检测方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进
行赘述。对于本技术所涉及的计算机存储介质实施例中未披露的技术细节，请参照本技术方法实施例的描述。
[0315]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0316]
以上所揭露的仅为本技术较佳实施例而已，当然不能以此来限定本技术之权利范围，因此依本技术权利要求所作的等同变化，仍属本技术所涵盖范围。