对象确定和机器模型的处理方法、装置、设备和存储介质与流程

1.本技术涉及图像处理技术领域，特别是涉及一种对象确定和机器模型的处理方法、装置、设备和存储介质。


背景技术：

2.图像处理技术可以广泛应用于对象数量的统计、对象的确定中。例如，可以从图像中提取对象的特征信息，以根据特征信息统计对象数目；又例如，可以从多个图像中提取对象的特征信息，以确定多个图像中是否存在相同对象。
3.现有技术中，通常采用机器模型从图像中提取对象的特征信息，该机器模型是预先训练得到的，首先，将标注了对象的图像样本输入到机器模型中，以使机器模型预测该图像样本中的对象；然后，确定标注的对象的特征信息和预测的对象的特征信息之间的损失值；最后，若损失值不满足预设条件，则根据损失值调整机器模型的参数直至损失值满足预设条件。
4.申请人对上述方案进行研究之后发现，上述机器模型的鲁棒性较差，并且需要使用标注了对象的图像样本进行训练。


技术实现要素：

5.本技术实施例提供了一种对象确定和机器模型的处理方法，以提高机器模型的鲁棒性，并且可以使用不标注的图像样本进行训练。
6.相应的，本技术实施例还提供了一种对象确定和机器模型的处理装置、设备和存储介质，用以保证上述方法的实现及应用。
7.为了解决上述问题，本技术实施例公开了一种对象确定方法，所述方法包括：获取至少两个待测图像；采用机器模型从所述待测图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行至少一种预设处理之后得到的与所述第一类图像样本包含相同对象的图像；根据所述特征信息对所述至少两个待测图像进行对象检测。
8.本技术实施例公开了一种机器模型的处理方法，所述方法包括：获取第一类图像样本；对所述第一类图像样本进行至少一种预设处理之后得到第二类图像样本，所述第一类图像样本和所述第二类图像样本包括相同对象；采用机器模型预测所述第一类图像样本中所述对象的特征信息和所述第二类图像样本中所述对象的特征信息；通过所述第一类图像样本中所述对象的特征信息和所述第二类图像样本中所述对象的特征信息对所述机器模型进行训练。
9.本技术实施例还公开了另一种对象确定方法，所述方法包括：获取目标视频；采用机器模型从所述目标视频的图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行预设处理之后得到的与所述第一类图像样本包含相同对象的图像；通过所述特征信息确定在所述目
标视频中对象的出现次数。
10.本技术实施例还公开了另一种对象确定方法，所述方法包括：获取目标视频；采用机器模型从所述目标视频中的图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行预设处理之后得到的与所述第一类图像样本包含相同对象的图像；根据所述特征信息所对应的图像确定所述特征信息对应的对象的运动轨迹。
11.本技术实施例还公开了另一种对象确定方法，所述方法包括：接收输入的至少两个待测图像；采用机器模型从所述至少两个待测图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行至少一种预设处理之后得到的与所述第一类图像样本包含相同对象的图像；根据所述特征信息对所述至少两个待测图像进行对象检测，得到对象检测结果；显示所述对象检测结果，所述对象检测结果中包括至少一个对象。
12.本技术实施例还公开了一种对象确定装置，所述装置包括：第一待测图像获取模块，用于获取至少两个待测图像；第一特征提取模块，用于采用机器模型从所述待测图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行至少一种预设处理之后得到的与所述第一类图像样本包含相同对象的图像；第一对象检测模块，用于根据所述特征信息对所述至少两个待测图像进行对象检测。
13.本技术实施例还公开了一种机器模型的处理装置，所述装置包括：第一类图像样本获取模块，用于获取第一类图像样本；图像处理模块，用于对所述第一类图像样本进行至少一种预设处理之后得到第二类图像样本，所述第一类图像样本和所述第二类图像样本包括相同对象；样本特征提取模块，用于采用机器模型预测所述第一类图像样本中所述对象的特征信息和所述第二类图像样本中所述对象的特征信息；机器模型训练模块，用于通过所述第一类图像样本中所述对象的特征信息和所述第二类图像样本中所述对象的特征信息对所述机器模型进行训练。
14.本技术实施例还公开了另一种对象确定装置，所述装置包括：第一目标视频获取模块，用于获取目标视频；第二特征提取模块，用于采用机器模型从所述目标视频的图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行预设处理之后得到的与所述第一类图像样本包含相同对象的图像；出现次数统计模块，用于通过所述特征信息确定在所述目标视频中对象的出现次数。
15.本技术实施例还公开了另一种对象确定装置，所述装置包括：第二目标视频获取模块，用于获取目标视频；第三特征提取模块，用于采用机器模型从所述目标视频中的图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行预设处理之后得到的与所述第一类图像样本包含相同对象的图像；运动轨迹生成模块，用于根据所述特征信息所对应的图像确定所述特征信息对应的对象的运动轨迹。
16.本技术实施例还公开了另一种对象确定装置，所述装置包括：第二待测图像接收模块，用于接收输入的至少两个待测图像；第四特征提取模块，用于采用机器模型从所述至
少两个待测图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行至少一种预设处理之后得到的与所述第一类图像样本包含相同对象的图像；第二对象检测模块，用于根据所述特征信息对所述至少两个待测图像进行对象检测，得到对象检测结果；对象检测结果显示模块，用于显示所述对象检测结果，所述对象检测结果中包括至少一个对象。
17.本技术实施例还公开了一种电子设备，包括：处理器；和存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如本技术实施例中任一项所述的方法。
18.本技术实施例还公开了一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被执行时，使得处理器执行如本技术实施例中任一项所述的方法。
19.与现有技术相比，本技术实施例包括以下优点：
20.在本技术实施例中，可以对第一类图像样本进行预设处理得到第二类图像样本，以使用第一类图像样本和第二类图像样本对机器模型进行训练，并不需要对第一类图像样本或第二类图像样本进行标注，由于第二类图像样本是通过对第一类图像样本进行预设处理得到的，从而使得训练机器模型所使用的图像样本增多，采用更多的图像样本对机器模型进行训练有助于提高机器模型的鲁棒性。
附图说明
21.图1是本技术的一种机器模型的训练过程示意图；
22.图2是本技术的一种根据特征信息确定待测图像是否存在相同对象的过程示意图；
23.图3是本技术的一种根据特征信息确定对象数目的过程示意图；
24.图4是本技术的一种根据特征信息确定对象的运动轨迹的过程示意图；
25.图5是本技术的一种对象确定方法实施例的步骤流程图；
26.图6是本技术的一种机器模型的处理方法实施例的步骤流程图；
27.图7是本技术的另一种对象确定方法实施例的步骤流程图；
28.图8是本技术的另一种对象确定方法实施例的步骤流程图；
29.图9是本技术的另一种对象确定方法实施例的步骤流程图；
30.图10是本技术的一种对象确定装置实施例的结构框图；
31.图11是本技术的一种机器模型的处理装置实施例的结构框图；
32.图12是本技术的另一种对象确定装置实施例的结构框图；
33.图13是本技术的另一种对象确定装置实施例的结构框图；
34.图14是本技术的另一种对象确定装置实施例的结构框图；
35.图15是本技术一实施例提供的装置的结构示意图。
具体实施方式
36.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
37.本技术实施例可应用于数据处理服务端，该数据处理服务端具有数据处理能力，
从而可以从图像中提取对象的特征信息，以根据特征信息分析得到对象的相关信息，对象的相关信息包括对象是否相同、对象数目、对象的运动轨迹。该数据处理服务端还可以与客户端通信连接，用户可以在客户端上选取图像，该图像被发送至数据处理服务端，数据处理服务端从图像中获取到对象的相关信息返回给客户端，以在客户端上显示。其中，用户在客户端上选取的图像可以是先获取视频再从视频中获取的图像，也可以是直接获取图像，视频可以是用户上传的视频，也可以是从客户端提供的视频集中选取的视频，图像可以是用户上传的视频，也可以是从客户端提供的图像集中选取的图像。
38.可以理解的是，该数据处理服务端可以是一个或多个实体服务器，也可以是集成于实体服务器上的虚拟机。
39.本技术可以采用机器模型提取对象的特征信息，如图1所示，机器模型是通过第一类图像样本和第二类图像样本预先训练得到的，第二类图像样本是对第一类图像样本进行预设处理之后得到的，第二类图像样本和第一类图像样本包括相同对象，图1中的预设处理是对第一类图像样本的旋转和缩小，从而使得第一类图像样本和第二类图像样本中包含同一小女孩。在训练过程中，如图1所示，首先，将第一类图像样本和第二类图像样本均输入至机器模型中分别预测得到第一类图像样本中的小女孩的特征信息、第二类图像样本中的小女孩的特征信息；然后，计算第一类图像样本中的小女孩的特征信息和第二类图像样本中的小女孩的特征信息的差异参数；最后，若差异参数不满足预设条件，则根据差异参数调整机器模型的参数，直至差异参数满足预设条件。其中，差异参数是对两个特征信息之间的差异的数值化表示。
40.在一种示例中，在训练得到机器模型之后，可以通过机器模型确定多个待测图像中的对象是否相同。如图2所示，将待测图像p1和待测图像p2输入至机器模型中，分别预测到待测图像p1中的小女孩的特征信息、待测图像p2中的小女孩的特征信息，如果两个待测图像p1和p2中的小女孩的特征信息一致，则确定待测图像p1和待测图像p2中存在相同对象；否则，不存在相同对象。当然，为了确定多个待测图像中是否存在相同对象，可以以每两个待测图像进行判断，若其中任意两个待测图像中不存在相同对象，则多个待测图像中不存在相同对象；若任意两个待测图像中均存在相同对象，则多个待测图像中存在相同对象。
41.在另一种示例中，在训练得到机器模型之后，可以通过机器模型确定目标视频中的对象数目。如图3所示，将目标视频中的每帧图像输入到机器模型中，分别预测得到每帧图像中的对象的特征信息，从而根据特征信息确定对象数目。
42.在再一种示例中，在训练得到机器模型之后，可以通过机器模型确定目标视频中的对象的运动轨迹。如图4所示，将目标视频中的每帧图像输入到机器模型中，分别预测得到每帧图像中的对象的特征信息，从而可以从目标视频中确定同一特征信息出现的图像，以根据图像的时间和位置生成该特征信息对应的对象的运动轨迹。
43.基于上述三种示例，本技术下面对其进行详细说明。
44.参照图5，示出了本技术的一种对象确定方法实施例的步骤流程图。
45.步骤101，获取至少两个待测图像。
46.其中，待测图像可以是任意需要预测的图像，例如，用户从网络中下载的图像，或用户拍摄的图像，或从视频中提取的图像。
47.步骤102，采用机器模型从所述待测图像中提取特征信息，所述机器模型是通过第
一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行至少一种预设处理之后得到的与所述第一类图像样本包含相同对象的图像。
48.其中，机器模型可以是任意具有图像处理功能的深度学习模型，机器模型可以通过对图像进行一系列线性和/或非线性变换得到图像特征向量，该图像特征向量用于表示图像的特征，包括但不限于：图像的场景特征、图像的人物特征、图像的物体特征。机器模型需要训练确定机器模型的参数，常见的处理图像的机器模型包括：卷积神经网络(cnn，convolutional neural networks)模型、vgg、resnet(residual network，残差网络)，vgg是牛津视觉几何组(visual geometry group)提出的一种模型。其中，特征信息是用于表示对象的特征的任意信息，对于不同类型的对象，其特征信息可以不同。例如，若对象为人物，则特征信息可以为人物的面部信息、身高、衣着颜色、衣着款式等；若对象为动物，则特征信息可以为动物的面部信息、身长、皮毛颜色、皮毛长度等；若对象为物体，则特征信息可以为物体的形状、尺寸、颜色、纹理等。
49.其中，第一类图像样本和第二类图像样本均为训练时采用的图像，第一类图像样本和第二类图像样本均包括多个图像。针对每个第一类图像样本，可以对其进行一种预设处理得到一个第二类图像样本，也可以对其先后进行多种预设处理得到一个第二类图像样本，还可以对其进行多个预设处理得到多个第二类图像样本。例如，将第一类图像样本p3进行旋转得到一个第二类图像样本p4，也可以将第一类图像样本p3进行旋转和放大得到一个第二类图像样本p5，还可以将第一类图像样本p3分别进行放大和缩小得到两个第二类图像样本p6、p7。
50.上述过程中的预设处理可以是对第一类图像样本的任意处理过程，但需要保证第一类图像样本和第二类图像样本中包含相同对象。预设处理包括但不限于：裁剪、填充、旋转、颜色调整、亮度调整、放大、缩小、对对象的平移、去除背景。
51.步骤103，根据所述特征信息对所述至少两个待测图像进行对象检测。
52.其中，对象检测可以包括但不限于：确定至少两个待测图像中是否存在相同对象、确定至少两个待测图像中是否存在目标对象。
53.具体地，在确定至少两个待测图像中是否存在相同对象时，对于其中两个待测图像，确定两个待测图像中的对象的特征信息是否一致，若一致，则确定这两个待测图像中存在相同对象；若不一致，则确定这两个待测图像中不存在相同对象；若其中任意两个待测图像中不存在相同对象，则确定至少两个待测图像中不存在相同对象；若其中任意两个待测图像中均存在相同对象，则确定至少两个待测图像中存在相同对象。
54.同理，在确定至少两个待测图像中是否存在目标对象时，对于每个待测图像，确定该待测图像中的对象的特征信息与目标对象的特征信息是否一致，若一致，则确定该待测图像中存在目标对象；若不一致，则确定该待测图像中不存在目标对象；若其中至少一个待测图像中存在目标对象，则确定至少两个待测图像中存在目标对象；若任意一个待测图像中均不存在目标对象，则确定至少两个待测图像中不存在目标对象。其中，目标对象的特征信息可以是机器模型从给定图像中提取出的特征信息。
55.在判断特征信息是否一致时，可以根据特征信息的取值来确定。对于其中一个离散取值的特征信息，若两个待测图像的这个特征信息的取值不同，则代表两个待测图像的这个特征信息不一致；若两个待测图像的这个特征信息的取值相同，则代表两个待测图像
的这个特征信息一致。对于其中一个连续取值的特征信息，若两个待测图像的这个特征信息的取值的差值的绝对值小于或等于预设差值阈值，则代表两个待测图像的这个特征信息一致；若两个待测图像的这个特征信息的取值的差值的绝对值大于预设差值阈值，则代表两个待测图像的这个特征信息不一致。
56.可选地，所述根据所述特征信息对所述至少两个待测图像进行对象检测，包括子步骤1031至1032：
57.子步骤1031，确定所述待测图像的特征信息之间的匹配度。
58.具体地，待测图像的特征信息之间的匹配度是待测图像的特征信息之间的一致性的数值化表示。具体地，对于一个离散取值的特征信息，若两个待测图像的这个特征信息的取值相同，则两个待测图像的这个特征信息之间的匹配度可以为第一预设取值；若两个待测图像的这个特征信息的取值不同，则这两个待测图像的这个特征信息之间的匹配度可以为第二预设取值，其中第一预设取值大于第二预设取值，例如，第一预设取值可以为1，第二预设取值可以为0。此外，对于一个连续取值的特征信息，两个待测图像的这个特征信息之间的匹配度可以与两个待测图像的这个特征信息的取值的差值的绝对值呈负相关，即：差值的绝对值越大，对应的匹配度越小；差值的绝对值越小，对应的匹配度越大，例如，匹配度可以是1/(1 差值的绝对值)。
59.子步骤1032，根据所述待测图像的特征信息之间的匹配度对所述至少两个待测图像进行对象检测。
60.可以理解的是，当特征信息仅存在一个时，仅根据两个待测图像的这个特征信息之间的匹配度对待测图像进行对象检测；当特征信息存在多个时，将多个特征信息之间的匹配度之和或平均值作为综合匹配度，并根据综合匹配度对待测图像进行对象检测。
61.具体地，当特征信息之间的匹配度越大时，综合匹配度越大，代表待测图像存在相同对象的概率越大，若其中一个待测图像存在目标对象，则特征信息与该待测图像的特征信息之间的综合匹配度较大的另一待测图像也存在目标对象；反之，若其中一个待测图像不存在目标对象，则特征信息与该待测图像的特征信息之间的综合匹配度较大的另一待测图像也不存在目标对象；当特征信息之间的匹配度越小时，综合匹配度越小，代表待测图像存在相同对象的概率越小，若其中一个待测图像存在目标对象，则特征信息与该待测图像的特征信息之间的综合匹配度较小的另一待测图像不存在目标对象；反之，若其中一个待测图像不存在目标对象，则特征信息与该待测图像的特征信息之间的综合匹配度较小的另一待测图像可能存在目标对象。
62.本技术可以通过特征信息之间的匹配度准确的实现对象检测。
63.可选地，所述根据所述待测图像的特征信息之间的匹配度对所述至少两个待测图像进行对象检测，包括子步骤10321：若所述待测图像的特征信息之间的匹配度大于或等于预设匹配度阈值，则确定所述至少两个待测图像存在相同对象。
64.其中，预设匹配度阈值用于判断相同对象的特征信息的匹配程度，预设匹配程度可以根据实际应用场景设定，本技术对其不加以限制。
65.可以理解的是，待测图像的特征信息之间的匹配度小于预设匹配度阈值，则确定待测图像中不存在相同对象。
66.本技术可以通过预设匹配度阈值准确且灵活的确定待测图像是否存在相同对象。
67.可选地，所述确定所述待测图像的特征信息之间的匹配度，包括子步骤10311至10312：
68.子步骤10311，确定所述待测图像的特征信息对应的特征向量。
69.具体地，当特征信息仅包括一个时，可以将该特征信息的取值作为特征向量的取值；当特征信息包括多个时，可以将多个特征信息的取值按照预设顺序作为特征向量的每个维度上的取值，特征向量的维数与特征信息的数目一致。
70.子步骤10312，根据所述待测图像的特征向量之间的相似度，确定所述待测图像的特征信息之间的匹配度。
71.其中，相似度可以采用基于欧式距离的相似度、余弦相似度、基于曼哈顿(manhattan)距离的相似度、皮尔逊(pearson)相似度、杰卡德(jaccard)相似系数等，本技术以基于欧式距离的相似度为例，可以得到如下的匹配度：
[0072][0073]
其中，mat为两个待测图像的特征信息之间的匹配度，n为特征向量的维数，v1n和v2n分别为两个待测图像的特征向量的第n维取值。
[0074]
本技术可以通过特征向量表示对象的特征信息，从而根据特征向量准确的确定特征信息之间的匹配度。
[0075]
可选地，所述至少两个待测图像包括第一待测图像和第二待测图像，所述获取至少两个待测图像，包括子步骤1011至1012：
[0076]
子步骤1011，将目标视频中包括目标对象的第一帧图像作为第一待测图像，所述目标视频为针对所述目标对象采集的视频。
[0077]
在一种示例中，可以从目标视频中的第一帧图像开始，确定每帧图像是否包括目标对象，直至其中一帧图像包含目标对象；该目标对象可以是用户在目标视频中指定的人、物等，从而可以从目标视频中提取包括目标对象的其余图像。
[0078]
子步骤1012，将所述目标视频中位于所述第一待测图像之后的一帧图像作为第二待测图像。
[0079]
其中，第二待测图像可以是目标视频中位于第一待测图像之后的任意一帧图像。
[0080]
本技术可以从目标视频中获取包括目标对象的图像，从而实现对目标对象的跟踪。
[0081]
可选地，在所述根据所述特征信息对所述至少两个待测图像进行对象检测之后，所述方法包括步骤104：
[0082]
步骤104，将所述目标视频中位于所述第二待测图像之后的一帧图像更新为第二待测图像，并进入所述采用机器模型从所述待测图像中提取特征信息的步骤。
[0083]
结合子步骤1011至1012，本技术可以通过不断的将第二待测图像更新为后一帧图像，直至目标视频中的最后一帧图像，以确定目标视频中所有图像是否包含目标对象，从而得到目标视频中包含目标对象的所有图像，避免遗漏掉目标视频中的部分图像。
[0084]
可选地，所述获取至少两个待测图像，包括子步骤1013至1014：
[0085]
子步骤1013，获取包含目标对象的预设图像作为其中一个待测图像。
[0086]
其中，预设图像可以是用户提供的图像，其中包括了目标对象，从而确定图像采集设备采集的图像中是否包含该目标对象，实现了对该目标对象的跟踪。
[0087]
子步骤1014，获取图像采集设备采集的至少一帧图像作为其余待测图像。
[0088]
其中，图像采集设备可以是任意具有图像采集功能的设备，包括但不限于：手机、监控摄像头、相机、平板电脑、个人电脑。
[0089]
具体地，其余待测图像可以是图像采集设备采集的当前图像，也可以是图像采集设备采集的视频中的任意图像。图像采集设备通常可以是设置于指定位置的设备，从而在图像采集设备采集的待测图像中包括与预设图像相同的对象时，确定用户指定的对象在该指定位置出现过，如此实现了对该指定的对象的跟踪。
[0090]
可选地，所述根据所述特征信息对至少两个待测图像进行对象检测，包括子步骤1031至1032：
[0091]
子步骤1031，根据所述特征信息确定所述至少两个待测图像中是否存在相同对象。
[0092]
该步骤可以参照步骤103中确定是否存在相同对象的详细说明，在此不再赘述。
[0093]
步骤1032，输出至少两个待测图像中不存在相同对象的图像的信息和/或存在相同对象的图像的信息，所述图像的信息包括如下的至少一种：所述图像的标识、所述图像的时间信息、根据所述图像确定的位置信息。
[0094]
其中，图像的标识可以是图像的编号，可以按照图像在视频中的顺序进行编号，图像的时间信息是拍摄该图像时的时间点，图像的位置信息可以是拍摄该图像的位置，位置信息可以是拍摄时的位置定位系统获取到的信息，也可以是从图像中提取出的具有地理特征的信息。
[0095]
本技术可以输出待测图像中存在和/或不存在相同对象的图像的信息，方便用户对待测图像中的相同对象的图像进行分析。
[0096]
可选地，所述根据所述特征信息对至少两个待测图像进行对象检测，包括子步骤1033至1034：
[0097]
子步骤1033，根据所述特征信息确定所述至少两个待测图像中是否存在目标对象。
[0098]
该步骤可以参照103中确定是否存在目标对象的详细说明，在此不再赘述。
[0099]
子步骤1034，输出至少两个待测图像中不存在目标对象的图像的信息和/或存在目标对象的图像的信息，所述图像的信息包括如下的至少一种：所述图像的标识、所述图像的时间信息、根据所述图像确定的位置信息。
[0100]
本技术可以输出待测图像中存在和/或不存在目标对象的图像的信息，方便用户对待测图像中的相同对象的图像进行分析。
[0101]
可选地，所述对象包括如下的至少一种：生物、可移动设备。
[0102]
其中，生物可以是人、动物，可移动设备是可以移动的设备，例如，无人机、汽车、火车等。
[0103]
本技术可以从多个待测图像中提取可移动的对象的特征信息，以确定多个待测图像中是否存在相同的可移动的对象。
[0104]
综上所述，在本技术实施例中，可以对第一类图像样本进行预设处理得到第二类图像样本，以使用第一类图像样本和第二类图像样本对机器模型进行训练，并不需要对第一类图像样本或第二类图像样本进行标注，由于第二类图像样本是通过对第一类图像样本进行预设处理得到的，从而使得训练机器模型所使用的图像样本增多，采用更多的图像样本对机器模型进行训练有助于提高机器模型的鲁棒性，进而提高通过机器模型预测的特征信息的准确度，提高采用特征信息确定的待测图像中是否存在相同对象的准确度。
[0105]
参照图6，示出了本技术的一种机器模型的处理方法实施例的步骤流程图。
[0106]
步骤201，获取第一类图像样本。
[0107]
其中，第一类图像样本是训练时采用的图像，可以是网络上下载的图像，也可以是用户拍摄的图像，本技术对其不加以限制。
[0108]
步骤202，对所述第一类图像样本进行至少一种预设处理之后得到第二类图像样本，所述第一类图像样本和所述第二类图像样本包括相同对象。
[0109]
其中，第二类图像样本也为训练时采用的图像，第一类图像样本和第二类图像样本均包括多个图像，针对每个第一类图像样本，可以对其进行一种预设处理得到一个第二类图像样本，也可以对其先后进行多种预设处理得到一个第二类图像样本，还可以对其进行多个预设处理得到多个第二类图像样本。例如，将第一类图像样本p3进行旋转得到一个第二类图像样本p4，也可以将第一类图像样本p3进行旋转和放大得到一个第二类图像样本p5，还可以将第一类图像样本p3分别进行放大和缩小得到两个第二类图像样本p6、p7。
[0110]
上述过程中的预设处理可以是对第一类图像样本的任意处理过程，但需要保证第一类图像样本和第二类图像样本中包含相同对象。预设处理包括但不限于：裁剪、填充、旋转、颜色调整、亮度调整、放大、缩小、对对象的平移、去除背景。
[0111]
步骤203，采用机器模型预测所述第一类图像样本中所述对象的特征信息和所述第二类图像样本中所述对象的特征信息。
[0112]
其中，对象的特征信息是用于表示对象的特征的任意信息，对于不同的对象，其特征信息可以不同，例如，若对象为人物，则特征信息可以为人物的面部信息、身高、衣着颜色等；若对象为动物，则特征信息可以为动物的面部信息、身长、皮毛颜色等；若对象为物体，则特征信息可以为物体的形状、尺寸、颜色、纹理等。
[0113]
可以理解，机器模型在训练过程中，第一类图像样本中对象的特征信息和第二类图像样本中对象的特征信息并不一定准确，而在机器模型训练结束之后，采用机器模型预测的对象的特征信息是准确的。
[0114]
可以理解的是，上述过程中的机器模型可以是任意可以对图像进行处理的机器模型。
[0115]
步骤204，通过所述第一类图像样本中所述对象的特征信息和所述第二类图像样本中所述对象的特征信息对所述机器模型进行训练。
[0116]
其中，根据对象的特征信息对机器模型进行训练可以为根据对象的特征信息对机器模型的参数进行调整。具体地，首先，确定一个输入为两个变量的函数；然后，针对每个第一类图像样本和对应的第二类图像样本，采用该函数计算第一类图像样本中对象的特征信息和第二类图像样本中对象的特征信息之间的差异参数；最后，若差异参数在连续多轮迭代中持续减小，则根据差异参数对机器模型的参数的梯度值对机器模型的参数进行调整，
以使下一轮迭代之后的差异参数比本轮迭代的差异参数更小，直至差异参数在连续多轮迭代中未持续减小；若差异参数在连续多轮迭代中未持续减小，则结束训练，此时的机器模型为训练得到的机器模型。
[0117]
上述过程中的差异参数是对特征信息之间的差异的数值化表示，可以采用损失函数计算得到，也可以自定义计算差异参数的函数。
[0118]
可选地，所述通过所述第一类图像样本中所述对象的特征信息和所述第二类图像样本中所述对象的特征信息对所述机器模型进行训练，包括子步骤2041至2042：
[0119]
子步骤2041，确定所述第一类图像样本中所述对象的特征信息和所述第二类图像样本中所述对象的特征信息之间的差异参数。
[0120]
其中，差异参数用于表示第一类图像样本中对象的特征信息和第二类图像样本中对象的特征信息之间的差异，差异参数可以是第一类图像样本中对象的特征信息和第二类图像样本中对象的特征信息之间的平均差值，差异参数还可以为用损失函数计算得到的损失值，损失函数可以为对数损失函数、绝对值损失函数、平方损失函数、交叉熵损失函数等。
[0121]
可以理解，损失函数的输入为：第一类图像样本中对象的特征信息和第二类图像样本中对象的特征信息，以平方损失函数为例，可以得到如下的差异参数：
[0122][0123]
其中，loss是差异参数，m为第二类图像样本的数目，f1m为第m个第二类图像样本对应的第一类图像样本中对象的特征信息，f2m为第m个第二类图像样本中对象的特征信息。
[0124]
例如，第一类图像样本包括5个：p11、p12、p13、p14、p15，对第一类图像样本p11进行预设处理得到2个第二类图像样本：p21、p22，对第一类图像样本p12进行预设处理得到1个第二类图像样本：p23，对第一类图像样本p13进行预设处理得到3个第二类图像样本：p24、p25、p26，对第一类图像样本p14进行预设处理得到1个第二类图像样本：p27，对第一类图像样本p15进行预设处理得到2个第二类图像样本：p28、p29，如此得到了九个第二类图像样本，从而m为9，若p21、p22、p23、p24、p25、p26、p27、p28、p29中对象的特征信息分别为：f21、f22、f23、f24、f25、f26、f27、f28、f29，则其对应的第一类图像样本中对象的特征信息分别为：f11、f12、f13、f14、f15、f16、f17、f18、f19，其中，f11和f12为第一类图像样本p11中对象的特征信息，从而f11＝f12，f13为第一类图像样本p12中对象的特征信息，f14、f15、f16为第一类图像样本p13中对象的特征信息，从而f14＝f15＝f16，f17为第一类图像样本p14中对象的特征信息，f18和f19为第一类图像样本p15中对象的特征信息，从而f18＝f19。
[0125]
子步骤2042，通过所述差异参数对所述机器模型进行训练。
[0126]
可以理解的是，上述公式(2)得到的是第一类图像样本和第二类图像样本的其中一个特征信息的差异参数，可以将所有特征信息的差异参数求平均或求和得到综合差异参数，并根据综合差异参数对机器模型进行训练。
[0127]
在本技术的一种示例中，若综合差异参数在多轮迭代中持续减小，则计算综合差异参数对机器模型的参数的梯度值，并根据梯度值对机器模型的参数进行调整，以使下一轮迭代之后的综合差异参数小于或等于本轮迭代之后的综合差异参数；若综合差异参数在多轮迭代中并未持续减小，则结束训练，并将当前机器模型作为训练得到的机器模型。
[0128]
本技术可以通过差异参数表示预测的特征信息之间的差异，以根据差异参数准确的实现对机器模型的训练。
[0129]
可选地，所述机器模型包括：卷积神经网络模型。
[0130]
其中，卷积神经网络模型是包括卷积单元的前馈神经网络(fnn，feedforward neural networks)模型，卷积神经网络可以进行监督训练和非监督训练，监督训练是通过标注的样本进行训练，非监督训练是通过未标注的样本进行训练。本技术是一种非监督训练，即并不对图像样本进行标注。cnn的隐含层内的卷积核参数共享和层间连接的稀疏性，使得卷积神经网络能够以较小的计算量对格点化特征有稳定的效果，且对数据没有额外的特征要求，由于像素和音频具有明显的格点化特征，从而cnn适用于图像和音频的处理。
[0131]
可选地，所述预设处理包括如下的至少一种：裁剪、填充、旋转、颜色调整、亮度调整、放大、缩小、对所述对象的平移、去除背景。
[0132]
其中，裁剪可以通过如下过程实现：首先，识别第一类图像样本中的对象；然后，以该对象为基准，将第一类图像样本裁剪成包括该对象的第二类图像样本。
[0133]
填充可以是对第一类图像样本中的边缘区域进行默认像素点的填充，例如，可以将边缘填充为亮度值为0或255的像素点。
[0134]
旋转是将第一类图像样本的整体区域或对象所在的区域进行顺时针或逆时针旋转得到第二类图像样本。
[0135]
颜色调整可以是将第一类图像样本的整体区域或对象所在的区域的颜色调整为指定颜色，指定颜色可以通过rgb(red green blue，红绿蓝)模式标识。指定颜色可以根据实际应用场景设定，本技术对其不加以限制。
[0136]
亮度调整可以是将第一类图像样本的整体区域或对象所在的区域的亮度调整为指定亮度，指定亮度可以根据实际应用场景设定，本技术对其不加以限制。例如，指定亮度可以为0或255，从而将亮度调整为最暗或最亮。
[0137]
放大或缩小可以是对第一类图像样本中的对象进行放大或缩小。
[0138]
对对象的平移可以是将对象朝向任意方向进行移动。
[0139]
去除背景是将第一类图像样本中的对象所在区域之外的其余区域进行去除。
[0140]
综上所述，在本技术实施例中，可以对第一类图像样本进行预设处理得到第二类图像样本，以使用第一类图像样本和第二类图像样本对机器模型进行训练，并不需要对第一类图像样本或第二类图像样本进行标注，由于第二类图像样本是通过对第一类图像样本进行预设处理得到的，从而使得训练机器模型所使用的图像样本增多，采用更多的图像样本对机器模型进行训练有助于提高机器模型的鲁棒性。
[0141]
参照图7，示出了本技术的另一种对象确定方法实施例的步骤流程图。
[0142]
步骤301，获取目标视频。
[0143]
其中，目标视频是用于统计对象数目的视频，可以是用户从网络上下载的视频，也可以是图像采集设备采集的视频，图像采集设备可以是监控设备。目标视频可以是设置于指定位置的图像采集设备采集的视频，从而可以从目标视频中识别到对象数目，作为经过该指定位置的对象数目。
[0144]
步骤302，采用机器模型从所述目标视频的图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类
图像样本进行预设处理之后得到的与所述第一类图像样本包含相同对象的图像。
[0145]
具体地，可以从目标视频的每帧图像或部分图像中提取特征信息，该特征信息为图像中的对象的特征信息，代表了图像中的对象的特征。本技术中，为了准确的确定目标视频中的对象数目，可以将目标视频中的每帧图像均提取特征信息，但可以不关注图像的顺序。
[0146]
其中，特征信息是用于表示对象的特征的任意信息，对于不同的对象，其特征信息可以不同，例如，若对象为人物，则特征信息可以为人物的面部信息、身高、衣着颜色、衣着款式等；若对象为动物，则特征信息可以为动物的面部信息、身长、皮毛颜色等；若对象为物体，则特征信息可以为物体的形状、尺寸、颜色、纹理等。
[0147]
其中，第一类图像样本和第二类图像样本均为训练时采用的图像，第一类图像样本和第二类图像样本均包括多个图像，针对每个第一类图像样本，可以对其进行一种预设处理得到一个第二类图像样本，也可以对其先后进行多种预设处理得到一个第二类图像样本，还可以对其进行多个预设处理得到多个第二类图像样本。例如，将第一类图像样本p3进行旋转得到一个第二类图像样本p4，也可以将第一类图像样本p3进行旋转和放大得到一个第二类图像样本p5，还可以将第一类图像样本p3分别进行放大和缩小得到两个第二类图像样本p6、p7。
[0148]
上述过程中的预设处理可以是对第一类图像样本的任意处理过程，但需要保证第一类图像样本和第二类图像样本中包含相同对象。预设处理包括但不限于：裁剪、填充、旋转、颜色调整、亮度调整、放大、缩小、对对象的平移、去除背景。
[0149]
步骤303，通过所述特征信息确定在所述目标视频中对象的出现次数。
[0150]
在实际应用中，若特征信息只有一个，例如，特征信息为身高，则可以对这个特征信息的不同取值进行去重，将相同或相近的多个取值作为同一个对象的特征信息，这些相同或相近的特征信息的数目作为该对象的出现次数；若特征信息包括多个，则形成多个特征取值组，每组特征取值中包含每个特征的取值，从而可以将相同或相近的特征取值组确定为同一个对象的特征取值组，该对象的相同或相近的特征取值组的数目为该对象的出现次数。例如，特征信息包括身高和衣着颜色，则会得到多个特征取值组，每个特征取值组中均包括身高的取值和衣着颜色的取值：{身高h1，衣着颜色red}、{身高h2，衣着颜色blue}、{身高h3，衣着颜色blue}、{身高h1，衣着颜色red}，特征取值组{身高h1，衣着颜色red}出现了两次，从而该特征取值组对应的对象的出现次数为2，特征取值组{身高h2，衣着颜色blue}出现了一次，从而该特征去知足对应的对象的出现次数为1，特征取值组{身高h3，衣着颜色blue}出现了一次，从而该特征取值组对应的对象的出现次数为1。
[0151]
综上所述，在本技术实施例中，可以对第一类图像样本进行预设处理得到第二类图像样本，以使用第一类图像样本和第二类图像样本对机器模型进行训练，并不需要对第一类图像样本或第二类图像样本进行标注，由于第二类图像样本是通过对第一类图像样本进行预设处理得到的，从而使得训练机器模型所使用的图像样本增多，采用更多的图像样本对机器模型进行训练有助于提高机器模型的鲁棒性，进而提高通过机器模型预测的特征信息的准确度，提高采用特征信息确定的目标视频中的对象数目的准确度。
[0152]
参照图8，示出了本技术的另一种对象确定方法实施例的步骤流程图。
[0153]
步骤401，获取目标视频。
[0154]
其中，目标视频是用于生成对象的运动轨迹的视频，可以是用户从网络上下载的视频，也可以是图像采集设备采集的视频，图像采集设备可以是监控设备。目标视频可以是跟踪某个对象采集的视频，从而不同图像所代表的对象的位置不同，进而从目标视频的每帧图像中提取位置以形成对象的运动轨迹。目标视频还可以是多个图像采集设备采集的视频按照时间顺序拼接的视频，每个图像采集设备设置于不同位置。
[0155]
步骤402，采用机器模型从所述目标视频中的图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行预设处理之后得到的与所述第一类图像样本包含相同对象的图像。
[0156]
具体地，可以从目标视频的每帧图像或部分图像中提取特征信息，该特征信息为图像中的对象的特征信息，代表了一帧图像中的对象的特征。本技术中，为了准确的确定对象的运动轨迹，可以按照目标视频中的图像的顺序逐帧提取特征信息，由于运动轨迹与时间相关，从而需要按照图像的顺序提取特征信息。
[0157]
上述特征信息是用于表示对象的特征的任意信息，对于不同的对象，其特征信息可以不同，例如，若对象为人物，则特征信息可以为人物的面部信息、身高、衣着颜色、衣着款式等；若对象为动物，则特征信息可以为动物的面部信息、身长、皮毛颜色等；若对象为物体，则特征信息可以为物体的形状、尺寸、颜色、纹理等。
[0158]
其中，第一类图像样本和第二类图像样本均为训练时采用的图像，第一类图像样本和第二类图像样本均包括多个图像，针对每个第一类图像样本，可以对其进行一种预设处理得到一个第二类图像样本，也可以对其先后进行多种预设处理得到一个第二类图像样本，还可以对其进行多个预设处理得到多个第二类图像样本。例如，将第一类图像样本p3进行旋转得到一个第二类图像样本p4，也可以将第一类图像样本p3进行旋转和放大得到一个第二类图像样本p5，还可以将第一类图像样本p3分别进行放大和缩小得到两个第二类图像样本p6、p7。
[0159]
上述过程中的预设处理可以是对第一类图像样本的任意处理过程，但需要保证第一类图像样本和第二类图像样本中包含相同对象。预设处理包括但不限于：裁剪、填充、旋转、颜色调整、亮度调整、放大、缩小、对对象的平移、去除背景。
[0160]
步骤403，根据所述特征信息所对应的图像确定所述特征信息对应的对象的运动轨迹。
[0161]
其中，运动轨迹可以包括多个按照顺序排列的位置信息，例如，运动轨迹：pos1-》pos2-》pos3-》pos4-》pos5，其中包括了按照顺序排列的5个位置信息。在确定运动轨迹时，首先，从目标视频的图像中获取同一特征信息对应的不同图像；然后，将这些图像对应的位置信息按照图像在目标视频中的顺序排列得到运动轨迹。
[0162]
在一种示例中，上述运动轨迹中的位置信息可以从图像中提取得到。例如，可以从图像中提取对象之外的背景图像，从而可以从背景图像中分析得到拍摄该图像时的位置信息，该方案要求背景图像中包含具有位置特征，例如，背景图像中包含地标性建筑；在另一种示例中，上述运动轨迹中的位置还可以在图像采集设备采集每帧图像时通过位置定位系统获取得到，从而每帧图像对应一个位置信息；在再一种示例中，当目标视频是多个图像采集设备采集的视频按照时间顺序拼接的视频时，上述运动轨迹中的位置还可以是采集该图像的图像采集设备的位置。
[0163]
可选地，所述方法还包括步骤404至405：
[0164]
步骤404，根据所述对象的运动轨迹确定所述对象是否经过预设位置。
[0165]
其中，预设位置可以是指定的任意位置，预设位置可以是丢失的物品所在的位置。例如，商场、博物馆、展览馆等场所中通常会展示物品，若发现被展示的物品丢失，则可以将丢失的物品所在的位置作为预设位置。
[0166]
可以理解的是，若对象的运动轨迹中包含预设位置，则确定对象经过预设位置；若对象的运动轨迹不包含预设位置，则确定对象未经过预设位置。
[0167]
步骤405，若所述对象经过预设位置，则确定所述对象为目标对象。
[0168]
当预设位置为丢失的物品所在的位置时，目标对象为拿取物品但未正常支付者。
[0169]
可以理解的是，若对象未经过预设位置，则确定对象不为目标对象。
[0170]
本技术可以通过对象的运动轨迹确定对象是否为拿取物品但未正常支付者，从而实现防盗机制。
[0171]
可选地，所述根据所述特征信息所对应的图像确定所述特征信息对应的对象的运动轨迹，包括子步骤4031至4032：
[0172]
子步骤4031，获取所述特征信息所对应的图像信息，所述图像信息包括如下的至少一种：所述特征信息所对应的图像的时间信息、根据所述特征信息所对应的图像确定的位置信息。
[0173]
其中，时间信息可以是图像采集设备采集图像时获取的时间信息，位置信息可以是图像采集设备采集图像时的位置信息。在一种示例中，位置信息可以从图像中提取得到。例如，可以从图像中提取对象之外的背景图像，从而可以从背景图像中分析得到拍摄该图像时的位置信息，该方案要求背景图像中包含具有位置特征，例如，背景图像中包含地标性建筑；在另一种示例中，位置信息还可以在图像采集设备采集每帧图像时通过位置定位系统获取得到，从而每帧图像对应一个位置信息；在再一种示例中，当目标视频是多个图像采集设备采集的视频按照时间顺序拼接的视频时，上述运动轨迹中的位置还可以是采集该图像的图像采集设备的位置。
[0174]
子步骤4032，根据所述时间信息和所述位置信息生成所述特征信息对应的对象的运动轨迹。
[0175]
其中，同一帧图像对应有时间信息和位置信息，从而同一帧图像的时间信息和位置信息具有对应关系，如此，可以按照时间信息对位置信息进行排序得到运动轨迹。
[0176]
本技术可以通过图像的时间信息和位置信息，准确的生成对象的运动轨迹。
[0177]
综上所述，在本技术实施例中，可以对第一类图像样本进行预设处理得到第二类图像样本，以使用第一类图像样本和第二类图像样本对机器模型进行训练，并不需要对第一类图像样本或第二类图像样本进行标注，由于第二类图像样本是通过对第一类图像样本进行预设处理得到的，从而使得训练机器模型所使用的图像样本增多，采用更多的图像样本对机器模型进行训练有助于提高机器模型的鲁棒性，进而提高通过机器模型预测的特征信息的准确度，提高采用特征信息生成的运动轨迹的准确度。
[0178]
参照图9，示出了本技术的另一种对象确定方法实施例的步骤流程图。
[0179]
步骤501，接收输入的至少两个待测图像。
[0180]
其中，至少两个待测图像是用户在客户端中输入的图像，用户可以单独选取独立
的至少两个图像作为至少两个待测图像，用户还可以选取一个视频，以将该视频中的图像作为至少两个待测图像，用户还可以选取视频中的一个片段作为至少两个待测图像。
[0181]
可以理解的是，客户端是具有显示界面的任意应用程序，可以向用户提供选取图像的功能。
[0182]
步骤502，采用机器模型从所述至少两个待测图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行至少一种预设处理之后得到的与所述第一类图像样本包含相同对象的图像。
[0183]
该步骤可以参照步骤102的详细说明，在此不再赘述。
[0184]
步骤503，根据所述特征信息对所述至少两个待测图像进行对象检测，得到对象检测结果。
[0185]
该步骤可以参照步骤103的详细说明，在此不再赘述。
[0186]
步骤504，显示所述对象检测结果，所述对象检测结果中包括至少一个对象。
[0187]
具体地，在客户端中显示对象检测结果，该对象检测结果中的对象可以以标记的形式显示，例如，将待测图像显示在客户端中，并在待测图像中标记对象；该对象检测结果中的对象还可以以文字提示的形式显示，例如，在客户端中通过文字显示对象的名称、特征以及对象所在的待测图像的标识。
[0188]
综上所述，在本技术实施例中，可以对第一类图像样本进行预设处理得到第二类图像样本，以使用第一类图像样本和第二类图像样本对机器模型进行训练，并不需要对第一类图像样本或第二类图像样本进行标注，由于第二类图像样本是通过对第一类图像样本进行预设处理得到的，从而使得训练机器模型所使用的图像样本增多，采用更多的图像样本对机器模型进行训练有助于提高机器模型的鲁棒性。
[0189]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术实施例并不受所描述的动作顺序的限制，因为依据本技术实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本技术实施例所必须的。
[0190]
参照图10，示出了本技术的一种对象确定装置实施例的结构框图，具体可以包括如下模块：
[0191]
第一待测图像获取模块601，用于获取至少两个待测图像。
[0192]
第一特征提取模块602，用于采用机器模型从所述待测图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行至少一种预设处理之后得到的与所述第一类图像样本包含相同对象的图像。
[0193]
第一对象检测模块603，用于根据所述特征信息对所述至少两个待测图像进行对象检测。
[0194]
可选地，所述第一对象检测模块603，包括匹配度确定子模块和相同对象确定子模块：
[0195]
匹配度确定子模块，用于确定所述待测图像的特征信息之间的匹配度。
[0196]
相同对象确定子模块，用于根据所述待测图像的特征信息之间的匹配度对所述至少两个待测图像进行对象检测。
[0197]
可选地，所述相同对象确定子模块，包括相同对象确定单元：
[0198]
相同对象确定单元，用于若所述待测图像的特征信息之间的匹配度大于或等于预设匹配度阈值，则确定所述至少两个待测图像存在相同对象。
[0199]
可选地，所述匹配度确定子模块，包括特征向量确定单元和匹配度确定单元：
[0200]
特征向量确定单元，用于确定所述待测图像的特征信息对应的特征向量。
[0201]
匹配度确定单元，用于根据所述待测图像的特征向量之间的相似度，确定所述待测图像的特征信息之间的匹配度。
[0202]
可选地，所述至少两个待测图像包括第一待测图像和第二待测图像，所述第一待测图像获取模块601，包括第一待测图像获取子模块和第二待测图像获取子模块：
[0203]
第一待测图像获取子模块，用于将目标视频中包括目标对象的第一帧图像作为第一待测图像，所述目标视频为针对所述目标对象采集的视频。
[0204]
第二待测图像获取子模块，用于将所述目标视频中位于所述第一待测图像之后的一帧图像作为第二待测图像。
[0205]
可选地，所述装置还包括第二待测图像更新模块：
[0206]
第二待测图像更新模块，用于将所述目标视频中位于所述第二待测图像之后的一帧图像更新为第二待测图像，并进入所述采用机器模型从所述待测图像中提取特征信息的步骤。
[0207]
可选地，所述第一待测图像获取模块601，包括第三待测图像获取子模块和第四待测图像获取子模块：
[0208]
第三待测图像获取子模块，用于获取包含目标对象的预设图像作为其中一个待测图像。
[0209]
第四待测图像获取子模块，用于获取图像采集设备采集的至少一帧图像作为其余待测图像。
[0210]
可选地，所述第一对象检测模块603包括相同对象确定子模块和第一信息输出子模块：
[0211]
相同对象确定子模块，用于根据所述特征信息确定所述至少两个待测图像中是否存在相同对象。
[0212]
第一信息输出子模块，用于输出至少两个待测图像中不存在相同对象的图像的信息和/或存在相同对象的图像的信息，所述图像的信息包括如下的至少一种：所述图像的标识、所述图像的时间信息、根据所述图像确定的位置信息。
[0213]
可选地，所述第一对象检测模块603包括目标对象确定子模块和第二信息输出子模块：
[0214]
目标对象确定子模块，用于根据所述特征信息确定所述至少两个待测图像中是否存在目标对象。
[0215]
第二信息输出子模块，用于输出至少两个待测图像中不存在目标对象的图像的信息和/或存在目标对象的图像的信息，所述图像的信息包括如下的至少一种：所述图像的标识、所述图像的时间信息、根据所述图像确定的位置信息。
[0216]
可选地，所述对象包括如下的至少一种：生物、可移动设备。
[0217]
综上所述，在本技术实施例中，可以对第一类图像样本进行预设处理得到第二类图像样本，以使用第一类图像样本和第二类图像样本对机器模型进行训练，并不需要对第一类图像样本或第二类图像样本进行标注，由于第二类图像样本是通过对第一类图像样本进行预设处理得到的，从而使得训练机器模型所使用的图像样本增多，采用更多的图像样本对机器模型进行训练有助于提高机器模型的鲁棒性，进而提高通过机器模型预测的特征信息的准确度，提高采用特征信息确定待测图像中是否存在相同对象的准确度。
[0218]
参照图11，示出了本技术的一种对象确定装置实施例的结构框图，具体可以包括如下模块：
[0219]
第一类图像样本获取模块701，用于获取第一类图像样本。
[0220]
图像处理模块702，用于对所述第一类图像样本进行至少一种预设处理之后得到第二类图像样本，所述第一类图像样本和所述第二类图像样本包括相同对象。
[0221]
样本特征提取模块703，用于采用机器模型预测所述第一类图像样本中所述对象的特征信息和所述第二类图像样本中所述对象的特征信息。
[0222]
机器模型训练模块704，用于通过所述第一类图像样本中所述对象的特征信息和所述第二类图像样本中所述对象的特征信息对所述机器模型进行训练。
[0223]
可选地，所述机器模型训练模块704，包括差异参数确定子模块和机器模型训练子模块：
[0224]
差异参数确定子模块，用于确定所述第一类图像样本中所述对象的特征信息和所述第二类图像样本中所述对象的特征信息之间的差异参数。
[0225]
机器模型训练子模块，用于通过所述差异参数对所述机器模型进行训练。
[0226]
可选地，所述机器模型包括：卷积神经网络模型。
[0227]
可选地，所述预设处理包括如下的至少一种：裁剪、填充、旋转、颜色调整、亮度调整、放大、缩小、对所述对象的平移、去除背景。
[0228]
综上所述，在本技术实施例中，可以对第一类图像样本进行预设处理得到第二类图像样本，以使用第一类图像样本和第二类图像样本对机器模型进行训练，并不需要对第一类图像样本或第二类图像样本进行标注，由于第二类图像样本是通过对第一类图像样本进行预设处理得到的，从而使得训练机器模型所使用的图像样本增多，采用更多的图像样本对机器模型进行训练有助于提高机器模型的鲁棒性。
[0229]
参照图12，示出了本技术的另一种对象确定装置实施例的结构框图，具体可以包括如下模块：
[0230]
第一目标视频获取模块801，用于获取目标视频。
[0231]
第二特征提取模块802，用于采用机器模型从所述目标视频的图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行预设处理之后得到的与所述第一类图像样本包含相同对象的图像。
[0232]
出现次数统计模块803，用于通过所述特征信息确定在所述目标视频中对象的出现次数。
[0233]
综上所述，在本技术实施例中，可以对第一类图像样本进行预设处理得到第二类
图像样本，以使用第一类图像样本和第二类图像样本对机器模型进行训练，并不需要对第一类图像样本或第二类图像样本进行标注，由于第二类图像样本是通过对第一类图像样本进行预设处理得到的，从而使得训练机器模型所使用的图像样本增多，采用更多的图像样本对机器模型进行训练有助于提高机器模型的鲁棒性，进而提高通过机器模型预测的特征信息的准确度，提高采用特征信息确定的目标视频中的对象数目的准确度。
[0234]
参照图13，示出了本技术的另一种对象确定装置实施例的结构框图，具体可以包括如下模块：
[0235]
第二目标视频获取模块901，用于获取目标视频。
[0236]
第三特征提取模块902，用于采用机器模型从所述目标视频中的图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行预设处理之后得到的与所述第一类图像样本包含相同对象的图像。
[0237]
运动轨迹生成模块903，用于根据所述特征信息所对应的图像确定所述特征信息对应的对象的运动轨迹。
[0238]
可选地，所述装置还包括预设位置确定模块和目标对象确定模块：
[0239]
预设位置确定模块，用于根据所述对象的运动轨迹确定所述对象是否经过预设位置。
[0240]
目标对象确定模块，用于若所述对象经过预设位置，则确定所述对象为目标对象。
[0241]
可选地，所述运动轨迹生成模块903，包括图像信息获取子模块和运动轨迹生成子模块：
[0242]
图像信息获取子模块，用于获取所述特征信息所对应的图像信息，所述图像信息包括如下的至少一种：所述特征信息所对应的图像的时间信息、根据所述特征信息所对应的图像确定的位置信息。
[0243]
运动轨迹生成子模块，用于根据所述时间信息和所述位置信息生成所述特征信息对应的对象的运动轨迹。
[0244]
综上所述，在本技术实施例中，可以对第一类图像样本进行预设处理得到第二类图像样本，以使用第一类图像样本和第二类图像样本对机器模型进行训练，并不需要对第一类图像样本或第二类图像样本进行标注，由于第二类图像样本是通过对第一类图像样本进行预设处理得到的，从而使得训练机器模型所使用的图像样本增多，采用更多的图像样本对机器模型进行训练有助于提高机器模型的鲁棒性，进而提高通过机器模型预测的特征信息的准确度，提高采用特征信息生成的运动轨迹的准确度。
[0245]
参照图14，示出了本技术的另一种对象确定装置实施例的结构框图，具体可以包括如下模块：
[0246]
第二待测图像接收模块1001，用于接收输入的至少两个待测图像。
[0247]
第四特征提取模块1002，用于采用机器模型从所述至少两个待测图像中提取特征信息，所述机器模型是通过第一类图像样本和第二类图像样本训练得到的，所述第二类图像样本是对所述第一类图像样本进行至少一种预设处理之后得到的与所述第一类图像样本包含相同对象的图像。
[0248]
第二对象检测模块1003，用于根据所述特征信息对所述至少两个待测图像进行对
象检测，得到对象检测结果；
[0249]
对象检测结果显示模块1004，用于显示所述对象检测结果，所述对象检测结果中包括至少一个对象。
[0250]
综上所述，在本技术实施例中，可以对第一类图像样本进行预设处理得到第二类图像样本，以使用第一类图像样本和第二类图像样本对机器模型进行训练，并不需要对第一类图像样本或第二类图像样本进行标注，由于第二类图像样本是通过对第一类图像样本进行预设处理得到的，从而使得训练机器模型所使用的图像样本增多，采用更多的图像样本对机器模型进行训练有助于提高机器模型的鲁棒性，进而提高通过机器模型预测的特征信息的准确度，提高采用特征信息生成的运动轨迹的准确度。
[0251]
本技术实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本技术实施例中各方法步骤的指令(instructions)。
[0252]
本技术实施例提供了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得电子设备执行如上述实施例中一个或多个所述的方法。本技术实施例中，所述电子设备包括终端设备、服务端(集群)等各类型的设备。
[0253]
本公开的实施例可被实现为使用任意适当的硬件，固件，软件，或及其任意组合进行想要的配置的装置，该装置可包括终端设备、服务端(集群)等电子设备。图15示意性地示出了可被用于实现本技术中所述的各个实施例的示例性装置1100。
[0254]
对于一个实施例，图15示出了示例性装置1100，该装置具有一个或多个处理器1102、被耦合到(一个或多个)处理器1102中的至少一个的控制模块(芯片组)1104、被耦合到控制模块1104的存储器1106、被耦合到控制模块1104的非易失性存储器(nvm)/存储设备1108、被耦合到控制模块1104的一个或多个输入/输出设备1110，以及被耦合到控制模块1104的网络接口1112。
[0255]
处理器1102可包括一个或多个单核或多核处理器，处理器1102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中，装置1100能够作为本技术实施例中所述终端设备、服务端(集群)等设备。
[0256]
在一些实施例中，装置1100可包括具有指令1114的一个或多个计算机可读介质(例如，存储器1106或nvm/存储设备1108)以及与该一个或多个计算机可读介质相合并被配置为执行指令1114以实现模块从而执行本公开中所述的动作的一个或多个处理器1102。
[0257]
对于一个实施例，控制模块1104可包括任意适当的接口控制器，以向(一个或多个)处理器1102中的至少一个和/或与控制模块1104通信的任意适当的设备或组件提供任意适当的接口。
[0258]
控制模块1104可包括存储器控制器模块，以向存储器1106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
[0259]
存储器1106可被用于例如为装置1100加载和存储数据和/或指令1114。对于一个实施例，存储器1106可包括任意适当的易失性存储器，例如，适当的dram。在一些实施例中，存储器1106可包括双倍数据速率类型四同步动态随机存取存储器(ddr4sdram)。
[0260]
对于一个实施例，控制模块1104可包括一个或多个输入/输出控制器，以向nvm/存储设备1108及(一个或多个)输入/输出设备1110提供接口。
[0261]
例如，nvm/存储设备1108可被用于存储数据和/或指令1114。nvm/存储设备1108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(hdd)、一个或多个光盘(cd)驱动器和/或一个或多个数字通用光盘(dvd)驱动器)。
[0262]
nvm/存储设备1108可包括在物理上作为装置1100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，nvm/存储设备1108可通过网络经由(一个或多个)输入/输出设备1110进行访问。
[0263]
(一个或多个)输入/输出设备1110可为装置1100提供接口以与任意其他适当的设备通信，输入/输出设备1110可以包括通信组件、音频组件、传感器组件等。网络接口1112可为装置1100提供接口以通过一个或多个网络通信，装置1100可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入基于通信标准的无线网络，如wifi、2g、3g、4g、5g等，或它们的组合进行无线通信。
[0264]
对于一个实施例，(一个或多个)处理器1102中的至少一个可与控制模块1104的一个或多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器1102中的至少一个可与控制模块1104的一个或多个控制器的逻辑封装在一起以形成系统级封装(sip)。对于一个实施例，(一个或多个)处理器1102中的至少一个可与控制模块1104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器1102中的至少一个可与控制模块1104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(soc)。
[0265]
在各个实施例中，装置1100可以但不限于是：服务端、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，装置1100可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，装置1100包括一个或多个摄像机、键盘、液晶显示器(lcd)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(asic)和扬声器。
[0266]
其中，装置1100中可采用主控芯片作为处理器或控制模块，传感器数据、位置信息等存储到存储器或nvm/存储设备中，传感器组可作为输入/输出设备，通信接口可包括网络接口。
[0267]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0268]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0269]
本技术实施例是参照根据本技术实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0270]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备
以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0271]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0272]
尽管已描述了本技术实施例的优选实施例，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实施例范围的所有变更和修改。
[0273]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他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、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0274]
以上对本技术所提供的一种对象确定方法和机器模型的处理方法、装置，设备和存储介质，进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。