图像特征提取方法、终端设备以及计算机可读存储介质与流程

1.本技术涉及图像处理技术领域，特别是涉及一种图像特征提取方法、终端设备以及计算机可读存储介质。


背景技术：

2.近年来，随着神经网络技术的发展和计算机算力的飞速提升，越来越多的视觉任务比如行人检测、人脸识别、垃圾检测、缺陷检测、车牌检测、商品检测、遥感目标检测等都可以通过计算机实现智能化处理。
3.目标检测任务通过准确定位目标位置和识别目标类别在生活、工业生产、城市建设、军事侦查以及环境保护等许多领域都有着广泛的应用价值。而现有的很多基于深度学习的目标检测算法多使用多层特征金字塔等价预测目标，未考虑不同层级特征的重要程度，所有特征层等价参与预测，使得特征学习不聚焦，层间预测易产生冲突。


技术实现要素：

4.本技术提供一种图像特征提取方法、终端设备以及计算机可读存储介质。
5.为解决上述技术问题，本技术提供的第一个技术方案为：提供一种图像特征提取方法，所述图像特征提取方法包括：
6.对待检测图像进行不同尺度的特征提取，获得所述待检测图像的特征图集；所述特征图集中包含至少两个特征图，且所述特征图集中不同特征图的尺度不同；
7.确定所述特征图集中各个特征图对应的参考值；所述参考值表征对应的特征图相对于其它特征图的重要程度确定的，所述其它特征图包括所述特征图集中所述对应的特征图之外的特征图；
8.利用所述各个特征图对应的参考值，对所述各个特征图进行更新，得到所述待检测图像的多个目标特征图。
9.其中，所述获取每一层特征图的多尺度选择注意力权重，包括：
10.所述确定所述特征图集中各个特征图对应的参考值，包括：
11.获取所述特征图集中各个特征图的特征向量；
12.基于所述特征图集中各个特征图的特征向量获取全局特征向量；
13.基于所述全局特征向量确定所述特征图集中各个特征图的参考值。
14.其中，所述参考值包括注意力权重；
15.所述基于所述全局特征向量确定所述特征图集中各个特征图的参考值，包括：
16.将所述全局特征向量输入预设全连接层，获取所述预设全连接层输出的特征嵌入向量，其中，所述特征嵌入向量的维度为所述特征图集中的特征图数量；
17.将所述特征嵌入向量进行归一化处理，得到所述特征图集中各个特征图的多尺度选择注意力权重。
18.其中，所述获取所述特征图集中各个特征图的特征向量，包括：
19.将所述特征图集中各个特征图经过全局池化，得到各个特征图的特征向量；
20.所述基于所述特征图集中各个特征图的特征向量获取全局特征向量，包括：
21.将对所述各个特征图的特征向量进行拼接，得到所述全局特征向量。
22.其中，
23.所述利用所述各个特征图对应的参考值，对所述各个特征图进行更新，得到所述待检测图像的多个目标特征图，包括：
24.基于所述各个特征图对应的参考值，对所述各个特征图进行加权处理，得到各个特征图对应的所述目标特征图。
25.其中，
26.所述得到所述待检测图像的多个目标特征图之后，还包括：
27.利用所述多个目标特征图，对所述待检测图像进行目标检测、目标分类或目标识别中的至少一种操作。
28.为解决上述技术问题，本技术提供的第二个技术方案为：提供一种目标检测方法，
29.所述目标检测方法包括：
30.基于上述的图像特征提取方法，对待检测图像进行特征提取，得到所述待检测图像的多个目标特征图；
31.利用所述多个目标特征图，对所述待检测图像进行目标检测。
32.其中，所述利用所述多个目标特征图，对所述待检测图像进行目标检测，包括：
33.将所述多个目标特征图输入训练后的目标检测模型，生成目标检测框；其中，所述目标检测模型是基于训练图像集中多个目标的子预测损失进行训练的；所述子预测损失是基于对应的目标检测框与目标标注框之间的拟合程度确定的，且所述子预测损失和对应的所述拟合程度呈正相关关系。
34.其中，所述目标检测模型是通过如下方式进行训练得到的：
35.利用训练中的目标检测模型对训练图像集中进行目标检测，得到所述多个目标的目标检测框；
36.基于所述多个目标中各个目标的目标检测框与目标标注框之间的拟合程度，确定各个目标的子预测损失；
37.利用获得的各个子预测损失，调整所述训练中的目标检测模型的模型参数，得到训练后的目标检测模型。
38.其中，所述利用获得的各个子预测损失，调整所述训练中的目标检测模型的模型参数，包括：
39.对获得的各个子预测损失进行加权求和，得到总体损失；
40.利用所述总体损失调整所述训练中的目标检测模型的模型参数。
41.其中，所述基于所述多个目标中各个目标的目标检测框与目标标注框之间的拟合程度，确定各个目标的子预测损失，包括：
42.分别将各个目标作为待处理目标，对所述待处理目标进行如下操作：
43.获取所述待处理目标的目标检测框与真实标注框的交并比；
44.基于所述交并比获取动态中心因子；
45.利用所述动态中心因子调整所述交并比得到所述待处理目标的子预测损失。
46.其中，所述基于所述交并比获取动态中心因子，包括：
47.获取预设超参数，其中，所述预设超参数用于控制损失曲线分布；
48.基于所述预设超参数和所述交并比获取动态聚焦程度参数；
49.利用所述动态聚焦程度参数调整所述交并比，得到所述动态中心因子。
50.其中，所述利用所述动态中心因子调整所述交并比得到所述待处理目标的子预测损失，包括：
51.获取1与所述交并比的差值；
52.利用所述动态中心因子与所述差值的乘积，得到所述待处理目标的子预测损失。
53.为解决上述技术问题，本技术提供的第三个技术方案为：提供一种终端设备，所述终端设备包括处理器、与所述处理器连接的存储器，其中，所述存储器存储有程序指令；所述处理器用于执行所述存储器存储的程序指令以实现上述的图像特征提取方法和/或目标检测方法。
54.为解决上述技术问题，本技术提供的第四个技术方案为：提供一种计算机可读存储介质，所述存储介质存储有程序指令，所述程序指令被执行时实现上述的图像特征提取方法和/或目标检测方法。
55.本技术提供的图像特征提取方法中，终端设备对待检测图像进行不同尺度的特征提取，获得待检测图像的特征图集；特征图集中包含至少两个特征图，且特征图集中不同特征图的尺度不同；确定特征图集中各个特征图对应的参考值；参考值表征对应的特征图相对于其它特征图的重要程度确定的，其它特征图包括特征图集中对应的特征图之外的特征图；利用各个特征图对应的参考值，对各个特征图进行更新，得到待检测图像的多个目标特征图。本技术的图像特征提取方法为不同尺度的特征图分配不同的参考值，从而按照参考值对特征图进行更新，提高特征图之间的联系，提高特征图的准确性。
附图说明
56.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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。其中：
57.图1是本技术提供的图像特征提取方法一实施例的流程示意图；
58.图2是本技术提供的多尺度注意力网络的结构示意图；
59.图3是本技术提供的目标检测方法一实施例的流程示意图；
60.图4是本技术提供的目标检测方法另一实施例的流程示意图；
61.图5是本技术提供的不同交并比层级的样本分布情况示意图；
62.图6是图4所示目标检测方法中步骤s32一实施例的流程示意图；
63.图7是本技术提供的不同超参数k下的动态中心交并比损失的分布曲线图；
64.图8是本技术提供的标准交并比损失和动态中心的交并比损失的平均定位精度分布图；
65.图9是本技术提供的终端设备一实施例的结构示意图；
66.图10是本技术提供的终端设备另一实施例的结构示意图；
67.图11是本技术提供的计算机可读存储介质的结构示意图。
具体实施方式
68.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，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做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。
69.下面结合附图和实施例对本技术进行详细的说明。
70.请参见图1和图2，图1是本技术提供的图像特征提取方法一实施例的流程示意图，图2是本技术提供的多尺度注意力网络的结构示意图。
71.如图2所示，本技术提供的多尺度注意力网络在传统的、基于特征金字塔的检测网络基础上，新增一个多尺度注意力模块。本技术的多尺度注意力网络通过特征图本身的响应强弱，自动给不同层级的特征图赋予不同的注意力权重，使得整个多尺度注意力网络具有层选择能力，从而解决特征学习不聚焦的问题。下面结合多尺度注意力网络的框架功能应用在图1所示的图像特征提取方法进行详细描述：
72.如图1所示，本技术实施例的图像特征提取方法的具体步骤如下：
73.步骤s11：对待检测图像进行不同尺度的特征提取，获得待检测图像的特征图集；特征图集中包含至少两个特征图，且特征图集中不同特征图的尺度不同。
74.在本技术实施例中，终端设备采用图像采集设备，例如视频监控仪、交通摄像头等采用若干待检测图像。另外，终端设备也可以采用网络上公开的成熟的图像训练集中的图像作为待检测图像，在此不再赘述。
75.在本技术实施例中，终端设备将待检测图像输入多尺度注意力网络，由多尺度注意力网络中的深度残差网络提取待检测图像在不同尺度下的特征图，即深度残差网络对同一待检测图像进行不同尺度的下采样，组成待检测图像的特征图集。
76.具体地，本技术提供的深度残差网络使用跳跃连接，弥补下采样的纹理信息丢失。例如，终端设备通过深度残差网络对待检测图像进行最细尺度的下采样，然后，通过深度残差网络对最细尺度的特征图进行上采样进行尺寸放大，将最细尺度的高层特征图与上采样得到的底层特征图经过1
×
1卷积通道侧向连接减少参数，将其逐级叠加，构建特征金字塔。
77.步骤s12：确定特征图集中各个特征图对应的参考值；参考值表征对应的特征图相对于其它特征图的重要程度确定的，其它特征图包括特征图集中对应的特征图之外的特征图。
78.在本技术实施例中，终端设备确定特征图集中各个特征图对应的参考值；参考值表征对应的特征图相对于其它特征图的重要程度确定的，其它特征图包括特征图集中对应的特征图之外的特征图。其中，在特征图集中，特征图的重要程度越高，对应的参考值越大。
79.具体地，本技术实施例的参考值也可以包括注意力权重，下面以注意力权重为例，描述特征图集中每一个特征图的参考值的确定方式：
80.在本技术实施例中，终端设备将特征金字塔结构中的每一层特征图通过一个全局池化的方式，得到每一层特征图的特征向量，全局池化特征向量。如图2所示，特征金字塔中包括四层特征图：层特征图：
然后，分别通过全局池化得到四层特征图的特征向量：然后，分别通过全局池化得到四层特征图的特征向量：其中，全局池化的公式如下：
[0081]vi
＝global pooling(xi)
[0082]
其中，i∈{1,2,3,4}。
[0083]
终端设备将不同层的特征向量v1，v2，v3，v4进行拼接，得到全局特征向量vg。其中，特征向量拼接的公式如下：
[0084]vg
＝concat(v1，v2，v3，v4)
[0085]
终端设备将全局特征向量vg输入图2所示多尺度注意力网络中的一个全连接层中，进行每一层特征图的特征嵌入向量预测，并将预测的特征嵌入向量进行归一化，得到每一层特征图的多尺度选择注意力权重ωi(i∈{1,2,3,4})。其中，全连接层的输出维度为金字塔结构中的特征层数，即预测的多尺度选择注意力权重的数量与特征金字塔中的特征图数量一致。其中，特征嵌入向量归一化的公式如下：
[0086]
ω＝sigmoid(fc(vg))
[0087]
其中，ω＝{ω1,ω2,ω3,ω4}，fc()为特征嵌入向量预测函数。
[0088]
通过上述注意力权重预测分配过程，可以让多尺度注意力网络感知特征金字塔中所有层级的特征分布情况，并根据这个整体信息给每一层特征图定制一个具有全局信息的多尺度选择注意力权重，即每一层特征图的多尺度选择注意力权重受到其他层特征图的影响，从而体现出每一层特征图的多尺度选择注意力权重的全局信息。
[0089]
步骤s13：利用各个特征图对应的参考值，对各个特征图进行更新，得到所述待检测图像的多个目标特征图。
[0090]
在本技术实施例中，终端设备利用各个特征图对应的参考值，对各个特征图进行更新，即对特征图基于参考值加权处理，得到待检测图像的多个目标特征图。
[0091]
例如，终端设备得到每一层特征图对应的多尺度选择注意力权重后，将每一层特征图的多尺度选择注意力权重ωi广播后，与其对应的特征图 xi进行相乘，实现对每一层级的特征图进行多尺度选择注意力加权，得到最终的具有层间注意力的特征图pi。其中，多尺度选择注意力加权的公式如下：
[0092]
pi＝ωixi[0093]
其中，i∈{1,2,3,4}。
[0094]
在本技术实施例中，终端设备可以按照进行多尺度选择注意力加权后的多层级特征图对待检测图像进行目标检测、目标分类或者目标识别中的至少一种操作。
[0095]
例如，终端设备可以将具有层间注意力的特征图输入到分类网络和定位网络中，进行分类任务和定位任务。
[0096]
通过上述步骤s11至步骤s14，本技术实施例的多尺度注意力网络在不增加任何超参数的情况下，自动对不同层级的特征图进行多尺度选择注意力加权处理，实现了层间的注意力机制。这使得多尺度注意力网络能够自己选择当前最重要的特征层进行预测，从结构上解决了特征学习不聚焦的问题，提高特征学习的效率，提升检测网络，如分类网络和定位网络对不同尺度目标的检测精度。
[0097]
在本技术实施例中，终端设备对待检测图像进行不同尺度的特征提取，获得待检
测图像的特征图集；特征图集中包含至少两个特征图，且特征图集中不同特征图的尺度不同；确定特征图集中各个特征图对应的参考值；参考值表征对应的特征图相对于其它特征图的重要程度确定的，其它特征图包括特征图集中对应的特征图之外的特征图；利用各个特征图对应的参考值，对各个特征图进行更新，得到待检测图像的多个目标特征图。本技术的图像特征提取方法为不同尺度的特征图分配不同的参考值，从而按照参考值对特征图进行更新，提高特征图之间的联系，提高特征图的准确性。
[0098]
以按照进行多尺度选择注意力加权后的多层级特征图对待检测图像进行目标检测为例，请继续参阅图3，图3是本技术提供的目标检测方法一实施例的流程示意图。
[0099]
在本技术实施例的目标检测方法中，本技术还设计了动态中心交并比损失函数，在定位任务上更加关注难易样本不平衡带来的回归精度降低，减弱难样本对回归精度的影响，约束网络过度偏向于难样本，从而提高网络的整体定位精度。
[0100]
如图3所示，本技术实施例的目标检测方法的具体步骤如下：
[0101]
步骤s21：对待检测图像进行特征提取，得到所述待检测图像的多个目标特征图。
[0102]
在本技术实施例中，终端设备可以采用图1所示的图像特征提取方法对待检测图像进行特征提取，该过程在此不再赘述。
[0103]
步骤s22：利用多个目标特征图，对待检测图像进行目标检测。
[0104]
在本技术实施例中，终端设备将具有层间注意力的特征图输入到训练后的目标检测模型，以通过目标检测模型在待检测图像上生成目标检测框，从而实现对待检测图像中的目标进行目标检测。
[0105]
其中。目标检测模型是基于训练图像集中多个目标的子预测损失进行训练的，子预测损失是基于对应的目标检测框与目标标注框之间的拟合程度确定的，且子预测损失和对应的拟合程度呈正相关关系。其中，目标检测框与目标标注框之间的拟合程度即目标检测框与目标标注框的重合程度。
[0106]
下面继续介绍目标检测模型的训练方法，请继续参阅图4，图4是本技术提供的目标检测方法另一实施例的流程示意图。
[0107]
如图4所示，本技术实施例的目标检测方法的具体步骤如下：
[0108]
步骤s31：利用训练中的目标检测模型对训练图像集中进行目标检测，得到多个目标的目标检测框。
[0109]
步骤s32：基于所述多个目标中各个目标的目标检测框与目标标注框之间的拟合程度，确定各个目标的子预测损失。
[0110]
在本技术实施例中，目标检测模型基于目标检测框与真实标注框之间的交并比，即拟合程度计算交并比损失，用交并比损失对目标检测模型进行训练，以提高目标检测模型的检测效果。
[0111]
其中，交并比损失凭借其优异的性能，被广泛地运用于检测网络定位分支的训练中。标准的交并比损失定义如下：
[0112][0113]
其中，i表示第i个正样本，ioui表示第i个正样本与其对应的真实标注框之间的交并比。
[0114]
然而，在目标检测模型中，用于训练定位分支的难样本，即交并比层级较低的样本
明显对于简单样本，即交并比层级较高的样本，而标准的交并比损失完全平等对待每一个训练样本，给每一个训练样本都赋予完全相同的权重1。显然，这会导致目标检测模型的定位分支在训练的过程中完全被难样本所控制，导致目标检测模型整体过度偏向于难样本，从而使得简单样本出现负向回归的情况，影响目标检测模型的整体定位精度。具体请参阅图5，图5是本技术提供的不同交并比层级的样本分布示意图。
[0115]
如图5所示，交并比层级较低的样本，即难样本占比远远大于交并比层级较高的样本。因此，本技术基于标准的交并比损失提出了一种动态中心的交并比损失(df-iou loss)，用于调节难样本和简单样本之间的权重，最终使得难样本和简单样本对目标检测模型的贡献趋向于平衡。具体请参阅图6，图6中图4所示目标检测方法中步骤s32的具体流程图。
[0116]
如图6所示，本技术实施例的图像特征提取方法的具体步骤如下：
[0117]
步骤s321：获取目标检测框与真实标注框之间的标准交并比损失。
[0118]
步骤s322：基于目标检测框与真实标注框的交并比获取动态中心因子。
[0119]
步骤s323：利用动态中心因子调整标准交并比损失，以得到动态中心交并比损失。
[0120]
在本技术实施例中，动态中心的交并比损失定义如下：
[0121][0122]
其中，是一个动态的聚焦程度参数。
[0123]
在动态中心的交并比损失中，通过一个可以直接反应定位精准度的动态中心因子来调节每一个正样本的定位损失权重。
[0124]
具体地，对于定位精度相对较高，即交并比较大的样本，由于其所占比例相对较小，因此通过动态中心因子来加大其权重。而对于那些定位精度相对较低，即交并比较小的样本，由于其所占比例相对较大，因此通过动态中心因子来相对地减小其权重。
[0125]
因此，通过上述动态中心因子的调节，不同交并比层级的样本对定位损失的贡献将会达到相对平衡的状态，从而避免了目标检测模型的定位分支过度偏向于难样本的情况，并且，为了进一步提升动态中心因子的调节能力，本技术实施例还引入了动态的聚焦程度参数
[0126]
其中，动态的聚焦程度参数的定义如下：
[0127][0128]
其中，k为一个控制损失曲线分布的超参数。
[0129]
上述动态的聚焦程度参数由当前样本的交并比值计算得到，即聚焦程度参数的值由当前样本的交并比决定。因此，对于任意一个确定的样本，都可以通过上述方式定制一个动态的聚焦程度参数
[0130]
这个动态的聚焦程度参数将动态地调节定位损失的分布图，从而得到样本自适
应的定位损失。需要说明的是，为了加快动态中心的交并比损失的收敛速度，本技术实施例还可以将聚焦程度参数设置为一个固定值，即限制聚焦程度参数的动态变化。在使用的过程中，将聚焦程度参数设置为固定值会截断的反向传播梯度，不让其反传梯度。
[0131]
为了更加形象地说明动态中心的交并比损失的优势，结合图7可视化地显示不同超参数k下的损失分布曲线情况。
[0132]
由图7可以看出，在不同的超参数k下，动态中心的交并比损失均为一个上凸形的定位损失，这就意味着该损失加大了高交并比层级的样本的定位损失的梯度(切线斜率)，也从图像分布的角度说明了该损失的优势。
[0133]
步骤s33：利用获得的各个子预测损失，调整训练中的目标检测模型的模型参数，得到训练后的目标检测模型。
[0134]
在本技术实施例中，终端设备根据当前样本与真实标签的交并计算交并比损失，其中，交并比与交并比损失呈正相关关系，即交并比越大，交并比损失越大。从而，终端设备可以根据交并比大小来调整样本对总体交并比损失的贡献值，即交并比越大，对应样本的贡献值越大，交并比越小，对应样本的贡献值越小。
[0135]
在其他实施例中，终端设备还可以对获得的各个子预测损失进行加权求和，以得到总体损失，并利用总体损失调整训练中的目标检测模型的模型参数。其中，当各个子预测损失的权重都设置为1时，即将所有子预测损失直接求和，以得到总体损失。
[0136]
在本技术实施例中，终端设备利用训练图像中所有的目标检测框对应的交并比损失相加得到的总体交并比损失对目标检测模型进行训练，即利用每一个训练样本及其贡献值对目标检测模型中的模型参数进行更新和优化。
[0137]
在本技术实施例中，一个目标检测模型在经过动态中心的交并比损失训练后，不同交并比层级的样本对定位分支的贡献将会被平衡，从而防止目标检测模型过度偏向于某一交并比层级的样本。
[0138]
本技术实施例通过图8的平均精度提升情况分布图可视化了一个目标检测模型分别经过标准交并比损失和动态中心的交并比损失训练后，不同交并比层级的样本的平均定位精度提升情况。
[0139]
可以清楚地看出，在经过标准的交并比损失训练时，虽然检测任务中的低交并比层级(0.50～0.75)样本获得了较大的定位精度提升，但是高交并比层级(0.75～0.95)的样本基本没有获得定位精度的提升，甚至出现了负向的回归。作为对比，本技术实施例提出的动态中心的交并比损失则能很好地缓解了这一问题。从图8中可以看出，动态中心的交并比损失对低交并比层级(0.50～0.75)样本的作用和标准的交并比损失基本相同，但是对于高交并比层级(0.75～0.95)的样本作用则比较明显，其能明显降低目标检测模型出现的负向回归的风险，从而保证了目标检测模型的整体定位精度。
[0140]
以上实施例，仅是对本技术的其中一种常见案例而已，并非对本技术的技术范围做任何限制，故凡是依据本技术方案的实质对以上内容所做的任何细微修改、等同变化或者修饰，均仍属于本技术技术方案的范围内。
[0141]
请继续参见图9，图9是本技术提供的终端设备一实施例的结构示意图。如图9所示，终端设备30包括特征提取模块31、参数确定模块 32以及特征更新模块33。
[0142]
其中，特征提取模块31，用于对待检测图像进行不同尺度的特征提取，获得所述待
检测图像的特征图集；所述特征图集中包含至少两个特征图，且所述特征图集中不同特征图的尺度不同。
[0143]
参数确定模块32，用于确定所述特征图集中各个特征图对应的参考值；所述参考值表征对应的特征图相对于其它特征图的重要程度确定的，所述其它特征图包括所述特征图集中所述对应的特征图之外的特征图。
[0144]
特征更新模块33，用于利用所述各个特征图对应的参考值，对所述各个特征图进行更新，得到所述待检测图像的多个目标特征图。
[0145]
请参见图10，图10是本技术提供的终端设备另一实施例的结构示意图。终端设备包括相互连接的存储器52和处理器51。
[0146]
存储器52用于存储实现上述任意一项的图像特征提取方法和/或目标检测的程序指令。
[0147]
处理器51用于执行存储器52存储的程序指令。
[0148]
其中，处理器51还可以称为cpu(central processing unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信令的处理能力。处理器51还可以是通用处理器、数字信令处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0149]
存储器52可以为内存条、tf卡等，可以存储终端设备中全部信息，包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器中。它根据控制器指定的位置存入和取出信息。有了存储器，串匹配预测装置才有记忆功能，才能保证正常工作。串匹配预测装置的存储器按用途存储器可分为主存储器(内存)和辅助存储器(外存)，也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等，能长期保存信息。内存指主板上的存储部件，用来存放当前正在执行的数据和程序，但仅用于暂时存放程序和数据，关闭电源或断电，数据会丢失。
[0150]
在本技术所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0151]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
[0152]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0153]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者
说对现有技术做出贡献的部分或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，系统服务器，或者网络设备等)或处理器(processor) 执行本技术各个实施方式方法的全部或部分步骤。
[0154]
请参阅图11，为本技术计算机可读存储介质的结构示意图。本技术的存储介质存储有能够实现上述所有图像特征提取方法和/或目标检测的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的存储装置包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram， random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
[0155]
以上仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是利用本技术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，均同理包括在本技术的专利保护范围内。