目标对象的检测方法及装置

摘要

本发明实施例提供一种目标对象的检测方法及装置，该方法包括：获取目标检测模型；目标检测模型是对训练图像数据中的监督标注数据和非监督标注数据训练得到的，目标检测模型为用于指示目标对象的检测模型；监督标注数据和非监督标注数据用于指示训练图像数据中目标对象的属性信息；确定待检测图像数据；通过目标检测模型对待检测图像数据进行检测，输出待检测图像数据中目标对象的属性信息。本发明实施例提供的目标对象的检测方法及装置，不仅提高了目标对象的检测效率，而且提高了目标对象检测的准确度。

权利要求

1.一种目标对象的检测方法，其特征在于，包括：

获取目标检测模型；所述目标检测模型是对训练图像数据中的监督标注数据和非监督标注数据共同训练得到的，所述目标检测模型为用于指示所述目标对象的检测模型；所述监督标注数据和所述非监督标注数据用于指示所述训练图像数据中所述目标对象的属性信息，其中所述监督标注数据是由人工根据所述目标对象对所述训练图像数据进行筛选和标注而得到的，然后根据所述监督标注数据建立初始种子模型，根据所述初始种子模型对所述训练图像数据进行机器筛选和标注，从而得到所述非监督标注数据；

确定待检测图像数据；

通过所述目标检测模型对所述待检测图像数据进行检测，输出所述待检测图像数据中所述目标对象的属性信息，其中所述属性信息包括所述目标对象在所述训练图像数据中的区域信息、类别信息及内容信息中的至少一项。

2.根据权利要求1所述的方法，其特征在于，所述获取目标检测模型，还包括：根据所述监督标注数据和所述非监督标注数据训练得到所述目标检测模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述监督标注数据和所述非监督标注数据训练得到所述目标检测模型之前，还包括：对所述非监督标注数据进行筛选处理，得到筛选后的第一非监督标注数据；所述第一非监督标注数据满足第一预设条件；

所述根据所述监督标注数据和所述非监督标注数据训练得到所述目标检测模型，包括：根据所述监督标注数据和所述第一非监督标注数据训练得到所述目标检测模型。

4.根据权利要求3所述的方法，其特征在于，所述第一预设条件包括下述一种或多种：所述初始种子模型输出的平均分数大于第一阈值；

检测区域框的比例满足预设比例；

检测区域的颜色满足预设颜色要求；

目标对象的角度满足预设角度。

5.根据权利要求3所述的方法，其特征在于，所述根据所述监督标注数据和所述第一非监督标注数据训练得到所述目标检测模型，包括：A：根据所述监督标注数据和所述第一非监督标注数据训练得到种子模型；

B：根据所述种子模型对所述训练图像数据进行预处理，得到新的第一非监督标注数据；

C：根据所述监督标注数据和所述新的第一非监督标注数据对所述种子模型进行训练，得到新的种子模型；

在所述步骤C中，若所述新的第一非监督标注数据不满足第二预设条件，则将所述新的第一非监督标注数据作为第一非监督标注数据，所述新的种子模型作为种子模型，并重复执行步骤A和步骤B，直至所述新的第一非监督标注数据满足第二预设条件，则对应的新的种子模型为所述目标检测模型。

6.根据权利要求5所述的方法，其特征在于，所述第二预设条件包括下述一种或多种：迭代次数大于第二阈值；

所述新的第一非监督标注数据的平均分数大于第三阈值。

7.一种目标对象的检测装置，其特征在于，包括：

获取单元，用于获取目标检测模型；所述目标检测模型是对训练图像数据中的监督标注数据和非监督标注数据共同训练得到的，所述目标检测模型为用于指示所述目标对象的检测模型；所述监督标注数据和所述非监督标注数据用于指示所述训练图像数据中所述目标对象的属性信息，其中所述监督标注数据是由人工根据所述目标对象对所述训练图像数据进行筛选和标注而得到的，然后根据所述监督标注数据建立初始种子模型，根据所述初始种子模型对所述训练图像数据进行机器筛选和标注，从而得到所述非监督标注数据；

确定单元，用于确定待检测图像数据；

检测单元，用于通过所述目标检测模型对所述待检测图像数据进行检测，输出所述待检测图像数据中所述目标对象的属性信息，其中所述属性信息包括所述目标对象在所述训练图像数据中的区域信息、类别信息及内容信息中的至少一项。

8.根据权利要求7所述的装置，其特征在于，

所述获取单元，具体用于根据所述监督标注数据和所述非监督标注数据训练得到所述目标检测模型。

9.根据权利要求8所述的装置，其特征在于，还包括：处理单元，用于对所述非监督标注数据进行筛选处理，得到筛选后的第一非监督标注数据；所述第一非监督标注数据满足第一预设条件；

所述获取单元，具体用于根据所述监督标注数据和所述第一非监督标注数据训练得到所述目标检测模型。

10.根据权利要求9所述的装置，其特征在于，所述第一预设条件包括下述一种或多种：所述初始种子模型输出的平均分数大于第一阈值；

检测区域框的比例满足预设比例；

检测区域的颜色满足预设颜色要求；

目标对象的角度满足预设角度。

11.根据权利要求9所述的装置，其特征在于，

所述获取单元，具体用于执行：

A：根据所述监督标注数据和所述第一非监督标注数据训练得到种子模型；B：根据所述种子模型对所述训练图像数据进行预处理，得到新的第一非监督标注数据；C：根据所述监督标注数据和所述新的第一非监督标注数据对所述种子模型进行训练，得到新的种子模型；在所述步骤C中，若所述新的第一非监督标注数据不满足第二预设条件，则将所述新的第一非监督标注数据作为第一非监督标注数据，所述新的种子模型作为种子模型，并重复执行步骤A和步骤B，直至所述新的第一非监督标注数据满足第二预设条件，则对应的新的种子模型为所述目标检测模型。

12.根据权利要求11所述的装置，其特征在于，所述第二预设条件包括下述一种或多种：迭代次数大于第二阈值；

所述新的第一非监督标注数据的平均分数大于第三阈值。

13.一种目标对象的检测装置，其特征在于，包括处理器和存储器，其中，所述存储器用于存储程序指令；

所述处理器用于读取所述存储器中的程序指令，并根据所述存储器中的程序指令执行权利要求1～6任一项所示的目标对象的检测方法。

14.一种计算机可读存储介质，其特征在于，

计算机可读存储介质上存储有计算机程序，在所述计算机程序被处理器执行时，执行权利要求1～6任一项所示的目标对象的检测方法。

说明书

目标对象的检测方法及装置

技术领域

[0001] 本发明实施例涉及图像处理技术领域，尤其涉及一种目标对象的检测方法及装置。

背景技术

[0002] 目标对象检测是图像处理技术领域的一个重要研究方向。在进行目标对象检测之前，需要先获取到目标检测模型，进而通过该目标检测模型对图像中的目标进行检测。现有技术中，通常需要先通过人工标注方法对原始数据进行过滤和标注，得到人工标注数据，然后再对这些人工标注数据进行训练，从而得到目标检测模型，之后，再利用训练得到的目标检测模型对实际环境中的目标对象进行检测。

[0003] 然而，采用人工标注的方法，不仅降低了目标对象的检测效率，而且可能因为标注人员使用标注准则不一，使得采用这些人工标注数据训练出来的图像目标检测模型质量不高，使得无法精准检测图像目标对象，从而导致目标对象检测的准确度不高。

发明内容

[0004] 本发明实施例提供一种目标对象的检测方法及装置，不仅提高了目标对象的检测效率，而且提高了目标对象检测的准确度。

[0005] 本发明实施例提供一种目标对象的检测方法，该目标对象的检测方法可以包括：

[0006] 获取目标检测模型；所述目标检测模型是对训练图像数据中的监督标注数据和非监督标注数据训练得到的，所述目标检测模型为用于指示所述目标对象的检测模型；所述监督标注数据和所述非监督标注数据用于指示所述训练图像数据中所述目标对象的属性信息；

[0007] 确定待检测图像数据；

[0008] 通过所述目标检测模型对所述待检测图像数据进行检测，输出所述待检测图像数据中所述目标对象的属性信息。

[0009] 在一种可能的实现方式中，所述获取目标检测模型，包括：

[0010] 根据所述监督标注数据建立初始种子模型；

[0011] 根据所述初始种子模型对所述训练图像数据进行预处理，得到非监督标注数据；

[0012] 根据所述监督标注数据和所述非监督标注数据训练得到所述目标检测模型。

[0013] 在一种可能的实现方式中，所述根据所述监督标注数据和所述非监督标注数据训练得到所述目标检测模型之前，还包括：

[0014] 对所述非监督标注数据进行筛选处理，得到筛选后的第一非监督标注数据；所述第一非监督标注数据满足第一预设条件；

[0015] 所述根据所述监督标注数据和所述非监督标注数据训练得到所述目标检测模型，包括：

[0016] 根据所述监督标注数据和所述第一非监督标注数据训练得到所述目标检测模型。

[0017] 在一种可能的实现方式中，所述第一预设条件包括下述一种或多种：

[0018] 所述初始种子模型输出的平均分数大于第一阈值；

[0019] 检测区域框的比例满足预设比例；

[0020] 检测区域的颜色满足预设颜色要求；

[0021] 目标对象的角度满足预设角度。

[0022] 在一种可能的实现方式中，所述根据所述监督标注数据和所述第一非监督标注数据训练得到所述目标检测模型，包括：

[0023] A：根据所述监督标注数据和所述第一非监督标注数据训练得到种子模型；

[0024] B：根据所述种子模型对所述训练图像数据进行预处理，得到新的第一非监督标注数据；

[0025] C：根据所述监督标注数据和所述新的第一非监督标注数据对所述种子模型进行训练，得到新的种子模型；

[0026] 在所述步骤C中，若所述新的第一非监督标注数据不满足第二预设条件，则将所述新的第一非监督标注数据作为第一非监督标注数据，所述新的种子模型作为种子模型，并重复执行步骤A和步骤B，直至所述新的第一非监督标注数据满足第二预设条件，则对应的新的种子模型为所述目标检测模型。

[0027] 在一种可能的实现方式中，所述第二预设条件包括下述一种或多种：

[0028] 迭代次数大于第二阈值；

[0029] 所述新的第一非监督标注数据的平均分数大于第三阈值。

[0030] 本发明实施例还提供一种目标对象的检测装置，包括：

[0031] 获取单元，用于获取目标检测模型；所述目标检测模型是对训练图像数据中的监督标注数据和非监督标注数据训练得到的，所述目标检测模型为用于指示所述目标对象的检测模型；所述监督标注数据和所述非监督标注数据用于指示所述训练图像数据中所述目标对象的属性信息；

[0032] 确定单元，用于确定待检测图像数据；

[0033] 检测单元，用于通过所述目标检测模型对所述待检测图像数据进行检测，输出所述待检测图像数据中所述目标对象的属性信息。

[0034] 在一种可能的实现方式中，所述获取单元，具体用于根据所述监督标注数据建立初始种子模型；并根据所述初始种子模型对训练图像数据进行预处理，得到非监督标注数据；再根据所述监督标注数据和所述非监督标注数据训练得到所述目标检测模型。

[0035] 在一种可能的实现方式中，所述目标对象的检测装置还包括：

[0036] 处理单元，用于对所述非监督标注数据进行筛选处理，得到筛选后的第一非监督标注数据；所述第一非监督标注数据满足第一预设条件；

[0037] 所述获取单元，具体用于根据所述监督标注数据和所述第一非监督标注数据训练得到所述目标检测模型。

[0038] 在一种可能的实现方式中，所述第一预设条件包括下述一种或多种：

[0039] 所述初始种子模型输出的平均分数大于第一阈值；

[0040] 检测区域框的比例满足预设比例；

[0041] 检测区域的颜色满足预设颜色要求；

[0042] 目标对象的角度满足预设角度。

[0043] 在一种可能的实现方式中，所述获取单元，具体用于执行：

[0044] A：根据所述监督标注数据和所述第一非监督标注数据训练得到种子模型；B：根据所述种子模型对所述训练图像数据进行预处理，得到新的第一非监督标注数据；C：根据所述监督标注数据和所述新的第一非监督标注数据对所述种子模型进行训练，得到新的种子模型；在所述步骤C中，若所述新的第一非监督标注数据不满足第二预设条件，则将所述新的第一非监督标注数据作为第一非监督标注数据，所述新的种子模型作为种子模型，并重复执行步骤A和步骤B，直至所述新的第一非监督标注数据满足第二预设条件，则对应的新的种子模型为所述目标检测模型。

[0045] 在一种可能的实现方式中，所述第二预设条件包括下述一种或多种：

[0046] 迭代次数大于第二阈值；

[0047] 所述新的第一非监督标注数据的平均分数大于第三阈值。

[0048] 本发明实施例还提供一种目标对象的检测装置，该目标对象的检测装置可以包括处理器和存储器，其中，

[0049] 所述存储器用于存储程序指令；

[0050] 所述处理器用于读取所述存储器中的程序指令，并根据所述存储器中的程序指令执行上述任一实施例所示的目标对象的检测方法。

[0051] 本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，在所述计算机程序被处理器执行时，执行上述任一实施例所示的目标对象的检测方法。

[0052] 本发明实施例提供了一种目标对象的检测方法及装置，先获取目标检测模型；目标检测模型是对训练图像数据中的监督标注数据和非监督标注数据训练得到的，目标检测模型为用于指示目标对象的检测模型；监督标注数据和非监督标注数据用于指示训练图像数据中目标对象的属性信息；并确定待检测图像数据，再通过目标检测模型对待检测图像数据进行检测，输出待检测图像数据中目标对象的属性信息。由此可见，本发明实施例提供的目标对象的检测方法及装置，在通过目标检测模型对待检测图像数据进行检测时，该目标检测模型不是仅由监督标注数据(人工标注数据)训练得到的，而是通过监督标注数据和非监督标注数据共同训练得到的，这样就可以避免由于标注人员使用标注准则不一使得训练出来的图像目标检测模型质量不高，因此，不仅提高了目标对象的检测效率，且提高了目标对象检测的准确度。

附图说明

[0053] 为了更清楚地说明本发明实施例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一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

[0054] 图1为本发明实施例提供的一种目标对象的检测方法的流程图；

[0055] 图2为本发明实施例提供的另一种目标对象的检测方法的流程图；

[0056] 图3为本发明实施例提供的一种获取非监督标注数据的示意图；

[0057] 图4为本发明实施例提供的一种获取目标检测模型的流程示意图；

[0058] 图5为本发明实施例提供的一种获取新的种子模型的示意图；

[0059] 图6为本发明实施例提供的一种目标对象的检测装置的结构示意图；

[0060] 图7为本发明实施例提供的另一种目标对象的检测装置的结构示意图；

[0061] 图8为本发明实施例提供的又一种目标对象的检测装置的结构示意图。

具体实施方式

[0062] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

[0063] 本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0064] 现有技术中，采用人工标注的方法，不仅降低了目标对象的检测效率，而且可能因为标注人员使用标注准则不一，使得采用这些人工标注数据训练出来的图像目标检测模型质量不高，使得无法精准检测图像目标对象，从而导致目标对象检测的准确度不高。为了提高目标对象的检测效率，且提高目标对象检测的准确度，本发明实施例提供了一种目标对象的检测方法，先获取目标检测模型；目标检测模型是对训练图像数据中的监督标注数据和非监督标注数据训练得到的，目标检测模型为用于指示目标对象的检测模型；监督标注数据和非监督标注数据用于指示训练图像数据中目标对象的属性信息；并确定待检测图像数据，再通过目标检测模型对待检测图像数据进行检测，输出待检测图像数据中目标对象的属性信息。由此可见，本发明实施例提供的目标对象的检测方法，在通过目标检测模型对待检测图像数据进行检测时，该目标检测模型不是仅由监督标注数据(人工标注数据)训练得到的，而是通过监督标注数据和非监督标注数据共同训练得到的，这样就可以避免由于标注人员使用标注准则不一使得训练出来的图像目标检测模型质量不高，因此，不仅提高了目标对象的检测效率，且提高了目标对象检测的准确度。

[0065] 下面以具体的实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。

[0066] 图1为本发明实施例提供的一种目标对象的检测方法的流程图，该目标对象的检测方法可以由目标对象的检测装置执行，该目标对象的检测装置可以独立设置，也可以集成在处理器中。请参见图1所示，该目标对象的检测方法可以包括：

[0067] S101、获取目标检测模型。

[0068] 其中，目标检测模型是对训练图像数据中的监督标注数据和非监督标注数据训练得到的，目标检测模型为用于指示目标对象的检测模型；监督标注数据和非监督标注数据用于指示训练图像数据中目标对象的属性信息。

[0069] 需要说明的是，监督标注数据是指对待检测数据进行人工标注之后得到的人工标注数据，该人工标注数据即为监督标注数据。非监督标注数据是指通过机器进行筛选和标注之后的标注数据。监督标注数据和非监督标注数据用于指示目标对象的属性信息，属性信息可以包括目标对象在图像中的区域信息、类别信息及内容信息等。

[0070] 此外，目标对象是指预先设定的目标对象，目标对象的个数可以为一个，也可以为多个。该目标对象可以是刚性物体，也可以是柔性物体。所谓刚性物体，是指物体形状不会发生变化，但可能存在遮挡现象；所谓柔性物体，是指物体形状会发生变化，相同观察角度在不同时刻，其呈现的形状不一样。示例的，在本发明实施例中，目标对象可以为人，也可以为车，当然，也可以为建筑物之类的。

[0071] 在获取目标检测模型之前，检测人员可以先确定一个或多个目标对象，在确定一个或多个目标对象之后，人工根据该一个或多个目标对象对训练图像数据进行筛选和标注，在标注时，可以根据一个或多个目标对象的属性信息，例如区域信息、类别信息及内容信息等属性进行标注，从而可以得到监督标注数据；之后，再对人工标注的监督标注数据进行多次迭代处理，从而得到非监督标注数据；在分别获取到监督标注数据和非监督标注数据之后，就可以对该监督标注数据和该非监督标注数据进行训练，从而得到目标检测模型，该目标检测模型为用于指示一个或多个目标对象的检测模型。

[0072] S102、确定待检测图像数据。

[0073] S103、通过目标检测模型对待检测图像数据进行检测，输出待检测图像数据中目标对象的属性信息。

[0074] 在分别获取到目标检测模型和待检测图像数据之后，就可以通过该目标检测模型对待检测图像数据进行检测，从而输出待检测图像数据中目标对象的属性信息。由此可见，本发明实施例提供的目标对象的检测方法，在通过目标检测模型对待检测图像数据进行检测时，该目标检测模型不是仅由监督标注数据(人工标注数据)训练得到的，而是通过监督标注数据和非监督标注数据共同训练得到的，这样就可以避免由于标注人员使用标注准则不一使得训练出来的图像目标检测模型质量不高，因此，不仅提高了目标对象的检测效率，且提高了目标对象检测的准确度。

[0075] 本发明实施例提供了一种目标对象的检测方法，先获取目标检测模型；目标检测模型是对训练图像数据中的监督标注数据和非监督标注数据训练得到的，目标检测模型为用于指示目标对象的检测模型；监督标注数据和非监督标注数据用于指示训练图像数据中目标对象的属性信息；并确定待检测图像数据，再通过目标检测模型对待检测图像数据进行检测，输出待检测图像数据中目标对象的属性信息。由此可见，本发明实施例提供的目标对象的检测方法，在通过目标检测模型对待检测图像数据进行检测时，该目标检测模型不是仅由监督标注数据(人工标注数据)训练得到的，而是通过监督标注数据和非监督标注数据共同训练得到的，这样就可以避免由于标注人员使用标注准则不一使得训练出来的图像目标检测模型质量不高，因此，不仅提高了目标对象的检测效率，且提高了目标对象检测的准确度。

[0076] 基于图1所示的实施例，进一步地，为了更清楚的描述本发明实施例所示的目标对象的检测方法，请参见图2所示，图2为本发明实施例提供的另一种目标对象的检测方法的流程图。

[0077] S201、根据监督标注数据建立初始种子模型。

[0078] 在根据监督标注数据建立初始种子模型之前，检测人员可以先确定一个或多个目标对象，在确定一个或多个目标对象之后，人工根据该一个或多个目标对象对训练图像数据进行筛选和标注，在标注时，可以根据一个或多个目标对象的属性信息，例如区域信息、类别信息及内容信息等属性进行标注，从而可以得到监督标注数据。其中，对训练图像数据进行筛选，其目的在于：排除训练图像数据中不包含目标对象的图像数据，从而减少数据的处理量；对筛选后的训练图像数据进行标注，在标注时，可以按照标注内容的要求，标注出目标对象在图像中的区域信息、类别信息及内容信息等属性信息。

[0079] 在获取到监督标注数据之后，就可以对该监督标注数据进行训练，从而建立初始种子模型，即该初始种子模型为只采用监督标注数据得到的监督图像目标检测模型。

[0080] S202、根据初始种子模型对训练图像数据进行预处理，得到非监督标注数据。

[0081] 其中，预处理可以理解为筛选处理和标注处理。在通过S202获取到初始种子模型之后，可以根据该初始种子模型对训练图像数据中的其他部分数据进行筛选和标注，排除训练图像数据中不包含目标对象的图像数据，并对筛选后的训练图像数据按照标注内容的要求，标注出目标对象在图像中的位置信息、类别信息及内容信息等属性信息，从而得到非监督标注数据，其中，位置信息可以由一些点构成的包含目标对象的区域、也可为线、面、框和轮廓等。请参见图3所示，图3为本发明实施例提供的一种获取非监督标注数据的示意图。

[0082] 需要说明的是，该非监督标注数据不是通过人工标注的方式获取到的标注数据，而是通过初始种子模型对训练图像数据进行机器筛选和标注之后，得到的标注数据。

[0083] 在本发明实施例中，由于通过初始种子模型产生的非监督标注数据可能存在多种问题，如检测区域错误、识别内容错误等，因此，为了提高非监督标注数据的准确率，可以执行下述S203对通过初始种子模型产生的非监督标注数据进行筛选处理，得到筛选后的第一非监督标注数据。

[0084] S203、对非监督标注数据进行筛选处理，得到筛选后的第一非监督标注数据。

[0085] 其中，第一非监督标注数据满足第一预设条件。可选的，第一预设条件包括下述一种或多种：

[0086] 目标检测模型输出的平均分数大于第一阈值；

[0087] 检测区域框的比例满足预设比例；

[0088] 检测区域的颜色满足预设颜色要求；

[0089] 目标对象的角度满足预设角度。

[0090] 换言之，第一预设条件可以包括目标检测模型输出的平均分数大于第一阈值、检测区域框的比例满足预设比例、检测区域的颜色满足预设颜色要求及目标对象的角度满足预设角度中的任一个，也可以包括其中的任意两个，当然，也可以包括其中的任意三个，也可以四个均包括。

[0091] 在根据第一预设条件对初始种子模型产生的非监督标注数据进行筛选处理时，当第一预设条件为初始种子模型输出的平均分数大于第一阈值时，则说明该初始种子模型产生的非监督标注数据为正确数据，该非监督标注数据无需删除。在实际应用过程中，根据初始种子模型对训练图像数据进行预处理，以根据初始种子模型的输出结果得到非监督标注数据时，该初始种子模型的输出结果除了包括非监督数据之外，还可以包括非监督标注数据的平均得分，从而通过该监督标注数据的平均得分将不符合得分条件的非监督数据剔除，以得到正确的非监督标注数据。示例的，第一阈值可以根据实际需要进行设置，在此，对于第一阈值的大小，本发明实施例不做进一步地限制。

[0092] 在根据第一预设条件对初始种子模型产生的非监督标注数据进行筛选处理时，当第一预设条件为检测区域框的比例满足预设比例时，则说明该初始种子模型产生的非监督标注数据为正确数据，该非监督标注数据无需删除。图像中的目标对象即使存在一定幅度的变形，但是大致形状是不会发生变化的。因此，可以利用包含目标对象的区域(检测区域框)的长宽比、检测区域框的长度与图像长度比、检测区域框的宽度与图像的宽度比、检测区域框的面积与预设比例(图像面积比等比例先验信息)进行比较，并根据检测结果确定待检测区域框是否属于目标对象，从而将不符合预设比例条件的非监督数据剔除，以得到正确的非监督标注数据示例的，预设比例可以根据实际需要进行设置，在此，对于预设比例的大小，本发明实施例不做进一步地限制。

[0093] 在根据第一预设条件对初始种子模型产生的非监督标注数据进行筛选处理时，当第一预设条件为检测区域的颜色满足预设颜色要求时，则说明该初始种子模型产生的非监督标注数据为正确数据，该非监督标注数据无需删除。图像中的前景目标对象跟背景存在颜色差异，因此，可以分析包含目标对象的前景颜色，或者前景颜色与背景颜色的差异，当颜色不符合预设颜色要求(先验信息)，则直接剔除检测结果数据，从而确定正确的非监督标注数据。示例的，预设颜色要求可以根据实际需要进行设置，在此，对于预设颜色具体为什么，本发明实施例不做进一步地限制。

[0094] 在根据第一预设条件对初始种子模型产生的非监督标注数据进行筛选处理时，当第一预设条件为目标对象的角度满足预设角度时，则说明该初始种子模型产生的非监督标注数据为正确数据，该非监督标注数据无需删除。在某些情况下(如汽车中的安全座椅)目标对象在图像中位置始终是固定的，因此，可以通过获得目标对象的轮廓，并计算轮廓一些固定点相比某个参考点的角度，角度是否符合预设角度(目标物体的角度先验信息)，如果不符合，则直接剔除检测结果数据，从而确定正确的非监督标注数据是否正确。示例的，预设角度可以根据实际需要进行设置，在此，对于预设角度的大小，本发明实施例不做进一步地限制。

[0095] 需要说明的是，当第一预设条件包括目标检测模型输出的平均分数大于第一阈值、检测区域框的比例满足预设比例、检测区域的颜色满足预设颜色要求及目标对象的角度满足预设角度中任意两个或任意三个，或者四个均包括时，其对应的筛选方式与只包括任一种类似，在此，本发明实施例不再进行赘述。

[0096] 通过上述S203对非监督标注数据进行筛选处理，得到筛选后的第一非监督标注数据之后，就可以执行下述S204：

[0097] S204、对监督标注数据和第一非监督标注数据进行训练，得到目标检测模型。

[0098] 可选的，对监督标注数据和第一非监督标注数据进行训练，得到目标检测模型，包括下述A、B及C，请参见图4所示，图4为本发明实施例提供的一种获取目标检测模型的流程示意图。

[0099] A、根据监督标注数据和第一非监督标注数据训练，得到种子模型。

[0100] 在得到筛选后的第一非监督标注数据之后，就可以根据监督标注数据和第一非监督标注数据训练得到种子模型，且得到的种子模型的准确度高于初始种子模型的准确度。

[0101] B、根据种子模型对训练图像数据进行预处理，得到新的第一非监督标注数据。

[0102] 在本发明实施例中，由于该目标检测模型是由监督标注数据和第一非监督标注训练得到的，因此，为了提高目标检测模型的准确度，可以先提高第一非监督标注数据的准确度，从而提高目标检测模型的准确度。为了得到准确度更高的第一非监督标注数据，可以通过准确度较高的种子模型对训练图像数据进行预处理，得到新的第一非监督标注数据，该新的第一非监督标注数据的准确度高于第一非监督标注数据的准确度。

[0103] C、根据监督标注数据和新的第一非监督标注数据对种子模型进行训练，得到新的种子模型。

[0104] 在步骤C中，若新的第一非监督标注数据不满足第二预设条件，则将新的第一非监督标注数据作为第一非监督标注数据，新的种子模型作为种子模型，并重复执行步骤A和步骤B，直至新的第一非监督标注数据满足第二预设条件，则对应的新的种子模型为目标检测模型。

[0105] 在本发明实施例中，在根据监督标注数据和新的第一非监督标注数据对种子模型进行训练，得到新的种子模型之后，可以通过检测新的第一非监督标注数据是否满足第二预设条件，若该新的第一非监督标注数据满足第二预设条件，则确定该新的第一非监督标注数据为最终的非监督标注数据，根据该最终的非监督标注数据和监督标注数据进行训练得到的新的种子模型即为目标检测模型。相反的，若该新的第一非监督标注数据不满足第二预设条件，则可以将步骤C中的新的第一非监督标注数据作为第一非监督标注数据，新的种子模型作为种子模型，并重复执行步骤A和步骤B，直至新的第一非监督标注数据满足第二预设条件，则对应的新的种子模型为目标检测模型，从而得到准确度更高的目标检测模型，整个循环是正向循环，对检测模型和新标注数据起到正作用，请参见图5所示，图5为本发明实施例提供的一种获取新的种子模型的示意图。

[0106] 可选的，第二预设条件包括下述一种或多种：迭代次数大于第二阈值；新的第一非监督标注数据的平均分数大于第三阈值。

[0107] 在根据监督标注数据和目标非监督标注数据对种子模型进行迭代处理的过程中，一种可能的实现方式是通过迭代次数确定是否停止迭代，当迭代次数大于第二阈值时，则确定迭代处理完成，当前的检测模型即为目标检测模型；另一种可能的实现方式是通过新的第一非监督标注数据的平均分数确定是否停止迭代，当新的第一非监督标注数据的平均分数大于第三阈值时，则确定迭代处理完成，当前的新的种子模型即为目标检测模型；再一种可能的实现方式是通过预设测试集合确定是否停止迭代，在每次获取到新的种子模型之后，通过该新的种子模型对该预设测试集合进行检测，若输出的检测结果与预设测试集合的预设检测结果差异较小，则确定迭代处理完成，当前的新的种子模型即为目标检测模型，从而通过迭代处理得到目标检测模型。

[0108] S205、确定待检测图像数据。

[0109] 其中，待检测图像数据是指大量的图像数据，该大量的图像数据中有的图像数据中包括目标对象，有的图像数据中不包括目标对象。

[0110] S206、通过目标检测模型对待检测图像数据进行检测，输出待检测图像数据中目标对象的属性信息。

[0111] 示例的，属性信息可以为位置信息、类别信息及内容信息等。

[0112] 在通过上述得到目标检测模型之后，就可以根据该目标检测模型对待检测图像数据进行检测，并输出待检测图像数据中目标对象的属性信息。

[0113] 由此可见，在通过目标检测模型对待检测图像数据进行检测时，该目标检测模型不是仅由监督标注数据(人工标注数据)训练得到的，而是通过监督标注数据和非监督标注数据共同经过多次迭代训练得到的，这样就可以避免由于标注人员使用标注准则不一使得训练出来的图像目标检测模型质量不高，因此，不仅提高了目标对象的检测效率，且提高了目标对象检测的准确度。

[0114] 图6为本发明实施例提供的一种目标对象的检测装置60的结构示意图，请参见图5所示，该目标对象的检测装置60可以包括：

[0115] 获取单元601，用于获取目标检测模型；目标检测模型是对训练图像数据中的监督标注数据和非监督标注数据训练得到的，目标检测模型为用于指示目标对象的检测模型；监督标注数据和非监督标注数据用于指示训练图像数据中目标对象的属性信息。

[0116] 确定单元602，用于确定待检测图像数据。

[0117] 检测单元603，用于通过目标检测模型对待检测图像数据进行检测，输出待检测图像数据中目标对象的属性信息。

[0118] 可选的，获取单元601，具体用于根据监督标注数据建立初始种子模型；并根据初始种子模型对训练图像数据进行预处理，得到非监督标注数据；再根据监督标注数据和非监督标注数据训练得到目标检测模型。

[0119] 可选的，该目标对象的检测装置60还可以包括处理单元604，请参见图7所示，图7为本发明实施例提供的另一种目标对象的检测装置60的结构示意图。

[0120] 处理单元604，用于对非监督标注数据进行筛选处理，得到筛选后的第一非监督标注数据；第一非监督标注数据满足第一预设条件；

[0121] 获取单元601，具体用于根据监督标注数据和第一非监督标注数据训练得到目标检测模型。

[0122] 可选的，第一预设条件包括下述一种或多种：

[0123] 初始种子模型输出的平均分数大于第一阈值；

[0124] 检测区域框的比例满足预设比例；

[0125] 检测区域的颜色满足预设颜色要求；

[0126] 目标对象的角度满足预设角度。

[0127] 可选的，获取单元601，具体用于执行：

[0128] A：根据监督标注数据和第一非监督标注数据训练得到种子模型；B：根据种子模型对训练图像数据进行预处理，得到新的第一非监督标注数据；C：根据监督标注数据和新的第一非监督标注数据对种子模型进行训练，得到新的种子模型；在步骤C中，若新的第一非监督标注数据不满足第二预设条件，则将新的第一非监督标注数据作为第一非监督标注数据，新的种子模型作为种子模型，并重复执行步骤A和步骤B，直至新的第一非监督标注数据满足第二预设条件，则对应的新的种子模型为目标检测模型。

[0129] 可选的，第二预设条件包括下述一种或多种：

[0130] 迭代次数大于第二阈值；

[0131] 新的第一非监督标注数据的平均分数大于第三阈值。

[0132] 本发明实施例所示的目标对象的检测装置60，可以执行上述任一实施例所示的目标对象的检测方法的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。

[0133] 图8为本发明实施例提供的又一种目标对象的检测装置80的结构示意图，请参见图8所示，该目标对象的检测装置80可以包括处理器801和存储器802，其中，[0134] 存储器802用于存储程序指令。

[0135] 处理器801用于读取存储器802中的程序指令，并根据存储器802中的程序指令执行上述任一实施例所示的目标对象的检测方法。

[0136] 本发明实施例所示的目标对象的检测装置80，可以执行上述任一实施例所示的目标对象的检测方法的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。

[0137] 本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，在计算机程序被处理器执行时，执行上述任一实施例所示的目标对象的检测方法，其实现原理以及有益效果类似，此处不再进行赘述。

[0138] 上述实施例中处理器可以是通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(random access memory，RAM)、闪存、只读存储器(read-only memory，ROM)、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的指令，结合其硬件完成上述方法的步骤。

[0139] 在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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。

[0140] 所述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例方案的目的。另外，在本申请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，也可以采用硬件加软件功能单元的形式实现。

[0141] 本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。

[0142] 应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。