[发明专利]图像检测方法、装置、终端设备及计算机可读存储介质

说明书

本申请适用于图像处理技术领域，提供了一种图像检测方法、装置、终端设备及计算机可读存储介质，包括：将待检测图像输入训练后的检测模型，获取待检测图像的第一特征数据；获取预设的特征字典，特征字典中包括通过检测模型提取的多张样本图像各自的第二特征数据；根据第一特征数据和特征字典中的第二特征数据，计算权重矩阵，其中，权重矩阵中包括多张样本图像各自所属的图像类型对应的权值，权值用于表示第一特征数据和第二特征数据之间的相似度；根据图像类型对应的第一分数和权重矩阵计算待检测图像的检测分数；根据检测分数确定待检测图像的检测结果。通过上述方法，可以减少深度学习网络对训练数据集的依赖，降低网络训练的成本。

技术领域

本申请属于图像处理技术领域，尤其涉及图像检测方法、装置、终端设备及计算机可读存储介质。

背景技术

随着深度学习技术的发展，基于深度学习的图像检测方法的应用也越来越广泛。例如，在人脸检测应用场景中，利用深度学习网络对人脸图片进行检测，以识别人脸图片中的人脸属性，如性别、年龄、五官特征等。

现有技术中，基于深度学习的图像检测方法的检测精度往往依赖于训练过程中的训练图像。若训练图像中包含的人脸属性分布不均匀，或训练图像的数量较少，则会大大降低检测精度。换言之，深度学习网络对训练数据集的依赖较大，这将增加数据采集的难度和时间，增加网络训练的成本。

发明内容

本申请实施例提供了一种图像检测方法、装置、终端设备及计算机可读存储介质，可以减少深度学习网络对训练数据集的依赖，降低网络训练的成本。

第一方面，本申请实施例提供了一种图像检测方法，包括：

将待检测图像输入训练后的检测模型，获取所述待检测图像的第一特征数据；

获取预设的特征字典，所述特征字典中包括通过所述检测模型提取的多张样本图像各自的第二特征数据；

根据所述第一特征数据和所述特征字典中的所述第二特征数据，计算权重矩阵，其中，所述权重矩阵中包括所述多张样本图像各自所属的图像类型对应的权值，所述权值用于表示所述第一特征数据和所述第二特征数据之间的相似度；

根据所述图像类型对应的第一分数和所述权重矩阵计算所述待检测图像的检测分数；

根据所述检测分数确定所述待检测图像的检测结果。

本申请实施例中，计算待检测图像的第一特征数据和预设的特征字典中各个样本图像的第二特征数据之间的权重矩阵，权重矩阵中的权重表示第一特征数据和第二特征数据之间的相似度，由于与待检测图像相似度较高的样本图像才会贡献特征，因此，根据图像类型对应的第一分数和权重矩阵计算出的待检测图像的检测分数，可以用于表征待检测图像的检测结果。通过上述方法，采利用特征字典中有限的样本图像的特征数据进行特征之间的相似度计算、进而获取图像检测结果，避免了对检测模型的大量训练，有效减少了训练检测模型时对训练数据集的依赖，降低了检测模型的训练成本。

在第一方面的一种可能的实现方式中，所述获取预设的特征字典，包括：

获取N种图像类型各自对应的样本图像，其中，所述N为正整数；

将所述N种图像类型各自对应的样本图像分别输入所述检测模型，获得每张样本图像的第二特征数据；

将所述N种图像类型各自对应的样本图像的第二特征数据生成所述特征字典。

在第一方面的一种可能的实现方式中，所述根据所述第一特征数据和所述特征字典中的所述第二特征数据，计算权重矩阵，包括：

通过公式min{||Y-XD||²}计算所述权重矩阵，其中，Y表示所述第一特征数据，X表示所述权重矩阵，D表示所述特征字典。