一種圖像變形檢測方法及裝置與流程

本發明涉及圖像處理技術領域，尤其涉及一種圖像變形檢測方法及裝置。

背景技術：

當前，在圖像處理過程中，可能存在著圖像左右壓縮或者圖像上下壓縮的情況，且這兩種壓縮情況會造成圖像變形。因圖像變形，圖像中的對象會被拉伸或者壓縮，所以，變形圖像中的對象常常看起來模糊，比例不協調，影響圖像的顯示效果。

為了保證圖像的顯示效果，避免顯示變形圖像，在圖像被顯示之前，需對圖像進行變形檢測，以剔除已變形的圖像。而當前，常用的圖像變形檢測方法為：人工檢測或者直接利用圖像變形算法檢測圖像。人工檢測是采用人眼觀察圖像的方式檢測圖像，這樣會耗時長，檢測效率低，且由于人眼誤差以及人的主觀因素，還會造成檢測結果不一致。而直接利用圖像變形算法檢測圖像時，因圖像本身較為抽象，所以對圖像檢測的效率低，成功率也低。

技術實現要素：

本發明實施例提供了一種圖像變形檢測方法及裝置，以解決現有檢測方法的檢測效率低，檢測成功率低的問題。

一方面，本發明實施例提供一種圖像變形檢測方法，包括：

獲取待識別圖像中的圖像目標；

利用與所述圖像目標對應的預設變形識別模型，對所述圖像目標進行識別，得到表示所述待識別圖像是否變形的識別結果；

其中，所述預設變形識別模型為：利用所述圖像目標的至少兩組對應于不同類型的訓練樣本集，對已設計的所述圖像目標的基礎變形識別模型進行訓練得到。

另一方面，本發明實施例還提供一種圖像變形檢測裝置，包括：

獲取模塊，用于獲取待識別圖像中的圖像目標；

識別模塊，用于利用與所述圖像目標對應的預設變形識別模型，對所述圖像目標進行識別，得到表示所述待識別圖像是否變形的識別結果；

其中，所述預設變形識別模型為：利用所述圖像目標的至少兩組對應于不同類型的訓練樣本集，對已設計的所述圖像目標的基礎變形識別模型進行訓練得到。

本發明實施例的圖像變形檢測方法，通過對待識別圖像中的圖像目標的識別來判定待識別圖像是否發生形變，可將較為抽象的圖像變形檢測過程具體化、對象化，從而有效提高檢測效率和檢測成功率。

附圖說明

為了更清楚地說明本發明實施例的技術方案，下面將對本發明實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。

圖1表示本發明實施例的圖像變形檢測系統的結構示意圖；

圖2表示本發明實施例的圖像變形檢測方法的流程圖；

圖3表示本發明具體實例的預設變形識別模型的訓練過程的流程圖；

圖4表示本發明具體實例的圖像變形檢測過程的流程圖；

圖5表示本發明實施例的一圖像變形檢測裝置的結構示意圖；

圖6表示本發明實施例的另一圖像變形檢測裝置的結構示意圖；

圖7表示本發明實施例的圖像檢測設備的結構示意圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

首先指出的是，本發明實施例的圖像變形檢測方法，是通過對待識別圖像中的圖像目標的識別來判定圖像本身是否發生形變，這樣，可將較為抽象的圖像變形檢測過程具體化、對象化，從而有效提高檢測效率和檢測成功率。

其中，圖像目標指的是圖像中一個個具體的對象，例如人臉、人體、文字、動物、建筑物、汽車等，只要是圖像中的具體對象基本都可視為該圖像中的圖像目標。

本發明實施例中，上述圖像變形檢測方法可以應用于如圖1所示的由服務器101和終端102所構成的場景中。如圖1所示，服務器101通過網絡與終端102進行通信，上述網絡包括但不限于：廣域網、城域網或局域網，終端102并不限定于個人電腦(pc)、手機、平板電腦、圖像檢測設備等。本發明實施例的圖像變形檢測方法可以由服務器101來執行，也可以由終端102來執行，還可以是由服務器101和終端102共同執行。其中，終端102執行本發明實施例的圖像變形檢測方法也可以是由安裝在其上的客戶端來執行。

需要說明的是，圖1所示的硬件環境還可以根據需求包含其他的硬件模塊，本發明實施例的圖像變形檢測方法也可以由其他的硬件模塊執行，本實施例不對其進行限定。

下面通過一些具體實施例對本發明的圖像變形檢測方法進行說明。

參見圖2所示，本發明實施例提供一種圖像變形檢測方法，包括如下步驟201至步驟202，詳述如下。

步驟201：獲取待識別圖像中的圖像目標。

其中，待識別圖像可以是實際業務場景中的支持多種格式的業務圖像，例如圖像專輯中的圖像、視頻封面中的圖像等。圖像目標可以是待識別圖像中的人臉、人體、文字、動物、建筑物和/或汽車等對象。具體的，獲取的圖像目標可以是一個圖像目標，也可以是多個圖像目標，且圖像目標的對象類型可以是一種，也可以是多種，本發明不對其進行限制。而獲取圖像目標的方式可以根據具體圖像目標來定，也可以為現有方式，例如基于深度學習和大數據的更快神經網絡fasterr-cnn方法提取各圖像目標。

步驟202：利用與所述圖像目標對應的預設變形識別模型，對所述圖像目標進行識別，得到表示所述待識別圖像是否變形的識別結果。

其中，預設變形識別模型具體為：利用圖像目標的至少兩組對應于不同類型的訓練樣本集，對已設計的圖像目標的基礎變形識別模型進行訓練得到。已設計的圖像目標的基礎變形識別模型可以是傳統模式識別模型中的支持向量機(supportvectormachine，簡稱svm)模型、adaboost等模型，也可以是深度學習中的卷積神經網絡模型，只要通過圖像目標的訓練樣本集的訓練，能夠識別相應的圖像目標即可。

以圖像目標a為例，參見圖3所示，與圖像目標a對應的預設變形識別模型的訓練過程可為：首先，搜集圖像目標a的三類訓練樣本集，即圖像目標a正常類樣本集、非圖像目標a的其他樣本集和圖像目標a變形類樣本集，設計圖像目標a的基礎變形識別模型(即初始模型)；然后，利用圖像目標a的三類訓練樣本集對已設計的基礎變形識別模型進行訓練；其中，訓練過程例如為結合訓練樣本集和基礎變形識別模型對該訓練樣本集中的樣本的識別結果，調整基礎變形識別模型中的參數，直至能夠正確識別訓練樣本集的類型；最后，將訓練后的模型確定為與圖像目標a對應的預設變形識別模型。

需要指出的是，由于圖像目標為待識別圖像中的對象，所以，利用與圖像目標對應的預設變形識別模型對圖像目標進行識別的識別結果，即可表示相應待識別圖像是否變形。例如，若對圖像目標進行識別得到的識別結果為圖像目標未變形，則該識別結果可表示該圖像目標對應的待識別圖像未變形；若對圖像目標進行識別得到的識別結果為圖像目標變形，則該識別結果可表示該圖像目標對應的待識別圖像變形。

這樣，本發明實施例的圖像變形檢測方法，通過對待識別圖像中的圖像目標的識別來判定圖像本身是否發生形變，能夠將較為抽象的圖像變形檢測過程具體化、對象化，從而有效提高檢測效率和檢測的成功率。

本發明實施例中，圖像目標的對象類型可包括如下對象類型中的一種或多種：人臉、人體、文字、動物、建筑物和車輛等。也就是說，本發明實施例的圖像變形檢測方法可通過對一種對象類型下的圖像目標的識別來判定待識別圖像是否發生形變，也可以通過對多種對象類型下的圖像目標的識別來判定待識別圖像是否發生形變。

而在選取對哪種對象類型下的圖像目標進行識別時，可優先考慮用戶對圖像目標變形的容忍度，即若用戶對一對象類型下的圖像目標的變形的容忍度較低，則在圖像變形檢測時，可優先選取該對象類型下的圖像目標。

例如，對于電影海報、視頻封面等內容，由于用戶對圖像中人的變形的容忍度較低，因此，當待識別圖像中有人臉時，可優先選取人臉作為圖像目標。這樣，利用用戶容忍度較低的圖像目標進行圖像變形識別，可提高用戶對識別結果的滿意度。

又如對于玩具類商品的海報，用戶可能更多的關注于其中的玩具本身，如電子汽車，而不會過多的關注模特是否變形，而玩具本身的變形會給用戶帶來的誤導，因此，這種情況下，可以選擇圖像中的玩具對象進行變形圖像識別。

在對多種對象類型下的圖像目標進行識別時，可分別對每一種對象類型下的圖像目標進行識別，并綜合考慮得到的多種識別結果來判定待識別圖像是否發生形變。這樣，相比于通過對一種對象類型下的圖像目標的識別來判定待識別圖像是否發生形變，通過對多種對象類型下的圖像目標的識別來判定待識別圖像是否發生形變，可提高對待識別圖像的檢測精度。

本發明實施例中，當通過對多種對象類型下的圖像目標的識別來判定待識別圖像是否發生形變時，首先要獲取多種對象類型下的圖像目標。而在獲取多種對象類型下的圖像目標時，針對每一種對象類型可執行如下過程：

首先，利用基于深度學習的物體檢測模型，檢測待識別圖像中是否存在圖像目標；

然后，若檢測到待識別圖像中存在圖像目標，則從待識別圖像中存在的圖像目標中依據檢測評分選取至少一個圖像目標。

其中，利用基于深度學習的物體檢測模型進行檢測的過程可為：首先，將待識別圖像輸入基于深度學習的物體檢測模型；然后，該物體檢測模型輸出對應的待識別圖像中的對象和檢測評分；若某一對象的檢測評分超過一預設分數(例如60分)，則可確定該對象為圖像目標，進而確定待識別圖像中存在圖像目標。這樣，借助利用基于深度學習的物體檢測模型進行的檢測過程，可獲知待識別圖像中是否存在圖像目標以及存在的圖像目標的檢測評分。

而當從待識別圖像中存在的圖像目標中依據檢測評分選取至少一個圖像目標時，可以從待識別圖像中存在的圖像目標中選取檢測評分最高的圖像目標，也可以從待識別圖像中存在的圖像目標中選取檢測評分超過預設分數閾值的多個圖像目標，主要依據相應檢測裝置的預先要求而定。舉例來說，預先要求選取檢測評分超過預設閾值的多個圖像目標時，預設分數閾值可設為85分，若檢測評分超過85分的圖像目標有5個，則可直接選取該5個圖像目標進行后續的識別檢測。

實際應用中，當利用預設變形識別模型對待識別圖像中的同一種對象類型下的多個圖像目標進行識別時，因識別誤差，不可避免地會出現相反的識別結果。例如，對于同一種對象類型下的圖像目標a和b，當利用對應的預設變形識別模型對圖像目標a和b進行識別時，可能會出現針對圖像目標a的識別結果表示待識別圖像變形，而針對圖像目標b的識別結果表示待識別圖像未變形。對于此種情況，為了避免誤判去除正常圖片，可在多個識別結果中至少有一個識別結果表示待識別圖像未變形時，確定最終的識別結果表示待識別圖像未變形。

在本發明一些具體實施例中，對于同一種對象類型下的多個圖像目標，利用與圖像目標對應的預設變形識別模型，對圖像目標進行識別，得到表示待識別圖像是否變形的識別結果的過程可具體為：

首先，利用與圖像目標對應的預設變形識別模型，分別對多個圖像目標進行識別，得到多個識別結果；

然后，若多個識別結果中至少有一個識別結果表示待識別圖像未變形，則確定由該預設變形識別模型識別得到的識別結果表示待識別圖像未變形。

這樣，只要多個識別結果中有一個識別結果表示待識別圖像未變形，就確定待識別圖像未變形，能夠避免誤判去除正常圖片。

此外，其他情況下，由于不同識別的精度不同，為了避免錯誤的判斷，遺留變形圖像，因此，當任意識別結果中至少有一個識別結果表示待識別圖像變形時，可確定最終的識別結果表示待識別圖像變形。

本發明實施例中，當存在多個識別結果時，也可以采用少數服從多數的方式確定最終的識別結果。即若多個識別結果中，表示待識別圖像變形的識別結果比表示待識別圖像未變形的識別結果多，則確定最終識別結果表示待識別圖像變形，否則，確定最終識別結果表示待識別圖像未變形；或者若多個識別結果中，表示待識別圖像未變形的識別結果比表示待識別圖像變形的識別結果多，則確定最終識別結果表示待識別圖像未變形，否則，確定最終識別結果表示待識別圖像變形。

需要指出的是，對于同一種對象類型下多個圖像目標的多個識別結果，除了上述確定最終識別結果的方式外，本發明具體實施例中還可有其它的確定方式，例如，若多個識別結果中至少有兩個識別結果表示待識別圖像未變形，則確定最終識別結果表示待識別圖像未變形；或者，若多個識別結果中至少有兩個識別結果表示待識別圖像變形，則確定最終識別結果表示待識別圖像變形等，這些都應屬于本發明的保護范圍。

對于待識別圖像中的多個圖像目標，如對象類型不同，它們在圖像變形識別時的重要性或參考價值通常是不同的。以人臉和文字為例，一般用戶對圖像中人的變形的容忍度較低，而對文字變形的容忍度相對較高，所以，在圖像變形識別時，利用人臉進行識別得到的識別結果的參考價值會高于利用文字進行識別得到的識別結果的參考價值，即人臉相比于文字在圖像變形識別時的重要性高。所以，為區分不同對象類型下的圖像目標在圖像變形識別時的重要性，可預先設置每種對象類型的權重值，并根據預設的每種對象類型的權重值，對多種對象類型下的多個圖像目標進行圖像變形識別得到的多種識別結果進行加權處理，并根據加權處理得到的結果，確定相應待識別圖像是否變形。

在本發明一些具體實施例中，當選取到多種對象類型下的多個圖像目標時，該利用與圖像目標對應的預設變形識別模型，對圖像目標進行識別，得到表示待識別圖像是否變形的識別結果的過程可具體為：

首先，依次利用與每種對象類型下的圖像目標對應的預設變形識別模型，對選取的每種對象類型下的圖像目標進行識別，得到多種識別結果，該多種識別結果與多種對象類型一一對應；

然后，根據預設的每種對象類型的權重值，對該多種識別結果進行加權處理，得到加權處理結果；

最后，利用加權處理結果，確定最終表示待識別圖像是否變形的識別結果。

其中，利用與每種對象類型下的圖像目標對應的預設變形識別模型，對選取的每種對象類型下的圖像目標進行識別的過程，可參見上述針對同一種對象類型下的圖像目標進行識別的過程，在此不再贅述。

由于多種識別結果是對多種對象類型下的圖像目標進行識別得到的，所以，可將預設的每種對象類型的權重值視為對應識別結果的權重值。對多種識別結果進行加權處理具體為綜合考慮多種識別結果中的每種識別結果的權重值，將相同識別結果的權重值累加在一起，對多種識別結果進行分類，并得到每類識別結果的權重值。而在利用加權處理結果，確定最終表示待識別圖像是否變形的識別結果時，是將權重值最高的那類識別結果確定為最終表示待識別圖像是否變形的識別結果。

例如，選取三種對象類型下的圖像目標，這三種對象類型分別為人臉、建筑物和車輛，人臉的權重值為80％，建筑物的權重值為10％，車輛的權重值為10％，若經過預設變形識別模型的識別，人臉對應的識別結果表示待識別圖像變形，建筑物對應的識別結果表示待識別圖像未變形，車輛對應的識別結果表示待識別圖像未變形，則經過加權處理，表示待識別圖像變形的那類識別結果的權重值為80％，表示待識別圖像未變形的那類識別結果的權重值為20％，這樣，最終識別結果表示待識別圖像變形。

下面，結合圖4對本發明具體實例的圖像變形檢測過程進行說明。

本發明具體實例中，以人臉作為圖像目標。在對待識別圖像進行變形檢測之前，先預設與人臉對應的人臉變形識別模型。其中，人臉變形識別模型的預設過程可為：首先，搜集整理正常人臉圖像、變形人臉圖像和沒有人臉的圖像，分別對應于正常人臉樣本集(標簽值為0)、變形人臉樣本集(標簽值為1)和非人臉的樣本集(標簽值為2)，并選取googlenet網絡作為訓練模型，將googlenet網絡訓練模型設計為三分類模型；然后，在caffe框架下利用整理好的三組樣本集對已設計的三分類googlenet網絡訓練模型進行訓練，得到相應的人臉變形識別模型。訓練過程中，為提高網絡收斂速度，可建圖形處理器gpu支持。

參見圖4所示，該具體實例中的圖像變形檢測過程包括如下步驟：

步驟41：當有業務圖像的識別請求時，獲取待識別的業務圖像；

步驟42：利用基于深度學習的物體檢測模型，檢測待識別業務圖像中是否存在人臉；

步驟43：若檢測到待識別業務圖像中不存在人臉，則判定在以人臉為圖像目標時，待識別業務圖像未變形；

步驟44：若檢測到待識別業務圖像中存在人臉，則從待識別業務圖像中存在的人臉中選取檢測評分最高的人臉；

步驟45：利用已訓練好的三分類人臉變形識別模型，對選取的人臉進行識別，得到識別結果top-1；其中，top-1是三分類模型中概率最大的標簽值；

步驟46：若識別結果top-1為0、2，則待識別業務圖像未變形；

步驟47：若識別結果top-1為1，則待識別業務圖像變形。

上述實施例對本發明的圖像變形檢測方法進行了說明，下面將結合實施例和附圖對本發明的與圖像變形檢測方法對應的圖像變形檢測裝置進行說明。

參見圖5所示，本發明實施例還提供一種圖像變形檢測裝置，包括：

獲取模塊51，用于獲取待識別圖像中的圖像目標；

識別模塊52，用于利用與所述圖像目標對應的預設變形識別模型，對所述圖像目標進行識別，得到表示所述待識別圖像是否變形的識別結果。

其中，所述預設變形識別模型為：利用所述圖像目標的至少兩組對應于不同類型的訓練樣本集，對已設計的所述圖像目標的基礎變形識別模型進行訓練得到。

本發明實施例中，所述圖像目標的對象類型為一種或多種，參見圖6所示，所述獲取模塊51包括：

檢測單元511，用于針對每一種對象類型，利用基于深度學習的物體檢測模型，檢測所述待識別圖像中是否存在所述圖像目標；

選取單元512，用于當檢測到所述待識別圖像中存在所述圖像目標時，從所述待識別圖像中存在的圖像目標中依據檢測評分選取至少一個圖像目標。

其中，所述選取單元具體用于：

從所述待識別圖像中存在的圖像目標中選取檢測評分最高的圖像目標或檢測評分超過預設分數閾值的多個圖像目標。

本發明實施例中，參見圖6所示，所述識別模塊52可包括：

第一識別單元521，用于當獲取的圖像目標為同一種對象類型下的多個圖像目標時，利用與所述圖像目標對應的預設變形識別模型，分別對所述多個圖像目標進行識別，得到多個識別結果；

第一確定單元522，用于當所述多個識別結果中，表示所述待識別圖像變形的識別結果比表示所述待識別圖像未變形的識別結果多時，確定最終識別結果表示所述待識別圖像變形；或者，當所述多個識別結果中，表示所述待識別圖像變形的識別結果不比表示所述待識別圖像未變形的識別結果多時，確定最終識別結果表示所述待識別圖像未變形。

本發明實施例中，參見圖6所示，所述識別模塊52可包括：

第二識別單元523，用于當獲取的圖像目標為多種對象類型下的多個圖像目標時，依次利用與每種對象類型下的圖像目標對應的預設變形識別模型，對選取的每種對象類型下的圖像目標進行識別，得到多種識別結果，所述多種識別結果與所述多種對象類型一一對應；

加權處理單元524，用于根據預設的每種對象類型的權重值，對所述多種識別結果進行加權處理，得到加權處理結果；

第二確定單元525，用于利用所述加權處理結果，確定最終表示所述待識別圖像是否變形的識別結果。

其中，所述圖像目標的對象類型可包括如下對象類型中的一種或多種：人臉、人體、文字、動物、建筑物和車輛。

本發明實施例的圖像變形檢測裝置，通過對待識別圖像中的圖像目標的識別來判定待識別圖像是否發生形變，可將較為抽象的圖像變形檢測過程具體化、對象化，從而有效提高檢測效率和檢測成功率。

此外，本發明實施例還提供一種圖像檢測設備，包括存儲器、處理器和存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時可實現上述圖像變形檢測方法中的步驟。

具體的，參見圖7所示，本發明實施例的圖像檢測設備可包括總線71、處理器72、收發機73、總線接口74、存儲器75和用戶接口76。

其中，借助用戶接口76，用戶可輸入待識別圖像至圖像檢測設備。處理器72，用于讀取存儲器75中的計算機程序，執行下列過程：

控制收發機73獲取待識別圖像中的圖像目標，利用與所述圖像目標對應的預設變形識別模型，對所述圖像目標進行識別，得到表示所述待識別圖像是否變形的識別結果；所述預設變形識別模型為：利用所述圖像目標的至少兩組對應于不同類型的訓練樣本集，對已設計的所述圖像目標的基礎變形識別模型進行訓練得到。

收發機73，用于在處理器72的控制下接收和發送數據。

具體的，所述圖像目標的對象類型為一種或多種，處理器72還用于：利用基于深度學習的物體檢測模型，檢測所述待識別圖像中是否存在所述圖像目標，在檢測到所述待識別圖像中存在所述圖像目標時，從所述待識別圖像中存在的圖像目標中依據檢測評分選取至少一個圖像目標。

具體的，處理器72還用于：從所述待識別圖像中存在的圖像目標中選取檢測評分最高的圖像目標或檢測評分超過預設分數閾值的多個圖像目標。

具體的，當獲取的圖像目標為同一種對象類型下的多個圖像目標時，處理器72還用于：利用與所述圖像目標對應的預設變形識別模型，分別對所述多個圖像目標進行識別，得到多個識別結果，當所述多個識別結果中，表示所述待識別圖像變形的識別結果比表示所述待識別圖像未變形的識別結果多時，確定最終識別結果表示所述待識別圖像變形；或者，當所述多個識別結果中，表示所述待識別圖像變形的識別結果不比表示所述待識別圖像未變形的識別結果多時，確定最終識別結果表示所述待識別圖像未變形。

具體的，當獲取的圖像目標為多種對象類型下的多個圖像目標時，處理器72還用于：依次利用與每種對象類型下的圖像目標對應的預設變形識別模型，對選取的每種對象類型下的圖像目標進行識別，得到多種識別結果，所述多種識別結果與所述多種對象類型一一對應，根據預設的每種對象類型的權重值，對所述多種識別結果進行加權處理，得到加權處理結果，利用所述加權處理結果，確定最終表示所述待識別圖像是否變形的識別結果。

具體的，所述圖像目標的對象類型可包括如下對象類型中的一種或多種：人臉、人體、文字、動物、建筑物和車輛。

在圖7中，總線架構(用總線71來代表)，總線71可以包括任意數量的互聯的總線和橋，總線71將包括由通用處理器72代表的一個或多個處理器和存儲器75代表的存儲器的各種電路鏈接在一起。總線71還可以將諸如外圍設備、穩壓器和功率管理電路等之類的各種其他電路鏈接在一起，這些都是本領域所公知的，因此，本文不再對其進行進一步描述。總線接口74在總線71和收發機73之間提供接口。收發機73可以是一個元件，也可以是多個元件，比如多個接收器和發送器，提供用于在傳輸介質上與各種其他裝置通信的單元。例如：收發機73從其他設備接收外部數據。收發機73用于將處理器72處理后的數據發送給其他設備。取決于計算系統的性質，還可以提供用戶接口76，例如小鍵盤、顯示器、揚聲器、麥克風、操縱桿。

處理器72負責管理總線71和通常的處理，如前述所述運行通用操作系統。而存儲器75可以被用于存儲處理器72在執行操作時所使用的數據，例如圖像目標對應的預設變形識別模型、預設特征匹配庫等。

可選的，處理器72可以是gpu、cpu、asic、fpga或cpld。

可以理解，本發明實施例中的存儲器75可以是易失性存儲器或非易失性存儲器，或可包括易失性和非易失性存儲器兩者。其中，非易失性存儲器可以是只讀存儲器(read-onlymemory，rom)、可編程只讀存儲器(programmablerom，prom)、可擦除可編程只讀存儲器(erasableprom，eprom)、電可擦除可編程只讀存儲器(electricallyeprom，eeprom)或閃存。易失性存儲器可以是隨機存取存儲器(randomaccessmemory，ram)，其用作外部高速緩存。通過示例性但不是限制性說明，許多形式的ram可用，例如靜態隨機存取存儲器(staticram，sram)、動態隨機存取存儲器(dynamicram，dram)、同步動態隨機存取存儲器(synchronousdram，sdram)、雙倍數據速率同步動態隨機存取存儲器(doubledataratesdram，ddrsdram)、增強型同步動態隨機存取存儲器(enhancedsdram，esdram)、同步連接動態隨機存取存儲器(synchlinkdram，sldram)和直接內存總線隨機存取存儲器(directrambusram，drram)。本文描述的系統和方法的存儲器75旨在包括但不限于這些和任意其它適合類型的存儲器。

在一些實施方式中，存儲器75存儲了如下的元素，可執行模塊或者數據結構，或者他們的子集，或者他們的擴展集：操作系統751和應用程序752。存儲器75中存儲有預設變形識別模型。

其中，操作系統751，包含各種系統程序，例如框架層、核心庫層、驅動層等，用于實現各種基礎業務以及處理基于硬件的任務。應用程序752，包含各種應用程序，例如媒體播放器(mediaplayer)、瀏覽器(browser)等，用于實現各種應用業務。實現本發明實施例方法的程序可以包含在應用程序752中。

本發明實施例的圖像檢測設備，通過對待識別圖像中的圖像目標的識別來判定待識別圖像是否發生形變，可將較為抽象的圖像變形檢測過程具體化、對象化，從而有效提高檢測效率和檢測成功率。

本發明實施例還提供了一種計算機可讀存儲介質，其上存儲有計算機程序(指令)，該程序(指令)被處理器執行時實現以下步驟:

獲取待識別圖像中的圖像目標；

利用與所述圖像目標對應的預設變形識別模型，對所述圖像目標進行識別，得到表示所述待識別圖像是否變形的識別結果；所述預設變形識別模型為：利用所述圖像目標的至少兩組對應于不同類型的訓練樣本集，對已設計的所述圖像目標的基礎變形識別模型進行訓練得到。

可選地，所述圖像目標的對象類型為一種或多種，該程序(指令)被處理器執行時還可以實現以下步驟：利用基于深度學習的物體檢測模型，檢測所述待識別圖像中是否存在所述圖像目標，在檢測到所述待識別圖像中存在所述圖像目標時，從所述待識別圖像中存在的圖像目標中依據檢測評分選取至少一個圖像目標。

可選地，該程序(指令)被處理器執行時還可以實現以下步驟：從所述待識別圖像中存在的圖像目標中選取檢測評分最高的圖像目標或檢測評分超過預設分數閾值的多個圖像目標。

可選地，當獲取的圖像目標為同一種對象類型下的多個圖像目標時，該程序(指令)被處理器執行時還可以實現以下步驟：利用與所述圖像目標對應的預設變形識別模型，分別對所述多個圖像目標進行識別，得到多個識別結果，當所述多個識別結果中，表示所述待識別圖像變形的識別結果比表示所述待識別圖像未變形的識別結果多時，確定最終識別結果表示所述待識別圖像變形；或者，當所述多個識別結果中，表示所述待識別圖像變形的識別結果不比表示所述待識別圖像未變形的識別結果多時，確定最終識別結果表示所述待識別圖像未變形。

可選地，當獲取的圖像目標為多種對象類型下的多個圖像目標時，該程序(指令)被處理器執行時還可以實現以下步驟：依次利用與每種對象類型下的圖像目標對應的預設變形識別模型，對選取的每種對象類型下的圖像目標進行識別，得到多種識別結果，所述多種識別結果與所述多種對象類型一一對應，根據預設的每種對象類型的權重值，對所述多種識別結果進行加權處理，得到加權處理結果，利用所述加權處理結果，確定最終表示所述待識別圖像是否變形的識別結果。

可選地，所述圖像目標的對象類型可包括如下對象類型中的一種或多種：人臉、人體、文字、動物、建筑物和車輛。

計算機可讀介質包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現信息存儲。信息可以是計算機可讀指令、數據結構、程序的模塊或其他數據，或預設變形識別模型。計算機的存儲介質的例子包括，但不限于相變內存(pram)、靜態隨機存取存儲器(sram)、動態隨機存取存儲器(dram)、其他類型的隨機存取存儲器(ram)、只讀存儲器(rom)、電可擦除可編程只讀存儲器(eeprom)、快閃記憶體或其他內存技術、只讀光盤只讀存儲器(cd-rom)、數字多功能光盤(dvd)或其他光學存儲、磁盒式磁帶，磁帶磁磁盤存儲或其他磁性存儲設備或任何其他非傳輸介質，可用于存儲可以被計算設備訪問的信息。按照本文中的界定，計算機可讀介質不包括暫存電腦可讀媒體(transitorymedia)，如調制的數據信號和載波。

需要說明的是，在本文中，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者裝置不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者裝置所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括該要素的過程、方法、物品或者裝置中還存在另外的相同要素。

上述本發明實施例序號僅僅為了描述，不代表實施例的優劣。

通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到上述實施例方法可借助軟件加必需的通用硬件平臺的方式來實現，當然也可以通過硬件，但很多情況下前者是更佳的實施方式。基于這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟件產品的形式體現出來，該計算機軟件產品存儲在一個存儲介質(如rom/ram、磁碟、光盤)中，包括若干指令用以使得一臺終端設備(可以是手機，計算機，服務器，空調器，或者網絡設備等)執行本發明各個實施例所述的方法。

以上所述僅是本發明的優選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發明的保護范圍。