目标区域确定模型训练方法、装置和计算机可读存储介质与流程

本公开涉及一种目标区域确定模型训练技术领域，特别是涉及一种目标区域确定模型训练方法、装置和计算机可读存储介质。

背景技术：

拍摄的视频图像中很多都包含汽车，而包含汽车的图像中一般都会包括车牌，由于车牌涉及到隐私，因此需要对视频图像中的车牌进行处理或者使用其他图像来覆盖该车牌。而在对包含车牌的图像进行处理时，识别出图像中的车牌区域是关键。

现有技术中对于车牌区域的识别，一般是使用模型判断车牌中的每个像素是前景还是背景，其中前景是要识别的车牌区域，背景是指图像中除了车牌外的区域。但是使用这种方法，分类器只关心像素是否为车牌中的像素，当仅使用像素是否是车牌区域的像素这一个判断条件时，容易被一些误判点影响到车牌准确区域。

技术实现要素：

本公开解决的技术问题是提供一种目标区域确定模型训练方法，以至少部分地解决现有技术中目标区域被误判的技术问题。此外，还提供一种目标区域确定模型训练装置、目标区域确定模型训练硬件装置、计算机可读存储介质和目标区域确定模型训练终端。

为了实现上述目的，根据本公开的一个方面，提供以下技术方案：

一种目标区域确定模型训练方法，包括：

对样本图像进行目标区域识别，得到包含所述目标区域的图像区域；

将所述图像区域缩放到固定大小，由多个所述固定大小的图像区域组成训练样本集合，并且所述训练样本集合中的图像区域被标记了多个关键点，其中，所述多个关键点位于所述目标区域内；

将所述训练样本集合输入卷积神经网络；其中，所述卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道；

每个训练通道根据所述训练样本集合独立训练直至满足各自的收敛条件，得到包含多个训练通道的目标区域确定模型；其中，所述目标区域确定模型的多个训练通道分别用于预测所述多个关键点相对参照点的位移，其中，所述参照点位于所述目标区域内。

进一步的，所述每个训练通道根据所述训练样本集合独立训练直至满足各自的收敛条件，得到包含多个训练通道的目标区域确定模型，包括：

确定每个训练通道的参数；

每个训练通道根据确定的参数、标记的多个关键点和所述参照点计算得到预测位移；

根据每个图像区域的预测位移和真实位移确定预测误差；

重新调整所述预测误差大于预设误差对应的训练通道的参数，继续重复所述对应的训练通道的训练过程，直至所述对应的训练通道的预测误差小于或等于所述预设误差，结束所述对应的训练通道的训练过程。

进一步的，所述目标区域为多边形区域，所述关键点为所述多边形区域的顶点。

进一步的，所述参照点为所述图像区域的中心点。

进一步的，所述目标区域为车牌区域。

为了实现上述目的，根据本公开的一个方面，提供以下技术方案：

一种目标区域确定方法，包括：

对当前输入的视频帧进行目标区域识别，得到包含所述目标区域的图像区域；

将所述图像区域缩放到固定大小；

将所述固定大小的图像区域输入采用权利要求1-5任一项所述的目标区域确定模型训练方法进行训练得到的目标区域确定模型；

通过所述目标区域确定模型的多个训练通道分别预测得到多个相对参照点的位移；其中，所述参照点位于所述目标区域内；

根据所述多个相对参照点的位移和所述参照点坐标确定多个关键点；

根据所述多个关键点确定目标区域。

进一步的，所述根据所述多个关键点确定目标区域，包括：

将所述多个关键点连线形成的闭合区域作为目标区域。

进一步的，所述方法还包括：

获取下一帧视频图像，并将所述下一帧视频图像作为所述当前输入的视频帧；

以所述图像区域为基准向四周扩大预设区域，并将扩大后的图像区域缩放成固定大小作为所述下一帧视频图像对应的包含目标区域的图像区域。

进一步的，所述目标区域为车牌区域。

为了实现上述目的，根据本公开的一个方面，提供以下技术方案：

一种目标区域确定模型训练装置，包括：

样本识别模块，用于对样本图像进行目标区域识别，得到包含所述目标区域的图像区域；

训练集合确定模块，用于将所述图像区域缩放到固定大小，由多个所述固定大小的图像区域组成训练样本集合，并且所述训练样本集合中的图像区域被标记了多个关键点，其中，所述多个关键点位于所述目标区域内；

训练集合输入模块，用于将所述训练样本集合输入卷积神经网络；其中，所述卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道；

模型训练模块，用于每个训练通道根据所述训练样本集合独立训练直至满足各自的收敛条件，得到包含多个训练通道的目标区域确定模型；其中，所述目标区域确定模型的多个训练通道分别用于预测所述多个关键点相对参照点的位移，其中，所述参照点位于所述目标区域内。

进一步的，所述模型训练模块具体用于：确定每个训练通道的参数；每个训练通道根据确定的参数、标记的多个关键点和所述参照点计算得到预测位移；

根据每个图像区域的预测位移和真实位移确定预测误差；重新调整所述预测误差大于预设误差对应的训练通道的参数，继续重复所述对应的训练通道的训练过程，直至所述对应的训练通道的预测误差小于或等于所述预设误差，结束所述对应的训练通道的训练过程。

进一步的，所述目标区域为多边形区域，所述关键点为所述多边形区域的顶点。

进一步的，所述参照点为所述图像区域的中心点。

进一步的，所述目标区域为车牌区域。

为了实现上述目的，根据本公开的一个方面，提供以下技术方案：

一种目标区域确定装置，包括：

区域识别模块，用于对当前输入的视频帧进行目标区域识别，得到包含所述目标区域的图像区域；

图像缩放模块，用于将所述图像区域缩放到固定大小；

图像输入模块，用于将所述固定大小的图像区域输入采用权利要求1-5任一项所述的目标区域确定模型训练方法进行训练得到的目标区域确定模型；

预测模块，用于通过所述目标区域确定模型的多个训练通道分别预测得到多个相对参照点的位移；其中，所述参照点位于所述目标区域内；

关键点确定模块，用于根据所述多个相对参照点的位移和所述参照点坐标确定多个关键点；

区域确定模块，用于根据所述多个关键点确定目标区域。

进一步的，所述区域确定模块具体用于：将所述多个关键点连线形成的闭合区域作为目标区域。

进一步的，所述区域识别模块还用于：获取下一帧视频图像，并将所述下一帧视频图像作为所述当前输入的视频帧；以所述图像区域为基准向四周扩大预设区域，并将扩大后的图像区域缩放成固定大小作为所述下一帧视频图像对应的包含目标区域的图像区域。

进一步的，所述目标区域为车牌区域。

为了实现上述目的，根据本公开的一个方面，提供以下技术方案：

一种电子设备，包括：

存储器，用于存储非暂时性计算机可读指令；以及

处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现上述任意一项所述的目标区域确定模型训练方法。

为了实现上述目的，根据本公开的一个方面，提供以下技术方案：

一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行上述任意一项所述的目标区域确定模型训练方法。

为了实现上述目的，根据本公开的一个方面，提供以下技术方案：

一种电子设备，包括：

存储器，用于存储非暂时性计算机可读指令；以及

处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现上述任意一项所述的目标区域确定方法。

为了实现上述目的，根据本公开的一个方面，提供以下技术方案：

一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行上述任意一项所述的目标区域确定方法。

为了实现上述目的，根据本公开的又一个方面，还提供以下技术方案：

一种目标区域确定模型训练终端，包括上述任一目标区域确定模型训练装置。

为了实现上述目的，根据本公开的又一个方面，还提供以下技术方案：

一种数据读取终端，包括上述任一数据读取装置。

本公开实施例通过并行的多个训练通道分别对训练样本集合进行训练，得到多个训练通道，并且多个训练通道分别用于预测与目标区域相关联的多个关键点相对参照点的位移，从而根据多个关键点相对参照点的位移得到目标区域，能够提高目标区域识别准确率。

上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例,并配合附图，详细说明如下。

附图说明

图1a为根据本公开一个实施例的目标区域确定模型训练方法的流程示意图；

图1b为根据本公开一个实施例的目标区域确定模型训练方法中的卷积层的卷积过程示意图；

图1c为根据本公开一个实施例的目标区域确定模型训练方法中的卷积层的卷积结果示意图；

图2为根据本公开一个实施例的目标区域确定方法的流程示意图；

图3为根据本公开一个实施例的目标区域确定模型训练装置的结构示意图；

图4为根据本公开一个实施例的目标区域确定装置的结构示意图；

图5为根据本公开一个实施例的电子设备的结构示意图。

具体实施方式

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

实施例一

为了解决现有技术中目标区域正确识别率低的技术问题，本公开实施例提供一种目标区域确定模型训练方法。如图1a所示，该目标区域确定模型训练方法主要包括如下步骤s11至步骤s14。其中：

步骤s11：对样本图像进行目标区域识别，得到包含所述目标区域的图像区域。

其中，目标区域可以为车牌区域。

其中，样本图像为作为训练样本输入卷积神经网络进行训练的图像。具体的，可以通过终端设备的摄像头获取，或者预先存储在本地数据库，从本地数据库中获取。

具体的，可以采用已有的卷积神经网络模型对样本图像进行识别，得到包含所述目标区域的图像区域。

步骤s12：将所述图像区域缩放到固定大小，由多个所述固定大小的图像区域组成训练样本集合，并且所述训练样本集合中的图像区域被标记了多个关键点，其中，所述多个关键点位于所述目标区域内。

为了保证训练得到的目标区域确定模型具有普遍适用性，即可以对任意大小的图像区域进行预测，本实施例将图像区域大小统一为固定大小，其中，固定大小可以自定义设置。

其中，关键点为目标区域内的像素点，具体可以目标区域边界的像素点。可以用坐标表示该关键点。例如，如果目标区域为车牌区域，由于车牌区域通常是一个矩形区域，那么关键点可以为该车辆区域四个顶角的像素点。

步骤s13：将所述训练样本集合输入卷积神经网络；其中，所述卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道。

其中，卷积神经网络(convolutionalneuralnetworks，cnn)是一类包含卷积计算且具有深度结构的前馈神经网络，主要包括输入层、卷积层、池化层、全连接层和输出层。并且，一个卷积神经网络可以包括多个卷积层。在本文中，卷积神经网络可以为直筒型卷积神经网络，也可以为深度学习卷积神经网络，这里不做具体限定。

其中，卷积层包括卷积核，卷积核可以为一个矩阵，用于对输入图像进行卷积，具体计算方法为对输入的图像的不同局部矩阵和卷积核矩阵各个位置的元素相乘，然后相加。在本文中，每个训练通道对应不同的卷积核。

举个例子，如图1b所示，输入是一个二维的3x4的矩阵，而卷积核是一个2x2的矩阵。这里假设卷积是一次移动一个像素来卷积的，那么首先对输入的左上角2x2局部和卷积核卷积，即各个位置的元素相乘再相加，得到的输出矩阵s的s00的元素，值为aw+bx+ey+fzaw+bx+ey+fz。接着将输入的局部向右平移一个像素，现在是(b,c,f,g)四个元素构成的矩阵和卷积核来卷积，这样得到了输出矩阵s的s01的元素，同样的方法，可以得到输出矩阵s的s02，s10，s11，s12，s10，s11，s12的元素。如图1c所示，最终得到卷积输出的矩阵为一个2x3的矩阵s。

其中，每个训练通道都是独立的，除了在卷积层使用不同的卷积核，该多个训练通道共用所述卷积神经网络的其它层。

其中，训练通道个数由标记的关键点个数决定，如果标记的关键点个数为6个，则对应的训练通道就有6个，一个关键点对应一个训练通道。

步骤s14：每个训练通道根据所述训练样本集合独立训练直至满足各自的收敛条件，得到包含多个训练通道的目标区域确定模型；其中，所述目标区域确定模型的多个训练通道分别用于预测所述多个关键点相对参照点的位移，其中，所述参照点位于所述目标区域内。

其中，参照点可以自定义选取。具体的，可以在训练前标记参照点，也可以根据标记的关键点计算得到参照点。例如，当目标区域为车牌区域，对应的关键点为车牌区域的四个顶点时，可以根据标记的四个关键点确定车牌区域的中心点，将该中心点作为参照点。

本实施例通过并行的多个训练通道分别对训练样本集合进行训练，使得训练得到的目标区域确定模型包含多个训练通道，并且多个训练通道分别用于预测与所述目标区域相关联的多个相对参照点的位移，可以得到与目标区域相关的多个关键点，从而根据多个关键点得到目标区域，能够提高目标区域识别准确率。

在一个可选的实施例中，步骤s14包括：

步骤s141：确定每个训练通道的参数。

其中，所述参数包括卷积层的卷积核对应的参数，例如卷积矩阵的大小，例如可以设为3*3的矩阵，不同的卷积层可以设置不同的卷积核。此外，还可以包括池化层的参数，例如池化矩阵的大小，可以为3*3的池化矩阵，或者输出层的参数，例如线性系数矩阵及偏倚向量等。并且，每个训练通道对应的参数均不相同。

步骤s142：每个训练通道根据确定的参数、标记的多个关键点和所述参照点计算得到预测位移。

具体的，首先练样本集合通过所述卷积神经网络的输入层，将训练样本集合转化为多维向量，然后经过卷积层进行卷积计算，得到卷积阶段对应的特征图像。在本文中，卷积层包含并行的多个卷积核，则输入图像进入卷积层以后，与不同的卷积核进行卷积计算，得到多个卷积结果，然后进入池化层、全连接层和输出层进行预测。

步骤s143：根据每个图像区域的预测位移和真实位移确定预测误差。

其中，预设误差可以自定义设置。

具体的，可以采用损失函数计算预测特征数据和真实特征数据之间的损失，将损失作为预测误差。

步骤s144：重新调整所述预测误差大于预设误差对应的训练通道的参数，继续重复所述对应的训练通道的训练过程，直至所述对应的训练通道的预测误差小于或等于所述预设误差，结束所述对应的训练通道的训练过程。

在一个可选的实施例中，所述目标区域为多边形区域，所述关键点为所述多边形区域的顶点。

具体的，当所述目标区域为车牌区域时，对应的多边形即为四边形即为矩形。在对训练样本进行标记时，只标记图像区域中对应目标区域的顶点。例如，所述矩形的四个顶点。

实施例二

为了解决现有技术中目标区域确定正确率低的技术问题，本公开实施例还提供一种目标区域确定方法，如图2所示，具体包括：

s21:对当前输入的视频帧进行目标区域识别，得到包含所述目标区域的图像区域。

其中，输入的视频帧可通过摄像头实时获取，或者从本地获取预先存储的视频图像。

其中，目标区域可以为车牌区域，对应的目标区域为矩形区域。

具体的，可以采用已有的卷积神经网络模型对输入的视频帧进行初步识别，得到包含所述目标区域的图像区域。

s22:将所述图像区域缩放到固定大小。

其中，固定大小与目标区域确定模型训练时输入的训练样本的图像区域一致。

s23:将所述固定大小的图像区域输入目标区域确定模型训练方法进行训练得到的目标区域确定模型。

其中，目标区域确定模型采用上述实施例一所述的目标区域确定模型训练方法进行训练得到，具体训练过程参见上述实施例一。

s24:通过所述目标区域确定模型的多个训练通道分别预测得到多个相对参照点的位移；其中，所述参照点位于所述目标区域内。

其中，一个训练通道对应预测一个相对所述参照点的位移。

其中，参照点可以预先设置，具体可设置为目标区域的中心点，或者目标区域的其它像素点。

s25:根据所述多个相对参照点的位移和所述参照点坐标确定多个关键点。

例如，如果目标区域可以为车牌区域，则目标区域对应为一个矩形区域，在训练目标区域确定模型时可选取矩形区域的左上、左下、右上、右下四个点作为关键点进行训练，得到四个训练通道，分别用于预测左上、左下、右上、右下四个关键点相对参照点的位移。那么，在本实施例中，可通过目标区域确定模型的四个训练通道预测得到四个相对参照点的位移，进一步根据四个相对参照点的位移和参照点的坐标计算得到左上、左下、右上、右下四个关键点。

s26:根据所述多个关键点确定目标区域。

本实施例通过目标区域确定模型的多个训练通道分别预测得到多个相对参照点的位移，可以根据多个相对参照点的位移得到多个关键点，进而得到目标区域，能够提高目标区域识别准确率。

在一个可选的实施例中，步骤s26具体包括：

将所述多个关键点连线形成的闭合区域作为目标区域。

具体的，参照上述步骤25中的示例，如果得到左上、左下、右上、右下四个关键点，则对这四个关键点连线，可以得到一个矩形区域，那么该矩形区域即为目标区域。

在一个可选的实施例中，所述方法还包括：

步骤27：获取下一帧视频图像，并将所述下一帧视频图像作为所述当前输入的视频帧。

步骤28：以所述图像区域为基准向四周扩大预设区域，并将扩大后的图像区域缩放成固定大小作为所述下一帧视频图像对应的包含目标区域的图像区域。

具体的，在确定下一帧视频图像的目标区域时，可以将步骤s21中的图像区域扩大一部分，作为下一帧视频图像的图像区域，之后执行步骤s22-s26，这样，由于在连续几帧视频图像内，目标区域的位置变化不大，每次将图像区域扩大一部分之后，目标区域一般还在图像区域内，这样可以直接使用步骤s22-s26进行车牌区域识别，无需再使用复杂的目标区域识别模型对下一帧图像进行初始识别得到包含目标区域的图像区域，这样效率更高。

本领域技术人员应能理解，在上述各个实施例的基础上，还可以进行明显变型(例如，对所列举的模式进行组合)或等同替换。

在上文中，虽然按照上述的顺序描述了目标区域确定模型训练方法实施例中的各个步骤，本领域技术人员应清楚，本公开实施例中的步骤并不必然按照上述顺序执行，其也可以倒序、并行、交叉等其他顺序执行，而且，在上述步骤的基础上，本领域技术人员也可以再加入其他步骤，这些明显变型或等同替换的方式也应包含在本公开的保护范围之内，在此不再赘述。

下面为本公开装置实施例，本公开装置实施例可用于执行本公开方法实施例实现的步骤，为了便于说明，仅示出了与本公开实施例相关的部分，具体技术细节未揭示的，请参照本公开方法实施例。

实施例三

为了解决现有技术中目标区域确定正确率低的技术问题，本公开实施例提供一种目标区域确定模型训练装置。该装置可以执行上述实施例一所述的目标区域确定模型训练方法实施例中的步骤。如图3所示，该装置主要包括：样本识别模块31、训练集合确定模块32、训练集合输入模块33和模型训练模块34；其中，

样本识别模块31用于对样本图像进行目标区域识别，得到包含所述目标区域的图像区域；

训练集合确定模块32用于将所述图像区域缩放到固定大小，由多个所述固定大小的图像区域组成训练样本集合，并且所述训练样本集合中的图像区域被标记了多个关键点，其中，所述多个关键点位于所述目标区域内；

训练集合输入模块33用于将所述训练样本集合输入卷积神经网络；其中，所述卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道；

模型训练模块34用于每个训练通道根据所述训练样本集合独立训练直至满足各自的收敛条件，得到包含多个训练通道的目标区域确定模型；其中，所述目标区域确定模型的多个训练通道分别用于预测所述多个关键点相对参照点的位移，其中，所述参照点位于所述目标区域内。

进一步的，所述模型训练模块34具体用于：确定每个训练通道的参数；每个训练通道根据确定的参数、标记的多个关键点和所述参照点计算得到预测位移；根据每个图像区域的预测位移和真实位移确定预测误差；重新调整所述预测误差大于预设误差对应的训练通道的参数，继续重复所述对应的训练通道的训练过程，直至所述对应的训练通道的预测误差小于或等于所述预设误差，结束所述对应的训练通道的训练过程。

进一步的，所述目标区域为多边形区域，所述关键点为所述多边形区域的顶点。

进一步的，所述参照点为所述图像区域的中心点。

进一步的，所述目标区域为车牌区域。

有关目标区域确定模型训练装置实施例的工作原理、实现的技术效果等详细说明可以参考前述目标区域确定模型训练方法实施例中的相关说明，在此不再赘述。

实施例四

为了解决现有技术中目标区域确定正确率低的技术问题，本公开实施例提供一种目标区域确定装置。该装置可以执行上述实施例二所述的目标区域确定模型训练方法实施例中的步骤。如图4所示，该装置主要包括：区域识别模块41、图像缩放模块42、图像输入模块43、预测模块44、关键点确定模块45和区域确定模块46；其中，

区域识别模块41用于对当前输入的视频帧进行目标区域识别，得到包含所述目标区域的图像区域；

图像缩放模块42用于将所述图像区域缩放到固定大小；

图像输入模块43用于将所述固定大小的图像区域输入采用权利要求1-5任一项所述的目标区域确定模型训练方法进行训练得到的目标区域确定模型；

预测模块44用于通过所述目标区域确定模型的多个训练通道分别预测得到多个相对参照点的位移；其中，所述参照点位于所述目标区域内；

关键点确定模块45用于根据所述多个相对参照点的位移和所述参照点坐标确定多个关键点；

区域确定模块46用于根据所述多个关键点确定目标区域。

进一步的，所述区域确定模块46具体用于：将所述多个关键点连线形成的闭合区域作为目标区域。

进一步的，所述区域识别模块还用于：获取下一帧视频图像，并将所述下一帧视频图像作为所述当前输入的视频帧；以所述图像区域为基准向四周扩大预设区域，并将扩大后的图像区域缩放成固定大小作为所述下一帧视频图像对应的包含目标区域的图像区域。

进一步的，所述目标区域为车牌区域。

有关目标区域确定装置实施例的工作原理、实现的技术效果等详细说明可以参考前述目标区域确定方法实施例中的相关说明，在此不再赘述。

实施例五

下面参考图5，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储装置508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram503中，还存储有电子设备操作所需的各种程序和数据。处理装置501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。

通常，以下装置可以连接至i/o接口505：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从rom502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对样本图像进行目标区域识别，得到包含所述目标区域的图像区域；将所述图像区域缩放到固定大小，由多个所述固定大小的图像区域组成训练样本集合，并且所述训练样本集合中的图像区域被标记了多个关键点，其中，所述多个关键点位于所述目标区域内；将所述训练样本集合输入卷积神经网络；其中，所述卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道；每个训练通道根据所述训练样本集合独立训练直至满足各自的收敛条件，得到包含多个训练通道的目标区域确定模型；其中，所述目标区域确定模型的多个训练通道分别用于预测所述多个关键点相对参照点的位移，其中，所述参照点位于所述目标区域内。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或或流程图中的每个方框、以及框图和/或或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。