图像检测方法、装置、电子设备及存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种图像检测方法、装置、电子设备及存储介质。


背景技术：

2.随着对人工智能的深入研究，图像识别技术不断落地。在图像识别技术中，图像检测是图像识别的重要基础，能够高召回低错误并快速的检测到目标对象的位置，为图像目标特征提取提供候选区域，直接影响图像识别系统的精度和实效性。目前通常使用的图像检测器模型有多种版本，例如基于mtcnn的检测器模型，基于yolo的检测器模型等。之所以出现这么多不同网络结构的版本，是因为不同使用场景下对模型性能要求不同。例如，在证件照、自然场景照片，人群密度较大的照片等使用场景下，不同的检测器模型的检测效果不同，会出现有些检测器模型的准确率较低，有些检测器模型的速度较慢等问题。为了解决这些问题，传统方式是从软件设层面去解决该问题，即预留一些判断条件接口，什么情况下该使用何种检测器模型，这种方法的缺点是，需要人为干预判断什么场景下应该选择何种检测器模型，不够自动化，且人工判断的接口需要花费大量时间选择检测器模型来处理一批图像数据有多种场景类型的情况。因此，现有图像检测存在检测效果不好的问题。


技术实现要素：

3.本发明实施例提供一种图像检测方法，能够自动选取检测器模型对图像数据进行处理，提高了图像检测的检测效果。
4.第一方面，本发明实施例提供一种图像检测方法，包括：
5.获取m个不同场景的样本图像；
6.获取n个图像检测器模型，其中，所述n个图像检测器模型为处理相同检测任务的不同模型；
7.以所述m个不同场景的样本图像与所述n个图像检测器模型为约束条件，对模型选择器进行强化学习训练，以使所述模型选择器在任意时间点都以最大化奖励函数作为目标进行决策，得到目标模型选择器，其中，上述的m≥n。
8.可选的，所述以所述m个不同场景的样本图像与所述n个图像检测器模型约束条件，对模型选择器进行强化学习训练，包括：
9.通过预先设置的奖励函数，计算当前图像检测器模型d_i对样本图像i_j的奖励值r_ij，其中，1≤i≤n,1≤j≤m；
10.获取奖励函数的折扣率r以及预设的时间步长，计算一个时间步长内最大奖励值，其中，所述折扣率0≤r≤n。
11.可选的，所述通过预先设置的奖励函数，计算当前图像检测器模型d_i对样本图像i_j的奖励值r_ij，包括：
12.计算当前图像检测器d_i对样本图像i_j的检测准确率以及检测速度；
13.基于最大检测准确率以及最小检测速度，得到图像检测器模型d_i对应于样本图像i_j的约束条件f_i；
14.根据所述约束条件f_i以及预设的参数，计算得到当前图像检测器模型d_i对样本图像i_j的奖励值r_ij。
15.可选的，在获取m个不同场景的样本图像后，所述方法还包括：
16.对所述样本图像进行预处理；
17.在所述获取待检测图像后，所述方法还包括：
18.对所述待检测图像进行与所述样本图像相同的预处理，以使预处理后的待检测图像符合所述目标模型选择器的输入；
19.其中，所述预处理包括通道转换、像素值归一化、图像增强中至少一项。
20.可选的，在所述将所述待检测图像输入到所述目标模型选择器，通过所述目标模型选择器选择目标图像检测器模型对所述待检测图像进行检测之后，所述方法还包括：
21.获取待检测图像；
22.将待检测图像输入到所述目标模型选择器，通过所述目标模型选择器选择目标图像检测器对所述待检测图像进行检测，得到检测结果；
23.将所述检测结果转换为预设的检测位置信息。
24.第二方面，本发明实施例提供一种图像检测装置，包括：
25.第一获取模块，用于获取m个不同场景的样本图像；
26.第二获取模块，用于获取n个图像检测器模型，其中，所述n个图像检测器模型为处理相同检测任务的不同模型；
27.训练模块，用于以所述m个不同场景的样本图像与所述n个图像检测器模型约束条件，对模型选择器进行强化学习训练，以使所述模型选择器在任意时间点都以最大化奖励函数作为目标进行决策，得到目标模型选择器。
28.第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的图像检测方法中的步骤。
29.第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现发明实施例提供的图像检测方法中的步骤。
30.本发明实施例中，获取m个不同场景的样本图像；获取n个图像检测器模型，其中，所述n个图像检测器模型为处理相同检测任务的不同模型；以所述m个不同场景的样本图像与所述n个图像检测器模型为约束条件，对模型选择器进行强化学习训练，以使所述模型选择器在任意时间点都以最大化奖励函数作为目标进行决策，得到目标模型选择器，其中，上述的m≥n。通过训练得到的模型选择器来针对不同的待检测图像选取不同的目标图像检测器模型，不用人工判断和选取接口，各个待检测图像通过对应的目标图像检测器模型进行检测，使得检测效果得到提升。
附图说明
31.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。
32.图1是本发明实施例提供的一种图像检测方法的流程图；
33.图2是本发明实施例提供的一种强化学习的示意图；
34.图3是本发明实施例提供的一种模型选择器训练方法的流程图；
35.图4是本发明实施例提供的一种图像检测方法的流程图；
36.图5是本发明实施例提供的另一种图像检测方法的流程图；
37.图6是本发明实施例提供的一种图像检测方法装置的结构示意图；
38.图7是本发明实施例提供的另一种图像检测装置的结构示意图；
39.图8是本发明实施例提供的另一种图像检测装置的结构示意图；
40.图9是本发明实施例提供的另一种图像检测装置的结构示意图；
41.图10是本发明实施例提供的另一种图像检测装置的结构示意图；
42.图11是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
43.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，所描述的实施例仅仅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。
44.请参见图1，图1是本发明实施例提供的一种图像检测方法的流程图，如图1所示，包括以下步骤：
45.101、获取m个不同场景的样本图像。
46.其中，上述的样本图像可以根据任务目标进行确定，比如，样本图像可以是车辆图像、人员图像或其他有检测需求的样本图像。上述不同场景可以是无背景图像、有背景图像、复杂信息图像等。以任务目标为人脸检测为例，获取到的样本图像为不同场景的人脸样本图像，人脸的不同场景比如：证件照，自然场景照片，人群密度较大的照片等。
47.需要说明的是，上述的样本图像不需要进行标注，即上述的样本图像是没有标签值的。
48.在一种可能的实施例中，在获取m个不同场景的样本图像后，还可以对样本图像进行预处理。
49.其中，上述的预处理包括通道转换、像素值归一化、图像增强中至少一项。可以是其中两个组合，甚至三个的组合。
50.需要说明的是，上述的每个场景的图像样本可以是多个，这样，可以获取统计维度，例于对需要训练的模型进行评估，比如准确率评估等。
51.102、获取n个图像检测器模型。
52.其中，所述n个图像检测器模型为处理相同检测任务的不同模型，其中，上述的m≥n。上述的m≥n表示一个图像检测器模型可以处理至少一个场景下的图像检测。
53.需要说明的是，上述的图像检测器模型为已经训练好的图像检测器模型。由于各
个图像检测器模型中，检测算法不同，使得检测不同场景的图像会产生不同的效果。
54.上述的图像检测器模型可以是在网络上获取已经训练好的，也可以在网络上获取到对应类别的图像检测器模型后自行训练的，还可以是用户自行构建并进行训练的。
55.不同的图像检测器模型在不同的硬件平台上的表现效果也不同，具体比如：在cpu的硬件平台上，基于mtcnn(multi-task convolutional neural networks，多任务卷积神经网络)的图像检测模型会比基于yolo(you only look once)的图像检测模型速度快，而在gpu的硬件平台上，基于yolo的图像检测模型会比基于mtcnn的图像检测模型速度快。而由于不同场景的图像复杂度也不同，以人脸检测为例，比如证件照的复杂度较低，在cpu的硬件平台上进行处理，可以取得较不错的检测效果，而在人群密度较大的照片中，存在多个人脸需要进行检测，需要更强的图像处理能力，因此在gpu的硬件平台上进行处理可以取得较不错的检测效果。
56.103、以m个不同场景的样本图像与n个图像检测器模型约束条件，对模型选择器进行训练，以使模型选择器在任意时间点都以最大化奖励函数作为目标进行决策，得到目标模型选择器。
57.其中，上述的强化学习是让计算机学会自主决策的方法论，马可夫决策过程(markov decision process,mdp)则是强化学习中，对现实问题进行建模的数学模型，它把所有的现实问题都抽象为智能体与环境的互动过程。在互动过程中的每个时间步，智能体都收到环境的状态(环境向智能体呈现一种情况)，智能体必须选择相应的响应动作，然后在下一个时间步，智能体获得一个奖励(环境表示智能体是否对该状态做出了正确的响应)和新的状态。所有智能体的目标都是最大化预期累积奖励，或在所有时间步获得的预期奖励之和。
58.在本发明实施例中，如图2所示，上述模型选择器可以理解为强化学习中的智能体(agent)，环境(environment)则可以理解为不同的场景的样本图像，上述图像检测器模型的选取则为响应动作。定义三元组(s，a，r)，其中，s为状态state，a为动作action，r为奖励reward。
59.在强化学习中，一个有限时间步长中包括多个时间步，比如在时间步长为n的时间序列中，包括时间步t，t+1，t+2，
…
，t+n－1。
60.在当前时间步中，当前状态s_j，当前动作a_j，根据当前状态执行的动作所得的奖励为r_j+1，即在当前时间步中，上述三元组实际为(s_j，a_j，r_j+1，)，为差分序列形式。
61.在有限时间步长中，有限的状态、动作、奖励队列组成如下：
62.s_0，a_0，r_1，s_1，a_1，r_2，
…
，a_n－1，r_n，s_n。
63.最终状态为s_n。
64.如图3所示，图3为本发明实施例提供的一种模型选择器的训练方法，包括步骤：
65.301、通过预先设置的奖励函数，计算当前图像检测器模型d_i对样本图像i_j的奖励值r_ij。
66.其中，1≤i≤n,1≤j≤m。
67.具体的，在有限时间步长中，上述的奖励函数可以是：
68.r＝r_1+r_2+
…
+r_n＝a_1*f_1+a_2*f_2+
…
+a_n*f_n
69.其中，a_i为预先定义的参数，f_i为约束条件。
70.由步骤101得到m个不同的样本图像，记为集合img{i_1,i_2,i_3，
…
,i_m}；由步骤102得到n个不同的图像检测器模型，记为集合d{d_1,d_2,d_3,
…
,d_n}。预先定义的参数集合a{a_1，a_2，a_3,
…
,a_n}。
71.通过集合img{i_1,i_2,i_3，
…
,i_m}与集合d{d_1,d_2,d_3,
…
,d_n}共同形成约束条件，即在给定的约束条件d、img下，满足参数a的图像检测器模型获得正奖励值，不满足参数a的图像检测器模型获取负奖励值。
72.这样，对于图像检测器模型d_i，在场景i_j下，会得到奖励值r_ij。当奖励值r_ij取值最大时，则表示在场景i_j下，图像检测器模型d_i为最佳的图像检测器模型。
73.具体的，如图4所示，图4为本发明实施例提供的一种约束条件获取方法，包括：
74.401、计算当前图像检测器d_i对样本图像i_j的检测准确率以及检测速度。
75.具体的，将同一场景的样本图像i_j输入到随机一个图像检测器模型d_i进行检测，得到对应的检测结果进行统计，统计得到该个图像检测器模型d_i对该场景的检测准确率以及检测速度。
76.402、基于最大检测准确率以及最小检测速度，得到图像检测器模型d_i对应于样本图像i_j的约束条件f_i。
77.具体的，上述的约束条件通过如下公式进行获取：
78.f＝max(acc)min(time)
79.其中，acc为当前图像检测器模型对于图像样本的检测准确率，time为当前图像检测器模型对于图像样本的检测耗时，与检测速度相对应。
80.403、根据所述约束条件f_i以及预设的参数，计算得到当前图像检测器模型d_i对样本图像i_j的奖励值r_ij。
81.上述的预设的参数为步骤301中参数集合a{a_1，a_2，a_3,
…
,a_n}，以及步骤301中的奖励公式可得到当前图像检测器模型d_i对样本图像i_j的奖励值r_ij。
82.302、获取奖励函数的折扣率r以及预设的时间步长，计算一个时间步长内最大奖励值。
83.其中，所述折扣率0≤r≤1。
84.在本发明实施例中，图像检测器模型的选择问题是基于奖励假设，在预设的时间步长内，可以将最大化(预期)累积奖励作为目标：奖励是智能体(模型选择器)作出最优决策(选取最佳图像检测器模型)的驱动因素。奖励是在互动过程的每个时间步，由环境反馈并由智能体所获取。智能体在任意时间点都以最大化(预期)累积奖励作为目标函数进行决策。
85.本发明实施例中的时间步长设置为n。
86.具体的，可以通过折扣公式进行最大化(预期)累积奖励的计算，折扣公式如下：
87.r＝r_1+rr_2+r2r_3+
……
+r
n－1
r_n
88.在某个时间步t中，折扣公式如下：
89.rt＝r_t+rr_
(t+1)
+r2r_
(t+2)
+
……
+r
n－t
r_
(t+n)
90.r的值越大，智能体越关心遥远的未来；r的值越小，折扣程度越大，在最极端的情况下，智能体只关心最即时的奖励。
91.比如，在上述的式子中，如果r＝0，智能体只关心最即时的奖励，而不关心远期的
奖励回报；
92.如果r＝1，远期的奖励回报没有折扣。
93.需要说明的是，r应该设置为更接近1，比如设置为0.9、0.8等。
94.训练完成后，得到目标模型选择器，该目标模型选择器的输入可以是待检测图像，输出可以是图像检测器模型的类别索引，可以根据该类别索引，查找到对应的图像检测器模型。
95.104、获取待检测图像。
96.上述的待检测图像可以是用户自行输入，也可以是通过图像采集设备在采集到图像时，自动进行上传。
97.上述的待检测图像可以是单张图像，也可以是多张连续图像。
98.在一种可能的实施例中，上述的待检测图像在输入到模型选择器之前，可以先进行预处理，待检测图像的预处理与模型选择器的预处理可以是相同的，比如，上述的预处理包括通道转换、像素值归一化、图像增强中至少一项。可以是其中两个组合，甚至三个的组合。
99.105、将待检测图像输入到目标模型选择器，通过目标模型选择器选择目标图像检测器模型对待检测图像进行检测。
100.目标模型选择器在经过训练后，可以对待检测图像所需要的图像检测器模型进行预测，使待检测图像可以通过最佳的图像检测器模型进行图像检测。
101.具体的，目标模型选择器提取待检测图像的特征进行预测，得到目标图像检测器模型的类别索引，根据该类别索引，到模型库中查找到对应的目标图像检测器模型进行调用。
102.在一种可能的实施例中，上述的目标模型选择器还可以增加公共特征提取模块，通过公共特征提取模块，提取待检测图像对于所有模型库中的图像检测器而言的公共特征，这样，在查找到对应的目标图像检测器模型进行调用时，可以直接使用公共特征进行目标特征的提取，从而快速完成图像检测，使得目标图像检测器模型的计算量减少。
103.具体的，公共特征的提取可以是在预测图像检测器模型之前，也可以是在预测图像检测器模型之后。当公共特征的提取在预测图像检测器模型之前，则该公共特征中还包含有图像检测器模型选取的隐含特征，通过模型选择器提取出该隐含特征从而预测得到目标图像检测器模型。当公共特征的提取在预测图像检测器模型之后，则是在索引目标图像检测器模型前，通过模型选择器或单独设置的特征提取模块对待检测图像再进行一次特征提取，提取出公共特征，此时，该公共特征中可以不包含图像检测器模型选取的隐含特征，而是包含有可以直接提取出目标特征的隐含特征。
104.在一种可能的实施例中，在目标图像检测器模型输出检测结果后，将检测结果转换为预设的检测位置信息。由于不同的模型输出的检测位置在表达形式上存在不同，比如输出结果中的人脸框位置的形式可以是宽、高以及中心点坐标，即(w，h，x，y)，也可以两个对角点的坐标(x1，y 1，x3，y3)，还可以是一个中心点和一个角点的坐标(x0，y 0，x3，y3)等。将检测结果转换为预设的检测位置信息，可以统一转换为一种预设形式的检测位置信息，便于用户观察，提高用户体验。
105.本发明实施例中，获取m个不同场景的样本图像；获取n个图像检测器模型，其中，
所述n个图像检测器模型为处理相同检测任务的不同模型；以所述m个不同场景的样本图像与所述n个图像检测器模型约束条件，对模型选择器进行训练，以使所述模型选择器在任意时间点都以最大化奖励函数作为目标进行决策，得到目标模型选择器，其中，所述m≥n。通过训练得到的模型选择器来针对不同的待检测图像选取不同的目标图像检测器模型，不用人工判断和选取接口，各个待检测图像通过对应的目标图像检测器模型进行检测，使得检测效果得到提升。
106.需要说明的是，本发明实施例提供的图像检测方法可以应用于可以进行图像检测的手机、监控器、计算机、服务器等设备。
107.请参见图5，图5是本发明实施例提供的另一种图像检测方法的流程图，与图1不同的是，待检测图像为待检测人脸图像，图像检测器模型为人脸检测器模型。如图5所示，所述方法包括：
108.501、获取m个不同场景的人脸样本图像。
109.502、获取n个人脸检测器模型，其中，n个人脸检测器模型为处理人脸检测任务的不同模型。
110.503、以m个不同场景的人脸样本图像与所述n个人脸检测器模型为约束条件，对人脸模型选择器进行强化学习训练，以使人脸模型选择器在任意时间点都以最大化奖励函数作为目标进行决策，得到目标人脸模型选择器，其中，所述的m≥n。
111.504、获取待检测图像。
112.505、将待检测图像输入到目标人脸模型选择器，通过目标人脸模型选择器选择目标人脸检测器模型对待检测图像进行检测。
113.本发明实施例中，通过训练得到的人脸模型选择器来针对不同的待检测图像选取不同的目标人脸检测器模型，不用人工判断和选取接口，各个待检测图像通过对应的目标人脸检测器模型进行检测，使得人脸检测效果得到提升。
114.请参见图6，图6是本发明实施例提供的一种图像检测装置的结构示意图，如图6所示，所述装置包括：
115.第一获取模块601，用于获取m个不同场景的样本图像；
116.第二获取模块602，用于获取n个图像检测器模型，其中，所述n个图像检测器模型为处理相同检测任务的不同模型；
117.训练模块603，用于以所述m个不同场景的样本图像与所述n个图像检测器模型为约束条件，对模型选择器进行强化学习训练，以使所述模型选择器在任意时间点都以最大化奖励函数作为目标进行决策，得到目标模型选择器，其中，所述的m≥n；
118.第三获取模块604，用于获取待检测图像；
119.选取模块605，用于将所述待检测图像输入到所述目标模型选择器，通过所述目标模型选择器选择目标图像检测器模型对所述待检测图像进行检测。
120.可选的，如图7所示，所述训练模块603，包括：
121.第一计算子模块6031，用于通过预先设置的奖励函数，计算当前图像检测器模型d_i对样本图像i_j的奖励值r_ij，其中，1≤i≤n,1≤j≤m；
122.第二计算子模块6032，用于获取奖励函数的折扣率r以及预设的时间步长，计算一个时间步长内最大奖励值，其中，所述折扣率0≤r≤1。
123.可选的，如图8所示，所述第一计算子模块6031包括：
124.第一计算单元60311，用于计算当前图像检测器d_i对样本图像i_j的检测准确率以及检测速度；
125.处理单元60312，用于基于最大检测准确率以及最小检测速度，得到图像检测器模型d_i对应于样本图像i_j的约束条件f_i；
126.第二计算单元60313，用于根据所述约束条件f_i以及预设的参数，计算得到当前图像检测器模型d_i对样本图像i_j的奖励值r_ij。
127.可选的，如图9所示，所述装置还包括：
128.第一预处理模块606，用于对所述样本图像进行预处理；
129.第二预处理模块607，用于对所述待检测图像进行与所述样本图像相同的预处理，以使预处理后的待检测图像符合所述目标模型选择器的输入；
130.其中，所述预处理包括通道转换、像素值归一化、图像增强中至少一项。
131.可选的，如图10所示，所述装置还包括：
132.转换模块608，用于将检测结果转换为预设的检测位置信息。
133.可选的，所述样本图像为人脸样本图像，所述待检测图像中包括人脸图像，所述图像检测器模型为人脸检测器模型。
134.需要说明的是，本发明实施例提供的图像检测装置可以应用于可以进行图像检测的手机、监控器、计算机、服务器等设备。
135.本发明实施例提供的图像检测装置能够实现上述方法实施例中图像检测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
136.参见图11，图11是本发明实施例提供的一种电子设备的结构示意图，如图11所示，包括：存储器1102、处理器1101及存储在所述存储器1102上并可在所述处理器1101上运行的计算机程序，其中：
137.处理器1101用于调用存储器1102存储的计算机程序，执行如下步骤：
138.获取m个不同场景的样本图像；
139.获取n个图像检测器模型，其中，所述n个图像检测器模型为处理相同检测任务的不同模型；
140.以所述m个不同场景的样本图像与所述n个图像检测器模型为约束条件，对模型选择器进行强化学习训练，以使所述模型选择器在任意时间点都以最大化奖励函数作为目标进行决策，得到目标模型选择器，其中，所述的m≥n。
141.可选的，处理器1101执行的所述以所述m个不同场景的样本图像与所述n个图像检测器模型约束条件，对模型选择器进行强化学习训练，包括：
142.通过预先设置的奖励函数，计算当前图像检测器模型d_i对样本图像i_j的奖励值r_ij，其中，1≤i≤n,1≤j≤m；
143.获取奖励函数的折扣率r以及预设的时间步长，计算一个时间步长内最大奖励值，其中，所述折扣率0≤r≤n。
144.可选的，处理器1101执行的所述通过预先设置的奖励函数，计算当前图像检测器模型d_i对样本图像i_j的奖励值r_ij，包括：
145.计算当前图像检测器d_i对样本图像i_j的检测准确率以及检测速度；
146.基于最大检测准确率以及最小检测速度，得到图像检测器模型d_i对应于样本图像i_j的约束条件f_i；
147.根据所述约束条件f_i以及预设的参数，计算得到当前图像检测器模型d_i对样本图像i_j的奖励值r_ij。
148.可选的，在获取m个不同场景的样本图像后，处理器1101还执行包括：
149.对所述样本图像进行预处理；
150.在所述获取待检测图像后，处理器1101还执行包括：
151.对所述待检测图像进行与所述样本图像相同的预处理，以使预处理后的待检测图像符合所述目标模型选择器的输入；
152.其中，所述预处理包括通道转换、像素值归一化、图像增强中至少一项。
153.可选的，在所述将所述待检测图像输入到所述目标模型选择器，通过所述目标模型选择器选择目标图像检测器模型对所述待检测图像进行检测之后，处理器1101还执行包括：
154.获取待检测图像；
155.将所述待检测图像输入到所述目标模型选择器，通过所述目标模型选择器选择目标图像检测器模型对所述待检测图像进行检测；
156.将检测结果转换为预设的检测位置信息。
157.可选的，所述样本图像为人脸样本图像，所述待检测图像中包括人脸图像，所述图像检测器模型为人脸检测器模型。
158.需要说明的是，上述电子设备可以是可以应用于可以进行图像检测的手机、监控器、计算机、服务器等设备。
159.本发明实施例提供的电子设备能够实现上述方法实施例中图像检测方法实现的各个过程，且可以达到相同的有益效果，为避免重复，这里不再赘述。
160.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，该计算机程序被处理器执行时实现本发明实施例提供的图像检测方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
161.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存取存储器(random access memory，简称ram)等。
162.以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。