图像目标对比方法、装置、计算机设备及可读存储介质与流程

本发明涉及人工智能技术领域，尤其涉及一种图像目标对比方法、装置、计算机设备及可读存储介质。

背景技术：

对于图像中的某些目标，例如：公章、签字等，通常需要对其进行比对方可鉴定获得的文件的真伪；尤其在金融业务中，鉴定文件中的公章需求更为迫切，例如：

在银行的对公业务中，需要临柜进行印章验真、银企对账印章验真、银行事后监督系统需进行批量验真；

在融资租赁的业务场景中，融资租赁公司需要对其客户的企业情况进行核实，针对客户提供的资料需要进行公章的验真；

在各类贷款场景中，无论是针对企业还是个人的贷款，在贷款进件的时候，均需要提供各类财产证明，里面不乏涉及对于公章的验真需要。

但是，发明人发现，当前的图像中的目标比对鉴定的工作通常交由人工处理，不仅难以准确的对目标进行比对，而且比对鉴定的效率十分低下。

技术实现要素：

本发明的目的是提供一种图像目标对比方法、装置、计算机设备及可读存储介质，用于解决现有技术存在的由人工处理图像中目标比对鉴定的工作，导致难以准确的对目标进行比对，及比对鉴定的效率十分低下的问题。

为实现上述目的，本发明提供一种图像目标对比方法，包括：

获取标准图像和对比图像；

裁剪所述标准图像中展示有标准目标的区域形成标准运算图像，及裁剪所述对比图像中展示有所述对比目标的区域得到对比运算图像；

提取所述标准运算图像中的标准目标，及提取所述对比运算图像中的对比目标；

获取所述标准目标的标准轮廓，及所述对比目标的对比轮廓；

对比所述标准轮廓和所述对比轮廓的差异，根据所述差异判断所述标准目标和所述对比目标是否相同。

上述方案中，所述提取所述标准运算图像中的标准目标，及提取所述对比运算图像中的对比目标之前，所述方法还包括：

调整所述标准运算图像和所述对比运算图像的尺寸，使所述标准运算图像和所述对比运算图像的尺寸一致。

上述方案中，所述提取所述标准运算图像中的标准目标，及提取所述对比运算图像中的对比目标之前，所述方法还包括：

提升所述标准运算图像和所述对比运算图像的清晰度，以突出所述标准目标和所述对比目标的轮廓边界。

上述方案中，所述提升所述标准运算图像和所述对比运算图像的清晰度的步骤，包括：

获取预置的参考图像，分别将所述标准运算图像、对比运算图像及所述参考图像的rgb色彩空间转换到lαβ色彩空间，以分别形成标准转换图像、对比转换图像和参考转换图像；其中，所述参考图像是能够将其中参考目标进行突出展示的图像信息；

计算所述标准转换图像中各像素的lαβ色彩空间坐标的第一均值和第一标准差，及所述对比转换图像中各像素的lαβ色彩空间坐标的第二均值和第二标准差，及所述参考转换图像中各像素的lαβ色彩空间坐标的参考均值和参考标准差；

根据所述参考均值、所述参考标准差、所述第一均值和所述第一标准差对所述标准运算图像的像素进行调整，以提升所述标准运算图像的清晰度；根据所述参考均值、所述参考标准差、所述第二均值和所述第二标准差对所述对比运算图像进行调整，以提升所述对比运算图像的清晰度。

上述方案中，所述根据所述参考均值、所述参考标准差、所述第一均值和所述第一标准差对所述标准运算图像的像素进行调整的步骤，包括：

将所述标准运算图像中任一像素设为第一目标像素，提取第一目标像素的lαβ色彩空间坐标；

将所述lαβ色彩空间坐标与所述第一均值相减后，与所述第一标准差相除得到第一标准分数，所述第一标准分数反映了所述lαβ色彩空间坐标，在所述标准运算图像的所有像素的lαβ色彩空间坐标的正态分布中所处的相对位置；

将所述第一标准分数与所述参考均值相乘得到的标准参考坐标，将所述标准参考坐标与所述参考标准差相加得到标准调整坐标；

将所述第一目标像素的lαβ色彩空间坐标设为所述标准调整坐标，以对所述标准运算图像的第一目标像素进行调整；

所述根据所述参考均值、所述参考标准差、所述第二均值和所述第二标准差对所述对比运算图像的像素进行调整的步骤，包括：

将所述对比运算图像中任一像素设为第二目标像素，提取第二目标像素的lαβ色彩空间坐标；

将所述lαβ色彩空间坐标与所述第二均值相减后，与所述第二标准差相除得到第二标准分数，所述第二标准分数反映了所述lαβ色彩空间坐标，在所述对比运算图像的所有像素的lαβ色彩空间坐标的正态分布中所处的相对位置；

将所述第二标准分数与所述参考均值相乘得到的对比参考坐标，将所述对比参考坐标与所述参考标准差相加得到对比调整坐标；

将所述第二目标像素的lαβ色彩空间坐标设为所述对比调整坐标，以对所述对比运算图像的第二目标像素进行调整。

上述方案中，所述提取所述标准运算图像中的标准目标，及提取所述对比运算图像中的对比目标的步骤，包括：

将所述标准运算图像从rgb色彩空间转换到hsv色彩空间；

将所述标准运算图像中任一像素设为第三目标像素，判断所述第三目标像素的hsv色彩空间是否属于预置的色彩阈值；若是，则将所述hsv色彩空间调整为预置的极低值；若否，则将所述hsv色彩空间调整为预置的极高值；

从所述标准运算图像中获取hsv色彩空间为极低值的像素并汇总，得到所述标准目标；

将所述对比运算图像从rgb色彩空间转换到hsv色彩空间；

将所述对比运算图像中任一像素设为第四目标像素，判断所述第四目标像素的hsv色彩空间是否属于预置的色彩阈值；若是，则将所述hsv色彩空间调整为预置的极低值；若否，则将所述hsv色彩空间调整为预置的极高值；

从所述对比运算图像中获取hsv色彩空间为极低值的像素并汇总，得到所述对比目标。

上述方案中，所述对比所述标准轮廓和所述对比轮廓的差异，根据所述差异判断所述标准目标和所述对比目标是否相同的步骤，包括：

获取所述标准轮廓中各像素的标准向量，及所述对比轮廓中各像素的对比向量，将所述标准向量和所述对比向量录入所述识别神经网络，其中，所述标准向量表征了所述标准轮廓中像素的位置坐标，所述对比向量表征了所述对比轮廓中像素的位置坐标；

调用所述识别神经网络通过提取所述标准轮廓中相邻的两个像素的标准向量，计算两个所述标准向量之间的欧式距离得到所述相邻的两个像素之间的空间距离的方式，计算所述标准轮廓中各所述相邻的两个像素之间的空间距离，并汇总形成标准距离向量；及通过提取所述对比轮廓中相邻的两个像素的对比向量，计算两个所述对比向量之间的欧式距离得到所述相邻的两个像素之间的空间距离的方式，计算所述对比轮廓中各所述相邻的两个像素之间的空间距离，并汇总形成对比距离向量；

计算所述标准距离向量和所述对比距离向量之间的欧式距离或余弦相似度获得对比相似值，所述对比相似值表征了所述标准轮廓和所述对比轮廓的差异；判断所述对比相似值是否超过预置的相似阈值；若是，则判定所述标准目标和所述对比目标不同；若否，则判定所述标准目标和所述对比目标相同；

所述计算所述标准距离向量和所述对比距离向量之间的欧式距离或余弦相似度获得对比相似值之后，所述方法包括：

将所述对比相似值上传至区块链中。

为实现上述目的，本发明还提供一种图像目标对比装置，包括：

输入模块，用于获取标准图像和对比图像；

裁剪模块，用于裁剪所述标准图像中展示有标准目标的区域形成标准运算图像，及裁剪所述对比图像中展示有所述对比目标的区域得到对比运算图像；

目标提取模块，用于提取所述标准运算图像中的标准目标，及提取所述对比运算图像中的对比目标；

轮廓提取模块，用于获取所述标准目标的标准轮廓，及所述对比目标的对比轮廓；

目标对比模块，用于对比所述标准轮廓和所述对比轮廓的差异，根据所述差异判断所述标准目标和所述对比目标是否相同。

为实现上述目的，本发明还提供一种计算机设备，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机设备的处理器执行所述计算机程序时实现上述图像目标对比方法的步骤。

为实现上述目的，本发明还提供一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述可读存储介质存储的所述计算机程序被处理器执行时实现上述图像目标对比方法的步骤。

本发明提供的图像目标对比方法、装置、计算机设备及可读存储介质，通过对比标准图像中标准目标的标准轮廓，与对比图像中对比目标的对比轮廓的差异，以判断标准目标和对比目标是否相同，实现精准高效的识别所述标准目标和所述对比目标是否一致，不仅提高了标准目标和对比目标之间比对的准确度，如标准公章和对比公章之间的对比，而且提高了标准目标和对比目标之间比对的效率。

附图说明

图1为本发明图像目标对比方法实施例一的流程图；

图2为本发明图像目标对比方法实施例二中图像目标对比方法的环境应用示意图；

图3是本发明图像目标对比方法实施例二中图像目标对比方法的具体方法流程图；

图4为本发明图像目标对比装置实施例三的程序模块示意图；

图5为本发明计算机设备实施例四中计算机设备的硬件结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明提供的图像目标对比方法、装置、计算机设备及可读存储介质，适用于人工智能的图像检测技术领域，为提供一种基于输入模块、裁剪模块、目标提取模块、轮廓提取模块、目标对比模块的图像目标对比方法。本发明通过裁剪标准图像中展示有标准目标的区域形成标准运算图像，及裁剪对比图像中展示有对比目标的区域得到对比运算图像；提取标准运算图像中的标准目标，及提取对比运算图像中的对比目标；获取标准目标的标准轮廓，及对比目标的对比轮廓；对比标准轮廓和对比轮廓的差异，根据差异判断标准目标和对比目标是否相同。

实施例一：

请参阅图1，本实施例的一种图像目标对比方法，包括：

s101：获取标准图像和对比图像。

s102：裁剪所述标准图像中展示有标准目标的区域形成标准运算图像，及裁剪所述对比图像中展示有所述对比目标的区域得到对比运算图像。

s105：提取所述标准运算图像中的标准目标，及提取所述对比运算图像中的对比目标。

s106：获取所述标准目标的标准轮廓，及所述对比目标的对比轮廓。

s107：对比所述标准轮廓和所述对比轮廓的差异，根据所述差异判断所述标准目标和所述对比目标是否相同。

在示例性的实施例中，所述标准图像为展示有标准目标的图片信息，例如：具有经过认证的公章的合法扫描版合同，其中，所述公章为标准目标，所述合法扫描版合同为所述标准图像；所述对比图像为展示有对比目标的图像信息，例如：具有未经过认证的公章的待定扫描版合同，其中，所述公章为对比目标，所述待定扫描版合同未所述对比图像。

对识别所述标准图像中展示所述标准目标的标准区域，及所述对比图像中展示所述对比目标的对比区域；在识别出所述标准图像中的标准目标时，将会在所述标准图像上生成圈定所述标准目标的标准锚框，所述标准锚框即为所述标准区域；同时，在识别所述对比图像中的对比目标时，将会在所述对比图像上生成圈定所述对比目标的对比锚框，所述对比锚框即为所述对比区域。进而实现识别出标准图像中具有标准目标的区域，及对比图像中具有对比目标的区域实现单独对比所述标准目标和所述对比目标，避免了标准图像和对比图像中除标准目标和对比目标外的其他像素对后续的对比作业产生干扰。

通过将所述标准运算图像和所述对比运算图像分别从rgb色彩空间转换到hsv色彩空间，其中，hsv色彩空间直观地表达颜色的色调、鲜艳程度和明暗程度，其包括：h(hue色调、色相)、s(saturation：饱和度、色彩纯净度)、v(value：明度)；将所述标准运算图像和对比运算图像中属于预置的色彩阈值的像素调整到极低值，不属于所述色彩阈值的像素调整到极高值，以突出所述标准目标与所述标准运算图像中除所述标准目标外的其他像素之间的色彩及明亮度差别，及所述对比目标与所述对比运算图像中除所述对比目标外的其他像素之间的色彩及明亮度差别。分别汇总所述标准运算图像和所述对比运算图像中属于极低值的像素，以分别获得所述标准目标和所述对比目标，实现准确完整的从标准运算图像和对比运算图像中提取标准目标和对比目标的技术效果。

使用python中的cv2.findcontours函数获取所述标准目标的标准轮廓，及所述对比目标的对比轮廓，所述标准轮廓是所述标准目标中位于边缘位置的像素点，所述对比轮廓是所述对比目标中位于边缘位置的像素点。

通过获取所述标准轮廓中各像素的标准向量，及所述对比轮廓中各像素的对比向量；计算所述标准轮廓中任一两个相邻的像素的标准向量之间的欧式距离得到空间距离并汇总形成标准距离向量，计算所述对比轮廓中任一两个相邻的像素的对比向量之间的欧式距离得到空间距离并汇总形成对比距离向量；对比所述标准距离向量和所述对比距离向量之间的欧式距离或余弦相似度，以获得所述标准轮廓和所述对比轮廓的差异，并根据所述差异判断所述标准目标和所述对比目标是否相同，实现精准高效的识别所述标准目标和所述对比目标是否一致的技术效果。

因此，本申请不仅提高了标准目标和对比目标之间比对的准确度，如标准公章和对比公章之间的对比，而且提高了标准目标和对比目标之间比对的效率。

实施例二：

本实施例为上述实施例一的一种具体应用场景，通过本实施例，能够更加清楚、具体地阐述本发明所提供的方法。

下面，以在运行有图像目标对比方法的服务器中，对比标准图像中标准目标的标准轮廓，与对比图像中对比目标的对比轮廓的差异，以判断标准目标和对比目标是否相同为例，来对本实施例提供的方法进行具体说明。需要说明的是，本实施例只是示例性的，并不限制本发明实施例所保护的范围。

图2示意性示出了根据本申请实施例二的图像目标对比方法的环境应用示意图。

在示例性的实施例中，图像目标对比方法所在的服务器2通过网络3分别连接客户端4；所述服务器2可以通过一个或多个网络3提供服务，网络3可以包括各种网络设备，例如路由器，交换机，多路复用器，集线器，调制解调器，网桥，中继器，防火墙，代理设备和/或等等。网络3可以包括物理链路，例如同轴电缆链路，双绞线电缆链路，光纤链路，它们的组合和/或类似物。网络3可以包括无线链路，例如蜂窝链路，卫星链路，wi-fi链路和/或类似物；所述客户端4可为智能手机、平板电脑、笔记本电脑、台式电脑等计算机设备。

图3是本发明一个实施例提供的一种图像目标对比方法的具体方法流程图，该方法具体包括步骤s201至s207。

s201：获取标准图像和对比图像。

本步骤中，通过与客户端建立连接以获取所述标准图像和所述对比图像，所述标准图像为展示有标准目标的图片信息，例如：具有经过认证的公章的合法扫描版合同，其中，所述公章为标准目标，所述合法扫描版合同为所述标准图像；所述对比图像为展示有对比目标的图像信息，例如：具有未经过认证的公章的待定扫描版合同，其中，所述公章为对比目标，所述待定扫描版合同未所述对比图像。

s202：裁剪所述标准图像中展示有标准目标的区域形成标准运算图像，及裁剪所述对比图像中展示有所述对比目标的区域得到对比运算图像。

为识别出标准图像中具有标准目标的区域，及对比图像中具有对比目标的区域实现单独对比所述标准目标和所述对比目标，以避免标准图像和对比图像对后续的对比作业产生干扰；本步骤通过图像目标识别模块对识别所述标准图像中展示所述标准目标的标准区域，及所述对比图像中展示所述对比目标的对比区域，于本实施例中，所述图像目标识别模块是通过存储的信息与当前的信息进行比较实现对图像的识别，其中，可采用fasterr-cnn、或maskr-cnn、或rfcn等神经网络模型作为所述图像目标识别模块；所述图像目标识别模块在识别出所述标准图像中的标准目标时，将会在所述标准图像上生成圈定所述标准目标的标准锚框，所述标准锚框即为所述标准区域；同时，在识别所述对比图像中的对比目标时，将会在所述对比图像上生成圈定所述对比目标的对比锚框，所述对比锚框即为所述对比区域。

进一步地，通过裁剪模块将所述标准区域从所述标准图像上裁切下来得到标准运算图像，及将所述对比区域从所述对比图像上裁切下来得到对比运算图像。于本实施例中，采用图像裁剪软件，如：jpegcrop，对所述标准图像和所述对比图像进行裁剪，以获得标准运算图像和所述对比运算图像。其中，所述jpegcrop实现了对图像的无损切割，进而保证标准运算图像和对比运算图像中的标准目标和运算目标不会失真，提高对比的准确度。

s203：调整所述标准运算图像和所述对比运算图像的尺寸，使所述标准运算图像和所述对比运算图像的尺寸一致。

为保证后续对标准目标和对比目标之间对比的准确度，本步骤在保证所述标准运算图像和所述对比运算图像的宽高比不变的前提下，将所述标准运算图像和所述对比运算图像的尺寸，调整至预置的规范尺寸，使所述标准运算图像和所述对比运算图像的尺寸一致。

s204：提升所述标准运算图像和所述对比运算图像的清晰度，以突出所述标准目标和所述对比目标的轮廓边界。

为分别划清所述标准目标与所述标准运算图像的其他像素之间的边界，及所述对比目标与所述对比运算图像的其他像素之间的边界，进而实现提升标准目标和对比目标的细部影纹及其轮廓边界的清晰程度的技术效果，本步骤通过将所述标准运算图像和所述对比运算图像的rgb色彩空间转换到lαβ色彩空间，并对所述标准运算图像和所述对比运算图像的lαβ色彩空间的空间分量进行调整，以提升标准目标和对比目标的细部影纹及其轮廓边界的清晰度。由于lαβ色彩空间不仅基本消除了颜色分量之间的强相关性，而且有效地将图像的灰度信息和颜色信息分离开来，进而有利于提升所述标准目标和对比目标的，各细部影纹及其边界的清晰程度的技术效果。

在一个优选的实施例中，所述提升所述标准运算图像和所述对比运算图像的清晰度的步骤，包括：

s41：获取预置的参考图像，分别将所述标准运算图像、对比运算图像及所述参考图像的rgb色彩空间转换到lαβ色彩空间，以分别形成标准转换图像、对比转换图像和参考转换图像；其中，所述参考图像是能够将其中参考目标进行突出展示的图像信息。

本步骤中，将所述标准运算图像的rgb色彩空间转换到lαβ色彩空间形成标准转换图像，及将所述对比运算图像的rgb色彩空间转换到lαβ色彩空间形成对比转换图像；将所述参考图像的rgb色彩空间转换到lαβ色彩空间形成参考转换图像。其中，通过图像绘制软件或开源图像处理软件(例如：phtoshope、matlab等)，将所述标准运算图像和所述对比运算图像的rgb色彩空间转到lαβ色彩空间。

具体地，所述获取预置的参考图像包括：

调用预置的参考设备生成参考图像并获取所述参考图像；所述参考设备所生成的参考图像，能够清晰的划分出所述参考图像中的参考目标的细部影纹及其轮廓边界，例如：扫描机。

s42：计算所述标准转换图像中各像素的lαβ色彩空间坐标的第一均值和第一标准差，及所述对比转换图像中各像素的lαβ色彩空间坐标的第二均值和第二标准差，及所述参考转换图像中各像素的lαβ色彩空间坐标的参考均值和参考标准差。

s43：根据所述参考均值、所述参考标准差、所述第一均值和所述第一标准差对所述标准运算图像的像素进行调整，以提升所述标准运算图像的清晰度；

根据所述参考均值、所述参考标准差、所述第二均值和所述第二标准差对所述对比运算图像进行调整，以提升所述对比运算图像的清晰度；

本步骤中，所述根据所述参考均值、所述参考标准差、所述第一均值和所述第一标准差对所述标准运算图像的像素进行调整的步骤，包括：

s43-01：将所述标准运算图像中任一像素设为第一目标像素，提取第一目标像素的lαβ色彩空间坐标；

s43-02：将所述lαβ色彩空间坐标与所述第一均值相减后，与所述第一标准差相除得到第一标准分数，所述第一标准分数反映了所述lαβ色彩空间坐标，在所述标准运算图像的所有像素的lαβ色彩空间坐标的正态分布中所处的相对位置；

本步骤中，所述第一标准分数是以标准差为单位度量第一目标像素的lαβ色彩空间坐标离所述标准运算图像的第一均值之上多少个标准差或之下多少个标准差。一般情况下，标准分数越大说明第一目标像素的lαβ色彩空间坐标和第一均值之间的距离越大。

s43-03：将所述第一标准分数与所述参考均值相乘得到的标准参考坐标，将所述标准参考坐标与所述参考标准差相加得到标准调整坐标；

本步骤中，所述标准参考坐标是根据参考图像对所述第一目标像素的lαβ色彩空间坐标进行调节，以反映所述第一目标像素映射到所述参考图像时，所述第一目标像素的lαβ色彩空间的初步位置；所述标准调整坐标是对所述标准参考坐标进行调整，以反映所述第一目标像素映射到所述参考图像时，所述第一目标像素的lαβ色彩空间的准确位置。

s43-04：将所述第一目标像素的lαβ色彩空间坐标设为所述标准调整坐标，以对所述标准运算图像的第一目标像素进行调整。

所述根据所述参考均值、所述参考标准差、所述第二均值和所述第二标准差对所述对比运算图像的像素进行调整的步骤，包括：

s43-11：将所述对比运算图像中任一像素设为第二目标像素，提取第二目标像素的lαβ色彩空间坐标；

s43-12：将所述lαβ色彩空间坐标与所述第二均值相减后，与所述第二标准差相除得到第二标准分数，所述第二标准分数反映了所述lαβ色彩空间坐标，在所述对比运算图像的所有像素的lαβ色彩空间坐标的正态分布中所处的相对位置；

本步骤中，所述第二标准分数是以标准差为单位度量第二目标像素的lαβ色彩空间坐标离所述对比运算图像的第二均值之上多少个标准差或之下多少个标准差。一般情况下，标准分数越大说明第二目标像素的lαβ色彩空间坐标和第二均值之间的距离越大。

s43-13：将所述第二标准分数与所述参考均值相乘得到的对比参考坐标，将所述对比参考坐标与所述参考标准差相加得到对比调整坐标；

本步骤中，所述对比参考坐标是根据参考图像对所述第二目标像素的lαβ色彩空间坐标进行调节，以反映所述第二目标像素映射到所述参考图像时，所述第二目标像素的lαβ色彩空间的初步位置；所述对比调整坐标是对所述对比参考坐标进行调整，以反映所述第二目标像素映射到所述参考图像时，所述第二目标像素的lαβ色彩空间的准确位置。

s43-14：将所述第二目标像素的lαβ色彩空间坐标设为所述对比调整坐标，以对所述对比运算图像的第二目标像素进行调整。

综上，分别对所述标准转换图像和所述对比转换图像中各像素的lαβ色彩空间坐标进行调整，提升所述标准运算图像中的与所述标准目标及所述对比运算图像中的对比目标的清晰度，以突出所述标准目标和所述对比目标的轮廓边界。

示例性地，以下为通过python代码对第一均值和第一标准差，以及对第二均值和第二标准差进行正态分布调整的举例说明：

s205：提取所述标准运算图像中的标准目标，及提取所述对比运算图像中的对比目标。

为完整的从标准运算图像和对比运算图像中提取标准目标和对比目标，本步骤通过将所述标准运算图像和所述对比运算图像分别从rgb色彩空间转换到hsv色彩空间，其中，hsv色彩空间直观地表达颜色的色调、鲜艳程度和明暗程度，其包括：h(hue色调、色相)、s(saturation：饱和度、色彩纯净度)、v(value：明度)；将所述标准运算图像和对比运算图像中属于预置的色彩阈值的像素调整到极低值，不属于所述色彩阈值的像素调整到极高值，以突出所述标准目标与所述标准运算图像中除所述标准目标外的其他像素之间的色彩及明亮度差别，及所述对比目标与所述对比运算图像中除所述对比目标外的其他像素之间的色彩及明亮度差别。分别汇总所述标准运算图像和所述对比运算图像中属于极低值的像素，以分别获得所述标准目标和所述对比目标，实现准确完整的从标准运算图像和对比运算图像中提取标准目标和对比目标的技术效果。

在一个优选的实施例中，所述提取所述标准运算图像中的标准目标，及提取所述对比运算图像中的对比目标的步骤，包括：

s51：将所述标准运算图像从rgb色彩空间转换到hsv色彩空间。

s52：将所述标准运算图像中任一像素设为第三目标像素，判断所述第三目标像素的hsv色彩空间是否属于的色彩阈值；若是，则将所述hsv色彩空间调整为预置的极低值；例如：[0,0,0]；若否，则将所述hsv色彩空间调整为预置的极高值；例如：[255,255,255]；

s53：从所述标准运算图像中获取hsv色彩空间为极低值的像素并汇总，得到所述标准目标；

s54：将所述对比运算图像从rgb色彩空间转换到hsv色彩空间。

s55：将所述对比运算图像中任一像素设为第四目标像素，判断所述第四目标像素的hsv色彩空间是否属于预置的色彩阈值；若是，则将所述hsv色彩空间调整为预置的极低值；例如：[0,0,0]；若否，则将所述hsv色彩空间调整为预置的极高值；例如：[255,255,255]。

s56：从所述对比运算图像中获取hsv色彩空间为极低值的像素并汇总，得到所述对比目标。

示例性地，采用python代码调整所述第三目标像素和第四目标像素的hsv色彩空间，如下：

s206：获取所述标准目标的标准轮廓，及所述对比目标的对比轮廓。

于本实施例中，使用python中的cv2.findcontours函数获取所述标准目标的标准轮廓，及所述对比目标的对比轮廓，所述标准轮廓是所述标准目标中位于边缘位置的像素点，所述对比轮廓是所述对比目标中位于边缘位置的像素点。

示例性地：可通过以下代码分别提取所述标准目标和所述对比目标中位于边缘的像素点，以分别获得所述标准轮廓和所述对比轮廓：

#kernel＝np.ones((10,10),np.uint8)

#closing＝cv2.morphologyex(thresh,cv2.morph_close,kernel)

#contours,hierarchy＝cv2.findcontours(closing,cv2.retr_tree,cv2.chain_approx_none)

s207：对比所述标准轮廓和所述对比轮廓的差异，根据所述差异判断所述标准目标和所述对比目标是否相同。

为实现精准高效的识别所述标准目标和所述对比目标是否一致，本步骤通过获取所述标准轮廓中各像素的标准向量，及所述对比轮廓中各像素的对比向量；计算所述标准轮廓中任一两个相邻的像素的标准向量之间的欧式距离得到空间距离并汇总形成标准距离向量，计算所述对比轮廓中任一两个相邻的像素的对比向量之间的欧式距离得到空间距离并汇总形成对比距离向量；对比所述标准距离向量和所述对比距离向量之间的欧式距离或余弦相似度，以获得所述标准轮廓和所述对比轮廓的差异，并根据所述差异判断所述标准目标和所述对比目标是否相同。

在一个优选的实施例中，所述对比所述标准轮廓和所述对比轮廓的差异，根据所述差异判断所述标准目标和所述对比目标是否相同的步骤，包括：

s71：获取所述标准轮廓中各像素的标准向量，及所述对比轮廓中各像素的对比向量，将所述标准向量和所述对比向量录入所述识别神经网络，其中，所述标准向量表征了所述标准轮廓中像素的位置坐标，所述对比向量表征了所述对比轮廓中像素的位置坐标；

s72：调用所述识别神经网络通过提取所述标准轮廓中相邻的两个像素的标准向量，计算两个所述标准向量之间的欧式距离得到所述相邻的两个像素之间的空间距离的方式，计算所述标准轮廓中各所述相邻的两个像素之间的空间距离，并汇总形成标准距离向量；及通过提取所述对比轮廓中相邻的两个像素的对比向量，计算两个所述对比向量之间的欧式距离得到所述相邻的两个像素之间的空间距离的方式，计算所述对比轮廓中各所述相邻的两个像素之间的空间距离，并汇总形成对比距离向量；

s73：计算所述标准距离向量和所述对比距离向量之间的欧式距离或余弦相似度获得对比相似值，所述对比相似值表征了所述标准轮廓和所述对比轮廓的差异；判断所述对比相似值是否超过预置的相似阈值；若是，则判定所述标准目标和所述对比目标不同；若否，则判定所述标准目标和所述对比目标相同。

优选的，所述计算所述标准距离向量和所述对比距离向量之间的欧式距离或余弦相似度获得对比相似值之后，所述方法包括：

将所述对比相似值上传至区块链中。

需要说明的是，基于对比相似值得到对应的摘要信息，具体来说，摘要信息由对比相似值进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证对比相似值是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

进一步地，训练所述识别神经网络具体包括：

m1：获取训练样本，所述训练样本包括相似图像对和非相似图像对；

m2：将所述相似图像对中的第一标准图像和第一对比图像按照所述步骤s201-s206的步骤进行处理，获得第一标准轮廓和第一对比轮廓；创制以所述第一标准轮廓和所述第一对比轮廓作为第一输入信息，以相似标签为第一输出信息的相似样本；

m3：将所述非相似图像对中的第二标准图像和第二对比图像按照所述步骤s201-s206的步骤进行处理，获得第二标准轮廓和第二对比轮廓；创制以所述第二标准轮廓和所述第二对比轮廓作为第二输入信息，以非相似标签为第二输出信息的非相似样本；

m4：通过所述相似样本和所述非相似样本对所述初始神经网络进行训练，以得到对比神经网络。

于本实施例中，所述初始神经网络是siamese网络，利用梯度下降法并通过所述相似样本和所述非相似样本对所述初始神经网络进行训练，以训练所述初始神经网络，并根据所述第一输入信息所获得的第一距离和根据所述第二输入信息所获得的第二向量，找到划分标准运算图像和对比运算图像之间相似度临界点的相似阈值。其中，所述siamese网络是一种相似性度量方法，当类别数多，但每个类别的样本数量少的情况下可用于类别的识别、分类等，其从数据中去学习一个相似性度量，用这个学习出来的度量去比较和匹配新的未知类别的样本。所述梯度下降法(gradientdecent)是一个最优化算法，通常也称为最速下降法，用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。

实施例三：

请参阅图4，本实施例的一种图像目标对比装置1，包括：

输入模块11，用于获取标准图像和对比图像；

裁剪模块12，用于裁剪所述标准图像中展示有标准目标的区域形成标准运算图像，及裁剪所述对比图像中展示有所述对比目标的区域得到对比运算图像；

目标提取模块15，用于提取所述标准运算图像中的标准目标，及提取所述对比运算图像中的对比目标；

轮廓提取模块16，用于获取所述标准目标的标准轮廓，及所述对比目标的对比轮廓；

目标对比模块17，用于对比所述标准轮廓和所述对比轮廓的差异，根据所述差异判断所述标准目标和所述对比目标是否相同。

可选的，所述图像目标对比装置1还包括：

尺寸调整模块13，用于调整所述标准运算图像和所述对比运算图像的尺寸，使所述标准运算图像和所述对比运算图像的尺寸一致。

可选的，所述图像目标对比装置1还包括：

清晰度调整模块14，用于提升所述标准运算图像和所述对比运算图像的清晰度，以突出所述标准目标和所述对比目标的轮廓边界。

本技术方案应用于人工智能的图像检测技术领域，提取所述标准运算图像中的标准目标，及提取所述对比运算图像中的对比目标；获取所述标准目标的标准轮廓，及所述对比目标的对比轮廓；通过对所述标准轮廓和所述对比轮廓进行距离度量，以对比所述标准轮廓和所述对比轮廓的差异，根据所述差异判断所述标准目标和所述对比目标是否相同，以实现对标准目标和对比目标之间的图像匹配的技术效果。

实施例四：

为实现上述目的，本发明还提供一种计算机设备5，实施例三的图像目标对比装置的组成部分可分散于不同的计算机设备中，计算机设备5可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个应用服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器51、处理器52，如图5所示。需要指出的是，图5仅示出了具有组件-的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器51(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器51可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器51也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。当然，存储器51还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器51通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例三的图像目标对比装置的程序代码等。此外，存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器52在一些实施例中可以是中央处理器(centralprocessingunit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制计算机设备的总体操作。本实施例中，处理器52用于运行存储器51中存储的程序代码或者处理数据，例如运行图像目标对比装置，以实现实施例一和实施例二的图像目标对比方法。

实施例五：

为实现上述目的，本发明还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，程序被处理器52执行时实现相应功能。本实施例的计算机可读存储介质用于存储图像目标对比装置，被处理器52执行时实现实施例一和实施例二的图像目标对比方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。