具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例的一个方面，提供了一种图像确定方法，可选地，上述图像确定方法可以但不限于应用于如图1所示的环境中。终端设备102通过网络110与服务器112进行数据交互。终端设备102具备视频采集功能，将采集到的视频数据通过网络110发送给服务器112。服务器112中运行有数据库114和处理引擎116，数据库114用于存储接收到的视频数据，处理引擎116用对视频数据进行处理以确定出用于对象识别的图像帧。

服务器112的处理引擎116不限于依次执行S102至S106以从视频数据中确定出目标图像。S102，获取对象图像集合。对象图像集合中所包含多个候选图像，候选图像为检测出目标对象的视频帧。从接收到的视频数据中截取包含有目标对象的目标视频，对目标视频按帧进行划分，得到包含有目标对象的对象图像集合。S104，得到候选图像的质量参数。通过图像识别模型对候选图像进行识别，得到候选图像对应的质量参数，质量参数用于指示候选图像中目标对象的关键部位的完整程度，图像识别模型为包含多个任务子模型的神经网络模型，任务子模型用于识别对应的关键部位的完整程度。S106，确定目标图像。将满足质量条件的质量参数对应的候选图像确定为目标图像，目标图像用于识别目标对象。

可选地，在本实施例中，上述终端设备102可以是配置有视频采集客户端的终端设备，可以包括但不限于以下至少之一：手机(如Android手机、IOS手机等)、笔记本电脑、平板电脑、掌上电脑、MID(Mobile Internet Devices，移动互联网设备)、PAD、台式电脑、智能电视、智能摄像设备等。视频采集客户端可以是视频客户端、即时通信客户端、浏览器客户端、教育客户端等。上述网络110可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、WIFI及其他实现无线通信的网络。上述服务器112可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。

作为一种可选的实施方式，如图2所示，上述图像确定方法包括：

S202，获取对象图像集合，其中，对象图像集合中包含检测出目标对象的多个候选图像；

S204，利用图像识别模型，对多个候选图像中各个候选图像进行识别，得到各个候选图像对应的质量参数，其中，质量参数用于指示对应的候选图像中目标对象的关键部位的完整程度，图像识别模型包含多个任务子模型，任务子模型用于识别对应的关键部位的完整程度；

S206，将满足质量条件的质量参数对应的候选图像，确定为目标图像，其中，目标图像用于对目标对象进行识别。

可选地，对象图像集合不限于是包括有目标对象的目标视频进行视频处理后得到的图像集合，视频处理不限于是按帧对目标视频进行切分，以得到多个包含有目标对象的视频帧。目标视频不限于是从摄像终端拍摄的视频数据中，截取到的包含目标对象的视频。

可选地，图像识别模型中包括用于从候选图像中进行关键部位识别的区域识别模型和用于对关键部位的完整程度进行识别的任务子模型。区域识别模型用于从完整的候选图像中识别出各个关键部位所在的关键区域，将各个关键区域输入至任务子模型，以利用与关键部位对应的任务子模型对关键区域中的关键部位的完整程度进行识别，得到关键部位的完整程度。

可选地，关键部位是针对对象的组成划分出的部位。以对象是车辆为例，关键部位不限于包括：车牌，车标，前/后车窗，侧车窗，左/右车灯，车顶，车轮。根据关键部位确定图像识别模型中包括的任务子模型的数量，并设定任务子模型与关键部位的关联对应关系。利用与关键部位对应的任务子模型对候选图像中的关键部位所在的关键区域中的关键部位的完整程度。

可选地，关键部位的完整程度不限于是预设的完整等级，并为每个完整等级设置匹配的完整参数。通过任务子模型确定对应的关键部位的完整等级或与完整等级对应到的完整参数。图像识别模型的统计模块基于各个任务子模型输出的完整等级或完整参数得到指示候选图像中目标对象的完整程度的质量参数。

可选地，从对象图像集合中确定出目标对象不限于在对象图像集合中对每张候选图像进行质量参数的依次获取，根据全部候选图像的质量参数确定出目标图像。

以目标对象为目标A，从图像集合中确定出目标图像的流程不限于如图3所示。执行S302，获取包含目标A关键部件完整性标注的样本图像。在获取到样本图像的情况下，执行S304，使用样本图像训练关键部件多任务模型M，也就是图像识别模型。在多任务模型M训练完成的情况下，执行S306，令K＝1。K用于指示当前所在轮询的轮次。执行S308，判断K是否≤图像集合中的总图像数。在S308判断为是，当前K的数值小于或等于图像集合中的总图像数的情况下，执行S310，获取第K个包含目标A的图像。从包含目标A的图像集合中获取第K个图像。在获取到图像的情况下，执行S312，使用M对图像中各部件完整性识别。通过多任务模型M对图像中目标A的各个部件的完整性进行识别，得到各个部件的完整性参数。执行S314，根据各部件完整性和重要程度确定质量参数。在获取到各个部件的完整性之后，确定各个部件的重要程度从而确定图像的质量参数。执行S316，另K＝K+1。

当前轮次的轮询完整，循环执行S308至S316，直至当前K＞图像集合中的总图像数。在获取到图像集合中国每个图像的质量参数的情况下，执行S318，选出质量参数最高的1个或多个作为目标A的目标图像。

在本申请实施例中，采用在包含目标对象的对象图像集合中，通过图像识别模型获取每张候选图像进行完整程度识别，得到候选图像的质量参数，通过图像识别模型中的任务子模型对目标对象中个关键部位的完整程度进行识别，从而得到指示候选图像中目标对象中关键部位的完整程度的质量参数，将满足质量条件的质量参数对应的候选图像确定为目标图像的方式，通过图像识别模型中的各个任务子模型对图像中所包含的目标对象的各个关键部位进行完整程度识别，得到能够指示候选图像中目标对象的完整程度的质量参数，通过质量参数从候选图像中确定出目标图像，达到了从图像集合中确定出包含完整程度更高的目标对象的目标图像，使用包含完整程度更高的目标对象的目标图像进行目标对象的识别的目的，从而实现了提高目标对象的识别成功率的技术效果，进而解决了用于对象识别的图像确定不准确导致对象识别成功率低的技术问题。

作为一种可选的实施方式，如图4所示，上述利用图像识别模型，对多个候选图像中各个候选图像进行识别，得到各个候选图像对应的质量参数包括：

针对各个候选图像分别进行如下处理：

S402，确定候选图像中包含各个关键部位的关键区域；

S404，基于图像识别模型中与各个关键部位对应的任务子模型，对各个关键部位的关键区域进行识别，得到各个关键部位对应的部位参数，其中，部位参数用于指示对应的关键部位的完整程度；

S406，根据各个关键部位的部位参数得到质量参数。

可选地，为便于各个任务子模型对于对应的关键部位的完成程度的识别，利用图像识别模型对候选图像中各个关键部位所在的关键区域进行划分和提取。将提取到的包含关键部位的关键区域的区域信息输入至任务子模型中，以实现任务子模型对关键部位的完整程度的识别，得到任务子模型输出的、关键部位对应的质量参数。

可选地，根据关键部位在目标对象中的位置，确定每个关键部位对应的关键区域。在相邻的关键部位所在的区域距离小于区域阈值的情况下，将包含两个或多个关键部位的关键区域分为作为两个或多个关键部位的关键区域，利用任务子模型分别对关键区域中包含的关键部位的完整程度进行识别。以目标对象是车辆为例，车牌和车标所在区域之间的区域间隔较小，因此，可以将包含有车牌和车标的图像区域作为同一个关键区域，将会该关键区域分别输入至车牌对应的任务子模型和车标对应的任务子模型中，分别进行车牌完整程度的识别和车标完整程度的识别。

可选地，部位参数不限于是用于指示关键部位的完整程度的数值。例如，设置部位参数为0-1之间的数值，以1表示图像中关键部位完整，以0表示图像中关键部位完全没有。以上仅为示例，不作为对部位参数的限定。

在本申请实施例中，通过图像识别模型中的各个任务子模型分别对各个关键部位进行部位的完整程度的识别，得到部位参数，利用各个关键部位对应的部位参数得到用于指示图像中目标对象完整程度的质量参数。将目标对象拆分为多个关键部位，并分别利用任务子模型对关键部位的完整程度进行识别，从关键部位的完整程度得到目标对象的完整程度，提高目标对象完整程度计算的准确性。

作为一种可选的实施方式，如图5所示，上述将得到各个关键部位的部位参数包括：

S502，识别关键区域的区域信息中所包含的关键部位的完整等级；

S504，获取与完整等级匹配的等级参数；

S506，将等级参数作为关键部位的部位参数。

可选地，完整等级不限于是预设的完整程度等级，并为每个完整等级设置匹配的等级参数。等级参数不限于是数值类型，将完整等级转换为数值型的部位参数，实现完整程度的数值化。

可选地，各个关键部位根据部位情况设置不同的完整等级，各个关键部位的完整等级可以相同，也可以不相同。例如，在目标对象为车辆的情况下，将车牌的完整等级设置完整、不完整、不可见三个等级。利用完整指示图像中的车牌可见且完整，利用不完整指示图像中的车牌可见但显示不完整，利用不可见指示图像中完全不显示车牌。还可以将完整等级设置为完整(完全可见)，较完整(可见部分大于50％)，部分可见(可见部分小于等于50％)，不可见(没有可见部分)。还可以将完整等级设置为可见部分的区域占比，将完整等级设置为十级，利用一级指示可见部分的区域占比0～10％，依次类推。以上完整等级均为示例，不用于对完整等级的限制。

可选地，与每个完整等级匹配的等级参数不限于是为每个完整等级设置匹配的等级分值，将用于描述关键部位的部位参数转换为与完整等级对应的等级分值。为等级参数设置数值范围，在数值范围内为每个等级参数设置等级分值。以等级参数的数值范围为0～1为例，完整不限于对应1，不完整不限于对应0.5，不可见不限于对应0。

在本申请实施例中，通过任务子模型对关键部位的完整等级的识别，并通过完整等级至等级参数的匹配转换，实现对于关键部位的完整程度的数值化，便于通过关键部位的完整程度获取目标对象的质量参数。

作为一种可选的实施方式，如图6所示，上述根据各个关键部位的部位参数得到质量参数包括：

S602，获取各个任务子模型输出的关键部位的部位参数；

S604，确定各个关键部位对应的部位权重；

S606，根据部位权重对部位参数进行加权运算，得到质量参数。

可选地，在获取各个任务子模型输出的部位参数的情况下，确定每个关键部位对应的部位权重。部位权重不限于是预先为每个关键部位设置的权重。每个关键部位的权重不限于是按照关键部位在目标对象的各个部位中完整程度的重要程度设置。

可选地，以目标对象是车辆，关键部位包括：车牌，车标，前/后车窗，侧车窗，左/右车灯，车顶，车轮七个部分，质量参数的计算不限于如下公式(1)所示：

其中，obj_score用于指示质量参数，i用于k_i用于指示关键部位的部位权重，score_i用于指示部位参数。

在本申请实施例中，通过为每个关键部位设置部位权重，调整关键部位在目标对象的完整程度上的重要程度，从而使得计算得到的质量参数更能代表目标对象的整体完整性。

可选地，如图7所示，上述在得到候选图像对应的质量参数之后，方法还包括：

S702，获取对象图像集合中每个候选图像的质量参数；

S704，比对质量参数；

S706，按照质量参数的比较结果，确定满足质量条件的目标图像。

可选地，在计算得到对象图像集合中每个候选图像的质量参数的情况下，比对全部候选图像的质量参数以确定目标图像。比对全部候选图像的质量参数不限于是将全部候选图像按照质量参数由大到小进行排序，以得到候选图像序列。根据候选图像序列确定对象图像集合中的目标图像。

作为一种可选的实施方式，上述将满足质量条件的质量参数对应的候选图像，确定为目标图像包括：基于质量参数的参数数值大小，将各个候选图像对应的质量参数进行排序，将排序在指定序位的质量参数对应的候选图像，确定为目标图像；或将超过质量参数阈值的质量参数对应的候选图像，确定为目标图像。

可选地，在确定对象图像集合中每个候选图像的质量参数以及对质量参数进行排序得到的候选图像序列之后，确定质量条件。在质量条件指示指定序位的情况下，将候选图像序列中位于指定序位上的候选图像确定为目标图像。例如，质量条件指示指定序位为一，则将位于第一序位、也就是质量参数数值最大的候选图像作为目标图像。质量条件指示执行序位为一、二、三的情况下，则将第一序位、第二序位、第三序位，也就是质量参数的数值前三的三个候选图像均作为目标图像。

可选地，在质量条件指示质量参数阈值的情况下，将超过质量参数阈值的质量参数对应的候选图像作为目标图像，对于目标图像的数量不做限定。例如，质量参数阈值为0.9，则将质量参数超过0.9的质量参数对应的候选图像均作为目标图像。

作为一种可选的实施方式，上述在得到候选图像对应的质量参数之后，方法还包括：在全部候选图像的质量参数均未满足质量条件的情况下，提示对象图像集合中未确定出目标图像。

在本申请实施例中，通过预设的质量条件配合质量参数在对象图像集合中对图像进行质量评估和筛选，以获取到满足质量条件的目标图像。利用完整程度满足质量条件的目标图像进行目标对象的识别，以提高目标对象的识别成功率和准确率。

作为一种可选的实施方式，如图8所示，上述在获取对象图像集合之前，方法还包括：

S802，获取样本图像集合，其中，样本图像集合中包含多个样本图像，样本图像中包含对样本对象的关键部位的标注标签，标注标签包括关键部位所在关键区域的区域标签和关键部位的质量标签；

S804，利用样本图像集合对对初始图像识别模型进行训练，其中，利用区域标签对初始图像识别模型进行关键区域的进行优化，利用质量标签对初始图像识别模型中对应的初始任务子模型进行优化；

S806，在关键区域的确定正确率高于第一阈值且初始任务子模型的识别正确率高于第二阈值的情况下，确定获取到包括多个任务子模型的图像识别模型。

可选地，利用带有标注标签的样本图像对初始图像识别模型进行训练，以得到图像识别模型。样本图像中的标注标签包括区域标签和质量标签。区域标签用于指示关键部位所在关键区域的划分，通过区域标签判断关键区域划分是否正确。

可选地，质量标签用于指示关键部位的完整程度，通过质量标签判断关键部位的部位参数的输出是否正确。利用识别出的关键区域的区域信息对各个初始任务子模型进行训练，以得到各个初始任务子模型输出的部位参数。

可选地，通过关键区域的确定正确率和任务子模型的识别正确确定初始图像识别模型的训练是否终止。在关键区域的确定正确率低于第一阈值，或者任一初始任务子模型的识别正确率低于第二阈值的情况下，继续使用样本图像进行初始图像识别模型的优化，以提高初始图像识别模型输出的质量参数的正确率。

在本申请实施例中，在图像识别模型的训练阶段，通过关键区域划分和任务子模型的训练，提高关键区域划分准确率和关键部位识别准确率，从而保证训练得到的图像识别模型输出的质量参数的准确性。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

根据本发明实施例的另一个方面，还提供了一种用于实施上述图像确定方法的图像确定装置。如图9所示，该装置包括：

获取单元902，用于获取对象图像集合，其中，对象图像集合中包含检测出目标对象的多个候选图像；

识别单元904，用于利用图像识别模型，对多个候选图像中各个候选图像进行识别，得到各个候选图像对应的质量参数，其中，质量参数用于指示对应的候选图像中目标对象的关键部位的完整程度，图像识别模型包含多个任务子模型，任务子模型用于识别对应的关键部位的完整程度；

确定单元906，用于将满足质量条件的质量参数对应的候选图像确定为目标图像，其中，目标图像用于对目标对象进行识别。

可选地，上述识别单元904用于针对各个候选图像分别进行处理，包括：

区域模块，用于确定候选图像中包含各个关键部位的关键区域；

输入模块，用于基于图像识别模型中与各个关键部位对应的任务子模型，对各个关键部位的关键区域进行识别，得到各个关键部位对应的部位参数，其中，部位参数用于指示对应的关键部位的完整程度；

部位模块，用于根据各个关键部位的部位参数得到质量参数。

可选地，上述区域模块包括：

识别用于，用于识别关键区域的区域信息中所包含的关键部位的完整等级；

匹配模块，用于获取与完整等级匹配的等级参数；

等级模块，用于将等级参数作为关键部位的部位参数。

可选地，上述部位模块包括：

第一获取模块，用于获取各个任务子模型输出的关键部位的部位参数；

权重模块，用于确定各个关键部位对应的部位权重；

计算模块，用于根据部位权重对部位参数进行加权运算，得到质量参数。

可选地，上述确定模块包括：

第一确定模块，用于基于质量参数的参数数值大小，将各个候选图像对应的质量参数进行排序，将排序在指定序位的质量参数对应的候选图像，确定为目标图像；

第二确定模块，用于将超过质量参数阈值的质量参数对应的候选图像，确定为目标图像。

可选地，上述图像确定装置还包括提示单元，用于在得到候选图像对应的质量参数之后，在全部候选图像的质量参数均未满足质量条件的情况下，提示对象图像集合中未确定出目标图像。

可选地，上述图像确定装置还包括训练单元，用于在获取对象图像集合之前，包括：

样本模块，用于获取样本图像集合，其中，样本图像集合中包含多个样本图像，样本图像中包含对样本对象的关键部位的标注标签，标注标签包括关键部位所在关键区域的区域标签和关键部位的质量标签；

训练模块，用于利用样本图像集合对对初始图像识别模型进行训练，其中，利用区域标签对初始图像识别模型进行关键区域的进行优化，利用质量标签对初始图像识别模型中对应的初始任务子模型进行优化；

完成模块，用于在关键区域的确定正确率高于第一阈值且初始任务子模型的识别正确率高于第二阈值的情况下，确定获取到包括多个任务子模型的图像识别模型。

在本申请实施例中，采用在包含目标对象的对象图像集合中，通过图像识别模型获取每张候选图像进行完整程度识别，得到候选图像的质量参数，通过图像识别模型中的任务子模型对目标对象中个关键部位的完整程度进行识别，从而得到指示候选图像中目标对象中关键部位的完整程度的质量参数，将满足质量条件的质量参数对应的候选图像确定为目标图像的方式，通过图像识别模型中的各个任务子模型对图像中所包含的目标对象的各个关键部位进行完整程度识别，得到能够指示候选图像中目标对象的完整程度的质量参数，通过质量参数从候选图像中确定出目标图像，达到了从图像集合中确定出包含完整程度更高的目标对象的目标图像，使用包含完整程度更高的目标对象的目标图像进行目标对象的识别的目的，从而实现了提高目标对象的识别成功率的技术效果，进而解决了用于对象识别的图像确定不准确导致对象识别成功率低的技术问题。

根据本发明实施例的又一个方面，还提供了一种用于实施上述图像确定方法的电子设备，该电子设备可以是图1所示的终端设备或服务器。本实施例以该电子设备为服务器为例来说明。如图10所示，该电子设备包括存储器1002和处理器1004，该存储器1002中存储有计算机程序，该处理器1004被设置为通过计算机程序执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，获取对象图像集合，其中，对象图像集合中包含多个检测出目标对象的候选图像；

S2，利用图像识别模型，对多个候选图像中各个候选图像进行识别，得到各个候选图像对应的质量参数，其中，质量参数用于指示对应的候选图像中目标对象的关键部位的完整程度，图像识别模型包含多个任务子模型，任务子模型用于识别对应的关键部位的完整程度；

S3，将满足质量条件的质量参数对应的候选图像，确定为目标图像，其中，目标图像用于对目标对象进行识别。

可选地，本领域普通技术人员可以理解，图10所示的结构仅为示意，电子设备也可以是智能手机(如Android手机、IOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图10其并不对上述电子设备的结构造成限定。例如，电子设备还可包括比图10中所示更多或者更少的组件(如网络接口等)，或者具有与图10所示不同的配置。

其中，存储器1002可用于存储软件程序以及模块，如本发明实施例中的图像确定方法和装置对应的程序指令/模块，处理器1004通过运行存储在存储器1002内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像确定方法。存储器1002可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1002可进一步包括相对于处理器1004远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1002具体可以但不限于用于存储对象图像集合、质量条件、目标图像等信息。作为一种示例，如图10所示，上述存储器1002中可以但不限于包括上述图像确定装置中的获取单元902，识别单元904和确定单元906。此外，还可以包括但不限于上述图像确定装置中的其他模块单元，本示例中不再赘述。

可选地，上述的传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1006包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1006为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

此外，上述电子设备还包括：显示器1008，用于显示上述对象图像集合和目标对象；和连接总线1010，用于连接上述电子设备中的各个模块部件。

在其他实施例中，上述终端设备或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点对点(P2P，Peer To Peer)网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述图像确定方面的各种可选实现方式中提供的方法。其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，获取对象图像集合，其中，对象图像集合中包含多个检测出目标对象的候选图像；

S2，利用图像识别模型，对多个候选图像中各个候选图像进行识别，得到各个候选图像对应的质量参数，其中，质量参数用于指示对应的候选图像中目标对象的关键部位的完整程度，图像识别模型包含多个任务子模型，任务子模型用于识别对应的关键部位的完整程度；

S3，将满足质量条件的质量参数对应的候选图像，确定为目标图像，其中，目标图像用于对目标对象进行识别。

可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。

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。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。