物体识别方法、装置和单步物体识别神经网络.pdf

《物体识别方法、装置和单步物体识别神经网络.pdf》由会员分享，可在线阅读，更多相关《物体识别方法、装置和单步物体识别神经网络.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910121365.2 (22)申请日 2019.02.19 (71)申请人 富士通株式会社 地址 日本神奈川县川崎市 (72)发明人 石路王琪 (74)专利代理机构 北京三友知识产权代理有限 公司 11127 代理人 樊一槿陶海萍 (51)Int.Cl. G06K 9/62(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/46(2006.01) (54)发明名称 物体识别方法、 装置和单步物体识别神经网 络 (5。

2、7)摘要 本发明实施例提供了一种物体识别方法、 装 置和单步物体识别神经网络， 通过使用扩张卷积 代替传统的单发多框检测(SSD)网络中一部分卷 积层， 减小了输入图像尺寸的限制； 通过增加连 接路径， 提高了物体识别的准确性； 而通过使用 残差结构对卷积层进行连接， 保证了收敛效果， 从整体上提高了物体识别精度。 权利要求书1页 说明书7页 附图4页 CN 111582291 A 2020.08.25 CN 111582291 A 1.一种单步物体识别神经网络， 其中， 所述单步物体识别神经网络包括： 多个第一卷积层组， 所述多个第一卷积层组彼此连接， 对输入图像进行特征提取， 所述 多个第。

3、一卷积层组中的最后一个第一卷积层组的输出作为检测模块的输入， 每个第一卷积 层组包括三个第一卷积层， 每个第一卷积层组中的三个第一卷积层通过残差结构连接； 多个第二卷积层， 每个第二卷积层位于两个第一卷积层组之间； 多个第二卷积层组， 所述多个第二卷积层组的输出作为检测模块的输入， 所述多个第 二卷积层组中的至少两个彼此不连接， 且所述至少两个第二卷积层组连接所述第一卷积层 组中的至少两个， 所述至少两个第二卷积层组中的其中一个与所述至少两个第二卷积层组 以外的其他第二卷积层组彼此连接， 并且， 每个第二卷积层组包括两个第三卷积层， 彼此连 接的第二卷积层组中的两个第三卷积层中的一个采用扩张卷。

4、积； 以及 第四卷积层， 所述第四卷积层连接所述多个第二卷积层组中的最后一个， 并且所述第 四卷积层的输出作为所述检测模块的输入。 2.根据权利要求1所述的单步物体识别神经网络， 其中， 所述第二卷积层和所述第四卷 积层为池化层。 3.根据权利要求1所述的单步物体识别神经网络， 其中， 所述扩张卷积的步幅为2。 4.根据权利要求1所述的单步物体识别神经网络， 其中， 所述扩张卷积采用Atrous算法 或者采用Hole算法。 5.根据权利要求1所述的单步物体识别神经网络， 其中， 连接所述至少两个第二卷积层 组的至少两个第一卷积层组彼此不相邻。 6.根据权利要求5所述的单步物体识别神经网络， 其。

5、中， 两个第一卷积层组与两个第二 卷积层组连接， 并且， 与所述两个第二卷积层组连接的所述两个第一卷积层组之间间隔至 少一个第一卷积层组。 7.根据权利要求1所述的单步物体识别神经网络， 其中， 所述多个第一卷积层组中的至 少一个第一卷积层组中的第一卷积层的膨胀系数为2。 8.根据权利要求7所述的单步物体识别神经网络， 其中， 所述多个第一卷积层组中的倒 数四个第一卷积层组中的第一卷积层的膨胀系数为2。 9.一种物体识别装置， 其中， 所述装置包括： 特征提取单元， 其利用权利要求1-8任意一项所述的单步物体识别神经网络对输入图 像进行特征提取； 检测单元， 其根据所述特征提取单元提取出的特征。

6、进行物体识别。 10.根据权利要求9所述的装置， 其中， 所述输入图像的尺寸大于300300或者小于300 300。 权利要求书 1/1 页 2 CN 111582291 A 2 物体识别方法、 装置和单步物体识别神经网络 技术领域 0001 本发明涉及物体识别技术领域， 特别涉及一种物体识别方法、 装置和单步物体识 别神经网络。 背景技术 0002 物体识别是机器视觉领域最重要的研究方向之一。 如今， 工程同时需要高精度和 实时能力， 这使得神经网络物体识别技术成为主流。 传统的物体识别方法的深度学习可分 为两部分。 一种是候选区域提取方法， 例如快速区域卷积神经网络(Faster R-CN。

7、N， Faster Region-Convolutional Neural Network)和区域全卷积网络(R-FCN， Region-Fully Convolutional Network)。 另一种是单步方法， 例如单发多框检测(SSD， Single Shot multibox Detector)和仅看一次(YOLO， You Only Look Once)。 0003 前一种方法使感兴趣区域(ROI， Region of Interest)提取变得复杂， 导致速度变 慢。 后一种方法是一种实时物体检测算法。 由于它省略了ROI池并减少了计算量， 因此其中 一些可以比GPU辅助的速度快。

8、30fps。 0004 应该注意， 上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、 完整的说明， 并方便本领域技术人员的理解而阐述的。 不能仅仅因为这些方案在本发明的 背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。 发明内容 0005 发明人发现， 单步方法也有一些缺点， 第一是速度和整体精度之间的平衡， 通常， 高速网络的检测精度难以满足要求； 第二是小尺寸物体的检测精度， 没有了ROI池， 太小的 图像输入使得小物体的特征难以在卷积操作中完全保留， 尤其是密集的物体； 第三是输入 尺寸的限制， 例如， SSD网络分辨率的最低限制是300300。 总之， 在现。

9、有的单步方法中， 高 速度则意味着低精度， 小物体检测能力比较弱， 并且无法输入低分辨率的输入图像。 0006 为了解决上述问题的至少一个或解决其他类似问题， 本发明实施例提供一种物体 识别方法、 装置和单步物体识别神经网络， 能够在保证精度的前提下提高速度， 提高了小物 体的检测能力， 并且能够输入低分辨率的输入图像。 0007 根据本发明实施例的第一方面， 提供了一种单步物体识别神经网络， 其中， 所述单 步物体识别神经网络包括： 0008 多个第一卷积层组， 所述多个第一卷积层组彼此连接， 对输入图像进行特征提取， 所述多个第一卷积层组中的最后一个第一卷积层组的输出作为检测模块的输入， 。

10、每个第一 卷积层组包括三个第一卷积层， 每个第一卷积层组中的三个第一卷积层通过残差结构连 接； 0009 多个第二卷积层， 每个第二卷积层位于两个第一卷积层组之间； 0010 多个第二卷积层组， 所述多个第二卷积层组的输出作为检测模块的输入， 所述多 个第二卷积层组中的至少两个彼此不连接， 且所述至少两个第二卷积层组连接所述第一卷 说明书 1/7 页 3 CN 111582291 A 3 积层组中的至少两个， 所述至少两个第二卷积层组中的其中一个与所述至少两个第二卷积 层组以外的其他第二卷积层组彼此连接， 并且， 每个第二卷积层组包括两个第三卷积层， 彼 此连接的第二卷积层组中的两个第三卷积层。

11、中的一个采用扩张卷积； 以及 0011 第四卷积层， 所述第四卷积层连接所述多个第二卷积层组中的最后一个， 并且所 述第四卷积层的输出作为所述检测模块的输入。 0012 根据本发明实施例的第二方面， 提供了一种物体识别方法， 其中， 所述方法包括： 0013 利用前述第一方面所述的单步物体识别神经网络对输入图像进行特征提取； 0014 根据提取出的特征进行物体识别。 0015 根据本发明实施例的第三方面， 提供了一种物体识别装置， 其中， 所述装置包括： 0016 特征提取单元， 其利用前述第一方面所述的单步物体识别神经网络对输入图像进 行特征提取； 0017 检测单元， 其根据所述特征提取单。

12、元提取出的特征进行物体识别。 0018 根据本发明实施例的第四方面， 提供了一种计算机可读程序， 其中当在物体识别 装置或图像处理设备中执行所述程序时， 所述程序使得所述物体识别装置或图像处理设备 执行前述第二方面所述的物体识别方法。 0019 根据本发明实施例的第五方面， 提供了一种存储有计算机可读程序的存储介质， 其中所述计算机可读程序使得物体识别装置或图像处理设备执行前述第二方面所述的物 体识别方法。 0020 本发明实施例的有益效果在于： 通过使用扩张卷积代替传统的单发多框检测 (SSD)网络中一部分卷积层， 减小了输入图像尺寸的限制； 通过增加连接路径， 提高了物体 识别的准确性； 。

13、而通过使用残差结构对卷积层进行连接， 保证了收敛效果， 从整体上提高了 物体识别精度。 0021 参照后文的说明和附图， 详细公开了本发明的特定实施方式， 指明了本发明的原 理可以被采用的方式。 应该理解， 本发明的实施方式在范围上并不因而受到限制。 在所附权 利要求的条款的范围内， 本发明的实施方式包括许多改变、 修改和等同。 0022 针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多 个其它实施方式中使用， 与其它实施方式中的特征相组合， 或替代其它实施方式中的特征。 0023 应该强调， 术语 “包括/包含” 在本文使用时指特征、 整件、 步骤或组件的存在， 但并 。

14、不排除一个或更多个其它特征、 整件、 步骤或组件的存在或附加。 附图说明 0024 在本发明实施例的一个附图或一种实施方式中描述的元素和特征可以与一个或 更多个其它附图或实施方式中示出的元素和特征相结合。 此外， 在附图中， 类似的标号表示 几个附图中对应的部件， 并可用于指示多于一种实施方式中使用的对应部件。 0025 所包括的附图用来提供对本发明实施例的进一步的理解， 其构成了说明书的一部 分， 用于例示本发明的实施方式， 并与文字描述一起来阐释本发明的原理。 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 造性劳动性的前提下， 还可以。

15、根据这些附图获得其他的附图。 在附图中： 0026 图1是实施例1的单步物体识别神经网络的一个示意图； 说明书 2/7 页 4 CN 111582291 A 4 0027 图2是实施例1的单步物体识别神经网络的另一个示意图； 0028 图3是图2所示的单步物体识别神经网络的一个具体实现的示意图； 0029 图4是在相同条件下使用本实施例的单步物体识别神经网络进行物体识别和使用 现有的SSD网络进行物体识别的识别结果的示意图； 0030 图5是实施例2的物体识别方法的示意图； 0031 图6是实施例3的物体识别装置的示意图； 0032 图7是实施例4的图像处理设备的示意图。 具体实施方式 003。

16、3 参照附图， 通过下面的说明书， 本发明的前述以及其它特征将变得明显。 在说明书 和附图中， 具体公开了本发明的特定实施方式， 其表明了其中可以采用本发明的原则的部 分实施方式， 应了解的是， 本发明不限于所描述的实施方式， 相反， 本发明包括落入所附权 利要求的范围内的全部修改、 变型以及等同物。 0034 在本发明实施例中， 术语 “第一” 、“第二” 等用于对不同元素从称谓上进行区分， 但 并不表示这些元素的空间排列或时间顺序等， 这些元素不应被这些术语所限制。 术语 “和/ 或” 包括相关联列出的术语的一种或多个中的任何一个和所有组合。 术语 “包含” 、“包括” 、 “具有” 等是。

17、指所陈述的特征、 元素、 元件或组件的存在， 但并不排除存在或添加一个或多个 其他特征、 元素、 元件或组件。 0035 在本发明实施例中， 单数形式 “一” 、“该” 等包括复数形式， 应广义地理解为 “一种” 或 “一类” 而并不是限定为 “一个” 的含义； 此外术语 “所述” 应理解为既包括单数形式也包括 复数形式， 除非上下文另外明确指出。 此外术语 “根据” 应理解为 “至少部分根据” ， 术语 “基于” 应理解为 “至少部分基于” ， 除非上下文另外明确指出。 0036 下面结合附图对本发明实施例的各种实施方式进行说明。 这些实施方式只是示例 性的， 不是对本发明的限制。 0037。

18、 实施例1 0038 本实施例提供了一种单步物体识别神经网络， 图1是本实施例的单步物体识别神 经网络的一个示意图， 如图1所示， 该单步物体识别神经网络包括： 多个第一卷积层组100、 多个第二卷积层200、 多个第二卷积层组300以及一个第四卷积层400。 在本实施例中， 第一 卷积层组100和第二卷积层200也可以称为 “特征提取网络” ， 第二卷积层组300和第四卷积 层400也可以称为 “分类回归网络” ， 关于特征提取网络和分类回归网络的定义与现有技术 相同， 此处不再赘述。 0039 在本实施例中， 如图1所示， 上述多个第一卷积层组100彼此连接， 对输入图像进行 特征提取， 。

19、并且， 该多个第一卷积层组100中的最后一个第一卷积层组100(也即深度最深的 卷积层组， 如图1所示的100-1)的输出作为检测模块的输入。 在本实施例中， 每个第一卷积 层组100可以包括三个卷积层(称为第一卷积层)， 每个第一卷积层组100中的三个第一卷积 层可以通过残差结构连接。 通过采用残差结构连接该第一卷积层组100中的卷积层， 保证了 收敛效果， 从整体上提高了物体识别精度。 0040 在本实施例中， 每个第一卷积层组100所包括的卷积层的数量不限于三个， 并且， 这三个卷积层也可以不采用残差结构连接， 例如也可以采用密集连接方式连接或者采用现 说明书 3/7 页 5 CN 11。

20、1582291 A 5 有的其他连接方式连接。 0041 在本实施例中， 如图1所示， 上述多个第二卷积层200分别位于两个第一卷积层组 100之间， 其可以是池化层， 关于池化层的定义和实现方式， 可以参考现有技术， 此处不再赘 述。 0042 在本实施例中， 如图1所示， 上述多个第二卷积层组300的输出可以作为检测模块 的输入， 上述多个第二卷积层组300中的至少两个彼此不连接， 且上述至少两个第二卷积层 组300连接第一卷积层组100中的至少两个。 以图1为例， 第二卷积层组300-1连接第一卷积 层组100-2， 第二卷积层组300-2连接第一卷积层组100-1， 并且， 第二卷积层。

21、组300-1和300- 2彼此不连接， 由此， 在特征提取和分类回归之间构成了至少两个连接通路， 避免了所有特 征信息都聚合在一个层(回归层， 也即第二卷积层组300)中导致检测精度不高的问题。 0043 在本实施例中， 如图1所示， 上述至少两个第二卷积层组300中的其中一个与上述 至少两个第二卷积层组300以外的其他第二卷积层组300彼此连接， 并且， 每个第二卷积层 组300包括两个第三卷积层， 彼此连接的第二卷积层组300中的两个第三卷积层中的一个采 用扩张卷积。 0044 以图1为例， 第二卷积层组300-2与第二卷积层组300-3、 300-4彼此连接， 第二卷积 层组300-13。

22、00-4的每个包括两个第三卷积层， 并且， 第二卷积层组300-2300-4中的两 个第三卷积层中的一个采用了扩张卷积。 由此， 利用了扩张卷积的特性， 减小了输入图像尺 寸的限制。 关于扩张卷积的定义和实现方式， 可以参考现有技术， 此处不再赘述。 0045 在本实施例中， 扩张卷积的步幅(stride)可以是2， 也可以是其他值， 本实施例不 限于此， 并且， 该扩张卷积可以采用Atrous算法， 也可以采用Hole算法， 或者采用已知的其 他可实施的算法。 0046 在本实施例中， 如图1所示， 上述第四卷积层400连接多个第二卷积层组300中的最 后一个(如图1所示的300-4)， 并。

23、且， 该第四卷积层400的输出也作为检测模块的输入。 在本 实施例中， 第四卷积层400也可以是池化层， 关于池化层的定义和实现方式， 可以参考现有 技术， 此处不再赘述。 0047 本实施例的单步物体识别神经网络， 通过使用扩张卷积代替传统的单发多框检测 (SSD)网络中一部分卷积层， 减小了输入图像尺寸的限制； 通过增加连接路径， 提高了物体 识别的准确性； 而通过使用残差结构对卷积层进行连接， 保证了收敛效果， 从整体上提高了 物体识别精度。 0048 在本实施例中， 连接至少两个第二卷积层组300的至少两个第一卷积层组100彼此 不相邻。 以图1为例， 第一卷积层组100-1和第一卷积。

24、层组100-2分别与第二卷积层组300-2 和第二卷积层组300-1连接， 第一卷积层组100-1和第一卷积层组100-2彼此不相邻， 例如间 隔至少一个第一卷积层组100。 由此， 可以确保两条连接通路向不同的第二卷积层组300汇 聚不同的特征信息， 提高检测精度。 本实施例对间隔的第一卷积层组100的数量不作限制， 可以是一个、 两个、 三个、 四个或者更多个。 间隔的第一卷积层组100的数量越多， 汇聚到第 二卷积层组300的特征信息的区别越大。 0049 在本实施例中， 上述多个第一卷积层组100中的至少一个第一卷积层组100中的第 一卷积层的膨胀(dilate)系数为2。 以图1为例。

25、， 第一卷积层组100-1、 以及第一卷积层组 100-1与第一卷积层组100-2之间的第一卷积层组100中的第一卷积层的膨胀系数可以为2， 说明书 4/7 页 6 CN 111582291 A 6 由此可以减小对输入图像尺寸的限制， 保留更多的特征。 本实施例对具有膨胀系数为2的第 一卷积层的第一卷积层组100的数量不作限制， 可以是一个、 两个、 三个、 四个或者更多个， 例如， 可以是多个第一卷积层组100中的倒数四个第一卷积层组100中的第一卷积层的膨胀 系数为2。 0050 在本实施例中， 对第一卷积层组100的数量不作限制， 对第二卷积层200的位置不 作限制， 只要位于两个第一卷。

26、积层组100之间即可。 此外， 本实施例对第二卷积层组300的数 量也不作限制， 可以是四个， 也可以是其他数量。 0051 图2是本实施例的单步物体识别神经网络的另一个示意图， 如图2所示， 在这个单 步物体识别神经网络中， 第一卷积层组的数量为16， 表示为500-1500-16； 第二卷积层的 数量为3， 表示为600-1600-3； 第二卷积层组的数量为4， 表示为700-1700-4； 第四卷积 层的数量为1， 表示为800。 0052 并且， 在图2的例子中， 第一卷积层组500-1500-2的结构相同， 第一卷积层组 500-3500-4的结构相同， 第一卷积层组500-5500。

27、-8的结构相同， 第一卷积层组500-9 500-12的结构相同， 第一卷积层组500-13500-14的结构相同。 这里， 结构相同是指所包含 的三个第一卷积层的各项系数(例如滤波器的数量、 尺寸、 膨胀系数等)均相同。 0053 图3是图2所示的单步物体识别神经网络的一个具体实现的示意图， 如图3所示， 在 这个单步物体识别神经网络中， 示出了第一卷积层组500的结构、 第一卷积层组500中所包 含的第一卷积层的系数、 第二卷积层600的系数、 第二卷积层组700的结构、 第二卷积层组 700中所包含的第三卷积层的系数、 以及第四卷积层800的系数。 图3的示例只是举例说明， 根据具体实现。

28、， 第一卷积层组500中也可以包括更多或更少的第一卷积层， 第二卷积层组 700中也可以包括更多或更少的第三卷积层， 并且各个卷积层的系数也可以是其他值。 0054 在以上的实施例中， 是以第一卷积层组100、 500包含三个第一卷积层， 第二卷积层 组300、 700包含两个第三卷积层为例进行说明， 但本实施例不限于此， 第一卷积层组100、 500所包含的第一卷积层的数量和第二卷积层组300、 700所包含的第三卷积层的数量也可 以是其他， 具体取决于实现。 0055 通过使用本实施例的单步物体识别神经网络， 可以实现较高的物体识别精度和较 高的小物体召回率。 此外， 由于下采样次数减少，。

29、 也减小了最小可允许的输入图像的尺寸。 0056 表1是相同条件下本实施例的单步物体识别神经网络与现有的SSD网络以及YOLO V3网络相比的实验结果， 在这个实验中， 数据集是交通监控摄像头拍摄的50000张照片， 照 片上的物体包括了道路上的所有车辆， 选择45000张照片作为训练数据集， 选择5000张照片 作为评估数据集， 则得到了表1所示的数据。 0057 表1 0058 数据集： 车辆检测数据集最小输入尺寸限制速度(GTX10810Ti)精度Map-10epoches SSD300300300输入-20ms/f0.63 YOLO V3320300320输入-30ms/f0.76 本。

30、实施例64320320输入-25ms/f0.76 0059 图4是相同条件下本实施例的单步物体识别神经网络与现有的SSD网络相比的实 验结果示意图， 其中左图为现有的SSD网络的实验结果， 右图为本实施例的单步物体识别神 说明书 5/7 页 7 CN 111582291 A 7 经网络的实验结果， 从图4可以看出， 使用现有的SSD网络只能识别出一辆公交车， 而使用本 实施例的单步物体识别神经网络， 除了上述公交车， 还能够识别到尺寸比较小的轿车。 0060 通过使用扩张卷积代替传统的单发多框检测(SSD)网络中一部分卷积层， 减小了 输入图像尺寸的限制； 通过增加连接路径， 提高了物体识别的。

31、准确性； 而通过使用残差结构 对卷积层进行连接， 保证了收敛效果， 从整体上提高了物体识别精度。 0061 实施例2 0062 本实施例提供了一种物体识别方法， 图5是本实施例的物体识别方法的示意图， 如 图5所示， 该方法包括： 0063 步骤501： 利用实施例1所述的单步物体识别神经网络对输入图像进行特征提取； 0064 步骤502： 根据提取出的特征进行物体识别。 0065 在本实施例中， 由于使用了实施例1的单步物体识别神经网络对输入图像进行特 征提取， 提高了物体识别的准确性， 保证了收敛效果， 从整体上提高了物体识别精度。 0066 此外， 本实施例的方法还可以减小输入图像尺寸的。

32、限制， 例如， 输入图像的尺寸不 仅可以大于300300， 也可以小于300300， 同样可以识别出输入图像上的物体。 0067 在本实施例中， 关于特征提取的具体方式和物体识别的具体方式可以参考现有技 术， 此处省略说明。 0068 实施例3 0069 本实施例提供了一种物体识别装置， 由于该装置解决问题的原理与实施例2的方 法类似， 因此其具体的实施可以参考实施例2的方法的实施， 内容相同之处不再重复说明。 0070 图6是本实施例的物体识别装置的示意图， 如图6所示， 该物体识别装置包括： 特征 提取单元601和检测单元602， 该特征提取单元601利用实施例1所述的单步物体识别神经网 。

33、络对输入图像进行特征提取； 该检测单元602根据特征提取单元601提取出的特征进行物体 识别。 0071 在本实施例中， 由于使用了实施例1的单步物体识别神经网络对输入图像进行特 征提取， 提高了物体识别的准确性， 保证了收敛效果， 从整体上提高了物体识别精度。 0072 实施例4 0073 本实施例提供一种图像处理设备， 该图像处理设备包括如实施例3所述的物体识 别装置。 0074 图7是本实施例的图像处理设备的示意图。 如图7所示， 图像处理设备可以包括： 中 央处理器(CPU)701和存储器702； 存储器702耦合到中央处理器701。 其中该存储器702可存 储各种数据； 此外还存储信。

34、息处理的程序， 并且在中央处理器701的控制下执行该程序。 0075 在一个实施方式中， 物体识别装置的功能可以被集成到中央处理器701中。 其中， 中央处理器701可以被配置为实现如实施例2所述的物体识别方法。 0076 在另一个实施方式中， 物体识别装置可以与中央处理器701分开配置， 例如可以将 物体识别装置配置为与中央处理器701连接的芯片， 通过中央处理器701的控制来实现物体 识别装置的功能。 0077 此外， 如图7所示， 图像处理设备还可以包括： 输入输出(I/O)设备703和显示器704 等； 其中， 上述部件的功能与现有技术类似， 此处不再赘述。 值得注意的是， 图像处理设。

35、备也 并不是必须要包括图7中所示的所有部件； 此外， 图像处理设备还可以包括图7中没有示出 说明书 6/7 页 8 CN 111582291 A 8 的部件， 可以参考现有技术。 0078 本发明实施例提供一种计算机可读程序， 其中当在物体识别装置或图像处理设备 中执行所述程序时， 所述程序使得所述物体识别装置或图像处理设备执行如实施例2所述 的方法。 0079 本发明实施例提供一种存储有计算机可读程序的存储介质， 其中所述计算机可读 程序使得物体识别装置或图像处理设备执行如实施例2所述的方法。 0080 本发明以上的装置和方法可以由硬件实现， 也可以由硬件结合软件实现。 本发明 涉及这样的计。

36、算机可读程序， 当该程序被逻辑部件所执行时， 能够使该逻辑部件实现上文 所述的装置或构成部件， 或使该逻辑部件实现上文所述的各种方法或步骤。 本发明还涉及 用于存储以上程序的存储介质， 如硬盘、 磁盘、 光盘、 DVD、 flash存储器等。 0081 结合本发明实施例描述的方法/装置可直接体现为硬件、 由处理器执行的软件模 块或二者组合。 例如， 图6中所示的功能框图中的一个或多个和/或功能框图的一个或多个 组合， 既可以对应于计算机程序流程的各个软件模块， 亦可以对应于各个硬件模块。 这些软 件模块， 可以分别对应于图5所示的各个步骤。 这些硬件模块例如可利用现场可编程门阵列 (FPGA)。

37、将这些软件模块固化而实现。 0082 软件模块可以位于RAM存储器、 闪存、 ROM存储器、 EPROM存储器、 EEPROM存储器、 寄 存器、 硬盘、 移动磁盘、 CD-ROM或者本领域已知的任何其它形式的存储介质。 可以将一种存 储介质耦接至处理器， 从而使处理器能够从该存储介质读取信息， 且可向该存储介质写入 信息； 或者该存储介质可以是处理器的组成部分。 处理器和存储介质可以位于ASIC中。 该软 件模块可以存储在移动终端的存储器中， 也可以存储在可插入移动终端的存储卡中。 例如， 若设备(如移动终端)采用的是较大容量的MEGA-SIM卡或者大容量的闪存装置， 则该软件模 块可存储在。

38、该MEGA-SIM卡或者大容量的闪存装置中。 0083 针对附图中描述的功能方框中的一个或多个和/或功能方框的一个或多个组合， 可以实现为用于执行本发明所描述功能的通用处理器、 数字信号处理器(DSP)、 专用集成电 路(ASIC)、 现场可编程门阵列(FPGA)或者其它可编程逻辑器件、 分立门或者晶体管逻辑器 件、 分立硬件组件或者其任意适当组合。 针对附图描述的功能方框中的一个或多个和/或功 能方框的一个或多个组合， 还可以实现为计算设备的组合， 例如， DSP和微处理器的组合、 多 个微处理器、 与DSP通信结合的一个或多个微处理器或者任何其它这种配置。 0084 以上结合具体的实施方式对本发明进行了描述， 但本领域技术人员应该清楚， 这 些描述都是示例性的， 并不是对本发明保护范围的限制。 本领域技术人员可以根据本发明 的精神和原理对本发明做出各种变型和修改， 这些变型和修改也在本发明的范围内。 说明书 7/7 页 9 CN 111582291 A 9 图1 说明书附图 1/4 页 10 CN 111582291 A 10 图2 说明书附图 2/4 页 11 CN 111582291 A 11 图3 图4 说明书附图 3/4 页 12 CN 111582291 A 12 图5 图6 图7 说明书附图 4/4 页 13 CN 111582291 A 13 。