[发明专利]一种图像筛选方法及装置

权利要求书

1.一种图像筛选方法，其特征在于，所述方法包括：

获得待筛选图像帧序列，其中，所述图像帧序列中的每一帧待筛选图像均包含第一目标对象；

利用预设的图像特征评估模型，确定每一帧待筛选图像中的第一目标对象的预设属性的目标属性数据，其中，所述预设属性包括模糊程度属性和/或被遮挡属性；

针对每一帧待筛选图像中的第一目标对象，根据所述第一目标对象的目标属性数据，确定每一帧待筛选图像对应的目标置信度；

根据每一帧待筛选图像对应的目标置信度，从所述待筛选图像帧序列中筛选出目标置信度达到预设识别条件的目标图像；

所述根据所述第一目标对象的目标属性数据，确定每一帧待筛选图像对应的目标置信度，包括：

根据预设属性的属性数据与置信度之间的对应关系与所述第一目标对象的目标属性数据，确定每一帧待筛选图像对应的目标置信度。

2.根据权利要求1所述的方法，其特征在于，所述目标置信度达到预设识别条件的目标图像为：所对应目标置信度高于预设阈值的图像；或，在第一目标队列中的前第一数量个图像，所述第一目标队列中包含：依据所对应目标置信度的高低，进行降序排序的待筛选图像；或，在第二目标队列中的后第二数量个图像，所述第二目标队列中包含：依据所对应目标置信度的高低，进行升序排序的待筛选图像。

3.根据权利要求1所述的方法，其特征在于，所述预设的图像特征评估模型为预设的卷积神经网络模型；

所述方法还包括：建立所述预设的卷积神经网络模型的过程，其中，所述过程包括：

获得多张样本图像，其中，每一样本图像中均包含目标对象；

获得每一样本图像中的目标对象的预设属性的预期样本属性数据；

基于所获得的样本图像以及所获得的预设属性的预期样本属性数据，对初始的卷积神经网络模型进行训练，得到预设的卷积神经网络模型。

4.根据权利要求3所述的方法，其特征在于，所述初始的卷积神经网络模型包括：特征提取层和特征分类层；

所述基于所获得的样本图像以及所获得的预设属性的预期样本属性数据，对初始的卷积神经网络模型进行训练，得到预设的卷积神经网络模型，包括：

将每一帧样本图像，输入所述特征提取层，提取该样本图像中目标对象的样本图像特征；

将所提取的样本图像特征，输入所述特征分类层，获得该样本图像中目标对象的预设属性的当前样本属性数据；

将获得的当前样本属性数据与所对应预期样本属性数据进行匹配；

当匹配成功时，得到包含所述特征提取层和所述特征分类层的预设的卷积神经网络模型；

当匹配不成功时，则分别调整所述特征提取层和所述特征分类层的神经网络参数；重新返回将每一帧样本图像，输入所述特征提取层，提取该样本图像中目标对象的样本图像特征的步骤；

直至匹配成功，得到包含所述特征提取层和所述特征分类层的预设的卷积神经网络模型。

5.根据权利要求4所述的方法，其特征在于，所述利用预设的图像特征评估模型，确定每一帧待筛选图像中的第一目标对象的预设属性的目标属性数据，包括：

将每一帧待筛选图像输入所述预设的卷积神经网络模型中，以使所述预设的卷积神经网络模型提取所述待筛选图像的目标图像特征，并基于所提取目标图像特征，确定每一帧待筛选图像中第一目标对象的预设属性的目标属性数据。

6.根据权利要求1所述的方法，其特征在于，所述预设属性为多个时，所述根据预设属性的属性数据与置信度之间的对应关系与所述第一目标对象的目标属性数据，确定每一帧待筛选图像对应的目标置信度，包括：

根据预设属性的属性数据与置信度之间的对应关系与所述第一目标对象的目标属性数据，确定每一目标属性数据对应的第一置信度；

根据每一目标属性数据对应的第一置信度及相应的权重值，计算每一帧待筛选图像对应的目标置信度。