大尺度图像中目标物体的检测方法、终端及装置

技术领域

本申请属于图像处理技术领域，尤其涉及一种大尺度图像中目标物体的检测方法、终端及装置。

背景技术

深度学习已经在目标检测领域取得了突破性的成就，但在大尺度图像上检测微小物体仍是一个具有挑战性的问题。

例如，大多数遥感应用场景中，待检测的图像是超大尺寸的，一张未经人工处理的遥感图像往往包含着数千万甚至数亿的像素单元，而目标在图片中仅仅占据很少的像素，适用于小尺寸遥感图像的检测器无法在大尺度的遥感图像上直接工作。

现有技术中有采用图像裁剪实现目标物体检测的方法，但通常情况下，大尺度图像中的目标往往是多尺度的，小的目标只有数十个像素，而大的目标尺寸甚至超出了正常检测图片的大小，无法找到一个合适的裁剪比例来同时满足大目标和小目标的检测。

因此，大尺度图像的大尺寸特性及大尺度图像中待检测目标的多尺度特性，导致现有检测方法在大尺度图像上难以实现准确高效的目标检测。

发明内容

本申请实施例提供了一种大尺度图像中目标物体的检测方法、终端及装置，以解决现有技术中大尺度图像的大尺寸特性及大尺度图像中待检测目标的多尺度特性，导致现有检测方法在大尺度图像上难以实现准确高效的目标检测的问题。

本申请实施例的第一方面提供了一种大尺度图像中目标物体的检测方法，包括：

对目标区域图像进行分割，得到包含感兴趣目标的关键子图；

对所述关键子图进行初次图像识别，获取所述感兴趣目标在所述关键子图中的相对位置；

根据所述相对位置，将所述关键子图中位于子图边缘的第一感兴趣目标进行聚合，得到聚合图像；

对所述聚合图像进行二次图像检测，得到第一检测对象；

将所述第一检测对象映射至所述目标区域图像中，获取所述目标区域图像中的目标物体对象。

本申请实施例的第二方面提供了一种大尺度图像中目标物体的检测装置，包括：

图像分割模块，用于对目标区域图像进行分割，得到包含感兴趣目标的关键子图；

第一图像识别模块，用于对所述关键子图进行初次图像识别，获取所述感兴趣目标在所述关键子图中的相对位置；

图像聚合模块，用于根据所述相对位置，将所述关键子图中位于子图边缘的第一感兴趣目标进行聚合，得到聚合图像；

第二图像识别模块，用于对所述聚合图像进行二次图像检测，得到第一检测对象；

获取模块，用于将所述第一检测对象映射至所述目标区域图像中，获取所述目标区域图像中的目标物体对象。

本申请实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中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如第一方面所述方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。

本申请的第五方面提供了一种计算机程序产品，当所述计算机程序产品在终端上运行时，使得所述终端执行上述第一方面所述方法的步骤。

由上可见，本申请实施例中，通过对目标区域图像进行分割，得到包含感兴趣目标的关键子图，对关键子图进行初次图像识别，获取感兴趣目标在关键子图中的相对位置，根据该相对位置，将关键子图中位于子图边缘的第一感兴趣目标进行聚合，得到聚合图像，对该聚合图像进行二次图像检测，得到第一检测对象，将该第一检测对象映射至目标区域图像中，获取目标区域图像中的目标物体对象，该过程通过首次图像识别实现对图像中感兴趣目标识别，并在识别出来后对感兴趣目标进行聚合，并在图像聚合后对聚合图像进行二次检测，以确保检测准确度及检测出的目标对象的完整度，实现对大尺度图像进行准确高效的目标检测。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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。

图1是本申请实施例提供的一种大尺度图像中目标物体的检测方法的流程图一；

图2是本申请实施例提供的关键子图筛选处理过程示意图；

图3是本申请实施例提供的大尺度图像中目标物体的检测处理过程示意图；

图4是本申请实施例提供的一种大尺度图像中目标物体的检测方法的流程图二；

图5是本申请实施例提供的一种大尺度图像中目标物体的检测方法的流程图三；

图6是本申请实施例提供的一种大尺度图像中目标物体的检测装置的结构图；

图7是本申请实施例提供的一种终端的结构图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

具体实现中，本申请实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，所述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。

在接下来的讨论中，描述了包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。

终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。

可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。

应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

参见图1，图1是本申请实施例提供的一种大尺度图像中目标物体的检测方法的流程图一。如图1所示，一种大尺度图像中目标物体的检测方法，该方法包括以下步骤：

步骤101，对目标区域图像进行分割，得到包含感兴趣目标的关键子图。

目标区域图像为对目标区域进行拍摄得到的图像，该图像具体为遥感图像。

在对目标区域图像进行目标检测时，需要对图像切割成若干个小尺寸的子图，该些子图可以具有相同尺寸。该些子图彼此之间可以包括有重叠的图像部分，使用一个固定的子图重叠比例来进一步保证待检测目标的完整性，或者不包括重叠的图像部分，以通过后续的感兴趣区域的聚类及二次检测来确保待检测目标的完整性。子图中包括包含有感兴趣目标的关键子图，及不包含有感兴趣目标的非关键子图。这里需要对图像分割的结果进行筛选，得到关键子图，以基于该关键子图进行后续的目标检测。

上述步骤的图像切割过程的实现，具体可以是选取一个大小为L×L的滑窗，设置重叠率为λ∈[0,1),以该重叠率使滑窗滑动，可以得到子图集合X＝{x

其中，H,W分别为目标区域图像的长和宽。

其中，该感兴趣目标具体是能够被确定为目标检测物的可能性较高的图像内容。

具体地，作为一可选的实施方式，该对目标区域图像进行分割，得到包含感兴趣目标的关键子图，包括：

对目标区域图像进行分割，得到设定数量的子图；采用二分类网络模型，分别判断该子图中是否包含感兴趣目标，并得出判断结果的置信度；从子图中选取置信度处于设定范围内的子图为包含感兴趣目标的关键子图。

结合图2所示，获取到一张目标区域图像，具体为海港的遥感图像，该海港的海面上分布有船只。在对该图像中的船只进行检测时，先对该图像进行子图分割，得到子图集X。再对子图集X中的子图输入至关键子图保留模块，具体为通过二分类网络模型进行图像处理，将子图的特征图通过池化、全连接、Softmax回归处理，最后输出图像标签，将置信度处于设定范围内的子图标记为包含感兴趣目标的子图，最终得到关键子图集Xs，筛选出包含船只的子图。

具体地，在关键子图保留模块中，设计二分类网络模型判别子图中是否包含船只，从而获得关键子图，这里选择合适的分类函数可以得到子图分类置信度，其表达式具体为：

f(x),f:R

在该表达式中，输入一个大小为L*L的实数矩阵(定义域)，二分类网络模型再输出矩阵R(值域),该矩阵R中即包含置信度f(x)，置信度为二分类网络模型的输出结果，由卷积神经网络计算得出。

其中，还可以具体定义包含船只的子图为关键子图x

X

关键子图保留模块通过一个二分类神经网络，对每个子图进行判断其是关键子图(包含感兴趣目标)和非关键字图(不包含感兴趣目标)的概率，当网络对于一张图片输出的置信度f(x

其中，ξ为阈值，用于判断子图中是否存在感兴趣目标，当ξ较小时，可以保证高召回率。关键子图的数量为：N

具体地，在本实施例中，关键子图的判定，只需要在判断关键子图中包含感兴趣目标即可，该感兴趣目标可以是完整的船只，或者是图像切割后子图中存在的残缺船只，即，感兴趣目标可以是完整的目标检测物或者是目标检测物的局部内容。

其中，设定数量为基于目标区域图像的尺度大小进行事先确定的数值；设定范围为判断置信度是否符合要求的经验数值范围。

步骤102，对关键子图进行初次图像识别，获取感兴趣目标在关键子图中的相对位置。

该相对位置具体指关键子图中感兴趣目标所处的位置在该关键子图中的相对位置关系。例如，识别出的感兴趣目标在关键子图中位于图像的中间位置、位于图像的边缘位置、位于图像的上侧、下侧、左侧或右侧等等相对位置上。

这里，结合图3所示，在获取到输入图像，并对输入图像进行检测区域生成处理，得到关键子图之后，需要对关键子图进行图像识别，具体可以是通过层级检测器来实现。

其中，层级检测器是由一级检测模块、二级检测模块与聚类模块构成，其中一级检测模块具体由一个由强检测器构成，本步骤中，具体使用一个强检测器作为层级检测器中的一级检测器对关键子图进行目标检测，能够在对关键子图进行图像识别时，输出关键子图中与感兴趣目标对应的目标检测框。

步骤103，根据该相对位置，将该关键子图中位于子图边缘的第一感兴趣目标进行聚合，得到聚合图像。

该位于子图边缘的第一感兴趣目标具体为像素点中包括子图边缘像素点的图像内容。即，该第一感兴趣目标中的全部或部分覆盖子图边缘。

具体地，当一个关键子图中的感兴趣目标为船只的船体部分，由于船只中与船体部分相连的船头部分及船尾部分位于其他关键子图中，该船体部分为残缺的检测对象，此时船体部分中的像素点在该一个关键子图中必然覆盖到子图的边缘部分，可以通过该特征确认当前关键子图中的感兴趣目标(即船体部分)是不完整的目标检测对象，此时需要将关键子图中位于子图边缘的第一感兴趣目标进行聚合，以能够使切割后的关键子图中不完整的感兴趣目标进行整合，形成完整的图像区域，以供后续进行二次图像检测时，只需要对整合后的完整的图像区域进行内容检测，即可实现对大尺度目标区域图像中目标物体的准确完整的检测，且该过程使得目标区域图像在分割时不需要考虑目标的完整性，因此裁剪重叠比例可以很小甚至为0，降低图像切割时图像间的重叠率，减少图像内容检测时的图像数据冗余，避免大量重复的图像检测操作。

而不位于子图边缘的第二感兴趣目标则认为其为完整的目标检测对象，不需要对其进行聚合。

这里的聚合是指，将检测出的不同的感兴趣目标依照设定的指标进行聚集组合。该设定指标具体为不同的感兴趣目标间的相对距离。在对位于子图边缘的第一感兴趣目标进行聚合时，相对距离处于设定距离范围内的感兴趣目标将被划分为一组，使得该一组感兴趣目标被聚集组合在一个图像中(具体可以是从目标区域图像中裁剪出囊括有该一组感兴趣目标的图像，或者是将该一组感兴趣目标所在的子图边缘图像区域进行拼接)，得到的即为聚合图像。

在具体实施过程中，该对感兴趣目标进行图像聚合，可以依据不同的第一感兴趣目标在关键子图中的相对位置获取到该些第一感兴趣目标在目标区域图像中所对应的图像位置，基于得出的该些第一感兴趣目标的图像位置，获取该些第一感兴趣目标之间的相对距离，基于该相对距离对该些感兴趣目标进行归纳聚集，具体为相对距离处于设定范围内，或者相对距离符合一定的分布密度范围内，则将对应的感兴趣目标归纳为一组目标对象，从目标区域图像中对该一组目标对象所在的图像区域进行裁剪切割，或者将该一组感兴趣目标所在的子图边缘图像区域进行拼接得到一个聚合图像，其中当基于感兴趣目标的相对距离归纳得到的感兴趣目标为多组时，则会得到多个聚合图像。

其中，在实现对该些感兴趣目标的聚合处理时，可以借助聚类算法来实现，具体为对所有位于子图边缘的感兴趣目标实施一次聚类算法，结合图3所示，可以通过层级检测器中的聚类模块执行聚类算法，对相邻的关键子图中位于子图边缘的第一感兴趣目标所对应的不完整目标检测框进行聚集，合成新的检测区域，该位于相邻的关键子图中的第一感兴趣目标间的相对距离处于目标距离范围内，得到若干个聚合图像，实现对位于子图边缘的第一感兴趣目标的聚合；也或者直接通过设置的距离范围参数来通过处理器执行实现对所有位于子图边缘的感兴趣目标依照相对距离实施聚合。

步骤104，对聚合图像进行二次图像检测，得到第一检测对象。

该步骤中，实现对聚合后的完整感兴趣目标进行图像检测，进而得到对应的检测对象，实现对大尺度目标区域图像中目标物体的准确完整检测。

在具体实现时，结合图3所示，可以是使用一个弱检测器作为层级检测器中的二级检测器对合成的检测区域进行二级检测。

在前述各步骤中，层级检测器先接收关键子图保留模块输入的关键子图进行一级目标物体检测，再引入聚类算法实施二次级联检测，通过聚类的方式串联两级检测网络保证检测的精度。该方法不仅能过滤大量无用子图，加速检测过程，而且能够摆脱子图切割重叠率对检测性能的影响，从而保证检测的精度和速度。

步骤105，将第一检测对象映射至目标区域图像中，获取目标区域图像中的目标物体对象。

在得到第一检测对象之后，即可将该检测对象映射至原图(即目标区域图像)中，得到目标区域图像中的目标物体对象，实现对目标区域图像中目标物体的检测。

作为一可选的实施方式，结合图4所示，其中该对关键子图进行初次图像识别，获取感兴趣目标在关键子图中的相对位置之后，该检测方法还包括：

步骤106，根据该相对位置，获取关键子图中不位于子图边缘的第二感兴趣目标，将第二感兴趣目标作为第二检测对象。

即，关键子图为多个，不同的关键子图中所包含的感兴趣目标在图中的位置不同。对于不位于子图边缘的感兴趣目标，即可认为其为完整的检测对象。

该不位于子图边缘的第一感兴趣目标为像素点中不包括子图边缘像素点的图像内容。即，该第一感兴趣目标中不存在覆盖子图边缘的部分。

对应地，该步骤105将第一检测对象映射至目标区域图像中，获取目标区域图像中的目标物体对象，还包括：

将第一检测对象及第二检测对象映射至目标区域图像中，获取目标区域图像中的目标物体对象。

即，将通过初次图像识别直接识别出的完整检测对象及通过聚合及二次图像识别所识别出的完整检测对象共同映射至原图像(即目标区域图像)中，得到目标区域图像中的目标物体对象，实现对目标区域图像中目标物体的检测。

其中，具体地，该将第一检测对象及第二检测对象映射至目标区域图像中，获取目标区域图像中的目标物体对象，包括：

对第一检测对象及第二检测对象进行去重处理，获取处理后得到的目标检测对象；将目标检测对象映射至目标区域图像中，获取目标区域图像中的目标物体对象。

第一检测对象与第二检测对象中可能出现检测结果重叠的现象，这里对两者进行去重处理，具体可以是采用非极大抑制策略进行去重处理，以去重处理后的目标检测对象映射至原图像中，得到目标区域图像中的目标物体对象，实现对目标区域图像中目标物体的检测。

本申请实施例中，通过对目标区域图像进行分割，得到包含感兴趣目标的关键子图，对关键子图进行初次图像识别，获取感兴趣目标在关键子图中的相对位置，根据该相对位置，将关键子图中位于子图边缘的第一感兴趣目标进行聚合，得到聚合图像，对该聚合图像进行二次图像检测，得到第一检测对象，将该第一检测对象映射至目标区域图像中，获取目标区域图像中的目标物体对象，该过程通过首次图像识别实现对图像中感兴趣目标识别，并在识别出来后对感兴趣目标进行聚合，并在图像聚合后对聚合图像进行二次检测，以确保检测准确度及检测出的目标对象的完整度，实现对大尺度图像进行准确高效的目标检测。

本申请实施例中还提供了大尺度图像中目标物体的检测方法的不同实施方式。

参见图5，图5是本申请实施例提供的一种大尺度图像中目标物体的检测方法的流程图三。如图5所示，一种大尺度图像中目标物体的检测方法，该方法包括以下步骤：

步骤501，对目标区域图像进行分割，得到包含感兴趣目标的关键子图。

该步骤的实现过程与前述实施方式中的步骤101的实现过程相同，此处不再赘述。

步骤502，对关键子图进行初次图像检测，得到框选出感兴趣目标的检测框。

这里，初次图像检测采用强检测器进行检测，输出关键子图的目标检测框，目标检测框中框选出检测结果，即检测出的感兴趣目标。

本申请实施例中会判断该目标框的位置是否在子图边缘，从而判定是否为子图边缘的目标检测框。

步骤503，获取检测框的中心坐标及框体的尺寸。

框图尺寸具体包括框体长度及框体宽度。

步骤504，根据该中心坐标及该尺寸，判断检测框与关键子图的边缘之间的相对距离。

该步骤基于对检测框与关键子图的边缘之间的相对距离的判断，实现对当前关键子图中感兴趣目标是否处于关键子图边缘的判断。

步骤505，根据该相对距离，确定感兴趣目标在关键子图中所处的相对位置。

具体地，这里，检测框与关键子图的边缘之间的相对距离即为感兴趣目标与关键子图的边缘之间的相对距离。

根据该相对距离，判断当前感兴趣目标是否处于关键子图的边缘位置。

具体地，当该相对距离为0时，则确定该感兴趣目标是否处于关键子图的边缘，该感兴趣目标为不完整的检测对象，当该相对距离大于0时，则确定该感兴趣目标不处于关键子图的边缘，该感兴趣目标为完整的检测对象。

步骤506，根据该相对位置及检测框的中心坐标，将关键子图中位于子图间相邻边缘的第一感兴趣目标进行聚合，得到聚合中心点坐标。

该步骤在具体实现时，为根据该相对位置及检测框的中心坐标，采用如下公式进行中心坐标的均值漂移迭代：

其中，Ci为第一感兴趣目标对应的检测框i的中心坐标；N为预设定的图像聚合区域；K为核函数；M为聚类算法；t为迭代次数；当

步骤507，根据第一感兴趣目标对应的检测框的尺寸，确定聚合后的图像区域的尺寸。

步骤508，根据该聚合中心点坐标及聚合后的图像区域的尺寸，从目标区域图像中裁剪得到聚合图像。

通过聚类模块，聚类相邻关键子图边缘的目标检测框合成新的检测区域。具体为将所有处于子图边缘的目标框进行meanshift聚类，得到类别数目不定的几个聚类区域，从而产生待检测的区域，实现将关键子图中位于子图间相邻边缘的第一感兴趣目标进行聚合。

该步骤中，对聚合图像的生成需要借助于原始的目标区域图像来实现。通过获取聚合后图像区域的尺寸及聚合中心点坐标，实现从目标区域图像中裁剪得到聚合图像。

通过聚类操作，实现对一片区域内的残缺目标做一次检测即可。第一级检测器对全局的关键子图进行检测，实现基础检测，一级检测时的图片数量多，且图片大小一致，检测量大，第二级检测器对不完整的残缺目标的聚类后的区域进行检测，提升检测精度，图片数量变少，聚类处理后的图像大小不一致，检测量较少，最后将一级检测器与二级检测器结果通过非极大抑制的方法过滤并映射回原始图像。

步骤509，对聚合图像进行二次图像检测，得到第一检测对象。

该步骤的实现过程与前述实施方式中的步骤104的实现过程相同，此处不再赘述。

步骤510，将第一检测对象映射至目标区域图像中，获取目标区域图像中的目标物体对象。

该步骤的实现过程与前述实施方式中的步骤105的实现过程相同，此处不再赘述。

本申请实施例中，通过对目标区域图像进行分割，得到包含感兴趣目标的关键子图，对关键子图进行初次图像识别，判断检测框与关键子图的边缘之间的相对距离，确定感兴趣目标在关键子图中所处的相对位置，根据该相对位置及检测框的中心坐标，将关键子图中位于子图间相邻边缘的第一感兴趣目标进行聚合，得到聚合中心点坐标，根据第一感兴趣目标对应的检测框的尺寸，确定聚合后的图像区域的尺寸，进而根据该聚合中心点坐标及聚合后的图像区域的尺寸，对目标区域图像进行切割得到聚合图像，对该聚合图像进行二次图像检测，得到第一检测对象，将该第一检测对象映射至目标区域图像中，获取目标区域图像中的目标物体对象，该过程通过首次图像识别实现对图像中感兴趣目标识别，并在识别出来后对感兴趣目标进行聚合，并在图像聚合后对聚合图像进行二次检测，以确保检测准确度及检测出的目标对象的完整度，实现对大尺度图像进行准确高效的目标检测。

参见图6，图6是本申请实施例提供的一种大尺度图像中目标物体的检测装置的结构图，为了便于说明，仅示出了与本申请实施例相关的部分。

该大尺度图像中目标物体的检测装置600包括：

图像分割模块601，用于对目标区域图像进行分割，得到包含感兴趣目标的关键子图；

第一图像识别模块602，用于对所述关键子图进行初次图像识别，获取所述感兴趣目标在所述关键子图中的相对位置；

图像聚合模块603，用于根据所述相对位置，将所述关键子图中位于子图边缘的第一感兴趣目标进行聚合，得到聚合图像；

第二图像识别模块604，用于对所述聚合图像进行二次图像检测，得到第一检测对象；

获取模块605，用于将所述第一检测对象映射至所述目标区域图像中，获取所述目标区域图像中的目标物体对象。

其中，该图像分割模块601，具体用于：

对目标区域图像进行分割，得到设定数量的子图；

采用二分类网络模型，分别判断所述子图中是否包含感兴趣目标，并得出判断结果的置信度；

从所述子图中选取所述置信度处于设定范围内的子图为包含感兴趣目标的关键子图。

其中，第一图像识别模块602，具体用于：

对所述关键子图进行初次图像检测，得到框选出所述感兴趣目标的检测框；

获取所述检测框的中心坐标及框体的尺寸；

根据所述中心坐标及所述尺寸，判断所述检测框与所述关键子图的边缘之间的相对距离；

根据所述相对距离，确定所述感兴趣目标在所述关键子图中所处的相对位置。

其中，图像聚合模块603，具体用于：

根据所述相对位置及所述检测框的中心坐标，将所述关键子图中位于子图间相邻边缘的第一感兴趣目标进行聚合，得到聚合中心点坐标；

根据所述第一感兴趣目标对应的检测框的尺寸，确定聚合后的图像区域的尺寸；

根据所述聚合中心点坐标及所述聚合后的图像区域的尺寸，从所述目标区域图像中裁剪得到所述聚合图像。

该装置还包括：

检测对象获取模块，用于根据所述相对位置，获取所述关键子图中不位于子图边缘的第二感兴趣目标，将所述第二感兴趣目标作为第二检测对象；

对应地，获取模块605，还用于：

将所述第一检测对象及所述第二检测对象映射至所述目标区域图像中，获取所述目标区域图像中的所述目标物体对象。

其中，该获取模块605，具体用于：

对所述第一检测对象及所述第二检测对象进行去重处理，获取处理后得到的目标检测对象；

将所述目标检测对象映射至所述目标区域图像中，获取所述目标区域图像中的所述目标物体对象。

本申请实施例提供的大尺度图像中目标物体的检测装置能够实现上述大尺度图像中目标物体的检测方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

图7是本申请实施例提供的一种终端的结构图。如该图所示，该实施例的终端7包括：至少一个处理器70(图7中仅示出一个)、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现上述任意各个方法实施例中的步骤。

所述终端7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端7的示例，并不构成对终端7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所述处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器71可以是所述终端7的内部存储单元，例如终端7的硬盘或内存。所述存储器71也可以是所述终端7的外部存储设备，例如所述终端7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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，在本申请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。

所述集成的模块/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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序产品来实现，当计算机程序产品在终端上运行时，使得所述终端执行时实现可实现上述各个方法实施例中的步骤。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。