基于目标检测的海报比对方法、装置、设备及存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于目标检测的海报比对方法、装置、电子设备及计算机可读存储介质。

背景技术

为了更好的宣传产品或者传播信息，银行往往会在网点粘贴宣传海报。但由于银行网点众多，需要对海报进行统一管理和运维。最为关键的是要对海报进行比对，避免因为活动过期、摘下不及时导致客户投诉造成损失。

传统的海报比对方法是通过二维码或者条形码的方式进行比对，这样需要人工对海报特定区域进行手工扫描，容易发生漏检，且消耗大量人力，不利于数字化物料管控。同时进行海报比对的效率较低。

发明内容

本发明提供一种基于目标检测的海报比对方法、装置及计算机可读存储介质，其主要目的在于解决进行海报比对的效率较低的问题。

为实现上述目的，本发明提供的一种基于目标检测的海报比对方法，包括：

利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型；

利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测，从所述网点监控图像中筛选出目标海报图像；

提取所述目标海报图像的数据特征值，计算所述数据特征值及预设数据库中的多个特征值之间的距离值集合；

若所述距离值集合中存在小于预设的距离阈值的距离值，则将所述目标海报图像判定为相同海报图像。

可选地，所述提取所述目标海报图像的数据特征值，包括：

利用预设的深度卷积模型中的初始卷积层对所述目标海报图像进行卷积处理，得到初始卷积集；

利用所述深度卷积模型中的稠密块对所述初始卷积集进行稠密转换处理，得到稠密数据集；

利用所述深度卷积模型中的全连接层对所述稠密数据集进行连接处理，得到数据特征值。

可选地，所述利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型，包括：

利用所述目标检测模型对所述训练海报图像集进行目标检测，得到目标物图像；

计算所述目标物图像和预设的真实图像之间的差异值；

判断所述差异值与预设的差异阈值之间的大小；

当所述差异值大于或者等于所述差异阈值时，对所述目标检测模型进行参数调整并重新执行目标检测操作；

当所述差异值小于所述差异阈值时，将所述目标检测模型输出为训练好的目标检测模型。

可选地，所述计算所述目标物图像和预设的真实图像之间的差异值，包括：

利用如下计算公式计算所述目标物图像和预设的真实图像之间的差异值：

s＝((w/(k-b)+b/(k-w))/2

其中，s为差异值，w为所述目标物图像的像素点总数，b为所述真实图像的像素点总数，k为预设参数。

可选地，所述利用所述目标检测模型对所述训练海报图像集进行目标检测，得到目标物图像，包括：

利用所述目标检测模型的卷积层对所述训练海报图像集执行卷积处理，得到卷积图像；

利用所述目标检测模型的激活层对所述卷积图像进行激活处理，得到激活图像；

利用所述目标检测模型的池化层对所述激活图像进行池化处理，得到目标物图像。

可选地，所述利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测之前，所述方法还包括：

获取网点监控设备拍摄得到监控视频数据；从所述监控视频数据中筛选出预设的第一时间段及预设的第二时间段内的的视频数据片段；

从所述视频数据片段中提取预设个数的图像帧作为网点监控图像。

可选地，所述利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型之前，所述方法还包括：

对原始海报图像集进行随机形变和随机翻转处理，得到随机海报图像集；

对所述随机海报图像集进行随机亮度抖动、随机饱和度抖动和随机对比度抖动，得到训练海报图像集。

为了解决上述问题，本发明还提供一种基于目标检测的海报比对装置，所述装置包括：

模型训练模块，用于利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型；

目标检测模块，用于利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测，从所述网点监控图像中筛选出目标海报图像；

距离值计算模块，用于提取所述目标海报图像的数据特征值，计算所述数据特征值及预设数据库中的多个特征值之间的距离值集合；

海报比对模块，用于若所述距离值集合中存在小于预设的距离阈值的距离值，则将所述目标海报图像判定为相同海报图像。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于目标检测的海报比对方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于目标检测的海报比对方法。

本发明实施例通过利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型，所述训练海报图像集包含大量的训练图像样本，利用其训练模型可以增强模型的鲁棒性，利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测，缩小了网点监控图像的目标范围，便于后续进行特征提取。提取所述目标海报图像对应的数据特征值，分别计算所述数据特征值和预设数据库中的多个特征值之间的距离值，相比较于利用直方图等传统方法进行相似度的对比，计算距离值更加便捷且精准。若所述距离值集合中存在小于预设的距离阈值的距离值，将所述目标海报图像判定为相同海报图像。因此本发明提出的基于目标检测的海报比对方法、装置、电子设备及计算机可读存储介质，可以解决进行海报比对的效率较低的问题。

附图说明

图1为本发明一实施例提供的基于目标检测的海报比对方法的流程示意图；

图2为本发明一实施例提供的基于目标检测的海报比对装置的功能模块图；

图3为本发明一实施例提供的实现所述基于目标检测的海报比对方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于目标检测的海报比对方法。所述基于目标检测的海报比对方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于目标检测的海报比对方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的基于目标检测的海报比对方法的流程示意图。在本实施例中，所述基于目标检测的海报比对方法包括：

S1、利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型。

本发明实施例中，所述利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型，包括：

利用所述目标检测模型对所述训练海报图像集进行目标检测，得到目标物图像；

计算所述目标物图像和预设的真实图像之间的差异值；

判断所述差异值与预设的差异阈值之间的大小；

当所述差异值大于或者等于所述差异阈值时，对所述目标检测模型进行参数调整并重新执行目标检测操作；

当所述差异值小于所述差异阈值时，将所述目标检测模型输出为训练好的目标检测模型。

其中，在本发明实施例中，所述目标检测模型为MobileDet模型，所述MobileDet模型是将常规卷积纳入搜索空间取得了延迟和精度均衡下的性能提升的目标检测模型。

具体地，所述计算所述目标物图像和预设的真实图像之间的差异值，包括：

利用如下计算公式计算所述目标物图像和预设的真实图像之间的差异值：

s＝((w/(k-b)+b/(k-w))/2

其中，s为差异值，w为所述目标物图像的像素点总数，b为所述真实图像的像素点总数，k为预设参数。

进一步地，所述利用所述目标检测模型对所述训练海报图像集进行目标检测，得到目标物图像，包括：

利用所述目标检测模型的卷积层对所述训练海报图像集执行卷积处理，得到卷积图像；

利用所述目标检测模型的激活层对所述卷积图像进行激活处理，得到激活图像；

利用所述目标检测模型的池化层对所述激活图像进行池化处理，得到目标物图像。

详细地，所述卷积处理可以增大感受野，从而使得所述目标检测模型能够提取到更丰富的特征信息，弥补内部数据结构丢失，空间层级信息丢失等信息损失。所述激活处理可以增加目标检测网络的非线性，将特征映射到高维的非线性区间进行解释，解决线性模型所不能解决的问题。所述池化处理能对所述激活图像进行特征选择和信息过滤，通过降低特征的维度并保留有效信息。

具体地，所述利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型之前，所述方法还包括：

对原始海报图像集进行随机形变和随机翻转处理，得到随机海报图像集；

对所述随机海报图像集进行随机亮度抖动、随机饱和度抖动和随机对比度抖动，得到训练海报图像集。

详细地，所述原始海报图像集包括多张大小不同的网点海报，所述随机形变是将原始海报图像按照任意图像形状进行变化，所述随机翻转是指将原始海报图像沿着水平方向、垂直方向或者其他方向进行翻转，所述随机亮度抖动是在原始海报图像上造成明暗交叉的效果，所述随机饱和度抖动是在原始海报图像上产生饱和度差异状的交叉效果，所述随机对比度抖动是在原始海报图像上产生对比度差异状的交叉效果。

其中，对所述原始海报图像集进行数据增强处理，可以扩大模型训练数据的数量，增加模型的鲁棒性。

S2、利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测，从所述网点监控图像中筛选出目标海报图像。

本发明实施例中，所述网点监控图像为银行网点监控设备，例如银行摄像头拍摄的图片。

具体地，所述利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测之前，所述方法还包括：

获取网点监控设备拍摄得到监控视频数据；从所述监控视频数据中筛选出预设的第一时间段及预设的第二时间段内的的视频数据片段；

从所述视频数据片段中提取预设个数的图像帧作为网点监控图像。

详细地，在本方案中，所述第一时间段可以为上午8:30至9:00，所述第二时间段为下午5:40至6:00，所述预设个数为5张。所述第一时间段为银行网点的上班时间，所述第二时间段为银行网点的下班时间，选定上班时间和下班时间可以用于比较海报的张贴情况。

进一步地，利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测，从所述网点监控图像中筛选出目标海报图像。

S3、提取所述目标海报图像的数据特征值，计算所述数据特征值及预设数据库中的多个特征值之间的距离值集合。

本发明实施例中，可以利用预设的Densenet深度卷积模型提取所述目标海报图像对应的数据特征值，所述Densenet深度卷积模型减轻了梯度消失的问题，加强了特征的传播，鼓励了功能的重用并大大减少了参数数量。

具体地，所述提取所述目标海报图像的数据特征值，包括：

利用预设的深度卷积模型中的初始卷积层对所述目标海报图像进行卷积处理，得到初始卷积集；

利用所述深度卷积模型中的稠密块对所述初始卷积集进行稠密转换处理，得到稠密数据集；

利用所述深度卷积模型中的全连接层对所述稠密数据集进行连接处理，得到数据特征值。

详细地，所述深度卷积模型由稠密块和过渡层构成，例如，DenseNet-121深度卷积模型包含4个稠密块、1个初始卷积层、3个过渡层和最后输出的全连接层。初始卷积层有2k个filter，经过7×7卷积将224×224的输入图片缩减至112×112，稠密块由layer堆叠而成，layer的尺寸都相同：1×1+3×3的两层conv(每层conv＝BN+ReLU+Conv)，稠密块间由过渡层构成，过渡层通过2×2stride2使特征图尺寸缩小一半。最后经过全局平均池化+全连接层的1000路softmax得到输出。

进一步地，所述计算所述数据特征值及预设数据库中的多个特征值之间的距离值集合，包括：

利用下述公式计算计算所述数据特征值及预设数据库中的多个特征值之间的距离值集合：

其中，dist(X,Y)为距离值，X为所述特征值，Y为预设数据库中的特征值，n为所述预设数据库中的特征值总数。

详细地，使用深度模型产生特征值再进行余弦距离的计算求距离值，优于使用直方图等传统方法进行距离值的比对。

S4、若所述距离值集合中存在小于预设的距离阈值的距离值，则将所述目标海报图像判定为相同海报图像。

本发明实施例中，判断所述距离值和预设的距离阈值的大小，当所述距离值小于预设的距离阈值时，将所述目标海报图像判定为相同海报图像。详细地，所述目标海报图像判定为相同海报图像时，可以在后管平台进行告警，经人工判明无误后进行催办整改。

本发明实施例通过利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型，所述训练海报图像集包含大量的训练图像样本，利用其训练模型可以增强模型的鲁棒性，利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测，缩小了网点监控图像的目标范围，便于后续进行特征提取。提取所述目标海报图像对应的数据特征值，分别计算所述数据特征值和预设数据库中的多个特征值之间的距离值，相比较于利用直方图等传统方法进行相似度的对比，计算距离值更加便捷且精准。若所述距离值集合中存在小于预设的距离阈值的距离值，将所述目标海报图像判定为相同海报图像。因此本发明提出的基于目标检测的海报比对方法可以解决进行海报比对的效率较低的问题。

如图2所示，是本发明一实施例提供的基于目标检测的海报比对装置的功能模块图。

本发明所述基于目标检测的海报比对装置100可以安装于电子设备中。根据实现的功能，所述基于目标检测的海报比对装置100可以包括模型训练模块101、目标检测模块102、距离值计算模块103及海报比对模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述模型训练模块101，用于利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型；

所述目标检测模块102，用于利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测，从所述网点监控图像中筛选出目标海报图像；

所述距离值计算模块103，用于提取所述目标海报图像的数据特征值，计算所述数据特征值及预设数据库中的多个特征值之间的距离值集合；

所述海报比对模块104，用于若所述距离值集合中存在小于预设的距离阈值的距离值，则将所述目标海报图像判定为相同海报图像。

详细地，所述基于目标检测的海报比对装置100各模块的具体实施方式如下：

步骤一、利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型。

本发明实施例中，所述利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型，包括：

利用所述目标检测模型对所述训练海报图像集进行目标检测，得到目标物图像；

计算所述目标物图像和预设的真实图像之间的差异值；

判断所述差异值与预设的差异阈值之间的大小；

当所述差异值大于或者等于所述差异阈值时，对所述目标检测模型进行参数调整并重新执行目标检测操作；

当所述差异值小于所述差异阈值时，将所述目标检测模型输出为训练好的目标检测模型。

其中，在本发明实施例中，所述目标检测模型为MobileDet模型，所述MobileDet模型是将常规卷积纳入搜索空间取得了延迟和精度均衡下的性能提升的目标检测模型。

具体地，所述计算所述目标物图像和预设的真实图像之间的差异值，包括：

利用如下计算公式计算所述目标物图像和预设的真实图像之间的差异值：

s＝((w/(k-b)+b/(k-w))/2

其中，s为差异值，w为所述目标物图像的像素点总数，b为所述真实图像的像素点总数，k为预设参数。

进一步地，所述利用所述目标检测模型对所述训练海报图像集进行目标检测，得到目标物图像，包括：

利用所述目标检测模型的卷积层对所述训练海报图像集执行卷积处理，得到卷积图像；

利用所述目标检测模型的激活层对所述卷积图像进行激活处理，得到激活图像；

利用所述目标检测模型的池化层对所述激活图像进行池化处理，得到目标物图像。

详细地，所述卷积处理可以增大感受野，从而使得所述目标检测模型能够提取到更丰富的特征信息，弥补内部数据结构丢失，空间层级信息丢失等信息损失。所述激活处理可以增加目标检测网络的非线性，将特征映射到高维的非线性区间进行解释，解决线性模型所不能解决的问题。所述池化处理能对所述激活图像进行特征选择和信息过滤，通过降低特征的维度并保留有效信息。

具体地，所述利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型之前，所述方法还包括：

对原始海报图像集进行随机形变和随机翻转处理，得到随机海报图像集；

对所述随机海报图像集进行随机亮度抖动、随机饱和度抖动和随机对比度抖动，得到训练海报图像集。

详细地，所述原始海报图像集包括多张大小不同的网点海报，所述随机形变是将原始海报图像按照任意图像形状进行变化，所述随机翻转是指将原始海报图像沿着水平方向、垂直方向或者其他方向进行翻转，所述随机亮度抖动是在原始海报图像上造成明暗交叉的效果，所述随机饱和度抖动是在原始海报图像上产生饱和度差异状的交叉效果，所述随机对比度抖动是在原始海报图像上产生对比度差异状的交叉效果。

其中，对所述原始海报图像集进行数据增强处理，可以扩大模型训练数据的数量，增加模型的鲁棒性。

步骤二、利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测，从所述网点监控图像中筛选出目标海报图像。

本发明实施例中，所述网点监控图像为银行网点监控设备，例如银行摄像头拍摄的图片。

具体地，所述利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测之前，所述方法还包括：

获取网点监控设备拍摄得到监控视频数据；从所述监控视频数据中筛选出预设的第一时间段及预设的第二时间段内的的视频数据片段；

从所述视频数据片段中提取预设个数的图像帧作为网点监控图像。

详细地，在本方案中，所述第一时间段可以为上午8:30至9:00，所述第二时间段为下午5:40至6:00，所述预设个数为5张。所述第一时间段为银行网点的上班时间，所述第二时间段为银行网点的下班时间，选定上班时间和下班时间可以用于比较海报的张贴情况。

进一步地，利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测，从所述网点监控图像中筛选出目标海报图像。

步骤三、提取所述目标海报图像的数据特征值，计算所述数据特征值及预设数据库中的多个特征值之间的距离值集合。

本发明实施例中，可以利用预设的Densenet深度卷积模型提取所述目标海报图像对应的数据特征值，所述Densenet深度卷积模型减轻了梯度消失的问题，加强了特征的传播，鼓励了功能的重用并大大减少了参数数量。

具体地，所述提取所述目标海报图像的数据特征值，包括：

利用预设的深度卷积模型中的初始卷积层对所述目标海报图像进行卷积处理，得到初始卷积集；

利用所述深度卷积模型中的稠密块对所述初始卷积集进行稠密转换处理，得到稠密数据集；

利用所述深度卷积模型中的全连接层对所述稠密数据集进行连接处理，得到数据特征值。

详细地，所述深度卷积模型由稠密块和过渡层构成，例如，DenseNet-121深度卷积模型包含4个稠密块、1个初始卷积层、3个过渡层和最后输出的全连接层。初始卷积层有2k个filter，经过7×7卷积将224×224的输入图片缩减至112×112，稠密块由layer堆叠而成，layer的尺寸都相同：1×1+3×3的两层conv(每层conv＝BN+ReLU+Conv)，稠密块间由过渡层构成，过渡层通过2×2stride2使特征图尺寸缩小一半。最后经过全局平均池化+全连接层的1000路softmax得到输出。

进一步地，所述计算所述数据特征值及预设数据库中的多个特征值之间的距离值集合，包括：

利用下述公式计算计算所述数据特征值及预设数据库中的多个特征值之间的距离值集合：

其中，dist(X,Y)为距离值，X为所述特征值，Y为预设数据库中的特征值，n为所述预设数据库中的特征值总数。

详细地，使用深度模型产生特征值再进行余弦距离的计算求距离值，优于使用直方图等传统方法进行距离值的比对。

步骤四、若所述距离值集合中存在小于预设的距离阈值的距离值，则将所述目标海报图像判定为相同海报图像。

本发明实施例中，判断所述距离值和预设的距离阈值的大小，当所述距离值小于预设的距离阈值时，将所述目标海报图像判定为相同海报图像。详细地，所述目标海报图像判定为相同海报图像时，可以在后管平台进行告警，经人工判明无误后进行催办整改。

本发明实施例通过利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型，所述训练海报图像集包含大量的训练图像样本，利用其训练模型可以增强模型的鲁棒性，利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测，缩小了网点监控图像的目标范围，便于后续进行特征提取。提取所述目标海报图像对应的数据特征值，分别计算所述数据特征值和预设数据库中的多个特征值之间的距离值，相比较于利用直方图等传统方法进行相似度的对比，计算距离值更加便捷且精准。若所述距离值集合中存在小于预设的距离阈值的距离值，将所述目标海报图像判定为相同海报图像。因此本发明提出的基于目标检测的海报比对装置可以解决进行海报比对的效率较低的问题。

如图3所示，是本发明一实施例提供的实现基于目标检测的海报比对方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于目标检测的海报比对程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于目标检测的海报比对程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、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11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于目标检测的海报比对程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的基于目标检测的海报比对程序是多个指令的组合，在所述处理器10中运行时，可以实现：

利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型；

利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测，从所述网点监控图像中筛选出目标海报图像；

提取所述目标海报图像的数据特征值，计算所述数据特征值及预设数据库中的多个特征值之间的距离值集合；

若所述距离值集合中存在小于预设的距离阈值的距离值，则将所述目标海报图像判定为相同海报图像。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

利用训练海报图像集对预设的目标检测模型进行训练，得到训练好的目标检测模型；

利用所述训练好的目标检测模型对网点监控设备拍摄得到的网点监控图像进行目标检测，从所述网点监控图像中筛选出目标海报图像；

提取所述目标海报图像的数据特征值，计算所述数据特征值及预设数据库中的多个特征值之间的距离值集合；

若所述距离值集合中存在小于预设的距离阈值的距离值，则将所述目标海报图像判定为相同海报图像。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明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。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。