本发明涉及图像处理，尤其涉及一种基于图像分割和深度学习的目标识别计数方法及装置。
背景技术：
1、目标的识别与计数是计算机视觉领域的一个重要应用，涉及到目标检测、图像处理和模式识别等技术。近年来，深度学习由于自身理论和算法发展迅速以及硬件技术的进步，被广泛应用于目标的识别与计数。相比于传统图像处理技术，深度学习的方法能够更好地处理复杂场景中的目标识别问题，特别是在目标遮挡、不同光照条件和背景干扰等情况下。基于深度学习的目标识别与计数方法通过自动学习和提取图像中目标的复杂特征，使用大量标注数据训练出深度学习模型，进而利用该模型实现对目标的高精度识别和计数。
2、然而，许多深度学习模型，尤其是卷积神经网络，在使用时需要指定一个固定的输入尺寸，当采集的图像尺寸过大时，就需要先将图像分割成该固定尺寸，再进行目标的识别与计数。此时可能出现一个目标被分割在两幅、三幅甚至四幅图像中的情况，对于模型来说，仍会将被分割的部分目标视作一个目标，进行标注和计数，进而导致被分割的目标被重复计数，如图1a至图1c所示，图1a为分割后的左图，图1b为分割后的右图，图1c为分割的左图和右图合并之后的图像，可以看出，分割的边缘处的目标在左图和右图中均被识别，导致重复计数。除了上述被分割目标均被识别导致的重复计数问题，由于深度学习对不完整目标识别准确度低，也可能出现被分割目标无法被识别导致的目标遗漏计数，进一步影响目标计数的结果。因此，为了解决图像分割造成的边界处目标重复计数的问题，需要提出有效的去重方法，保证计数的准确性。
3、例如，专利cn113313692b提出了一种基于航拍可见光图像的香蕉幼株自动识别与计数方法，该方法包括设计去重算法，原理是对香蕉幼株候选图分别设置不同的阈值，对出现在子图边缘、距离过近、面积过小的候选图进行筛选剔除、去重校正，基于此完成计数。该方法效率较高，但是每当图像场景变化导致图像内目标大小变化时，就需要重新设置阈值，而且目标的尺寸、形状差距较大的情况下无法使用该方法。
4、专利cn117115080 a提出了一种基于区域分割的深度学习虾苗计数方法，该方法包括去重算法，原理是对分割并识别虾苗后的图像进行拼接，计算两个边界框的重叠边界的重叠率，判断两个检测区域是否相接；选取重叠率最大的匹配对象，确定去重区域，并使用一个最小外接矩形框完全包裹两个检测框。该方法可以实现准确计数，但是涉及重叠区域拼接、匹配，较为复杂，此外，如果两个重叠区域的同一目标的识别框存在偏移，匹配结果可能因此不准确。
5、专利cn117292281 a提出了一种基于无人机图像的露地瓜菜检测方法，该方法的去重原理是通过预先训练得到的边缘生成器，对瓜菜分割结果图集进行边缘补全处理和去重处理，得到边缘预测图像；基于边缘预测图像确定待测种植区内的瓜菜产量。该方法可以提高产量估测的准确度和效率，但是需要训练边缘生成器和边缘鉴别器，以及需要补全边缘并将分割图像映射回原图，再找到重复目标并去重，过程较为复杂，耗时较久。
6、可以看出，现有技术中的目标识别计数方法，存在准确性低、过程复杂、适用性不高的缺点。
技术实现思路
1、本发明提供了一种基于图像分割和深度学习的目标识别计数方法及装置，能够提高目标识别计数的准确性。
2、一种基于图像分割和深度学习的目标识别计数方法，包括：
3、采集待识别的原始图像，并获取所述原始图像的尺寸；
4、根据目标识别框的最大尺寸和最大偏移量，确定重叠区域尺寸；
5、根据深度学习能处理的最大图像尺寸、所述原始图像的尺寸以及重叠区域尺寸，对所述原始图像进行有重叠的分割，获得至少两个子图，相邻的子图之间存在重叠区域；
6、基于深度学习对所述至少两个子图进行目标识别，获得目标识别框；
7、遍历所述子图，根据所述目标识别框的数量进行目标计数，并根据位于重叠区域的目标识别框的几何中心位置进行去重处理。
8、一种应用于上述方法的基于图像分割和深度学习的目标识别计数装置，包括：
9、采集模块，用于采集待识别的原始图像，并获取所述原始图像的尺寸；
10、尺寸确定模块，用于根据目标识别框的最大尺寸和最大偏移量，确定重叠区域尺寸；
11、分割模块，用于根据深度学习能处理的最大图像尺寸、所述原始图像的尺寸以及重叠区域尺寸，对所述原始图像进行有重叠的分割，获得至少两个子图，相邻的子图之间存在重叠区域；
12、目标识别模块，基于深度学习对所述至少两个子图进行目标识别，获得目标识别框；
13、去重计数模块，用于遍历所述子图，根据所述目标识别框的数量进行目标计数，并根据位于重叠区域的目标识别框的几何中心位置进行去重处理。
14、本发明提供的基于图像分割和深度学习的目标识别计数方法及装置，至少包括如下有益效果：
15、（1）进行目标计数时，考虑了深度学习特性导致的分割边界处目标被重复识别的问题，通过去重算法保证每个目标只被计数一次，而且该去重算法考虑了同一目标在两幅或多幅图像上识别框的偏移量，提高目标识别计数的准确性；
16、（2）所提出的目标计数去重方法无需进行图像拼接操作或者额外的训练，根据目标识别框的中心位置即可判断该目标是否被重复计算，便于操作，大大提升了去重速度，准确计数效率高；
17、（3）通过设置重叠区域，保证了需被计数的目标均为未被分割的目标，规避了深度学习对不完整目标识别准确度低导致的目标遗漏计数的问题，进一步提高了目标识别和计数的稳定性。
18、（4）去重算法原理简单，容易复现，且适用于任何形状、大小的目标计数去重，普适性强。
1.一种基于图像分割和深度学习的目标识别计数方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述目标识别框的最大尺寸包括最大宽度和最大高度；
3.根据权利要求2所述的方法，其特征在于，所述原始图像被分割为a行b列个子图：
4.根据权利要求2所述的方法，其特征在于，对所述原始图像进行有重叠的分割为沿横向分割，分割获得的子图根据其相对位置关系包括左子图和右子图；
5.根据权利要求2所述的方法，其特征在于，对所述原始图像进行有重叠的分割为沿纵向分割，分割获得的子图根据其相对位置关系包括上子图和下子图；
6.根据权利要求2所述的方法，其特征在于，对所述原始图像进行有重叠的分割包括横向分割和纵向分割，分割获得的子图根据其相对位置关系包括左上子图、右上子图、左下子图和右下子图；
7.根据权利要求6所述的方法，其特征在于，根据位于重叠区域的目标识别框的几何中心位置进行去重处理，包括：
8.根据权利要求7所述的方法，其特征在于，根据位于重叠区域的目标识别框的几何中心位置进行去重处理，包括：
9.根据权利要求6所述的方法，其特征在于，根据位于重叠区域的目标识别框的几何中心位置进行去重处理，包括：
10.一种应用于如权利要求1-9任一所述方法的基于图像分割和深度学习的目标识别计数装置，其特征在于，包括：
