目标检测方法和装置与流程

本申请涉及视频处理领域，例如涉及一种目标检测方法和装置。

背景技术：

随着图像和视频技术的发展，目标检测开始应用到各个领域中，其中，目标可以是面部、躯干等等，例如，面部为人脸。可以采用目标检测技术，实时的检测各个环境中是否出现目标。

目前，在进行目标检测的时候，如何降低设备的资源占用率、降低设备的功耗，依然是一个需要解决的问题。

技术实现要素：

本申请提供一种目标检测方法和装置，用以解决在进行目标检测的时候，如何降低设备的资源占用率、降低设备的功耗的问题。

本申请的第一方面是提供一种目标检测方法，包括：

获取当前视频流，并采用智能分析加速引擎移动侦测方式对当前视频流进行移动侦测；

若侦测到所述当前视频流中有移动发生，则对所述当前视频流进行目标检测。

进一步地，采用智能分析加速引擎移动侦测方式对当前视频流进行移动侦测，包括：

通过相邻帧图像差分方式，侦测所述当前视频流的监控区域中是否有移动发生。

进一步地，对所述当前视频流进行目标检测，包括：

确定是否在所述当前视频流中检测到目标图像；

若检测到目标图像，则对所述目标图像进行处理；

若在预设时间段内没有检测到目标图像，则执行获取当前视频流，并采用智能分析加速引擎移动侦测方式对当前视频流进行移动侦测。

进一步地，所述确定是否在所述当前视频流中检测到目标图像，包括：

采用预设的检测模型对所述当前视频流进行检测，以确定是否检测到目标图像。

进一步地，所述检测模型为多任务级联卷积神经网络模型、adaboost模型。

进一步地，所述采用预设的检测模型对所述当前视频流进行检测，以确定是否检测到目标图像，包括：

对所述当前视频流中的每一帧图像进行缩放处理，得到图像集合，其中，所述图像集合中包括所述每一帧图像在不同比例下的图像；

采用所述检测模型中的第一处理模型对所述图像集合中的图像进行处理，以确定是否得到候选窗体；

若确定得到n个候选窗体，其中，n为大于等于1的正整数，n个候选窗体中的一个或多个候选窗体中包括多个候选目标，则采用所述检测模型中的第二处理模型对所述n个候选窗体进行识别处理，以去除不包括候选目标的候选窗体，得到包括候选目标的候选窗体；采用所述检测模型中的第三处理模型对所述包括候选目标的候选窗体进行筛选处理，以得到目标图像；

若确定没有得到候选窗体，则确定没有检测到目标图像。

进一步地，对所述目标图像进行处理，包括：

对所述目标图像进行识别；

和/或，对所述目标图像进行保存。

进一步地，所述目标检测方法，还包括：

若侦测到所述当前视频流中有移动发生，则向终端发送预警信息。

本申请的第二方面是提供一种目标检测装置，包括：

获取单元，用于获取当前视频流，并采用智能分析加速引擎移动侦测方式对当前视频流进行移动侦测；

检测单元，用于若侦测到所述当前视频流中有移动发生，则对所述当前视频流进行目标检测。

进一步地，所述获取单元，具体用于：

通过相邻帧图像差分方式，侦测所述当前视频流的监控区域中是否有移动发生。

进一步地，所述检测单元，包括：

确定模块，用于确定是否在所述当前视频流中检测到目标图像；

第一处理模块，用于若检测到目标图像，则对所述目标图像进行处理；

第二处理模块，用于若在预设时间段内没有检测到目标图像，则执行获取当前视频流，并采用智能分析加速引擎移动侦测方式对当前视频流进行移动侦测。

进一步地，所述确定模块，具体用于：

采用预设的检测模型对所述当前视频流进行检测，以确定是否检测到目标图像。

进一步地，所述检测模型为多任务级联卷积神经网络模型、adaboost模型。

进一步地，所述确定模块，具体用于：

对所述当前视频流中的每一帧图像进行缩放处理，得到图像集合，其中，所述图像集合中包括所述每一帧图像在不同比例下的图像；

采用所述检测模型中的第一处理模型对所述图像集合中的图像进行处理，以确定是否得到候选窗体；

若确定得到n个候选窗体，其中，n为大于等于1的正整数，n个候选窗体中的一个或多个候选窗体中包括多个候选目标，则采用所述检测模型中的第二处理模型对所述n个候选窗体进行识别处理，以去除不包括候选目标的候选窗体，得到包括候选目标的候选窗体；采用所述检测模型中的第三处理模型对所述包括候选目标的候选窗体进行筛选处理，以得到目标图像；

若确定没有得到候选窗体，则确定没有检测到目标图像。

进一步地，所述第一处理模块，具体用于：

对所述目标图像进行识别；

和/或，对所述目标图像进行保存。

进一步地，所述目标检测装置，还包括：

发送单元，用于若侦测到所述当前视频流中有移动发生，则向终端发送预警信息。

本申请的第三方面是提供一种计算机，包含第二方面任一实现方式提供的目标检测装置。

本申请的第四方面是提供一种电子设备，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指令，所述指令被所述至少一个处理器执行时，使所述至少一个处理器执行第一方面任一实现方式提供的目标检测方法。

本申请的第五方面是提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行第一方面任一实现方式提供的目标检测方法。

本申请的第六方面是提供一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行第一方面任一实现方式提供的目标检测方法。

本申请，通过获取当前视频流，并采用ive移动侦测方式对当前视频流进行移动侦测；若侦测到当前视频流中有移动发生，则对当前视频流进行目标检测。目标检测设备的硬件在工作的时候，被分为ive移动侦测和目标检测两种工作模式；ive可以实时的对视频流进行处理，采用ive移动侦测方式对当前视频流进行移动侦测；ive在侦测到有移动发生时，ive与处理器进行交互，使得处理器进入目标检测的工作模式，处理器对视频流进行目标检测；ive在没有侦测到移动发生时，ive一直在ive移动侦测的工作模式下进行移动侦测，不会触发处理器进行目标检测。在现有技术中，在设备开启目标检测功能后，设备会一直运行目标检测算法的模型，进而目标检测算法的实时运算会占用设备的cpu的大量资源。但是，本申请提供的方案，由于移动侦测的过程由ive执行，从而在移动侦测的过程中不需要处理器资源，只有在ive侦测到移动发生时，ive触发处理器进行目标检测；从而由于ive执行了移动侦测的过程，可以减少处理器的资源占用，减少设备的功耗。

附图说明

一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：

图1为本申请提供的应用场景示意图一；

图2为本申请提供的应用场景示意图二；

图3为本申请提供的应用场景示意图三；

图4为本申请实施例提供的一种目标检测方法的流程示意图；

图5为本申请实施例提供的另一种目标检测方法的流程示意图；

图6为本申请实施例提供的一种目标检测装置的结构示意图；

图7为本申请实施例提供的另一种目标检测装置的结构示意图；

图8为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为了能够更加详尽地了解本申请实施例的特点与技术内容，下面结合附图对本申请实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本申请实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。

现有技术中，在进行目标检测时候，可以在设备中配置目标检测算法，其中，目标检测算法例如有adaboost算法、卷积神经网络(convolutionalneuralnetworks，简称cnn)算法等；在目标识别设备的目标检测功能开启后，目标识别设备会实时的通过目标检测算法对视频流进行目标检测。

由于设备在开启目标检测功能开启后，设备会一直运行目标检测算法的模型，目标检测算法的模型会占用设备的处理器(centralprocessingunit，简称cpu)的大量资源；进而导致设备的cpu资源被长期占用，并且导致设备的功耗较大。

图1为本申请提供的应用场景示意图一，如图1所示，采用本申请实施例提供的方案，可以对人进行移动侦测和目标检测。

图2为本申请提供的应用场景示意图二，如图2所示，采用本申请实施例提供的方案，可以对动物进行移动侦测和目标检测。

图3为本申请提供的应用场景示意图三，如图3所示，采用本申请实施例提供的方案，可以对车辆进行移动侦测和目标检测。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图4为本申请实施例提供的一种目标检测方法的流程示意图。如图4所示，该方法包括：

步骤101、获取当前视频流，并采用智能分析加速引擎移动侦测方式对当前视频流进行移动侦测。

可选的，步骤101具体包括：通过相邻帧图像差分方式，侦测当前视频流的监控区域中是否有移动发生。

在本实施例中，具体的，将处理器与摄像头连接，处理器可以选取现在技术所提供的任意主流摄像头处理器。摄像头可以获取视频流。本实施例的处理器为一种芯片，该芯片是主频1.25ghz的cortex-a17和800兆赫(mhz)的cortex-a17；同时，芯片提供了智能分析加速引擎(intelligencevideoengine，简称ive)移动侦测方式；其中，ive移动侦测方式，指的是将一些常用的图像处理和分析函数固化到芯片上，从而芯片具有运动目标检测的功能。

在本实施例中，本申请实施例所提供的移动侦测算法，被写入到智能分析加速引擎中，进而本申请实施例所提供的移动侦测过程由ive进行执行。其中，ive是固化到芯片上的硬件处理单元。

由于观察到与处理器连接的摄像头所采集的视频流的背景几乎没有变化，本实施例在进行目标检测的时候，分为ive移动侦测和目标检测两种工作模式。

首先，处理器获取摄像头所采集到的视频流；处理器将视频流，传输给ive；ive实时的采用ive移动侦测方式对当前视频流进行移动侦测，ive采用相邻帧图像差分方式，去侦测当前视频流中是否有移动发生。即，ive通过移动侦测方式，可以在确定视频流的画面有变化，则确认有移动发生。

其中，相邻帧图像差分方式，是一种移动侦测算法，原理为对视频图像序列中相邻两帧作差分运算来获得运动目标轮廓，进而可以侦测到是否有移动发生。举例来说，ive对当前视频流进行侦测，当前视频流中包括了多帧图像；对于相邻的两帧图像，ive对相邻的两帧图像的像素点进行差分运算，以确定相邻的两帧图像的像素点的像素信息是否相同；ive若确定相邻的两帧图像的像素信息不同，或者，ive若确定相邻的两帧图像的像素信息差值不在预设范围之内，则确定有移动发生；ive若确定相邻的两帧图像的像素信息相同，或者，ive若确定相邻的两帧图像的像素信息差值在预设范围之内，则确定没有移动发生。

步骤102、若侦测到当前视频流中有移动发生，则对当前视频流进行目标检测。

在本实施例中，具体的，ive若侦测到当前视频流中有移动发生，此时，需要处理器进入目标检测的工作模式；此时，处理器就可以采用目标检测算法对当前视频流进行目标检测。

并且，ive一旦检测到当前视频流中有移动发生，ive可以向终端发送预警信息；或者，ive一旦检测到当前视频流中有移动发生，ive可以向处理器发生通知消息，处理器向终端发送预警信息。其中，预警信息包括以下至少一种：文字信息、语音信息、图像信息。从而，终端可以显示预警信息；相关人员可以获知移动侦测的情况，以便于相关人员进行安全处理。

其中，目标检测算法例如有adaboost模型、多任务级联卷积神经网络(multi-taskcascadedconvolutionalnetworks，简称mtcnn)模型、cnn模型、支持向量机分类器等等。

举例来说，在图1所示的场景下，处理器获取摄像头所采集到的视频流；处理器将视频流，传输给ive；ive实时的采用ive移动侦测方式对当前视频流进行移动侦测，ive采用相邻帧图像差分方式，去侦测当前视频流中的人是否有移动发生。然后，ive若侦测到当前视频流中有人发生移动，此时，需要处理器进入目标检测的工作模式；此时，处理器就可以采用目标检测算法对当前视频流中人进行目标检测。

再举例来说，在图2所示的场景下，处理器获取摄像头所采集到的视频流；处理器将视频流，传输给ive；ive实时的采用ive移动侦测方式对当前视频流进行移动侦测，ive采用相邻帧图像差分方式，去侦测当前视频流中的动物是否有移动发生。然后，ive若侦测到当前视频流中有动物发生移动，此时，需要处理器进入目标检测的工作模式；此时，处理器就可以采用目标检测算法对当前视频流中动物进行目标检测。

再举例来说，在图3所示的场景下，处理器获取摄像头所采集到的视频流；处理器将视频流，传输给ive；ive实时的采用ive移动侦测方式对当前视频流进行移动侦测，ive采用相邻帧图像差分方式，去侦测当前视频流中的车辆是否有移动发生。然后，ive若侦测到当前视频流中有车辆发生移动，此时，需要处理器进入目标检测的工作模式；此时，处理器就可以采用目标检测算法对当前视频流中车辆进行目标检测。

步骤103、若侦测到当前视频流中没有移动发生，继续采用智能分析加速引擎移动侦测方式对当前视频流进行移动侦测。

在本实施例中，具体的，ive若没有侦测到当前视频流中有移动发生，即，ive没有侦测到移动发生，ive需要持续采用ive移动侦测方式，对当前视频流进行移动侦测，即ive一直处于ive移动侦测的工作模式下。

本实施例提供的方法，可以用于进行各个类型的目标的检测。

举例来说，在图1所示的场景下，本实施例提供的方法，可以应用到人脸检测中，例如，应用到人脸对比、人脸识别的场景中。目标检测设备的硬件在工作的时候，被分为ive移动侦测和目标检测两种工作模式；ive可以实时的对视频流进行处理，采用ive移动侦测方式对当前视频流进行移动侦测；ive在侦测到有移动发生时，ive与处理器进行交互，使得处理器进入目标检测的工作模式，处理器对视频流进行人脸检测，其中，人脸检测可以采用现有技术中提供的人脸检测算法或人脸检测模型；ive在没有侦测到移动发生时，ive一直在ive移动侦测的工作模式下进行移动侦测，不会触发处理器进行人脸检测。

再举例来说，在图2所示的场景下，本实施例提供的方法，可以应用到动物检测中，例如，应用到动物对比、动物种类识别的场景中。目标检测设备的硬件在工作的时候，被分为ive移动侦测和目标检测两种工作模式；ive可以实时的对视频流进行处理，采用ive移动侦测方式对当前视频流进行移动侦测；ive在侦测到有移动发生时，ive与处理器进行交互，使得处理器进入目标检测的工作模式，处理器对视频流进行动物检测，其中，动物检测可以采用现有技术中提供的动物检测算法或动物检测模型；ive在没有侦测到移动发生时，ive一直在ive移动侦测的工作模式下进行移动侦测，不会触发处理器进行动物检测。

又举例来说，在图3所示的场景下，本实施例提供的方法，可以应用到车辆检测中，例如，应用到车辆对比、车辆识别、车牌识别的场景中。目标检测设备的硬件在工作的时候，被分为ive移动侦测和目标检测两种工作模式；ive可以实时的对视频流进行处理，采用ive移动侦测方式对当前视频流进行移动侦测；ive在侦测到有移动发生时，ive与处理器进行交互，使得处理器进入目标检测的工作模式，处理器对视频流进行车辆检测，其中，车辆检测可以采用现有技术中提供的车辆检测算法或车辆检测模型；ive在没有侦测到移动发生时，ive一直在ive移动侦测的工作模式下进行移动侦测，不会触发处理器进行车辆检测。

本实施例，通过获取当前视频流，并采用ive移动侦测方式对当前视频流进行移动侦测；若侦测到当前视频流中有移动发生，则对当前视频流进行目标检测。目标检测设备的硬件在工作的时候，被分为ive移动侦测和目标检测两种工作模式；ive可以实时的对视频流进行处理，采用ive移动侦测方式对当前视频流进行移动侦测；ive在侦测到有移动发生时，ive与处理器进行交互，使得处理器进入目标检测的工作模式，处理器对视频流进行目标检测；ive在没有侦测到移动发生时，ive一直在ive移动侦测的工作模式下进行移动侦测，不会触发处理器进行目标检测。在现有技术中，在设备开启目标检测功能后，设备会一直运行目标检测算法的模型，进而目标检测算法的实时运算会占用设备的cpu的大量资源。但是，本申请提供的方案，由于移动侦测的过程由ive执行，从而在移动侦测的过程中不需要处理器资源，只有在ive侦测到移动发生时，ive触发处理器进行目标检测；从而由于ive执行了移动侦测的过程，可以减少处理器的资源占用，减少设备的功耗。

图5为本申请实施例提供的另一种目标检测方法的流程示意图。如图5所示，该方法包括：

步骤201、获取当前视频流，并采用智能分析加速引擎移动侦测方式对当前视频流进行移动侦测。

在本实施例中，具体的，本步骤可以参见图1的步骤101，不再赘述。

步骤202、若侦测到当前视频流中有移动发生，则确定是否在当前视频流中检测到目标图像。

可选的，步骤202具体包括：采用预设的检测模型对当前视频流进行检测，以确定是否检测到目标图像。

可选的，检测模型为多任务级联卷积神经网络模型、adaboost模型。

可选的，步骤202具体包括以下步骤：

第一个步骤、对当前视频流中的每一帧图像进行缩放处理，得到图像集合，其中，图像集合中包括每一帧图像在不同比例下的图像。

第二个步骤、采用检测模型中的第一处理模型对图像集合中的图像进行处理，以确定是否得到候选窗体。

第三个步骤、若确定得到n个候选窗体，其中，n为大于等于1的正整数，n个候选窗体中的一个或多个候选窗体中包括多个候选目标，则采用检测模型中的第二处理模型对n个候选窗体进行识别处理，以去除不包括候选目标的候选窗体，得到包括候选目标的候选窗体；采用检测模型中的第三处理模型对包括候选目标的候选窗体进行筛选处理，以得到目标图像。

第四个步骤、若确定没有得到候选窗体，则确定没有检测到目标图像。

在本实施例中，具体的，ive若侦测到了当前视频流中有移动发生，ive触发处理器进入目标检测模式。然后，处理器采用预设的检测模型，确定当前视频流中的图像中是否具有目标，进而确定是否具有目标图像。

其中，检测模型例如有adaboost模型、mtcnn模型、cnn模型、支持向量机分类器等等。

本步骤包括以下几种实施方式：

第一种实施方式：处理器采用cnn模型进行目标检测。cnn模型属于深度学习的一种，cnn模型与同传统的机器学习算法相比，cnn模型的布局更接近于实际的生物神经网络；采用cnn模型进行特征提取的时候，具有位移、缩放及其它扭曲不变性的特点，从而采用cnn模型进行图像识别是具有很好的效果的；并且，选用基于cnn的目标检测算法进行目标检测，具有较高的召回率和准确率。

并且，由于本实施例中的目标检测是实时的，如果单帧处理时间过长，会造成检测不实时的问题；经过实验发现，采用基于cnn的目标检测算法进行目标检测，处理时间不超过100毫秒/帧，从而可以采用cnn模型进行目标检测。同时，为了使得处理器可以高速运行cnn模型，需要运行cnn的前向计算框架，需要支持armneon优化，其中，neon是适用于armcortex-a系列处理器的一种128位单指令、多数据(singleinstruction、multipledata，简称simd)的扩展结构。

第二种实施方式：处理器采具有三级的级联网络的检测模型，其中，检测模型包括第一处理模型、第二处理模型和第三处理模型。例如，检测模型为mtcnn模型，则第一处理模型为proposalnet(p-net)，第二处理模型为refinenet(r-net)，第三处理模型为outputnet(o-net)。首先，处理器对当前视频流中的每一帧图像，依据不同的比例进行缩放处理，进而得到每一帧图像在不同比例下的图像，得到的图像组合成一个图像集合；然后，处理器采用的第一处理模型对图像集合中的图像进行处理，得到各个处理后的图像；然后，处理器判断是否可以得到候选窗体，此时，候选窗体指的是具有可能具有目标的局部图像，一个局部图像是一个窗体。

处理器若确定可以得到n个候选窗体，则处理器需要对上述n个候选窗体再次进行分析处理，其中，n为大于等于1的正整数。其中，n个候选窗体中的m个候选窗体中具有候选目标，m为大于等于1、且小于等于n的正整数；此时，n个候选窗体中每一个候选窗体中不一定都具有目标，部分候选窗体中包括了的是非目标的运动目标，还需要采用的第一处理模型去除掉不包括候选目标的候选窗体。并且，处理器在使用的第一处理模型生成候选窗体的时候，还会生成边框回归向量。然后，处理器采用第二处理模型对上述n个候选窗体进行识别处理，进而去除不包括目标的候选窗体，得到包括目标的候选窗体，进而使用第二处理模型改善第一处理模型输出的候选窗体，去掉大部分非目标的候选窗体；最后，处理器采用第三处理模型对包括目标的候选窗体进行筛选处理，进而得到目标图像，进而可以确定出哪些图像中具有目标图像，即确定出视频流中是否检测到目标图像。

处理器若确定没有得到候选窗体，则处理器可以直接确定没有检测到目标图像。

上述第二种实施方式中，检测模型可以是mtcnn模型，其中，mtcnn模型采用三级级联网络，分别是proposalnet(p-net)、refinenet(r-net)和outputnet(o-net)。即，第一处理模型为p-net模型，第二处理模型为r-net模型，第三处理模型为o-net模型。mtcnn模型具有不依赖第三方库、内存管理精细、计算快速等优点。通过实验发现，采用mtcnn模型进行目标检测，处理时间不超过100毫秒/帧；目标检测的召回率大于98％，目标检测的准确率大于98％。

第三种实施方式：处理器采用adaboost模型进行目标检测。其中，adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个更强的最终的强分类器。adaboost模型常常被用于目标检测技术中。

举例来说，在图1所示的场景下，可以采用上述过程去检测到目标图像，例如，检测人的面部图像，或者检测人的躯干图像。或者在图2所示的场景下，可以采用上述过程去检测到目标图像，例如，检测动物的面部图像，或者检测动物的躯干图像。或者在图3所示的场景下，可以采用上述过程去检测到目标图像，例如，检测车辆的整体图像，或者检测车辆的车牌图像。

步骤203、若检测到目标图像，则对目标图像进行处理。

可选的，步骤203具体包括：

对目标图像进行识别；和/或，对目标图像进行保存。

在本实施例中，具体的，处理器若确定检测到了目标图像，则可以对目标图像进行相关的后续处理。

具体来说，处理器可以对目标图像进行目标识别，进一步的确定检测到的目标图像是否真的是目标图像，或者，进一步的识别出目标图像是谁的，例如，处理器采用mtcnn模型、cnn模型、支持向量机、adaboost模型、faceboxes模型中的一种或多种进行目标识别；处理器还可以将识别后的目标进行保存。或者，处理器直接将目标图像进行保存。

举例来说，在图1所示的场景下，处理器可以对人的面部进行面部识别，或者检测面部图像是否为正面的面部图像。或者，在图2所示的场景下，处理器可以采用现有技术的方法，检测动物的品种。或者，在图3所示的场景下，处理器可以对车辆的车牌进行识别，或者对车辆是否超速等进行检测。

步骤204、若在预设时间段内没有检测到目标图像，则执行获取当前视频流，并采用智能分析加速引擎移动侦测方式对当前视频流进行移动侦测。

在本实施例中，具体的，处理器若在预设时间段内没有检测到目标图像，例如在30秒内都没有检测到目标图像，则处理器需要跳转工作模式；此时，处理器停止目标检测的工作模式，ive进入ive移动侦测的工作模式；从而ive对新获取到的视频流，采用ive移动侦测方式进行移动侦测；然后，重复步骤201-204的过程。

步骤205、若侦测到当前视频流中没有移动发生，继续采用智能分析加速引擎移动侦测方式对当前视频流进行移动侦测。

在本实施例中，具体的，本步骤可以参见图1的步骤103，不再赘述。

本实施例，通过ive实时的对视频流进行处理，ive可以采用ive移动侦测方式对当前视频流进行移动侦测；ive在侦测到当前视频流中有移动发生时，触发处理器进入目标检测的工作模式，处理器对运动目标进行目标检测；在进行目标检测的过程中，处理器若检测到目标图像，则处理器进行目标的相关处理，处理器若在一段持续的时间段内没有检测到目标图像，则处理器停止目标检测，触发ive进入ive移动侦测的工作模式下进行移动侦测；ive在侦测到当前视频流中没有移动发生时，ive一直在ive移动侦测的工作模式下进行移动侦测。通过采用ive移动侦测的工作模式与目标检测的工作模式的相互迁移的方式，可以在确定有移动发生时，触发处理器进行目标检测和识别；在没有移动发生时，或者，处理器检测不到目标，ive依然进行移动侦测。由于移动侦测的过程由ive执行，从而在移动侦测的过程中不需要处理器资源，只有在ive侦测到移动发生时，ive触发处理器进行目标检测；从而由于ive执行了移动侦测的过程，可以减少处理器的资源占用，减少设备的功耗。其中，可以采用mtcnn模型进行目标检测，mtcnn模型的处理时间较短，并且目标检测的准确率和召回率较高。

图6为本申请实施例提供的一种目标检测装置的结构示意图，如图6所示，本实施例提供的装置，包括：

获取单元31，用于获取当前视频流，并采用智能分析加速引擎移动侦测方式对当前视频流进行移动侦测。

检测单元32，用于若侦测到当前视频流中有移动发生，则对当前视频流进行目标检测。

本实施例提供的目标检测装置，用于实现前述任一实施例提供的目标检测方法中的技术方案，其实现原理和技术效果类似，不再赘述。

图7为本申请实施例提供的另一种目标检测装置的结构示意图，在图6所示实施例的基础上，如图7所示，本实施例提供的装置中，获取单元31，具体用于：通过相邻帧图像差分方式，侦测当前视频流的监控区域中是否有移动发生。

检测单元32，包括：

确定模块321，用于确定是否在当前视频流中检测到目标图像。

第一处理模块322，用于若检测到目标图像，则对目标图像进行处理。

第二处理模块323，用于若在预设时间段内没有检测到目标图像，则执行获取当前视频流，并采用智能分析加速引擎移动侦测方式对当前视频流进行移动侦测。

确定模块321，具体用于：采用预设的检测模型对当前视频流进行检测，以确定是否检测到目标图像。

可选的，检测模型为多任务级联卷积神经网络模型、adaboost模型。

确定模块321，具体用于：对当前视频流中的每一帧图像进行缩放处理，得到图像集合，其中，图像集合中包括每一帧图像在不同比例下的图像；采用检测模型中的第一处理模型对图像集合中的图像进行处理，以确定是否得到候选窗体；若确定得到n个候选窗体，其中，n为大于等于1的正整数，n个候选窗体中的一个或多个候选窗体中包括多个候选目标，则采用检测模型中的第二处理模型对n个候选窗体进行识别处理，以去除不包括候选目标的候选窗体，得到包括候选目标的候选窗体；采用检测模型中的第三处理模型对包括候选目标的候选窗体进行筛选处理，以得到目标图像；若确定没有得到候选窗体，则确定没有检测到目标图像。

第一处理模块322，具体用于：对目标图像进行识别；和/或，对目标图像进行保存

本实施例提供的装置，还包括：

发送单元41，用于若侦测到当前视频流中有移动发生，则向终端发送预警信息。

本实施例提供的目标检测装置，用于实现前述任一实施例提供的目标检测方法中的技术方案，其实现原理和技术效果类似，不再赘述。

本申请实施例还提供了一种计算机(或手机等设备)，包含上述的目标检测装置。

本申请实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令设置为执行上述目标检测方法。

本申请实施例还提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述脸检测方法。

上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。

本申请实施例还提供了一种电子设备，其结构如图8所示，该电子设备包括：

至少一个处理器(processor)51，图8中以一个处理器51为例；电子设备还包括了和智能分析加速引擎(intelligencevideoengine，简称ive)52和存储器(memory)53；还可以包括通信接口(communicationinterface)54和总线55。其中，处理器51、ive52通信接口54、存储器53可以通过总线55完成相互间的通信。通信接口54可以用于信息传输。处理器51可以调用存储器53中的逻辑指令，以执行上述实施例的目标检测方法中的目标检测。ive52可以调用存储器53中的逻辑指令，以执行上述实施例的目标检测方法中的ive移动侦测。

此外，上述的存储器53中的逻辑指令可以通过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。

存储器53作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本申请实施例中的方法对应的程序指令/模块。处理器51通过运行存储在存储器53中的软件程序、指令以及模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的目标检测方法。

存储器53可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器53可以包括高速随机存取存储器，还可以包括非易失性存储器。

本申请实施例的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括一个或多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请实施例方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

当用于本申请中时，虽然术语“第一”、“第二”等可能会在本申请中使用以描述各元件，但这些元件不应受到这些术语的限制。这些术语仅用于将一个元件与另一个元件区别开。比如，在不改变描述的含义的情况下，第一元件可以叫做第二元件，并且同样第，第二元件可以叫做第一元件，只要所有出现的“第一元件”一致重命名并且所有出现的“第二元件”一致重命名即可。第一元件和第二元件都是元件，但可以不是相同的元件。

本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。

所描述的实施例中的各方面、实施方式、实现或特征能够单独使用或以任意组合的方式使用。所描述的实施例中的各方面可由软件、硬件或软硬件的结合实现。所描述的实施例也可以由存储有计算机可读代码的计算机可读介质体现，该计算机可读代码包括可由至少一个计算装置执行的指令。计算机可读介质可与任何能够存储数据的数据存储装置相关联，该数据可由计算机系统读取。用于举例的计算机可读介质可以包括只读存储器、随机存取存储器、cd-rom、hdd、dvd、磁带以及光数据存储装置等。计算机可读介质还可以分布于通过网络联接的计算机系统中，这样计算机可读代码就可以分布式存储并执行。

上述技术描述可参照附图，这些附图形成了本申请的一部分，并且通过描述在附图中示出了依照所描述的实施例的实施方式。虽然这些实施例描述的足够详细以使本领域技术人员能够实现这些实施例，但这些实施例是非限制性的；这样就可以使用其它的实施例，并且在不脱离所描述的实施例的范围的情况下还可以做出变化。比如，流程图中所描述的操作顺序是非限制性的，因此在流程图中阐释并且根据流程图描述的两个或两个以上操作的顺序可以根据若干实施例进行改变。作为另一个例子，在若干实施例中，在流程图中阐释并且根据流程图描述的一个或一个以上操作是可选的，或是可删除的。另外，某些步骤或功能可以添加到所公开的实施例中，或两个以上的步骤顺序被置换。所有这些变化被认为包含在所公开的实施例以及权利要求中。

另外，上述技术描述中使用术语以提供所描述的实施例的透彻理解。然而，并不需要过于详细的细节以实现所描述的实施例。因此，实施例的上述描述是为了阐释和描述而呈现的。上述描述中所呈现的实施例以及根据这些实施例所公开的例子是单独提供的，以添加上下文并有助于理解所描述的实施例。上述说明书不用于做到无遗漏或将所描述的实施例限制到本申请的精确形式。根据上述教导，若干修改、选择适用以及变化是可行的。在某些情况下，没有详细描述为人所熟知的处理步骤以避免不必要地影响所描述的实施例。