目标检测方法及相关装置与流程

本申请涉及图像处理技术领域，特别是涉及一种目标检测方法及相关装置。

背景技术：

在图像、视频拍摄过程中，往往存在诸如对目标进行跟踪、特写的业务需求，例如：跟踪拍摄正在讲台上进行文稿演示的教师，或者跟踪并特写正在大屏幕前主持节目的主持人等等。

然而，在上述业务场景中，演示文稿、大屏幕上也可能存在与目标类似的图形，例如人形、人脸等，如此种种均可能对正常目标检测造成干扰，进而无法顺利完成目标跟踪、特写。故此，如何排除干扰，提高目标检测的准确性成为亟待解决的问题。

技术实现要素：

本申请主要解决的技术问题是提供一种目标检测方法及相关装置，能够提高目标检测准确性。

为了解决上述问题，本申请第一方面提供了一种目标检测方法，包括：获取摄像器件拍摄得到的原始图像；对原始图像进行目标检测，得到至少一个目标区域；基于原始图像中的亮度情况，查找出属于干扰的目标区域；剔除属于干扰的目标区域，将剩余的目标区域作为最终检测的目标区域。

为了解决上述问题，本申请第二方面提供了一种目标检测装置，包括相互耦接的存储器和处理器；处理器用于执行存储器存储的程序指令，以实现上述第一方面的方法。

为了解决上述问题，本申请第三方面提供了一种目标检测装置，包括获取模块、检测模块、查找模块、统计模块，获取模块用于获取摄像器件拍摄得到的原始图像；检测模块用于对原始图像进行目标检测，得到至少一个目标区域；查找模块用于基于原始图像中的亮度情况，查找出属于干扰的目标区域；统计模块用于剔除属于干扰的目标区域，将剩余的目标区域作为最终检测的目标区域。

为了解决上述问题，本申请第四方面提供了一种存储装置，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面的方法。

上述方案，通过对原始图像进行目标检测，从而得到至少一个目标区域，并且在此基础上，基于原始图像中的亮度情况，查找出属于干扰的目标区域，即可以尽可能地查找出对正确的目标区域造成干扰的目标区域，进而可以剔除这些属于干扰的目标区域，而将剩余的目标区域作为最终检测的目标区域，以尽可能地剔除属于干扰的目标区域，从而大大提高目标检测的准确性。特别是针对存在亮度较大的显示屏(如投影屏、电视等)的场景中，利用上述方案可以剔除显示屏中的干扰性目标，实现对该场景准确的目标检测。

附图说明

图1是本申请目标检测方法一实施例的流程示意图；

图2是图1中步骤s12一实施例的流程示意图；

图3是图2中步骤s121一实施例的流程示意图；

图4是图2中步骤s122一实施例的流程示意图；

图5是图1中步骤s13一实施例的流程示意图；

图6是目标区域和非目标区域一实施例的位置关系示意图；

图7是图5中步骤s131一实施例的流程示意图；

图8是图7中步骤s71一实施例的流程示意图；

图9是图7中步骤s73一实施例的流程示意图；

图10是原始图像中非目标区域一实施例的位置示意图；

图11是本申请目标检测装置一实施例的框架示意图；

图12是本申请目标检测装置另一实施例的框架示意图；

图13是本申请存储装置一实施例的框架示意图。

具体实施方式

下面结合说明书附图，对本申请实施例的方案进行详细说明。

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、接口、技术之类的具体细节，以便透彻理解本申请。

本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。

请参阅图1，图1是本申请目标检测方法一实施例的流程示意图。具体而言，可以包括如下步骤：

步骤s11：获取摄像器件拍摄得到的原始图像。

摄像器件可以为单目摄像机、双目摄像机等等，本实施例不做具体限制。

此外，针对需要重点拍摄运动目标的应用场景，例如：道路车辆监控、车站人流监控等等，摄像器件可以具体为集成有云台的摄像机，例如智能球机摄像头。智能球机摄像头利用内置电机可以实现球机的快速、准确定位和旋转。

步骤s12：对原始图像进行目标检测，得到至少一个目标区域。

本实施例中，目标可以根据具体的应用场景而设置，例如：针对设置于教室且正对讲台的摄像机，目标可以是人脸；或者针对设置于演播室且正对背景屏幕的摄像机，目标也可以设置为人形，本实施例在此不做具体限制。

在一个实施场景中，为了减少后续图像处理负荷，压缩图像数据量，在对原始图像进行目标检测，得到至少一个目标区域之前，还可以对原始图像进行灰度化处理，灰度化处理的具体实施步骤为本领域中的现有技术，本实施例在此不再赘述。

在一个实施场景中，为了更加准确地检测到原始图像中的目标区域，在对原始图像进行目标检测，得到至少一个目标区域之前，还可以利用高斯滤波处理原始图像，从而可以抑制图像噪声并弱化背景增强目标轮廓，高斯滤波的具体实施步骤为本领域中的现有技术，本实施例在此不再赘述。

在另一个实施场景中，为了更加准确地检测到原始图像中的目标区域，可以结合目标的颜色特征和轮廓特征对原始图像进行分析，例如，针对目标是人脸的情形，颜色特征可以头发颜色特征，如黑色，轮廓特征可以是人脸轮廓特征，如圆形。此外，还可以结合深度学习检测算法对原始图像进行分析，本实施例在此不再一一赘述。

步骤s13：基于原始图像中的亮度情况，查找出属于干扰的目标区域。

针对所要查找的目标区域的特性，原始图像中的亮度情况可以是原始图像的平均亮度，也可以是原始图像的最高亮度，或者，还可以是原始图像的最低亮度。例如，针对要查找出演示文稿中所显示的目标，或背景屏幕中所显示出的目标，原始图像中的亮度情况可以是原始图像的平均亮度，也可以是原始图像的最高亮度，从而当目标区域的亮度情况高于平均亮度，或者持平于最高亮度时，可以确定该目标区域为原始图像中演示文稿、背景屏幕等具有较高亮度的区域中的目标区域，即为属于干扰的目标区域。

步骤s14：剔除属于干扰的目标区域，将剩余的目标区域作为最终检测的目标区域。

剔除属于干扰的目标区域，将剩余的目标区域作为最终检测的目标区域，从而尽可能地排除了对正常目标区域的干扰，进而尽可能地检测出目标真正所在的区域。

在一个实施场景中，为了统计原始图像中目标的数量，在剔除属于干扰的目标区域，将剩余的目标区域作为最终检测的目标区域之后，还可以统计最终检测的目标区域的个数作为目标数量。

上述方案，通过对原始图像进行目标检测，从而得到至少一个目标区域，并且在此基础上，基于原始图像中的亮度情况，查找出属于干扰的目标区域，即可以尽可能地查找出对正确的目标区域造成干扰的目标区域，进而可以剔除这些属于干扰的目标区域，而将剩余的目标区域作为最终检测的目标区域，以尽可能地剔除属于干扰的目标区域，从而大大提高目标检测的准确性。特别是针对存在亮度较大的显示屏(如投影屏、电视等)的场景中，利用上述方案可以剔除显示屏中的干扰性目标，实现对该场景准确的目标检测。

请参阅图2，图2是图1中步骤s12一实施例的流程示意图。具体而言，上述步骤s12可以包括如下步骤：

步骤s121：筛选符合目标的颜色特征和轮廓特征的候选区域。

颜色特征和轮廓特征可以根据所要检测的目标进行设置。例如，针对目标是人脸的情形，颜色特征可以头发颜色特征，如黑色，轮廓特征可以是人脸轮廓特征，如圆形，本实施例在此不做具体限制。

通过筛选符合目标的颜色特征和轮廓特征的候选区域，可以初步选出较大概率包含目标的区域。

具体可以请结合参阅图3，图3是图2中步骤s121一实施例的流程示意图。步骤s121具体可以包括：

步骤s1211：利用目标的颜色特征排除原始图像中不存在目标的区域。

例如，需要检测的目标为人，则可以根据人头发的颜色特征，如黑色、黄色等初步排除原始图像中较大概率不可能存在目标的区域。此外，在此基础上，还可以结合人皮肤的颜色特征进一步排除原始图像中不存在目标的区域。

步骤s1212：对原始图像剩下的区域进行边缘检测，获取至少一条边缘轮廓线。

边缘检测的方法可以包括但不限于：canny算子、sobel算子等等，本实施例在此不做具体限制，此外，关于canny算子、sobel算子等边缘检测算法为领域的现有技术，本实施例在此不再赘述。

步骤s1213：将符合轮廓特征的边缘轮廓线所在的区域确定为第一候选区域。

在一个实施场景中，具体可以利用随机hough圆检测算法对在原始图像中检测得到的边缘轮廓线进行计算，寻找原始图像中符合目标轮廓特征的区域，例如对于目标为人脸时，可以寻找原始图像中类圆区域。

上述方案，通过利用目标的颜色特征首先排除较大概率不存在目标的区域，进一步利用目标的轮廓特征筛选出较大概率存在目标的区域，从而在提高目标检测准确性的同时，也缩小了后续进行图像处理的范围，减轻了图像处理的负荷。

步骤s122：利用深度学习检测算法在候选区域中确定存在目标的目标区域。

深度学习检测算法包括但不限于ssd(singleshotmultiboxdetector，即一步多框检测)算法、yolo、faster-cnn等等，本实施例在此不做具体限制。

请结合参阅图4，图4是图2中步骤s122一实施例的流程示意图。具体而言，步骤s122可以包括：

步骤s1221：利用经过深度学习的目标检测算法在第一候选区域中筛选存在目标的第二候选区域。

具体的，可以利用上述目标检测算法在第一候选区域中筛选存在目标的第二候选区域。例如，对于ssd算法，可以利用滑动窗口在上述第一候选区域中选择出存在目标的第二候选区域。

步骤s1222：根据目标的轮廓特征对第二候选区域进行校正，获取目标区域。

利用目标的轮廓特征对第二候选区域进行校正，获取目标区域。

上述方案，在利用目标的颜色特征和轮廓特征得到候选区域后，进一步基于深度学习的检测算法对候选区域进行筛选，从而进一步提高了获取到的目标区域的准确性。

请参阅图5，图5是图1中步骤s13一实施例的流程示意图。具体而言，步骤s13可以包括如下步骤：

步骤s131：对原始图像中的亮度情况进行分析，获得亮度情况符合亮度条件的至少一个非目标区域。

根据具体业务场景，亮度条件可以是亮度大于原始图像的平均亮度，还可以是亮度大于等于原始图像中亮度在前预设比例的像素点的平均亮度值等等，本实施例在此不做具体限制。

在具体业务场景中，非目标区域可以是对正常的目标区域造成干扰的区域，例如，原始图像中的演示文稿区域，或原始图像中背景屏幕区域。

请结合参阅图6，图6为目标区域和非目标区域一实施例的位置关系示意图。如图6所示，原始图像p中检测得到目标区域t1～t3，以及非目标区域s。

步骤s132：统计目标区域与非目标区域的重叠率。

目标区域和非目标区域的重叠率具体可以是指目标区域和非目标区域像素点的重叠率。具体地，可以查找出存在重叠的至少一组目标区域和非目标区域，例如图6中包括两组重叠的目标区域和非目标区域，即t2和s、t3和s；接着统计每组目标区域与非目标区域重叠的像素点的第一数量，例如，统计目标区域t2和非目标区域s重叠的像素点的第一数量ns∩nt2，统计目标区域t3和非目标区域s的重叠的像素点的第一数量ns∩nt3；同时统计每组目标区域和非目标区域总共的像素点的第二数量，例如，统计目标区域t2和非目标区域s总共的像素点的第二数量ns∪nt2，统计目标区域t2和非目标区域s总共的像素点的第二数量ns∪nt3；最后，将第一数量和第二数量的比值确定为对应组目标区域和非目标区域的重叠率，例如，确定目标区域t2和非目标区域s的重叠率为确定目标区域t3和非目标区域s的重叠率为此外，在一个实施场景中，目标区域和非目标区域的重叠率还可以是目标区域和非目标区域重叠的像素点的数量占目标区域所有像素点的数量的比率，具体计算方式可以以此类推，本实施例在此不再一一举例。

步骤s133：查找出与非目标区域的重叠率大于预设重叠率的目标区域。

预设重叠率可以设置为70％、80％等等，本实施例在此不做具体限制。

请结合参阅图6，如图6所示，由于目标区域t3和非目标区域s的重叠率较大，从而可以确定目标区域t3为所要剔除的目标区域，最终剩余的目标区域t1、t2为最终检测得到的目标区域。

上述方案，通过计算目标区域和非目标区域的重叠率，从而确定出较大概率为需要被剔除的目标区域，一定程度上提高了目标检测的准确性。

此外，上述方案中获取到的非目标区域的准确性，也在较大程度上决定了判定检测到的目标区域是否为需要被剔除的目标区域的准确性，因此，为了更加准确地获取到非目标区域，请结合参阅图7，上述步骤s131具体可以包括：

步骤71：基于原始图像各像素点的亮度值，构建亮通道图像并确定亮度阈值。

具体地，请结合参阅图8，步骤s71中“基于原始图像各像素点的亮度值构建亮通道图像”可以包括：

步骤s711：将原始图像各像素点中每一通道的最大亮度值作为像素点的亮度值。

在一个实施场景中，原始图像通过rgb颜色空间模型进行编码，则确定每一像素点中r通道、g通道、b通道中的最大亮度值，并将此作为该像素点的亮度值。

步骤s712：为每个像素点确定第一参考区域，将像素点的第一参考区域内所有像素点的亮度值中的最大值作为亮通道图像中对应像素点的亮度值。

在一个实施场景中，第一参考区域可以为一矩形窗口，则以每一像素点为中心的矩形窗口中所有像素点的亮度值中的最大值作为亮通道图像对应像素点的亮度值，从而构建出亮通道图像。

上述步骤s711～步骤s712可以用下式表示：

其中，j^light表示亮通道图像，j^c表示原始图像中每个通道，表示以像素点x为中心的第一参考区域。

此外，具体地步骤s71中“基于原始图像各像素点的亮度值，确定亮度阈值”可以包括如下步骤：

步骤s713：基于原始图像各像素点的亮度值构建暗通道图像。

暗通道图像的构建方式可以参照上述亮通道图像的构建方式。具体地，可以将原始图像各像素点中每一通道的最小亮度值作为像素点的亮度值，例如，在一个实施场景中，原始图像通过rgb颜色空间模型进行编码，则确定每一像素点中r通道、g通道、b通道中的最小亮度值，并将此作为该像素点的亮度值；然后为每个像素点确定第二参考区域，例如，第二参考区域可以为一矩形窗口；最后将像素点的第二参考区域内所有像素点的亮度值中的最小值作为暗通道图像中对应像素点的亮度值，类似地，上述步骤可以用下式表示：

其中，j^dark表示暗通道图像，j^c表示原始图像中每个通道，σ(x)表示以像素点x为中心的第二参考区域。

步骤s714：统计暗通道图像中亮度值大于第一预设亮度值的第二像素点。

统计暗通道图像中亮度值大于第一预设亮度值的第二像素点，第一预设亮度值可以根据具体业务场景而设置。此外，还可以统计暗通道图像中亮度值处于前预设比例的像素点，例如，统计暗通道图像中亮度值处于前0.1％的像素点，本实施例在此不做具体限制。

步骤s715：基于亮通道图像中与第二像素点位置对应的第三像素点的亮度值，确定亮度阈值。

统计亮通道图像中与第二像素点对应的第三像素点的亮度值，在一个实施场景中，可将统计得到的亮度值的平均亮度值作为亮度阈值。

上述步骤s711～步骤712，以及步骤s713～步骤s714可以先执行步骤s711～步骤s712，后执行步骤s713～步骤s714；也可以先执行步骤s713～步骤s714，后执行步骤s711～步骤s712；还可以同时执行步骤s711～步骤s712，以及步骤s713～步骤s714，本实施例在此不做具体限制。

步骤s72：统计亮通道图像中亮度值大于亮度阈值的第一像素点。

统计亮通道图像中亮度值大于上述所求得的亮度阈值的第一像素点。

步骤s73：基于亮通道图像中第一像素点及其周围像素点的亮度值，确定非目标区域。

具体地，请结合参阅图9，步骤s73可以包括如下步骤：

步骤s731：从亮通道图像的与第一像素点相邻的若干像素点中，查找出与第一像素点的亮度差值小于第二预设亮度值的像素点并作为新的第一像素点，重新执行本步骤直至不再查找出新的第一像素点。

请结合参阅图10，图10是原始图像中非目标区域一实施例的位置示意图。在一个实施场景中，与第一像素点相邻的若干像素点可以是第一像素点周围的8个像素点，如图10所示，可以分别查找与第一像素点p1、第一像素点p2相邻的8个像素点，若其中某一像素点与第一像素点的亮度差值小于第二预设亮度值，则将该像素点作为新的第一像素点，以此循环，直至查找不到新的第一像素点位置。

步骤s732：将原始图像中对应于所有第一像素点的区域确定为非目标区域。

将原始图像中对应于所有第一像素点的区域确定为非目标区域，如图10所示，最终可以确定非目标区域s。

请参阅图11，图11是本申请目标检测装置1100一实施例的框架示意图。包括相互耦接的存储器1110和处理器1120，处理器1120用于执行存储器1110存储的程序指令，以实现上述任一实施例中的目标检测方法。

具体而言，处理器1120用于控制其自身以及存储器1110以实现上述任一实施例中的目标检测方法。处理器1120还可以称为cpu(centralprocessingunit，中央处理单元)。处理器1120可能是一种集成电路芯片，具有信号的处理能力。处理器1120还可以是通用处理器、数字信号处理器(digitalsignalprocessor,dsp)、专用集成电路(applicationspecificintegratedcircuit,asic)、现场可编程门阵列(field-programmablegatearray,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。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。另外，处理器1120可以由多个集成电路芯片共同实现。

本实施例中，处理器1120用于获取摄像器件拍摄得到的原始图像；处理器1120还用于对原始图像进行目标检测，得到至少一个目标区域；处理器1120还用于基于原始图像中的亮度情况，查找出属于干扰的目标区域；处理器1120还用于剔除属于干扰的目标区域，将剩余的目标区域作为最终检测的目标区域。

上述方案，通过对原始图像进行目标检测，从而得到至少一个目标区域，并且在此基础上，基于原始图像中的亮度情况，查找出属于干扰的目标区域，即可以尽可能地查找出对正确的目标区域造成干扰的目标区域，进而可以剔除这些属于干扰的目标区域，而将剩余的目标区域作为最终检测的目标区域，以尽可能地剔除属于干扰的目标区域，从而大大提高目标检测的准确性。特别是针对存在亮度较大的显示屏(如投影屏、电视等)的场景中，利用上述方案可以剔除显示屏中的干扰性目标，实现对该场景准确的目标检测。

在一些实施例中，处理器1120还用于对原始图像中的亮度情况进行分析，获得亮度情况符合亮度条件的至少一个非目标区域；处理器1120还用于统计目标区域与非目标区域的重叠率；处理器1120还用于查找出与非目标区域的重叠率大于预设重叠率的目标区域。

在一些实施例中，处理器1120还用于基于原始图像各像素点的亮度值，构建亮通道图像并确定亮度阈值；处理器1120还用于统计亮通道图像中亮度值大于亮度阈值的第一像素点；处理器1120还用于基于亮通道图像中第一像素点及其周围像素点的亮度值，确定非目标区域。

在一些实施例中，处理器1120还用于基于原始图像各像素点的亮度值构建暗通道图像；处理器1120还用于统计暗通道图像中亮度值大于第一预设亮度值的第二像素点；处理器1120还用于基于亮通道图像中与第二像素点位置对应的第三像素点的亮度值，确定亮度阈值。

在一些实施例中，处理器1120还用于将原始图像各像素点中每一通道的最小亮度值作为像素点的亮度值；处理器1120还用于为每个像素点确定第二参考区域，将像素点的第二参考区域内所有像素点的亮度值中的最小值作为暗通道图像中对应像素点的亮度值。

在一些实施例中，处理器1120还用于将亮通道图像中与第二像素点位置对应的第三像素点的平均亮度值作为亮度阈值。

在一些实施例中，处理器1120还用于将原始图像各像素点中每一通道的最大亮度值作为像素点的亮度值；处理器1120还用于为每个像素点确定第一参考区域，将像素点的第一参考区域内所有像素点的亮度值中的最大值作为亮通道图像中对应像素点的亮度值。

在一些实施例中，处理器1120还用于从亮通道图像的与第一像素点相邻的若干像素点中，查找出与第一像素点的亮度差值小于第二预设亮度值的像素点并作为新的第一像素点，重新执行本步骤直至不再查找出新的第一像素点；处理器1120还用于将原始图像中对应于所有第一像素点的区域确定为非目标区域。

在一些实施例中，处理器1120还用于查找出存在重叠的至少一组目标区域和非目标区域；处理器1120还用于统计每组目标区域与非目标区域重叠的像素点的第一数量；处理器1120还用于统计每组目标区域与非目标区域总共的像素点的第二数量；处理器1120还用于将第一数量与第二数量的比值确定为对应组目标区域与非目标区域的重叠率。

在一些实施例中，处理器1120还用于筛选符合目标的颜色特征和轮廓特征的候选区域；处理器1120还用于利用深度学习检测算法在候选区域中确定存在目标的目标区域。

在一些实施例中，处理器1120还用于利用目标的颜色特征排除原始图像中不存在目标的区域；处理器1120还用于对原始图像剩下的区域进行边缘检测，获取至少一条边缘轮廓线；处理器1120还用于将符合轮廓特征的边缘轮廓线所在的区域确定为第一候选区域。处理器1120还用于利用经过深度学习的目标检测算法在第一候选区域中筛选存在目标的第二候选区域；处理器1120还用于根据目标的轮廓特征对第二候选区域进行校正，获取目标区域。

在一些实施例中，处理器1120还用于对原始图像进行灰度化处理；和/或，处理器1120还用于利用高斯滤波处理原始图像。处理器1120还用于统计最终检测的目标区域的个数作为目标数量。

在一些实施例中，目标检测装置1100还包括摄像器件1130，用于拍摄得到原始图像。

请参阅图12，图12是本申请目标检测装置1200另一实施例的框架示意图。目标检测装置1200包括获取模块1210、检测模块1220、查找模块1230、统计模块1240，获取模块1210用于获取摄像器件拍摄得到的原始图像；检测模块1220用于对原始图像进行目标检测，得到至少一个目标区域；查找模块1230用于基于原始图像中的亮度情况，查找出属于干扰的目标区域；统计模块1240用于剔除属于干扰的目标区域，将剩余的目标区域作为最终检测的目标区域。

上述方案，通过对原始图像进行目标检测，从而得到至少一个目标区域，并且在此基础上，基于原始图像中的亮度情况，查找出属于干扰的目标区域，即可以尽可能地查找出对正确的目标区域造成干扰的目标区域，进而可以剔除这些属于干扰的目标区域，而将剩余的目标区域作为最终检测的目标区域，以尽可能地剔除属于干扰的目标区域，从而大大提高目标检测的准确性。特别是针对存在亮度较大的显示屏(如投影屏、电视等)的场景中，利用上述方案可以剔除显示屏中的干扰性目标，实现对该场景准确的目标检测。

在一些实施例中，查找模块1230包括亮度查找模块、重叠计算模块、目标查找模块，亮度查找模块用于对原始图像中的亮度情况进行分析，获得亮度情况符合亮度条件的至少一个非目标区域；重叠计算模块用于统计目标区域与非目标区域的重叠率；目标查找模块用于查找出与非目标区域的重叠率大于预设重叠率的目标区域。

在一些实施例中，亮度查找模块包括亮通道构建模块、亮度阈值确定模块、亮通道统计模块、非目标区域确定模块，亮通道构建模块用于基于原始图像各像素点的亮度值，构建亮通道图像，具体用于：将原始图像各像素点中每一通道的最大亮度值作为像素点的亮度值；为每个像素点确定第一参考区域，将像素点的第一参考区域内所有像素点的亮度值中的最大值作为亮通道图像中对应像素点的亮度值；亮度阈值确定模块用于基于原始图像各像素点的亮度值，确定亮度阈值，具体用于：基于原始图像各像素点的亮度值构建暗通道图像；统计暗通道图像中亮度值大于第一预设亮度值的第二像素点；基于亮通道图像中与第二像素点位置对应的第三像素点的亮度值，确定亮度阈值。此外，亮度阈值确定模块具体还用于：将原始图像各像素点中每一通道的最小亮度值作为像素点的亮度值；为每个像素点确定第二参考区域，将像素点的第二参考区域内所有像素点的亮度值中的最小值作为暗通道图像中对应像素点的亮度值；此外，亮度阈值确定模块具体还用于：将亮通道图像中与第二像素点位置对应的第三像素点的平均亮度值作为亮度阈值；亮通道统计模块用于统计亮通道图像中亮度值大于亮度阈值的第一像素点；非目标区域确定模块用于基于亮通道图像中第一像素点及其周围像素点的亮度值，确定非目标区域，具体用于：从亮通道图像的与第一像素点相邻的若干像素点中，查找出与第一像素点的亮度差值小于第二预设亮度值的像素点并作为新的第一像素点，重新执行本步骤直至不再查找出新的第一像素点；将原始图像中对应于所有第一像素点的区域确定为非目标区域。

在一些实施例中，重叠率计算模块用于查找出存在重叠的至少一组目标区域和非目标区域；统计每组目标区域与非目标区域重叠的像素点的第一数量；以及，统计每组目标区域与非目标区域总共的像素点的第二数量；将第一数量与第二数量的比值确定为对应组目标区域与非目标区域的重叠率。

在一些实施例中，检测模块1220包括特征筛选模块、深度检测模块，特征筛选模块用于筛选符合目标的颜色特征和轮廓特征的候选区域；深度检测模块用于利用深度学习检测算法在候选区域中确定存在目标的目标区域。特征筛选模块具体用于：利用目标的颜色特征排除原始图像中不存在目标的区域；对原始图像剩下的区域进行边缘检测，获取至少一条边缘轮廓线；将符合轮廓特征的边缘轮廓线所在的区域确定为第一候选区域；深度检测模块具体用于：利用经过深度学习的目标检测算法在第一候选区域中筛选存在目标的第二候选区域；根据目标的轮廓特征对第二候选区域进行校正，获取目标区域。

在一些实施例中，目标检测装置1200还包括处理模块，用于对原始图像进行灰度化处理；和/或，利用高斯滤波处理原始图像。目标检测装置1200还可以包括计数模块，用于统计最终检测的目标区域的个数作为目标数量。

请参阅图13，图13为本申请存储装置1300一实施例的框架示意图。存储装置1300存储有能够被处理器运行的程序指令1310，程序指令1310用于实现上述任一实施例中的目标检测方法。

上述方案，通过对原始图像进行目标检测，从而得到至少一个目标区域，并且在此基础上，基于原始图像中的亮度情况，查找出属于干扰的目标区域，即可以尽可能地查找出对正确的目标区域造成干扰的目标区域，进而可以剔除这些属于干扰的目标区域，而将剩余的目标区域作为最终检测的目标区域，以尽可能地剔除属于干扰的目标区域，从而大大提高目标检测的准确性。特别是针对存在亮度较大的显示屏(如投影屏、电视等)的场景中，利用上述方案可以剔除显示屏中的干扰性目标，实现对该场景准确的目标检测。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

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方式方案的目的。

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。

集成的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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分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，包括若干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)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。