目标检测方法及装置、计算机可存储介质与流程

1.本公开涉及计算机技术领域，特别涉及目标检测方法及装置、计算机可存储介质。


背景技术：

2.随着“alphago”以及微软的人工智能聊天机器人的出现，人工智能已经成为时下热门的话题，备受关注。机器人将被普及到众多领域，而作为对外界信息采集最为直观快速的机器人视觉系统也就显得越发重要。机器视觉是指通过cmos(complementary metal oxide semiconductor，互补式金属氧化半导体)或者ccd(charge coupled device，光电耦合组件)这类图像获取装置将获取的实际场景图像转换得到电信号，进一步传给图像处理系统，从而对信号进行各种运算分析。对视频流的图像序列中的特定运动目标进行目标检测是机器视觉中一个重要的分支领域，如何做到快速，精准的运动目标检测将直接影响到后续的目标识别与跟踪系统的实现。
3.相关技术中，在利用混合高斯模型进行目标检测的过程中，采用固定的权值更新率对混合高斯模型进行更新。


技术实现要素：

4.发明人认为：相关技术中，采用固定的权值更新率，无法适应视频流中实际场景的变化，目标检测准确率低。
5.针对上述技术问题，本公开提出了一种解决方案，提高了目标检测准确率。
6.根据本公开的第一方面，提供了一种目标检测方法，包括：获取待处理视频流，所述待处理视频流包括第i帧图像和第i+1帧图像，i为正整数；获取与所述第i帧图像中像素点对应的混合高斯模型，所述混合高斯模型包括至少一个单高斯模型；在所述第i+1帧图像中，确定与所述像素点处于相同位置的当前像素点；在所述混合高斯模型中存在至少一个与所述当前像素点相匹配的单高斯模型的情况下，执行如下步骤：利用所述混合高斯模型，判断所述第i+1帧图像中每个像素点是否属于目标；在所述第i+1帧图像中，确定属于目标的像素点与像素点总数的比值；根据所述比值，更新所述混合高斯模型；利用更新后的混合高斯模型，判断所述当前像素点是否属于目标。
7.在一些实施例中，根据所述比值，更新所述混合高斯模型包括：根据所述比值，更新所述混合高斯模型的权值更新率；根据更新后的权值更新率，更新与所述当前像素点相匹配的每个单高斯模型的权值、均值和方差，得到更新后的混合高斯模型。
8.在一些实施例中，所述混合高斯模型的权值更新率与所述比值成负相关。
9.在一些实施例中，根据所述比值，更新所述混合高斯模型的权值更新率包括：在所述比值大于或等于0且小于或等于第一阈值的情况下，将所述混合高斯模型的权值更新率设置为第一值；在所述比值大于第一阈值且小于或等于第二阈值的情况下，根据公式α＝-aη+b计算所述混合高斯模型的权值更新率，α为权值更新率，η为所述比值，a和b均为正数，权值更新率与所述比值成线性负相关；在所述比值大于第二阈值且小于或等于第三阈值的情
况下，根据公式α＝-cη+d计算所述混合高斯模型的权值更新率，c和d均为正数，权值更新率与所述比值成线性负相关，c＜a且d＜b；在所述比值大于第三阈值的情况下，将所述混合高斯模型的权值更新率设置为第二值，所述第二值小于所述第一值。
10.在一些实施例中，根据所述比值，更新所述混合高斯模型包括：根据所述比值，更新所述混合高斯模型的权值更新率；根据所述混合高斯模型中单高斯模型的总数量和所述更新后的权值更新率，更新每个单高斯模型的参数学习率；根据所述更新后的权值更新率和所述更新后的参数学习率，更新与所述当前像素点相匹配的每个单高斯模型的权值、均值和方差。
11.在一些实施例中，根据所述混合高斯模型中单高斯模型的总数量和所述更新后的权值更新率，更新每个单高斯模型的参数学习率包括：在所述总数量小于数量阈值的情况下，对于与所述当前像素点相匹配的每个单高斯模型，根据所述更新后的权值更新率和所述每个单高斯模型的分布函数的值的乘积，更新每个单高斯模型的参数学习率。
12.在一些实施例中，根据所述混合高斯模型中单高斯模型的总数量和所述更新后的权值更新率，更新每个单高斯模型的参数学习率包括：在所述总数量大于或等于数量阈值的情况下，利用模板窗口确定所述第i帧图像和所述第i+1帧图像中位置相同的至少一对像素区域，同一帧图像中的不同像素区域不重叠；计算所述每一对像素区域中两个像素区域的像素均值的差值；根据各个差值，确定更新所述参数学习率的动态参数；根据所述动态参数和所述更新后的权值更新率，更新所述参数学习率。
13.在一些实施例中，根据各个差值，确定更新所述参数学习率的动态参数包括：根据各个差值，确定差值为0的第一数量和差值不为0的第二数量；根据所述第一数量和所述第二数量，确定所述动态参数，所述动态参数与所述第一数量成反比，且与所述第二数量成正比。
14.在一些实施例中，所述参数学习率与所述动态参数成正相关。
15.在一些实施例中，根据所述比值，更新所述混合高斯模型包括：根据所述比值，更新所述混合高斯模型的权值更新率；根据更新后的权值更新率，更新所述与所述当前像素点不匹配的每个单高斯模型的权值。
16.在一些实施例中目标检测方法还包括：在所述混合高斯模型不存在与所述当前像素点相匹配的单高斯模型的情况下，重新构建一个单高斯模型，用于替换所述混合高斯模型中权值最小的单高斯模型，得到更新后的混合高斯模型。
17.在一些实施例中，利用更新后的混合高斯模型，判断所述当前像素点是否属于目标包括：从更新后的混合高斯模型中，按照权值与标准差的比值从大到小的顺序依次获取至少一个单高斯模型，使得所述至少一个单高斯模型的权值之和大于匹配阈值且所述至少一个单高斯模型的数量最小；在所述当前像素点与所述至少一个单高斯模型中的任意一个都不匹配的情况下，所述当前像素点属于目标。
18.在一些实施例中目标检测方法还包括：对于所述第i+1帧图像中的每个像素点，在所述每个像素点属于目标的情况下，将所述每个像素点的像素值设置为第一值，在所述每个像素点不属于目标的情况下，将所述每个像素点的像素值设置为第二值，从而实现对所述第i+1帧图像的二值化处理；对二值化处理后的第i+1帧图像，进行图像膨胀处理和图像腐蚀处理中的至少一种。
19.根据本公开第二方面，提供了一种目标检测装置，包括：第一获取模块，被配置为获取待处理视频流，所述待处理视频流包括第i帧图像和第i+1帧图像，i为正整数；第二获取模块，被配置为获取与所述第i帧图像中像素点对应的混合高斯模型，所述混合高斯模型包括至少一个单高斯模型；第一确定模块，被配置为在所述第i+1帧图像中，确定与所述像素点处于相同位置的当前像素点；第一判断模块，被配置为在所述混合高斯模型中存在至少一个与所述当前像素点相匹配的单高斯模型的情况下，利用所述混合高斯模型，判断所述第i+1帧图像中每个像素点是否属于目标；第二确定模块，被配置为在所述混合高斯模型中存在至少一个与所述当前像素点相匹配的单高斯模型的情况下，在所述第i+1帧图像中，确定属于目标的像素点与像素点总数的比值；更新模块，被配置为在所述混合高斯模型中存在至少一个与所述当前像素点相匹配的单高斯模型的情况下，根据所述比值，更新所述混合高斯模型；第二判断模块，被配置为利用更新后的混合高斯模型，判断所述当前像素点是否属于目标。
20.根据本公开第三方面，提供了一种目标检测装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令，执行上述任一实施例所述的目标检测方法。
21.根据本公开的第四方面，提供了一种计算机可存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述任一实施例所述的目标检测方法。
22.在上述实施例中，提高了目标检测准确率。
附图说明
23.构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
24.参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
25.图1示出根据本公开一些实施例的目标检测方法的流程图；
26.图2示出根据本公开一些实施例的根据比值，更新混合高斯模型的流程图；
27.图3示出根据本公开另一些实施例的根据比值，更新混合高斯模型的流程图；
28.图4示出根据本公开一些实施例的目标检测装置的框图；
29.图5示出根据本公开另一些实施例的目标检测装置的框图；
30.图6示出用于实现本公开一些实施例的计算机系统的框图。
具体实施方式
31.现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
32.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
33.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
34.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适
当情况下，所述技术、方法和设备应当被视为说明书的一部分。
35.在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
36.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
37.图1示出根据本公开一些实施例的目标检测方法的流程图。
38.如图1所示，目标检测方法包括步骤s110-步骤s170。
39.在步骤s110中，获取待处理视频流。待处理视频流包括第i帧图像和第i+1帧图像，i为正整数。例如，通过对视频流进行灰度化处理得到待处理视频流。
40.在步骤s120中，获取与第i帧图像中像素点对应的混合高斯模型。混合高斯模型包括至少一个单高斯模型。例如，可以对第i帧图像中的各个像素点批量处理，也可以依次对各个像素点处理。具体地，对于大小为30
×
30的第i帧图像，包括900个像素点，每个像素点对应一个混合高斯模型。
41.具体地，混合高斯模型是多个单高斯模型的加权和，一个单高斯模型就是一个单高斯函数。混合高斯模型假设图像中各个像素点之间独立分布，在某一时间序列内，对每一个像素点都用一个混合高斯模型来描述，得到下一帧图像后更新此混合高斯模型，依据匹配的方法来判断是该像素点为背景点还是前景点。对于一个时间序列中的各个时间点，同一像素点的采样为{x1，x2，
…
，x
t
，
…
，x
n
}，t表示时间点，总共有n个时间点，x
t
表示该像素点在t时刻的像素值，每个时间点对应一帧图像。假设用k个单高斯分布来表示该像素点的时间序列，u
j，t
和g
j，t
分别代表第j个单高斯模型的均值与协方差矩阵，则混合高斯模型的概率函数可以用如下公式表示：
[0042][0043]
其中，p(x
t
)表示对于t时刻的像素点的混合高斯模型是关于该像素点的像素值x
t
的函数，为权值与相应的单高斯模型的函数值的乘积之和。例如，对于一个混合高斯模型，各个单高斯模型的权值之和可以为1。
[0044]
具体地，第j个单高斯模型在t时刻的概率密度函数：
[0045][0046][0047]
其中，i为单位矩阵，为单高斯模型的方差。
[0048]
例如，在i等于1的情况下，通过模型初始化获得第1帧图像中的每个像素点对应的混合高斯模型。具体地，将每个像素点的灰度值作为混合高斯模型的均值，通过经验设置一个较大的方差。混合高斯模型中只有一个单高斯模型，其权值为1。在i大于1的情况下，获取更新后的第i-1帧图像的像素点的混合高斯模型，作为第i帧图像中像素点对应的混合高斯模型。
[0049]
在步骤s130中，在第i+1帧图像中，确定与像素点处于相同位置的当前像素点。
[0050]
在混合高斯模型中存在至少一个与当前像素点相匹配的单高斯模型的情况下，执行如图1所示的步骤s140-步骤s160。
[0051]
例如，通过公式判断当前像素点是否与混合高斯模型中的各个单高斯模型相匹配。其中，match表示匹配结果，在当前像素点的像素值x
t
与第j个单高斯模型的均值u
j，t
之差的绝对值小于或等于2.5σ的情况下，当前像素点与混合高斯模型中的第j个单高斯模型相匹配，σ为第j个单高斯模型的标准差。
[0052]
在步骤s140中，利用混合高斯模型，判断第i+1帧图像中每个像素点是否属于目标。具体地，混合高斯模型可以判断某一图像中的像素点是否属于背景，在像素点不属于背景的情况下，该像素点属于目标。
[0053]
在步骤s150中，在第i+1帧图像中，确定属于目标的像素点与像素点总数的比值。具体地，采用η表示目标像素在总像素中的占比，η＝p0/p,其中p代表当前图像帧中像素的总数，p0是被判断为属于目标的像素的个数。
[0054]
在步骤s160中，根据比值，更新混合高斯模型。通过预估第i+1帧图像中属于目标的像素点在像素点总数中所占的比例，并根据该比例更新混合高斯模型，使得混合高斯模型可以更好地适应不同的检测阶段的实际场景，提高了目标检测的准确率。这是因为在检测初期，目标尚未进入背景，η较小，此时可以加大学习率，当检测目标已经进入背景，η较大，此时采用较小的学习率，以防止目标被判断为背景。与传统的高斯混合模型采用固定权值更新率α相比，自适应的学习率能更为精确地实现背景建模和目标检测。
[0055]
具体地，通过如图2所示的步骤实现根据比值，更新混合高斯模型。
[0056]
图2示出根据本公开一些实施例的根据比值，更新混合高斯模型的流程图。
[0057]
如图2所示，根据比值，更新混合高斯模型包括步骤s161-步骤s162。
[0058]
在步骤s161中，根据比值，更新混合高斯模型的权值更新率。权值更新率影响了混合高斯模型的更新速度，而混合高斯模型的更新速度与当前帧图像所处的实际场景密切相关。处于不同检测阶段的图像的实际场景不同，通过预估比值可以预先判断当前帧图像所处的检测阶段，从而实现根据实际场景，更新权值更新率，实现混合高斯模型的自适应更新，避免出现由于过小的学习率使得高斯混合模型的更新速度滞后于实际场景变化，导致的将背景中的物体误认为是目标的误检现象，或者由于学习率过大，高斯混合模型更新速度会过快，导致的将目标错认为是背景的漏检现象，进一步提高目标检测的准确率。
[0059]
例如，混合高斯模型的权值更新率与比值成负相关。具体地，通过如下方式实现根据比值，更新混合高斯模型的权值更新率。
[0060]
在比值大于或等于0且小于或等于第一阈值的情况下，将混合高斯模型的权值更新率设置为第一值。例如，第一阈值为10％。具体地，第一值为0.1。
[0061]
在比值大于第一阈值且小于或等于第二阈值的情况下，根据公式α＝-aη+b计算混合高斯模型的权值更新率，α为权值更新率，η为比值，a和b均为正数，权值更新率与比值成线性负相关。例如，第二阈值为30％。具体地，a为0.4，b为0.14。
[0062]
在比值大于第二阈值且小于或等于第三阈值的情况下，根据公式α＝-cη+d计算混合高斯模型的权值更新率，c和d均为正数，权值更新率与比值成线性负相关，c＜a且d＜b。
例如，第三阈值为50％。具体地，c为0.01，d为0.01。
[0063]
在比值大于第三阈值的情况下，将混合高斯模型的权值更新率设置为第二值，第二值小于第一值。具体地，第二值为0.0025。
[0064]
在步骤s162中，根据更新后的权值更新率，更新与当前像素点相匹配的每个单高斯模型的权值、均值和方差，得到更新后的混合高斯模型。
[0065]
例如，还可以通过如图3所示的步骤实现根据比值，更新混合高斯模型。
[0066]
图3示出根据本公开另一些实施例的根据比值，更新混合高斯模型的流程图。
[0067]
如图3所示，根据比值，更新混合高斯模型包括步骤s161-步骤s163＇。图3与图2的不同之处在于，图3示出了另一些实施例的根据比值，更新混合高斯模型中除s161步骤以外的步骤s162＇-步骤s163＇。下面将仅描述图3与图2的不同之处，相同之处不再赘述。
[0068]
在步骤s162＇中，根据混合高斯模型中单高斯模型的总数量和更新后的权值更新率，更新每个单高斯模型的参数学习率。
[0069]
具体地，通过如下方式实现根据混合高斯模型中单高斯模型的总数量和更新后的权值更新率，更新每个单高斯模型的参数学习率。在总数量小于数量阈值的情况下，对于与当前像素点相匹配的每个单高斯模型，根据更新后的权值更新率和每个单高斯模型的分布函数的值的乘积，更新每个单高斯模型的参数学习率。例如，通过公式ρ＝αn(x
t
|μ
j
，δ
j
)更新混合高斯模型中第j个单高斯模型的参数学习率。
[0070]
例如，在总数量大于或等于数量阈值的情况下，执行如下步骤，以实现根据混合高斯模型中单高斯模型的总数量和更新后的权值更新率，更新每个单高斯模型的参数学习率。
[0071]
首先，利用模板窗口确定第i帧图像和第i+1帧图像中位置相同的至少一对像素区域。其中，同一帧图像中的不同像素区域不重叠。例如，模板窗口为3
×
3的模板窗口。
[0072]
其次，计算每一对像素区域中两个像素区域的像素均值的差值。像素均值即为像素区域内各个像素点的像素值之和的平均值。
[0073]
然后，根据各个差值，确定更新参数学习率的动态参数。
[0074]
具体地，通过如下方式实现根据各个差值，确定更新参数学习率的动态参数。根据各个差值，确定差值为0的第一数量和差值不为0的第二数量。根据第一数量和第二数量，确定动态参数。其中，动态参数与第一数量成反比，且与第二数量成正比。具体地，δs为动态参数，e为第一数量，f为第二数量，δs＝(2a-b)
×
0.01，当δs为正值时，意味着背景像素变化加快，要加大参数更新率，更快地学习到场景的变化；反之，当δs为负值时，意味着背景像素变化相对稳定，应减小参数更新率，避免误学习。通过考虑相邻像素的空间相关性，根据像素邻域的计算结果来反馈修正参数学习率，这种将自适应权值更新率以及参数更新率结合的方式进一步提高了目标检测的准确性，能够更准确有效地检测出运动目标。
[0075]
最后，根据动态参数和更新后的权值更新率，更新参数学习率。例如，参数学习率与动态参数成正相关。具体地，通过公式ρ＝α(1+δs)/δ
j
来更新每个相匹配的单高斯模型的参数学习率，从而实现对每个单高斯模型的参数学习率的更新。
[0076]
在步骤s163＇中，根据更新后的权值更新率和更新后的参数学习率，更新与当前像素点相匹配的每个单高斯模型的权值、均值和方差。
[0077]
例如，通过如下公式实现对t时刻对应的第t帧图像中的当前像素点对应的第j个
单高斯模型的权值ω
j,t
、均值u
t
和方差的更新。
[0078]
ω
j,t
＝(1-α)ω
j,t-1
+α
[0079]
u
t
＝(1-ρ)u
t-1
+ρx
t
[0080][0081]
在一些实施例中，根据比值，更新混合高斯模型包括如下步骤。根据比值，更新混合高斯模型的权值更新率。从而，根据更新后的权值更新率，更新与当前像素点不匹配的每个单高斯模型的权值，不需要更新其他参数。
[0082]
例如，利用公式ω
j,t
＝(1-α)ω
j,t-1
更新t时刻对应的第t帧图像中当前像素点对应的混合高斯模型中的第j个单高斯模型的权值。具体地，在更新所有权值后，对当前像素点对应的混合高斯模型中的各个单高斯模型的权值进行归一化处理，减少数据运算时间，提高目标检测的效率。例如，利用公式对各个权值进行归一化处理。
[0083]
返回图1，在步骤s170中，利用更新后的混合高斯模型，判断当前像素点是否属于目标。具体地，从更新后的混合高斯模型中，按照权值与标准差的比值从大到小的顺序依次获取至少一个单高斯模型，使得至少一个单高斯模型的权值之和大于匹配阈值且至少一个单高斯模型的数量最小。在当前像素点与至少一个单高斯模型中的任意一个都不匹配的情况下，当前像素点属于目标。
[0084]
例如，将k个单高斯模型按照ω
j,t
/σ
j,t
从大到小的顺序进行重新排序,排序完成后从中选取前b个，使其加和和大于某一设定的阈值t:
[0085][0086]
其中，b表示进行加权求和之后小于等于阈值t时b的最小值，t为正数。
[0087]
具体地，有5个单高斯模型，权值分别为0.4、0.3、0.18、0.06、0.06，t取0.6～0.9之间的数，这里t取0.6，按照权重与标准差的比值进行排序得到5个单高斯模型的排序结果为0.4、0.3、0.18、0.06、0.06，即与权值的排序结果一样，因此权值为0.4和0.3的单高斯模型对应的是背景，后面三个是由于噪声或是其他干扰因素造成的，对应的是目标。如果说当前像素点是与权值为0.4和0.3的单高斯模型相匹配，则当前像素点为背景，否则为目标。
[0088]
进一步地，目标检测方法还包括如下步骤。对于第i+1帧图像中的每个像素点，在每个像素点属于目标的情况下，将每个像素点的像素值设置为第一值，在每个像素点不属于目标的情况下，将每个像素点的像素值设置为第二值，从而实现对第i+1帧图像的二值化处理。进而，对二值化处理后的第i+1帧图像，进行图像膨胀处理和图像腐蚀处理中的至少一种。对图像进行形态学处理，获得了较为清晰完整的运动检测目标图像，可以更好地实现后续的目标跟踪。
[0089]
例如，目标检测方法还包括如下步骤。在混合高斯模型不存在与当前像素点相匹配的单高斯模型的情况下，重新构建一个单高斯模型，用于替换混合高斯模型中权值最小的单高斯模型，得到更新后的混合高斯模型。例如，先把当前像素点的像素值作为新建单高
斯模型的均值，然后给新建的单高斯模型设置一个小的权值，并将其方差设置得较大，接着用新建立的单高斯模型替换原来的混合高斯模型中权值与标准差的比值最小的单高斯模型。该过程为现有技术，详细过程不再赘述。
[0090]
本公开的目标检测方法，通过对当前帧图像中属于目标的像素点与像素点总数的比值进行预估，可以预先判断当前帧图像所处的检测阶段，从而实现根据实际场景，实现混合高斯模型的自适应更新，解决了光照变化、环境噪声等因素引起的误检、漏检问题，提高目标检测的准确率。另外，本公开可以应用于基于高级机器人控制器roborio的机器人视觉系统，实现更准确、更实时的目标检测，具有广阔的应用前景。
[0091]
图4示出根据本公开一些实施例的目标检测装置的框图。
[0092]
如图4所示，目标检测装置4包括第一获取模块41、第二获取模块42、第一确定模块43、第一判断模块44、第二确定模块45、更新模块46和第二判断模块47。
[0093]
第一获取模块41被配置为获取待处理视频流，例如执行如图1所示的步骤s110。待处理视频流包括第i帧图像和第i+1帧图像，i为正整数。
[0094]
第二获取模块42被配置为获取与第i帧图像中像素点对应的混合高斯模型，，例如执行如图1所示的步骤s120。混合高斯模型包括至少一个单高斯模型.
[0095]
第一确定模块43被配置为在第i+1帧图像中，确定与像素点处于相同位置的当前像素点，例如执行如图1所示的步骤s130。
[0096]
第一判断模块44被配置为在混合高斯模型中存在至少一个与当前像素点相匹配的单高斯模型的情况下，利用混合高斯模型，判断第i+1帧图像中每个像素点是否属于目标，例如执行如图1所示的步骤s140。
[0097]
第二确定模块45被配置为在混合高斯模型中存在至少一个与当前像素点相匹配的单高斯模型的情况下，在第i+1帧图像中，确定属于目标的像素点与像素点总数的比值，例如执行如图1所示的步骤s150。
[0098]
更新模块46被配置为在混合高斯模型中存在至少一个与当前像素点相匹配的单高斯模型的情况下，根据比值，更新混合高斯模型，，例如执行如图1所示的步骤s160。
[0099]
第二判断模块47被配置为利用更新后的混合高斯模型，判断当前像素点是否属于目标，例如执行如图1所示的步骤s170。
[0100]
图5示出根据本公开另一些实施例的目标检测装置的框图。
[0101]
如图5所示，目标检测装置5包括存储器51；以及耦接至该存储器51的处理器52，存储器51用于存储执行目标检测方法对应实施例的指令。处理器52被配置为基于存储在存储器51中的指令，执行本公开中任意一些实施例中的目标检测方法。
[0102]
图6示出用于实现本公开一些实施例的计算机系统的框图。
[0103]
如图6所示，计算机系统60可以通用计算设备的形式表现。计算机系统60包括存储器610、处理器620和连接不同系统组件的总线600。
[0104]
存储器610例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(boot loader)以及其他程序等。系统存储器可以包括易失性存储介质，例如随机存取存储器(ram)和/或高速缓存存储器。非易失性存储介质例如存储有执行目标检测方法中的至少一种的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
[0105]
处理器620可以用通用处理器、数字信号处理器(dsp)、应用专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地，诸如判断模块和确定模块的每个模块，可以通过中央处理器(cpu)运行存储器中执行相应步骤的指令来实现，也可以通过执行相应步骤的专用电路来实现。
[0106]
总线600可以使用多种总线结构中的任意总线结构。例如，总线结构包括但不限于工业标准体系结构(isa)总线、微通道体系结构(mca)总线、外围组件互连(pci)总线。
[0107]
计算机系统60还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630、640、650以及存储器610和处理器620之间可以通过总线600连接。输入输出接口630可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口650为软盘、u盘、sd卡等外部存储设备提供连接接口。
[0108]
这里，参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个框以及各框的组合，都可以由计算机可读程序指令实现。
[0109]
这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程装置的处理器，以产生一个机器，使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。
[0110]
这些计算机可读程序指令也可存储在计算机可读存储器中，这些指令使得计算机以特定方式工作，从而产生一个制造品，包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。
[0111]
本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
[0112]
通过上述实施例中的目标检测方法及装置、计算机可存储介质，提高了目标检测准确率。
[0113]
至此，已经详细描述了根据本公开的目标检测方法及装置、计算机可存储介质。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。