目标检测方法、系统、设备及存储介质与流程

本发明涉及数据处理技术领域，尤其涉及一种目标检测方法、系统、设备及存储介质。

背景技术：

随着社会经济的发展，现代人的生活节奏越来越快，陪伴、监护孩子的时间越来越少，幼儿园承担了一部分儿童看护工作。目前的视频监控系统并没有针对幼儿园的特殊场景实现智能监护功能。一些智能监控系统所实现的行为分析功能，如摔倒检测系统等，往往是借助运动学传感器，穿戴不便，而基于视频的方法通常借助于人体关键点，需要keniect摄像机或关键点检测算法，造价昂贵，且准确率依赖于关键点检测算法，存在技术瓶颈。现有技术中基于热图的目标检测一般是采用一个物体中心点热图来进行目标检测，然而对于人员检测来说，由于遮挡、衣服多样性的问题，人体中心位置存在语义模糊的特点，因此不能很好地表示人员位置信息，影响边界框计算精度。

技术实现要素：

针对现有技术中的问题，本发明的目的在于提供一种目标检测方法、系统、设备及存储介质，基于多个类别的人体关键点进行检测，可以避免现有技术中心点不明确而导致检测不准确的问题。

本发明实施例提供一种目标检测方法，包括如下步骤：

获取待检测的视频数据，将所述待检测的视频数据中的初始图像输入目标检测模型，获取所述目标检测模型输出的热图和边界框偏移向量；

根据所述热图确定多个类别的关键点位置，根据所述关键点位置和所述边界框偏移向量计算检测到的各个关键点对应的边界框；

对于同一目标的多个关键点对应的边界框进行去重处理，去重后得到的边界框为检测到的目标边界框。

本发明的目标检测方法通过目标检测模型来获取热图和边界框偏移向量，其中热图中包括多个类别的关键点位置，因此，对于同一个目标，可能会检测到多个关键点位置，由此会得到多个边界框，因此，需要对同一目标的多个关键点对应的边界框进行去重处理，从而确定每个目标对应的目标边界框，避免了现有技术中心点不明确而导致检测不准确的问题，提高了目标检测准确性。

在一些实施例中，所述方法还包括训练目标检测模型，包括如下步骤：

基于训练样本图像中多个类别的关键点位置生成关键点热图标签；

基于训练样本图像和所述关键点热图标签训练所述目标检测模型。

在一些实施例中，所述方法还包括训练目标检测模型，包括如下步骤：

构建初始目标检测模型；

基于第一图像集中的第一图像和对应的关键点热图标签以迭代方式预训练所述初始目标检测模型，得到预训练目标检测模型；

将第二图像集中的第二图像输入所述预训练目标检测模型，根据所述预训练目标检测模型的输出为所述第二图像的添加预分类标签；

获取所述预训练目标检测模型对应于所述第二图像的输出的修正标签；

基于所述预分类标签和所述修正标签为所述第二图像添加关键点热图标签，基于所述第二图像集和标注后的第二图像迭代训练所述预训练目标检测模型，得到训练完成的目标检测模型。

在一些实施例中，所述对于同一目标的多个关键点对应的边界框进行去重处理之后，还包括如下步骤：

根据目标边界框从所对应的初始图像中抠取目标图像；

将所述目标图像输入目标姿态分类模型，获取所述目标姿态分类模型输出的姿态类别。

在一些实施例中，还包括训练目标姿态分类模型，包括如下步骤：

构建初始目标姿态分类模型；

基于第三图像集和所述第三图像集中的第三图像的姿态类别标签，以迭代方式预训练所述初始目标姿态分类模型，得到预训练目标姿态分类模型；

将第四图像集中的第四图像输入预训练目标姿态分类模型，根据所述预训练目标姿态分类模型的输出为所述第四图像添加预分类标签；

获取所述预训练目标姿态分类模型对应于所述第四图像的输出的修正标签；

基于所述预分类标签和所述修正标签为所述第四图像添加姿态类别标签，基于所述第四图像集和标注后的第四图像迭代训练所述目标姿态分类模型。

在一些实施例中，还包括如下步骤：

将待检测的视频数据输入视频动作分类模型，所述视频动作分类模型包括3d特征提取器，所述3d特征提取器的输入数据包括视频数据；

获取所述视频动作分类模型输出的动作类别。

在一些实施例中，还包括训练视频动作分类模型，包括如下步骤：

构建初始视频动作分类模型；

基于第一视频集和所述第一视频集中第一视频的视频类别标签，以迭代方式预训练所述初始视频动作分类模型，得到预训练视频动作分类模型；

将第二视频集中的第二视频输入预训练视频动作分类模型，根据所述预训练视频动作分类模型的输出为所述第二视频添加预分类标签；

获取所述预训练视频动作分类模型对应于所述第二视频的输出的修正标签；

基于所述预分类标签和所述修正标签为所述第二视频添加视频类别标签，基于所述第二视频集和标注后的第二视频迭代训练所述预训练视频动作分类模型，得到训练完成的视频动作分类模型。

在一些实施例中，将第二视频集中的第二视频输入预训练视频动作分类模型，根据所述预训练视频动作分类模型的输出为所述第二视频添加预分类标签，包括如下步骤：

将第二视频集中的第二视频输入预训练视频动作分类模型，对所述第二视频进行m次预测，m为大于1的整数；

获取所述预训练视频动作分类模型对应于所述第二视频的m次预测结果；

分析所述m次预测结果，判断所述m次预测结果中是否存在一动作类别，其置信度大于第一阈值的预测次数大于第二阈值；

如果是，则根据该动作类别为所述第二视频的添加预标注标签。

在一些实施例中，所述将第二视频集中的第二视频输入预训练视频动作分类模型，包括如下步骤：

获取第二视频，按照预设的采样间隔对所述第二视频中的图像帧进行采样，并将采样得到的图像帧存储于帧缓存队列中；

所述帧缓存队列中的帧数达到预设的缓存帧数阈值时，将所述帧缓存队列输入预训练视频动作分类模型。

本发明实施例还提供一种目标检测系统，应用于所述的目标检测方法，所述系统包括：

模型检测模块，用于获取待检测的视频数据，将所述待检测的视频数据中的初始图像输入目标检测模型，获取所述目标检测模型输出的热图和边界框偏移向量；

边界框计算模块，用于根据所述热图确定多个类别的关键点位置，根据所述关键点位置和所述边界框偏移向量计算检测到的各个关键点对应的边界框；

目标确定模块，用于对于同一目标的多个关键点对应的边界框进行去重处理，去重后得到的边界框为检测到的目标边界框。

本发明的目标检测系统中，所述模型检测模块通过目标检测模型来获取热图和边界框偏移向量，其中热图中包括多个类别的关键点位置，因此，对于同一个目标，可能会检测到多个关键点位置，由此所述边界框计算模块会计算得到多个边界框，因此，需要所述目标确定模块对同一目标的多个关键点对应的边界框进行去重处理，从而确定每个目标对应的目标边界框，避免了现有技术中心点不明确而导致检测不准确的问题，提高了目标检测准确性。

本发明实施例还提供一种目标检测设备，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行所述的目标检测方法的步骤。

通过采用本发明所提供的目标检测设备，所述处理器在执行所述可执行指令时执行所述的目标检测方法，由此可以获得上述目标检测方法的有益效果。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的目标检测方法的步骤。

通过采用本发明所提供的计算机可读存储介质，其中存储的程序在被执行时实现所述的目标检测方法的步骤，由此可以获得上述目标检测方法的有益效果。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。

图1是本发明一实施例的目标检测方法的流程图；

图2是本发明一实施例的训练目标检测模型的流程图；

图3是本发明一实施例的训练目标姿态分类模型的流程图；

图4是本发明一实施例的训练视频动作分类模型的流程图；

图5是本发明一实施例的目标检测系统的示意图；

图6是本发明一实施例的目标检测设备的结构示意图；

图7是本发明一实施例的计算机存储介质的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。

如图1所示，在一实施例中，本发明提供了一种目标检测方法，包括如下步骤：

s100：获取待检测的视频数据，将所述待检测视频数据中的的初始图像输入目标检测模型，获取所述目标检测模型输出的热图和边界框偏移向量；

s200：根据所述热图确定多个类别的关键点位置，根据所述关键点位置和所述边界框偏移向量计算检测到的各个关键点对应的边界框；

s300：对于同一目标的多个关键点对应的边界框进行去重处理，去重后得到的边界框为检测到的目标边界框。

本发明的目标检测方法通过步骤s100，采用目标检测模型来获取热图和边界框偏移向量，其中热图中包括多个类别的关键点位置，因此，对于同一个目标，可能会检测到多个关键点位置，由此步骤s200会计算得到多个边界框，因此，需要对同一目标的多个关键点对应的边界框通过步骤s300进行去重处理，从而确定每个目标对应的目标边界框，避免了现有技术中心点不明确而导致检测不准确的问题，提高了目标检测准确性。所述目标检测方法不仅可以应用于幼儿园室内场景智能监护场景，也可以应用于其他场景的人员检测。所述步骤s300中，去重采用nms(non-maximumsuppression，即非极大值抑制)方法。由于采用多个关键点的检测方法，目标检测的过程中在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，因此需要利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框。被检测的目标不仅限于人员，也可以为其他物体。下面以用于人员检测为例进行说明。在应用于不同的检测目标时，应用的检测关键点也不同。例如，在应用于车辆检测时，检测的关键点可以定义为车灯、车牌角点、轮廓点等。

所述目标检测模型可以实现目标的检测和定位。目标检测算法一般可分为anchor-based、anchor-free、两者融合类，区别就在于有没有利用anchor(锚点)提取候选目标框。本发明的目标检测模型基于anchor-free目标检测算法实现，anchor-free目标检测算法通过确定物体中心和对四条边框的预测来实现目标检测。该目标检测模型的输出包括两个分支，一个是分类分支，输出热图，其中，响应值高于或等于预设响应阈值的位置即为关键点位置，一个是偏移向量分支，输出边界框相对于关键点的坐标偏移向量。

在一个具体实施方式中，本发明采用如下所述的目标检测方法。

假设r＝i(x,y)表示一幅3通道rgb图像，其中r是长度为3的一维向量，表示该图像的一个3通道像素值，x和y表示该像素在图像坐标系中的坐标，此处设定预设响应阈值为1。该图像的人体关键点热图可表示为：

其中，h(x,y)表示在(x,y)处热图的值，通道数为1，k表示规定的17类关键点的集合，这17类关键点包括左眼、右眼、左耳、右耳、鼻子、左肩、右肩、左肘关节、右肘关节、左腕关节、右腕关节、左髋关节、右髋关节、左膝关节、右膝关节、做踝关节和右踝关节。此处关键点的类别仅为示例，在其他可替代的实施方式中，关键点的种类可以在此基础上增加或减少。

因此，通过在热图中查找响应值为1的点，即可以确定检测到的关键点位置。

对热图中每一个响应值为1的位置，通过如下公式(2)计算出人员边界框的坐标值。

其中△l、△u、△r、△b由所述目标检测模型的第二个分支输出得到，即坐标偏移向量为(△l,△u,△r,△b)。其中，l表示边界框的左边界坐标，u表示边界框的上边界坐标，r表示边界框的右边界坐标，b表示边界框的下边界坐标，△l、△u、△r、△b分别表示左边界坐标偏移、上边界坐标偏移、右边界坐标偏移和下边界坐标偏移。

本发明所设计的目标检测模型运用了人体关键点信息，语义明确，可以避免衣服、遮挡等场景中存在的中心点不明确问题。

在该实施例中，所述目标检测方法还包括训练目标检测模型，包括如下步骤：

基于训练样本图像中多个类别的关键点位置生成关键点热图标签，在制作关键点热图标签时，该标签只有一个热图通道，按照上述公式(1)取值；

基于训练样本图像和所述关键点热图标签训练所述目标检测模型，损失函数设计为交叉熵损失函数。所述目标检测模型可以采用卷积神经网络等形式的网络，实现特征提取和热图输出，但本发明不限于此，采用其他结果的神经网络也属于本发明的保护范围之内。

如图2所示，在该实施例中，所述目标检测方法还包括：训练目标检测模型，在训练目标检测模型时采用渐进提升式数据标注方法，以减少对样本图像人工标注的量。具体地，所述训练目标检测模型包括如下步骤：

s410：构建初始目标检测模型，并基于第一图像集中的第一图像和对应的关键点热图标签，以迭代方式预训练所述初始目标检测模型，得到预训练目标检测模型。

其中，第一图像集为公共数据集，或者是对一部分采集的图像由工作人员预先进行标注后得到的具有人工标注的数据集，其中预先有人工标注的各个关键点，据此生成关键点热图标签；

s420：将第二图像集中的第二图像输入所述预训练目标检测模型，根据所述预训练目标检测模型的输出为所述第二图像的添加预分类标签。

其中，第二图像集可以是历史采集的特定场景下的图像集，此特定场景即为该目标检测模型训练完成后实际应用的场景，例如在幼儿园监控中的历史视频中的单帧图像集合，通过预训练完成的目标检测模型，可以为第二图像集添加预标注，减少人工标注工作量和时间。

s430：获取所述预训练目标检测模型对应于所述第二图像的输出的修正标签。

其中，修正标签可以是对第二图像的预测标签的人工微调，微调后的修正标签自动导入用于更新目标检测模型的数据库中。

s440：基于所述预分类标签和所述修正标签为所述第二图像添加关键点热图标签，基于所述第二图像集和标注后的第二图像迭代训练所述预训练目标检测模型，得到训练完成的目标检测模型，即更新目标检测模型，从而基于人工微调实现目标检测模型的微调优化，使其符合具体场景下的检测需求。

在一个实施例中，对待检测的图像进行目标检测后，可以根据边界框确定目标位置和目标数量。进一步地，还可以将目标检测模型的输出结果应用于目标姿态分类。例如，对于人员检测来说，可以将姿态分类为站、坐、趴、其他四类姿态。所述对于同一目标的多个关键点对应的边界框进行去重处理之后，还包括如下步骤：

根据目标边界框从所对应的初始图像中抠取目标图像；

将所述目标图像输入目标姿态分类模型，获取所述目标姿态分类模型输出的姿态类别。

具体地，所述目标分类模型对单帧的目标图像进行分类，通过2d卷积提取图像空域特征，可以部署在目标检测模型的输出端，与所述目标检测模型串行运行。

所述目标姿态分类模型可以采用卷积神经网络等类型网络，所述卷积神经网络中的2d卷积层提取所述目标图像中的空域特征。但本发明不限于此，采用其他类型的神经网络也属于本发明的保护范围之内。

如图3所示，在该实施例中，所述目标检测方法还包括s500：训练目标姿态分类模型，在训练目标姿态分类模型时采用渐进提升式数据标注方法，以减少对样本目标图像人工标注的量。具体地，步骤s500包括如下步骤：

s510：构建初始目标姿态分类模型，并基于第三图像集和所述第三图像集中的第三图像的姿态类别标签，以迭代方式预训练所述初始目标姿态分类模型。

其中，第三图像集可以是公共数据集，或者具有人工标注的数据集，其中预先标记有姿态类别标签。

s520：将第四图像集中的第四图像输入预训练目标姿态分类模型，根据所述预训练目标姿态分类模型的输出为所述第四图像添加预分类标签。

其中，第四图像集可以是历史采集的特定场景下的目标图像集，此特定场景即为该目标姿态分类模型训练完成后实际应用的场景，例如在幼儿园监控中的历史视频中的单帧图像中抠取目标得到的目标图像集合，通过预训练的目标姿态分类模型，可以为第四图像集添加预标注，减少人工标注工作量和时间。

s530：获取所述预训练目标姿态分类模型对应于所述第四图像的输出的修正标签。

其中，修正标签可以是人工对第四图像的预测标签的人工微调，微调后的修正标签自动导入用于更新目标姿态分类模型的数据库中。

s540：基于所述预分类标签和所述修正标签为所述第四图像添加姿态类别标签，基于所述第四图像集和标注后的第四图像迭代训练所述目标姿态分类模型，即更新目标姿态分类模型，从而基于人工微调实现目标姿态分类模型的微调优化，使其符合具体场景下的检测需求。

在另一个实施例中，所述目标检测方法还可以包括基于视频数据进行视频动作分类，从而实现异常检测。例如，对于人员检测时，可以将人员的视频动作分为打闹、摔倒、哭泣三个类别，在检测到视频动作属于该三个类别中任一个时，确定出现异常，则需要进行报警，如果没有检测到这三个类别，则说明动作正常，无异常情况。在其他实施方式中，还可以进一步增加行走、跑步等正常的动作类别。所述视频动作分类包括如下步骤：

将待检测的视频数据输入视频动作分类模型，所述视频动作分类模型针对所述视频数中所包括的视频帧序列进行分类，包括3d特征提取器和分类器，所述3d特征提取器例如可以是3d卷积层，提取视频时空域特征，分类器可以采用全连接层和softmax分类，但本发明不限于此；

获取所述视频动作分类模型输出的动作类别，如果所述视频动作分类模型输出的动作类别是异常动作类别时，可以进一步进行后续报警或通知相关人员的操作。

在该实施例中，所述将待检测的视频数据输入视频动作分类模型，包括如下步骤：

获取待检测的视频流，按照预设的采样间隔对所述视频流中的图像帧进行采样，并将采样得到的图像帧存储于帧缓存队列中；

所述帧缓存队列中的帧数达到预设的缓存帧数阈值时，将所述帧缓存队列输入所述视频动作分类模型，并且在将所述帧缓存队列输入到所述视频动作分类模型之后，清空所述帧缓存队列，以用于后续视频帧的采样。

因此，所述视频动作分类模型可以基于视频流进行检测其中的目标动作，实现端到端的检测。该视频动作分类模型与上述的目标检测模型和目标姿态模型基于不同的输入数据，可以相互独立运行。

如图4所示，在该实施例中，所述目标检测方法还包括步骤s600：训练视频动作分类模型，在训练视频动作分类模型时采用渐进提升式数据标注方法，以减少对样本视频人工标注的量。具体地，步骤s600包括如下步骤：

s610：构建初始视频动作分类模型，并基于第一视频集和所述第一视频集中第一视频的视频类别标签，以迭代方式预训练所述初始视频动作分类模型，所述第一视频集可以为公共视频集，其中预设有第一视频的视频类别标签，得到预训练视频动作分类模型；

s620：将第二视频集中的第二视频输入预训练视频动作分类模型，根据所述预训练视频动作分类模型的输出为所述第二视频添加预分类标签；所述第二视频集可以为特定场景的第二视频的集合，该特定场景即为该视频动作分类模型具体应用的场景，例如幼儿园监控得到的第二视频的集合；

s630：获取所述预训练视频动作分类模型对应于所述第二视频的输出的修正标签，此处修正标签即为人工对预分类标签微调得到的修正标签，微调后的修正标签自动导入用于更新视频动作分类模型的数据库中；

s640：基于所述预分类标签和所述修正标签为所述第二视频添加视频类别标签，基于所述第二视频集和标注后的第二视频迭代训练所述预训练视频动作分类模型，得到训练完成的视频动作分类模型，即更新视频动作分类模型，从而基于人工微调实现视频动作分类模型的微调优化，使其符合具体场景下的检测需求。

在目标检测模型和目标姿态分类模型中，标注样本是一张图片，因此模型正向推理一次即可得到数据的预标注信息。但是在视频动作分类模型中，由于需要标注的样本是视频帧序列，不同视频动作类别在时域中可能会出现交叉，因此需要设计一种标注样本时域分割策略，对标注样本进行时域的分割。

具体地，在该实施例中，所述步骤s620中，将第二视频集中的第二视频输入预训练视频动作分类模型，包括如下步骤：

建立并初始化长度为n的帧缓存队列qf，该帧缓存队列中存储的内容为视频流中α×n长度的历史帧采样，α为采样间隔；

对每一类动作建立并初始化长度为m的结果缓存队列qc，该结果缓存队列中存储的内容为视频动作分类模型对所有类动作m次置信度预测值，qcml表示第m类动作在l次推理时模型预测结果；

获取第二视频，对第二视频的前α×n帧图像按照预设的采样间隔α对所述第二视频中的图像帧进行采样，并将采样得到的图像帧存储于帧缓存队列qf中；

所述帧缓存队列qf中的帧数达到预设的缓存帧数阈值(即帧缓冲队列qf的初始化长度n)时，将所述帧缓存队列输入预训练视频动作分类模型。

在该实施例中，所述步骤s620：将第二视频集中的第二视频输入预训练视频动作分类模型，根据所述预训练视频动作分类模型的输出为所述第二视频添加预分类标签，包括如下步骤：

将第二视频集中的第二视频输入预训练视频动作分类模型，对所述第二视频进行m次预测，m为大于1的整数；

获取所述预训练视频动作分类模型对应于所述第二视频的m次预测结果，存入结果缓存队列qc中；

分析所述结果缓存队列qc中的m次预测结果，判断所述m次预测结果中是否存在一动作类别，其置信度大于第一阈值t的预测次数大于第二阈值a％；此处第一阈值即为置信度阈值，第二阈值即为置信度大于第一阈值t的预测结果的数量阈值；

如果是，则根据该动作类别为所述第二视频的帧缓存队列添加预标注标签；

如果不存在任一动作类别，其置信度大于第一阈值t的预测次数大于第二阈值a％，则不为该帧缓存队列添加预标注标签。

其中长度n、采样间隔α、次数m、第一阈值、第二阈值的值均可以根据需要设定和调节。

如图5所示，本发明实施例还提供一种目标检测系统，应用于所述的目标检测方法，所述系统包括：

模型检测模块m100，用于获取待检测的视频数据，将所述待检测的视频数据中的初始图像输入目标检测模型，获取所述目标检测模型输出的热图和边界框偏移向量；

边界框计算模块m200，用于根据所述热图确定多个类别的关键点位置，根据所述关键点位置和所述边界框偏移向量计算检测到的各个关键点对应的边界框；

目标确定模块m300，用于对于同一目标的多个关键点对应的边界框进行去重处理，去重后得到的边界框为检测到的目标边界框。

本发明的目标检测系统中，所述模型检测模块m100通过目标检测模型来获取热图和边界框偏移向量，其中热图中包括多个类别的关键点位置，因此，对于同一个目标，可能会检测到多个关键点位置，由此所述边界框计算模块m200会计算得到多个边界框，因此，需要所述目标确定模块m300对同一目标的多个关键点对应的边界框进行去重处理，从而确定每个目标对应的目标边界框，避免了现有技术中心点不明确而导致检测不准确的问题，提高了目标检测准确性。

本发明实施例还提供一种目标检测设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的目标检测方法的步骤。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过采用本发明所提供的目标检测设备，所述处理器在执行所述可执行指令时执行所述的目标检测方法，由此可以获得上述目标检测方法的有益效果。

本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的目标检测方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。

参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或集群上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

通过采用本发明所提供的计算机可读存储介质，其中存储的程序在被执行时实现所述的目标检测方法的步骤，由此可以获得上述目标检测方法的有益效果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。