对象检测方法、装置、电子设备及存储介质与流程

1.本发明实施例涉及目标检测技术领域，尤其涉及一种对象检测方法、装置、电子设备及存储介质。


背景技术：

2.现有技术中，利用计算机视觉技术判断图像或者视频序列中是否存在对象并给予精准定位来实现对象检测，这里，对象例如是行人、动物等。
3.以行人检测为例，在实践中，很可能出现场景中行人数目较多的情况，在行人数目较多时，行人往往会呈聚集性状态，这就容易导致从单一的角度对场景图像进行拍摄，进而基于拍摄到的图像进行行人检测很容易出现漏识别，尤其是重叠程度较大的两个或者多个人很容易被识别为一个人。而若从多个角度对场景图像进行拍摄，则需要付出较大成本。


技术实现要素：

4.鉴于此，为解决对象检测过程中从单一的角度对场景图像进行拍摄，进而基于拍摄到的图像进行对象检测很容易出现漏识别，本发明实施例提供一种对象检测方法及装置。
5.第一方面，本发明实施例提供一种对象检测方法，所述方法包括：
6.获取摄像机、测距装置在相同时刻采集目标场景的图像、距离信息，所述目标场景中包括两个或两个以上对象，所述距离信息用于表征所述对象与所述测距装置之间的距离；
7.基于两个或两个以上所述距离信息确定非极大值抑制算法的目标抑制阈值，以及从所述图像中确定多个预测对象框；
8.利用所述非极大值抑制算法和所述目标抑制阈值，从多个所述预测对象框中确定目标对象框。
9.在一个可能的实施方式中，所述基于两个或两个以上所述距离信息确定非极大值抑制算法的目标抑制阈值，包括：
10.基于两个或两个以上所述距离信息确定调节系数，所述调节系数用于表征所述目标场景内对象的密集程度；
11.基于所述调节系数确定非极大值抑制算法的目标抑制阈值。
12.在一个可能的实施方式中，所述基于两个或两个以上所述距离信息确定调节系数，包括：
13.从两个或两个以上所述距离信息中确定距离最大值和距离最小值；
14.确定所述距离最大值和所述距离最小值之间的差值；
15.将所述差值除以第一值，得到第二值，所述第一值为所述预测对象框的数量减1之后的值；
16.将所述第二值和预设的标准抑制阈值带入预设公式，得到调节系数。
17.在一个可能的实施方式中，所述基于所述调节系数确定非极大值抑制算法的目标抑制阈值，包括：
18.将所述调节系数与预设的标准抑制阈值进行设定运算，得到非极大值抑制算法的目标抑制阈值。
19.在一个可能的实施方式中，在所述将所述第二值和预设的标准抑制阈值带入预设公式，得到调节系数中，所述预设公式包括：
[0020][0021]
其中，d为所述第二值，thresh为所述标准抑制阈值。
[0022]
在一个可能的实施方式中，所述从两个或两个以上所述距离信息中确定距离最大值和距离最小值，包括：
[0023]
确定两个或两个以上所述距离信息中，是否存在满足第一设定条件的目标距离信息，所述第一设定条件包括所述距离信息大于或等于预设的距离阈值；
[0024]
若存在所述距离信息大于或等于预设的距离阈值，则从除所述目标距离信息以外的其他距离信息中，确定距离最大值和距离最小值。
[0025]
在一个可能的实施方式中，所述利用所述非极大值抑制算法和所述目标抑制阈值，从多个所述预测对象框中确定目标对象框，包括：
[0026]
将当前的多个所述预测对象框中，对应的预测分值最高的预测对象框确定为基准预测对象框；
[0027]
针对除所述基准预测对象框以外的每一其他预测对象框，确定所述其他预测对象框与所述基准预测对象框之间的重叠度；
[0028]
将满足第二设定条件的所述其他预测对象框确定为目标对象框，所述第二设定条件包括所述预测对象框对应的所述重叠度大于所述目标抑制阈值。
[0029]
第二方面，本发明实施例提供一种对象检测装置，所述装置包括：
[0030]
距离信息获取模块，用于获取摄像机、测距装置在相同时刻采集目标场景的图像、距离信息，所述目标场景中包括两个或两个以上对象，所述距离信息用于表征所述对象与所述测距装置之间的距离；
[0031]
目标抑制阈值确定模块，用于基于两个或两个以上所述距离信息确定非极大值抑制算法的目标抑制阈值，以及从所述图像中确定多个预测对象框；
[0032]
目标对象框确定模块，用于利用所述非极大值抑制算法和所述目标抑制阈值，从多个所述预测对象框中确定目标对象框。
[0033]
在一个可能的实施方式中，所述目标抑制阈值确定模块具体用于：
[0034]
基于两个或两个以上所述距离信息确定调节系数，所述调节系数用于表征所述目标场景内对象的密集程度；
[0035]
基于所述调节系数确定非极大值抑制算法的目标抑制阈值。
[0036]
在一个可能的实施方式中，所述目标抑制阈值确定模块具体用于：
[0037]
从两个或两个以上所述距离信息中确定距离最大值和距离最小值；
[0038]
确定所述距离最大值和所述距离最小值之间的差值；
[0039]
将所述差值除以第一值，得到第二值，所述第一值为所述预测对象框的数量减1之
后的值；
[0040]
将所述第二值和预设的标准抑制阈值带入预设公式，得到调节系数。
[0041]
在一个可能的实施方式中，所述目标抑制阈值确定模块具体用于：
[0042]
将所述调节系数与预设的标准抑制阈值进行设定运算，得到非极大值抑制算法的目标抑制阈值。
[0043]
在一个可能的实施方式中，所述目标抑制阈值确定模块具体用于：
[0044]
在所述将所述第二值和预设的标准抑制阈值带入预设公式，得到调节系数中，所述预设公式包括：
[0045][0046]
其中，d为所述第二值，thresh为所述标准抑制阈值。
[0047]
在一个可能的实施方式中，所述目标抑制阈值确定模块具体还用于：
[0048]
确定两个或两个以上所述距离信息中，是否存在满足第一设定条件的目标距离信息，所述第一设定条件包括所述距离信息大于或者等于预设的距离阈值；
[0049]
若存在所述距离信息大于或等于预设的距离阈值，则从除所述目标距离信息以外的其他距离信息中，确定距离最大值和距离最小值。
[0050]
在一可能的实施方式中，所述目标对象框确定模块具体用于：
[0051]
将当前的多个所述预测对象框中，对应的预测分值最高的预测对象框确定为基准预测对象框；
[0052]
针对除所述基准预测对象框以外的每一其他预测对象框，确定所述其他预测对象框与所述基准预测对象框之间的重叠度；
[0053]
将满足第二设定条件的所述其他预测对象框确定为目标对象框，所述设定条件包括所述预测对象框对应的所述重叠度大于所述目标抑制阈值。
[0054]
第三方面，本发明实施例提供一种电子设备，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的一种对象检测方法，以实现第一方面中任一项所述的对象检测方法。
[0055]
第四方面，本发明实施例提供一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现第一方面中任一项所述的对象检测方法。
[0056]
本发明实施例提供的技术方案，通过获取摄像机、测距装置在相同时刻采集目标场景的图像、距离信息，目标场景中包括两个或两个以上对象，距离信息用于表征所述对象与所述测距装置之间的距离，然后基于两个或两个以上距离信息确定非极大值抑制算法的目标抑制阈值，以及从所述图像中确定多个预测对象框，最后利用非极大值抑制算法和目标抑制阈值，从多个预测对象框中确定目标对象框，由于基于对象与测距装置之间的距离信息来动态确定非极大值抑制算法的抑制阈值，而对象与测距装置之间的距离信息能够表征出与测距装置之间具有相同距离的对象数目，也即对象的密集程度，因此，实现了根据目标场景内对象的密集程度来动态调节非极大值抑制算法的抑制阈值，进而能够实现对目标场景内重叠的对象进行准确识别，降低对象的漏识别率。
附图说明
[0057]
图1为本发明实施例示出的一种应用场景示意图；
[0058]
图2为本发明一示例性实施例提供的一种对象检测方法的实施例流程图；
[0059]
图3为本发明实施例示出的摄像机采集到的目标场景图像的示意图；
[0060]
图4为本发明实施例示出的测距装置采集到的目标场景距离信息的示意图；
[0061]
图5为本发明一示例性实施例提供的另一种对象检测方法的实施例流程图；
[0062]
图6为本发明一示例性实施例提供的又一种对象检测方法的实施例流程图；
[0063]
图7为本发明实施例示出的调节系数f(d)与d之间的关系示意图；
[0064]
图8为本发明一示例性实施例提供的一种对象检测装置的实施例框图；
[0065]
图9为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
[0066]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0067]
参见图1，为本发明实施例示出的一种应用场景示意图。
[0068]
图1所示应用场景中包括：设备101、摄像机102、测距装置103、目标场景104。
[0069]
其中，设备101可以是支持网络连接从而提供各种网络服务的硬件设备或软件。当设备101为硬件时，其可以是支持具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、服务器等，图1中仅以台式计算机为例。当设备101为软件时，可以安装在上述所列举的电子设备中。
[0070]
摄像机102，用于采集目标场景104的图像，在实践中，摄像机102可以为球型摄像机、枪型摄像机、鱼眼摄像机等。
[0071]
测距装置103，用于采集目标场景104中的行人与测距装置103之间的距离。在实践中，测距装置103可以为tof(time of flight，飞行时间)传感器、微波雷达等。
[0072]
以测距装置103为tof传感器为例，tof传感器发出经调制的近红外光，遇物体后反射，传感器通过计算光线发射和反射时间差或相位差，来换算被拍摄景物的距离，以产生深度信息，此外再结合摄像机102拍摄，就能获取行人的三维轮廓数据信息。设备101通过将tof传感器返回的三维轮廓数据信息进行聚类，以将对应同一行人的数据信息聚类到同一个簇中，进而能够根据每个簇中的值确定行人与测距装置之间的距离信息。
[0073]
摄像机102和测距装置103分别与设备101通信连接，如此，摄像机102、测距装置103可分别将采集到的图像、距离信息发送给设备101，进而由设备101执行本发明实施例提供的对象检测方法来对目标场景104中的对象，也即行人进行检测。
[0074]
下面结合附图以具体实施例对本发明提供的对象检测方法做进一步的解释说明，实施例并不构成对本发明实施例的限定。
[0075]
参见图2，为本发明一示例性实施例提供的一种对象检测方法的实施例流程图。作为一个实施例，图2所示流程可应用于图1中所示例的设备101上，也即以行人检测为例，如图2所示，该流程可包括以下步骤：
[0076]
步骤201、获取摄像机、测距装置在相同时刻采集目标场景的图像、距离信息，目标场景中包括两个或两个以上对象，距离信息用于表征对象与测距装置之间的距离。
[0077]
本发明实施例中，摄像机102、测距装置103可分别周期性地采集目标场景104的图像、距离信息，并将采集到的图像、距离信息实时地发送至设备101，如此，设备101能够获取摄像机102、测距装置103采集的目标场景104的图像、距离信息。这里，距离信息用于表征对象(在图1所示应用场景中，该对象为行人)与测距装置103之间的距离。参见图3，为摄像机102采集到的目标场景104图像的示意图，参见图4，为测距装置采集到的目标场景104距离信息的示意图。其中，d1表示图3中的行人a与测距装置103之间的距离，d2表示图3中的行人b与测距装置103之间的距离。
[0078]
进一步的，为实现基于摄像机102采集到的目标场景104的图像和测距装置103采集到的目标场景104的距离信息来对目标场景104进行行人检测，设备101在步骤201中获取的是摄像机102、测距装置103在相同时刻采集目标场景104的图像、距离信息。
[0079]
具体的，作为一种可选的实现方式，摄像机102、测距装置103可按照相同的周期采集目标场景104的图像、距离信息，那么设备101每次接收到的则是摄像机102和测距装置103在相同时刻采集到的目标场景104的图像、距离信息。
[0080]
作为另一种可选的实现方式，摄像机102、测距装置103可按照不同的周期采集目标场景104的图像、距离信息，那么，设备101在接收到目标场景104的图像和距离信息后，可以根据各自的时间戳，获取对应同一时刻的图像和距离信息，也即获取摄像机102、测距装置103在相同时刻采集目标场景104的图像、距离信息。
[0081]
步骤202、基于两个或两个以上距离信息确定非极大值抑制算法的目标抑制阈值。
[0082]
由步骤202的描述可见，本发明实施例中，在采用非极大值抑制算法从图像中进行对象检测时，并非是采用预设且固定的抑制阈值，而是基于步骤201获取到的两个或两个以上距离信息确定非极大值抑制算法的目标抑制阈值。通过该种处理，可以实现根据目标场景内对象的密集程度来动态调节非极大值抑制算法的抑制阈值，进而能够实现对目标场景内重叠的对象进行准确识别，降低对象的漏识别率。
[0083]
具体的，在一实施例中，如图5所示，基于两个或两个以上距离信息确定非极大值抑制算法的目标抑制阈值可包括以下步骤：
[0084]
步骤501、基于两个或两个以上距离信息确定调节系数。
[0085]
首先说明，上述调节系数用于表征目标场景104内行人的密集程度。具体的，调节系数越大，表示目标场景104内行人的密集程度越大，调节系数越小，表示目标场景104内行人的密集程度越小。
[0086]
在一实施例中，可通过确定相对于测距装置103距离不同的行人之间距离的平均值，来表征目标场景104中行人的密集程度，也即，通过确定相对于测距装置103距离不同的行人之间距离的平均值，来确定调节系数。
[0087]
具体的，在获取相对于测距装置103距离不同的行人之间距离的平均值值时，假设行人相对于测距装置103的距离按照从小到大的顺序为d1、d2、d3、
……dn-1
、dn，其中n为行人数量，n≥2，则平均值d可通过下述式(一)计算得出：
[0088]
[0089]
之后，可将上述平均值d和预设的标准抑制阈值带入如下述式(二)所示的预设公式，得到调节系数。
[0090][0091]
上述式(二)中，thresh为标准抑制阈值。
[0092]
进一步的，由式(一)可推导可得出下述式(三)
[0093][0094]
由此可见，基于两个或两个以上距离信息确定调节系数包括：从两个或两个以上距离信息中确定距离最大值和距离最小值，确定距离最大值和距离最小值之间的差值；将差值除以第一值，得到第二值，其中，第一值为预测行人框的数量减1之后的值，第二值则为上述平均值d，将第二值和预设的标准抑制阈值带入如上述式(三)所示的预设公式，得到调节系数。
[0095]
为便于理解，图7示出调节系数f(d)与d之间的关系示意图。如图7所示，随着d的值增加，意味着目标场景104中行人的密度程度越大，所以调节系数增加；当距离趋近于0，意味着目标场景104中行人的密集程度越小，所以调节系数趋近于1。
[0096]
此外，在一实施例中，从两个或两个以上的距离信息中确定距离最大值和距离最小值时，可首先确定两个或两个以上距离信息中，是否存在满足第一设定条件的目标距离信息，若存在，则从除目标距离信息以外的其他距离信息中确定距离最大值和距离最小值。
[0097]
这里，上述第一设定条件可以为距离信息大于预设的第一距离阈值，和/或，距离信息小于预设的第二距离阈值，该第一距离阈值和第二距离阈值可由操作人员设定，也可由装置本身测试距离限定，对此，本发明对此不做限制。
[0098]
可以理解的是，当距离信息大于预设的第一距离阈值，或者，距离信息小于预设的第二距离阈值时，也即距离信息过大或过小时，很有可能意味着距离信息并不准确，因此，可从除大于第一距离阈值的距离信息，和/或，除小于第二距离阈值的距离信息以外的其他距离信息中确定距离最大值和距离最小值。
[0099]
步骤502、基于调节系数确定非极大值抑制算法的目标抑制阈值。
[0100]
在一实施例中，将上述调节系数与预设的标准抑制阈值进行设定运算，得到非极大值抑制算法的目标抑制阈值。具体的，上述设定运算可以是相乘运算。
[0101]
由此可见，本发明实施例中，调节系数越大，也即，目标场景内行人的密集程度越大，目标抑制阈值越大；调节系数越小，也即，目标场景内行人的密集程度越小，目标抑制阈值越小。
[0102]
步骤203、从图像中确定多个预测对象框。
[0103]
在一实施例中，设备101可以将获取到的图像输入至预先训练好的分类器，得到多个行人框(为描述方便，以下称为预测行人框)。例如，将图3所示图像输入至预先训练好的分类器，可以得到3个预测行人框(为描述方便，以下称为预测行人框1、预测行人框2和预测行人框3)
[0104]
此外，上述分类器的输出结果还可包括预测行人框对应的预测分值，该预测分值用于表征预测行人框内对象为行人的概率，具体的，预测分值越高，表征预测行人框内对象
为行人的概率越高；预测分值越低，表征预测行人框内对象为行人的概率越低。
[0105]
步骤204、利用非极大值抑制算法和目标抑制阈值，从多个预测对象框中确定目标对象框。
[0106]
在一实施例中，参见图6，利用非极大值抑制算法和目标抑制阈值，从多个预测对象框中确定目标对象框可包括以下步骤：
[0107]
步骤601、将当前的多个预测对象框中，对应的预测分值最高的预测对象框确定为基准预测对象框。
[0108]
在一实施例中，将预测分值最高的预测行人框，也即，将其中的对象为行人的概率最高的预测行人框确定为基准预测行人框。例如，假设图3中，预测行人框1的预测分值最高，那么则将预测行人框1确定为基准预测行人框。
[0109]
步骤602、针对除基准预测对象框以外的每一其他预测对象框，确定其他预测对象框与基准预测对象框之间的重叠度。
[0110]
在一实施例中，针对除基准预测对象框以外的每一其他预测对象框，确定其他预测对象框与基准预测对象框中的重叠度，该重叠度用于表征其他预测对象框内对象为行人的概率，具体的，该重叠度越大，表征其他预测对象框内对象为行人的概率越低；该重叠度越小，表征其他预测对象框内对象为行人的概率越高。
[0111]
作为一个可选的实现方式，该重叠度可通过计算其他预测对象框与基准预测对象框之间重叠区域的面积除以该其他预测对象框与基准预测对象框的总面积所得。这里的总面积是指该其他预测对象框的面积与基准预测对象框的面积之和减去该其他预测对象框与基准预测对象框之间的重叠区域的面积。
[0112]
步骤603、将满足第二设定条件的其他预测对象框确定为目标对象框，第二设定条件包括预测对象框对应的重叠度大于目标抑制阈值。
[0113]
在一实施例中，由步骤602可知重叠度越高，意味着预测对象框内对象为行人的概率越低，因此，步骤603中，将满足第二设定条件，也即对应的重叠度大于目标抑制阈值的预测对象框内之外的其他预测对象框作为目标对象框。该目标对象框的数量即为最终的行人检测结果。
[0114]
为便于理解，示出以下具体例子：
[0115]
假设图3中预测行人框1对应的预测得分最高，那么按照上述描述，将预测行人框1确定为基准预测行人框，然后，确定预测行人框2和基准预测行人框1之间的重叠度(假设为0.9)，以及确定预测行人框3和基准预测行人框1之间的重叠度(假设为0.85)。继续假设标准抑制阈值为0.8，按照上述描述，将重叠度大于标准抑制阈值的预测行人框2和预测行人框3排除，确定预测行人框1为目标行人框。由此可见，按照现有技术中的处理方式，将图3中原本的两个行人检测为一个行人，出现了行人漏识别。
[0116]
而应用本发明实施例提供的方法，假设图3中行人a和行人b之间的距离为2.7，按照上述描述，d为2.7，将d代入上述式(三)，可以得出调节系数f(d)(假设为1.1)，进一步的，将调节系数与标准抑制阈值进行设定运算(假设为相乘运算)，得到目标抑制阈值为0.88。此时，根据非极大值抑制算法，将重叠度大于目标抑制阈值的预测行人框2排除，确定预测行人框1和预测行人框3为目标行人框，即检测结果为2个人，正确检测出了图3中的人数，未出现行人漏识别。
[0117]
由此可见，本发明实施例提供的技术方案，通过获取摄像机、测距装置在相同时刻采集目标场景的图像、距离信息，目标场景中包括两个或两个以上对象，距离信息用于表征对象与测距装置之间的距离，然后基于两个或两个以上距离信息确定非极大值抑制算法的目标抑制阈值，以及从图像中确定多个预测对象框，最后利用非极大值抑制算法和目标抑制阈值，从多个预测对象框中确定目标对象框，由于基于对象与测距装置之间的距离信息来动态确定非极大值抑制算法的抑制阈值，而对象与测距装置之间的距离信息能够表征出目标场景内对象的密集程度，因此，则实现了根据目标场景内对象的密集程度来动态调节非极大值抑制算法的抑制阈值，进而能够实现对目标场景内重叠的对象进行准确识别，降低对象的漏识别率。
[0118]
参见图8，为本发明一示例性实施例提供的一种对象检测装置的实施例框图。如图8所示，该装置包括：
[0119]
距离信息获取模块81，用于获取摄像机、测距装置在相同时刻采集目标场景的图像、距离信息，所述目标场景中包括两个或两个以上对象，所述距离信息用于表征所述对象与所述测距装置之间的距离；
[0120]
目标抑制阈值确定模块82，用于基于两个或两个以上所述距离信息确定非极大值抑制算法的目标抑制阈值，以及从所述图像中确定多个预测对象框；
[0121]
目标对象框确定模块83，用于利用所述非极大值抑制算法和所述目标抑制阈值，从多个所述预测对象框中确定目标对象框。
[0122]
在一个可能的实施方式中，所述目标抑制阈值确定模块82具体用于：
[0123]
基于两个或两个以上所述距离信息确定调节系数，所述调节系数用于表征所述目标场景内对象的密集程度；
[0124]
基于所述调节系数确定非极大值抑制算法的目标抑制阈值。
[0125]
在一个可能的实施方式中，所述目标抑制阈值确定模块82具体用于：
[0126]
从两个或两个以上所述距离信息中确定距离最大值和距离最小值；
[0127]
确定所述最大值和所述最小值之间的差值；
[0128]
将所述差值除以第一值，得到第二值，所述第一值为所述预测对象框的数量减1之后的值；
[0129]
将所述第二值和预设的标准抑制阈值带入预设公式，得到调节系数。
[0130]
在一个可能的实施方式中，所述目标抑制阈值确定模块82具体用于：
[0131]
将所述调节系数与预设的标准抑制阈值进行设定运算，得到非极大值抑制算法的目标抑制阈值。
[0132]
在一个可能的实施方式中，所述目标抑制阈值确定模块82具体用于：
[0133]
在所述将所述第二值和预设的标准抑制阈值带入预设公式，得到调节系数中，所述预设公式包括：
[0134][0135]
其中，d为所述第二值，thresh为所述标准抑制阈值。
[0136]
在一个可能的实施方式中，所述目标抑制阈值确定模块82具体还用于：
[0137]
确定两个或两个以上所述距离信息中，是否存在满足第一设定条件的目标距离信
息，所述第一设定条件包括所述距离信息大于或等于预设的距离阈值；
[0138]
若存在所述距离信息大于或等于预设的距离阈值，则从除所述目标距离信息以外的其他距离信息中，确定距离最大值和距离最小值。
[0139]
在一可能的实施方式中，所述目标对象框确定模块83具体用于：
[0140]
将当前的多个所述预测对象框中，对应的预测分值最高的预测对象框确定为基准预测对象框；
[0141]
针对除所述基准预测对象框以外的每一其他预测对象框，确定所述其他预测对象框与所述基准预测对象框之间的重叠度；
[0142]
将满足第二设定条件的所述其他预测对象框确定为目标对象框，所述第二设定条件包括所述预测对象框对应的所述重叠度大于所述目标抑制阈值。
[0143]
图9为本发明实施例提供的一种的电子设备的结构示意图，图9所示的电子设备900包括：至少一个处理器901、存储器902、至少一个网络接口904和其他用户接口903。电子设备900中的各个组件通过总线系统905耦合在一起。可理解，总线系统905用于实现这些组件之间的连接通信。总线系统905除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图9中将各种总线都标为总线系统905。
[0144]
其中，用户接口903可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
[0145]
可以理解，本发明实施例中的存储器902可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-onlymemory，rom)、可编程只读存储器(programmablerom，prom)、可擦除可编程只读存储器(erasableprom，eprom)、电可擦除可编程只读存储器(electricallyeprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(randomaccessmemory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(staticram，sram)、动态随机存取存储器(dynamicram，dram)、同步动态随机存取存储器(synchronousdram，sdram)、双倍数据速率同步动态随机存取存储器(doubledatarate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlinkdram，sldram)和直接内存总线随机存取存储器(directrambusram，drram)。本文描述的存储器902旨在包括但不限于这些和任意其它适合类型的存储器。
[0146]
在一些实施方式中，存储器902存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统9021和应用程序9022。
[0147]
其中，操作系统9021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序9022，包含各种应用程序，例如媒体播放器(mediaplayer)、浏览器(browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序9022中。
[0148]
在本发明实施例中，通过调用存储器902存储的程序或指令，具体的，可以是应用程序9022中存储的程序或指令，处理器901用于执行各方法实施例所提供的方法步骤，例如包括：
[0149]
获取摄像机、测距装置在相同时刻采集目标场景的图像、距离信息，所述目标场景
中包括两个或两个以上对象，所述距离信息用于表征所述对象与所述测距装置之间的距离；
[0150]
基于两个或两个以上所述距离信息确定非极大值抑制算法的目标抑制阈值，以及从所述图像中确定多个预测对象框；
[0151]
利用所述非极大值抑制算法和所述目标抑制阈值，从多个所述预测对象框中确定目标对象框。
[0152]
上述本发明实施例揭示的方法可以应用于处理器901中，或者由处理器901实现。处理器901可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器901中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器901可以是通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecific integratedcircuit，asic)、现成可编程门阵列(fieldprogrammablegatearray，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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器902，处理器901读取存储器902中的信息，结合其硬件完成上述方法的步骤。
[0153]
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(applicationspecificintegratedcircuits，asic)、数字信号处理器(digitalsignalprocessing，dsp)、数字信号处理设备(dspdevice，dspd)、可编程逻辑设备(programmablelogicdevice，pld)、现场可编程门阵列(field-programmablegatearray，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
[0154]
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
[0155]
本实施例提供的电子设备可以是如图9中所示的电子设备，可执行如图2中行人检测方法的所有步骤，进而实现图2所示行人检测方法的技术效果，具体请参照图2相关描述，为简洁描述，在此不作赘述。
[0156]
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。
[0157]
当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在对象检测设备侧执行的对象检测方法。
[0158]
获取摄像机、测距装置在相同时刻采集目标场景的图像、距离信息，所述目标场景中包括两个或两个以上对象，所述距离信息用于表征所述对象与所述测距装置之间的距离；
[0159]
基于两个或两个以上所述距离信息确定非极大值抑制算法的目标抑制阈值，以及从所述图像中确定多个预测对象框；
[0160]
利用所述非极大值抑制算法和所述目标抑制阈值，从多个所述预测对象框中确定目标对象框。
[0161]
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0162]
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0163]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。