一种目标检测方法、装置、电子设备及存储介质与流程

1.本发明实施例涉及计算机技术，尤其涉及一种目标检测方法、装置、电子设备及存储介质。


背景技术：

2.随着计算机技术的发展，卷积神经网络在计算机视觉领域已经得到了广泛的应用，在图像分类、分割和图像识别等方面均取得较好的效果。尤其在网络使用bp算法时，以梯度下降的方式更新网络参数，促使网络具有提取图像的特征功能。现有技术中基于深度学习的目标检测是通过一个网络提取图像特征，在网络层neck部分每个特征图的一个像素负责一部分区域的检测，最后汇总为目标的位置信息与类别置信度，经过非极大抑制选出最终结果，由于该网络在训练需求的数据量较大，现实中数据量少和采集数据的场景固定难以满足训练需求，同时训练出的模型对对极小目标的检测精准度较低。


技术实现要素：

3.本发明提供一种目标检测方法、装置、电子设备及存储介质，以实现对原始图像中的目标检测，并提高原始图像中目标的检测精准度和速度。
4.第一方面，本发明实施例提供了一种目标检测方法，该方法包括：
5.对待检测图像进行有重叠地分割，得到多个候选图像块；
6.利用目标检测模型对所述多个候选图像块分别做目标检测，得到所述多个候选图像块中的每个候选图像块的检测结果，所述每个候选图像块的检测结果包括对应候选图像块中的目标的检测位置信息和置信度；
7.根据所述每个候选图像块中的目标的置信度从所述多个候选图像块中确定出目标图像块；
8.根据所述目标图像块中的目标的检测位置信息和置信度确定所述目标的检测结果。
9.进一步的，所述对待检测图像进行有重叠地分割，得到多个候选图像块，包括：
10.根据预设重叠宽度对所述待检测图像进行重叠划分，得到所述多个候选图像块对应的分割线；
11.根据所述多个候选图像块对应的分割线对所述待检测图像依次分割，得到所述多个候选图像块，并建立所述待检测图像与所述多个图像块的位置映射关系。
12.进一步的，所述目标检测模型的获取方式如下：
13.对训练集内每张训练图像中的目标进行位置标记，得到所述每张训练图像中的目标的标记位置信息；
14.对所述每张训练图像进行有重叠地分割，得到所述每张训练图像对应的多个训练图像块；
15.利用训练检测模型对所述每张训练图像对应的多个训练图像块进行检测，得到所
述每张训练图像的检测结果，所述每张训练图像的检测结果中包括对应训练图像中的目标的检测位置信息；
16.根据所述每张训练图像中的目标的标记位置信息和检测位置信息计算损失函数；
17.对所述损失函数进行反向传播以优化所述训练检测模型的参数，从而得到所述目标检测模型。
18.进一步的，所述训练检测模型包括主干网络和剩余网络，所述对所述损失函数进行反向传播以优化所述训练检测模型的参数，从而得到所述目标检测模型，包括：
19.保持所述训练检测模型的所述主干网络的参数不变，对所述损失函数进行反向传播以优化所述训练检测模型的所述剩余网络的参数，直至达到训练停止条件时，得到所述目标检测模型。
20.进一步的，所述目标检测模型包括主干网络和剩余网络，所述利用目标检测模型对所述多个候选图像块分别做目标检测，得到所述多个候选图像块中的每个候选图像块的检测结果，包括：
21.通过所述目标检测模型的所述主干网络对所述多个候选图像块分别做特征提取，得到所述每个候选图像块对应的候选特征图；
22.利用所述目标检测模型的所述剩余网络对所述每个候选图像块对应的候选特征图做目标检测，得到所述每个候选图像块的检测结果。
23.进一步的，根据所述每个候选图像块中的目标的置信度从所述多个候选图像块中确定出目标图像块，包括：
24.从所述多个候选图像块中选取最高置信度对应的候选图像块作为所述目标图像块。
25.进一步的，根据所述目标图像块中的目标的检测位置信息和置信度确定所述目标的检测结果，包括：
26.根据所述待检测图像与所述多个图像块的位置映射关系确定所述待检测图像与所述目标图像块的位置映射关系；
27.根据所述待检测图像与所述目标图像块的位置映射关系对所述目标图像块中的目标的检测位置信息进行反向映射，得到所述待检测图像中目标的预测位置信息，并将所述预测位置信息作为所述目标的检测结果。
28.进一步的，所述目标包括气枪火焰。
29.第二方面，本发明实施例提供了一种目标检测装置，该装置包括：
30.重叠分割模块，用于对待检测图像进行有重叠地分割，得到多个候选图像块；
31.目标检测模块，用于利用目标检测模型对所述多个候选图像块分别做目标检测，得到所述多个候选图像块中的每个候选图像块的检测结果，所述每个候选图像块的检测结果包括对应候选图像块中的目标的检测位置信息和置信度；
32.目标确定模块，用于根据所述每个候选图像块中的目标的置信度从所述多个候选图像块中确定出目标图像块；
33.结果确定模块，用于根据所述目标图像块中的目标的检测位置信息和置信度确定所述目标的检测结果。
34.第三方面，本发明实施例提供了一种电子设备，该电子设备包括：
35.一个或多个处理器；
36.存储装置，用于存储一个或多个程序，
37.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的目标检测方法。
38.第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如所述的目标检测方法。
39.本发明实施例，通过对待检测图像进行有重叠地分割，得到多个候选图像块；利用目标检测模型对多个候选图像块分别做目标检测，得到多个候选图像块中的每个候选图像块的检测结果，每个候选图像块的检测结果包括对应候选图像块中的目标的检测位置信息和置信度；根据每个候选图像块中的目标的置信度从多个候选图像块中确定出目标图像块；根据目标图像块中的目标的检测位置信息和置信度确定目标的检测结果。即，本发明实施例，通过对待检测图像进行有重叠分割保证边缘目标的完整，并对检测目标进行多次检测，在保证目标识别的准确性的前提下，提高目标检测的速度。
附图说明
40.图1是本发明实施例提供的目标检测方法的一个流程示意图；
41.图2是本发明实施例提供的目标检测方法的另一流程示意图；
42.图3为本发明实施例提供的目标检测方法的有重叠分割原理图；
43.图4为本发明实施例提供的目标检测方法的原理示意图；
44.图5是本发明实施例提供的目标检测装置的一个结构示意图；
45.图6是本发明实施例提供的电子设备的一个结构示意图。
具体实施方式
46.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
47.图1为本发明实施例提供的目标检测方法的一个流程示意图，该方法可以由本发明实施例提供的目标检测装置来执行，该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中，该装置可以集成在电子设备中，电子设备比如可以是服务器。以下实施例将以该装置集成在电子设备中为例进行说明，参考图1，该方法具体可以包括如下步骤：
48.s110、对待检测图像进行有重叠地分割，得到多个候选图像块；
49.示例地，待检测图像可以来自图像采集设备，图像采集设备可以是安装在待检测区域内的摄像头、录像机等具有图像采集功能的设备，其中，待检测区内为可能出现检测目标的区域。当检测目标为紧急处理的目标时，需要实时采集待检测区域内的图像，待检测图像可以是待检测区内的最新图像，利用待检测图像检测待检测区域内是否具有目标，如果待检测图像具有目标，进行紧急处理；当检测目标为非紧急处理的目标时，可以是预设时间段内获取待检测区域内的图像，如果利用待检测图像检测待检测区域内出现检测目标时，可以根据检测目标的出现时间，频率进行操作调整。候选图像块可以是用于确定待检测图像中检测目标的图像块。
50.根据图像采集设备从待检测区域获取待检测图像之后，可以对待检测图像进行目标检测，也可以对待检测图像执行图像预处理：比如，可以将待检测图像进行缩放为预设固定大小的图像，或者根据检测目标的属性进行图像对比度等图像处理。
51.本发明实施例中，对获取到待检测图像，根据检测目标的需求对待检测图像进行预处理。根据检测目标将预处理后的待检测图像进行有重叠地分割，得到待检测图像对应的多个候选图像块，使得一张待检测图像上的同一目标可能存在于不同的图像块上，对待检测图像进行基于裁剪的数据增广，增加了场景的多样性。根据多个候选图像块确定待检测图像中的检测目标，防止位于分割边缘上的目标被分割无法进行检测。
52.s120、利用目标检测模型对多个候选图像块分别做目标检测，得到多个候选图像块中的每个候选图像块的检测结果，每个候选图像块的检测结果包括对应候选图像块中的目标的检测位置信息和置信度；
53.示例地，该候选图像块中的目标的检测位置信息用于标记该候选图像块中的检测目标所在位置，该候选图像快中的目标的置信度用于表示该检测位置信息的概率或程度。每个候选图像块的检测结果可以是每个候选图像输入目标检测模型进行目标检测，得到的目标检测模型的输出结果，该结果中包括对应候选图像块中的目标的检测位置信息和置信度。
54.具体实现中，可以将多个候选图像块输入目标检测模型进行目标检测，目标检测模型的输出可以是每个候选图像块中检测目标所在预测框的位置信息，还可以在目标检测模型中设置学习校正函数，得到每个候图像块中检测目标所在预测框的位置信息对应的置信度。例如：可以比较多个候选图像块中检测目标所在预测框的位置信息对应的置信度。根据每个候选图像中检测目标所在预测框的位置信息对应的置信度确定多个候选图像中的目标图像块。另外，该目标检测模型可以是深度神经网络模型，该目标检测模型可以预先训练的到。
55.s130、根据每个候选图像块中的目标的置信度从多个候选图像块中确定出目标图像块；
56.具体实现中，多个候选图像块中确定出目标图像块用于确定待检测图像中目标的检测结果，即待检测图像中目标所在的位置信息。可以根据将多个候选图像中的目标的置信度进行排序，得到待检测图像对应的多个候选图像中的目标的置信度的最高值对应的候选图像块作为目标图像块。
57.s140、根据目标图像块中的目标的检测位置信息和置信度确定目标的检测结果。
58.具体实现中，根据每个候选图像块中的目标的置信度从多个候选图像块中确定出目标图像块；根据目标图像块在待检测图像中的位置关系，确定目标图像块中的检测位置信息在待检测图像中对应的位置信息。将目标图像块中的检测位置信息在待检测图像中对应的位置信息和目标图像块中目标的置信度作为目标的检测结果。其中，目标的检测结果为预测的待检测图像中目标的位置信息和置信度。
59.本发明实施例，通过对待检测图像进行有重叠地分割，得到多个候选图像块；利用目标检测模型对多个候选图像块分别做目标检测，得到多个候选图像块中的每个候选图像块的检测结果，每个候选图像块的检测结果包括对应候选图像块中的目标的检测位置信息和置信度；根据每个候选图像块中的目标的置信度从多个候选图像块中确定出目标图像
块；根据目标图像块中的目标的检测位置信息和置信度确定目标的检测结果。即，本发明实施例，通过对待检测图像进行有重叠分割保证边缘目标的完整，并对检测目标进行多次检测，在保证目标识别的准确性的前提下，提高目标检测的速度。
60.下面进一步描述本发明实施例提供的目标检测方法，如图2所示，该方法具体可以包括如下步骤：
61.s210、根据预设重叠宽度对待检测图像进行重叠划分，得到多个候选图像块对应的分割线；
62.示例地，预设重叠宽度可以是根据实际需求或实验数据中目标图像预先设置分割重叠宽度，通过重叠宽度确定待检测图像中目标不被边缘分割，保证待检测图像中目标的完整。多个候选图像块对应的分割线可以是从待检测图像中分割每个图像块的边缘线，用于从待检测图像中准确的分割出候选图像块。
63.具体实现中，根据待检测图像的边缘长度、待检测图像对应的预设图像块数和预设重叠宽度计算出候选图像块的大小和多个候选图像块对应的分割线，以便于根据多个候选图像块对应的分割线对待检测图像进行分割。比如，可以根据待检测图像的边缘长度和预设图像块数对待检测图像进行均匀分割，得到待检测图像的均匀分割线，以均匀分割线边缘延伸预设重叠宽度的一半宽度，确定出多个候选图像块对应的分割线。
64.图3为本发明实施例提供的目标检测方法的有重叠分割原理图，如图3所示，对待检测图像进行有重叠分割，预设图像块数为6块，根据预设图像块数对待检测图像进行均匀分割，并根据均匀分割线进行延伸得到候选图像块对应的分割线。
65.s220、根据多个候选图像块对应的分割线对待检测图像依次分割，得到多个候选图像块，并建立待检测图像与多个图像块的位置映射关系。
66.具体实现中，位置映射关系可以是根据待检测图像对应的坐标系与每个候选图像块对应的坐标系之间的映射关系，建立待检测图像与多个图像块的位置映射关系。比如：待检测图像根据图像右下角为坐标原点建立坐标系，以多个候选图像块右下角为坐标分别建立多个坐标系，将多个候选图像块右下角位置信息所在待检测图像中位置信息建立检测图像与多个图像块的位置映射关系，其中，多个候选图像对应的坐标系可以经过左右和上下平移得到待检测图像对应的坐标系。
67.可选的，目标包括气枪火焰，其中，气枪火焰可以是仅为多个像素大小的小目标，比如：七八个像素大小，仅占待检测图像的万分之一。
68.s230、利用目标检测模型对多个候选图像块分别做目标检测，得到多个候选图像块中的每个候选图像块的检测结果，每个候选图像块的检测结果包括对应候选图像块中的目标的检测位置信息和置信度；
69.进一步的，目标检测模型的获取方式如下：
70.对训练集内每张训练图像中的目标进行位置标记，得到每张训练图像中的目标的标记位置信息；
71.对每张训练图像进行有重叠地分割，得到每张训练图像对应的多个训练图像块；
72.利用训练检测模型对每张训练图像对应的多个训练图像块进行检测，得到每张训练图像的检测结果，每张训练图像的检测结果中包括对应训练图像中的目标的检测位置信息；
73.根据每张训练图像中的目标的标记位置信息和检测位置信息计算损失函数；
74.对损失函数进行反向传播以优化训练检测模型的参数，从而得到目标检测模型。
75.示例地，训练集可以是根据目标搜集的包含目标的图像集，并预先对训练集内每张训练图像中的目标进行位置标记，在每张训练图像上标记目标的位置信息，得到每张训练图像中的目标的标记位置信息。对每张训练图像进行有重叠地分割，得到每张训练图像对应的多个训练图像块。训练检测模型可以是根据检测目的搭建的网络模型，用于对每张训练图像对应的多个训练图像块，得到每张训练图像的检测结果。比如：yolov4-tiny深度识别网络模型，用于识别出对每张训练图像中目标的检测位置信息。
76.具体实现中，预先对训练集内每张训练图像中的目标进行位置标记，在每张训练图像上标记目标的位置信息，得到每张训练图像中的目标的标记位置信息，以使得每张训练图像中包含标记位置信息。对标记后的每张训练图像进行有重叠分割，得到每张训练图像对应的多个训练图像块。将每张训练图像对应的多个训练图像块输入训练检测模型进行检测，得到每张训练图像中的目标的检测位置信息。根据每张训练图像中的目标检测位置信息与目标的标记位置信息计算损失函数，得到损失函数的熵值。根据损失函数的熵值确定训练检测模型是否收敛，并根据损失函数的熵值进行反向传播以优化训练检测模型的参数，直至损失函数的熵值小于预设熵值阈值，确定训练检测模型收敛，得到目标检测模型。
77.进一步的，训练检测模型包括主干网络和剩余网络，对所述损失函数进行反向传播以优化训练检测模型的参数，从而得到目标检测模型，包括：
78.保持训练检测模型的主干网络的参数不变，对损失函数进行反向传播以优化训练检测模型的剩余网络的参数，直至达到训练停止条件时，得到目标检测模型。
79.具体实现中，训练检测模型包括主干网络和剩余网络，其中，训练检测模型的主干网络通过图像中检测目标的特征提取进行目标识别，训练检测模型的主干网络用于提取特征，比如：csp-darknet53-tiny网络，可以借助imagenet数据集得到初始训练检测模型的主干网络参数。在保持训练模型的主干网络的参数不变情况系，仅训练训练检测模型中的剩余网络的参数，即提升剩余网络中特征识别能力和位置信息的预测能力。比如：将训练集中的训练图像输入训练检测模型，每次输入16张图像块，之后将模型的输出结果与真实标注计算损失函数，通过失函数的熵值进行反向传播，即求损失函数对模型各参数的梯度，之后通过梯度下降法利用该梯度更新模型参数的迭代训练，直至达到训练检测模型收敛时，得到目标检测模型。其中，训练停止条件可以是损失函数的熵值小于预设熵值阈值，也可以是预设进行一定数量等级的训练。
80.进一步的，目标检测模型包括主干网络和剩余网络，利用目标检测模型对多个候选图像块分别做目标检测，得到多个候选图像块中的每个候选图像块的检测结果，包括：
81.通过目标检测模型的主干网络对多个候选图像块分别做特征提取，得到每个候选图像块对应的候选特征图；
82.利用目标检测模型的剩余网络对每个候选图像块对应的候选特征图做目标检测，得到每个候选图像块的检测结果。
83.具体实现中，通过目标检测网络的主干网络对输入目标检测模型的多个候选图像块分别提取图像特征，得到每个候选图像块对应的候选特征图。利用目标检测模型的剩余网络对候选图像对应的候选特征做目标检测，得到多个候选图像块对应的检测位置信息作
为每个候选图像块的检测结果。其中，目标检测模型的剩余网络不仅包括深度识别网络和学习校正函数，在根据剩余网络检测多个候选图像块中目标的检测位置信息和置信度。
84.s240、从多个候选图像块中选取最高置信度对应的候选图像块作为目标图像块；
85.具体实现中，可以根据实际需求或实验数据预先设置目标阈值，根据目标阈值确定每个图像块是否存在目标。比如，将多个候选图像块中的目标的置信度与预设目标阈值进行比较，如果多个候选图像块的目标的置信度均大于预设目标阈值，则将多个候选图像中最高置信度对应的候选图像块作为目标图像块；如果多个候选图像块的目标的置信度均小于预设目标阈值，则将多个候选图像对应的待检测图像中不存在目标；如果多个候选图像块的目标的置信度仅有部分超过预设目标阈值，根据超过预设目标阈值对应的候选图像块确定目标图像块。
86.图4为本发明实施例提供的目标检测方法的原理示意图，如图4所示，对待检测图像进行有重叠分割，使得前四个图像块中均包含气枪火焰，将多个候选图像块输入根据yolov4-tiny训练的目标检测模型中，得到多个候选图像块中的中的目标的检测位置信息和置信度，从多个候选图像块中选取最高置信度0.94对应的候选图像块作为目标图像块。
87.s250、根据目标图像块中的目标的检测位置信息和置信度确定目标的检测结果。
88.进一步的，根据目标图像块中的目标的检测位置信息和置信度确定目标的检测结果，包括：
89.根据待检测图像与多个图像块的位置映射关系确定待检测图像与目标图像块的位置映射关系；
90.根据待检测图像与目标图像块的位置映射关系对目标图像块中的目标的检测位置信息进行反向映射，得到待检测图像中目标的预测位置信息，并将预测位置信息作为目标的检测结果。
91.具体实现中，位置映射关系可以是根据待检测图像对应的坐标系与每个候选图像块对应的坐标系之间的映射关系，建立待检测图像与多个图像块的位置映射关系。从待检测图像与多个图像块的位置映射关系中确定出待检测图像与目标图像的位置映射关系。根据待检测图像与目标图像的位置映射关系对目标图像块的目标的检测位置信息进行反向映射，目标图像块中的目标的检测位置信息进行平移，得到待检测图像中目标的预测位置信息和目标图像块中的目标的置信度作为目标的检测结果。
92.本发明实施例，通过对待检测图像进行有重叠地分割，得到多个候选图像块；利用目标检测模型对多个候选图像块分别做目标检测，得到多个候选图像块中的每个候选图像块的检测结果，每个候选图像块的检测结果包括对应候选图像块中的目标的检测位置信息和置信度；根据每个候选图像块中的目标的置信度从多个候选图像块中确定出目标图像块；根据目标图像块中的目标的检测位置信息和置信度确定目标的检测结果。即，本发明实施例，通过对待检测图像进行有重叠分割保证边缘目标的完整，并对检测目标进行多次检测，在保证目标识别的准确性的前提下，提高目标检测的速度。
93.图5是本发明实施例提供的目标检测装置的结构示意图，如图5所示，该目标检测装置包括：
94.重叠分割模块510，用于对待检测图像进行有重叠地分割，得到多个候选图像块；
95.目标检测模块520，用于利用目标检测模型对所述多个候选图像块分别做目标检
测，得到所述多个候选图像块中的每个候选图像块的检测结果，所述每个候选图像块的检测结果包括对应候选图像块中的目标的检测位置信息和置信度；
96.目标确定模块530，用于根据所述每个候选图像块中的目标的置信度从所述多个候选图像块中确定出目标图像块；
97.结果确定模块540，用于根据所述目标图像块中的目标的检测位置信息和置信度确定所述目标的检测结果。
98.一实施例中，所述重叠分割模块510对待检测图像进行有重叠地分割，得到多个候选图像块，包括：
99.根据预设重叠宽度对所述待检测图像进行重叠划分，得到所述多个候选图像块对应的分割线；
100.根据所述多个候选图像块对应的分割线对所述待检测图像依次分割，得到所述多个候选图像块，并建立所述待检测图像与所述多个图像块的位置映射关系。
101.一实施例中，所述目标检测模型的获取方式如下：
102.对训练集内每张训练图像中的目标进行位置标记，得到所述每张训练图像中的目标的标记位置信息；
103.对所述每张训练图像进行有重叠地分割，得到所述每张训练图像对应的多个训练图像块；
104.利用训练检测模型对所述每张训练图像对应的多个训练图像块进行检测，得到所述每张训练图像的检测结果，所述每张训练图像的检测结果中包括对应训练图像中的目标的检测位置信息；
105.根据所述每张训练图像中的目标的标记位置信息和检测位置信息计算损失函数；
106.对所述损失函数进行反向传播以优化所述训练检测模型的参数，从而得到所述目标检测模型。
107.一实施例中，所述训练检测模型包括主干网络和剩余网络，所述对所述损失函数进行反向传播以优化所述训练检测模型的参数，从而得到所述目标检测模型，包括：
108.保持所述训练检测模型的所述主干网络的参数不变，对所述损失函数进行反向传播以优化所述训练检测模型的所述剩余网络的参数，直至达到训练停止条件时，得到所述目标检测模型。
109.一实施例中，所述目标检测模型包括主干网络和剩余网络，所述利用目标检测模型对所述多个候选图像块分别做目标检测，得到所述多个候选图像块中的每个候选图像块的检测结果，包括：
110.通过所述目标检测模型的所述主干网络对所述多个候选图像块分别做特征提取，得到所述每个候选图像块对应的候选特征图；
111.利用所述目标检测模型的所述剩余网络对所述每个候选图像块对应的候选特征图做目标检测，得到所述每个候选图像块的检测结果。
112.一实施例中，所述目标确定模块530根据所述每个候选图像块中的目标的置信度从所述多个候选图像块中确定出目标图像块，包括：
113.从所述多个候选图像块中选取最高置信度对应的候选图像块作为所述目标图像块。
114.一实施例中，所述结果确定模块540根据所述目标图像块中的目标的检测位置信息和置信度确定所述目标的检测结果，包括：
115.根据所述待检测图像与所述多个图像块的位置映射关系确定所述待检测图像与所述目标图像块的位置映射关系；
116.根据所述待检测图像与所述目标图像块的位置映射关系对所述目标图像块中的目标的检测位置信息进行反向映射，得到所述待检测图像中目标的预测位置信息，并将所述预测位置信息作为所述目标的检测结果。
117.一实施例中，所述目标包括气枪火焰。
118.本发明实施例装置，通过对待检测图像进行有重叠地分割，得到多个候选图像块；利用目标检测模型对多个候选图像块分别做目标检测，得到多个候选图像块中的每个候选图像块的检测结果，每个候选图像块的检测结果包括对应候选图像块中的目标的检测位置信息和置信度；根据每个候选图像块中的目标的置信度从多个候选图像块中确定出目标图像块；根据目标图像块中的目标的检测位置信息和置信度确定目标的检测结果。即，本发明实施例，通过对待检测图像进行有重叠分割保证边缘目标的完整，并对检测目标进行多次检测，在保证目标识别的准确性的前提下，提高目标检测的速度。
119.图6为本发明实施例提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图6显示的电子设备12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。
120.如图6所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
121.总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系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(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
122.电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
123.系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
124.具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42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。程序模块42通常
执行本发明所描述的实施例中的功能和/或方法。
125.电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，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22进行。并且，电子设备12还可以通过网络适配器20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。如图所示，网络适配器20通过总线18与电子设备12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12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。
126.处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的标检测方法，该方法包括：
127.对待检测图像进行有重叠地分割，得到多个候选图像块；
128.利用目标检测模型对所述多个候选图像块分别做目标检测，得到所述多个候选图像块中的每个候选图像块的检测结果，所述每个候选图像块的检测结果包括对应候选图像块中的目标的检测位置信息和置信度；
129.根据所述每个候选图像块中的目标的置信度从所述多个候选图像块中确定出目标图像块；
130.根据所述目标图像块中的目标的检测位置信息和置信度确定所述目标的检测结果。
131.本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的目标检测方法，该方法包括：
132.对待检测图像进行有重叠地分割，得到多个候选图像块；
133.利用目标检测模型对所述多个候选图像块分别做目标检测，得到所述多个候选图像块中的每个候选图像块的检测结果，所述每个候选图像块的检测结果包括对应候选图像块中的目标的检测位置信息和置信度；
134.根据所述每个候选图像块中的目标的置信度从所述多个候选图像块中确定出目标图像块；
135.根据所述目标图像块中的目标的检测位置信息和置信度确定所述目标的检测结果。
136.本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机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。
137.计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。
138.计算机可读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、电线、光缆、rf等等，或者上述的任意合适的组合。
139.可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如java、smalltalk、c ，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
140.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。