一种目标检测方法、系统、终端设备及存储介质与流程

1.本技术属于计算机应用技术领域，尤其涉及一种目标检测方法、系统、终端设备及计算机可读存储介质。


背景技术：

2.河道水域中蕴含丰富的矿产资源和生态资源。为了保护河道生态安全、指导河道治理以及规范各类水事活动，需要对河道进行监测，并准确快速地发现盗采河沙、非法捕捞等行为。
3.目前通常通过在河道区域安装监控摄像头，然后通过监测人员人眼识别是否存在盗采河沙或非法捕捞的船只，该方法需要消耗大量的人力。为了减少人力投入，目前通常基于数字图像处理并结合机器学习的目标检测算法来实现自动化检测，然而传统的目标检测算法侧重提高船只目标检测的识别正确率及定位精度上,忽视了算法的时间复杂度,导致对于复杂的图片识别的时间偏长,无法保证目标识别的时效性,导致目标检测系统的实用性偏低。


技术实现要素：

4.本技术实施例提供了一种目标检测方法、系统、终端设备及计算机可读存储介质，可以解决传统的目标检测算法的时效性差，导致目标检测系统的实用性低的问题。
5.第一方面，本技术实施例提供了一种目标检测方法，包括：
6.将河道图像输入至目标检测模型进行图像增强、特征提取、特征融合以及特征分类处理，得到所述河道图像中的目标对象以及目标对象的分类结果；
7.基于相邻帧河道图像对感兴趣的目标对象进行目标重识别。
8.在第一方面的一种实现方式中，所述目标检测模型包括数据增强模块、特征提取模块、特征融合模块以及结果预测模块。
9.在第一方面的一种实现方式中，在将河道图像输入至目标检测模型进行图像增强、特征提取、特征融合以及特征分类处理，得到所述河道图像中的目标对象以及目标对象的分类结果之前，还包括：
10.构建原始目标检测模型；
11.基于训练数据集对所述原始目标检测模型进行训练，得到训练完成的目标检测模型；
12.基于验证数据集对训练完成的目标检测模型进行验证，当验证通过时，将通过验证的目标检测模型确定为目标检测模型。
13.在第一方面的一种实现方式中，所述构建原始目标检测模型之后，还包括：
14.获取样本数据集，并将所述样本数据集分为训练数据集和验证数据集。
15.在第一方面的一种实现方式中，所述基于相邻帧河道图像对感兴趣的目标对象进行目标重识别，包括：
16.根据目标对象的分类结果确定感兴趣的目标对象；
17.获取感兴趣的目标对象的位置信息；
18.根据所述感兴趣的目标对象的位置信息确定出相邻帧河道图像的感兴趣区域；
19.根据所述感兴趣的目标对象的图像和相邻帧河道图像的感兴趣区域的图像进行特征匹配检测，若特征匹配成功，则确定目标对象被重识别。
20.在第一方面的一种实现方式中，所述根据所述感兴趣的目标对象的图像和相邻帧河道图像的感兴趣区域的图像进行特征匹配检测，若特征匹配成功，则确定目标对象被重识别，包括：
21.通过特征匹配算法对感兴趣的目标对象的图像和相邻帧河道图像的感兴趣区域的图像进行特征匹配检测。
22.在第一方面的一种实现方式中，在基于相邻帧河道图像对感兴趣的目标对象进行目标重识别之后，还包括：
23.对重识别的目标对象进行轨迹追踪。
24.第二方面，本技术实施例提供了一种目标检测系统，包括：
25.检测单元，用于将河道图像输入至目标检测模型进行图像增强、特征提取、特征融合以及特征分类处理，得到所述河道图像中的目标对象以及目标对象的分类结果；
26.重识别单元，用于基于相邻帧河道图像对感兴趣的目标对象进行目标重识别。
27.第三方面，本技术实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的目标检测方法的步骤。
28.第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的目标检测方法的步骤。
29.第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备可执行上述第一方面中任一项所述的目标检测方法。
30.本技术实施例与现有技术相比存在的有益效果是：
31.本技术实施例提供的一种目标检测方法，能够通过目标检测模型快速从河道图像中初步识别出目标对象，然后在基于相邻帧河道监控视频图像对感兴趣的目标对象进行目标重识别以提高识别准确度，从而能够快速地从河道监控视频图像中确定出需要轨迹追踪的目标类型的船只，有效减低了目标检测系统检测时间，提高了目标检测系统的实用性。
附图说明
32.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
33.图1是本技术一实施例提供的目标检测方法的应用场景示意图；
34.图2是本技术一实施例提供的一种目标检测方法的实现流程示意图；
35.图3示出本技术一实施例提供的focus单元对输入的河道图像进行切片的示意图；
36.图4示出本技术一实施例提供的csp单元的结构示意图；
37.图5示出本技术一实施例提供的另一种目标检测方法的实现流程示意图；
38.图6示出本技术一实施例提供的目标检测系统的结构示意图；
39.图7是本技术一实施例提供的终端设备的结构示意图。
具体实施方式
40.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、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
41.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
42.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中
43.的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
44.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0045]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0046]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0047]
本技术实施例提供的目标检测方法主要应用于对河道中船只的检测，用于检测出河道中的船只并确定出船只的类别，再基于此确定出被检测出的船只是否为目标类型的船只(感兴趣的目标对象)，这里的目标类型的船只是指进行河砂盗采或非法捕捞的船只，如果是目标类型的船只则可以进行轨迹追踪，以便执法人员进行处理。
[0048]
目前的船只自动检测主要应用在海面船只检测，首先可以通过无人机等能够采集海面图像的摄像装置获取海面图像，然后进行海陆分割，得到海平面图像，然后基于海平面图像使用预设分类器来进行海上船只的识别。然而，这种方法只适用于背景差异小的场景(即海面)才能有效的进行海陆分割，且还需要通过分类器进行分类等多个步骤，算法复杂，操作繁琐，导致目标检测系统的实用性偏低，而且对于遍布人类活动和建筑的河道这一背景差异大，背景元素复杂的场景，也很难以图像分割的方式来获取精准的目标区域(河面)和背景区域(河边等区域)。
[0049]
基于此，本技术实施例提供了一种目标检测方法，通过目标检测模型快速从河道图像中初步识别出目标对象，然后在基于相邻帧河道监控视频图像对感兴趣的目标对象进行目标重识别以提高识别准确度，从而能够快速地从河道监控视频图像中确定出需要轨迹追踪的目标类型的船只，有效减低了目标检测系统检测时间，提高了目标检测系统的实用性。
[0050]
以下将结合附图对本技术实施例提供的目标检测方法进行示例性说明：
[0051]
请参阅图1，图1是本技术一实施例提供的目标检测方法的应用场景示意图。如图1所示，上述目标检测方法的执行主体可以是图1中的目标检测系统10，上述目标检测系统10可以与用于采集河道图像的监控设备20通信连接。通过监控设备20采集河道图像/视频，然后将采集到的河道图像/视频发送给目标检测系统10，由目标检测系统10执行本技术实施例提供的目标检测方法实现从河道图像中检测出目标类型的船只。
[0052]
在本技术实施例中，上述目标检测系统10可以是终端设备或服务器，上述终端设备可以是电脑、手机、平板电脑、台式电脑、智能可穿戴设备等电子设备，上述服务器可以是传统服务器，也可以是云服务器，在此不作具体限定。
[0053]
需要说明的是，上述的应用场景仅为方便理解所作的示例，可以理解的是，本技术实施例不仅局限于上述应用场景。
[0054]
下面将对本技术实施例提供的目标检测方法进行详细说明，在本技术实施例中上述目标检测方法的执行主体可以上述目标检测系统。
[0055]
请参阅图2，图2示出了本技术实施例提供的一种目标检测方法的实现流程示意图。如图2所示，本技术一实施例提供的目标检测方法可以包括s11～s12，详述如下：
[0056]
s11：将河道图像输入至目标检测模型进行图像增强、特征提取、特征融合以及特征分类处理，得到所述河道图像中的目标对象以及目标对象的分类结果。
[0057]
在本技术实施例中，目标检测系统与监控设备可以实时通信，以便于监控设备实时将采集得到的河道视频/图像发送给目标检测系统，由目标检测系统进行处理。当监控设备采集到的是河道视频时，目标检测系统可以对该河道视频进行分帧处理，以得到每帧河道图像，然后基于河道图像进行目标检测。
[0058]
在本技术实施例中，上述目标检测模型能够对输入的河道图像进行一系类的处理，最终输出该河道图像中的目标对象的位置以及目标对象的分类结果。
[0059]
在本技术一实施例中，上述目标检测模型采用基于单阶段检测的yolo(you only look once)算法来实现目标对象的检测。相比rcnn，fast rcnn这些two stage的方法，yolo仅仅需要扫描一遍图像就能确定感兴趣区域，并进行分类。
[0060]
在具体实现中，上述目标检测模型可以采用yolov5算法来实现目标对象的快速检测，采用yolov5算法能够直接快速地输出检测结果，保证检测的实时性。此外，yolov5算法对河道图像的像素尺寸也没有要求，可以适应多种不同的图像尺寸，适用性高。
[0061]
在本技术一实施例中，上述目标检测模型可以包括数据增强模块、特征提取模块、特征融合模块以及结果预测模块。
[0062]
上述数据增强模块通过对输入的河道图像进行随机缩放、随机裁剪和随机排布的方式进行拼接，以此来增强小目标物体的检测效果。需要说明的是，上述数据增强模块还可以对输入的河道图像进行旋转、亮度调整等处理。
[0063]
在本技术一实施例中，由于本技术实施例是针对河道图像进行船只的识别，输入的河道图像的尺寸基本不变，图像中待检测目标(船只)的目标尺寸也在较小的范围内浮动，因此本技术实施例根据船只尺寸的统计数据，预设一最优初始锚框尺寸，无需由目标检测模型自适应检测目标确定锚框尺寸，减少目标检测模型的计算量，提高检测效率。
[0064]
在具体应用中，通过聚类算法从数据集中进行聚类计算，得到船只尺寸，并根据船只尺寸确定最优初始锚框尺寸。
[0065]
在本技术实施例中，对于输入不同尺寸的河道图像，通过自适应图像缩放剪裁的方法，将不同尺寸的河道图像缩放剪裁到统一的标准尺寸。
[0066]
在本技术一实施例中，上述特征提取模块包括焦点式(focus)单元和跨阶段局部网络单元(cross stage partial，csp)。
[0067]
上述focus单元用于将输入图像切分为4片并拼接成特征图。请参阅图3，图3示出了focus单元对输入的河道图像进行切片的示意图。如图3所示，focus单元可以将n*n*3的输入图像，通过切片操作变成(n/2)*(n/2)*(3*4)的特征图。
[0068]
通过focus单元进行切片操作后的特征图输入至csp单元进行特征提取。
[0069]
请参阅图4，图4示出了本技术实施例提供的csp单元的结构示意图。如图4所示，上述csp单元主要包括cbl组件、残差组件、卷积层、批归一化层以及leaky relu激活层。
[0070]
其中，cbl组件是由卷积层、批归一化层和leaky relu激活层组成的结构。
[0071]
在本技术一实施例中，上述特征融合模块包括特征金字塔网络(feature pyramid network，fpn)，通过特征金字塔网络将csp单元提取到的特征进行浅层特征和深层特征的融合，得到融合后的图像特征。
[0072]
在本技术一实施例中，上述结果预测模块基于特征金字塔网络输出的融合后的图像特征进行目标定位和目标分类预测，确定出输入图像(河道图像)中的目标对象以及目标对象的分类结果。
[0073]
需要说明的是，目标对象的分类结果是指识别出的船只属于哪一类船只，船只的分类可以参见已有的分类标准，本技术对此不加以限制。
[0074]
在本技术实施例中，上述目标检测模型是完成训练和验证后可以直接用于船只目标检测的检测模型。
[0075]
在本技术一实施例中，上述目标检测方法在步骤s11之前还包括以下步骤：
[0076]
构建原始目标检测模型；
[0077]
基于训练数据集对所述原始目标检测模型进行训练，得到训练完成的目标检测模型；
[0078]
基于验证数据集对训练完成的目标检测模型进行验证，当验证通过时，将通过验证的目标检测模型确定为目标检测模型。
[0079]
在本技术实施例中，构建的原始目标检测模型的结构与s11中的目标检测模型的结构相同。即同样包括数据增强模块、特征提取模块、特征融合模块以及结果预测模块。
[0080]
在本技术一实施例中，在构建原始目标检测模型之后，还可以包括以下步骤：
[0081]
获取样本数据集，并将所述样本数据集分为训练数据集和验证数据集。
[0082]
在本技术实施例中，上述样本数据集包括在特定河道拍摄的存在船只的监控视频数据、公开的seaship数据集和boats数据集。
[0083]
对样本数据集中的监控视频数据进行人工标注，标注出监控视频数据中每一帧河道图像内的船只的位置和类别。
[0084]
在具体实现中，先将上述样本数据集分为训练数据集和验证数据集，具体可以根据样本数据集的数据量按预设比例进行划分，例如按7:3的比例进行划分，即将样本数据集中70％的数据作为训练数据集，将样本数据集中30％的数据作为验证数据集。
[0085]
在本技术实施例中，使用二元交叉熵逻辑损失函数(binary crossentropy withlogits)计算目标对象的位置得分损失，使用交叉熵损失函数(crossentropy)计算目标对象的分类损失，使用广义交并比损失函数(generalized intersection over union)计算边界框的损失，在目标检测的后处理中，使用非极大值抑制应对目标重叠的情况。在训练过程中，将训练数据集中的训练图像输入到待训练的原始目标检测模型中进行处理，得到待训练的原始目标检测模型输入的目标对象的位置和分类结果，然后与人工标注的目标对象的位置和分类结果进行比对，不断调整原始目标检测模型的参数，使得上述三个损失函数收敛，完成训练过程。
[0086]
在实际应用中，使用自适应优化算法对待训练的原始目标检测模型进行快速训练，能够有效提高计算效率，解决梯度消失和模型陷入局部最优的问题。例如基于rmsprop等优化器使用自适应的优化算法，以应对学习率较小，梯度过大等问题，经过迭代训练就得到训练完成的目标检测模型。
[0087]
在本技术实施例中，将验证数据集中的数据输入到训练完成的目标检测模型中进行处理，以验证模型效果。
[0088]
在实际应用中，采用平均精度(mean average precision，map)作为衡量识别精度的指标。基于平均精度来判断训练完成的目标检测模型是否合格，当平均精度超过阈值，则表明验证通过，当验证通过时，将通过验证的目标检测模型确定为完成训练和验证的目标检测模型，即s11中的目标检测模型。
[0089]
s12：基于相邻帧河道图像对感兴趣的目标对象进行目标重识别。
[0090]
在本技术实施例中，由于河道图像中会存在多个目标对象，在s11输出的河道图像中的包含多个目标对象，且输出了每个目标对象位置和分类结果。先基于目标对象的分类结果确定出感兴趣的目标对象，然后通过相邻帧河道图像对感兴趣的目标对象进行目标重识别，以确保识别精度。
[0091]
在本技术一实施例中，上述s12可以包括以下步骤：
[0092]
根据目标对象的分类结果确定感兴趣的目标对象；
[0093]
获取感兴趣的目标对象的位置信息；
[0094]
根据所述感兴趣的目标对象的位置信息确定出相邻帧河道图像的感兴趣区域；
[0095]
根据所述感兴趣的目标对象的图像和相邻帧河道图像的感兴趣区域的图像进行特征匹配检测，若特征匹配成功，则确定目标对象被重识别。
[0096]
在本技术实施例中，在视频的相邻两帧图像中，目标不会出现无视常理的运动，即检测到的目标对象在两帧图像中会出现在相近的位置。因此在通过s11识别出河道图像中的目标对象后，可以先根据目标检测模型对目标对象的分类结果来确定目标对象是不是感兴趣的目标对象，只有分类结果与预设感兴趣分类一致的目标对象，才会被确定为感兴趣的目标对象。然后根据目标检测模块输出的该感兴趣的目标对象的位置信息确定出相邻河
道图像的感兴趣区域，即与当前帧输出的目标对象的相近或相同位置框选出感兴趣区域，然后根据感兴趣的目标对象的和相邻帧河道图像的感兴趣区域的图像进行特征匹配检测，如果特征匹配成功，就说明目标对象被重识别，即该目标对象确实存在。而且对于相邻位置存在多个目标对象的情况也能进行有效地区分，避免目标对象混淆的情况，提高目标检测的准确度。
[0097]
在实际应用中，上述预设感兴趣分类可以是采砂船和捕捞船。即如果目标对象的分类结果为采砂船，则该目标对象为感兴趣的目标对象。
[0098]
在实际应用中，上述相邻帧河道图像可以是上一帧河道图像也可以是下一帧河道图像，本技术对此不加以限制。
[0099]
在本技术一实施例中，可以通过特征匹配算法对感兴趣的目标对象的图像和相邻帧河道图像的感兴趣区域的图像进行特征匹配检测。上述特征匹配算法可以是surf特征匹配算法。
[0100]
surf特征匹配算法的实现过程如下：
[0101]
构建海森矩阵，生成所有的感兴趣点；构建尺度空间；特征点定位；特征点主方向匹配；生成特征点描述子；根据特征点描述子进行特征点匹配。
[0102]
需要说明的是，还可以使用其他特征匹配算法来实现上述特征匹配检测，例如orb特征描述算法或haar特征检测算法等，本技术对此不加以限制。
[0103]
以上可以看出，本技术实施例提供的目标检测方法，通过目标检测模型快速从河道图像中初步识别出目标对象，然后在基于相邻帧河道监控视频图像对感兴趣的目标对象进行目标重识别以提高识别准确度，从而能够快速地从河道监控视频图像中确定出需要轨迹追踪的目标类型的船只，有效减低了目标检测系统检测时间，提高了目标检测系统的实用性。
[0104]
请参阅图5，图5示出了本技术另一实施例提供的目标检测方法的实现流程示意图。如图5所示，区别于上一实施例，本技术实施例提供的目标检测方法还包括以下步骤：
[0105]
s13：对重识别的目标对象进行轨迹追踪。
[0106]
在本技术实施例中，可以基于光流法来实现目标对象的轨迹追踪。
[0107]
在具体应用中，对于重识别的目标对，使用稀疏光流法(sparse optical flow)进行图像配准，进而实现轨迹追踪，便于执法人员进行处理。
[0108]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0109]
对应于上文实施例所述的一种目标检测方法，图6示出了本技术一实施例提供的目标检测系统的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。参照图6，该目标检测系统60包括：检测单元61和重识别单元62。其中：
[0110]
检测单元61用于将河道图像输入至目标检测模型进行图像增强、特征提取、特征融合以及特征分类处理，得到所述河道图像中的目标对象以及目标对象的分类结果。
[0111]
重识别单元62用于基于相邻帧河道图像对感兴趣的目标对象进行目标重识别。
[0112]
在本技术一个实施例中，上述目标检测系统60还包括构建单元、训练单元和验证单元。其中：
[0113]
构建单元用于构建原始目标检测模型。
[0114]
训练单元用于基于训练数据集对所述原始目标检测模型进行训练，得到训练完成的目标检测模型。
[0115]
验证单元用于基于验证数据集对训练完成的目标检测模型进行验证，当验证通过时，将通过验证的目标检测模型确定为目标检测模型。
[0116]
在本技术一个实施例中，上述目标检测系统60还包括获取单元。
[0117]
获取单元用于获取样本数据集，并将所述样本数据集分为训练数据集和验证数据集。
[0118]
在本技术一个实施例中，所述重识别单元62具体用于：根据目标对象的分类结果确定感兴趣的目标对象；获取感兴趣的目标对象的位置信息；根据所述感兴趣的目标对象的位置信息确定出相邻帧河道图像的感兴趣区域；根据所述感兴趣的目标对象的图像和相邻帧河道图像的感兴趣区域的图像进行特征匹配检测，若特征匹配成功，则确定目标对象被重识别。
[0119]
在本技术一个实施例中，上述目标检测系统60还包括追踪单元。
[0120]
追踪单元用于对重识别的目标对象进行轨迹追踪。
[0121]
以上可以看出，本技术实施例提供的一种目标检测系统，同样能够通过目标检测模型快速从河道图像中初步识别出目标对象，然后在基于相邻帧河道监控视频图像对感兴趣的目标对象进行目标重识别以提高识别准确度，从而能够快速地从河道监控视频图像中确定出需要轨迹追踪的目标类型的船只，有效减低了目标检测系统检测时间，提高了目标检测系统的实用性。
[0122]
图7为本技术一实施例提供的终端设备的结构示意图。如图7所示，该实施例的终端设备7包括：至少一个处理器70(图7中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现上述任意一种目标检测方法实施例中的步骤。
[0123]
本领域技术人员可以理解，图7仅仅是终端设备7的举例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0124]
所称处理器70可以是中央第一处理单元(central processing unit，cpu)，该处理器70还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
[0125]
所述存储器71在一些实施例中可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71在另一些实施例中也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序
的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
[0126]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述任意一种目标检测方法实施例中的步骤。
[0127]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时可实现上述任意一种目标检测方法实施例中的步骤。
[0128]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0129]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述任意一种目标检测方法实施例中的步骤。
[0130]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述任意一种目标检测方法实施例中的步骤。
[0131]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个第一处理单元中，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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0132]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0133]
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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技术的范围。
[0134]
在本技术所提供的实施例中，应该理解到，所揭露的目标检测系统和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0135]
所述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例方案的目的。
[0136]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。