1.本公开涉及计算机
技术领域：
：，尤其涉及一种目标检测方法、装置、存储介质及电子设备。
背景技术：
：：2.目标检测是计算机视觉的一项基础任务，相关技术可以对于合法获取到的图像进行目标检测，从而可以检测出该图像中的有关目标，比如人脸、人头、车辆、飞机等。但是，相关技术进行目标检测的准确度受图像本身的光线条件的影响较大，举例来说，针对在光线条件较为特殊，比如逆光、强光的情况下拍摄到的图像，目标检测的准确度可能会显著下降。技术实现要素：3.为了解决上述至少一个技术问题，本公开提出了一种目标检测技术方案。4.根据本公开的一些实施例中，提供了一种目标检测方法，其包括：获取第一图像；利用目标检测网络对所述第一图像进行目标检测，得到目标检测结果，其中，所述目标检测网络是基于第一样本图像集和第二样本图像集训练得到的，所述第一样本图像集中的第一样本对应的标注指向所述第一样本中的目标，所述第二样本图像集中的第二样本对应的标注表征所述第二样本对应的光线条件。基于上述配置，利用目标检测网络对所述第一图像进行目标检测，而目标检测网络的训练数据包括第一样本图像集和第二样本图像集，第二样本图像集中的第二样本标注光线条件，这使得目标检测网络在进行目标检测学习的过程中，可以获取到光线条件信息，从而获取到光线条件的检测能力，伴随光线条件检测能力的学习过程对第一样本图像集和第二样本图像集中的图像的目标进行检测学习，从而使得目标检测网络基于对不同光线条件的图像的适应能力，可以对各种光线条件下得到的图像均能够准确检测出其中的目标。5.在一些可能的实施方式中，所述目标检测结果包括所述第一图像对应的光线条件，所述方法还包括：根据所述第一图像对应的光线条件，确定第二图像对应的曝光参数，所述第二图像为在获取到所述第一图像之后拍摄得到的图像。基于上述配置，可以通过获取到第一图像对应的光线条件，得到第二图像的曝光参数，从而为拍照、图像分析、图像后处理等多个应用提供支撑。比如，该曝光参数作为faceae的输出，以使得基于faceae进行拍摄的摄像设备可以基于该曝光参数拍摄得到上述第二图像，再比如，该曝光参数还可以被用于图像后处理，在获取到第二图像之后，基于该曝光参数可以对第二图像进行亮度自动调整。或者，该曝光参数还可以被用于图像分析领域，基于该曝光参数对上述第二图像进行分析。6.在一些可能的实施方式中，所述目标检测结果包括目标对象，所述方法还包括：提取所述目标对象的生物特征信息；基于所述生物特征信息，确定所述目标对象对应的账户；对所述账户执行预设操作，所述预设操作包括下述至少之一：支付操作、目标账户状态变更操作、授权操作。基于上述配置，可以通过获取到第一图像中的目标对象，完成对目标对象的识别，并且可以对目标对象的账户执行相关的各种操作，为基于目标对象的识别的相关应用提供支撑。7.在一些可能的实施方式中，所述目标检测结果包括目标对象和光线条件，所述方法还包括：对所述目标对象进行基于所述光线条件的跟踪处理。基于上述配置，可以基于光线条件进行跟踪，从而可以降低光线条件对目标跟踪的影响，显著提升目标跟踪准确度。8.在一些可能的实施方式中，所述方法还包括：获取第一网络，所述第一网络包括特征提取器和目标识别器，所述目标识别器与所述特征提取器连接；构建光线检测器和域分类器，所述光线检测器用于检测输入至所述特征提取器的图像的光线条件，所述域分类器用于预测输入至所述特征提取器的图像所属的样本集，将所述光线检测器和所述域分类器，分别与所述第一网络中的特征提取器连接，得到第二网络；基于所述第一样本图像集和所述第二样本图像集训练所述第二网络，得到所述目标检测网络。基于上述配置，基于已有的第一网络得到目标检测网络，可以通过网络复用提升目标检测网络的收敛速度，快速得到本公开实施例中的目标检测网络，该目标检测网络具备光线检测以及基于光线检测的结果进行目标检测的能力。9.在一些可能的实施方式中，所述将所述光线检测器和所述域分类器，分别与所述第一网络中的特征提取器连接，得到第二网络之前，所述方法还包括：基于所述第一样本图像集对所述第一网络进行预训练，调整所述特征提取器和所述目标识别器的参数；所述将所述光线检测器和所述域分类器，分别与所述第一网络中的特征提取器连接，得到第二网络，包括：将所述光线检测器和所述域分类器分别与调参后的特征提取器连接，得到所述第二网络。基于上述配置，第一样本图像集可以用于训练第一网络和第二网络，这部分训练数据可以复用，降低训练阶段训练数据的获取难度。第二网络基于预训练的第一网络得到，可以提升第二网络的训练速度，加速收敛。10.在一些可能的实施方式中，所述基于所述第一样本图像集和所述第二样本图像集训练所述第二网络，得到所述目标检测网络，包括：基于所述特征提取器对所述第一样本和所述第二样本分别进行特征提取，对应得到第一样本特征和第二样本特征；基于所述目标识别器对所述第一样本特征和所述第二样本特征分别进行目标识别，对应得到第一目标识别结果和第二目标识别结果；基于所述域分类器对所述第一样本特征和所述第二样本特征分别进行域分类，对应得到第一域分类结果和第二域分类结果；基于所述第一目标识别结果、所述第一域分类结果和所述第一样本对应的标注，得到第一损失；基于所述第二目标识别结果、所述第二域分类结果和所述第二样本对应的标注，得到第二损失；基于所述第一损失和所述第二损失调整所述第二网络的参数，得到所述目标检测网络。基于上述配置，可以基于两种标注完全不同的样本完成第二网络的训练，得到目标检测网络，通过学习这两种完全不同的样本中的信息并且进行知识的迁移，通过关注域信息使得训练过程体现对抗学习的思想，提升目标检测网络的检测准确度。11.在一些可能的实施方式中，所述基于所述第二目标识别结果、所述第二域分类结果和所述第二样本对应的标注，得到第二损失之前，所述方法还包括：基于所述光线检测器对所述第二样本特征进行光线条件识别，得到光线识别结果；所述基于所述第二目标识别结果、所述第二域分类结果和所述第二样本对应的标注，得到第二损失，包括：根据所述第二目标识别结果、所述光线识别结果、所述第二域分类结果和所述第二样本对应的标注，得到所述第二损失。基于上述配置，在第二损失的确定过程中，充分考虑到光线检测器、域分类器、目标识别器产生的损失，从而得到第二损失，基于第二损失优化光线检测器、域分类器、目标识别器，可以使得目标识别器的参数对于光线条件不敏感，在各种光线条件下都可以得到准确的目标识别结果。12.在一些可能的实施方式中，所述根据所述第二目标识别结果、所述光线识别结果、所述第二域分类结果和所述第二样本对应的标注，得到所述第二损失，包括：根据所述光线识别结果和所述第二样本对应的标注之间的差异，确定光线预测损失；根据所述第二域分类结果与所述第二样本对应的真实来源之间的差异，确定域预测损失；根据所述第二目标识别结果确定虚拟真值，根据所述第二目标识别结果和所述虚拟真值确定目标预测损失，所述虚拟真值用于约束所述第二目标识别结果的拟合方向；根据所述光线预测损失、所述域预测损失和所述目标预测损失，得到所述第二损失。基于上述配置，可以使用第二样本图像集作为弱监督数据对第二网络进行训练。准确刻画出光线检测器、域分类器、目标识别器在处理第二样本的情况下所产生的损失，从而可以加快训练过程中第二网络的收敛速度，提升训练出的目标检测网络在各种光线条件下的目标检测准确度。13.在一些可能的实施方式中，所述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，所述置信度表征所述锚框所对应的位置存在目标的概率，所述根据所述第二目标识别结果确定虚拟真值，包括：针对每一锚框，响应于所述锚框对应的置信度高于第一阈值的情况，将所述锚框确定为第一锚框，将所述第一锚框对应的虚拟真值确定为第一预设值，所述第一预设值表征所述第一锚框所对应的位置存在目标；响应于所述锚框对应的置信度低于第二阈值的情况，将所述锚框确定为第二锚框，将所述第二锚框对应的虚拟真值确定为第二预设值，所述第二预设值表征所述第二锚框所对应的位置不存在目标。基于上述配置，可以在能够明确确定拟合方向的情况下，明确其对应的理想拟合结果，以便于基于该理想拟合结果调整第二网络的参数，使得目标识别器的检测能力进一步提升。14.在一些可能的实施方式中，所述根据所述第二目标识别结果和所述虚拟真值确定目标预测损失，包括：针对每一第一锚框，根据所述第一锚框对应的置信度和所述第一预设值之间的差异，确定所述第一锚框对应的第一预测损失；针对每一第二锚框，根据所述第二锚框对应的置信度和所述第二预设值之间的差异，确定所述第二锚框对应的第二预测损失；根据所述第一预测损失和所述第二预测损失，确定所述目标预测损失。基于上述配置，可以仅基于第一锚框产生的第一预测损失和第二锚框产生的第二预测损失得到目标预测损失，从而使得第二网络中的参数可以在明确确定拟合方向的情况下进行进一步的拟合，避免出现错误拟合，又能够使得目标识别器的检测能力进一步提升。15.在一些可能的实施方式中，所述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，所述置信度表征所述锚框所对应的位置存在目标的概率，所述根据所述第二目标识别结果确定虚拟真值，还包括：响应于每个所述锚框对应的置信度均小于所述第一阈值，且每个所述锚框对应的置信度均高于所述第二阈值的情况，将所述目标预测损失确定为第三预设值。基于上述配置，可以避免对于不能明确拟合方向的情况下进行错误拟合，对于不存在需要进行拟合的情况，直接得到目标预测损失，而不必再进行繁琐计算，提升目标预测损失的计算速度，加快训练进程。16.在一些可能的实施方式中，所述目标检测结果包括目标对象，所述利用目标检测网络对所述第一图像进行目标检测，得到目标检测结果，包括：利用所述特征提取器对所述第一图像进行特征提取，得到所述第一图像对应的特征信息；利用所述目标识别器对所述特征信息进行目标识别，得到所述目标对象。基于上述配置，可以在不运行目标检测网络的光线检测器的情况下，快速输出目标对象，提升目标对象的检测速度，目标检测网络的目标识别器可以在各种光线条件，包括极端光线条件下得到准确的目标检测结果。17.在一些可能的实施方式中，所述目标检测结果还包括所述第一图像对应的光线条件，所述利用所述特征提取器对所述第一图像进行特征提取，得到所述第一图像对应的特征信息之后，所述方法还包括：利用所述光线检测器对所述特征信息进行光线检测，得到所述第一图像对应的光线条件。基于上述配置，可以通过目标检测网络的光线检测器实现第一图像的光线条件分析，得到准确的光线条件。18.根据本公开的另一些实施例中，提供了目标检测装置，所述装置包括：第一图像获取模块，用于获取第一图像；目标检测模块，用于利用目标检测网络对所述第一图像进行目标检测，得到目标检测结果，其中，所述目标检测网络是基于第一样本图像集和第二样本图像集训练得到的，所述第一样本图像集中的第一样本对应的标注指向所述第一样本中的目标，所述第二样本图像集中的第二样本对应的标注表征所述第二样本对应的光线条件。19.在一些可能的实施方式中，还包括应用模块，用于根据所述第一图像对应的光线条件，确定第二图像对应的曝光参数，所述第二图像为在获取到所述第一图像之后拍摄得到的图像。20.在一些可能的实施方式中，所述应用模块，用于提取所述目标对象的生物特征信息；基于所述生物特征信息，确定所述目标对象对应的账户；对所述账户执行预设操作，所述预设操作包括下述至少之一：支付操作、目标账户状态变更操作、授权操作。21.在一些可能的实施方式中，所述应用模块，用于对所述目标对象进行基于所述光线条件的跟踪处理。22.在一些可能的实施方式中，所述目标检测模块，用于获取第一网络，所述第一网络包括特征提取器和目标识别器，所述目标识别器与所述特征提取器连接；构建光线检测器和域分类器，所述光线检测器用于检测输入至所述特征提取器的图像的光线条件，所述域分类器用于预测输入至所述特征提取器的图像所属的样本集，将所述光线检测器和所述域分类器，分别与所述第一网络中的特征提取器连接，得到第二网络；基于所述第一样本图像集和所述第二样本图像集训练所述第二网络，得到所述目标检测网络。23.在一些可能的实施方式中，所述目标检测模块，用于基于所述第一样本图像集对所述第一网络进行预训练，调整所述特征提取器和所述目标识别器的参数；所述将所述光线检测器和所述域分类器，分别与所述第一网络中的特征提取器连接，得到第二网络，包括：将所述光线检测器和所述域分类器分别与调参后的特征提取器连接，得到所述第二网络。24.在一些可能的实施方式中，所述目标检测模块，用于基于所述特征提取器对所述第一样本和所述第二样本分别进行特征提取，对应得到第一样本特征和第二样本特征；基于所述目标识别器对所述第一样本特征和所述第二样本特征分别进行目标识别，对应得到第一目标识别结果和第二目标识别结果；基于所述域分类器对所述第一样本特征和所述第二样本特征分别进行域分类，对应得到第一域分类结果和第二域分类结果；基于所述第一目标识别结果、所述第一域分类结果和所述第一样本对应的标注，得到第一损失；基于所述第二目标识别结果、所述第二域分类结果和所述第二样本对应的标注，得到第二损失；基于所述第一损失和所述第二损失调整所述第二网络的参数，得到所述目标检测网络。25.在一些可能的实施方式中，所述目标检测模块，用于：基于所述光线检测器对所述第二样本特征进行光线条件识别，得到光线识别结果；所述基于所述第二目标识别结果、所述第二域分类结果和所述第二样本对应的标注，得到第二损失，包括：根据所述第二目标识别结果、所述光线识别结果、所述第二域分类结果和所述第二样本对应的标注，得到所述第二损失。26.在一些可能的实施方式中，所述目标检测模块，用于：根据所述光线识别结果和所述第二样本对应的标注之间的差异，确定光线预测损失；根据所述第二域分类结果与所述第二样本对应的真实来源之间的差异，确定域预测损失；根据所述第二目标识别结果确定虚拟真值，根据所述第二目标识别结果和所述虚拟真值确定目标预测损失，所述虚拟真值用于约束所述第二目标识别结果的拟合方向；根据所述光线预测损失、所述域预测损失和所述目标预测损失，得到所述第二损失。27.在一些可能的实施方式中，所述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，所述置信度表征所述锚框所对应的位置存在目标的概率，所述目标检测模块，用于针对每一锚框，响应于所述锚框对应的置信度高于第一阈值的情况，将所述锚框确定为第一锚框，将所述第一锚框对应的虚拟真值确定为第一预设值，所述第一预设值表征所述第一锚框所对应的位置存在目标；响应于所述锚框对应的置信度低于第二阈值的情况，将所述锚框确定为第二锚框，将所述第二锚框对应的虚拟真值确定为第二预设值，所述第二预设值表征所述第二锚框所对应的位置不存在目标。28.在一些可能的实施方式中，所述目标检测模块，用于针对每一第一锚框，根据所述第一锚框对应的置信度和所述第一预设值之间的差异，确定所述第一锚框对应的第一预测损失；针对每一第二锚框，根据所述第二锚框对应的置信度和所述第二预设值之间的差异，确定所述第二锚框对应的第二预测损失；根据所述第一预测损失和所述第二预测损失，确定所述目标预测损失。29.在一些可能的实施方式中，所述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，所述置信度表征所述锚框所对应的位置存在目标的概率，所述目标检测模块，用于响应于每个所述锚框对应的置信度均小于所述第一阈值，且每个所述锚框对应的置信度均高于所述第二阈值的情况，将所述目标预测损失确定为第三预设值。30.在一些可能的实施方式中，所述目标检测模块，用于利用所述特征提取器对所述第一图像进行特征提取，得到所述第一图像对应的特征信息；利用所述目标识别器对所述特征信息进行目标识别，得到所述目标对象。31.在一些可能的实施方式中，所述目标检测模块，用于利用所述光线检测器对所述特征信息进行光线检测，得到所述第一图像对应的光线条件。32.根据本公开的另一些实施例中，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中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现上述一些实施例中任意一项所述的一种目标检测方法。33.根据本公开的另一些实施例中，还提供了计算机程序或指令，该计算机程序或指令被处理器执行时实现上述一些实施例的一种目标检测方法。34.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。35.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。附图说明36.为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，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它附图。37.图1示出根据本公开实施例的一种目标检测方法的流程图；38.图2示出根据本公开实施例的对目标检测网络的训练方法的流程图；39.图3示出根据本公开实施例的第二网络逻辑结构框架示意图；40.图4示出根据本公开实施例的第二网络另一逻辑结构框架示意图；41.图5示出根据本公开实施例的目标检测网络的调参方法流程图；42.图6示出根据本公开实施例的目标检测装置的框图；43.图7示出根据本公开实施例的一种电子设备的框图；44.图8示出根据本公开实施例的另一种电子设备的框图。具体实施方式45.下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动的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。46.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。47.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。48.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。49.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。50.另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。51.相关技术可以对于合法获取到的图像进行目标检测，并基于目标检测的结果进行很多应用。本公开实施例并不对目标进行限定，比如，该目标可以是人脸、人头、车辆、飞机、爆炸物等，针对每类目标的目标检测都可以在相关的场景中得到充分应用，本公开实施例以人脸作为目标为例进行详述，可以理解的是其它类型的目标同样可以适用本公开的技术方案。52.以人脸为例，以人脸为目标的目标检测可以被广泛应用于各种场景之中，这些场景包括但不限于门禁场景、支付场景、安防场景、图像处理场景、基于人脸的活体检测场景等。53.以基于人脸进行门禁管理的场景为例，目标检测的方法能否准确识别人脸的能力对于该场景而言至关重要。针对在光线条件较为特殊，比如逆光、强光的情况下拍摄到的图像，难以检测到人脸，从而可能导致门禁失灵。54.再比如在图像处理场景下，可以使用faceae(autoexposure，自动曝光)算法来优化摄像设备的曝光参数。faceae算法使用人脸区域的当前平均亮度来调整摄像设备的下一帧的曝光参数。但是，当遭遇极强光，比如太阳直射或者强逆光时，图像中的人脸亮度会导致目标检测算法无法检出人脸，faceae策略会因此失效。55.显而易见，目标检测算法对于光线条件敏感，光线条件可能影响到目标检测准确度和基于目标检测的应用的执行效果，因此，本公开实施例提供了一种目标检测方法，该方法可以基于图像的光线条件对图像进行目标检测，在目标检测环节充分考虑到光线条件对检测结果的影响，从而达到在各种光线条件下都可以得到准确的检测结果的技术目的，本公开实施例的目标检测算法对光线条件不敏感，因此具有更好的对各种光线条件的适应能力和更好的鲁棒性。56.本公开实施例中的图像均为在得到各方充分授权情况下拍摄或者获取的图像，本公开实施例的技术方案也在得到各方充分授权的情况下实施。57.本公开实施例提供的目标检测方法可以由终端设备、服务器或其它类型的电子设备执行，其中，终端设备可以为用户设备(userequipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该目标检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。下面以电子设备作为执行主体为例对本公开实施例的目标检测方法进行说明。该目标检测方法以通过处理器调用存储器中存储的计算机可读指令的方式来实现。58.图1示出根据本公开实施例的一种目标检测方法的流程图，如图1所示，上述方法包括：59.s101：获取第一图像。60.第一图像是本公开实施例中目标检测方法的检测对象，本公开实施例并不对第一图像的来源进行限定，其可以为摄像设备拍摄得到的图像或者视频流的其中某个帧图像，当然也可以是来自网络或者其他设备的图像。本公开对于第一图像的图像格式也不做限定，比如，其可以是相关技术中的png(portablenetworkgraphics，便携式网络图形)图像或者tiff(tagimagefileformat，标签图像文件格式)图像。当然，本公开对于第一图像的色彩模式也不做限定。61.s102：利用目标检测网络对上述第一图像进行目标检测，得到目标检测结果，其中，上述目标检测网络是基于第一样本图像集和第二样本图像集训练得到的，上述第一样本图像集中的第一样本对应的标注指向上述第一样本中的目标，上述第二样本图像集中的第二样本对应的标注表征上述第二样本对应的光线条件。62.本公开利用目标检测网络对上述第一图像进行目标检测，而目标检测网络的训练数据包括第一样本图像集和第二样本图像集，第二样本图像集中的第二样本标注光线条件，这使得目标检测网络在进行目标检测学习的过程中，可以获取到光线条件信息，从而获取到光线条件的检测能力，伴随光线条件检测能力的学习过程对第一样本图像集和第二样本图像集中的图像的目标进行检测学习，从而使得目标检测网络基于对不同光线条件的图像的适应能力，可以对各种光线条件下得到的图像均能够准确检测出其中的目标。63.在一个实施例中，上述目标检测结果包括上述第一图像对应的光线条件。基于目标检测结果，可以进行各种相关的处理，本公开对此不做限定。比如，在一个实施例中，可以根据上述第一图像对应的光线条件，确定第二图像对应的曝光参数，上述第二图像为在获取到上述第一图像之后拍摄得到的图像。64.该曝光参数可以在多个场景中被使用，比如，可以将该曝光参数作为faceae的输出，以使得基于faceae进行拍摄的摄像设备可以基于该曝光参数拍摄得到上述第二图像。再比如，该曝光参数还可以被用于图像后处理，在获取到第二图像之后，基于该曝光参数可以对第二图像进行亮度自动调整。或者，该曝光参数还可以被用于图像分析领域，基于该曝光参数对上述第二图像进行分析。基于上述描述可知，可以通过获取到第一图像对应的光线条件，得到第二图像的曝光参数，从而为拍照、图像分析、图像后处理等多个应用提供支撑。65.在一个实施例中，上述目标检测结果还包括目标对象，基于该目标对象可以进行各种相关的处理，在一个实施例中，可以提取上述目标对象的生物特征信息；基于上述生物特征信息，确定上述目标对象对应的账户；对上述账户执行预设操作，上述预设操作包括下述至少之一：支付操作、目标账户状态变更操作、授权操作。66.以上述目标对象为人脸为例，可以提取人脸的生物特征信息，比如人脸的关键点信息，然后将提取到的生物特征信息与预设的生物信息库中存储的生物特征信息进行比对，如果比对成功，则将比对到的生物特征信息指向的账户作为目标对象的账户，从而完成对于目标对象的识别。在获取到目标对象的账户的基础上，可以进行针对该账户的支付操作、状态变更操作、授权操作等，本公开对此不做限定。基于上述内容可知，可以通过检测到的第一图像中的目标对象，完成对目标对象的识别，并且可以对目标对象的账户执行相关的各种操作，为基于目标对象的识别的相关应用提供支撑。67.在上述目标检测结果包括目标对象和光线条件的情况下，还可以对上述目标对象进行基于上述光线条件的跟踪处理。目标跟踪是计算机视觉领域的一个重要问题，目前广泛应用在体育赛事转播、安防目标跟踪等场景之中，而对露天的体育赛事或者位于室外的安防目标的拍摄结果可能受到光线条件的影响，从而影响跟踪效果，而本公开实施例中可以基于光线条件进行跟踪，从而可以降低光线条件对目标跟踪的影响，显著提升目标跟踪准确度。68.在一个实施例中，请参考图2，其示出对目标检测网络的训练方法，上述方法还包括：69.s201：获取第一网络，上述第一网络包括特征提取器和目标识别器，上述目标识别器与上述特征提取器连接。70.本公开实施例并不对第一网络进行限定，第一网络可以是预训练得到的具备目标检测能力的网络，可以是相关技术中直接用于进行目标检测的网络，基于已有的第一网络得到目标检测网络，可以通过网络复用提升目标检测网络的收敛速度，快速得到本公开实施例中的目标检测网络。71.当然，本公开实施例并不对第一网络进行限定，其可以是单阶段检测模型或两阶段检测模型，该单阶段检测模型可以为yolo模型，多分类单杆检测器(singleshotmultiboxdetector，ssd)等。该两阶段检测模型可以为快速目标识别卷积神经网络fasterrcnn系列模型。72.s202：构建光线检测器和域分类器，上述光线检测器用于检测输入至上述特征提取器的图像的光线条件，上述域分类器用于预测输入至上述特征提取器的图像所属的样本集。73.本公开在目标检测网络的训练阶段，涉及到与光线条件检测有关的知识以及与目标检测有关的知识，也就是说涉及到两种不同领域的知识，需要综合这两个知识完成目标检测，因此，在训练阶段要在网络内部进行这两种知识的迁移学习，而这一迁移学习的过程基于域分类器实现。74.s203：将上述光线检测器和上述域分类器，分别与上述第一网络中的特征提取器连接，得到第二网络。75.本公开实施例通过在第一网络的基础上进行网络结构改进，可以得到第二网络，请参考图3，其示出第二网络逻辑结构框架示意图。其中，目标识别器02、光线检测器03和域分类器04均与特征提取器01连接，也就是说，特征提取器01输出的信息可以被作为目标识别器02、光线检测器03和域分类器04的输入信息，以使得基于第二网络训练出的目标检测网络具备光线检测以及基于光线检测的结果进行目标检测的能力。76.请参考图4，其示出对第二网络的另一逻辑结构框架示意图。图4中的骨架网络(backbone)作为特征提取器的一部分，可以用于对输入的图像进行基本的特征提取。输入的图像可以来自第一样本图像集和/或第二样本图像集。本公开实施例并不限定骨架网络结构，比如可以为基本的卷积网络。与上述骨架网络连接的是特征金字塔网络(featurepyramidnetwork，fpn)，其也是作为特征提取器的一部分，可以用于提取多尺度的特征信息，从而更详细地获取到图像中的特征。该特征金字塔网络输出的信息可以输入目标识别器，该目标识别器可以预测目标的位置和类别信息，该类别信息表征目标的种类，以人脸检测为例，该类别信息表征被检测出的目标是人脸的概率。上述目标的位置通过locationhead表征，上述目标的类别信息通过classhead表征。该特征金字塔网络输出的信息还可以输入光线检测器和域分类器，从而分别预测图像的光线条件和域信息，图像的光线条件和域信息通过lightconditionhead、domainhead表征。图4中对于来自第一样本图像集的图像的处理过程通过实线表达，对于来自第二样本图像集的图像的处理过程通过虚线表达。在具体实现的时候，一个目标通过一个bboxhead表征，一个bboxhead对应一个锚框，每个锚框均具备位置、类型、光线条件和域的信息。77.s204：基于上述第一样本图像集和上述第二样本图像集训练上述第二网络，得到上述目标检测网络。78.本公开实施例中第一样本图像集的第一样本均携带目标所对应的标注，比如可以携带人脸标注。第二样本图像集的第二样本均携带光线条件标注，第一样本和第二样本可以是不同图像或者相同图像，本公开对此不做限定。可以明确的是，单独获取目标对应的标注或者光线条件的标注都是容易的，比如，本公开实施例需要获取极端光线条件，只需要在极端光线下进行拍照即可，而无需要求必须在极端光线下拍摄人脸，从而显著降低样本的获取难度。79.本公开实施例可以基于上述第一样本图像集对上述第一网络进行预训练，调整上述特征提取器和上述目标识别器的参数，也就是说，第一样本图像集可以用于训练第一网络和第二网络，这部分训练数据可以复用，降低训练阶段训练数据的获取难度。将上述光线检测器和上述域分类器分别与调参后的特征提取器连接，得到上述第二网络。第二网络基于预训练的第一网络得到，可以提升第二网络的训练速度，加速收敛。80.请参考图5，其示出对目标检测网络的调参方法流程图，具体来说，上述基于上述第一样本图像集和上述第二样本图像集训练上述第二网络，得到上述目标检测网络，包括：81.s301：基于上述特征提取器对上述第一样本和上述第二样本分别进行特征提取，对应得到第一样本特征和第二样本特征。82.s302：基于上述目标识别器对上述第一样本特征和上述第二样本特征分别进行目标识别，对应得到第一目标识别结果和第二目标识别结果。83.s303：基于上述域分类器对上述第一样本特征和上述第二样本特征分别进行域分类，对应得到第一域分类结果和第二域分类结果。84.s304：基于上述第一目标识别结果、上述第一域分类结果和上述第一样本对应的标注，得到第一损失。85.本公开实施例并不限定第一损失的确定方法，比如，根据第一目标识别结果和上述第一样本对应的标注之间的差异可以得到目标识别器产生的损失，根据第一域分类结果直接可以得到域分类器产生的损失，比如，第一样本确定是来自于第一样本图像集，但是第一域分类结果表征该第一样本来自第一样本图像集的概率只有0.8，则域分类器产生了损失。这两个损失进行加权即可得到第一损失，当然，本公开实施例并不对权值进行限定，可以根据实际情况进行设定。这目标识别器产生的损失可以使用交叉熵损失表达，交叉熵是信息论中一个重要概念，主要用于度量两个概率分布间的差异性信息。域分类器产生的损失可以使用对抗性损失adversarialadaptationloss描述，这是一种描述对抗模型的损失。86.s305：基于上述第二目标识别结果、上述第二域分类结果和上述第二样本对应的标注，得到第二损失。87.本公开实施例中，还可以基于上述光线检测器对上述第二样本特征进行光线条件识别，得到光线识别结果。根据上述第二目标识别结果、上述光线识别结果、上述第二域分类结果和上述第二样本对应的标注，得到上述第二损失。在第二损失的确定过程中，充分考虑到光线检测器、域分类器、目标识别器产生的损失，从而得到第二损失，基于第二损失优化光线检测器、域分类器、目标识别器，可以使得目标识别器的参数对于光线条件不敏感，在各种光线条件下都可以得到准确的目标识别结果。88.具体来说，上述基于上述第二目标识别结果、上述第二域分类结果和上述第二样本对应的标注，得到第二损失，包括：89.根据上述光线识别结果和上述第二样本对应的标注之间的差异，确定光线预测损失。根据上述第二域分类结果与上述第二样本对应的真实来源之间的差异，确定域预测损失。根据上述第二目标识别结果确定虚拟真值，根据上述第二目标识别结果和上述虚拟真值确定目标预测损失，上述虚拟真值用于约束上述第二目标识别结果的拟合方向。根据上述光线预测损失、上述域预测损失和上述目标预测损失，得到上述第二损失。基于上述配置，可以使用第二样本图像集作为弱监督数据对第二网络进行训练。准确刻画出光线检测器、域分类器、目标识别器在处理第二样本的情况下所产生的损失，从而可以加快训练过程中第二网络的收敛速度，提升训练出的目标检测网络在各种光线条件下的目标检测准确度。90.本公开实施例中光线预测损失也可以使用交叉熵损失表达，域预测损失可以使用对抗性损失adversarialadaptationloss描述。第二损失可以为上述光线预测损失、上述域预测损失和上述目标预测损失的加权求和结果，当然，本公开实施例并不对权值进行限定，可以根据实际情况进行设定。91.在一个实施例中，上述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，上述置信度表征上述锚框所对应的位置存在目标的概率，上述根据上述第二目标识别结果确定虚拟真值，包括：92.s201：针对每一锚框，响应于上述锚框对应的置信度高于第一阈值的情况，将上述锚框确定为第一锚框，将上述第一锚框对应的虚拟真值确定为第一预设值，上述第一预设值表征上述第一锚框所对应的位置存在目标。93.举个例子，对于锚框a，其对应的置信度为0.98，而第一阈值为0.9，也就是说该锚框a存在人脸的概率高于第一阈值，锚框a大概率存在人脸，这种情况下，可以将锚框a对应的置信度向第一预设值拟合，第一预设值表征真实存在人脸情况下对应的理想的置信度，比如第一预设值可以为1。94.s202：响应于上述锚框对应的置信度低于第二阈值的情况，将上述锚框确定为第二锚框，将上述第二锚框对应的虚拟真值确定为第二预设值，上述第二预设值表征上述第二锚框所对应的位置不存在目标。95.举个例子，对于锚框b，其对应的置信度为0.08，而第一阈值为0.1，也就是说该锚框b存在人脸的概率低于第二阈值，锚框b大概率不存在人脸，这种情况下，可以将锚框b对应的置信度向第二预设值拟合，第二预设值表征真实不存在人脸情况下对应的理想的置信度，比如第一预设值可以为0。96.当然，本公开实施例中第一阈值、第二阈值、第一预设值和第二预设值可以根据实际情况进行设定，本公开对此不做限定。基于上述配置，可以在能够明确确定拟合方向的情况下，明确其对应的理想拟合结果，以便于基于该理想拟合结果调整第二网络的参数，使得目标识别器的检测能力进一步提升。97.在一个实施例中，上述根据上述第二目标识别结果和上述虚拟真值确定目标预测损失，包括：针对每一第一锚框，根据上述第一锚框对应的置信度和上述第一预设值之间的差异，确定上述第一锚框对应的第一预测损失；针对每一第二锚框，根据上述第二锚框对应的置信度和上述第二预设值之间的差异，确定上述第二锚框对应的第二预测损失；根据上述第一预测损失和上述第二预测损失，确定上述目标预测损失。98.基于上述配置，可以仅基于第一锚框产生的第一预测损失和第二锚框产生的第二预测损失得到目标预测损失，从而使得第二网络中的参数可以在明确确定拟合方向的情况下进行进一步的拟合，避免出现错误拟合，又能够使得目标识别器的检测能力进一步提升。本公开实施例中第一预测损失和第二预测损失也都可以使用交叉熵损失表达，目标预测损失可以为这两种预测损失的加权求和结果，当然，本公开实施例并不对权值进行限定，可以根据实际情况进行设定。99.当然，在一个实施例中，响应于每个上述锚框对应的置信度均小于上述第一阈值，且每个上述锚框对应的置信度均高于上述第二阈值的情况，将上述目标预测损失确定为第三预设值。基于上述配置，可以避免对于不能明确拟合方向的情况下进行错误拟合，对于不存在需要进行拟合的情况，直接得到目标预测损失，而不必再进行繁琐计算，提升目标预测损失的计算速度，加快训练进程。本公开并不限定第三预设值的值，比如，可以将其设定为0。100.s306：基于上述第一损失和上述第二损失调整上述第二网络的参数，得到上述目标检测网络。101.本公开实施例中，可根据基于上述第一损失和上述第二损失对第二网络的网络参数进行调整，例如，可通过梯度下降法调整参数直到满足停止条件，例如，可迭代执行预定次数后停止，也可以在第一损失和第二损失均小于预设的停止阈值的情况下停止。102.请参看图4，对于第一样本集中的第一样本，可以得到目标识别器产生的损失，这一损失包括位置损失(locationloss)和类型损失(classloss)，还可以得到域预测损失(docationloss)。对于第二样本集中的第二样本，可以得到目标识别器产生的损失，这一损失包括位置损失(locationloss)和类型损失(classloss)，还可以得到域预测损失(docationloss)和光线预测损失(lightconditionloss)。基于上述配置，可以基于两种标注完全不同的样本完成第二网络的训练，得到目标检测网络，通过学习这两种完全不同的样本中的信息并且进行知识的迁移，通过关注域信息使得训练过程体现对抗学习的思想，提升目标检测网络的检测准确度。103.在训练得到目标检测网络的情况下，可以利用上述特征提取器对上述第一图像进行特征提取，得到上述第一图像对应的特征信息；利用上述目标识别器对上述特征信息进行目标识别，得到上述目标对象。基于这一配置，可以在不运行目标检测网络的光线检测器的情况下，快速输出目标对象，提升目标对象的检测速度，目标检测网络的目标识别器可以在各种光线条件，包括极端光线条件下得到准确的目标检测结果。104.如果需要获取第一图像的光线条件，可以在上述利用上述特征提取器对上述第一图像进行特征提取，得到上述第一图像对应的特征信息之后，利用上述光线检测器对上述特征信息进行光线检测，得到上述第一图像对应的光线条件。基于这一配置，可以通过目标检测网络的光线检测器实现第一图像的光线条件分析，得到准确的光线条件。105.本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格地执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。106.可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。107.此外，本公开还提供了目标检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种目标检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。108.图6示出根据本公开实施例的一种目标检测装置。如图6所示，上述装置包括：109.第一图像获取模块101，用于获取第一图像；110.目标检测模块102，用于利用目标检测网络对上述第一图像进行目标检测，得到目标检测结果，其中，上述目标检测网络是基于第一样本图像集和第二样本图像集训练得到的，上述第一样本图像集中的第一样本对应的标注指向上述第一样本中的目标，上述第二样本图像集中的第二样本对应的标注表征上述第二样本对应的光线条件。111.在一些可能的实施方式中，还包括应用模块，用于根据上述第一图像对应的光线条件，确定第二图像对应的曝光参数，上述第二图像为在获取到上述第一图像之后拍摄得到的图像。112.在一些可能的实施方式中，上述应用模块，用于提取上述目标对象的生物特征信息；基于上述生物特征信息，确定上述目标对象对应的账户；对上述账户执行预设操作，上述预设操作包括下述至少之一：支付操作、目标账户状态变更操作、授权操作。113.在一些可能的实施方式中，上述应用模块，用于对上述目标对象进行基于上述光线条件的跟踪处理。114.在一些可能的实施方式中，上述目标检测模块，用于获取第一网络，上述第一网络包括特征提取器和目标识别器，上述目标识别器与上述特征提取器连接；构建光线检测器和域分类器，上述光线检测器用于检测输入至上述特征提取器的图像的光线条件，上述域分类器用于预测输入至上述特征提取器的图像所属的样本集，将上述光线检测器和上述域分类器，分别与上述第一网络中的特征提取器连接，得到第二网络；基于上述第一样本图像集和上述第二样本图像集训练上述第二网络，得到上述目标检测网络。115.在一些可能的实施方式中，上述目标检测模块，用于基于上述第一样本图像集对上述第一网络进行预训练，调整上述特征提取器和上述目标识别器的参数；上述将上述光线检测器和上述域分类器，分别与上述第一网络中的特征提取器连接，得到第二网络，包括：将上述光线检测器和上述域分类器分别与调参后的特征提取器连接，得到上述第二网络。116.在一些可能的实施方式中，上述目标检测模块，用于基于上述特征提取器对上述第一样本和上述第二样本分别进行特征提取，对应得到第一样本特征和第二样本特征；基于上述目标识别器对上述第一样本特征和上述第二样本特征分别进行目标识别，对应得到第一目标识别结果和第二目标识别结果；基于上述域分类器对上述第一样本特征和上述第二样本特征分别进行域分类，对应得到第一域分类结果和第二域分类结果；基于上述第一目标识别结果、上述第一域分类结果和上述第一样本对应的标注，得到第一损失；基于上述第二目标识别结果、上述第二域分类结果和上述第二样本对应的标注，得到第二损失；基于上述第一损失和上述第二损失调整上述第二网络的参数，得到上述目标检测网络。117.在一些可能的实施方式中，上述目标检测模块，用于：基于上述光线检测器对上述第二样本特征进行光线条件识别，得到光线识别结果；上述基于上述第二目标识别结果、上述第二域分类结果和上述第二样本对应的标注，得到第二损失，包括：根据上述第二目标识别结果、上述光线识别结果、上述第二域分类结果和上述第二样本对应的标注，得到上述第二损失。118.在一些可能的实施方式中，上述目标检测模块，用于：根据上述光线识别结果和上述第二样本对应的标注之间的差异，确定光线预测损失；根据上述第二域分类结果与上述第二样本对应的真实来源之间的差异，确定域预测损失；根据上述第二目标识别结果确定虚拟真值，根据上述第二目标识别结果和上述虚拟真值确定目标预测损失，上述虚拟真值用于约束上述第二目标识别结果的拟合方向；根据上述光线预测损失、上述域预测损失和上述目标预测损失，得到上述第二损失。119.在一些可能的实施方式中，上述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，上述置信度表征上述锚框所对应的位置存在目标的概率，上述目标检测模块，用于针对每一锚框，响应于上述锚框对应的置信度高于第一阈值的情况，将上述锚框确定为第一锚框，将上述第一锚框对应的虚拟真值确定为第一预设值，上述第一预设值表征上述第一锚框所对应的位置存在目标；响应于上述锚框对应的置信度低于第二阈值的情况，将上述锚框确定为第二锚框，将上述第二锚框对应的虚拟真值确定为第二预设值，上述第二预设值表征上述第二锚框所对应的位置不存在目标。120.在一些可能的实施方式中，上述目标检测模块，用于针对每一第一锚框，根据上述第一锚框对应的置信度和上述第一预设值之间的差异，确定上述第一锚框对应的第一预测损失；针对每一第二锚框，根据上述第二锚框对应的置信度和上述第二预设值之间的差异，确定上述第二锚框对应的第二预测损失；根据上述第一预测损失和上述第二预测损失，确定上述目标预测损失。121.在一些可能的实施方式中，上述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，上述置信度表征上述锚框所对应的位置存在目标的概率，上述目标检测模块，用于响应于每个上述锚框对应的置信度均小于上述第一阈值，且每个上述锚框对应的置信度均高于上述第二阈值的情况，将上述目标预测损失确定为第三预设值。122.在一些可能的实施方式中，上述目标检测模块，用于利用上述特征提取器对上述第一图像进行特征提取，得到上述第一图像对应的特征信息；利用上述目标识别器对上述特征信息进行目标识别，得到上述目标对象。123.在一些可能的实施方式中，上述目标检测模块，用于利用上述光线检测器对上述特征信息进行光线检测，得到上述第一图像对应的光线条件。124.在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。125.本公开实施例还提出一种计算机可读存储介质，上述计算机可读存储介质中存储有至少一条指令或至少一段程序，上述至少一条指令或至少一段程序由处理器加载并执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。126.根据本公开的另一些实施例中，还提供了计算机程序或指令，该计算机程序或指令被处理器执行时实现上述的一种目标检测方法。127.本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，上述处理器被配置为上述方法。128.电子设备可以被提供为终端、服务器或其它形态的设备。129.图7示出根据本公开实施例的一种电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。130.参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。131.处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。132.存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。133.电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。134.多媒体组件808包括在上述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。上述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与上述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。135.音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。136.i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。137.传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如上述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。138.通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g、3g、4g、5g或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，上述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。139.在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。140.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。141.图8示出根据本公开实施例的另一种电子设备的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。142.电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。143.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。144.本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。145.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。146.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。147.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标对象代码，上述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。148.这里参照根据本公开实施例的方法、装置(系统)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/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。149.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。150.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。151.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，上述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。152.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本
技术领域：
：的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本
技术领域：
：的其它普通技术人员能理解本文披露的各实施例。当前第1页12当前第1页12
技术领域：
：，尤其涉及一种目标检测方法、装置、存储介质及电子设备。
背景技术：
：：2.目标检测是计算机视觉的一项基础任务，相关技术可以对于合法获取到的图像进行目标检测，从而可以检测出该图像中的有关目标，比如人脸、人头、车辆、飞机等。但是，相关技术进行目标检测的准确度受图像本身的光线条件的影响较大，举例来说，针对在光线条件较为特殊，比如逆光、强光的情况下拍摄到的图像，目标检测的准确度可能会显著下降。技术实现要素：3.为了解决上述至少一个技术问题，本公开提出了一种目标检测技术方案。4.根据本公开的一些实施例中，提供了一种目标检测方法，其包括：获取第一图像；利用目标检测网络对所述第一图像进行目标检测，得到目标检测结果，其中，所述目标检测网络是基于第一样本图像集和第二样本图像集训练得到的，所述第一样本图像集中的第一样本对应的标注指向所述第一样本中的目标，所述第二样本图像集中的第二样本对应的标注表征所述第二样本对应的光线条件。基于上述配置，利用目标检测网络对所述第一图像进行目标检测，而目标检测网络的训练数据包括第一样本图像集和第二样本图像集，第二样本图像集中的第二样本标注光线条件，这使得目标检测网络在进行目标检测学习的过程中，可以获取到光线条件信息，从而获取到光线条件的检测能力，伴随光线条件检测能力的学习过程对第一样本图像集和第二样本图像集中的图像的目标进行检测学习，从而使得目标检测网络基于对不同光线条件的图像的适应能力，可以对各种光线条件下得到的图像均能够准确检测出其中的目标。5.在一些可能的实施方式中，所述目标检测结果包括所述第一图像对应的光线条件，所述方法还包括：根据所述第一图像对应的光线条件，确定第二图像对应的曝光参数，所述第二图像为在获取到所述第一图像之后拍摄得到的图像。基于上述配置，可以通过获取到第一图像对应的光线条件，得到第二图像的曝光参数，从而为拍照、图像分析、图像后处理等多个应用提供支撑。比如，该曝光参数作为faceae的输出，以使得基于faceae进行拍摄的摄像设备可以基于该曝光参数拍摄得到上述第二图像，再比如，该曝光参数还可以被用于图像后处理，在获取到第二图像之后，基于该曝光参数可以对第二图像进行亮度自动调整。或者，该曝光参数还可以被用于图像分析领域，基于该曝光参数对上述第二图像进行分析。6.在一些可能的实施方式中，所述目标检测结果包括目标对象，所述方法还包括：提取所述目标对象的生物特征信息；基于所述生物特征信息，确定所述目标对象对应的账户；对所述账户执行预设操作，所述预设操作包括下述至少之一：支付操作、目标账户状态变更操作、授权操作。基于上述配置，可以通过获取到第一图像中的目标对象，完成对目标对象的识别，并且可以对目标对象的账户执行相关的各种操作，为基于目标对象的识别的相关应用提供支撑。7.在一些可能的实施方式中，所述目标检测结果包括目标对象和光线条件，所述方法还包括：对所述目标对象进行基于所述光线条件的跟踪处理。基于上述配置，可以基于光线条件进行跟踪，从而可以降低光线条件对目标跟踪的影响，显著提升目标跟踪准确度。8.在一些可能的实施方式中，所述方法还包括：获取第一网络，所述第一网络包括特征提取器和目标识别器，所述目标识别器与所述特征提取器连接；构建光线检测器和域分类器，所述光线检测器用于检测输入至所述特征提取器的图像的光线条件，所述域分类器用于预测输入至所述特征提取器的图像所属的样本集，将所述光线检测器和所述域分类器，分别与所述第一网络中的特征提取器连接，得到第二网络；基于所述第一样本图像集和所述第二样本图像集训练所述第二网络，得到所述目标检测网络。基于上述配置，基于已有的第一网络得到目标检测网络，可以通过网络复用提升目标检测网络的收敛速度，快速得到本公开实施例中的目标检测网络，该目标检测网络具备光线检测以及基于光线检测的结果进行目标检测的能力。9.在一些可能的实施方式中，所述将所述光线检测器和所述域分类器，分别与所述第一网络中的特征提取器连接，得到第二网络之前，所述方法还包括：基于所述第一样本图像集对所述第一网络进行预训练，调整所述特征提取器和所述目标识别器的参数；所述将所述光线检测器和所述域分类器，分别与所述第一网络中的特征提取器连接，得到第二网络，包括：将所述光线检测器和所述域分类器分别与调参后的特征提取器连接，得到所述第二网络。基于上述配置，第一样本图像集可以用于训练第一网络和第二网络，这部分训练数据可以复用，降低训练阶段训练数据的获取难度。第二网络基于预训练的第一网络得到，可以提升第二网络的训练速度，加速收敛。10.在一些可能的实施方式中，所述基于所述第一样本图像集和所述第二样本图像集训练所述第二网络，得到所述目标检测网络，包括：基于所述特征提取器对所述第一样本和所述第二样本分别进行特征提取，对应得到第一样本特征和第二样本特征；基于所述目标识别器对所述第一样本特征和所述第二样本特征分别进行目标识别，对应得到第一目标识别结果和第二目标识别结果；基于所述域分类器对所述第一样本特征和所述第二样本特征分别进行域分类，对应得到第一域分类结果和第二域分类结果；基于所述第一目标识别结果、所述第一域分类结果和所述第一样本对应的标注，得到第一损失；基于所述第二目标识别结果、所述第二域分类结果和所述第二样本对应的标注，得到第二损失；基于所述第一损失和所述第二损失调整所述第二网络的参数，得到所述目标检测网络。基于上述配置，可以基于两种标注完全不同的样本完成第二网络的训练，得到目标检测网络，通过学习这两种完全不同的样本中的信息并且进行知识的迁移，通过关注域信息使得训练过程体现对抗学习的思想，提升目标检测网络的检测准确度。11.在一些可能的实施方式中，所述基于所述第二目标识别结果、所述第二域分类结果和所述第二样本对应的标注，得到第二损失之前，所述方法还包括：基于所述光线检测器对所述第二样本特征进行光线条件识别，得到光线识别结果；所述基于所述第二目标识别结果、所述第二域分类结果和所述第二样本对应的标注，得到第二损失，包括：根据所述第二目标识别结果、所述光线识别结果、所述第二域分类结果和所述第二样本对应的标注，得到所述第二损失。基于上述配置，在第二损失的确定过程中，充分考虑到光线检测器、域分类器、目标识别器产生的损失，从而得到第二损失，基于第二损失优化光线检测器、域分类器、目标识别器，可以使得目标识别器的参数对于光线条件不敏感，在各种光线条件下都可以得到准确的目标识别结果。12.在一些可能的实施方式中，所述根据所述第二目标识别结果、所述光线识别结果、所述第二域分类结果和所述第二样本对应的标注，得到所述第二损失，包括：根据所述光线识别结果和所述第二样本对应的标注之间的差异，确定光线预测损失；根据所述第二域分类结果与所述第二样本对应的真实来源之间的差异，确定域预测损失；根据所述第二目标识别结果确定虚拟真值，根据所述第二目标识别结果和所述虚拟真值确定目标预测损失，所述虚拟真值用于约束所述第二目标识别结果的拟合方向；根据所述光线预测损失、所述域预测损失和所述目标预测损失，得到所述第二损失。基于上述配置，可以使用第二样本图像集作为弱监督数据对第二网络进行训练。准确刻画出光线检测器、域分类器、目标识别器在处理第二样本的情况下所产生的损失，从而可以加快训练过程中第二网络的收敛速度，提升训练出的目标检测网络在各种光线条件下的目标检测准确度。13.在一些可能的实施方式中，所述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，所述置信度表征所述锚框所对应的位置存在目标的概率，所述根据所述第二目标识别结果确定虚拟真值，包括：针对每一锚框，响应于所述锚框对应的置信度高于第一阈值的情况，将所述锚框确定为第一锚框，将所述第一锚框对应的虚拟真值确定为第一预设值，所述第一预设值表征所述第一锚框所对应的位置存在目标；响应于所述锚框对应的置信度低于第二阈值的情况，将所述锚框确定为第二锚框，将所述第二锚框对应的虚拟真值确定为第二预设值，所述第二预设值表征所述第二锚框所对应的位置不存在目标。基于上述配置，可以在能够明确确定拟合方向的情况下，明确其对应的理想拟合结果，以便于基于该理想拟合结果调整第二网络的参数，使得目标识别器的检测能力进一步提升。14.在一些可能的实施方式中，所述根据所述第二目标识别结果和所述虚拟真值确定目标预测损失，包括：针对每一第一锚框，根据所述第一锚框对应的置信度和所述第一预设值之间的差异，确定所述第一锚框对应的第一预测损失；针对每一第二锚框，根据所述第二锚框对应的置信度和所述第二预设值之间的差异，确定所述第二锚框对应的第二预测损失；根据所述第一预测损失和所述第二预测损失，确定所述目标预测损失。基于上述配置，可以仅基于第一锚框产生的第一预测损失和第二锚框产生的第二预测损失得到目标预测损失，从而使得第二网络中的参数可以在明确确定拟合方向的情况下进行进一步的拟合，避免出现错误拟合，又能够使得目标识别器的检测能力进一步提升。15.在一些可能的实施方式中，所述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，所述置信度表征所述锚框所对应的位置存在目标的概率，所述根据所述第二目标识别结果确定虚拟真值，还包括：响应于每个所述锚框对应的置信度均小于所述第一阈值，且每个所述锚框对应的置信度均高于所述第二阈值的情况，将所述目标预测损失确定为第三预设值。基于上述配置，可以避免对于不能明确拟合方向的情况下进行错误拟合，对于不存在需要进行拟合的情况，直接得到目标预测损失，而不必再进行繁琐计算，提升目标预测损失的计算速度，加快训练进程。16.在一些可能的实施方式中，所述目标检测结果包括目标对象，所述利用目标检测网络对所述第一图像进行目标检测，得到目标检测结果，包括：利用所述特征提取器对所述第一图像进行特征提取，得到所述第一图像对应的特征信息；利用所述目标识别器对所述特征信息进行目标识别，得到所述目标对象。基于上述配置，可以在不运行目标检测网络的光线检测器的情况下，快速输出目标对象，提升目标对象的检测速度，目标检测网络的目标识别器可以在各种光线条件，包括极端光线条件下得到准确的目标检测结果。17.在一些可能的实施方式中，所述目标检测结果还包括所述第一图像对应的光线条件，所述利用所述特征提取器对所述第一图像进行特征提取，得到所述第一图像对应的特征信息之后，所述方法还包括：利用所述光线检测器对所述特征信息进行光线检测，得到所述第一图像对应的光线条件。基于上述配置，可以通过目标检测网络的光线检测器实现第一图像的光线条件分析，得到准确的光线条件。18.根据本公开的另一些实施例中，提供了目标检测装置，所述装置包括：第一图像获取模块，用于获取第一图像；目标检测模块，用于利用目标检测网络对所述第一图像进行目标检测，得到目标检测结果，其中，所述目标检测网络是基于第一样本图像集和第二样本图像集训练得到的，所述第一样本图像集中的第一样本对应的标注指向所述第一样本中的目标，所述第二样本图像集中的第二样本对应的标注表征所述第二样本对应的光线条件。19.在一些可能的实施方式中，还包括应用模块，用于根据所述第一图像对应的光线条件，确定第二图像对应的曝光参数，所述第二图像为在获取到所述第一图像之后拍摄得到的图像。20.在一些可能的实施方式中，所述应用模块，用于提取所述目标对象的生物特征信息；基于所述生物特征信息，确定所述目标对象对应的账户；对所述账户执行预设操作，所述预设操作包括下述至少之一：支付操作、目标账户状态变更操作、授权操作。21.在一些可能的实施方式中，所述应用模块，用于对所述目标对象进行基于所述光线条件的跟踪处理。22.在一些可能的实施方式中，所述目标检测模块，用于获取第一网络，所述第一网络包括特征提取器和目标识别器，所述目标识别器与所述特征提取器连接；构建光线检测器和域分类器，所述光线检测器用于检测输入至所述特征提取器的图像的光线条件，所述域分类器用于预测输入至所述特征提取器的图像所属的样本集，将所述光线检测器和所述域分类器，分别与所述第一网络中的特征提取器连接，得到第二网络；基于所述第一样本图像集和所述第二样本图像集训练所述第二网络，得到所述目标检测网络。23.在一些可能的实施方式中，所述目标检测模块，用于基于所述第一样本图像集对所述第一网络进行预训练，调整所述特征提取器和所述目标识别器的参数；所述将所述光线检测器和所述域分类器，分别与所述第一网络中的特征提取器连接，得到第二网络，包括：将所述光线检测器和所述域分类器分别与调参后的特征提取器连接，得到所述第二网络。24.在一些可能的实施方式中，所述目标检测模块，用于基于所述特征提取器对所述第一样本和所述第二样本分别进行特征提取，对应得到第一样本特征和第二样本特征；基于所述目标识别器对所述第一样本特征和所述第二样本特征分别进行目标识别，对应得到第一目标识别结果和第二目标识别结果；基于所述域分类器对所述第一样本特征和所述第二样本特征分别进行域分类，对应得到第一域分类结果和第二域分类结果；基于所述第一目标识别结果、所述第一域分类结果和所述第一样本对应的标注，得到第一损失；基于所述第二目标识别结果、所述第二域分类结果和所述第二样本对应的标注，得到第二损失；基于所述第一损失和所述第二损失调整所述第二网络的参数，得到所述目标检测网络。25.在一些可能的实施方式中，所述目标检测模块，用于：基于所述光线检测器对所述第二样本特征进行光线条件识别，得到光线识别结果；所述基于所述第二目标识别结果、所述第二域分类结果和所述第二样本对应的标注，得到第二损失，包括：根据所述第二目标识别结果、所述光线识别结果、所述第二域分类结果和所述第二样本对应的标注，得到所述第二损失。26.在一些可能的实施方式中，所述目标检测模块，用于：根据所述光线识别结果和所述第二样本对应的标注之间的差异，确定光线预测损失；根据所述第二域分类结果与所述第二样本对应的真实来源之间的差异，确定域预测损失；根据所述第二目标识别结果确定虚拟真值，根据所述第二目标识别结果和所述虚拟真值确定目标预测损失，所述虚拟真值用于约束所述第二目标识别结果的拟合方向；根据所述光线预测损失、所述域预测损失和所述目标预测损失，得到所述第二损失。27.在一些可能的实施方式中，所述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，所述置信度表征所述锚框所对应的位置存在目标的概率，所述目标检测模块，用于针对每一锚框，响应于所述锚框对应的置信度高于第一阈值的情况，将所述锚框确定为第一锚框，将所述第一锚框对应的虚拟真值确定为第一预设值，所述第一预设值表征所述第一锚框所对应的位置存在目标；响应于所述锚框对应的置信度低于第二阈值的情况，将所述锚框确定为第二锚框，将所述第二锚框对应的虚拟真值确定为第二预设值，所述第二预设值表征所述第二锚框所对应的位置不存在目标。28.在一些可能的实施方式中，所述目标检测模块，用于针对每一第一锚框，根据所述第一锚框对应的置信度和所述第一预设值之间的差异，确定所述第一锚框对应的第一预测损失；针对每一第二锚框，根据所述第二锚框对应的置信度和所述第二预设值之间的差异，确定所述第二锚框对应的第二预测损失；根据所述第一预测损失和所述第二预测损失，确定所述目标预测损失。29.在一些可能的实施方式中，所述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，所述置信度表征所述锚框所对应的位置存在目标的概率，所述目标检测模块，用于响应于每个所述锚框对应的置信度均小于所述第一阈值，且每个所述锚框对应的置信度均高于所述第二阈值的情况，将所述目标预测损失确定为第三预设值。30.在一些可能的实施方式中，所述目标检测模块，用于利用所述特征提取器对所述第一图像进行特征提取，得到所述第一图像对应的特征信息；利用所述目标识别器对所述特征信息进行目标识别，得到所述目标对象。31.在一些可能的实施方式中，所述目标检测模块，用于利用所述光线检测器对所述特征信息进行光线检测，得到所述第一图像对应的光线条件。32.根据本公开的另一些实施例中，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中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现上述一些实施例中任意一项所述的一种目标检测方法。33.根据本公开的另一些实施例中，还提供了计算机程序或指令，该计算机程序或指令被处理器执行时实现上述一些实施例的一种目标检测方法。34.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。35.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。附图说明36.为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，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它附图。37.图1示出根据本公开实施例的一种目标检测方法的流程图；38.图2示出根据本公开实施例的对目标检测网络的训练方法的流程图；39.图3示出根据本公开实施例的第二网络逻辑结构框架示意图；40.图4示出根据本公开实施例的第二网络另一逻辑结构框架示意图；41.图5示出根据本公开实施例的目标检测网络的调参方法流程图；42.图6示出根据本公开实施例的目标检测装置的框图；43.图7示出根据本公开实施例的一种电子设备的框图；44.图8示出根据本公开实施例的另一种电子设备的框图。具体实施方式45.下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动的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。46.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。47.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。48.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。49.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。50.另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。51.相关技术可以对于合法获取到的图像进行目标检测，并基于目标检测的结果进行很多应用。本公开实施例并不对目标进行限定，比如，该目标可以是人脸、人头、车辆、飞机、爆炸物等，针对每类目标的目标检测都可以在相关的场景中得到充分应用，本公开实施例以人脸作为目标为例进行详述，可以理解的是其它类型的目标同样可以适用本公开的技术方案。52.以人脸为例，以人脸为目标的目标检测可以被广泛应用于各种场景之中，这些场景包括但不限于门禁场景、支付场景、安防场景、图像处理场景、基于人脸的活体检测场景等。53.以基于人脸进行门禁管理的场景为例，目标检测的方法能否准确识别人脸的能力对于该场景而言至关重要。针对在光线条件较为特殊，比如逆光、强光的情况下拍摄到的图像，难以检测到人脸，从而可能导致门禁失灵。54.再比如在图像处理场景下，可以使用faceae(autoexposure，自动曝光)算法来优化摄像设备的曝光参数。faceae算法使用人脸区域的当前平均亮度来调整摄像设备的下一帧的曝光参数。但是，当遭遇极强光，比如太阳直射或者强逆光时，图像中的人脸亮度会导致目标检测算法无法检出人脸，faceae策略会因此失效。55.显而易见，目标检测算法对于光线条件敏感，光线条件可能影响到目标检测准确度和基于目标检测的应用的执行效果，因此，本公开实施例提供了一种目标检测方法，该方法可以基于图像的光线条件对图像进行目标检测，在目标检测环节充分考虑到光线条件对检测结果的影响，从而达到在各种光线条件下都可以得到准确的检测结果的技术目的，本公开实施例的目标检测算法对光线条件不敏感，因此具有更好的对各种光线条件的适应能力和更好的鲁棒性。56.本公开实施例中的图像均为在得到各方充分授权情况下拍摄或者获取的图像，本公开实施例的技术方案也在得到各方充分授权的情况下实施。57.本公开实施例提供的目标检测方法可以由终端设备、服务器或其它类型的电子设备执行，其中，终端设备可以为用户设备(userequipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(personaldigitalassistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该目标检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。下面以电子设备作为执行主体为例对本公开实施例的目标检测方法进行说明。该目标检测方法以通过处理器调用存储器中存储的计算机可读指令的方式来实现。58.图1示出根据本公开实施例的一种目标检测方法的流程图，如图1所示，上述方法包括：59.s101：获取第一图像。60.第一图像是本公开实施例中目标检测方法的检测对象，本公开实施例并不对第一图像的来源进行限定，其可以为摄像设备拍摄得到的图像或者视频流的其中某个帧图像，当然也可以是来自网络或者其他设备的图像。本公开对于第一图像的图像格式也不做限定，比如，其可以是相关技术中的png(portablenetworkgraphics，便携式网络图形)图像或者tiff(tagimagefileformat，标签图像文件格式)图像。当然，本公开对于第一图像的色彩模式也不做限定。61.s102：利用目标检测网络对上述第一图像进行目标检测，得到目标检测结果，其中，上述目标检测网络是基于第一样本图像集和第二样本图像集训练得到的，上述第一样本图像集中的第一样本对应的标注指向上述第一样本中的目标，上述第二样本图像集中的第二样本对应的标注表征上述第二样本对应的光线条件。62.本公开利用目标检测网络对上述第一图像进行目标检测，而目标检测网络的训练数据包括第一样本图像集和第二样本图像集，第二样本图像集中的第二样本标注光线条件，这使得目标检测网络在进行目标检测学习的过程中，可以获取到光线条件信息，从而获取到光线条件的检测能力，伴随光线条件检测能力的学习过程对第一样本图像集和第二样本图像集中的图像的目标进行检测学习，从而使得目标检测网络基于对不同光线条件的图像的适应能力，可以对各种光线条件下得到的图像均能够准确检测出其中的目标。63.在一个实施例中，上述目标检测结果包括上述第一图像对应的光线条件。基于目标检测结果，可以进行各种相关的处理，本公开对此不做限定。比如，在一个实施例中，可以根据上述第一图像对应的光线条件，确定第二图像对应的曝光参数，上述第二图像为在获取到上述第一图像之后拍摄得到的图像。64.该曝光参数可以在多个场景中被使用，比如，可以将该曝光参数作为faceae的输出，以使得基于faceae进行拍摄的摄像设备可以基于该曝光参数拍摄得到上述第二图像。再比如，该曝光参数还可以被用于图像后处理，在获取到第二图像之后，基于该曝光参数可以对第二图像进行亮度自动调整。或者，该曝光参数还可以被用于图像分析领域，基于该曝光参数对上述第二图像进行分析。基于上述描述可知，可以通过获取到第一图像对应的光线条件，得到第二图像的曝光参数，从而为拍照、图像分析、图像后处理等多个应用提供支撑。65.在一个实施例中，上述目标检测结果还包括目标对象，基于该目标对象可以进行各种相关的处理，在一个实施例中，可以提取上述目标对象的生物特征信息；基于上述生物特征信息，确定上述目标对象对应的账户；对上述账户执行预设操作，上述预设操作包括下述至少之一：支付操作、目标账户状态变更操作、授权操作。66.以上述目标对象为人脸为例，可以提取人脸的生物特征信息，比如人脸的关键点信息，然后将提取到的生物特征信息与预设的生物信息库中存储的生物特征信息进行比对，如果比对成功，则将比对到的生物特征信息指向的账户作为目标对象的账户，从而完成对于目标对象的识别。在获取到目标对象的账户的基础上，可以进行针对该账户的支付操作、状态变更操作、授权操作等，本公开对此不做限定。基于上述内容可知，可以通过检测到的第一图像中的目标对象，完成对目标对象的识别，并且可以对目标对象的账户执行相关的各种操作，为基于目标对象的识别的相关应用提供支撑。67.在上述目标检测结果包括目标对象和光线条件的情况下，还可以对上述目标对象进行基于上述光线条件的跟踪处理。目标跟踪是计算机视觉领域的一个重要问题，目前广泛应用在体育赛事转播、安防目标跟踪等场景之中，而对露天的体育赛事或者位于室外的安防目标的拍摄结果可能受到光线条件的影响，从而影响跟踪效果，而本公开实施例中可以基于光线条件进行跟踪，从而可以降低光线条件对目标跟踪的影响，显著提升目标跟踪准确度。68.在一个实施例中，请参考图2，其示出对目标检测网络的训练方法，上述方法还包括：69.s201：获取第一网络，上述第一网络包括特征提取器和目标识别器，上述目标识别器与上述特征提取器连接。70.本公开实施例并不对第一网络进行限定，第一网络可以是预训练得到的具备目标检测能力的网络，可以是相关技术中直接用于进行目标检测的网络，基于已有的第一网络得到目标检测网络，可以通过网络复用提升目标检测网络的收敛速度，快速得到本公开实施例中的目标检测网络。71.当然，本公开实施例并不对第一网络进行限定，其可以是单阶段检测模型或两阶段检测模型，该单阶段检测模型可以为yolo模型，多分类单杆检测器(singleshotmultiboxdetector，ssd)等。该两阶段检测模型可以为快速目标识别卷积神经网络fasterrcnn系列模型。72.s202：构建光线检测器和域分类器，上述光线检测器用于检测输入至上述特征提取器的图像的光线条件，上述域分类器用于预测输入至上述特征提取器的图像所属的样本集。73.本公开在目标检测网络的训练阶段，涉及到与光线条件检测有关的知识以及与目标检测有关的知识，也就是说涉及到两种不同领域的知识，需要综合这两个知识完成目标检测，因此，在训练阶段要在网络内部进行这两种知识的迁移学习，而这一迁移学习的过程基于域分类器实现。74.s203：将上述光线检测器和上述域分类器，分别与上述第一网络中的特征提取器连接，得到第二网络。75.本公开实施例通过在第一网络的基础上进行网络结构改进，可以得到第二网络，请参考图3，其示出第二网络逻辑结构框架示意图。其中，目标识别器02、光线检测器03和域分类器04均与特征提取器01连接，也就是说，特征提取器01输出的信息可以被作为目标识别器02、光线检测器03和域分类器04的输入信息，以使得基于第二网络训练出的目标检测网络具备光线检测以及基于光线检测的结果进行目标检测的能力。76.请参考图4，其示出对第二网络的另一逻辑结构框架示意图。图4中的骨架网络(backbone)作为特征提取器的一部分，可以用于对输入的图像进行基本的特征提取。输入的图像可以来自第一样本图像集和/或第二样本图像集。本公开实施例并不限定骨架网络结构，比如可以为基本的卷积网络。与上述骨架网络连接的是特征金字塔网络(featurepyramidnetwork，fpn)，其也是作为特征提取器的一部分，可以用于提取多尺度的特征信息，从而更详细地获取到图像中的特征。该特征金字塔网络输出的信息可以输入目标识别器，该目标识别器可以预测目标的位置和类别信息，该类别信息表征目标的种类，以人脸检测为例，该类别信息表征被检测出的目标是人脸的概率。上述目标的位置通过locationhead表征，上述目标的类别信息通过classhead表征。该特征金字塔网络输出的信息还可以输入光线检测器和域分类器，从而分别预测图像的光线条件和域信息，图像的光线条件和域信息通过lightconditionhead、domainhead表征。图4中对于来自第一样本图像集的图像的处理过程通过实线表达，对于来自第二样本图像集的图像的处理过程通过虚线表达。在具体实现的时候，一个目标通过一个bboxhead表征，一个bboxhead对应一个锚框，每个锚框均具备位置、类型、光线条件和域的信息。77.s204：基于上述第一样本图像集和上述第二样本图像集训练上述第二网络，得到上述目标检测网络。78.本公开实施例中第一样本图像集的第一样本均携带目标所对应的标注，比如可以携带人脸标注。第二样本图像集的第二样本均携带光线条件标注，第一样本和第二样本可以是不同图像或者相同图像，本公开对此不做限定。可以明确的是，单独获取目标对应的标注或者光线条件的标注都是容易的，比如，本公开实施例需要获取极端光线条件，只需要在极端光线下进行拍照即可，而无需要求必须在极端光线下拍摄人脸，从而显著降低样本的获取难度。79.本公开实施例可以基于上述第一样本图像集对上述第一网络进行预训练，调整上述特征提取器和上述目标识别器的参数，也就是说，第一样本图像集可以用于训练第一网络和第二网络，这部分训练数据可以复用，降低训练阶段训练数据的获取难度。将上述光线检测器和上述域分类器分别与调参后的特征提取器连接，得到上述第二网络。第二网络基于预训练的第一网络得到，可以提升第二网络的训练速度，加速收敛。80.请参考图5，其示出对目标检测网络的调参方法流程图，具体来说，上述基于上述第一样本图像集和上述第二样本图像集训练上述第二网络，得到上述目标检测网络，包括：81.s301：基于上述特征提取器对上述第一样本和上述第二样本分别进行特征提取，对应得到第一样本特征和第二样本特征。82.s302：基于上述目标识别器对上述第一样本特征和上述第二样本特征分别进行目标识别，对应得到第一目标识别结果和第二目标识别结果。83.s303：基于上述域分类器对上述第一样本特征和上述第二样本特征分别进行域分类，对应得到第一域分类结果和第二域分类结果。84.s304：基于上述第一目标识别结果、上述第一域分类结果和上述第一样本对应的标注，得到第一损失。85.本公开实施例并不限定第一损失的确定方法，比如，根据第一目标识别结果和上述第一样本对应的标注之间的差异可以得到目标识别器产生的损失，根据第一域分类结果直接可以得到域分类器产生的损失，比如，第一样本确定是来自于第一样本图像集，但是第一域分类结果表征该第一样本来自第一样本图像集的概率只有0.8，则域分类器产生了损失。这两个损失进行加权即可得到第一损失，当然，本公开实施例并不对权值进行限定，可以根据实际情况进行设定。这目标识别器产生的损失可以使用交叉熵损失表达，交叉熵是信息论中一个重要概念，主要用于度量两个概率分布间的差异性信息。域分类器产生的损失可以使用对抗性损失adversarialadaptationloss描述，这是一种描述对抗模型的损失。86.s305：基于上述第二目标识别结果、上述第二域分类结果和上述第二样本对应的标注，得到第二损失。87.本公开实施例中，还可以基于上述光线检测器对上述第二样本特征进行光线条件识别，得到光线识别结果。根据上述第二目标识别结果、上述光线识别结果、上述第二域分类结果和上述第二样本对应的标注，得到上述第二损失。在第二损失的确定过程中，充分考虑到光线检测器、域分类器、目标识别器产生的损失，从而得到第二损失，基于第二损失优化光线检测器、域分类器、目标识别器，可以使得目标识别器的参数对于光线条件不敏感，在各种光线条件下都可以得到准确的目标识别结果。88.具体来说，上述基于上述第二目标识别结果、上述第二域分类结果和上述第二样本对应的标注，得到第二损失，包括：89.根据上述光线识别结果和上述第二样本对应的标注之间的差异，确定光线预测损失。根据上述第二域分类结果与上述第二样本对应的真实来源之间的差异，确定域预测损失。根据上述第二目标识别结果确定虚拟真值，根据上述第二目标识别结果和上述虚拟真值确定目标预测损失，上述虚拟真值用于约束上述第二目标识别结果的拟合方向。根据上述光线预测损失、上述域预测损失和上述目标预测损失，得到上述第二损失。基于上述配置，可以使用第二样本图像集作为弱监督数据对第二网络进行训练。准确刻画出光线检测器、域分类器、目标识别器在处理第二样本的情况下所产生的损失，从而可以加快训练过程中第二网络的收敛速度，提升训练出的目标检测网络在各种光线条件下的目标检测准确度。90.本公开实施例中光线预测损失也可以使用交叉熵损失表达，域预测损失可以使用对抗性损失adversarialadaptationloss描述。第二损失可以为上述光线预测损失、上述域预测损失和上述目标预测损失的加权求和结果，当然，本公开实施例并不对权值进行限定，可以根据实际情况进行设定。91.在一个实施例中，上述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，上述置信度表征上述锚框所对应的位置存在目标的概率，上述根据上述第二目标识别结果确定虚拟真值，包括：92.s201：针对每一锚框，响应于上述锚框对应的置信度高于第一阈值的情况，将上述锚框确定为第一锚框，将上述第一锚框对应的虚拟真值确定为第一预设值，上述第一预设值表征上述第一锚框所对应的位置存在目标。93.举个例子，对于锚框a，其对应的置信度为0.98，而第一阈值为0.9，也就是说该锚框a存在人脸的概率高于第一阈值，锚框a大概率存在人脸，这种情况下，可以将锚框a对应的置信度向第一预设值拟合，第一预设值表征真实存在人脸情况下对应的理想的置信度，比如第一预设值可以为1。94.s202：响应于上述锚框对应的置信度低于第二阈值的情况，将上述锚框确定为第二锚框，将上述第二锚框对应的虚拟真值确定为第二预设值，上述第二预设值表征上述第二锚框所对应的位置不存在目标。95.举个例子，对于锚框b，其对应的置信度为0.08，而第一阈值为0.1，也就是说该锚框b存在人脸的概率低于第二阈值，锚框b大概率不存在人脸，这种情况下，可以将锚框b对应的置信度向第二预设值拟合，第二预设值表征真实不存在人脸情况下对应的理想的置信度，比如第一预设值可以为0。96.当然，本公开实施例中第一阈值、第二阈值、第一预设值和第二预设值可以根据实际情况进行设定，本公开对此不做限定。基于上述配置，可以在能够明确确定拟合方向的情况下，明确其对应的理想拟合结果，以便于基于该理想拟合结果调整第二网络的参数，使得目标识别器的检测能力进一步提升。97.在一个实施例中，上述根据上述第二目标识别结果和上述虚拟真值确定目标预测损失，包括：针对每一第一锚框，根据上述第一锚框对应的置信度和上述第一预设值之间的差异，确定上述第一锚框对应的第一预测损失；针对每一第二锚框，根据上述第二锚框对应的置信度和上述第二预设值之间的差异，确定上述第二锚框对应的第二预测损失；根据上述第一预测损失和上述第二预测损失，确定上述目标预测损失。98.基于上述配置，可以仅基于第一锚框产生的第一预测损失和第二锚框产生的第二预测损失得到目标预测损失，从而使得第二网络中的参数可以在明确确定拟合方向的情况下进行进一步的拟合，避免出现错误拟合，又能够使得目标识别器的检测能力进一步提升。本公开实施例中第一预测损失和第二预测损失也都可以使用交叉熵损失表达，目标预测损失可以为这两种预测损失的加权求和结果，当然，本公开实施例并不对权值进行限定，可以根据实际情况进行设定。99.当然，在一个实施例中，响应于每个上述锚框对应的置信度均小于上述第一阈值，且每个上述锚框对应的置信度均高于上述第二阈值的情况，将上述目标预测损失确定为第三预设值。基于上述配置，可以避免对于不能明确拟合方向的情况下进行错误拟合，对于不存在需要进行拟合的情况，直接得到目标预测损失，而不必再进行繁琐计算，提升目标预测损失的计算速度，加快训练进程。本公开并不限定第三预设值的值，比如，可以将其设定为0。100.s306：基于上述第一损失和上述第二损失调整上述第二网络的参数，得到上述目标检测网络。101.本公开实施例中，可根据基于上述第一损失和上述第二损失对第二网络的网络参数进行调整，例如，可通过梯度下降法调整参数直到满足停止条件，例如，可迭代执行预定次数后停止，也可以在第一损失和第二损失均小于预设的停止阈值的情况下停止。102.请参看图4，对于第一样本集中的第一样本，可以得到目标识别器产生的损失，这一损失包括位置损失(locationloss)和类型损失(classloss)，还可以得到域预测损失(docationloss)。对于第二样本集中的第二样本，可以得到目标识别器产生的损失，这一损失包括位置损失(locationloss)和类型损失(classloss)，还可以得到域预测损失(docationloss)和光线预测损失(lightconditionloss)。基于上述配置，可以基于两种标注完全不同的样本完成第二网络的训练，得到目标检测网络，通过学习这两种完全不同的样本中的信息并且进行知识的迁移，通过关注域信息使得训练过程体现对抗学习的思想，提升目标检测网络的检测准确度。103.在训练得到目标检测网络的情况下，可以利用上述特征提取器对上述第一图像进行特征提取，得到上述第一图像对应的特征信息；利用上述目标识别器对上述特征信息进行目标识别，得到上述目标对象。基于这一配置，可以在不运行目标检测网络的光线检测器的情况下，快速输出目标对象，提升目标对象的检测速度，目标检测网络的目标识别器可以在各种光线条件，包括极端光线条件下得到准确的目标检测结果。104.如果需要获取第一图像的光线条件，可以在上述利用上述特征提取器对上述第一图像进行特征提取，得到上述第一图像对应的特征信息之后，利用上述光线检测器对上述特征信息进行光线检测，得到上述第一图像对应的光线条件。基于这一配置，可以通过目标检测网络的光线检测器实现第一图像的光线条件分析，得到准确的光线条件。105.本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格地执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。106.可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。107.此外，本公开还提供了目标检测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种目标检测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。108.图6示出根据本公开实施例的一种目标检测装置。如图6所示，上述装置包括：109.第一图像获取模块101，用于获取第一图像；110.目标检测模块102，用于利用目标检测网络对上述第一图像进行目标检测，得到目标检测结果，其中，上述目标检测网络是基于第一样本图像集和第二样本图像集训练得到的，上述第一样本图像集中的第一样本对应的标注指向上述第一样本中的目标，上述第二样本图像集中的第二样本对应的标注表征上述第二样本对应的光线条件。111.在一些可能的实施方式中，还包括应用模块，用于根据上述第一图像对应的光线条件，确定第二图像对应的曝光参数，上述第二图像为在获取到上述第一图像之后拍摄得到的图像。112.在一些可能的实施方式中，上述应用模块，用于提取上述目标对象的生物特征信息；基于上述生物特征信息，确定上述目标对象对应的账户；对上述账户执行预设操作，上述预设操作包括下述至少之一：支付操作、目标账户状态变更操作、授权操作。113.在一些可能的实施方式中，上述应用模块，用于对上述目标对象进行基于上述光线条件的跟踪处理。114.在一些可能的实施方式中，上述目标检测模块，用于获取第一网络，上述第一网络包括特征提取器和目标识别器，上述目标识别器与上述特征提取器连接；构建光线检测器和域分类器，上述光线检测器用于检测输入至上述特征提取器的图像的光线条件，上述域分类器用于预测输入至上述特征提取器的图像所属的样本集，将上述光线检测器和上述域分类器，分别与上述第一网络中的特征提取器连接，得到第二网络；基于上述第一样本图像集和上述第二样本图像集训练上述第二网络，得到上述目标检测网络。115.在一些可能的实施方式中，上述目标检测模块，用于基于上述第一样本图像集对上述第一网络进行预训练，调整上述特征提取器和上述目标识别器的参数；上述将上述光线检测器和上述域分类器，分别与上述第一网络中的特征提取器连接，得到第二网络，包括：将上述光线检测器和上述域分类器分别与调参后的特征提取器连接，得到上述第二网络。116.在一些可能的实施方式中，上述目标检测模块，用于基于上述特征提取器对上述第一样本和上述第二样本分别进行特征提取，对应得到第一样本特征和第二样本特征；基于上述目标识别器对上述第一样本特征和上述第二样本特征分别进行目标识别，对应得到第一目标识别结果和第二目标识别结果；基于上述域分类器对上述第一样本特征和上述第二样本特征分别进行域分类，对应得到第一域分类结果和第二域分类结果；基于上述第一目标识别结果、上述第一域分类结果和上述第一样本对应的标注，得到第一损失；基于上述第二目标识别结果、上述第二域分类结果和上述第二样本对应的标注，得到第二损失；基于上述第一损失和上述第二损失调整上述第二网络的参数，得到上述目标检测网络。117.在一些可能的实施方式中，上述目标检测模块，用于：基于上述光线检测器对上述第二样本特征进行光线条件识别，得到光线识别结果；上述基于上述第二目标识别结果、上述第二域分类结果和上述第二样本对应的标注，得到第二损失，包括：根据上述第二目标识别结果、上述光线识别结果、上述第二域分类结果和上述第二样本对应的标注，得到上述第二损失。118.在一些可能的实施方式中，上述目标检测模块，用于：根据上述光线识别结果和上述第二样本对应的标注之间的差异，确定光线预测损失；根据上述第二域分类结果与上述第二样本对应的真实来源之间的差异，确定域预测损失；根据上述第二目标识别结果确定虚拟真值，根据上述第二目标识别结果和上述虚拟真值确定目标预测损失，上述虚拟真值用于约束上述第二目标识别结果的拟合方向；根据上述光线预测损失、上述域预测损失和上述目标预测损失，得到上述第二损失。119.在一些可能的实施方式中，上述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，上述置信度表征上述锚框所对应的位置存在目标的概率，上述目标检测模块，用于针对每一锚框，响应于上述锚框对应的置信度高于第一阈值的情况，将上述锚框确定为第一锚框，将上述第一锚框对应的虚拟真值确定为第一预设值，上述第一预设值表征上述第一锚框所对应的位置存在目标；响应于上述锚框对应的置信度低于第二阈值的情况，将上述锚框确定为第二锚框，将上述第二锚框对应的虚拟真值确定为第二预设值，上述第二预设值表征上述第二锚框所对应的位置不存在目标。120.在一些可能的实施方式中，上述目标检测模块，用于针对每一第一锚框，根据上述第一锚框对应的置信度和上述第一预设值之间的差异，确定上述第一锚框对应的第一预测损失；针对每一第二锚框，根据上述第二锚框对应的置信度和上述第二预设值之间的差异，确定上述第二锚框对应的第二预测损失；根据上述第一预测损失和上述第二预测损失，确定上述目标预测损失。121.在一些可能的实施方式中，上述第二目标识别结果包括至少一个锚框，以及每一锚框对应的置信度，上述置信度表征上述锚框所对应的位置存在目标的概率，上述目标检测模块，用于响应于每个上述锚框对应的置信度均小于上述第一阈值，且每个上述锚框对应的置信度均高于上述第二阈值的情况，将上述目标预测损失确定为第三预设值。122.在一些可能的实施方式中，上述目标检测模块，用于利用上述特征提取器对上述第一图像进行特征提取，得到上述第一图像对应的特征信息；利用上述目标识别器对上述特征信息进行目标识别，得到上述目标对象。123.在一些可能的实施方式中，上述目标检测模块，用于利用上述光线检测器对上述特征信息进行光线检测，得到上述第一图像对应的光线条件。124.在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。125.本公开实施例还提出一种计算机可读存储介质，上述计算机可读存储介质中存储有至少一条指令或至少一段程序，上述至少一条指令或至少一段程序由处理器加载并执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。126.根据本公开的另一些实施例中，还提供了计算机程序或指令，该计算机程序或指令被处理器执行时实现上述的一种目标检测方法。127.本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，上述处理器被配置为上述方法。128.电子设备可以被提供为终端、服务器或其它形态的设备。129.图7示出根据本公开实施例的一种电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。130.参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。131.处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。132.存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。133.电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。134.多媒体组件808包括在上述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。上述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与上述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。135.音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。136.i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。137.传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如上述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。138.通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g、3g、4g、5g或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，上述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。139.在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。140.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。141.图8示出根据本公开实施例的另一种电子设备的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。142.电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。143.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。144.本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。145.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。146.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。147.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标对象代码，上述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。148.这里参照根据本公开实施例的方法、装置(系统)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/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。149.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。150.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。151.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，上述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。152.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本
技术领域：
：的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本
技术领域：
：的其它普通技术人员能理解本文披露的各实施例。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
