[0001]
本申请涉及目标检测技术领域，尤其涉及一种实时更新的目标检测方法及系统、计算机可读存储介质。
背景技术：
[0002]
目标检测技术虽然很早就已经开始应用，但是由于检测技术一直无法突破，导致目标检测系统的可靠性不高。近几年，以卷积神经网络（convolutional neural network，以下简称cnn网络）为代表的深度学习算法正逐步应用于目标检测系统。但现有应用cnn网络的目标检测系统为保证目标检测的速度，通常将线下训练好的检测算法移植到系统中，仅使用检测算法进行在线预测，而无法实现检测算法的在线训练、更新与优化，这种方式很大程度影响了目标检测的准确率与可靠性。此外，由于目前目标检测技术使用线下训练的固定的检测算法，导致其鲁棒性较差，比如应用于交通路况监控的目标检测系统，在恶劣天气时，检测准确率远低于晴朗天气时的准确率。
技术实现要素：
[0003]
本申请实施例通过提供一种实时更新的目标检测方法及系统、计算机可读存储介质，解决了传统技术中目标检测的准确率与可靠性较差的问题，实现了对目标检测算法的实时更新，提高了目标检测的准确性和可靠性。
[0004]
本申请实施例提供了一种实时更新的目标检测方法，所述方法包括：获取需要检测的数字图像并利用当前卷积神经网络对所述数字图像进行目标检测，得到目标检测结果；获取对目标检测结果满足预设条件的数字图像的人工标注，并利用人工标注后的数字图像更新训练集数据库；基于更新后的训练集数据库训练当前卷积神经网络，得到更新后的卷积神经网络，并获取所述更新后的卷积神经网络在测试集数据库上的评估指标结果；若所述评估指标结果满足网络生成条件，则基于自动机器学习生成和优化新的卷积神经网络，并将所述新的卷积神经网络作为当前卷积神经网络。
[0005]
在一实施例中，所述获取需要检测的数字图像的步骤包括：将从采集到的视频流数据中取得的图像转换为数字图像，并对所述数字图像进行预处理。
[0006]
在一实施例中，在所述获取需要检测的数字图像并利用当前卷积神经网络对所述数字图像进行目标检测，得到目标检测结果的步骤之后，还包括：对所述数字图像的目标检测结果进行实时可视化输出。
[0007]
在一实施例中，所述目标检测结果包括目标识别结果、目标分类结果和目标置信度；所述预设条件为目标置信度小于预设阈值。
[0008]
在一实施例中，所述基于自动机器学习生成和优化新的卷积神经网络的步骤包
括：通过确定的优化策略引导生成新的卷积神经网络，并基于所述更新后的训练集数据库对所述新的卷积神经网络进行训练。
[0009]
在一实施例中，所述确定的优化策略为贝叶斯优化策略。
[0010]
在一实施例中，所述通过确定的优化策略引导生成新的卷积神经网络的步骤包括：随机生成预设数量的变换后的卷积神经网络，并针对每个变换后的卷积神经网络基于已使用的卷积神经网络建立高斯过程；计算每个变换后的卷积神经网络对应的高斯过程的联合概率分布的均值及方差；将所述均值及方差输入预先确定的提取函数得到每个变换后的卷积神经网络的评分，并将评分最高的卷积神经网络作为新的卷积神经网络。
[0011]
在一实施例中，所述评估指标包括目标检测准确率、精确度、召回率、交并比、接受者操作特性曲线下面积、目标分类准确率；所述网络生成条件为所述评估指标结果中得到提升的评估指标的数量小于预设值。
[0012]
本申请实施例还提供了一种实时更新的目标检测系统，所述实时更新的目标检测系统包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的实时更新的目标检测程序，所述实时更新的目标检测程序被所述处理器执行时实现如上述的实时更新的目标检测方法的步骤。
[0013]
本申请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上存储有实时更新的目标检测程序，所述实时更新的目标检测程序被处理器执行时实现如上述的实时更新的目标检测方法的步骤。
[0014]
本申请实施例中提供的一种实时更新的目标检测方法及系统、计算机可读存储介质的技术方案，至少具有如下技术效果：由于采用了获取需要检测的数字图像并利用当前卷积神经网络对所述数字图像进行目标检测，得到目标检测结果；获取对目标检测结果满足预设条件的数字图像的人工标注，并利用人工标注后的数字图像更新训练集数据库；基于更新后的训练集数据库训练当前卷积神经网络，得到更新后的卷积神经网络，并获取所述更新后的卷积神经网络在测试集数据库上的评估指标结果；若所述评估指标结果满足网络生成条件，则基于自动机器学习生成和优化新的卷积神经网络，并将所述新的卷积神经网络作为当前卷积神经网络的技术手段。所以，有效解决了传统技术中目标检测的准确率与可靠性较差的问题，实现了对目标检测算法的实时更新，提高了目标检测的准确性和可靠性。
附图说明
[0015]
图1为本申请实施例涉及的实时更新的目标检测系统的结构示意图；图2为本申请实时更新的目标检测方法的第一实施例的流程示意图；图3为本申请实时更新的目标检测方法的第二实施例的流程示意图；图4为本申请实时更新的目标检测方法的第三实施例的流程示意图。
具体实施方式
[0016]
本申请为了解决传统技术中目标检测的准确率与可靠性较差的问题，采用了获取需要检测的数字图像并利用当前卷积神经网络对所述数字图像进行目标检测，得到目标检测结果；获取对目标检测结果满足预设条件的数字图像的人工标注，并利用人工标注后的数字图像更新训练集数据库；基于更新后的训练集数据库训练当前卷积神经网络，得到更新后的卷积神经网络，并获取所述更新后的卷积神经网络在测试集数据库上的评估指标结果；若所述评估指标结果满足网络生成条件，则基于自动机器学习生成和优化新的卷积神经网络，并将所述新的卷积神经网络作为当前卷积神经网络的技术方案。实现了对目标检测算法的实时更新，提高了目标检测的准确性和可靠性。
[0017]
为了更好地理解上述技术方案，下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
[0018]
结合图1所示，其为本申请各个实施例中涉及的实时更新的目标检测系统的一种硬件结构示意图，所述实时更新的目标检测系统可以包括：处理器101、存储器102、输入单元103、输出单元104等部件。本领域技术人员可以理解，图1所示的实时更新的目标检测系统的硬件结构并不构成对所述实时更新的目标检测系统的限定，所述实时更新的目标检测系统可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0019]
下面结合图1对所述实时更新的目标检测系统的各个部件进行具体的介绍：处理器101是实时更新的目标检测系统的控制中心，连接整个实时更新的目标检测系统的各个部分，通过运行或执行存储在存储器102内的程序，以及调用存储在存储器102内的数据，执行实时更新的目标检测系统的各种功能或对数据进行处理，从而对实时更新的目标检测系统进行整体监控。
[0020]
存储器102可用于存储实时更新的目标检测系统的各种程序以及各种数据。存储器102主要包括存储程序区和存储数据区，其中，存储程序区至少存储了进行实时更新的目标检测所需的程序；存储数据区可以存储实时更新的目标检测系统的各种数据。此外，存储器102可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
[0021]
输入单元103可用于输入进行实时更新的目标检测的数据。
[0022]
输出单元104可用于输出实时更新的目标检测的可视化结果。
[0023]
在本申请实施例中，处理器101可以用于调用存储在存储器102中的实时更新的目标检测程序，并执行以下操作：获取需要检测的数字图像并利用当前卷积神经网络对所述数字图像进行目标检测，得到目标检测结果；获取对目标检测结果满足预设条件的数字图像的人工标注，并利用人工标注后的数字图像更新训练集数据库；基于更新后的训练集数据库训练当前卷积神经网络，得到更新后的卷积神经网络，并获取所述更新后的卷积神经网络在测试集数据库上的评估指标结果；若所述评估指标结果满足网络生成条件，则基于自动机器学习生成和优化新的卷积神
经网络，并将所述新的卷积神经网络作为当前卷积神经网络。
[0024]
在一实施例中，处理器101可以用于调用存储在存储器102中的实时更新的目标检测程序，并执行以下操作：将从采集到的视频流数据中取得的图像转换为数字图像，并对所述数字图像进行预处理。
[0025]
在一实施例中，处理器101可以用于调用存储在存储器102中的实时更新的目标检测程序，并执行以下操作：对所述数字图像的目标检测结果进行实时可视化输出。
[0026]
在一实施例中，所述目标检测结果包括目标识别结果、目标分类结果和目标置信度；所述预设条件为目标置信度小于预设阈值。
[0027]
在一实施例中，处理器101可以用于调用存储在存储器102中的实时更新的目标检测程序，并执行以下操作：通过确定的优化策略引导生成新的卷积神经网络，并基于所述更新后的训练集数据库对所述新的卷积神经网络进行训练。
[0028]
在一实施例中，所述确定的优化策略为贝叶斯优化策略。
[0029]
在一实施例中，处理器101可以用于调用存储在存储器102中的实时更新的目标检测程序，并执行以下操作：随机生成预设数量的变换后的卷积神经网络，并针对每个变换后的卷积神经网络基于已使用的卷积神经网络建立高斯过程；计算每个变换后的卷积神经网络对应的高斯过程的联合概率分布的均值及方差；将所述均值及方差输入预先确定的提取函数得到每个变换后的卷积神经网络的评分，并将评分最高的卷积神经网络作为新的卷积神经网络。
[0030]
在一实施例中，所述评估指标包括目标检测准确率、精确度、召回率、交并比、接受者操作特性曲线下面积、目标分类准确率；所述网络生成条件为所述评估指标结果中得到提升的评估指标的数量小于预设值。
[0031]
本实施例根据上述技术方案，采用了获取需要检测的数字图像并利用当前卷积神经网络对所述数字图像进行目标检测，得到目标检测结果；获取对目标检测结果满足预设条件的数字图像的人工标注，并利用人工标注后的数字图像更新训练集数据库；基于更新后的训练集数据库训练当前卷积神经网络，得到更新后的卷积神经网络，并获取所述更新后的卷积神经网络在测试集数据库上的评估指标结果；若所述评估指标结果满足网络生成条件，则基于自动机器学习生成和优化新的卷积神经网络，并将所述新的卷积神经网络作为当前卷积神经网络的技术手段。所以，有效解决了传统技术中目标检测的准确率与可靠性较差的问题，实现了对目标检测算法的实时更新，提高了目标检测的准确性和可靠性。
[0032]
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0033]
结合图2所示，在本申请的第一实施例中，本申请的实时更新的目标检测方法具体包括以下步骤：步骤s110，获取需要检测的数字图像并利用当前卷积神经网络对所述数字图像进行目标检测，得到目标检测结果。
[0034]
在本实施例中，对目标检测算法的实时更新是在对当前目标检测算法进行使用的过程中进行的，因此首先需要获取需要进行目标检测的数字图像并利用当前目标检测算法对所述数字图像进行目标检测。其中，所述当前目标检测算法为基于卷积层、全连接层等的卷积神经网络（如mask rcnn、yolo等卷积神经网络），并且所述卷积神经网络的网络拓扑结构、超参配置（batch size、dropout rate、kernel size等）可以通过自动机器学习算法进行实时更新与优化。
[0035]
在利用当前卷积神经网络对所述数字图像进行目标检测之后，可以得到目标检测结果。其中，所述目标检测结果至少需要包括与所述数字图像中需要进行检测的目标相关的结果和能够判断当前卷积神经网络是否存在缺陷的结果。在一实施例中，所述目标检测结果包括目标识别结果、目标分类结果和目标置信度。其中，所述目标识别结果即为目标在图像中所处区域的坐标；所述目标分类结果即为目标的类别，如汽车、行人、房屋、猫、狗等；所述目标置信度即为目标分类正确的概率，其范围为[0,1]。
[0036]
步骤s120，获取对目标检测结果满足预设条件的数字图像的人工标注，并利用人工标注后的数字图像更新训练集数据库。
[0037]
在本实施例中，在得到了需要进行目标检测的数字图像的目标检测结果之后，还需要判断当前卷积神经网络对所述数字图像的目标检测结果是否足够准确，即判断所述目标检测结果是否满足预设条件，从而判断所述当前卷积神经网络是否存在缺陷。在一实施例中，所述预设条件为目标置信度小于预设阈值，即若判断所述目标检测结果中的目标置信度小于预设阈值（如0.3），则认为所述当前卷积神经网络对与所述目标检测结果相应的数字图像的目标检测存在缺陷。此时可以将所有目标检测结果满足预设条件的数字图像存储在数据库中，而该数据库中的数字图像即代表了当前卷积神经网络有待提高的相应应用场景，之后用户可以随时对该数据库中的数字图像进行人工标注（如标注目标所处的位置和目标的类别）。在得到了用户标注的目标检测结果满足预设条件的数字图像之后，可以将所述数字图像及标注结果导入至系统的训练集数据库中，得到更新后的训练集数据库。
[0038]
步骤s130，基于更新后的训练集数据库训练当前卷积神经网络，得到更新后的卷积神经网络，并获取所述更新后的卷积神经网络在测试集数据库上的评估指标结果。
[0039]
在本实施例中，基于更新后的训练集数据库对所述当前卷积神经网络进行训练，即可得到权重值经过更新后的卷积神经网络。由于所述更新后的训练集数据库中包含了经过用户标注的目标检测结果满足预设条件的数字图像，所以更新后的卷积神经网络在相应应用场景中的目标检测准确率相较于当前卷积神经网络将会得到提升。但是对于一个具有确定的网络拓扑结构和超参配置的卷积神经网络而言，通过权重值更新带来的网络性能的提升通常都是存在上限的。若所述当前卷积神经网络已经不存在较大的提升空间，则继续进行权重值更新将不会产生很好的效果，此时需要考虑重新生成新的卷积神经网络。
[0040]
在本申请的实时更新的目标检测方法中，可以通过获取所述更新后的卷积神经网络在测试集数据库上的评估指标结果来判断所述当前卷积神经网络是否仍存在较大的提升空间，即通过判断各个评估指标是否得到提升来判断所述当前卷积神经网络是否存在较大的提升空间。在一实施例中，所述评估指标包括目标检测准确率、精确度、召回率、交并比、接受者操作特性曲线下面积、目标分类准确率。
[0041]
步骤s140，若所述评估指标结果满足网络生成条件，则基于自动机器学习生成和
优化新的卷积神经网络，并将所述新的卷积神经网络作为当前卷积神经网络。
[0042]
在本实施例中，所述网络生成条件为判断是否需要重新生成新的卷积神经网络的条件，若所述评估指标结果满足网络生成条件，则意味着所述当前卷积神经网络不存在较大的提升空间，此时需要重新生成新的卷积神经网络。而若所述评估指标结果不满足网络生成条件，则意味着所述当前卷积神经网络仍存在较大的提升空间，此时不需要重新生成新的卷积神经网络，只需要使用所述更新后的卷积神经网络代替所述当前卷积神经网络即可实现对目标检测算法的实时更新。在一实施例中，所述网络生成条件为所述评估指标结果中得到提升的评估指标的数量小于预设值。其中，所述预设值可以根据实际需要进行设置。以上述的六个评估指标为例，所述预设值可以设定为四个，也可以设定为五个或者三个。
[0043]
在本申请的实时更新的目标检测方法中，可以基于自动机器学习来生成和优化新的卷积神经网络。首先可以通过确定的优化策略引导生成新的卷积神经网络，然后基于所述更新后的训练集数据库对所述新的卷积神经网络进行训练，从而得到重新生成并进行优化的新的卷积神经网络。在一实施例中，所述确定的优化策略为贝叶斯优化策略。而在得到了新的卷积神经网络之后，只需要使用所述新的卷积神经网络代替所述当前卷积神经网络即可实现对目标检测算法的实时更新。
[0044]
上述方法的有益效果为采用了获取需要检测的数字图像并利用当前卷积神经网络对所述数字图像进行目标检测，得到目标检测结果；获取对目标检测结果满足预设条件的数字图像的人工标注，并利用人工标注后的数字图像更新训练集数据库；基于更新后的训练集数据库训练当前卷积神经网络，得到更新后的卷积神经网络，并获取所述更新后的卷积神经网络在测试集数据库上的评估指标结果；若所述评估指标结果满足网络生成条件，则基于自动机器学习生成和优化新的卷积神经网络，并将所述新的卷积神经网络作为当前卷积神经网络的技术方案。所以，有效解决了传统技术中目标检测的准确率与可靠性较差的问题，实现了对目标检测算法的实时更新，提高了目标检测的准确性和可靠性。
[0045]
结合图3所示，在本申请的第二实施例中，本申请的实时更新的目标检测方法具体包括以下步骤：步骤s211，将从采集到的视频流数据中取得的图像转换为数字图像，并对所述数字图像进行预处理。
[0046]
在本实施例中，首先可以通过摄像头采集包含需要进行目标检测的图像的视频流数据，然后对所述视频流数据进行解码，并分离出需要进行目标检测的各帧图像，最后再对所述各帧图像进行采样、量化，将所述各帧图像转换为数字图像。而在得到了所述数字图像之后，还需要对所述数字图像进行预处理。其中，所述预处理包括随机裁剪、随机翻转、随机旋转、对比度增强、色彩变换、尺寸调整、像素值归一化等。通过对所述数字图像进行预处理，可以得到经过预处理后的数字图像。
[0047]
步骤s212，利用当前卷积神经网络对所述数字图像进行目标检测，得到目标检测结果。
[0048]
步骤s220，对所述数字图像的目标检测结果进行实时可视化输出。
[0049]
在本实施例中，在利用当前卷积神经网络对所述数字图像进行目标检测，得到目标检测结果之后，可以对所述数字图像的目标检测结果进行实时可视化输出。在一实施例
中，所述目标检测结果包括目标识别结果、目标分类结果和目标置信度。此时可以对目标识别结果进行可视化输出，即在数字图像中标注出目标区域，如在输出显示的数字图像中使用方框框出目标；还可以对目标分类结果进行可视化输出，即在数字图像中标出目标类别，如在输出显示的数字图像中的方框上方标出目标类别。通过使目标检测系统的目标检测部分与可视化输出部分共享数据库，可以保证对当前目标检测算法输出的目标检测结果进行实时可视化输出。由于步骤s211和步骤s212的处理速度均能够满足25帧/秒的速度要求，因此目标检测和结果可视化输出过程的速度能够保证与视频流速度同步，即实现目标的实时检测。
[0050]
步骤s230，获取对目标检测结果满足预设条件的数字图像的人工标注，并利用人工标注后的数字图像更新训练集数据库。
[0051]
步骤s240，基于更新后的训练集数据库训练当前卷积神经网络，得到更新后的卷积神经网络，并获取所述更新后的卷积神经网络在测试集数据库上的评估指标结果。
[0052]
步骤s250，若所述评估指标结果满足网络生成条件，则基于自动机器学习生成和优化新的卷积神经网络，并将所述新的卷积神经网络作为当前卷积神经网络。
[0053]
上述方法的有益效果为在第一实施例的基础上细化了获取数字图像的步骤并增加了对目标检测结果进行实时可视化输出的步骤。所以，进一步有效解决了传统技术中目标检测的准确率与可靠性较差的问题，实现了对目标检测算法的实时更新，提高了目标检测的准确性和可靠性，还实现了对目标的实时检测。
[0054]
结合图4所示，在本申请的第三实施例中，本申请的实时更新的目标检测方法具体包括以下步骤：步骤s310，获取需要检测的数字图像并利用当前卷积神经网络对所述数字图像进行目标检测，得到目标检测结果。
[0055]
步骤s320，获取对目标检测结果满足预设条件的数字图像的人工标注，并利用人工标注后的数字图像更新训练集数据库。
[0056]
步骤s330，基于更新后的训练集数据库训练当前卷积神经网络，得到更新后的卷积神经网络，并获取所述更新后的卷积神经网络在测试集数据库上的评估指标结果。
[0057]
步骤s341，若所述评估指标结果满足网络生成条件，则通过确定的优化策略引导生成新的卷积神经网络，并基于所述更新后的训练集数据库对所述新的卷积神经网络进行训练。
[0058]
在本实施例中，所述基于自动机器学习生成和优化新的卷积神经网络的步骤包括：通过确定的优化策略引导生成新的卷积神经网络，并基于所述更新后的训练集数据库对所述新的卷积神经网络进行训练。在一实施例中，所述确定的优化策略为贝叶斯优化策略；所述步骤具体包括以下步骤：步骤a，随机生成预设数量的变换后的卷积神经网络，并针对每个变换后的卷积神经网络基于已使用的卷积神经网络建立高斯过程。
[0059]
步骤b，计算每个变换后的卷积神经网络对应的高斯过程的联合概率分布的均值及方差。
[0060]
步骤c，将所述均值及方差输入预先确定的提取函数得到每个变换后的卷积神经网络的评分，并将评分最高的卷积神经网络作为新的卷积神经网络。
[0061]
步骤d，基于所述更新后的训练集数据库对所述新的卷积神经网络进行训练。
[0062]
首先，通过卷积神经网络变换方法随机生成预设数量的变换后的卷积神经网络。其中，所述卷积神经网络变换方法可以是新增卷积层、增加现有卷积层的通道数、新增skip层等；所述预设数量可以根据实际需要进行预先设定。然后，针对每个变换后的卷积神经网络基于系统中已保存的使用过的卷积神经网络建立高斯过程（gaussian process）。其中，所述高斯过程的核函数可以自由选择，如编辑距离函数（edit-distance function）。接着计算每个变换后的卷积神经网络对应的高斯过程的联合概率分布的均值及方差，再将所述均值及方差输入预先确定的提取函数（acquisition function）得到每个变换后的卷积神经网络的评分。其中，所述预先确定的提取函数可以使用上置信界（upper-confidence bound，ucb）。最后，将所有变换后的卷积神经网络中评分最高的卷积神经网络作为新的卷积神经网络，并基于所述更新后的训练集数据库对所述新的卷积神经网络进行训练。
[0063]
假设随机生成的n个变换后的卷积神经网络表示为。系统中已保存的使用过的k个卷积神经网络表示为，其中为卷积神经网络的集合，为卷积神经网络对应的评估指标的集合；与均为k维向量，即，。每个变换后的卷积神经网络与的联合概率满足的高斯分布表示为。的核函数定义为；其中为编辑距离函数，定义为；其中，分别为，的级联层，，分别为，的skip层；为变换后的卷积神经网络的卷积层变换引入的相对原卷积神经网络的编辑距离，为变换后的卷积神经网络增加的skip层引入的相对原卷积神经网络的编辑距离，为平衡因子，可设定为固定常数值，例如。根据，计算每个变换后的卷积神经网络对应预测值的和。提取函数定义为ucb：，其中为固定常数值，例如；根据ucb，计算每个变换后的卷积神经网络的提取函数值。所有变换后的卷积神经网络中提取函
数值最高的卷积神经网络索引为，即选择作为新的卷积神经网络。基于更新后的数据库，训练新的卷积神经网络，获得该网络的最优权重值，即获得基于自动机器学习实时更新后的卷积神经网络。
[0064]
步骤s342，将所述新的卷积神经网络作为当前卷积神经网络。
[0065]
上述方法的有益效果为在第一实施例的基础上对生成和优化新的卷积神经网络的步骤进行了细化。所以，进一步有效解决了传统技术中目标检测的准确率与可靠性较差的问题，实现了对目标检测算法的实时更新，提高了目标检测的准确性和可靠性。
[0066]
基于同一发明构思，本申请实施例还提供了一种实时更新的目标检测系统，所述实时更新的目标检测系统包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的实时更新的目标检测程序，所述实时更新的目标检测程序被所述处理器执行时实现如上述的实时更新的目标检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0067]
由于本申请实施例提供的实时更新的目标检测系统，为实施本申请实施例的方法所采用的目实时更新的标检测系统，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该实时更新的目标检测系统的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的实时更新的目标检测系统都属于本申请所欲保护的范围。
[0068]
基于同一发明构思，本申请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上存储有实时更新的目标检测程序，所述实时更新的目标检测程序被处理器执行时实现如上述的实时更新的目标检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0069]
由于本申请实施例提供的计算机可读存储介质，为实施本申请实施例的方法所采用的计算机可读存储介质，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的计算机可读存储介质都属于本申请所欲保护的范围。
[0070]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
[0071]
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
[0072]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或
多个方框中指定的功能。
[0073]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
[0074]
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0075]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0076]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。