群体智能的对象检测方法、存储介质和处理器与流程

1.本发明涉及计算机领域，具体而言，涉及一种群体智能的对象检测方法、存储介质和处理器。


背景技术：

2.目前，在对对象进行检测时，可以是对占道经营进行检测，这通常是通过人力资源进行实现，效率低。
3.另外，还可以基于目标检测算法对对象进行检测，但这也只能识别疑似对象的轨迹和时长，对对象是否真正不合格的检测能力还比较欠缺，难以判断对象的行为，容易造成误报，从而存在对对象进行检测的准确度低的技术问题。
4.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种群体智能的对象检测方法、存储介质和处理器，以至少解决对对象进行检测的准确度的技术问题。
6.根据本发明实施例的一个方面，提供了一种群体智能的对象检测方法。该方法可以包括：获取目标图像；从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息；基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程；基于目标模型的目标参数确定第一目标对象是否合格。
7.根据本发明实施例的一个方面，还提供了另一种群体智能的对象检测方法。该方法可以包括：响应作用于交互界面上的视频输入指令，获取目标视频；响应作用于交互界面上的检测指令，输出检测结果，其中，检测结果用于表示目标视频中第一目标对象是否合格，且基于目标模型的目标参数确定，目标模型为由目标视频中的目标数据训练得到，目标数据用于表示第一目标对象的行为信息。
8.根据本发明实施例的一个方面，还提供了另一种群体智能的对象检测方法。该方法可以包括：通过调用第一接口获取目标图像，其中，第一接口包括第一参数，第一参数的参数值为目标图像；从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息；基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程；基于目标模型的目标参数确定第一目标对象是否合格，得到检测结果；通过调用第二接口输出检测结果，其中，第二接口包括第二参数，第二参数的参数值为检测结果。
9.根据本发明实施例的一个方面，还提供了一种群体智能的对象检测装置。该装置可以包括：第一获取单元，用于获取目标图像；第一提取单元，用于从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息；第一训练单元，用于基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程；第一确定单元，用于基于目标模型的目标参数确定第一目标对象是否合格。
10.根据本发明实施例的一个方面，还提供了另一种群体智能的对象检测装置。该装
置可以包括：第二获取单元，用于响应作用于交互界面上的视频输入指令，获取目标视频；输出单元，用于响应作用于交互界面上的检测指令，输出检测结果，其中，检测结果用于表示目标视频中第一目标对象是否合格，且基于目标模型的目标参数确定，目标模型为由目标视频中的目标数据训练得到，目标数据用于表示第一目标对象的行为信息。
11.根据本发明实施例的一个方面，还提供了另一种群体智能的对象检测装置。该装置可以包括：第一调用单元，用于通过调用第一接口获取目标图像，其中，第一接口包括第一参数，第一参数的参数值为目标图像；第二提取单元，用于从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息；第二训练单元，用于基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程；第二确定单元，用于基于目标模型的目标参数确定第一目标对象是否合格，得到检测结果；第二调用单元，用于通过调用第二接口输出检测结果，其中，第二接口包括第二参数，第二参数的参数值为检测结果。
12.根据本发明实施例的一个方面，还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序，其中，在程序被处理器运行时控制计算机可读存储介质所在设备执行本发明实施例的群体智能的对象检测方法。
13.根据本发明实施例的一个方面，还提供了一种处理器。该处理器用于运行程序，其中，程序运行时执行本发明实施例的群体智能的对象检测方法。
14.根据本发明实施例的一个方面，还提供了一种群体智能的对象检测系统。该系统可以包括：处理器；存储器，与处理器相连接，用于为处理器提供处理以下处理步骤的指令：获取目标图像；从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息；基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程；基于目标模型的目标参数确定第一目标对象是否合格。
15.在本发明实施例中，获取目标图像；从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息；基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程；基于目标模型的目标参数确定第一目标对象是否合格。该实施例从目标图像中提取出的目标数据可以确定第一目标对象的行为信息，进而利用目标数据训练目标模型，以确定目标对象的运动过程，进而基于目标模型的目标参数推论出第一目标对象是否合格，避免了只能识别疑似对象的轨迹和时长，对对象是否真正不合格的检测能力还比较欠缺，容易造成误报，从而解决了对对象进行检测的准确度的技术问题，达到了提高对对象进行检测的准确度的技术效果。
附图说明
16.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
17.图1是根据本发明实施例的一种用于实现群体智能的对象检测方法的计算机终端(或移动设备)的硬件结构框图；
18.图2是根据本发明实施例的一种群体智能的对象检测方法的流程图；
19.图3是根据本发明实施例的另一种群体智能的对象检测方法的流程图；
20.图4是根据本发明实施例的另一种群体智能的对象检测方法的流程图；
21.图5是根据本发明实施例的一种违规经营检测输出结果的示意图；
22.图6是根据本发明实施例的一种违规经营检测的方法的流程图；
23.图7是根据本发明实施例的一种群体智能的对象检测装置的示意图；
24.图8是根据本发明实施例的另一种群体智能的对象检测装置的示意图；
25.图9是根据本发明实施例的另一种群体智能的对象检测装置的示意图；
26.图10是根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
27.为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
28.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、产品或设备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。
29.首先，在对本技术实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
30.群体智能(swarm intelligence)，群体智能是通过汇聚群体智慧协同求解超大规模复杂难题的一类机器智能方法，为求解通过传统方法难以解决的超大规模复杂问题提供了新技术、新手段，已被广泛应用于交通、众包计算、软件开发等领域，针对具体应用场景，国内外学者分别从个体评估机制构建、个体编码与解码策略、群体组织架构等角度，设计了多种群体智能方法；
31.人群模拟(crowd simulation)，是用于模拟大量实体或角色运动的过程，用于危机训练、建筑和城市规划、以及疏散模拟，也可以用于电影或视频游戏中虚拟场景的创建；
32.目标检测(object detection)，是一项与计算机视觉和图像处理紧密相关的计算机技术分支，其目标是检测出数字图像和视频中的特定语义目标实体，比如，检测出人、建筑、汽车等，并以紧密包裹目标实体矩形框为结果输出。，目标检测在诸如图像检索和视频监视的许多计算机视觉领域都有应用；
33.计算机视觉(computer vision)，是一门研究如何使机器看的科学，更进一步地说，是指用摄影机和计算机代替人眼对目标进进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像，作为一门科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。
34.实施例1
35.根据本发明实施例，还提供了一种群体智能的对象检测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
36.本技术实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1是根据本发明实施例的一种用于实现群体智能的对象检测方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b，
……
，102n来示出)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
37.应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
38.存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的群体智能的对象检测方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的群体智能的对象检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
39.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
40.显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
41.此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
42.在图1所示的运行环境下，本技术提供了如图2所示的群体智能的对象检测方法。
需要说明的是，该实施例的对象检测方法可以由图1所示实施例的移动终端执行。
43.图2是根据本发明实施例的一种群体智能的对象检测方法的流程图。如图2所示，该方法可以包括以下步骤：
44.步骤s202，获取目标图像。
45.在本发明上述步骤s202提供的技术方案中，目标图像可以为针对目标场景中的目标区域进行拍摄而得到的图像，其中，目标场景可以为城市管理场景，目标区域可以为需要进行城市整治的区域，比如，为道路区域，可以是出店经营所在的区域等，此处不做具体限制。
46.该实施例获取目标图像，可以是通过目标区域中所部署的图像采集设备获取目标图像，可以为人流平面轨迹图，可以体现出系统对人流检测与跟踪的能力，其中，由于跟踪和建模仿真均需要一段时间的数据，因而该实施例的目标图像可以为视频图像，呈现出一定画面；图像采集设备可以为摄像头，此处不做具体限制，从而上述目标区域也可以称为摄像头区域。可选地，该实施例获读取输入的一帧图像。
47.步骤s204，从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息。
48.在本发明上述步骤s204提供的技术方案中，在获取目标图像之后，从目标图像中提取出目标数据，其中，目标图像中可以包括待识别的第一目标对象，该第一目标对象可以为目标区域中的大量实体或角色，可选地，该第一目标对象为行人，可以是人群，比如，为道路的周边人群，则目标数据可以用于表示第一目标对象的行为信息，该行为信息用于表征第一目标对象的行为，比如，人群的行为信息用于表征人群的行为，该行为可以是群体智能行为，从而达到了判断第一目标对象的行为的目的。
49.可选地，当目标场景中存在不合格行为时，目标区域内的第一目标对象的行为信息会发生改变，比如，运动方式会发生改变，目标数据会发生明显变化，比如，当目标场景中存在违规经营行为时，则行人流动模式会发生明显的变化，可以是聚集或绕行等。
50.可选地，该实施例可以获取对目标区域进行检测而得到的历史数据，可以结合历史数据从目标图像中提取出目标数据。
51.可选地，该实施例可以预先训练好第一目标检测模型，比如，该第一目标检测模型为目标检测与跟踪模型，可以通过其对目标图像中的第一目标对象进行识别，从而得到目标数据，其可以包括人流轨迹。
52.可选地，该实施例的上述第一目标检测模型可以是在上线前通过人工标注的数据(可以是后面提及的分类模型训练一样的图像，也可以是其它公开数据集或自行采集的数据，标注的内容不同)进行训练得到的。
53.步骤s206，基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程。
54.在本发明上述步骤s206提供的技术方案中，在从目标图像中提取出目标数据之后，可以将目标数据作为训练目标模型的输入，进而基于目标数据训练目标模型，可以是通过采集不同时间段/场景中的目标数据来训练目标模型。可选地，该实施例可以按照预定方式来构建目标模型，其中，预定方式可以为群体智能技术以及人群模拟技术，群体智能可以是通过汇聚群体智慧协同求解超大规模复杂难题的机器智能方法，人群模拟是模拟目标对
象运动的过程，从而该实施例的目标模型可以为群体智能人群模拟模型，用于模拟第一目标对象的运动过程，比如，用于模拟目标区域中的人群流向，从而该实施例实现了对目标区域中的人群流向进行建模(群体智能人流建模)的目的，其中，群体智能人群模拟模型也可以称为人群模拟模型、人群模型、群体智能模型。
55.步骤s208，基于目标模型的目标参数确定第一目标对象是否合格。
56.在本发明上述步骤s208提供的技术方案中，在基于目标数据训练目标模型之后，可以基于目标模型的目标参数确定第一目标对象是否合格。
57.在该实施例中，目标模型中包括目标参数，可以将目标模型的目标参数输入至预先训练好的分类模型中，通过该分类模型对目标模型的目标参数进行分析，以确定第一目标对象是否合格，得到检测结果，可以从中分析第一目标对象的流向规律和动因。
58.可选地，该实施例的上述分类模型可以输出目标场景中有否有不合格行为的置信度，可以输出二分类(有/无违规经营)标签。
59.可选地，该实施例如果基于目标模型的目标参数确定出目标区域中的第一目标对象的行为为违规经营行为，则可以确定第一目标对象不合格，说明其为违规经营的目标对象，也即，确定目标区域存在违规经营的行为，从而上述不合格可以是指违规经营。
60.可选地，该实施例对目标区域中存在的违规经营的对象进行定位；如果基于目标模型的目标参数确定出目标区域中的第一目标对象的行为不属于违规经营行为，则可以确定第一目标对象合格，说明第一目标对象没有产生违规经营的行为，也即，确定目标区域不存在违规经营的行为。因而，该实施例可实现了一种群体智能的人群建模方法，从人流轨迹模式推论目标区域中是否存在发生违规经营行为的对象，从而提高了对对象进行检测的准确度。
61.可选地，该实施例可以利用上述目标模型分析第一目标对象在目标场景下的行为规律，可以是分析目标区域内群体智能变化规律，以确定第一目标对象是否合格。
62.该实施例在基于目标模型的目标参数确定第一目标对象是否合格之后，可以上报不合格的第一目标对象，达到了对第一目标对象的检测结果准确上报的目的。
63.通过本技术上述步骤s202至步骤s208，获取目标图像；从目标图像中提取出目标数据，其中，目标数据用于表示待识别的第一目标对象的行为信息；基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程；基于目标模型的目标参数确定第一目标对象是否合格。也就是说，该实施例从目标图像中提取出的目标数据可以确定第一目标对象的行为信息，进而利用目标数据训练目标模型，以确定目标对象的运动过程，进而基于目标模型的目标参数推论出第一目标对象是否合格，避免了只能识别疑似对象的轨迹和时长，对对象是否真正不合格的检测能力还比较欠缺，容易造成误报，从而解决了对对象进行检测的准确度的技术问题，达到了提高对对象进行检测的准确度的技术效果。
64.下面对该实施例的上述方法进行进一步地介绍。
65.作为一种可选的实施方式，该方法还包括：确定目标图像中存在第二目标对象，其中，第二目标对象的置信度大于第一阈值；基于目标模型的参数确定第一目标对象是否合格，包括：基于第二目标对象和目标参数确定第一目标对象是否合格。
66.在该实施例中，可以利用目标检测方法对目标图像进行检测，得到目标图像中存在第二目标对象，该第二目标对象的置信度大于第一阈值，该第一阈值可以为用于衡量第
二目标对象置信度阈值。可选地，该实施例可以基于第二目标检测模型对目标图像进行检测，得到上述第二目标对象，其中，第二目标检测模型可以为使用离线数据预训练好的经营物体检测模型。可选地，该实施例的上述第二目标对象为经营物体，其作为一个类别检测，可以为目标区域设置的后斗、桌面、箱、框、篮、桶、地摊布等。
67.可选地，该实施例的上述置信度可以理解为存在后斗/桌面等经营物体和该经营物体“不合格”的概率乘积。
68.该实施例可以基于第二目标对象和目标参数确定第一目标对象是否合格，可以是在基于第二目标对象的基础上，引入对目标模型的目标参数进行分析，从而达到对第二目标对象在目标场景中发挥的作用进行进一步分析的目的。
69.该实施例通过结合目标检测方法与基于群体智能的人群建模方法，从检测第一目标对象和确定目标模型的目标参数这两个维度，综合分析第一目标对象是否合格，比如，结合检测疑似经营物体和区域内群体智能规律变化的两个维度，综合分析判断目标区域内是否存在违规经营行为，可以提高对对象进行检测的准确度。
70.该实施例在对目标图像中的第二目标对象进行检测的基础上，通过对目标区域内用于表示第一目标对象的行为信息的目标数据进行建模，得到目标模型，对目标模型的目标参数进行分析，从而为确定第一目标对象是否合格提供了辅助信息，避免了相关技术中由于基于计算机视觉方法识别对象，难以判断对象是否合格的局限性，通过引入群体智能行为分析，可以提高对对象进行检测的准确度，比如，避免了由于基于计算机视觉方法识别违规经营，难以判断其中经营行为的局限性，通过引入群体智能行为分析，可以达到有效地降低违规经营检测的误报率的目的。
71.可选地，该实施例的确定目标图像中存在第二目标对象与基于目标数据训练目标模型，可以并行执行节省耗时，也可以串行执行减少线程。
72.可选地，该实施例的用于确定目标图像中存在第二目标对象的第二目标检测模型，与对目标图像中的第一目标对象进行识别的第一目标检测模型，可以通过训练一个同时包含对第二目标对象进行检测以及对第一目标对象进行识别的目标检测模型来进行，从而达到节省计算耗时的目的。
73.可选地，该实施例的上述第二目标检测模型除原有设置外，也可增加或整合部分类别，比如，可以将箱、框、篮、桶按照方形与圆形拆分为两类，或将后斗与桌面统一为台面类别等方式。
74.可选地，该实施例的上述第二目标检测模型可以是在上线前通过人工标注的数据(可以是后面提及的分类模型训练一样的图像，也可以是其它公开数据集或自行采集的数据，标注的内容不同)进行训练得到的。
75.作为一种可选的实施方式，基于第二目标对象和目标参数确定第一目标对象是否合格，包括：基于目标参数确定行为信息中不合格行为对应的第一区域，其中，不合格行为出现在第一区域的概率大于第二阈值，目标图像对应的区域包括第一区域；基于第一区域和第二目标对象对应的第二区域确定第一目标对象是否合格。
76.在该实施例中，在实现基于第二目标对象和目标参数确定第一目标对象是否合格时，可以是将目标参数输入至预先训练好的分类模型中，通过该分类模型对目标参数进行处理，输出行为信息中不合格行为对应的第一区域，其中，不合格行为可以是违规经营行
为，第一区域可以是可能存在违规经营的区域。
77.该实施例可以确定第二目标对象对应的第二区域，该第二区域可以为第二目标对象所在的区域，比如，第二目标对象可以为疑似经营物体，则第二区域可以为疑似经营物体所在的区域。在确定上述不合格行为对应的第一区域以及第二目标对象所在的第二区域之后，可以基于第一区域和第二区域来确定第一目标对象是否合格。
78.作为一种可选的实施方式，基于第一区域和第二目标对象对应的第二区域确定第一目标对象是否合格，包括：基于第一区域从第二区域中筛选出不合格的第一目标对象。
79.该实施例在实现基于第一区域和第二目标对象对应的第二区域确定第一目标对象是否合格时，可以是利用不合格行为对应的第一区域来对第二目标对象所在的第二区域进行过滤，从中筛选出不合格的第一目标对象。也即，对于第二目标对象所在的第二区域，将其中不在不合格行为对应的第一区域的结果进行过滤，返回不合格的第一目标对象，可以达到有效地降低违规经营检测的误报率的目的。
80.举例而言，该实施例可以利用可能存在违规经营的区域，对疑似经营物体所在区域进行过滤，筛选出违规经营目标，也即，对于得到的疑似经营物体所在的区域，将其中不在可能存在违规经营的区域的结果过滤掉，进而返回违规经营目标，比如，不在可能存在违规经营的区域的结果为堆放的杂物、因道路堵塞等其它原因而停留的货车/三轮车等，这样可以排过滤掉目标场景中堆放的杂物、因道路堵塞等其它原因而停留的货车/三轮车等造成的误报，提高了算法告警的准确率。
81.作为一种可选的实施方式，该方法还包括：基于目标参数确定行为信息中不合格行为的置信度；基于第一区域和第二目标对象对应的第二区域确定第一目标对象是否合格，包括：确定置信度大于第三阈值，则基于第一区域和第二区域确定第一目标对象是否合格。
82.在该实施例中，可以是将目标参数输入至预先训练好的分类模型中，通过分类模型对目标参数进行处理，得到目标区域内存在不合格行为的置信度，该置信度也可以称为置信度得分，可选地，如果不合格行为不存在，则置信度可以为0。该实施例可以判断该置信度是否大于第三阈值。如果判断出该置信度大于第三阈值，则可以基于上述第一区域和第二区域确定第一目标对象是否合格，比如，在第二目标对象所在的第二区域中，将不在不合格行为对应的第一区域的结果进行过滤，返回不合格的第一目标对象，
83.可选地，该实施例即使不通过目标模型的目标参数对不合格行为出现的第一区域进行估计，而只根据上述存在不合格行为的置信度进行判定，也可起到减低误检的效果，通过目标模型的目标参数对不合格行为出现的第一区域进行估计，以基于第一区域和第二区域确定第一目标对象是否合格，可让对第一目标对象进行检测的准确率进一步提高。
84.作为一种可选的实施方式，基于目标参数确定行为信息中不合格行为对应的第一区域，包括：将目标参数转换为目标向量；基于目标向量确定第一区域。
85.在该实施例中，在实现基于目标参数确定行为信息中不合格行为对应的第一区域时，可以是先将目标模型的多个目标参数转换为目标向量，比如，将多个目标参数组成目标向量，然后将该目标向量输入至分类模型中，通过该分类模型对目标向量进行分析，输出不合格行为对应的第一区域，也即，输出可能存在违规经营的区域。
86.作为一种可选的实施方式，该方法还包括：响应模型预训练指令，获取标注数据；
基于标注数据对分类模型进行训练；基于目标模型的目标参数确定第一目标对象是否合格，包括：基于训练好的分类模型对目标参数进行分析，确定第一目标对象是否合格。
87.在该实施例中，响应模型预训练指令，对不同时间段和/或不同场景的数据进行标注，得到标注数据，可以是对数据进行人工标注，该人工标注是在分类模型上线前用于对分类模型进行预训练，训练好的分类模型才可以部署到线上。
88.在该实施例中，在分类模型上线前，通过上述标注数据对分类模型进行训练。在训练好的分类模型部署到线上后，可以用于对未经标注的实时数据进行处理。可选地，该实施例通过点位近期(比如，近10分钟)的数据，对上述目标模型(群体智能人群模拟模型)进行训练，再通过训练好的上述分类模型对目标模型的参数进行分析，确定第一目标对象是否合格，比如，判断第一目标对象是否存在违规经营。
89.作为一种可选的实施方式，目标数据为空间结构化数据，该方法还包括：将空间结构化数据存储至目标队列中；基于目标数据训练目标模型，包括：确定空间结构化数据在目标队列中的存储时长达到预定时长，则基于目标数据训练目标模型。
90.在该实施例中，从目标图像中提取出的目标数据可以为空间结构化数据，该空间结构化数据可以称为人流结构化数据，可以包括人群位置结构化数据。该实施例在从目标图像中提取出上述空间结构化数据之后，可以是将空间结构化数据存储至目标队列中，该目标队列可以为人群仿真队列。然后获取空间结构化数据存储至目标队列中的存储时长，然后判断该存储时长是否大于预定时长，如果判断出该存储时长大于预定时长，则可以基于目标数据训练目标模型。
91.可选地，该实施例的目标数据为从图像中提取出的人的结果，将其转换为空间结构化数据，存储到人群仿真队列中，作为步骤目标模型训练的输入。
92.可选地，单纯从视觉上识别经营物体时，难以区分被弃置的盆罐桌台、路边因道路拥堵滞留的无盖货车或三轮车等视觉特征近似的非经营物体。因此，本技术结合人群模拟模型估计，采用混合在上述类别中的误检测(实际操作时出现的问题，并非期望得到的结果)可以是被弃置的盆罐桌台、路边因道路拥堵滞留的无盖货车或三轮车等疑似经营物体，从而可以有效避免这类物体的影响。
93.本发明实施例还提供了另一种群体智能的对象检测方法。
94.图3是根据本发明实施例的另一种群体智能的对象检测方法的流程图。如图3所示，该方法可以包括以下步骤：
95.步骤s302，响应作用于交互界面上的视频输入指令，获取目标视频。
96.在本发明上述步骤s302提供的技术方案中，视频输入指令可以由用户触发，用于输入目标视频，从而该实施例响应视频输入指令，获取目标视频，该目标视频可以为针对目标场景中的目标区域进行拍摄而得到的视频。
97.可选地，该实施例建立区域平面图，在其上展示通过视频采集设备获取到的目标视频，该目标视频可以是人流平面轨迹图，可以体现出系统对人流检测与跟踪的能力，可以作为训练目标模型的基础输入。
98.步骤s304，响应作用于交互界面上的检测指令，输出检测结果，其中，检测结果用于表示目标视频中第一目标对象是否合格，且基于目标模型的目标参数确定。
99.在本发明上述步骤s304提供的技术方案中，在响应作用于交互界面上的视频输入
指令，获取目标视频之后，可以响应作用于交互界面上的检测指令，输出检测结果，其中，检测结果用于表示目标视频中第一目标对象是否合格，且基于目标模型的目标参数确定，目标模型为由目标视频中的目标数据训练得到，目标数据用于表示第一目标对象的行为信息。
100.在该实施例中，响应作用于交互界面上的检测指令，可以从目标视频中提取出目标数据，其中，目标视频中可以包括待识别的第一目标对象，该第一目标对象可以为目标区域中的大量实体或角色。可选地，该实施例可以预先训练好第一目标检测模型，比如，该第一目标检测模型为目标检测与跟踪模型，可以通过其对目标视频中的第一目标对象进行识别，从而得到目标数据，其可以包括人流轨迹。
101.在从目标视频中提取出目标数据之后，可以将目标数据作为训练目标模型的输入，进而基于目标数据训练目标模型，该目标模型可以为群体智能人群模拟模型，用于模拟第一目标对象的运动过程，从而该实施例实现了对目标区域中的人群流向进行建模的目的。该实施例可以将目标模型的目标参数输入至预先训练好的分类模型中，通过该分类模型对目标模型的目标参数进行分析，以确定第一目标对象是否合格，得到检测结果，可以从中分析第一目标对象的流向规律和动因。
102.下面对该实施例的上述方法进行进一步地介绍。
103.作为一种可选的实施方式，在交互界面上显示目标视频中第二目标对象的检测框，其中，第二目标对象的置信度大于第一阈值，其中，第二目标对象和目标参数用于确定第一目标对象是否合格；和/或在交互界面上显示第一目标对象的行为轨迹。
104.在该实施例中，可以在交互界面上显示由视频采集设备对目标区域进行监视而得到的实况图，可以在该实况图上显示目标视频中的第二目标对象的检测框，进而通过第二目标对象和目标参数确定第一目标对象是否合格，比如，输出由第二目标检测模型捕获的疑似经营物体的检测框，基于疑似经营物体和群体智能人群模拟模型的参数确定违规经营目标。可选地，该实施例还可以在交互界面上显示目标区域中第一目标对象的行为轨迹，该行为轨迹也即人流轨迹，体现出了算法对目标视频中目标的检测与跟踪能力。
105.作为一种可选的实施方式，该方法还包括：当检测结果表示目标视频中第一目标对象不合格时，在交互界面上显示目标信息，其中，目标信息用于表征第一目标对象的流向变化的原因。
106.在该实施例中，可以输出对目标区域的第一目标对象的流向规律和动因的分析结果，从而能够判断目标区域内是否存在不合格行为，比如，判断是否存在违规经营行为，可以包括“正常”/“存在违规经营行为”/“拥堵(无对象产生违规经营行为)”等。当存在产生违规经营行为的对象时，可以对用于表示目标区域内造成第一目标对象的流向变化的原因的目标信息进行显示，比如，该实施例对人群流向变化的关键点进行估计，并在输出视频上进行显示，体现了目标模型对用于对对象进行检测的检测系统的过滤作用，达到了可以提高非法经营检测的准确率。
107.本发明实施例还提供了另一种群体智能的对象检测方法。
108.图4是根据本发明实施例的另一种群体智能的对象检测方法的流程图。如图4所示，该方法可以包括以下步骤：
109.步骤s402，通过调用第一接口获取目标图像，其中，第一接口包括第一参数，第一
参数的参数值为目标图像。
110.在本发明上述步骤s402提供的技术方案中，第一接口可以是服务器与客户端之间进行数据交互的接口。客户端可以将至少一个图像传入第一接口，作为第一接口的一个第一参数，实现将目标图像上传至服务器的目的。
111.步骤s404，从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息。
112.步骤s406，基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程。
113.步骤s408，基于目标模型的目标参数确定第一目标对象是否合格，得到检测结果。
114.步骤s410，通过调用第二接口输出检测结果，其中，第二接口包括第二参数，第二参数的参数值为检测结果。
115.在本发明上述步骤s410提供的技术方案中，第二接口可以是服务器与客户端之间进行数据交互的接口，服务器可以将检测结果传入第二接口，作为第二接口的一个参数，实现将检测结果下发至客户端的目的。
116.该实施例通过结合对第二目标对象进行检测的方法与基于目标模型建模的方法，从第二目标对象和目标区域内目标对象的运动规律变化这两个维度，综合分析判断目标区域内是否存在不合格的第一目标对象。其中，通过对目标图像中的目标数据进行建模，得到目标模型的参数，分析目标模型的参数，为确定第一目标对象是否合格提供了辅助信息，避免了相关技术中基于计算机视觉方法识别对象是否合格，难以判断其中的对象的行为的局限性，也避免了只能识别疑似对象的轨迹和时长，对对象是否真正不合格的检测能力还比较欠缺，容易造成误报，从而解决了对对象进行检测的准确度的技术问题，达到了提高对对象进行检测的准确度的技术效果。
117.实施例2
118.下面对该实施例的上述方法的优选实施方式进行进一步介绍，具体以违规经营进行说明。
119.非法经营的对象如果占道经营，会造成周边环境脏乱差，这已经成为推动城市管理工作，优化城市环境，提升城市形象过程中的热点问题，且受到各方面的广泛关注。通过城管执法的方式来治理非法经营行为是当前城市管理中的主要途径。然而，非法经营行为的活动大多是流动的，事件偶发性极强，从而大大地增加了城管执法的难度。这种通过人力资源进行整治的方法存在效率低、人力资源消耗大、难以根治的弊端。因而，可以借助摄像头、人工智能算法等来解放人力，提升效能，进而让执法人员可以将更多的精力聚焦在具体的场景上，共同营造良好的公共环境和秩序。
120.目标检测算法可以是对怀疑用于经营的物体、人员流动的轨迹和时长进行识别，但该方法对是否存在经营行为的检测能力比较欠缺，容易造成误报。比如，在相关技术中，可以获取摄像头拍摄的至少一帧监视图片，监视图片中包含有至少一个监视门店的图像，再获取预先设置的监视门店对应的门店模板数据，门店模板数据至少包括监视门店的模板图像及其全局监视区域，根据模板图像及全局监视区域，得到监视图片中监视门店的全局监视区域，根据监视图片中全局监视区域的图像判断监视门店是否存在违规经营行为，并输出监视门店的第一判断结果。该方法仅通过计算机视觉方法进行模板匹配和基于神经网
络模型进行分类，难以识别目标物体的具体作用，及是否存在经营行为。
121.在另一种相关技术中，可以每隔第一时间间隔从监视终端获取监视场景的监视信息；基于预设的第一识别模型对监视信息进行智能识别，判断是否有违规行为；若有，则基于违规行为生成违规提醒；将违规提醒发送至位置信息所在的巡视端，以使巡视端向违规人员发送提醒；判断第二时间间隔内生成违规提醒的次数是否超过预设阈值，其中第二时间间隔大于第一时间间隔；若超过，则将违规提醒发送至执法部门；若未超过预设阈值，则将位置信息和/或违规行为保存入档案。该方法可以通过人工智能(artificial intelligence，简称为ai)识别模型，通过改变训练集，对门面延伸经营、无照经营、沿街晾晒占道等城市违规行为进行识别。但是，该方法忽略了周边人群流向变化对其中违规经营行为的佐证作用，仅仅通过识别或分类模型难以判断目标的行为，如可能将堵车场景中的非封闭式货车误识别为利用机动车进行非法经营活动，从而造成误报。
122.当场景中存在非法经营行为时，区域内的行人流动模式会发生明显的变化，比如，聚集或者绕行等。因此，本技术结合群体智能方法可以对区域内人群流向进行建模，从中分析人群流向规律和动因，从而能够判断区域内是否存在非法经营行为，可以进一步结合传统基于经营物体检测的方法，以提高非法经营检测的准确率。
123.下面对该实施例的上述方法进行进一步地介绍。
124.该实施例提出可一种基于人群模拟的违规经营(比如，摊贩、出店经营)的检测方法，可以通过对区域内人群位置与轨迹进行结构化，基于群体智能人群模拟模型对人群流向进行建模，通过对群体智能人群模拟模型中参数在区域内有/无经营行为时的变化进行学习，根据区域内人群的路径演化规律变化，结合摄像头对怀疑经营物的识别，检测区域内是否存在经营行为，从而避免了传统检测方法难以识别经营行为的缺陷。
125.图5是根据本发明实施例的一种违规经营检测输出结果的示意图。如图5所示，建立区域平面图，可以在其上展示通过摄像头获取到的人流轨迹平面图，从而体现出系统对人流检测与跟踪的能力，其可以作为群体智能人流建模的基础输入；在监视摄像头实况图上，可以输出通过目标检测算法捕获到的疑似经营物体的检测框，以及区域内人流轨迹，可以体现出算法对图像中目标的检测与跟踪能力；该实施例可以基于监视摄像头实况图像上显示的信息来确定群体智能模型(群体智能人群模拟模型)的分析结果，确定存在违规经营的行为。
126.可选地，该实施例可以输出通过群体智能算法建模后对区域内人群行为的动因的分析结果，比如，输出“正常”、“违规经营行为”、“拥堵(无对象产生违规经营行为)”等结论。当产生违规经营行为的对象时，可以对区域内造成人群流向变化的关键点进行估计，得到目标信息，在输出图像上进行显示目标信息，可以体现出群体智能模型对检测系统的过滤作用。
127.该实施例可以基于当区域内存在非法经营活动时，行人运动方式产生改变的假设，同时结合目标检测算法对画面内经营物体进行识别，综合判定检测区域内是否存在违规经营的行为，并对其进行定位。该实施例通过周边人群的行为信息，可以加强算法检测的准确性，减轻目标检测算法的误检情况，比如，避免对被弃置的盆罐桌台、路边因道路拥堵滞留的无盖货车或三轮车等类似经营物体进行误检。
128.图6是根据本发明实施例的一种违规经营检测的方法的流程图。如图6所示，该方
法可以包括以下步骤：
129.步骤s601，读取目标图像。
130.该实施例可以输入一帧目标图像，该目标图像可以包括对行人。
131.步骤s602，从目标图像中提取并存储人流结构化数据。
132.该实施例可以结合检测到的历史数据从目标图像中提取人流结构化数据(空间结构化数据)，该人流结构化数据可以是人群位置结构化数据，可以将其存储至人群仿真队列中。其中，可以对目标图像中的人群位置与轨迹进行结构化，从而得到人流结构化数据。
133.可选地，该实施例可以通过预训练好的检测模型与跟踪模型，对目标图像中的人进行识别，可以根据已知的摄像头的部署位置信息，将目标图像中的人的结果转换为上述人流结构化数据。
134.步骤s603，判断人流数据存储至人群仿真队列中的时间是否达到目标时长。
135.如果判断出人流数据存储至人群仿真队列中的时间达到目标时长，则执行步骤s604和步骤s605，否则，执行步骤s601。
136.步骤s604，构建群体智能人群模拟模型。
137.如果人群仿真队列中的人流结构化数据存储的时长达到目标时长，则可以利用该人群仿真队列按照设定的方式训练群体智能人群模拟模型，该群体智能人群模拟模型可以用于对人群流向进行建模。
138.步骤s605，基于目标检测模型检测目标图像内是否存在疑似经营物体。
139.在该实施例中，可以通过目标检测模型(经营物体检测模型)利用目标检测算法获取当前帧的目标图像，可以检测目标图像的画面中置信度大于一定阈值的疑似经营物体。
140.该实施例的上述目标检测模型可以为使用离线数据预训练好的经营物体检测模型，可以检测后斗、桌面、箱、框、篮、桶、地摊布等类别。
141.可选地，该实施例的上述步骤s604和步骤s605可以并行执行以节省耗时，也可以串行执行以减少线程。
142.可选地，该实施例的上述步骤s605中对疑似经营物体的检测和对步骤s601中目标图像的行人进行识别，也可以通过训练一个同时包含疑似经营物体与行人的目标检测的模型来进行，以节省计算耗时。
143.可选地，该实施例的上述步骤s605中所使用的目标检测模型除原有设置外，也可增加或整合部分类别，比如，将箱、框、篮、桶按照方形与圆形拆分为两类，或者将后斗与桌面统一为台面类别等方式。
144.步骤s606，基于分类模型分析人群模型参数。
145.在该实施例中，可以将步骤s604中构建的群体智能人群模拟模型的参数组成向量，将该向量输入至预训练好的分类模型中，通过该分类模型进行处理，进而输出区域内存在违规经营行为的置信度(若分类为不存在，则置信度为0)和可能存在违规经营的区域。
146.可选地，该实施例可以通过采集不同时间段/场景中的人群数据训练群体智能人群模拟模型，并对群体智能人群模拟模型对应的图像(视频)中有否违规经营进行人工标注，将标注后的群体智能人群模拟模型的参数输入至上述分类模型中进行训练，可以返回违规经营行为分类(有/无)与置信度得分，并输出可能存在违规经营的区域(可能发生非法经营活动的活动位置)。可选地，在该实施例中，人工标注的数据可以用于上述分类模型的
预训练。利用人工标注的数据训练好的分类模型，才可以部署到线上，对未经标注的实时数据进行处理。
147.可选地，该实施例的上述步骤s606中的分类模型可以只输出场景中有否违规经营行为的置信度，而不输出二分类(有/无违规经营)标签。
148.步骤s607，确定是否存在违规经营。
149.在该实施例中，如果步骤s606中存在违规经营行为的置信度大于设定的阈值，且步骤s605中确定存在疑似经营物体，则确定存在违规经营，否则，执行步骤s601。
150.可选地，该实施例的上述步骤s607，即使不通过群体智能人群模拟模型对可能存在违规经营的区域进行估计，而只根据存在该对象的置信度(该对象为存在违规经营行为的对象)进行判定，也可起到减低误检的效果，而结合通过群体智能人群模拟模型对可能存在违规经营的区域进行估计，可以使得违规经营检测的准确率进一步提高。
151.步骤s608，过滤疑似经营物体结果。
152.该实施例可以利用步骤s606中的可能存在违规经营的区域对步骤s605中所在区域进行过滤，筛选出违规经营目标。也即，该实施例对步骤s605得到的疑似经营物体，将其中不在步骤s606中得到的可能存在违规经营的区域的结果过滤掉，返回违规经营目标。
153.步骤s609，返回违规经营目标结果，进行上报。
154.该实施例通过结合目标检测方法与基于群体智能的人群模拟方法，从疑似经营物体和区域内群体智能规律变化的两个维度，综合分析判断摄像头区域内是否存在违规经营行为。其中，通过对区域内人群群体智能的建模，分析其在不同场景下的行为规律，为违规经营的识别提供了辅助信息，克服了相关技术中基于计算机视觉方法识别违规经营，难以判断其中经营行为的局限性，通过引入群体智能行为分析，可以有效地降低违规经营检测的误报率。
155.进一步地，该实施例在基于目标检测/识别方法的对疑似经营物体检测的基础上，引入了对图中行人的群体智能行为的分析，对疑似经营物体在场景中发挥的作用进行进一步分析，使算法能真正识别出经营行为，从而对违规经营检测的结果进行过滤筛选，排除场景中堆放的杂物、因道路堵塞等其他原因而停留的货车/三轮车等造成的误报，提高了算法告警的准确率。
156.需要说明的是，该实施例可以使用开源深度学习算法框架pytorch进行算法开发，并移植到c++框架上，代码可以为python与c++代码。
157.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
158.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算
机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
159.实施例3
160.根据本发明实施例，还提供了一种用于实施上述图2所示的群体智能的对象检测方法的群体智能的对象检测装置。
161.图7是根据本发明实施例的一种群体智能的对象检测装置的示意图。如图7所示，该群体智能的对象检测装置70可以包括：第一获取单元71、第一提取单元72、第一训练单元73和第一确定单元74。
162.第一获取单元71，用于获取目标图像。
163.第一提取单元72，用于从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息。
164.第一训练单元73，用于基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程。
165.第一确定单元74，用于基于目标模型的目标参数确定第一目标对象是否合格。
166.此处需要说明的是，上述第一获取单元71、第一提取单元72、第一训练单元73和第一确定单元74对应于实施例1中的步骤s202至步骤s208，四个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例一提供的计算机终端10中。
167.根据本发明实施例，还提供了一种用于实施上述图3所示的群体智能的对象检测方法的群体智能的对象检测装置。
168.图8是根据本发明实施例的另一种群体智能的对象检测装置的示意图。如图8所示，该群体智能的对象检测装置80可以包括：第二获取单元81和输出单元82。
169.第二获取单元81，用于响应作用于交互界面上的视频输入指令，获取目标视频。
170.输出单元82，用于响应作用于交互界面上的检测指令，输出检测结果，其中，检测结果用于表示目标视频中第一目标对象是否合格，且基于目标模型的目标参数确定，目标模型为由目标视频中的目标数据训练得到，目标数据用于表示第一目标对象的行为信息。
171.此处需要说明的是，上述第二获取单元81和输出单元82对应于实施例1中的步骤s302至步骤s304，两个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例一提供的计算机终端10中。
172.根据本发明实施例，还提供了一种用于实施上述图4所示的群体智能的对象检测方法的群体智能的对象检测装置。
173.图9是根据本发明实施例的另一种群体智能的对象检测装置的示意图。如图9所示，该群体智能的对象检测装置90可以包括：第一调用单元91、第二提取单元92、第二训练单元93、第二确定单元94和第二调用单元95。
174.第一调用单元91，用于通过调用第一接口获取目标图像，其中，第一接口包括第一参数，第一参数的参数值为目标图像。
175.第二提取单元92，用于从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息。
176.第二训练单元93，用于基于目标数据训练目标模型，其中，目标模型用于模拟第一
目标对象的运动过程。
177.第二确定单元94，用于基于目标模型的目标参数确定第一目标对象是否合格，得到检测结果。
178.第二调用单元95，用于通过调用第二接口输出检测结果，其中，第二接口包括第二参数，第二参数的参数值为检测结果。
179.此处需要说明的是，上述第一调用单元91、第二提取单元92、第二训练单元93、第二确定单元94和第二调用单元95对应于实施例1中的步骤s402至步骤s410，两个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例一提供的计算机终端10中。
180.在该实施例的群体智能的对象检测装置中，从目标图像中提取出的目标数据可以确定第一目标对象的行为信息，进而利用目标数据训练目标模型，以确定目标对象的运动过程，进而基于目标模型的目标参数推论出第一目标对象是否合格，避免了只能识别疑似对象的轨迹和时长，对对象是否真正不合格的检测能力还比较欠缺，容易造成误报，从而解决了对对象进行检测的准确度的技术问题，达到了提高对对象进行检测的准确度的技术效果。
181.实施例4
182.本发明的实施例可以提供一种群体智能的对象检测系统，该群体智能的对象检测系统可以包括计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
183.可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
184.在本实施例中，上述计算机终端可以执行应用程序的群体智能的对象检测方法中以下步骤的程序代码：获取目标图像；从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息；基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程；基于目标模型的目标参数确定第一目标对象是否合格。
185.可选地，图10是根据本发明实施例的一种计算机终端的结构框图。如图10所示，该计算机终端a可以包括：一个或多个(图中仅示出一个)处理器1002、存储器1004、以及传输装置1006。
186.其中，存储器可用于存储软件程序以及模块，如本发明实施例中的群体智能的对象检测方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的群体智能的对象检测方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端a。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
187.处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标图像；从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息；基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程；基于目标模型的目标参数确定第一目标对象是否合格。
188.可选地，上述处理器还可以执行如下步骤的程序代码：确定目标图像中存在第二目标对象，其中，第二目标对象的置信度大于第一阈值；基于第二目标对象和目标参数确定第一目标对象是否合格。
189.可选地，上述处理器还可以执行如下步骤的程序代码：基于目标参数确定行为信息中不合格行为对应的第一区域，其中，不合格行为出现在第一区域的概率大于第二阈值，目标图像对应的区域包括第一区域；基于第一区域和第二目标对象对应的第二区域确定第一目标对象是否合格。
190.可选地，上述处理器还可以执行如下步骤的程序代码：基于第一区域从第二区域中筛选出不合格的第一目标对象。
191.可选地，上述处理器还可以执行如下步骤的程序代码：基于目标参数确定行为信息中不合格行为的置信度；确定置信度大于第三阈值，则基于第一区域和第二区域确定第一目标对象是否合格。
192.可选地，上述处理器还可以执行如下步骤的程序代码：将目标参数转换为目标向量；基于目标向量确定第一区域。
193.可选地，上述处理器还可以执行如下步骤的程序代码：响应模型预训练指令，获取标注数据；基于标注数据对分类模型进行训练；基于训练好的分类模型对目标参数进行分析，确定第一目标对象是否合格。
194.可选地，上述处理器还可以执行如下步骤的程序代码：将空间结构化数据存储至目标队列中；确定空间结构化数据在目标队列中的存储时长达到预定时长，则基于目标数据训练目标模型。
195.作为一种可选的示例，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：响应作用于交互界面上的视频输入指令，获取目标视频；响应作用于交互界面上的检测指令，输出检测结果，其中，检测结果用于表示目标视频中第一目标对象是否合格，且基于目标模型的目标参数确定，目标模型为由目标视频中的目标数据训练得到，目标数据用于表示第一目标对象的行为信息。
196.作为一种可选的示例，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：通过调用第一接口获取目标图像，其中，第一接口包括第一参数，第一参数的参数值为目标图像；从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息；基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程；基于目标模型的目标参数确定第一目标对象是否合格，得到检测结果；通过调用第二接口输出检测结果，其中，第二接口包括第二参数，第二参数的参数值为检测结果。
197.采用本发明实施例，提供了一种群体智能的对象检测方法。通过获取目标图像；从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息；基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程；基于目标模型的目标参数确定第一目标对象是否合格。也就是说，该实施例从目标图像中提取出的目标数据可以确定第一目标对象的行为信息，进而利用目标数据训练目标模型，以确定目标对象的运动过程，进而基于目标模型的目标参数推论出第一目标对象是否合格，避免了只能识别疑似对象的轨迹和时长，对对象是否真正不合格的检测能力还比较欠缺，容易造
成误报，从而解决了对对象进行检测的准确度的技术问题，达到了提高对对象进行检测的准确度的技术效果。
198.本领域普通技术人员可以理解，图10所示的结构仅为示意，计算机终端a也可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobile internet devices，简称为mid)、pad等终端设备。图10其并不对上述计算机终端a的结构造成限定。例如，计算机终端a还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图10所示不同的配置。
199.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-only memory，简称为rom)、随机存取器(random access memory，简称为ram)、磁盘或光盘等。
200.实施例5
201.本发明的实施例还提供了一种计算机可读存储介质。可选地，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例一所提供的群体智能的对象检测方法所执行的程序代码。
202.可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
203.可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取目标图像；从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息；基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程；基于目标模型的目标参数确定第一目标对象是否合格。
204.可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：确定目标图像中存在第二目标对象，其中，第二目标对象的置信度大于第一阈值；基于第二目标对象和目标参数确定第一目标对象是否合格。
205.可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：基于目标参数确定行为信息中不合格行为对应的第一区域，其中，不合格行为出现在第一区域的概率大于第二阈值，目标图像对应的区域包括第一区域；基于第一区域和第二目标对象对应的第二区域确定第一目标对象是否合格。
206.可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：基于第一区域从第二区域中筛选出不合格的第一目标对象。
207.可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：基于目标参数确定行为信息中不合格行为的置信度；确定置信度大于第三阈值，则基于第一区域和第二区域确定第一目标对象是否合格。
208.可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：将目标参数转换为目标向量；基于目标向量确定第一区域。
209.可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：响应模型预训练指令，获取标注数据；基于标注数据对分类模型进行训练；基于训练好的分类模型对目标参数进行分析，确定第一目标对象是否合格。
210.可选地，计算机可读存储介质还被设置为存储用于执行以下步骤的程序代码：将
空间结构化数据存储至目标队列中；确定空间结构化数据在目标队列中的存储时长达到预定时长，则基于目标数据训练目标模型。
211.作为一种可选的示例，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：响应作用于交互界面上的视频输入指令，获取目标视频；响应作用于交互界面上的检测指令，输出检测结果，其中，检测结果用于表示目标视频中第一目标对象是否合格，且基于目标模型的目标参数确定，目标模型为由目标视频中的目标数据训练得到，目标数据用于表示第一目标对象的行为信息。
212.作为一种可选的示例，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：通过调用第一接口获取目标图像，其中，第一接口包括第一参数，第一参数的参数值为目标图像；从目标图像中提取出目标数据，其中，目标数据用于表示待检测的第一目标对象的行为信息；基于目标数据训练目标模型，其中，目标模型用于模拟第一目标对象的运动过程；基于目标模型的目标参数确定第一目标对象是否合格，得到检测结果；通过调用第二接口输出检测结果，其中，第二接口包括第二参数，第二参数的参数值为检测结果。
213.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
214.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
215.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
216.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。
217.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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。
218.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
219.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应
视为本发明的保护范围。