一种目标物的检测方法、装置、电子设备及存储介质与流程

1.本技术涉及图像处理技术领域，尤其涉及一种目标物的检测方法、装置、电子设备及存储介质。


背景技术：

2.随着图像处理技术的日益成熟，使用人工智能(artificial intelligence，ai)视觉算法来对目标物进行识别和定位已成为重要趋势。
3.以目标物为垃圾为例，相关技术中，在使用ai视觉算法进行垃圾检测时，需要采集大量的正负样本图像，以尽可能地覆盖各种垃圾，而实际上垃圾的种类繁多、形态万千，这使得图像样本的收集变得更加困难，对于图像样本中没有覆盖到的垃圾，极易容易产生误检。其他类似的目标物检测也存在着这些问题。
4.可见，相关技术中的目标物检测存在着容易产生误检的问题。


技术实现要素：

5.本技术实施例提供一种目标物的检测方法、装置、电子设备及存储介质，用以解决相关技术中的目标物检测存在着容易产生误检的问题。
6.第一方面，本技术实施例提供一种目标物的检测方法，包括：
7.将获取的待检测图像分别输入预先训练的父模型和预先训练的子模型中进行特征提取，所述父模型与所述子模型的特征提取能力的差异在预设范围内，且所述父模型的特征提取能力高于所述子模型的特征提取能力；
8.从所述父模型中获取n个第一特征图，从所述子模型中获取n个第二特征图，其中，n为大于零的整数；
9.对所述n个第一特征图和所述n个第二特征图进行比对，得到所述n个第二特征图与所述n个第一特征图的特征差异信息；
10.对所述特征差异信息进行反向传播处理，得到所述待检测图像的梯度信息；
11.基于所述梯度信息，检测所述待检测图像中的目标物信息。
12.在一些实施例中，当n大于1时，对所述n个第一特征图和所述n个第二特征图进行比对，得到所述n个第二特征图与所述n个第一特征图的特征差异信息，包括：
13.确定每个第二特征图对匹配的第一特征图在特征表达上的第一损失值，其中，所述匹配是指所述第二特征图与所述第一特征图的特征提取次序匹配；
14.将各第一损失值之和，确定为所述n个第二特征图与所述n个第一特征图的特征差异信息。
15.在一些实施例中，基于所述梯度信息，检测所述待检测图像中的目标物信息，包括：
16.若确定所述梯度信息表示的梯度大于预设值，则基于所述梯度信息，确定所述待检测图像中目标物的位置区域和/或显著图。
17.在一些实施例中，基于所述梯度信息，确定所述待检测图像中目标物的位置区域和/或显著图，包括：
18.基于所述梯度信息，生成梯度图像；
19.对所述梯度图像进行滤波处理；
20.基于滤波处理后所述梯度图像中的梯度信息，确定所述位置区域和/或所述显著图。
21.在一些实施例中，根据以下步骤训练所述子模型，包括：
22.获取正样本图像，所述正样本图像不包含目标物；
23.将所述正样本图像输入所述父模型，得到第一提取结果，将所述正样本图像输入待训练的初始子模型，得到第二提取结果；
24.基于所述第一提取结果和所述第二提取结果，确定所述初始子模型对所述父模型的第二损失值；
25.基于所述第二损失值，采用蒸馏处理方式更新所述初始子模型的模型参数，直至确定满足预设收敛条件时，将当前的初始子模型，确定为所述子模型。
26.在一些实施例中，所述初始子模型是对所述父模型先进行稀疏化处理再进行剪枝处理得到的。
27.第二方面，本技术实施例提供一种目标物的检测装置，包括：
28.提取模块，用于将获取的待检测图像分别输入预先训练的父模型和预先训练的子模型中进行特征提取，所述父模型与所述子模型的特征提取能力的差异在预设范围内，且所述父模型的特征提取能力高于所述子模型的特征提取能力；
29.获取模块，用于从所述父模型中获取n个第一特征图，从所述子模型中获取n个第二特征图，其中，n为大于零的整数；
30.比对模块，用于对所述n个第一特征图和所述n个第二特征图进行比对，得到所述n个第二特征图与所述n个第一特征图的特征差异信息；
31.处理模块，用于对所述特征差异信息进行反向传播处理，得到所述待检测图像的梯度信息；
32.检测模块，用于基于所述梯度信息，检测所述待检测图像中的目标物信息。
33.在一些实施例中，当n大于1时，所述比对模块，具体用于：
34.确定每个第二特征图对匹配的第一特征图在特征表达上的第一损失值，其中，所述匹配是指所述第二特征图与所述第一特征图的特征提取次序匹配；
35.将各第一损失值之和，确定为所述n个第二特征图与所述n个第一特征图的特征差异信息。
36.在一些实施例中，所述检测模块，具体用于：
37.若确定所述梯度信息表示的梯度大于预设值，则基于所述梯度信息，确定所述待检测图像中目标物的位置区域和/或显著图。
38.在一些实施例中，还包括：
39.生成模块，用于基于所述梯度信息，生成梯度图像；
40.滤波模块，用于对所述梯度图像进行滤波处理；
41.所述检测模块，具体用于基于滤波处理后所述梯度图像中的梯度信息，确定所述
位置区域和/或所述显著图。
42.在一些实施例中，根据以下步骤训练所述子模型：
43.获取正样本图像，所述正样本图像不包含目标物；
44.将所述正样本图像输入所述父模型，得到第一提取结果，将所述正样本图像输入待训练的初始子模型，得到第二提取结果；
45.基于所述第一提取结果和所述第二提取结果，确定所述初始子模型对所述父模型的第二损失值；
46.基于所述第二损失值，采用蒸馏处理方式更新所述初始子模型的模型参数，直至确定满足预设收敛条件时，将当前的初始子模型，确定为所述子模型。
47.在一些实施例中，所述初始子模型是对所述父模型先进行稀疏化处理再进行剪枝处理得到的。
48.第三方面，本技术实施例提供一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中：
49.存储器存储有可被至少一个处理器执行的计算机程序，该计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述目标物的检测方法。
50.第四方面，本技术实施例提供一种存储介质，当所述存储介质中的计算机程序由电子设备的处理器执行时，所述电子设备能够执行上述目标物的检测方法。
51.本技术实施例中，将获取的待检测图像分别输入预先训练的父模型和预先训练的子模型中进行特征提取，从父模型中获取n个第一特征图，从子模型中获取n个第二特征图，对n个第一特征图和n个第二特征图进行比对，得到特征差异信息，对特征差异信息进行反向传播处理，得到待检测图像的梯度信息，基于梯度信息，检测待检测图像中的目标物信息，其中，父模型与子模型的特征提取能力的差异在预设范围内，且父模型的特征提取能力高于子模型的特征提取能力。这样，父模型提取的n个第一特征图与子模型提取的n个第二特征图的差异，可反映出父模型和子模型在检测目标物时的差异，基于该差异可确定待检测图像的梯度信息，进而确定待检测图像中的目标物信息，不需去覆盖到各种形态或各种类型的目标物的图像样本，即可比较准确地对目标物进行检测，降低误检率。
附图说明
52.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
53.图1为本技术实施例提供的一种模型训练过程示意图；
54.图2为本技术实施例提供的一种模型使用过程示意图；
55.图3为本技术实施例提供的另一种目标物的检测流程示意图；
56.图4为本技术实施例提供的一种目标物的检测装置的结构示意图；
57.图5为本技术实施例提供的一种用于实现目标物的检测方法的电子设备的硬件结构示意图。
具体实施方式
58.为了解决相关技术中的目标物检测存在着容易产生误检的问题，本技术实施例提
供了一种目标物的检测方法、装置、电子设备及存储介质。
59.以下结合说明书附图对本技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本技术，并不用于限定本技术，并且在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
60.为了便于理解本技术，本技术涉及的技术术语中：
61.父模型，与子模型构成一对模型。父模型的模型结构相对复杂、模型参数量级相对较大，而子模型的模型结构相对简单、模型参数量级相对较小，这些因素决定了父模型和子模型在对图像做同样目的的处理如特征提取时，父模型的处理能力要高于子模型的处理能力。
62.特征提取能力，用于表征对图像的特征提取丰富度、特征提取准确度等。一般地，特征提取能力越高，提取到的特征越丰富、也更准确，特征提取能力越低，提取到的特征越不丰富、也越不准确。
63.本技术实施例中的目标物可以是垃圾也可以是其他物体。以目标物是垃圾为例，随着当前社会经济飞速发展，城市化进程不断加快，人们对城市市容市貌也提出了更高的要求，尤其是城市中乱扔、乱倒垃圾的现象，不仅影响市容市貌，还严重污染环境。然而，目前处理垃圾时除了由城市清洁工作者进行人工维护和清理垃圾之外，还运用了ai视觉算法来进行垃圾检测，但这类算法不仅需要采集大量的正、负样本图像，还需要对于垃圾的种类覆盖全面，但通常情况下垃圾的种类繁多、形态万千，这使得样本的收集变得更加困难，对于样本中没有覆盖到的垃圾，极易容易产生误检。此外，采集的正、负样本图像数据也需要进行人工标注，标注的过程也需要耗费大量人力成本。
64.鉴于此，本技术实施例提供了一种目标物的检测方法，该方法中，预先训练父模型和初始子模型，将不包含垃圾的图像，即正样本图像，输入父模型和初始子模型，利用蒸馏技术训练初始子模型，得到最终的子模型，以保证子模型与父模型对图像的特征提取能力的差异在预设范围内，且父模型的特征提取能力高于子模型的特征提取能力。然后将待检测图像分别输入父模型和子模型中进行特提取，父模型提取的n个第一特征图与子模型提取的n个第二特征图的差异，可反映出父模型和子模型在检测垃圾时的差异，基于该差异可确定待检测图像的梯度信息，进而确定待检测图像中的垃圾信息。这样，无需采集大量有垃圾的图像，即负样本图像，也不需要构建大量的标注数据，即可降低垃圾的误检概率，又可以节省采集、标注过程中的人力成本。
65.当本技术实施例的方案应用于其他类似物体检测时，也可以达到相同的效果。
66.本技术实施例的方案主要包括模型训练和模型使用两个过程，下面分别对两个过程进行介绍。
67.一、模型训练过程。
68.图1为本技术实施例提供的一种模型训练过程示意图，包括以下步骤：
69.第一步，预训练父模型。
70.具体实施时，可以选择常规的卷积神经网络(convolutional neural network，cnn)，例如视觉几何组(visual geometry group，vgg)、resnet、darknet等，也可以是最新的vit网络模型，例如swin transformer等网络结构作为父模型的模型结构，然后采用imagenet数据集或其他大型用于目标检测的数据集，如objects365，对父模型进行预训练，
其中，objects365数据集有365个目标类别，超过600k的训练图像，手工标注了超过1000万个高质量的边框。
71.第二步，对父模型进行稀疏化处理。
72.具体实施时，可通过设定的超参数，如scale参数，对父模型中批量归一化(batch normalization，bn)层的模型参数进行衰减，从而实现对父模型的稀疏化处理。
73.第三步，对稀疏化处理后的父模型进行剪枝处理，得到初始子模型。
74.其中，剪枝是指剪去待剪枝模型中的一些模型参数。
75.具体实施时，对bn层的权重，可根据预先设置的剪枝率确定一个阈值，根据阈值可以生成每个基础块(block)的输入掩膜(mask)和输出mask，根据这两种mask对bn层进行通道剪枝，进一步的根据这两种mask对卷积层(conv)和bn层进行通道剪枝。
76.其中，剪枝率是指需要调整的模型参数比例。比如，当剪枝率为20％时，表示需要对20％的模型参数进行调整，保存剪枝后的模型参数和模型的网络结构，每个基础block可包括若干个卷积层。
77.这样，经过剪枝后就得到了一个轻量化的初始子模型。
78.第四步，将正样本图像输入父模型和初始子模型，利用蒸馏技术训练初始子模型，得到最终的子模型。
79.具体实施时，采集正样本图像，不需要标注目标物的位置区域，也不需要负样本图像，可以首先构建训练代码脚本，基于确定的损失函数，蒸馏训练初始子模型，直至能满足预设收敛条件时，停止训练，在这个过程中可以让初始子模型尽可能地学习到父模型对正样本的特征表达能力，这个过程为无监督学习正样本的特征表示的过程。
80.需要说明的是，父模型与子模型的特征提取能力的差异在预设范围内，且父模型的特征提取能力高于子模型的特征提取能力。
81.二、模型使用过程。
82.图2为本技术实施例提供的一种模型使用过程示意图。包含以下步骤：
83.第一步，获取待检测图像。
84.第二步，将待检测图像输入父模型和子模型进行特征提取。
85.如图2所示，父模型提取到的特征图为{特征图1、特征图2、特征图3、特征图4}，子模型提取到的特征图为{特征图1
′
、特征图2
′
}。
86.第三步，从父模型中获取n个第一特征图，从子模型中获取n个第二特征图，其中，n为大于零的整数。
87.以n＝2为例，则2个第二特征图为{特征图1
′
、特征图2
′
}，为了与各第二特征图的表达能力相当，选择的2个第一特征图可以为{特征图1、特征图3}或{特征图2、特征图4}。
88.第四步，基于n个第一特征图和n个第二特征图，计算总损失。
89.由于父模型具备大量样本的预训练学习，有足够充分的特征提取能力，而子模型在对目标物的特征提取能力不足，因而在特征图上会产生差异。
90.具体实施时，可以先确定每个第二特征图对与其特征提取次序匹配的第一特征图在特征表达上的第一损失值，然后将各第一损失值之和，确定为n个第二特征图与n个第一特征图的特征差异信息。
91.以2个第一特征图为{特征图1、特征图3}，2个第二特征图为{特征图1
′
、特征图2
′
}
为例，与特征图1的提取次序匹配的为特征图1
′
，类似的与特征图3的提取次序匹配的为特征图3
′
。通过特征图1和特征图1
′
，计算得到损失值1，通过特征图3与特征图2
′
，计算得到损失值2，然后，将损失值1和损失值2之和确定为总损失，总损失可表征{特征图1
′
、特征图2
′
}与{特征图1、特征图3}的特征差异信息。
92.第五步，基于总损失，检测待检测图像中的目标物信息。
93.由于总损失可表征{特征图1
′
、特征图2
′
}与{特征图1、特征图3}的特征差异信息，所以对总损失进行反向传播处理，可得到待检测图像的梯度信息。尤其是当利用多个特征图时，可以增强目标物检测的鲁棒性，相比单一的特征图也更准确。
94.之后，可基于梯度信息，生成梯度图像，对梯度图像进行滤波处理，基于滤波处理后梯度图像中的梯度信息，确定待检测图像中目标物的位置区域和/或显著图，以提升目标物检测的准确性。
95.本技术实施例中，父模型提取的n个第一特征图与子模型提取的n个第二特征图的差异，可反映出父模型和子模型在检测目标物时的差异，基于该特征差异可确定待检测图像的梯度信息，进而确定待检测图像中的目标物信息，无需采集大量负样本图像，也不需要构建大量的标注数据，只需要采集正样本图像，不仅可以节省了采集标注过程中耗费的人力成本，而且可以比较准确地对目标物进行检测，降低误检率。
96.图3为本技术实施例提供的另一种目标物的检测流程示意图，包括以下步骤。
97.在步骤301中，将获取的待检测图像分别输入预先训练的父模型和预先训练的子模型中进行特征提取。
98.其中，父模型与子模型的特征提取能力的差异在预设范围内，且父模型的特征提取能力高于子模型的特征提取能力。
99.下面先对训练子模型的过程进行介绍。
100.第一步、基于预先训练的父模型，获取初始子模型。
101.比如，可对父模型先进行稀疏化处理再进行剪枝处理得到一个初始子模型，再比如，可以参照父模型的网络结构和模型参数，手动构建与父模型的结构和参数均类似的模型作为初始子模型。
102.第二步、训练初始子模型，得到最终的子模型。
103.在一些实施例中，可以获取正样本图像(指不包含目标物的图像)，然后，将正样本图像输入父模型，得到第一提取结果，将正样本图像输入待训练的初始子模型，得到第二提取结果，其次，基于第一提取结果和第二提取结果，确定初始子模型对父模型的第二损失值，最后基于第二损失值，采用蒸馏处理方式更新初始子模型的模型参数，直至确定满足预设收敛条件时，将当前的初始子模型，确定为子模型。其中，预设收敛条件如迭代次数达到预设次数。
104.在另一些实施例中，可利用训练父模型的至少部分图像样本去训练初始子模型，得到最终的子模型。
105.之后，将获取的待检测图像分别输入预先训练的父模型和预先训练的子模型中进行特征提取。
106.一般地，父模型的卷积层较多，子模型的卷积层较少，所以父模型提取到的特征图会多于子模型提取到的特征图。并且，父模型的特征提取能力高于子模型的特征提取能力，
所以父模型提取到的特征更丰富，也更准确，而子模型提取到的特征比较少，也不那么准确。
107.在步骤302中，从父模型中获取n个第一特征图，从子模型中获取n个第二特征图，其中，n为大于零的整数。
108.在步骤303中，对n个第一特征图和n个第二特征图进行比对，得到n个第二特征图与n个第一特征图的特征差异信息。
109.此步骤可参见图2中第四步的实施方式，在此不再赘述。
110.在步骤304中，对特征差异信息进行反向传播处理，得到待检测图像的梯度信息。
111.在步骤305中，基于梯度信息，检测待检测图像中的目标物信息
112.具体实施时，可先判断梯度信息表示的梯度是否大于预设值，若确定梯度信息表示的梯度大于预设值，则基于梯度信息，确定待检测图像中的目标物信息，如目标物的位置区域和/或显著图；若确定梯度信息表示的梯度不大于预设值，则说明待检测图像中没有目标物。
113.另外，基于梯度信息，还可生成梯度图像，对梯度图像进行滤波处理，基于滤波处理后梯度图像中的梯度信息，确定待检测图像中目标物的位置区域和/或显著图。这样，可以提升目标物检测的准确性。
114.基于相同的技术构思，本技术实施例还提供一种目标物的检测装置，目标物的检测装置解决问题的原理与上述目标物的检测方法相似，因此目标物的检测装置的实施可参见目标物的检测方法的实施，重复之处不再赘述。
115.图4为本技术实施例提供的一种目标物的检测装置的结构示意图，包括提取模块401、获取模块402、比对模块403、处理模块404、检测模块405。
116.提取模块401，用于将获取的待检测图像分别输入预先训练的父模型和预先训练的子模型中进行特征提取，所述父模型与所述子模型的特征提取能力的差异在预设范围内，且所述父模型的特征提取能力高于所述子模型的特征提取能力；
117.获取模块402，用于从所述父模型中获取n个第一特征图，从所述子模型中获取n个第二特征图，其中，n为大于零的整数；
118.比对模块403，用于对所述n个第一特征图和所述n个第二特征图进行比对，得到所述n个第二特征图与所述n个第一特征图的特征差异信息；
119.处理模块404，用于对所述特征差异信息进行反向传播处理，得到所述待检测图像的梯度信息；
120.检测模块405，用于基于所述梯度信息，检测所述待检测图像中的目标物信息。
121.在一些实施例中，当n大于1时，所述比对模块403，具体用于：
122.确定每个第二特征图对匹配的第一特征图在特征表达上的第一损失值，其中，所述匹配是指所述第二特征图与所述第一特征图的特征提取次序匹配；
123.将各第一损失值之和，确定为所述n个第二特征图与所述n个第一特征图的特征差异信息。
124.在一些实施例中，所述检测模块405，具体用于：
125.若确定所述梯度信息表示的梯度大于预设值，则基于所述梯度信息，确定所述待检测图像中目标物的位置区域和/或显著图。
126.在一些实施例中，还包括：
127.生成模块406，用于基于所述梯度信息，生成梯度图像；
128.滤波模块407，用于对所述梯度图像进行滤波处理；
129.所述检测模块405，还用于基于滤波处理后所述梯度图像中的梯度信息，确定所述位置区域和/或所述显著图。
130.在一些实施例中，根据以下步骤训练所述子模型：
131.获取正样本图像，所述正样本图像不包含目标物；
132.将所述正样本图像输入所述父模型，得到第一提取结果，将所述正样本图像输入待训练的初始子模型，得到第二提取结果；
133.基于所述第一提取结果和所述第二提取结果，确定所述初始子模型对所述父模型的第二损失值；
134.基于所述第二损失值，采用蒸馏处理方式更新所述初始子模型的模型参数，直至确定满足预设收敛条件时，将当前的初始子模型，确定为所述子模型。
135.在一些实施例中，所述初始子模型是对所述父模型先进行稀疏化处理再进行剪枝处理得到的。
136.本技术实施例中对模块的划分是示意性的，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，另外，本技术各实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。各个模块相互之间的耦合可以是通过一些接口实现，这些接口通常是电性通信接口，但是也不排除可能是机械接口或其它的形式接口。因此，作为分离部件说明的模块可以是或者也可以不是物理上分开的，既可以位于一个地方，也可以分布到同一个或不同设备的不同位置上。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
137.在介绍了本技术示例性实施方式的目标物的检测方法和装置之后，接下来，介绍根据本技术的另一示例性实施方式的电子设备。
138.下面参照图5来描述根据本技术的这种实施方式实现的电子设备130。图5显示的电子设备130仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
139.如图5所示，电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于：上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
140.总线133表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
141.存储器132可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)1321和/或高速缓存存储器1322，还可以进一步包括只读存储器(rom)1323。
142.存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325，这样的程序模块1324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
143.电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备130交互的设备通信，和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通
信。这种通信可以通过输入/输出(i/o)接口135进行。并且，电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备130使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
144.在示例性实施例中，还提供了一种存储介质，当存储介质中的计算机程序由电子设备的处理器执行时，电子设备能够执行上述目标物的检测方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
145.在示例性实施例中，本技术的电子设备可以至少包括至少一个处理器，以及与这至少一个处理器通信连接的存储器，其中，存储器存储有可被这至少一个处理器执行的计算机程序，计算机程序被这至少一个处理器执行时可使这至少一个处理器执行本技术实施例提供的任一目标物的检测方法的步骤。
146.在示例性实施例中，还提供一种计算机程序产品，当计算机程序产品被电子设备执行时，电子设备能够实现本技术提供的任一示例性方法。
147.并且，计算机程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、ram、rom、可擦式可编程只读存储器(erasable programmable read-only memory，eprom)、闪存、光纤、光盘只读存储器(compact disk read only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
148.本技术实施例中用于目标物的检测的程序产品可以采用cd-rom并包括程序代码，并可以在计算设备上运行。然而，本技术的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
149.可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
150.可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、射频(radio frequency，rf)等等，或者上述的任意合适的组合。
151.可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程
计算设备的情形中，远程计算设备可以通过任意种类的网络如局域网(local area network，lan)或广域网(wide area network，wan)连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
152.应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
153.此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
154.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
155.本技术是参照根据本技术实施例的方法、装置(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。
156.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。
157.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。
158.尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做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技术范围的所有变更和修改。
159.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。