1.本公开涉及图像处理领域，尤其涉及一种目标对象检测方法、装置及可读存储介质。
背景技术：
2.鱼眼镜头由于视野较大、能够看到距离自车较近的区域这一特性，在自动驾驶领域中的应用较为广泛。而鱼眼镜头采集到的鱼眼图像的畸变较大，相关技术中在应用时通常会将鱼眼图像中的全部或部分关键点进行去畸变的操作，从而基于去畸变之后的获得图像进行图像识别。然而通过该方式所得的去畸变之后的图像的视野变小，失去了鱼眼镜头本身的特征优势。又或者是将鱼眼图像映射为球形或者圆柱形的图像，该方式会对鱼眼图像进行部分裁剪，从而减少图像中的部分特征。
技术实现要素：
3.为克服相关技术中存在的问题，本公开提供一种目标对象检测方法、装置及可读存储介质。
4.根据本公开实施例的第一方面，提供一种目标对象检测方法，包括：
5.获取目标车辆上安装的多个摄像装置采集的图像；
6.确定每一所述摄像装置的参数信息在高维空间中对应的高维参数特征；
7.通过目标对象检测模型根据所述高维参数特征，对所述图像的特征进行融合，以基于融合后的融合特征确定目标对象的位置信息，其中，所述图像对应的摄像装置的顺序和所述高维参数特征对应的摄像装置的顺序相同。
8.可选地，所述目标对象检测模型包括：特征提取子模型、特征转换子模型、特征编码子模型和特征解码子模型；
9.所述特征提取子模型用于对输入的图像进行特征提取，获得图像对应的二维特征；所述特征转换子模型用于根据所述二维特征和所述高维参数特征进行特征转换，获得三维特征；所述特征编码子模型用于对所述三维特征进行编码，获得所述融合特征；所述特征解码子模型用于对所述融合特征进行解码，获得所述位置信息。
10.可选地，所述特征编码子模型为transformer模型的编码器，所述特征编码子模型通过以下方式对所述三维特征进行编码，获得所述融合特征：
11.对所述三维特征进行特征划分，获得大小相等的多个子特征；
12.根据每个所述子特征对应的特征向量，和该子特征对应的位置向量，对所述特征向量进行特征融合，获得所述融合特征。
13.可选地，所述特征转换子模型为多层感知器，所述特征转换子模型通过以下方式根据所述二维特征和所述高维参数特征进行特征转换，获得三维特征：
14.根据所述高维参数特征对所述特征转换子模型中的参数进行赋值；
15.根据赋值后的所述特征转换子模型对所述二维特征进行特征转换，获得所述三维
特征。
16.可选地，所述目标对象检测模型通过以下方式进行训练：
17.获取训练样本集，其中，所述训练样本集中的每一训练样本包括输入图像序列、所述输入图像序列中的每一图像对应的摄像装置的训练参数信息，以及所述输入图像序列对应的目标位置信息；
18.将所述训练参数信息输入参数映射模型，获得所述训练参数信息对应的高维参数特征；
19.将所述输入图像序列和所述训练参数信息对应的高维参数特征输入预设模型，获得所述预设模型输出的预测位置信息；
20.根据所述目标位置信息和所述预测位置信息确定所述目标损失；
21.根据所述目标损失对所述参数映射模型和所述预设模型进行训练，并将训练完成的预设模型确定为所述目标对象检测模型。
22.可选地，所述确定每一所述摄像装置的参数信息在高维空间中对应的高维参数特征，包括：
23.根据所述参数信息和高维参数映射关系表，获得所述参数信息对应的高维参数特征，其中，所述高维参数映射关系表通过如下方式生成：
24.将预设的摄像装置的参数信息输入训练完成的所述参数映射模型，获得所述参数映射模型输出的高维参数特征；
25.将训练完成的所述参数映射模型输入的参数信息和输出的高维参数特征生成对应关系，以获得所述高维参数映射关系表。
26.可选地，所述目标对象包括三维障碍物、三维车道线、三维行驶区域中的至少一者。
27.根据本公开实施例的第二方面，提供一种目标对象检测装置，包括：
28.获取模块，被配置为获取目标车辆上安装的多个摄像装置采集的图像；
29.第一确定模块，被配置为确定每一所述摄像装置的参数信息在高维空间中对应的高维参数特征；
30.第二确定模块，被配置为通过目标对象检测模型根据所述高维参数特征，对所述图像的特征进行融合，以基于融合后的融合特征确定目标对象的位置信息，其中，所述图像对应的摄像装置的顺序和所述高维参数特征对应的摄像装置的顺序相同。
31.根据本公开实施例的第三方面，提供一种目标对象检测装置，包括：
32.处理器；
33.用于存储处理器可执行指令的存储器；
34.其中，所述处理器被配置为：
35.获取目标车辆上安装的多个摄像装置采集的图像；
36.确定每一所述摄像装置的参数信息在高维空间中对应的高维参数特征；
37.通过目标对象检测模型根据所述高维参数特征，对所述图像的特征进行融合，以基于融合后的融合特征确定目标对象的位置信息，其中，所述图像对应的摄像装置的顺序和所述高维参数特征对应的摄像装置的顺序相同。
38.根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算
机程序指令，该程序指令被处理器执行时实现第一方面任一所提供的目标对象检测方法的步骤。
39.本公开的实施例提供的技术方案可以包括以下有益效果：
40.通过获取目标车辆上安装的多个摄像装置采集的图像，并获得该多个摄像装置的参数信息对应的高维参数特征，以基于该高维参数特征和目标对象检测模型对各个图像的特征进行融合，并基于融合的特征获得目标对象的检测结果。由此，通过将摄像装置对应的参数信息映射至更高维度下的表示，以使得该高维参数特征与参数信息相比具有信息冗余性，适应鱼眼镜头下的特征非线性变换，保证对鱼眼镜头所得图像处理的准确性，从而提高目标对象检测的准确性。并且通过对多个图像在特征维度进行融合，可以获得图像的高级语义中的融合特征，提高基于该目标对象检测模型进行目标对象检测的鲁棒性，扩展目标对象检测的使用范围。
41.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，并不能限制本公开。
附图说明
42.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
43.图1是根据一示例性实施例示出的一种目标对象检测方法的流程图；
44.图2是根据一示例性实施例示出的一种目标对象检测模型的结构示意图；
45.图3是根据一示例性实施例示出的一种目标对象检测装置的框图；
46.图4是根据一示例性实施例示出的一种用于目标对象检测的装置的框图；
47.图5是根据一示例性实施例示出的一种用于目标对象检测的装置的框图。
具体实施方式
48.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
49.需要说明的是，本技术中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
50.图1是根据一示例性实施例示出的一种目标对象检测方法的流程图，如图1所示，所述方法可以包括：
51.在步骤11中，获取目标车辆上安装的多个摄像装置采集的图像。
52.其中，目标车辆中可以安装有多个摄像装置，以便于可以更多地获取车辆周围的信息。其中，该多个摄像装置可以为车辆上常用的针孔镜头以及鱼眼镜头等。例如，该多个摄像装置可以全部为针孔镜头。优选地，该多个摄像装置中的至少一者可以为鱼眼镜头。其中，多个摄像装置可以全部为鱼眼镜头，或者可以为鱼眼镜头和针孔镜头的结合。由于鱼眼镜头采集的图像中各个位置的畸变参数不同，基于本公开的方法更加适用于处理鱼眼镜头
采集的图像，可以对该图像进行更加准确的处理。
53.示例地，可以在车辆上合适的位置安装四个鱼眼镜头，以捕捉到自车周围所有的区域的图像，实现对车身周围全方位的监控。其中，摄像装置的安装数量以及各个摄像装置的安装位置可以根据实际应用场景进行设置，对此本公开不作限定。
54.在步骤12中，确定每一摄像装置的参数信息在高维空间中对应的高维参数特征。示例地，所述参数信息可以包括所述摄像装置的摄像参数以及安装参数，摄像参数可以是摄像装置出厂的配置参数，安装参数可以是所述摄像装置相对于所述目标车辆的安装位置信息、旋转角度信息等。
55.其中，摄像装置可以采集到的图像中的信息与该摄像装置的安装位置有关，因此可以进一步获取摄像装置的参数信息以便于基于该参数信息对相应的摄像装置采集到的图像进行处理。
56.在摄像装置在车辆上安装后，则可以确定出该摄像装置相对于该目标车辆的安装位置信息和旋转角度信息，即该摄像装置在目标车辆对应的车辆坐标系中的位置坐标和在该位置的旋转角度，从而可以确定该摄像装置采集的图像是哪个位置的图像，以便于将图像中的目标对象的位置信息转换至该车辆坐标系中。
57.示例地，该摄像装置的摄像参数可以是该摄像装置出厂的参数，如内参矩阵、焦距、dx和dy等，dx和dy表示x方向和y方向的一个像素分别占多少个单位，以反映现实中的图像物理坐标关系与图像坐标系的转换。其中该摄像参数为相应的摄像装置出厂时进行标定的，可以从摄像装置的配置信息中获取，其可以是配置信息中的全部信息，也可以根据实际应用场景选择其中的部分信息，本公开对此不作限定。
58.在该实施例中，摄像装置可以是鱼眼镜头也可以是针孔镜头，则针对鱼眼镜头而言，其对应的配置信息中包含畸变参数，则该摄像参数还包括该鱼眼镜头对应的畸变参数。针对针孔镜头而言，若其对应的配置信息中没有畸变参数的标定，则可以默认设置为0。
59.在步骤13中，通过目标对象检测模型根据高维参数特征，对图像的特征进行融合，以基于融合后的融合特征确定目标对象的位置信息，其中，所述图像对应的摄像装置的顺序和所述高维参数特征对应的摄像装置的顺序相同。
60.其中，可以预先设置目标车辆上安装的多个摄像装置的排列顺序，从而可以基于该排列顺序将该多个摄像装置对应的图像进行排序，并基于该排列顺序进行多个摄像装置对应的高维参数特征进行排序，以使得目标对象检测模型中输入的图像和高维参数特征之间的对应关系，保证数据处理的准确性。
61.在上述技术方案中，通过获取目标车辆上安装的多个摄像装置采集的图像，并获得该多个摄像装置的参数信息对应的高维参数特征，以基于该高维参数特征和目标对象检测模型对各个图像的特征进行融合，并基于融合的特征获得目标对象的检测结果。由此，通过将摄像装置对应的参数信息映射至更高维度下的表示，以使得该高维参数特征与参数信息相比具有信息冗余性，适应鱼眼镜头下的特征非线性变换，保证对鱼眼镜头所得图像处理的准确性，从而提高目标对象检测的准确性。并且通过对多个图像在特征维度进行融合，可以获得图像的高级语义中的融合特征，提高基于该目标对象检测模型进行目标对象检测的鲁棒性，扩展目标对象检测的使用范围。
62.在一种可能的实施例中，如图2所示，所述目标对象检测模型包括：特征提取子模
型201、特征转换子模型202、特征编码子模型203和特征解码子模型204。以下对各个子模型进行详细说明。
63.所述特征提取子模型201用于对输入的图像进行特征提取，获得图像对应的二维特征。其中，所述特征提取子模型可以是基础网络，如卷积神经网络，从而基于该网络对输入的图像进行特征提取，获得二维特征。
64.所述特征转换子模型202用于根据所述二维特征和所述高维参数特征进行特征转换，获得三维特征。
65.其中，如上文所述高维参数特征为摄像装置的参数信息在更高维度下的特征表示，可以对参数信息进行更加全面的特征表示，则在该实施例中，可以基于摄像装置对应的高维参数特征进行特征转换，即基于摄像装置本身的参数信息将其获得的二维图像中的特征转换至三维立体空间。
66.作为示例，所述特征转换子模型可以为多层感知器mlp(multilayer perceptron)，相应地，所述特征转换子模型可以通过以下方式根据所述二维特征和所述高维参数特征进行特征转换，获得三维特征：
67.根据所述高维参数特征对所述特征转换子模型中的参数进行赋值。
68.根据赋值后的所述特征转换子模型对所述二维特征进行特征转换，获得所述三维特征。
69.其中，该高维参数特征中可以包含mlp模型中的各个权重参数和偏置参数，则可以基于该高维特征参数对mlp模型中的各个参数进行一一赋值，从而确定mlp模型的参数取值。其中，mlp模型中包含输入层、隐藏层和输出层，隐藏层可以为多个，在mlp模型中层与层之间是全连接的，输入层以向量x表示，则隐藏层的输出为f(w1·
x b1)，其中，w1即表示权重参数，b1即表示偏置参数，函数f可以选择本领域中常用的sigmoid函数或者tanh函数，其他层之间的连接方式类似，本公开在此不再赘述。因此，在本公开实施例中，则是对mlp模型的层与层之间传递时进行特征处理的各个权重参数和偏置参数进行赋值，获得与当前输入的图像相对应的特征转换子模型。
70.因此，mlp模型中的参数的取值与实际输入目标对象检测模型中的图像对应的摄像装置的参数信息相匹配，则在基于该mlp模型对输入的二维特征进行特征转换时，可以基于相应的摄像装置对应的高维参数特征进行处理，保证特征转换的准确性，从而提高转换所得的三维特征与二维特征之间的特征一致性，又能够保证三维特征与原始输入的图像之间的特征匹配性，提高三维特征的准确性，为后续进行目标对象检测提供有效且准确的数据支持。
71.所述特征编码子模型203用于对所述三维特征进行编码，获得所述融合特征。其中，二维特征用于表示输入的图像的图像坐标系下的特征，三维特征中则可以包含该输入的图像在目标车辆对应的车辆坐标系下的特征。由于不同的摄像装置的安装位置不同，其所能采集的图像中的图像内容也不相同，则在该实施例中，可以对多个摄像装置采集到的不同图像在特征维度进行融合，以避免基于每一图像对应的感知结果进行融合时对图像中的纹理、颜色等特征的忽略，保证所得的融合特征中的特征的全面性和准确性，进一步为后续进行目标对象识别提供可靠的数据支持。
72.其中，在基于鱼眼镜头采集的图像中，图像中的不同位置对应的畸变参数通常不
同。基于此，本公开提供以下实施例。作为示例，所述特征编码子模型为transformer模型的编码器，相应地，所述特征编码子模型通过以下方式对所述三维特征进行编码，获得所述融合特征：
73.对所述三维特征进行特征划分，获得大小相等的多个子特征；
74.根据每个所述子特征对应的特征向量，和该子特征对应的位置向量，对所述特征向量进行特征融合，获得所述融合特征。
75.其中，transformer模型为处理序列到序列问题的架构，而在该实施例中是对二维图像的处理，则可以将二维图像转换成一维序列。相应地，可以将图像对应的三维特征进行特征划分，以获得多个大小相等的小块，即子特征，多个子特征形成的序列即可以作为该编码器的输入序列。其中特征划分的大小可以根据实际应用场景预先设置，本公开不作限定。
76.之后则可以通过对各个子特征进行线性变化得到embedding，即特征向量。再给所有的小块加入位置编码信息，即获得每一所述子特征对应的位置向量，其中位置编码信息初始化为随机数，之后可以通过训练进行学习。
77.其中，在transformer模型的编码器进行编码的过程中，可以将三维特征图像进行划分获得多个子特征图，并基于注意力机制进行编码，从而可以打破空间的局限，同时通过结合每个子特征对应的位置向量进行特征融合，又能够保留相应的空间位置信息，贴合鱼眼镜头所得图像中不同位置对应不同的畸变参数的场景，从而保证鱼眼镜头所得的图像的特征之间融合的准确性和精度，避免去畸变噪声的视野缩小，从而提供融合特征中的特征的全面性和对应的视野特征的有效性。
78.所述特征解码子模型204用于对融合特征进行解码，获得所述位置信息。示例地，该特征解码子模型可以为transformer模型的解码器，其结构和解码方式可以采用本领域中通用的解码器模型实现，在此不再赘述。通过对融合特征进行解码，则可以获得相应的解码特征。其中，所述融合特征为基于三维特征进行融合所得的，则解码后所得的解码特征可以是bev(bird’s eye view)空间的bev特征，之后基于该bev特征通过输出层进行转换，获得相应的位置信息。其中，该输出层可以基于分类网络对应的输出层实现，如基于对bev特征进行softmax处理实现。
79.由此，通过上述技术方案，可以基于目标对象检测模型中的各个子模型实现对采集图像的特征提取、特征转换和特征融合，从而基于融合后的特征获得目标对象的位置信息，可以基于车辆周围不同视角下的图像进行目标对象检测，同时可以直接输出车辆坐标系下的目标对象的检测结果，在提高目标对象检测结果的准确性的同时，提高该检测结果在车辆系统中的可用性，为自动驾驶的决策提高有效的数据支持，保证安全驾驶。
80.在一种可能的实施例中，所述目标对象检测模型通过以下方式进行训练：
81.获取训练样本集，其中，所述训练样本集中的每一训练样本包括输入图像序列、所述输入图像序列中的每一图像对应的摄像装置的训练参数信息，以及所述输入图像序列对应的目标位置信息。所述输入图像序列中可以包括训练车辆上安装的多个摄像装置所采集的图像的序列，摄像装置对应的训练参数信息与步骤12中摄像装置的参数信息类似，在此不再赘述。输入图像序列对应的目标位置信息可以是由工作人员预先进行标注的待检测的对象的位置信息。
82.将所述训练参数信息输入参数映射模型，获得所述训练参数信息对应的高维参数
95.(p2,r2,h2)-》g296.……
97.(pn,rn,hn)-》gn98.相应地，在确定每一所述摄像装置的参数信息在高维空间中对应的高维参数特征时，可以基于该每一摄像装置的参数信息查询该高维参数映射表，以将查询到高维参数特征作为该参数信息对应的高维参数特征，无需基于参数信息和参数映射模型重复生成，降低数据计算量，同时可以提高目标对象检测模型的检测效率，提高目标对象检测的实时性。
99.在一种可能的实施例中，所述目标对象包括三维障碍物、三维车道线、三维行驶区域中的至少一者，从而可以适应于自动驾驶下的多个应用场景，进一步提升该目标检测方法的应用范围。
100.如上文所述，若目标对象为上述的中一者，则在进行训练的过程中训练样本中的目标位置信息可以为该目标对象，如目标对象为三维障碍物，则可以基于标注了障碍物的目标位置信息的训练样本进行训练。如目标对象为三维车道线，则可以基于标注了三维车道线的目标位置信息的训练样本进行训练。
101.若目标对象为上述中的多者，则可以先基于标注其中一者的训练样本进行预训练，获得预训练模型，如目标对象包括三维障碍物和三维车道线，则可以基于标注了障碍物的目标位置信息的训练样本进行训练，将训练完成的模型作为预训练模型。之后可以进一步基于标注了三维车道线的目标位置信息的训练样本在该预训练模型的基础上进行微调训练，从而获得可以输出三维障碍物和三维车道线的位置信息的多任务模型，可以降低训练成本，提高训练效率，同时也可以保证多任务模型的检测结果的准确性，提升用户使用体验。
102.本公开还提供一种目标对象检测装置，如图3所示，所述装置30包括：
103.获取模块301，被配置为获取目标车辆上安装的多个摄像装置采集的图像；
104.第一确定模块302，被配置为确定每一所述摄像装置的参数信息在高维空间中对应的高维参数特征；
105.第二确定模块303，被配置为通过目标对象检测模型根据所述高维参数特征，对所述图像的特征进行融合，以基于融合后的融合特征确定目标对象的位置信息，其中，所述图像对应的摄像装置的顺序和所述高维参数特征对应的摄像装置的顺序相同。
106.可选地，所述目标对象检测模型包括：特征提取子模型、特征转换子模型、特征编码子模型和特征解码子模型；
107.所述特征提取子模型用于对输入的图像进行特征提取，获得图像对应的二维特征；所述特征转换子模型用于根据所述二维特征和所述高维参数特征进行特征转换，获得三维特征；所述特征编码子模型用于对所述三维特征进行编码，获得所述融合特征；所述特征解码子模型用于对所述融合特征进行解码，获得所述位置信息。
108.可选地，所述特征编码子模型为transformer模型的编码器，所述特征编码子模型通过以下模块对所述三维特征进行编码，获得所述融合特征：
109.划分子模块，被配置为对所述三维特征进行特征划分，获得大小相等的多个子特征；
110.融合子模块，被配置为根据每个所述子特征对应的特征向量，和该子特征对应的
位置向量，对所述特征向量进行特征融合，获得所述融合特征。
111.可选地，所述特征转换子模型为多层感知器，所述特征转换子模型通过以下模块根据所述二维特征和所述高维参数特征进行特征转换，获得三维特征：
112.赋值子模块，被配置为根据所述高维参数特征对所述特征转换子模型中的参数进行赋值；
113.转换子模块，被配置为根据赋值后的所述特征转换子模型对所述二维特征进行特征转换，获得所述三维特征。
114.可选地，所述目标对象检测模型通过以下训练模块进行训练：
115.获取子模块，配置为获取训练样本集，其中，所述训练样本集中的每一训练样本包括输入图像序列、所述输入图像序列中的每一图像对应的摄像装置的训练参数信息，以及所述输入图像序列对应的目标位置信息；
116.映射子模块，被配置为将所述训练参数信息输入参数映射模型，获得所述训练参数信息对应的高维参数特征；
117.处理子模块，被配置为将所述输入图像序列和所述训练参数信息对应的高维参数特征输入预设模型，获得所述预设模型输出的预测位置信息；
118.确定子模块，被配置为根据所述目标位置信息和所述预测位置信息确定所述目标损失；
119.训练子模块，被配置为根据所述目标损失对所述参数映射模型和所述预设模型进行训练，并将训练完成的预设模型确定为所述目标对象检测模型。
120.可选地，所述确定每一所述摄像装置的参数信息在高维空间中对应的高维参数特征包括：
121.根据所述参数信息和高维参数映射关系表，获得所述参数信息对应的高维参数特征，其中，所述高维参数映射关系表通过如下方式生成：
122.将预设的摄像装置的参数信息输入训练完成的所述参数映射模型，获得所述参数映射模型输出的高维参数特征；
123.将训练完成的所述参数映射模型输入的参数信息和输出的高维参数特征生成对应关系，以获得所述高维参数映射关系表。
124.可选地，所述目标对象包括三维障碍物、三维车道线、三维行驶区域中的至少一者。
125.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
126.本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的目标对象检测方法的步骤。
127.图4是根据一示例性实施例示出的一种用于目标对象检测的装置800的框图。例如，装置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。
128.参照图4，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件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。
129.处理组件802通常控制装置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，以完成上述的目标对象检测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。
130.存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置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。
131.电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
132.多媒体组件808包括在所述装置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。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所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。当装置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。
133.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)，当装置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。
134.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：9游会主页按钮、音量按钮、启动按钮和锁定按钮。
135.传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置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。
136.通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如wifi，2g或3g，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，所述通信组件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。
137.在示例性实施例中，装置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，用于执行上述目标对象检测方法。
138.在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述目标对象检测方法。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。
139.在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的目标对象检测方法的代码部分。
140.图5是根据一示例性实施例示出的一种用于目标对象检测的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图5，装置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，以执行上述目标对象检测方法。
141.装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(i/o)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如windows server
tm
，mac os x
tm
，unix
tm
，linux
tm
，freebsd
tm
或类似。
142.本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
143.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。