CN104112279A - 一种目标检测方法及装置 - Google Patents

Abstract

本发明公开了一种目标检测方法及装置，该方法包括：确定初始搜索目标区域；按照预设搜索方法，在所述初始搜索目标区域中确定出至少一个候选目标搜索区域，其中每个候选目标搜索区域均具有图像显著性特征；在确定出的候选目标搜索区域中，选取显著性特征最强的候选目标搜索区域作为目标检测区域。能够较为准确地确定出目标检测过程中矩形区域，进而较好地提高目标检测的准确性。

Description

一种目标检测方法及装置

技术领域

本发明涉及视频监控技术领域，尤其是涉及一种目标检测方法及装置。

背景技术

智能视频监控是利用计算机视觉技术对视频信号进行处理、分析和理解，在不需要人为干预的情况下，通过对序列图像自动分析，对监控场景中的变化进行定位、识别和跟踪，并在此基础上分析和判断目标的行为，能在异常情况发生时及时发出警报或提供有用信息，有效地协助安全人员处理危机，并最大限度地降低误报和漏报现象。

智能跟踪球机是一种常见的监控设备，该设备可以自动选择待跟踪的目标，并实现长时间的变倍放大跟踪，广泛应用于车站、地铁、小区以及学校等众多监控场所。现有技术中智能跟踪球机进行目标检测时，主要处理过程是：首先将智能跟踪球机在待监控场所进行固定，然后基于固定的跟踪球机使用运动检测与跟踪技术，获取监控场景中所有的移动目标，将移动目标的外接包围区域做为目标的初始位置，该外界包围区域一般为矩形区域，再在矩形区域内提取各种特征用于智能跟踪球机的后续跟踪。

在存在阴影的情况下，采用现有技术中提出的目标检测方法，确定出的矩形区域会包含较多的阴影像素。其次如果在监控图像中，监控目标彼此距离较近的情况下，采用现有技术中提出的基于运动目标检测与跟踪技术确定出的矩形区域，会同时包含彼此距离较近的目标。因此现有技术中提出的目标检测方法，运动目标检测和跟踪技术并不能给出完整的跟踪目标，后续对目标检测的准确性较低。

发明内容

本发明实施例提供了一种目标检测方法及装置，能够较为准确地确定出目标检测过程中目标检测区域，进而较好地提高目标检测的准确性。

一种目标检测方法，包括：确定初始搜索目标区域；按照预设搜索方法，在所述初始搜索目标区域中确定出至少一个候选目标搜索区域，其中每个候选目标搜索区域均具有图像显著性特征；在确定出的候选目标搜索区域中，选取显著性特征最强的候选目标搜索区域作为目标检测区域。

一种目标检测装置，包括确定模块，用于确定初始搜索目标区域；搜索模块，用于按照预设搜索方法，在所述初始搜索目标区域中确定出至少一个候选目标搜索区域，其中每个候选目标搜索区域均具有图像显著性特征；选取模块，用于在所述搜索模块确定出的候选目标搜索区域中，选取显著性特征最强的候选目标搜索区域作为目标检测区域。

采用上述技术方案，在确定出初始搜索目标区域之后，按照预设搜索方法，在初始搜索目标区域中确定出至少一个候选目标搜索区域，每个候选目标搜索区域均具有图像显著性特征，然后再选取一个显著性特征最强的候选目标搜索区域作为目标检测区域，相对现有技术中仅根据确定出的初始搜索目标区域进行目标检测的方法，本发明上述提出的技术方案，能够计算出真实目标检测区域的位置信息，给出完整的跟踪目标，提高后续对目标检测的准确性。

附图说明

图1为本发明实施例一中，提出的目标检测方法流程图；

图2为本发明实施例一中，提出的初始搜索目标区域中包含的一个候选目标搜索区域示意图；

图3为本发明实施例二中，提出的目标检测装置结构组成示意图。

具体实施方式

针对现有技术中提出的目标检测方法，运动目标检测和跟踪技术并不能给出完整的跟踪目标，后续对目标检测的准确性较低的问题，本发明实施例这里提出的技术方案按照预设搜索方法，在确定出的初始搜索目标区域中确定出至少一个候选目标搜索区域，每个候选目标搜索区域均具有图像显著性特征，然后再选取一个显著性特征最强的候选目标搜索区域作为目标检测区域，后续通过该确定出的目标检测区域进行跟踪，相对现有技术中仅根据确定出的初始搜索目标区域进行目标检测的方法，本发明上述提出的技术方案，能够计算出真实目标检测区域的位置信息，给出完整的跟踪目标，提高后续对目标检测的准确性。

下面将结合各个附图对本发明实施例技术方案的主要实现原理、具体实施方式及其对应能够达到的有益效果进行详细地阐述。

本发明实施例这里提出的技术方案，其实现方法是将确定出的初始搜索目标区域作为一个搜索范围，在其中搜索出一个具有显著性特征的区域作为目标检测区域，然后再在目标检测区域中提取相应的图像特征用于后续跟踪使用。本发明实施例这里提出的目标检测方法的具体实现方案为：假设确定出的初始搜索目标区域为R，该初始搜索目标区域的图形可以但不限于为矩形框、圆形框、菱形框等，本发明实施例这里提出的技术方案中，将以初始搜索目标区域的图形矩形框为例来进行详细阐述。其宽度为W，高度为H，则目标检测区域的图形的可能宽度为αW，高度为βH，其中α、β是一个0到1之间的小数。目标检测区域的图形可以和初始搜索目标区域的图形相同，也可以不同。对于每一种可能的组合(α_i,β_i)，在初始搜索目标区域R中进行一次滑窗搜索，则对应每个可能的候选目标搜索区域的位置信息x（其中，x中包含水平方向的坐标值和竖直方向的坐标值），计算出目标检测区域位于该候选目标搜索区域的概率值p_i(x)，完成所有的可能宽高组合的滑窗搜索之后，就获得一系列概率值集合及其对应的位置信息集合其中，N表示所有可能的宽、高组合的总数量。最后，找到符合预设条件的候选目标搜索区域作为目标检测区域。例如可以确定出概率值集合中的最大的概率值然后将最大的概率值对应的位置信息作为目标检测区域的位置信息。

基于上述实施原理，下面将结合各个附图对本发明实施例技术方案的主要实现原理、具体实施方式及其对应能够达到的有益效果进行详细地阐述。

实施例一

本发明实施例一这里提出一种目标检测方法，如图1所示，其处理流程图下述：

步骤11，确定初始搜索目标区域。

基于运动目标检测与跟踪技术，可以在监控图像中确定出初始搜索目标区域。其中，确定出的初始搜索目标区域的形状可以但不限于是矩形、圆形或者正方形等等。为便于阐述，本发明实施例这里提出的技术方案中，初始搜索目标区域的形状为矩形为例来进行详细阐述，具体实施中初始搜索目标区域的形状也可以是圆形等其它形状。获得监控的视频信息，基于运动目标检测与跟踪技术，分析监控视频中所有的移动目标。自动跟踪球机中的报警设备在所有的移动目标中，判断移动目标是否触发了预先设置的报警规则，如果判断结果为是，则获得触发报警规则的移动目标的外接区域，例如矩形框，该矩形框作为初始搜索目标区域。

步骤12，按照预设搜索方法，在初始搜索目标区域中确定出至少一个候选目标搜索区域。其中每个候选目标搜索区域均具有图像显著性特征

在确定出的初始搜索目标区域中，可以按照滑窗搜索方法确定出至少一个候选位置信息，每一个确定出的候选位置信息对应的区域作为一个候选目标搜索区域。其中，由于初始搜索目标区域的图形形状为矩形，因此，确定出的候选目标搜索区域的图形形状也相应可以是矩形。在初始搜索目标区域中进行滑窗搜索，获取多个候选目标搜索区域。

步骤13，在确定出的候选目标搜索区域中，选取显著性特征最强的候选目标搜索区域作为目标检测区域。

确定候选目标搜索区域对应的候选位置信息和目标检测区域对应的目标位置信息之间相符合的概率值，根据确定出的概率值，确定显著性特征最强的候选位置信息对应的候选目标搜索区域作为目标检测区域。

本发明实施例这里提出的技术方案中，在确定出初始搜索目标区域之后，假设初始搜索目标区域的图形形状是一个矩形框R，其宽度为W，高度为H，目标检测区域的图形M的可能宽度为αW，高度为βH，其中α、β是一个0到1之间的小数。则在W～αW，在H～βH之间，即在矩形框R和M之间，可能包含多个矩形框，该些矩形框对应的就是候选目标搜索区域，具体实施中，就要确定出每一个候选目标搜索区域和最终确定出的目标检测区域之间贴合的概率值，最后根据确定出的概率值确定出最终的目标检测区域。

具体地，图像显著性特征包含纹理显著性和颜色显著性，概率值可以按照下述公式1来确定：

p_i(x)＝ηd_i(x)+(1-η)e_i(x)   公式1

其中p_i(x)是概率值，d_i(x)是纹理显著性参数，是e_i(x)是颜色显著性参数，η是一个0到1之间的小数。

具体地，纹理显著性参数d_i(x)包含梯度特征值，d_i(x)采用下述公式2确定：

d_i(x)＝B_i(x)-W_i(x)   公式2

其中，B_i(x)是候选目标搜索区域中包含的全部像素点对应的梯度特征值的绝对值之和，W_i(x)是初始搜索目标区域中包含的全部像素点对应的梯度特征值的绝对值之和。

颜色显著性参数e_i(x)是位置信息是x的候选目标搜索区域的熵信息，e_i(x)采用下述公式3来确定：

$e_i\left(x\right)=-\underset{g=0}{\overset{255}{\mathrm{\Σ}}}p\left(g\right){\log }_{2}p\left(g\right)$    公式3

其中，p(g)是在候选目标搜索区域中灰度值等于g的像素点，与候选目标搜索区域中包含的全部像素点数量的比值。

一个像素点对应的梯度特征值包含水平方向的梯度特征值和垂直方向的梯度特征值，则水平方向的梯度特征值按照下述公式4来确定：

$\mathrm{\Δx}=\frac{I(i+1,j)+I(i-1,j)-I(i,j)}{2}$    公式4

其中，I(i,j)是位置信息为(i,j)的像素点I，Δx是像素点I水平方向的梯度特征值，I(i+1,j)是像素点I水平方向上前一像素点，I(i-1,j)像素点I水平方向上后一像素点。

垂直方向的梯度特征值按照下述公式5来确定：

$\mathrm{\Δy}=\frac{I(i,j+1)+I(i,j-1)-I(i,j)}{2}$    公式5

其中，I(i,j)是位置信息为(i,j)的像素点I，Δy是像素点I的垂直方向的梯度特征值，I(i+1,j)是像素点I垂直方向上前一像素点，I(i-1,j)像素点I垂直方向上后一像素点。

在确定出概率值之后，选择符合预设条件的候选目标搜索区域作为目标检测区域的具体实现方式可以但不限于为下述两种方式：

第一种方式：在确定出的概率值中，选取数值最大的概率值对应的候选位置信息表征的目标候选区域作为目标检测区域，该目标检测区域是显著性特征最强的区域。

第二种方式：将确定出的全部概率值求均值，得到的结果对应的候选位置信息表征的目标候选区域作为目标检测区域，该目标检测区域是显著性特征最强的区域。

较佳地，本发明实施例这里提出的技术方案中，采用第一种方式来选取目标检测区域，这样可以较好地提高确定出的目标检测区域更真实地贴近待检测的目标，提高后续跟踪结果的准确性。

具体实施中，在确定出初始搜索目标区域（例如矩形区域）之后，在初始搜索目标区域之中，确定出一个显著性特征最高的矩形区域作为目标检测区域。本发明实施例这里提出的技术方案中，主要从纹理特征的显著性特征和颜色特征的显著性特征两个方面来衡量最终要确定出的目标检测区域的显著性特征的高低。

其中，以目标检测区域的图形形状为矩形框为例，纹理性特征的显著性是指待跟踪的目标所在的矩形框内的纹理特征应该尽可能大，而目标外部矩形框要尽可能的小。如图3所示，黑色区域表示目标所在的矩形框，白色区域表示轮廓区域（即初始搜索目标区域），目标所在处，应该是黑色区域内的纹理尽可能的多，而白色区域内的纹理尽可能的少。较佳地，本发明实施例这里提出的技术方案中，直接将这两个区域的纹理能量的差值作为度量。纹理性特征的表征方式有很多中，例如梯度特征，或者局部二值特征（LBP，Local binarypattern）等等。本发明实施例这里以梯度特征值为例来进行详细阐述。对于任意一幅图像I，计算其梯度特征值，对于图像I上的任一像素点I(i,j)，确定该像素点对应的水平方向的梯度特征值和该像素点对应的垂直方向的梯度特征值。具体请参见上述公式4和公式5中的详细阐述，这里不再赘述。在确定出图2中黑色区域和白色区域中包含的各像素点对应的梯度特征值之后统计黑色区域包含的像素点的梯度特征值的绝对值的和B_i(x)，以及统计白色区域中包含的像素点的梯度特征值的绝对值的和W_i(x)，最后计算二者的差值，得到上述公式2，d_i(x)＝B_i(x)-W_i(x)，其中，得到的差值越大则说明是最终待跟踪的目标的可能性也越大，即是目标检测区域的概率值也越大。其中，在统计黑色区域包含的像素点的梯度特征值的绝对值的和，以及统计白色区域中包含的像素点的梯度特征值的绝对值的和的时候，可以但不限于采用几何平均值或者者算术平均值的方法来实现。

颜色特征的显著性可以用熵信息来表征，熵信息是衡量图像信息丰富程度的一个重要指标，表示一幅图像包含信息量的多少，一个图像的熵值越大，说明该图像包含的图像信息越丰富。对于任一一副图像I的熵信息可以参见上述公式3中的详细阐述。这里不再赘述。

本发明实施例这里提出的技术方案中，综合考虑纹理显著性参数和颜色显著性参数，因此概率值p_i(x)的表达式定义成p_i(x)＝ηd_i(x)+(1-η)e_i(x)。其中p_i(x)是概率值，d_i(x)是纹理显著性参数，是e_i(x)是颜色显著性参数，即x处矩形框所包含的图像块的熵信息，η是一个0到1之间的小数，d_i(x)是纹理显著性，

步骤14，在目标检测区域中提出相关特征，作为后续目标跟踪时使用。

针对现有技术中基于运动目标检测与跟踪技术并不能给出完成的目标检测区域，后续进行目标跟踪时准确性较差的问题，本发明实施例这里提出的技术方案中，将现有技术中基于运动目标检测与跟踪技术输出的检测区域（例如基于运动目标检测与跟踪技术输出的矩形框）作为本发明中的初始搜索目标区域，在初始搜索目标区域的基础之上，再进一步进行确定，最终得到目标检测区域，然后再提取特征用于后续目标跟踪时使用，能够较好地避免确定出的目标检测区域中包含较多的阴影像素的问题，并且，在多个目标距离较近的情况下，也可以准确地确定出待进行跟踪的目标对应的目标检测区域，进而提高后续目标跟踪过程的准确性。

实施例二

本发明实施例二这里提出一种目标检测装置，如图3所示，具体包括：

确定模块301，用于确定初始搜索目标区域。

搜索模块302，用于按照预设搜索方法，在所述确定模块301确定出的初始搜索目标区域中确定出至少一个候选目标搜索区域，其中每个候选目标搜索区域均具有图像显著性特征。

选取模块303，用于在所述搜索模块302确定出的候选目标搜索区域中，选取显著性特征最强的候选目标搜索区域作为目标检测区域。

具体地，上述搜索模块302，具体用于在初始搜索目标区域中，按照滑窗搜索方法确定出至少一个候选位置信息；每一确定出的候选位置信息对应的区域作为一个候选目标搜索区域，其中每个候选目标搜索区域均具有图像显著性特征。

具体地，上述搜索模块302，具体用于确定候选目标搜索区域对应的候选位置信息和目标检测区域对应的目标位置信息之间相符合的概率值；根据确定出的概率值，在确定出的候选目标搜索区域中，选取显著性特征最强的候选目标搜索区域作为目标检测区域。

具体地，所述图像显著性特征包含纹理显著性和颜色显著性；上述搜索模块302，具体按照下述公式确定概率值：

p_i(x)＝ηd_i(x)+(1-η)e_i(x)

其中p_i(x)是概率值，d_i(x)是纹理显著性参数，是e_i(x)是颜色显著性参数，η是一个0到1之间的小数。

纹理显著性参数d_i(x)包含梯度特征值，具体地，上述搜索模块302，具体用于采用下述公式确定d_i(x)：

d_i(x)＝B_i(x)-W_i(x)

其中，B_i(x)是候选目标搜索区域中包含的全部像素点对应的梯度特征值的绝对值之和，W_i(x)是初始搜索目标区域中包含的全部像素点对应的梯度特征值的绝对值之和；

所述颜色显著性参数e_i(x)是位置信息是x的候选目标搜索区域的熵信息，所述搜索模块具体用于采用下述公式确定e_i(x)：

$e_i\left(x\right)=-\underset{g=0}{\overset{255}{\mathrm{\Σ}}}p\left(g\right){\log }_{2}p\left(g\right)$

其中，p(g)是在候选目标搜索区域中灰度值等于g的像素点，与候选目标搜索区域中包含的全部像素点数量的比值。

一个像素点对应的梯度特征值包含水平方向的梯度特征值和垂直方向的梯度特征值，所述搜索模块，具体用于按照下述公式确定水平方向的梯度特征值：

$\mathrm{\Δx}=\frac{I(i+1,j)+I(i-1,j)-I(i,j)}{2}$

其中，I(i,j)是位置信息为(i,j)的像素点I，Δx是像素点I水平方向的梯度特征值，I(i+1,j)是像素点I水平方向上前一像素点，I(i-1,j)像素点I水平方向上后一像素点；

具体地，上述搜索模块302，具体用于按照下述公式确定垂直方向的梯度特征值：

$\mathrm{\Δy}=\frac{I(i,j+1)+I(i,j-1)-I(i,j)}{2}$

其中，I(i,j)是位置信息为(i,j)的像素点I，Δy是像素点I的垂直方向的梯度特征值，I(i+1,j)是像素点I垂直方向上前一像素点，I(i-1,j)像素点I垂直方向上后一像素点。

具体地，上述搜索模块302，具体用于在确定出的概率值中，选取数值最大的概率值对应的候选位置信息表征的目标候选区域，作为显著性特征最强的目标检测区域；或将确定出的全部概率值求均值，得到的结果对应的候选位置信息表征的目标候选区域，作为显著性特征最强的目标检测区域。

本领域的技术人员应明白，本发明的实施例可提供为方法、装置（设备）、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。

本发明是参照根据本发明实施例的方法、装置（设备）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。

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。

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。

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。

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。

Claims (12)

1.一种目标检测方法，其特征在于，包括：

确定初始搜索目标区域；

按照预设搜索方法，在所述初始搜索目标区域中确定出至少一个候选目标搜索区域，其中每个候选目标搜索区域均具有图像显著性特征；

在确定出的候选目标搜索区域中，选取显著性特征最强的候选目标搜索区域作为目标检测区域。

2.如权利要求1所述的方法，其特征在于，在确定出的候选目标搜索区域中，选取显著性特征最强的候选目标搜索区域作为目标检测区域，包括：

确定候选目标搜索区域对应的候选位置信息和目标检测区域对应的目标位置信息之间相符合的概率值；

根据确定出的概率值，在确定出的候选目标搜索区域中，选取显著性特征最强的候选目标搜索区域作为目标检测区域。

3.如权利要求2所述的方法，其特征在于，所述图像显著性特征包含纹理显著性和颜色显著性；

所述概率值按照下述公式确定：

p_i(x)＝ηd_i(x)+(1-η)e_i(x)

其中p_i(x)是概率值，d_i(x)是纹理显著性参数，是e_i(x)是颜色显著性参数，η是一个0到1之间的小数。

4.如权利要求3所述的方法，其特征在于，所述纹理显著性参数d_i(x)包含梯度特征值，所述d_i(x)采用下述公式确定：

d_i(x)＝B_i(x)-W_i(x)

其中，B_i(x)是候选目标搜索区域中包含的全部像素点对应的梯度特征值的绝对值之和，W_i(x)是初始搜索目标区域中包含的全部像素点对应的梯度特征值的绝对值之和；

所述颜色显著性参数e_i(x)是位置信息是x的候选目标搜索区域的熵信息，所述e_i(x)采用下述公式确定：

$e_i\left(x\right)=-\underset{g=0}{\overset{255}{\mathrm{\Σ}}}p\left(g\right){\log }_{2}p\left(g\right)$

其中，p(g)是在候选目标搜索区域中灰度值等于g的像素点，与候选目标搜索区域中包含的全部像素点数量的比值。

5.如权利要求4所述的方法，其特征在于，一个像素点对应的梯度特征值包含水平方向的梯度特征值和垂直方向的梯度特征值，所述水平方向的梯度特征值按照下述公式确定：

$\mathrm{\Δx}=\frac{I(i+1,j)+I(i-1,j)-I(i,j)}{2}$

其中，I(i,j)是位置信息为(i,j)的像素点I，Δx是像素点I水平方向的梯度特征值，I(i+1,j)是像素点I水平方向上前一像素点，I(i-1,j)像素点I水平方向上后一像素点；

所述垂直方向的梯度特征值按照下述公式确定：

$\mathrm{\Δy}=\frac{I(i,j+1)+I(i,j-1)-I(i,j)}{2}$

其中，I(i,j)是位置信息为(i,j)的像素点I，Δy是像素点I的垂直方向的梯度特征值，I(i+1,j)是像素点I垂直方向上前一像素点，I(i-1,j)像素点I垂直方向上后一像素点。

6.如权利要求2所述的方法，其特征在于，根据确定出的概率值，在确定出的候选目标搜索区域中，选取显著性特征最强的候选目标搜索区域作为目标检测区域，包括：

在确定出的概率值中，选取数值最大的概率值对应的候选位置信息表征的目标候选区域，作为显著性特征最强的目标检测区域；或

将确定出的全部概率值求均值，得到的结果对应的候选位置信息表征的目标候选区域，作为显著性特征最强的目标检测区域。

7.一种目标检测装置，其特征在于，包括：

确定模块，用于确定初始搜索目标区域；

搜索模块，用于按照预设搜索方法，在所述初始搜索目标区域中确定出至少一个候选目标搜索区域，其中每个候选目标搜索区域均具有图像显著性特征；

选取模块，用于在所述搜索模块确定出的候选目标搜索区域中，选取显著性特征最强的候选目标搜索区域作为目标检测区域。

8.如权利要求7所述的装置，其特征在于，所述搜索模块，具体用于确定候选目标搜索区域对应的候选位置信息和目标检测区域对应的目标位置信息之间相符合的概率值；根据确定出的概率值，在确定出的候选目标搜索区域中，选取显著性特征最强的候选目标搜索区域作为目标检测区域。

9.如权利要求8所述的装置，其特征在于，所述图像显著性特征包含纹理显著性和颜色显著性；所述搜索模块具体按照下述公式确定概率值：

p_i(x)＝ηd_i(x)+(1-η)e_i(x)

其中p_i(x)是概率值，d_i(x)是纹理显著性参数，是e_i(x)是颜色显著性参数，η是一个0到1之间的小数。

10.如权利要求9所述的装置，其特征在于，所述纹理显著性参数d_i(x)包含梯度特征值，所述搜索模块具体用于采用下述公式确定d_i(x)：

d_i(x)＝B_i(x)-W_i(x)

其中，B_i(x)是候选目标搜索区域中包含的全部像素点对应的梯度特征值的绝对值之和，W_i(x)是初始搜索目标区域中包含的全部像素点对应的梯度特征值的绝对值之和；

所述颜色显著性参数e_i(x)是位置信息是x的候选目标搜索区域的熵信息，所述搜索模块具体用于采用下述公式确定e_i(x)：

$e_i\left(x\right)=-\underset{g=0}{\overset{255}{\mathrm{\Σ}}}p\left(g\right){\log }_{2}p\left(g\right)$

其中，p(g)是在候选目标搜索区域中灰度值等于g的像素点，与候选目标搜索区域中包含的全部像素点数量的比值。

11.如权利要求11所述的装置，其特征在于，一个像素点对应的梯度特征值包含水平方向的梯度特征值和垂直方向的梯度特征值，所述搜索模块，具体用于按照下述公式确定水平方向的梯度特征值：

$\mathrm{\Δx}=\frac{I(i+1,j)+I(i-1,j)-I(i,j)}{2}$

其中，I(i,j)是位置信息为(i,j)的像素点I，Δx是像素点I水平方向的梯度特征值，I(i+1,j)是像素点I水平方向上前一像素点，I(i-1,j)像素点I水平方向上后一像素点；

所述搜索模块，具体用于按照下述公式确定垂直方向的梯度特征值：

$\mathrm{\Δy}=\frac{I(i,j+1)+I(i,j-1)-I(i,j)}{2}$

其中，I(i,j)是位置信息为(i,j)的像素点I，Δy是像素点I的垂直方向的梯度特征值，I(i+1,j)是像素点I垂直方向上前一像素点，I(i-1,j)像素点I垂直方向上后一像素点。

12.如权利要求8所述的装置，其特征在于，所述搜索模块，具体用于在确定出的概率值中，选取数值最大的概率值对应的候选位置信息表征的目标候选区域，作为显著性特征最强的目标检测区域；或将确定出的全部概率值求均值，得到的结果对应的候选位置信息表征的目标候选区域，作为显著性特征最强的目标检测区域。