CN109740557A - 对象检测方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种对象检测方法及装置、电子设备和存储介质。所述方法包括：对待处理的视频流进行识别，确定所述视频流中包括第一对象的第一视频帧，所述第一对象包括一个或多个对象；根据所述第一视频帧，获取所述第一对象的特征信息，所述特征信息至少包括身体特征；根据所述第一对象的身体特征，对所述视频流进行身体检测，判断所述视频流的第二视频帧中是否存在所述第一对象；在所述第二视频帧中存在所述第一对象的情况下，确定所述第一对象在所述第二视频帧中的第一图像区域。本公开实施例通过对待处理视频流进行识别及身体检测，可以追踪出视频流中的第一对象，从而提高对象检测的精准度。

Description

对象检测方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种对象检测方法及装置、电子设备和存储介质。

背景技术

目前，传统的目标监测和跟踪技术多是基于红外摄像头。由于红外摄像头获得的图像是灰度图像，没有色彩信息，难以对面部特征、身体特征等信息进行高精度识别，难以应用于基于人脸识别、人体追踪等高精度特征的场景。

发明内容

本公开提出了一种对象检测的技术方案。

根据本公开的第一方面，提供了一种对象检测方法，包括：对待处理的视频流进行识别，确定所述视频流中包括第一对象的第一视频帧，所述第一对象包括一个或多个对象；根据所述第一视频帧，获取所述第一对象的特征信息，所述特征信息至少包括身体特征；根据所述第一对象的身体特征，对所述视频流进行身体检测，判断所述视频流的第二视频帧中是否存在所述第一对象；在所述第二视频帧中存在所述第一对象的情况下，确定所述第一对象在所述第二视频帧中的第一图像区域。

在一种可能的实现方式中，对待处理的视频流进行识别，确定所述视频流中包括第一对象的第一视频帧，包括：对待处理的视频流进行面部识别，确定所述视频流中包括第一对象的第一视频帧。

在一种可能的实现方式中，对待处理的视频流进行识别，确定所述视频流中包括第一对象的第一视频帧，包括：对待处理的视频流进行身体检测，确定视频流中的待分析对象；将所述待分析对象中满足预设条件的对象确定为第一对象；将包括所述第一对象的视频帧确定为第一视频帧。

在一种可能的实现方式中，所述方法还包括：在所述第二视频帧中不存在所述第一对象的情况下，再次对所述视频流进行面部识别，确定所述视频流的第三视频帧，所述第三视频帧中包括被选中的第二对象；根据所述第三视频帧，获取所述第二对象的特征信息，所述特征信息至少包括身体特征；根据所述第二对象的身体特征，对所述视频流进行身体检测，判断所述视频流的第四视频帧中是否存在所述第二对象；在所述第四视频帧中存在所述第二对象的情况下，确定所述第二对象在所述第四视频帧中的第二图像区域。

在一种可能的实现方式中，所述方法还包括：对所述视频流进行面部识别，判断所述视频流的第四视频帧中是否存在所述第一对象；在所述第四视频帧中存在第一对象的情况下，确定所述第一对象在所述第四视频帧中的第三图像区域。

在一种可能的实现方式中，所述方法还包括：在所述第二视频帧中存在所述第一对象的情况下，获取所述第一对象在所述第二视频帧中的位姿特征；根据所述第一对象的位姿特征，执行针对所述第一对象的处理策略。

在一种可能的实现方式中，所述方法还包括：在所述第四视频帧中存在所述第二对象的情况下，获取所述第二对象在所述第四视频帧中的位姿特征；根据所述第二对象的位姿特征，执行针对所述第二对象的处理策略。

在一种可能的实现方式中，所述方法还包括：在所述第四视频帧中存在所述第一对象的情况下，获取所述第一对象在所述第四视频帧中的位姿特征；根据所述第一对象的位姿特征，执行针对所述第一对象的处理策略。

在一种可能的实现方式中，对待处理的视频流进行面部识别，确定所述视频流中包括第一对象的第一视频帧，包括：根据预设的第一对象，对所述视频流的多个视频帧依次进行面部识别，从多个视频帧中确定出包括第一对象的第一视频帧。

在一种可能的实现方式中，对待处理的视频流进行面部识别，确定所述视频流中包括第一对象的第一视频帧，包括：对所述视频流的视频帧进行面部识别，确定视频帧中的待分析对象；将所述待分析对象中满足预设条件的对象确定为第一对象；将包括所述第一对象的视频帧确定为第一视频帧。

在一种可能的实现方式中，根据所述第一对象的身体特征，对所述视频流进行身体检测，判断所述视频流的第二视频帧中是否存在所述第一对象，包括：对所述视频流的第二视频帧进行身体检测，确定所述第二视频帧中待分析对象的身体特征；在存在与所述第一对象的身体特征相匹配的身体特征时，确定所述第二视频帧中存在所述第一对象。

在一种可能的实现方式中，所述方法通过神经网络实现，所述神经网络至少包括面部识别网络，其中，对待处理的视频流进行面部识别，确定所述视频流中包括第一对象的第一视频帧，包括：将所述视频流的各个视频帧依次输入所述面部识别网络中处理，提取各个视频帧中的待分析对象的面部特征；根据待分析对象的面部特征，确定出包括第一对象的第一视频帧。

在一种可能的实现方式中，所述神经网络还包括身体检测网络，其中，对所述视频流的第二视频帧进行身体检测，确定所述第二视频帧中待分析对象的身体特征，包括：将第二视频帧输入身体检测网络中处理，提取所述第二视频帧中待分析对象的身体特征。

在一种可能的实现方式中，所述神经网络还包括位姿特征提取网络，其中，在所述第二视频帧中存在所述第一对象的情况下，获取所述第一对象在所述第二视频帧中的位姿特征，包括：将所述第二视频帧输入位姿特征提取网络中处理，提取所述第一对象在所述第二视频帧中的位姿特征。

在一种可能的实现方式中，所述视频流为通过拍摄部件采集的预设区域内的视频流。

根据本公开的第二方面，提供了一种对象检测装置，包括：第一确定模块，对待处理的视频流进行识别，确定所述视频流中包括第一对象的第一视频帧，所述第一对象包括一个或多个对象；第一特征获取模块，根据所述第一视频帧，获取所述第一对象的特征信息，所述特征信息至少包括身体特征；第一判断模块，根据所述第一对象的身体特征，对所述视频流进行身体检测，判断所述视频流的第二视频帧中是否存在所述第一对象；第一区域确定模块，在所述第二视频帧中存在所述第一对象的情况下，确定所述第一对象在所述第二视频帧中的第一图像区域。

在一种可能的实现方式中，所述第一确定模块包括：第一视频帧确定子模块，对待处理的视频流进行面部识别，确定所述视频流中包括第一对象的第一视频帧。

在一种可能的实现方式中，所述第一确定模块包括：身体检测子模块，对待处理的视频流进行身体检测，确定视频流中的待分析对象；条件判断子模块，将所述待分析对象中满足预设条件的对象确定为第一对象；第二视频帧确定子模块，将包括所述第一对象的视频帧确定为第一视频帧。

在一种可能的实现方式中，所述装置还包括：第二确定模块，在所述第二视频帧中不存在所述第一对象的情况下，再次对所述视频流进行面部识别，确定所述视频流的第三视频帧，所述第三视频帧中包括被选中的第二对象；第二特征获取模块，根据所述第三视频帧，获取所述第二对象的特征信息，所述特征信息至少包括身体特征；第二判断模块，根据所述第二对象的身体特征，对所述视频流进行身体检测，判断所述视频流的第四视频帧中是否存在所述第二对象；第二区域确定模块，在所述第四视频帧中存在所述第二对象的情况下，确定所述第二对象在所述第四视频帧中的第二图像区域。

在一种可能的实现方式中，所述装置还包括：第三判断模块，对所述视频流进行面部识别，判断所述视频流的第四视频帧中是否存在所述第一对象；第三区域确定模块，在所述第四视频帧中存在第一对象的情况下，确定所述第一对象在所述第四视频帧中的第三图像区域。

在一种可能的实现方式中，所述装置还包括：第一位姿获取模块，在所述第二视频帧中存在所述第一对象的情况下，获取所述第一对象在所述第二视频帧中的位姿特征；第一策略执行模块，根据所述第一对象的位姿特征，执行针对所述第一对象的处理策略。

在一种可能的实现方式中，所述装置还包括：第二位姿获取模块，在所述第四视频帧中存在所述第二对象的情况下，获取所述第二对象在所述第四视频帧中的位姿特征；第二策略执行模块，根据所述第二对象的位姿特征，执行针对所述第二对象的处理策略。

在一种可能的实现方式中，所述装置还包括：第三位姿获取模块，在所述第四视频帧中存在所述第一对象的情况下，获取所述第一对象在所述第四视频帧中的位姿特征；第三策略执行模块，根据所述第一对象的位姿特征，执行针对所述第一对象的处理策略。

在一种可能的实现方式中，所述第一视频帧确定子模块被配置为：根据预设的第一对象，对所述视频流的多个视频帧依次进行面部识别，从多个视频帧中确定出包括第一对象的第一视频帧。

在一种可能的实现方式中，所述第一视频帧确定子模块被配置为：对所述视频流的视频帧进行面部识别，确定视频帧中的待分析对象；将所述待分析对象中满足预设条件的对象确定为第一对象；将包括所述第一对象的视频帧确定为第一视频帧。

在一种可能的实现方式中，所述第一判断模块包括：身体特征确定子模块，对所述视频流的第二视频帧进行身体检测，确定所述第二视频帧中待分析对象的身体特征；第一对象确定子模块，在存在与所述第一对象的身体特征相匹配的身体特征时，确定所述第二视频帧中存在所述第一对象。

在一种可能的实现方式中，所述装置包括神经网络，所述神经网络至少包括面部识别网络，其中，第一视频帧确定子模块，被配置为：将所述视频流的各个视频帧依次输入所述面部识别网络中处理，提取各个视频帧中的待分析对象的面部特征；根据待分析对象的面部特征，确定出包括第一对象的第一视频帧。

在一种可能的实现方式中，所述神经网络还包括身体检测网络，其中，身体特征确定子模块，被配置为：将第二视频帧输入身体检测网络中处理，提取所述第二视频帧中待分析对象的身体特征。

在一种可能的实现方式中，所述神经网络还包括位姿特征提取网络，其中，所述第一位姿获取模块，被配置为：将所述第二视频帧输入位姿特征提取网络中处理，提取所述第一对象在所述第二视频帧中的位姿特征。

在一种可能的实现方式中，所述视频流为通过拍摄部件采集的预设区域内的视频流。

根据本公开的第三方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述对象检测方法。

根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述对象检测方法。

在本公开实施例中，能够通过对待处理的视频流进行识别从视频流中确定出包括第一对象的视频帧并从视频帧中获取第一对象的身体特征，再通过对视频流进行身体检测，追踪出第一对象在后续的视频帧中的图像区域，从而提高对象检测的精准度。

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，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的对象检测方法的流程图；

图2示出根据本公开实施例的对象检测方法的流程图；

图3示出根据本公开实施例的对象检测装置的框图；

图4示出根据本公开实施例的一种电子设备的框图；

图5示出根据本公开实施例的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的对象检测方法的流程图，如图1所示，所述对象检测方法包括：

步骤S11，对待处理的视频流进行识别，确定所述视频流中包括第一对象的第一视频帧，所述第一对象包括一个或多个对象；

步骤S12，根据所述第一视频帧，获取所述第一对象的特征信息，所述特征信息至少包括身体特征；

步骤S13，根据所述第一对象的身体特征，对所述视频流进行身体检测，判断所述视频流的第二视频帧中是否存在所述第一对象；

步骤S14，在所述第二视频帧中存在所述第一对象的情况下，确定所述第一对象在所述第二视频帧中的第一图像区域。

根据本公开的实施例，能够通过对待处理的视频流进行识别从视频流中确定出包括第一对象的视频帧并从视频帧中获取第一对象的身体特征，再通过对视频流进行身体检测，追踪出第一对象在后续的视频帧中的图像区域，从而提高对象检测的精准度。

在一种可能的实现方式中，所述对象检测方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。

在一种可能的实现方式中，待处理的视频流可以是通过拍摄部件(例如摄像头)采集的预设区域内的视频流。其中，预设区域可以是拍摄部件采集视频流的设定区域，在预设区域内，可以采集一个或多个对象(玩家)的视频流。例如，在预设区域内，可以有一个或多个对象在进行互动游戏，通过拍摄部件可以采集到一个或多个对象在互动游戏时的视频流，其中，互动游戏可以包括体感游戏、VR游戏、AR游戏等任意类型的游戏(例如舞蹈类体感游戏)。

在一种可能的实现方式中，可以在步骤S11中对该视频流进行识别，从视频流中确定出包括第一对象的第一视频帧。其中，对视频流进行识别可以包括对视频流进行面部识别，通过面部识别来选中第一对象；也可以包括对视频流进行身体检测，通过身体检测来选中第一对象。本公开对视频流的识别方式不作限制。

在一种可能的实现方式中，第一对象可以包括一个对象，也可以包括多个对象(例如多人舞蹈类游戏或对战类游戏)，可以根据实际情况进行设置，本公开对第一对象的数量不作限制。

在一种可能的实现方式中，步骤S11可包括：对待处理的视频流进行面部识别，确定所述视频流中包括第一对象的第一视频帧。其中，第一对象可以是预先设定的人物，例如登录当前账号的用户。终端或服务器中可预先存储有该用户的面部图像，通过对视频流的各个视频帧分别进行识别比对，从而确定出包括第一对象的第一视频帧。此外，第一对象还可以是从视频流的各个视频帧中识别出的对象，例如预设区域内可能存在一个或多个对象，可从这些对象中自动确定出第一对象(例如正在玩游戏的玩家)。

在一种可能的实现方式中，对待处理的视频流进行面部识别，确定所述视频流中包括第一对象的第一视频帧，可包括：

根据预设的第一对象，对所述视频流的多个视频帧依次进行面部识别，从多个视频帧中确定出包括第一对象的第一视频帧。

举例来说，可以预先设定有第一对象，例如登录当前账号的用户。用户可上传人脸图像或在游戏开始前采集人脸图像。根据第一对象的人脸图像，可以提取出第一对象的面部特征，以便在视频流中识别第一对象。本公开对提取第一对象的面部特征的具体方式不作限制。

在一种可能的实现方式中，可以对视频流的多个视频帧依次进行面部识别(人脸识别)，将识别出的面部特征与第一对象的面部特征进行比对，从多个视频帧中确定出包括第一对象的第一视频帧。应当理解，可以采用深度学习等方式实现面部识别，本公开对面部识别的具体方式不作限制。

通过这种方式，能够准确识别出预设对象并确定出包括预设对象的视频帧，从而提高对象检测的精准度。

在一种可能的实现方式中，对待处理的视频流进行面部识别，确定所述视频流中包括第一对象的第一视频帧，可包括：

对所述视频流的视频帧进行面部识别，确定视频帧中的待分析对象；将所述待分析对象中满足预设条件的对象确定为第一对象；将包括所述第一对象的视频帧确定为第一视频帧。

举例来说，可以对视频流的视频帧进行面部识别，确定视频帧中的待分析对象，然后根据预设条件对视频帧中的待分析对象进行判定，将满足预设条件的对象确定为第一对象，将包括第一对象的视频帧确定为第一视频帧。其中，预设条件可以是预先设定的一个或多个条件，例如，预设条件可以是待分析对象中位置靠前的对象，也可以是待分析对象中面部特征最清楚的对象。本领域的技术人员可以根据实际情况对预设条件进行设置，本公开对此不作限制。

通过这种方式，能够实时确定出符合条件的对象并确定对应的视频帧，从而提高对象检测的精准度。

在一种可能的实现方式中，可通过神经网络实现上述方法，该神经网络至少包括面部识别网络。面部识别网络用于对视频帧中的对象进行面部识别。面部识别网络可例如包括卷积神经网络CNN等，本公开对面部识别网络的具体类型不作限制。

在一种可能的实现方式中，对待处理的视频流进行面部识别，确定所述视频流中包括第一对象的第一视频帧，可包括：

将所述视频流的各个视频帧依次输入所述面部识别网络中处理，提取各个视频帧中的待分析对象的面部特征；根据待分析对象的面部特征，确定出包括第一对象的第一视频帧。

举例来说，可以通过面部识别网络进行面部识别。可将视频流的各个视频帧依次输入到面部识别网络中处理，从各个视频帧中提取待分析对象的面部特征(例如多个人脸关键点的位置)；根据待分析对象的面部特征，可以确定出包括预设的第一对象的第一视频帧，或者可以确定出满足预设条件的对象，将该对象作为第一对象，将包括第一对象的视频帧确定为第一视频帧。

通过这种方式，可以提高对象检测的精准度。

在一种可能的实现方式中，步骤S11可包括：对待处理的视频流进行身体检测，确定视频流中的待分析对象；将所述待分析对象中满足预设条件的对象确定为第一对象；将包括所述第一对象的视频帧确定为第一视频帧。

举例来说，可以对视频流的视频帧进行身体检测(例如可以检测人体关键点)，确定视频帧中的待分析对象，然后根据预设条件对视频帧中的待分析对象进行判定，将满足预设条件的对象确定为第一对象，将包括第一对象的视频帧确定为第一视频帧。其中，预设条件可以是预先设定的一个或多个条件，例如，预设条件可以是待分析对象的人体关键点显示完整，也可以是待分析对象的各个人体关键点的置信度最高。本领域的技术人员可以根据实际情况对预设条件进行设置，本公开对此不作限制。

通过这种方式，能够实时确定出符合条件的对象并确定对应的视频帧，从而提高对象检测的精准度。

在一种可能的实现方式中，通过身体检测确定第一视频帧后，可以获取第一对象的面部特征。根据该面部特征，可以在第一对象丢失时进行面部识别。应当理解，可以采用各种方式获取第一对象的面部特征，本公开对面部特征的获取方式不作限制。

在一种可能的实现方式中，在确定第一视频帧后，可在步骤S12中获取所述第一对象的特征信息，所述特征信息至少包括身体特征(例如人体关键点在视频帧中的位置)。其中，第一对象的特征信息可以有多种，例如面部特征、身体特征、位姿特征等。在第一视频帧中，可以获取第一对象至少包括身体特征的特征信息。应当理解，可以采用各种方式获取第一对象的身体特征，本公开对身体特征的获取方式不作限制。

在一种可能的实现方式中，第一对象的身体特征可以通过人体关键点在视频帧中的位置来表示，也就是说，可以通过第一对象的各个人体关键点在第一视频帧中的位置来确定第一对象的身体特征。例如，可以设置第一对象有14个人体关键点，根据14个人体关键点在第一视频帧中的位置可以确定出第一对象的身体特征。应当理解，本领域技术人员可以根据实际情况设置人体关键点的数量，本公开对人体关键点的具体数量不作限制。

在一种可能的实现方式中，根据第一对象的身体特征，可在步骤S13中对视频流进行身体检测，判断视频流的第二视频帧中是否存在第一对象。也即，在预设区域(识别区域)内对第一对象进行人体追踪。如果追踪到第一对象，则可认为第一对象在预设区域内，可在步骤S14中确定第一对象在视频帧中的图像区域；如果未追踪到第一对象，则可认为第一对象已离开预设区域。

在一种可能的实现方式中，步骤S13可包括：

对所述视频流的第二视频帧进身体检测，确定所述第二视频帧中待分析对象的身体特征；在存在与所述第一对象的身体特征相匹配的身体特征时，确定所述第二视频帧中存在所述第一对象。

举例来说，可以通过人体关键点来表示身体特征。对视频流的第二视频帧进行身体检测，可以获取第二视频帧中待分析对象的各个人体关键点的位置。将从第二视频帧中获取的待分析对象的人体关键点的位置与第一对象的人体关键点的位置依次进行比对，确定各个对象的人体关键点的位置与第一对象的人体关键点的位置之间的相似度。如果存在相似度大于或等于相似度阈值的人体关键点的位置，则可认为第二视频帧中存在与第一对象的身体特征相匹配的身体特征，可确定第二视频帧中存在第一对象。应当理解，可以采用深度学习等方式实现身体检测，本公开对身体检测的具体方式以及相似度阈值的取值不作限制。

通过身体特征的匹配来确定第二视频帧中存在第一对象，可以提高对象检测的精准度。

在一种可能的实现方式中，在对象检测方法通过神经网络实现时，神经网络可以至少包括身体检测网络。其中，身体检测网络可以用于对视频帧进行身体检测。应当理解，身体检测网络可例如包括卷积神经网络CNN，本公开对身体检测网络的具体类型不作限制。

在一种可能的实现方式中，对所述视频流的第二视频帧进行身体检测，确定所述第二视频帧中待分析对象的身体特征，可包括：将第二视频帧输入身体检测网络中处理，提取所述第二视频帧中待分析对象的身体特征。

通过身体检测网络对第二视频帧进行身体检测，可以提高身体检测的准确度，从而提高对象检测的精准度。

在一种可能的实现方式中，在步骤S14中，在第二视频帧中存在第一对象的情况下，可以确定第一对象在第二视频帧中的第一图像区域。通过确定第一对象在第二视频帧中的第一图像区域，可以提高对象检测的精准度。

在一种可能的实现方式中，所述方法还可包括：

在第二视频帧中存在第一对象的情况下，可以获取第一对象在第二视频帧中的位姿特征；

根据第一对象的位姿特征，执行针对第一对象的处理策略。

举例来说，当第二视频帧中存在第一对象时，可以获取第一对象在第二视频帧中的位姿特征，该位姿特征可用于表示第一对象在第二视频帧中的身体动作，可以通过人体关键点的相互位置关系来表示。根据第一对象的位姿特征，可以执行针对第一对象的处理策略。例如，第一对象可以根据预设对象的动作而展示类似的动作，其中，预设对象可例如是体感游戏里的游戏形象。相应地，针对第一对象的处理策略可以是确定第一对象的位姿特征(人体关键点的相互位置关系)与预设对象的位姿特征(人体关键点的相互位置关系)之间是否匹配，并根据匹配度给出得分信息，其中，匹配度越高，得分越高。第一对象的位姿特征也可以是第一对象与预设对象进行交互时的姿态动作，例如，第一对象参与人机对战类游戏时的姿态动作，相应地，针对第一对象的处理策略也可以是根据第一对象的位姿特征进行的相应反馈。

应当理解，根据第一对象的位姿特征可以确定出多种动作，例如，点头，摇头，双臂打开，双脚跳跃等；根据位姿特征，执行针对第一对象的处理策略也可以有多种，可以是对第一对象的位姿特征与预设对象的位姿特征的匹配度进行评价并给出得分信息，也可以是根据第一对象的位姿特征进行的相应反馈，还可以是其他操作，本领域技术人员可以根据实际情况进行设置。本公开对第一对象的位姿特征及根据位姿特征执行的针对第一对象的处理策略均不作限制。

通过获取第一对象的位姿特征，并根据位姿特征执行针对第一对象的处理策略，可以提高对第一对象进行检测与追踪的精准度。

在一种可能的实现方式中，在对象检测方法通过神经网络实现时，神经网络可以至少包括位姿特征提取网络。其中，位姿特征提取网络可用于对视频帧中第一对象的位姿特征进行提取。应当理解，位姿特征提取网络可例如包括卷积神经网络CNN，本公开对位姿特征提取网络的具体类型不作限制。

在一种可能的实现方式中，在第二视频帧中存在第一对象的情况下，获取第一对象在所述第二视频帧中的位姿特征，可包括：将第二视频帧输入位姿特征提取网络中处理，提取第一对象在第二视频帧中的位姿特征。

通过位姿特征提取网络获取第一对象的位姿特征，可以提高第一对象位姿特征的准确度，从而可以提高对第一对象检测与追踪的精准度。

图2示出根据本公开实施例的对象检测方法的流程图。在一种可能的实现方式中，如图2所示，所述对象检测方法还可以包括：

步骤S15，在所述第二视频帧中不存在所述第一对象的情况下，再次对所述视频流进行面部识别，确定所述视频流的第三视频帧，所述第三视频帧中包括被选中的第二对象；

步骤S16，根据所述第三视频帧，获取所述第二对象的特征信息，所述特征信息至少包括身体特征；

步骤S17，根据所述第二对象的身体特征，对所述视频流进行身体检测，判断所述视频流的第四视频帧中是否存在所述第二对象；

步骤S18，在所述第四视频帧中存在所述第二对象的情况下，确定所述第二对象在所述第四视频帧中的第二图像区域。

在该实现方式中，在第二视频帧中不存在第一对象的情况下，可以再次对视频流进行面部识别，确定出包括第二对象的第三视频帧，并获取第三视频帧中第二对象的身体特征；根据第二对象的身体特征，可对视频流进行身体检测，确定视频流的第四视频帧中是否存在第二对象；在第四视频帧中存在第二对象的情况下，确定第二对象在第四视频帧中的第二图像区域。其中，步骤S15-S18的实现过程可与步骤S11-S14的实现过程类似，此处不再重复描述。

通过在第二视频帧中第一对象不存在的情况下，再次对视频流启动面部识别，选中第二对象并进行检测与追踪，可以提高对象检测与追踪的有效性。

在一种可能的实现方式中，所述方法还包括：在第四视频帧中存在第二对象的情况下，获取所述第二对象在所述第四视频帧中的位姿特征；根据所述第二对象的位姿特征，执行针对所述第二对象的处理策略。

举例来说，当第四视频帧中存在第二对象时，可以获取第二对象在第四视频帧中的位姿特征，该位姿特征可用于表示第二对象在第四视频帧中的身体动作，可以通过人体关键点的相互位置关系来表示。根据第二对象的位姿特征，可以执行针对第二对象的处理策略。例如，第二对象可以根据预设对象的动作而展示类似的动作，其中，预设对象可例如是体感游戏里的游戏形象。相应地，针对第二对象的处理策略可以是确定第二对象的位姿特征(人体关键点的相互位置关系)与预设对象的位姿特征(人体关键点的相互位置关系)之间是否匹配，并根据匹配度给出得分信息，其中，匹配度越高，得分越高。第二对象的位姿特征也可以是第二对象与预设对象进行交互时的姿态动作，例如，第二对象参与人机对战类游戏时的姿态动作，相应地，针对第二对象的处理策略也可以是根据第二对象的位姿特征进行的相应反馈。

应当理解，根据第二对象的位姿特征可以确定出多种动作，根据位姿特征，执行针对第二对象的处理策略也可以有多种，本领域技术人员可以根据实际情况进行设置。本公开对第二对象的位姿特征及根据位姿特征执行的针对第二对象的处理策略均不作限制。

通过获取第二对象的位姿特征，并根据位姿特征执行针对第二对象的处理策略，可以提高对第二对象进行检测与追踪的精准度。

在一种可能的实现方式中，在所述第二视频帧中不存在所述第一对象(第一对象丢失)，并开始追踪第二对象的情况下，所述方法还包括：

对所述视频流进行面部识别，判断所述视频流的第四视频帧中是否存在所述第一对象；

在所述第四视频帧中存在第一对象的情况下，确定所述第一对象在所述第四视频帧中的第三图像区域。

举例来说，在第二视频帧中不存在第一对象的情况下，在对第二对象进行检测时，可以再次对视频流进行面部识别，判断视频流的第四视频帧中是否存在第一对象。其中，对视频流进行面部识别的方式，可以是持续地对视频流进行面部识别，也可以是间隔一段时间(例如，2秒)或者间隔多个视频帧进行一次面部识别。本公开对面部识别的方式不作限制。

在一种可能的实现方式中，在第四视频帧中存在第一对象的情况下，可以确定第一对象在第四视频帧中的第三图像区域，即重新开始对第一对象进行检测。例如，在互动类游戏中，当在视频流中检测到第一对象丢失时，可以选中第二对象进行互动，并同时对视频流进行人脸识别，当在视频流中检测到第一对象返回时，重新选取第一对象为互动对象。

通过这种方式，可以增强对第一对象检测与追踪的持续性。

在一种可能的实现方式中，所述方法还包括：在所述第四视频帧中存在所述第一对象的情况下，获取所述第一对象在所述第四视频帧中的位姿特征；根据所述第一对象的位姿特征，执行针对所述第一对象的处理策略。

举例来说，当第四视频帧中存在第一对象时，可以获取第一对象在第四视频帧中的位姿特征，该位姿特征可用于表示第一对象在第四视频帧中的身体动作，可以通过人体关键点的相互位置关系来表示。根据第一对象的位姿特征，可以执行针对第一对象的处理策略。例如，第一对象可以根据预设对象的动作而展示类似的动作，其中，预设对象可例如是体感游戏里的游戏形象。相应地，针对第一对象的处理策略可以是确定第一对象的位姿特征(人体关键点的相互位置关系)与预设对象的位姿特征(人体关键点的相互位置关系)之间是否匹配，并根据匹配度给出得分信息，其中，匹配度越高，得分越高。第一对象的位姿特征也可以是第一对象与预设对象进行交互时的姿态动作，例如，第一对象参与人机对战类游戏时的姿态动作，相应地，针对第一对象的处理策略也可以是根据第一对象的位姿特征进行的相应反馈。

应当理解，根据第一对象的位姿特征可以确定出多种动作，根据位姿特征，执行针对第一对象的处理策略也可以有多种，本领域技术人员可以根据实际情况进行设置。本公开对第一对象的位姿特征及根据位姿特征执行的针对第一对象的处理策略均不作限制。

通过获取第一对象的位姿特征，并根据位姿特征执行针对第一对象的处理策略，可以提高对第一对象进行检测与追踪的精准度。

在一种可能的实现方式中，可以同时对多个对象进行检测。以多人舞蹈游戏为例，在游戏开始时，可以选取多个对象参与舞蹈游戏，例如，选择两个对象参与舞蹈游戏。

在游戏过程中，如果其中一个对象丢失，可以重新选取一个新的对象参与游戏，并同时对视频流进行人脸识别，检测丢失的对象是否返回。如果丢失的对象返回，则可以选取返回的对象作为游戏对象，继续参与游戏，同时停止对之前选取的新的对象的检测与追踪。

在游戏过程中，如果其中一个对象丢失，但是未选取到新的对象参与游戏，当检测到丢失的对象返回时，可以直接选取返回的对象继续参与游戏。

在游戏结束时，可以结束对多个对象的检测与追踪。

应当理解，本领域技术人员可以根据实际情况对多个对象的具体数量进行设置，本公开对此不作限制。

根据本公开实施例的对象检测方法，通过将面部识别与身体检测相结合，能够在多人动态场景中选定一个或多个对象，并对其进行检测和追踪，从而提高用户游戏体验的流畅性。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

图3示出根据本公开实施例的对象检测装置的框图，如图3所示，所述对象检测装置包括：

第一确定模块31，对待处理的视频流进行识别，确定所述视频流中包括第一对象的第一视频帧，所述第一对象包括一个或多个对象；

第一特征获取模块32，根据所述第一视频帧，获取所述第一对象的特征信息，所述特征信息至少包括身体特征；

第一判断模块33，根据所述第一对象的身体特征，对所述视频流进行身体检测，判断所述视频流的第二视频帧中是否存在所述第一对象；

第一区域确定模块34，在所述第二视频帧中存在所述第一对象的情况下，确定所述第一对象在所述第二视频帧中的第一图像区域。

在一种可能的实现方式中，所述第一确定模块31包括：第一视频帧确定子模块，对待处理的视频流进行面部识别，确定所述视频流中包括第一对象的第一视频帧。

在一种可能的实现方式中，所述第一确定模块31包括：身体检测子模块，对待处理的视频流进行身体检测，确定视频流中的待分析对象；条件判断子模块，将所述待分析对象中满足预设条件的对象确定为第一对象；第二视频帧确定子模块，将包括所述第一对象的视频帧确定为第一视频帧。

在一种可能的实现方式中，所述装置还包括：第二确定模块，在所述第二视频帧中不存在所述第一对象的情况下，再次对所述视频流进行面部识别，确定所述视频流的第三视频帧，所述第三视频帧中包括被选中的第二对象；第二特征获取模块，根据所述第三视频帧，获取所述第二对象的特征信息，所述特征信息至少包括身体特征；第二判断模块，根据所述第二对象的身体特征，对所述视频流进行身体检测，判断所述视频流的第四视频帧中是否存在所述第二对象；第二区域确定模块，在所述第四视频帧中存在所述第二对象的情况下，确定所述第二对象在所述第四视频帧中的第二图像区域。

在一种可能的实现方式中，所述装置还包括：第三判断模块，对所述视频流进行面部识别，判断所述视频流的第四视频帧中是否存在所述第一对象；第三区域确定模块，在所述第四视频帧中存在第一对象的情况下，确定所述第一对象在所述第四视频帧中的第三图像区域。

在一种可能的实现方式中，所述装置还包括：第一位姿获取模块，在所述第二视频帧中存在所述第一对象的情况下，获取所述第一对象在所述第二视频帧中的位姿特征；第一策略执行模块，根据所述第一对象的位姿特征，执行针对所述第一对象的处理策略。

在一种可能的实现方式中，所述装置还包括：第二位姿获取模块，在所述第四视频帧中存在所述第二对象的情况下，获取所述第二对象在所述第四视频帧中的位姿特征；第二策略执行模块，根据所述第二对象的位姿特征，执行针对所述第二对象的处理策略。

在一种可能的实现方式中，所述装置还包括：第三位姿获取模块，在所述第四视频帧中存在所述第一对象的情况下，获取所述第一对象在所述第四视频帧中的位姿特征；第三策略执行模块，根据所述第一对象的位姿特征，执行针对所述第一对象的处理策略。

在一种可能的实现方式中，所述第一视频帧确定子模块被配置为：根据预设的第一对象，对所述视频流的多个视频帧依次进行面部识别，从多个视频帧中确定出包括第一对象的第一视频帧。

在一种可能的实现方式中，所述第一视频帧确定子模块被配置为：对所述视频流的视频帧进行面部识别，确定视频帧中的待分析对象；将所述待分析对象中满足预设条件的对象确定为第一对象；将包括所述第一对象的视频帧确定为第一视频帧。

在一种可能的实现方式中，所述第一判断模块33包括：身体特征确定子模块，对所述视频流的第二视频帧进行身体检测，确定所述第二视频帧中待分析对象的身体特征；第一对象确定子模块，在存在与所述第一对象的身体特征相匹配的身体特征时，确定所述第二视频帧中存在所述第一对象。

在一种可能的实现方式中，所述装置包括神经网络，所述神经网络至少包括面部识别网络，其中，第一视频帧确定子模块，被配置为：将所述视频流的各个视频帧依次输入所述面部识别网络中处理，提取各个视频帧中的待分析对象的面部特征；根据待分析对象的面部特征，确定出包括第一对象的第一视频帧。

在一种可能的实现方式中，所述神经网络还包括身体检测网络，其中，身体特征确定子模块，被配置为：将第二视频帧输入身体检测网络中处理，提取所述第二视频帧中待分析对象的身体特征。

在一种可能的实现方式中，所述神经网络还包括位姿特征提取网络，其中，所述第一位姿获取模块，被配置为：将所述第二视频帧输入位姿特征提取网络中处理，提取所述第一对象在所述第二视频帧中的位姿特征。

在一种可能的实现方式中，所述视频流为通过拍摄部件采集的预设区域内的视频流。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图4是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备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，个人数字助理等终端。

参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件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。

处理组件802通常控制电子设备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。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备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。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备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。当电子设备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。

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)，当电子设备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。

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：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备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。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备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。

在示例性实施例中，电子设备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，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图5是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备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，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种对象检测方法，其特征在于，包括：

对待处理的视频流进行识别，确定所述视频流中包括第一对象的第一视频帧，所述第一对象包括一个或多个对象；

根据所述第一视频帧，获取所述第一对象的特征信息，所述特征信息至少包括身体特征；

根据所述第一对象的身体特征，对所述视频流进行身体检测，判断所述视频流的第二视频帧中是否存在所述第一对象；

在所述第二视频帧中存在所述第一对象的情况下，确定所述第一对象在所述第二视频帧中的第一图像区域。

2.根据权利要求1所述的方法，其特征在于，对待处理的视频流进行识别，确定所述视频流中包括第一对象的第一视频帧，包括：

对待处理的视频流进行面部识别，确定所述视频流中包括第一对象的第一视频帧。

3.根据权利要求1所述的方法，其特征在于，对待处理的视频流进行识别，确定所述视频流中包括第一对象的第一视频帧，包括：

对待处理的视频流进行身体检测，确定视频流中的待分析对象；

将所述待分析对象中满足预设条件的对象确定为第一对象；

将包括所述第一对象的视频帧确定为第一视频帧。

4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

在所述第二视频帧中不存在所述第一对象的情况下，再次对所述视频流进行面部识别，确定所述视频流的第三视频帧，所述第三视频帧中包括被选中的第二对象；

根据所述第三视频帧，获取所述第二对象的特征信息，所述特征信息至少包括身体特征；

根据所述第二对象的身体特征，对所述视频流进行身体检测，判断所述视频流的第四视频帧中是否存在所述第二对象；

在所述第四视频帧中存在所述第二对象的情况下，确定所述第二对象在所述第四视频帧中的第二图像区域。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

对所述视频流进行面部识别，判断所述视频流的第四视频帧中是否存在所述第一对象；

在所述第四视频帧中存在第一对象的情况下，确定所述第一对象在所述第四视频帧中的第三图像区域。

6.根据权利要求1-3中任一项所述的方法，其特征在于，所述方法还包括：

在所述第二视频帧中存在所述第一对象的情况下，获取所述第一对象在所述第二视频帧中的位姿特征；

根据所述第一对象的位姿特征，执行针对所述第一对象的处理策略。

7.根据权利要求4中所述的方法，其特征在于，所述方法还包括：

在所述第四视频帧中存在所述第二对象的情况下，获取所述第二对象在所述第四视频帧中的位姿特征；

根据所述第二对象的位姿特征，执行针对所述第二对象的处理策略。

8.一种对象检测装置，其特征在于，包括：

第一确定模块，对待处理的视频流进行识别，确定所述视频流中包括第一对象的第一视频帧，所述第一对象包括一个或多个对象；

第一特征获取模块，根据所述第一视频帧，获取所述第一对象的特征信息，所述特征信息至少包括身体特征；

第一判断模块，根据所述第一对象的身体特征，对所述视频流进行身体检测，判断所述视频流的第二视频帧中是否存在所述第一对象；

第一区域确定模块，在所述第二视频帧中存在所述第一对象的情况下，确定所述第一对象在所述第二视频帧中的第一图像区域。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至7中任意一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。