1.一种目标检测方法，其特征在于，包括：获取n个不同的目标检测器确定的与定位目标相关的n类检测框，其中，所述n个不同的目标检测器能够从同一图像中提取n类不同的图像特征；n为等于或大于2的正整数；

基于所述n类检测框，获得整合后的检测框；

所述n个不同的目标检测器中的每个目标检测器基于所述整合后的检测框从输入图像中提取图像特征，得到n类图像特征；

基于n类图像特征进行图像特征优化，得到优化后的图像特征；

根据所述优化后的图像特征，得到优化后的检测框，以对目标进行检测。

2.根据权利要求1所述的方法，其特征在于，所述基于n类图像特征进行图像特征优化，得到优化后的图像特征，包括：

在第m次执行所述方法时，利用所述n类图像特征中的n‑1类图像特征，优化所述n类图像特征中的第p类图像特征，得到所述优化后的图像特征；

其中，第p类图像特征为所述n类图像特征中除所述n‑1类图像特征之外的一类图像特征；m为大于0的整数，p为大于0小于等于n的整数。

3.根据权利要求2所述的方法，其特征在于，p＝mod(m/n)+1。

4.根据权利要求2所述的方法，其特征在于，所述利用所述n类图像特征中的n‑1类图像特征，优化所述n类图像特征中的第p类图像特征，得到所述优化后的图像特征，包括：对所述n‑1类图像特征中的每一类图像特征进行卷积处理，得到所述n‑1类图像特征中的每一类图像特征的卷积特征；

利用所述卷积特征优化所述n类图像特征中的第p类图像特征，得到所述优化后的图像特征。

5.根据权利要求4所述的方法，其特征在于，所述对所述n‑1类图像特征中的每一类图像特征进行卷积处理，得到所述n‑1类图像特征中的每一类图像特征的卷积特征，包括：对所述n‑1类图像特征中的每一类图像特征进行第一卷积处理，得到n‑1类的第一卷积特征；

对所述n‑1类的第一卷积特征中的每一类第一卷积特征进行激活处理，得到n‑1类激活特征；

对所述n‑1类激活特征中的每一类激活特征进行第二卷积处理，得到所述n‑1类图像特征中的每一类图像特征的卷积特征。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述根据所述优化后的图像特征，得到优化后的检测框，包括：

基于优化后的图像特征进行回归处理，得到所述优化后的检测框。

7.根据权利要求1至5任一项所述的方法，其特征在于，基于所述n类检测框，获得整合后的检测框，包括：

将所述n类检测框中每一类检测框中的概率值不小于概率阈值的检测框合并，得到整合后的检测框。

8.根据权利要求1至5任一项所述的方法，其特征在于，所述方法第一次执行，获取n个不同的目标检测器确定的与定位目标相关的n类检测框，包括：分别利用n个不同的目标检测器在所述输入图像中检测目标，获得与定位目标相关的n类检测框。

9.根据权利要求1至5任一项所述的方法，其特征在于，所述方法第k次执行，k为大于1的整数，获取n个不同的目标检测器确定的与定位目标相关的n类检测框，包括：对于n个不同的目标检测器中的每个目标检测器，获取第k‑1次执行所述方法时该目标检测器确定的检测框或者该目标检测器对应的优化得到的检测框。

10.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：连接视频中多帧图像的所述优化后的检测框，形成同一个目标的动作管道；

基于所述动作管道跟踪所述目标。

11.根据权利要求10所述的方法，其特征在于，所述连接视频中多帧图像的所述优化检测框，形成同一个目标的动作管道，包括：基于第q个图像帧的所述优化后的检测框，获得重新检测的图像特征，其中，q为正整数；

基于所述重新检测的图像特征进行动作类型识别，并获得指示确定为对应类型动作的概率值；

基于所述概率值对所述优化检测框进行平滑过滤，得到平滑过滤后的优化后的检测框；

在时域内关联平滑过滤后的优化后的检测框，得到所述动作管道。

12.一种目标检测装置，其特征在于，包括：获取模块，用于获取n个不同的目标检测器确定的与定位目标相关的n类检测框，其中，所述n个不同的目标检测器能够从同一图像中提取n类不同的图像特征；n为等于或大于2的正整数；

整合模块，用于基于所述n类检测框，获得整合后的检测框；

提取模块，用于所述n个不同的目标检测器中的每个目标检测器基于所述整合后的检测框从输入图像中提取图像特征，得到n类图像特征；

第一优化模块，用于基于n类图像特征进行图像特征优化，得到优化后的图像特征；

第二优化模块，用于根据所述优化后的图像特征，得到优化后的检测框，以对目标进行检测。

13.根据权利要求12所述的装置，其特征在于，所述第一优化模块，用于在第m次执行图像特征优化时，利用所述n类图像特征中的n‑1类图像特征，优化所述n类图像特征中的第p类图像特征，得到所述优化后的图像特征；其中，第p类图像特征为所述n类图像特征中除所述n‑1类图像特征之外的一类图像特征；m为大于0的整数，p为大于0小于等于n的整数。

14.根据权利要求13所述的装置，其特征在于，p＝mod(m/n)+1。

15.根据权利要求13所述的装置，其特征在于，所述第一优化模块，具体用于：在第m次执行图像特征优化时，对所述n‑1类图像特征中的每一类图像特征进行卷积处理，得到所述n‑1类图像特征中的每一类图像特征的卷积特征；利用所述卷积特征优化所述n类图像特征中的第p类图像特征，得到所述优化后的图像特征。

16.根据权利要求15所述的装置，其特征在于，所述第一优化模块，具体用于：在第m次执行图像特征优化时，对所述n‑1类图像特征中的每一类图像特征进行第一卷积处理，得到n‑1类的第一卷积特征；对所述n‑1类的第一卷积特征中的每一类第一卷积特征进行激活处理，得到n‑1类激活特征；对所述n‑1类激活特征中的每一类激活特征进行第二卷积处理，得到所述n‑1类图像特征中的每一类图像特征的卷积特征；利用得到的所述n‑

1类图像特征中的每一类图像特征的卷积特征优化所述n类图像特征中的第p类图像特征，得到所述优化后的图像特征。

17.根据权利要求12至16任一项所述的装置，其特征在于，所述第二优化模块，具体用于基于优化后的图像特征进行回归处理，得到所述优化后的检测框。

18.根据权利要求12至16任一项所述的装置，其特征在于，所述整合模块，具体用于：将所述n类检测框中每一类检测框中的概率值不小于概率阈值的检测框合并，得到整合后的检测框。

19.根据权利要求12至16任一项所述的装置，其特征在于，所述获取模块，在第一次执行获取n个不同的目标检测器确定的与定位目标相关的n类检测框时，用于分别利用n个不同的目标检测器在所述输入图像中检测目标，获得与定位目标相关的n类检测框。

20.根据权利要求12至16任一项所述的装置，其特征在于，所述获取模块，在第k次执行，k为大于1的整数，获取n个不同的目标检测器确定的与定位目标相关的n类检测框时，具体用于对于n个不同的目标检测器中的每个目标检测器，获取第k‑1次执行获取n个不同的目标检测器确定的与定位目标相关的n类检测框时该目标检测器确定的检测框或者该目标检测器对应的优化得到的检测框。

21.根据权利要求12至16任一项所述的装置，其特征在于，所述装置还包括：连接模块，用于连接视频中多帧图像的所述优化后的检测框，形成同一个目标的动作管道；

跟踪模块，用于基于所述动作管道跟踪所述目标。

22.根据权利要求21所述的装置，其特征在于，所述连接模块，具体用于：基于第q个图像帧的所述优化后的检测框，获得重新检测的图像特征，其中，q为正整数；基于所述重新检测的图像特征进行动作类型识别，并获得指示确定为对应类型动作的概率值；基于所述概率值对所述优化检测框进行平滑过滤，得到平滑过滤后的优化后的检测框；在时域内关联平滑过滤后的优化后的检测框，得到所述动作管道。

23.一种目标检测设备，其特征在于，包括：存储器，用于存储计算机可执行指令；

处理器，与所述存储器连接，用于通过执行所述计算机可执行指令，实现权利要求1至

11任一项提供的方法。

24.一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行之后，能够实现权利要求1至11任一项所述的方法。