1.一種物體檢測方法，其特征在于，包括下述步驟：
2.根據(jù)權(quán)利要求1所述的物體檢測方法，其特征在于，所述第一檢測模型包括基于openpose的人體關(guān)節(jié)點檢測模型，所述獲取所述第一檢測模型輸出的整體性檢測結(jié)果的步驟，具體包括：
3.根據(jù)權(quán)利要求2所述的物體檢測方法，其特征在于，所述人體關(guān)節(jié)點檢測模型的特征提取組件由cnn卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成，所述采用所述人體關(guān)節(jié)點檢測模型的特征提取組件對當前檢測圖像進行特征提取，獲得特征提取結(jié)果的步驟，具體包括：
4.根據(jù)權(quán)利要求2所述的物體檢測方法，其特征在于，在執(zhí)行所述獲取所述第一檢測模型輸出的整體性檢測結(jié)果的步驟之后，所述方法還包括：
5.根據(jù)權(quán)利要求4所述的物體檢測方法，其特征在于，所述第二檢測模型包括基于改進mask-rcnn的人體局部區(qū)域檢測模型，所述獲取所述第二檢測模型輸出的局部性檢測結(jié)果的步驟，具體包括：
6.根據(jù)權(quán)利要求5所述的物體檢測方法，其特征在于，所述人體局部區(qū)域檢測模型的特征圖提取組件包括基于resnet-fpn網(wǎng)絡(luò)結(jié)構(gòu)的特征圖提取組件，所述采用所述人體局部區(qū)域檢測模型的特征圖提取組件對所述目標人體局部區(qū)域圖像進行多尺度特征圖提取和融合，獲得特征提取結(jié)果的步驟，具體包括：
7.根據(jù)權(quán)利要求5所述的物體檢測方法，其特征在于，所述根據(jù)預(yù)設(shè)的驗證策略和風險評估策略，預(yù)測每個待檢測圖像的漏檢/誤檢風險的步驟，具體包括：
8.一種物體檢測裝置，其特征在于，包括：
9.一種計算機設(shè)備，其特征在于，包括存儲器和處理器，所述存儲器中存儲有計算機可讀指令，所述處理器執(zhí)行所述計算機可讀指令時實現(xiàn)如權(quán)利要求1至7中任一項所述的物體檢測方法的步驟。
10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)上存儲有計算機可讀指令，所述計算機可讀指令被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至7中任一項所述的物體檢測方法的步驟。