[发明专利]一种在局部复原的模糊图片上基于特征描述子比对的小目标检测方法

说明书

本发明涉及一种在局部复原的模糊图片上基于特征描述子比对的小目标检测方法，属于目标检测技术领域，包括以下步骤：(1)准备车辆数据集，所述车辆数据集包含有经过四点车前窗对齐算法对齐过的模糊车辆图片；(2)使用降噪算法对车辆数据集中的图片进行降噪处理；(3)通过插值函数对图片进行局部超分辨率复原，目标区域为对齐后的前车窗；(4)对复原后的图片进行特征检测，提取特征描述子；(5)通过特征描述子比对判断是否存在小目标。本发明采用局部复原有效减少了计算量，且提高了小目标检测的准确率,为交通领域检测车年检标和安全带的有无提供了一种切实可行的方法。

技术领域

本发明涉及一种在局部复原的模糊图片上基于特征描述子比对的小目标检测方法，属于目标检测技术领域。

背景技术

小目标检测技术在当今许多领域中得到了广泛的应用，如在交通领域中对车辆是否贴有年检标、是否系安全带的检测等等。但是，交通监控摄像头所处位置较高，采集到的图片清晰度有限，且受恶劣天气如大雾、沙尘等影响明显，所拍摄的图片较为模糊，传统的目标检测方法效果较差。因此，研究模糊图片上的小目标检测算法是十分必要的。

然而，模糊小目标检测在实际应用中面临着许多的困难。首先，小目标的分辨率低，形状简单，轮廓粗糙，因此和大目标相比，小目标的检测率低。其次，小目标常常隐藏在复杂的背景中，用传统的图像处理方法往往难以得到理想效果。第三，图像经常受噪声干扰，令检测的难度变大。

目前，针对模糊小目标检测的算法主要有：(1)利用视觉注意机制的小目标检测算法；(2)利用相邻像素进行噪声抑制的小目标检测算法；(3)改进的目标识别网络，如SSD和YOLO。但上述算法仅对图片进行了初步的处理，如噪声抑制等，未能有效提取图片信息。对于改进的深度学习下的目标识别网络，算法计算量大，运行所需的时间长且对于模糊小目标的识别率提高不明显。

本发明在对图片进行降噪的基础上，引入超分辨率复原。超分辨率技术(Super-Resolution)是指从观测到的低分辨率图像重建出相应的高分辨率图像，对于提高模糊图片上小目标的识别率有明显作用。但是超分辨率复原所需计算量较大，而车辆年检标和安全带的检测仅在车窗区域，因此有大量的无效计算。

发明内容

针对现有技术的不足，本发明提供一种在局部复原的模糊图片上基于特征描述子比对的小目标检测方法，局部复原有效减少了计算量，且提高了小目标检测的准确率,为交通领域检测车年检标和安全带的有无提供了一种切实可行的方法。

本发明采用以下技术方案：

一种在局部复原的模糊图片上基于特征描述子比对的小目标检测方法，包括以下步骤：

(1)准备车辆数据集，所述车辆数据集包含有经过四点车前窗对齐算法对齐过的模糊车辆图片；

(2)使用降噪算法对车辆数据集中的图片进行降噪处理；

(3)通过插值函数对图片进行局部超分辨率复原，目标区域为对齐后的前车窗；

(4)对复原后的图片进行特征检测，提取特征描述子；

(5)通过特征描述子比对判断是否存在安全带、车年检标等小目标。

本发明解决了模糊图片上小目标检测中存在的准确率低的问题，有效提升了小目标识别的泛化能力和准确率。

优选的，步骤(1)中，此处的车辆数据集为多张车脸图像，需要保证采集的车辆图像包含车脸且具有尺度、场景的变化，即各张车脸所对应的尺度、场景应该有所不同，不能全部一样，通过改进版的MTCNN算法进行车辆对齐，得到车前窗左下角、右下角，车头左下角、右下角四个点的坐标，即收集车脸四角在图像中的位置信息。

此处改进版的MTCNN算法具体为：

1)将车辆数据集划分为训练集和测试集，使用LabelImg工具标注训练数据集；进一步为：