[发明专利]一种基于MSCFF的低照度目标检测方法

说明书

本发明公开了一种基于MSCFF的低照度目标检测方法，其特征在于，包括如下步骤：1）依据公开标准数据集建立来源图像；2）光照估计的训练；3）特征提取的训练；4）训练目标检测提取预测框；5）对预测框进行非极大值抑制；6）对整个低照度目标检测网络进行Fine tuning与低照度图像目标检测。这种方法使得目标检测在低照度图像上特征图的表达能力更好、图像目标检测的精度更高。

技术领域

本发明涉及图像增强和目标检测技术领域，具体是一种基于多尺度互补特征融合(Multi-Scale Complementary Feature Fusion，简称MSCFF)的低照度目标检测方法。

背景技术

目前图像的目标检测方法主要适用于正常环境光照下，但对于低照度环境下的图像进行目标检测时检测效果和检测精度不佳，这是因为低照度图像具有亮度低、对比度低、信噪比低及噪声污染大等特性，这些特性对图像的目标检测形成干扰，不利于图像的目标检测。

U-net是由Olaf Ronneberger等人在2015年提出的一种网络结构，它的产生极大地促进了医学图像分割的研究，U-net结构主要分为两部分：编码阶段和解码阶段，编码阶段类似于特征提取器，通过卷积和下采样操作获取上下文信息；解码阶段是编码阶段的对称过程，它由卷积和上采样操作组成，用于精确定位，U-Net中将对应编码结构层的输出作为解码结构层输入的一部分，可以克服编码过程中信息丢失的问题，有效提高生成图像的质量。

现在的图像目标检测模块，无论是Faster R-CNN网络还是Mask-rcnn网络，在特征提取过程中，都是先逐步下采样，再将得到的特征图送进区域建议网络生成先验框，在逐步下采样操作中，会造成低级特征信息的丢失，造成小物体检测精度低和检测速度慢，并且对于亮度低的低照度图像，没有考虑光照信息，导致低照度目标检测效果不佳。

发明内容

本发明的目的是针对现有图像目标检测技术的不足，而提供一种基于MSCFF的低照度目标检测方法。这种方法使得目标检测在低照度图像上特征图的表达能力更好、图像目标检测的精度更高。

实现本发明目的的技术方案是：

一种基于MSCFF的低照度目标检测方法，包括如下步骤：

1)依据公开标准数据集制作合成数据源：包括：

1-1)依据公开的SBD数据集合成低照度下的目标检测数据集，采用对正常照度图像添加高斯噪声、高斯滤波和伽马变换方式合成低照度图像，将正常照度图像与合成的低照度图像一一对应组成图像对，作为来源数据集，SBD数据集共包括11355张图像，包括8498张训练图像和2857张测试图像，本例从原训练集中抽取1498张图像作为交叉验证集，剩余7000张图像作为训练集；

1-2)将SBD数据集中的训练集作为正常照度图像训练集，对应的合成低照度图像作为低照度图像训练集，将SBD数据集中的测试集作为正常照度测试集，对应的合成低照度图像作为低照度图像测试集，数据集的分组情况如表1所示：

表1数据源

；

2)光照估计的训练：包括：

2-1)将低照度与正常照度图像训练集中的图像进行预处理，将这些图像的宽度和高度统一缩放至384*384像素；

2-2)对训练图像进行光照估计生成光照分布图，曝光注意力图能更好地引导后续进行照度增强，同时也具有降噪的作用，采用3组卷积核为3*3、stride＝2的卷积层和Relu激活函数进行下采样，3组卷积核为3*3，stride＝2的转置卷积层和Relu激活函数进行上采样，并在相对称的层之间加入跳跃连接，用于弥补特征提取过程中信息丢失的问题，其中光照估计过程的参数设置如表2所示：

表2光照估计参数设置

；