[发明专利]一种重构引导下的复杂场景的目标检测方法及装置

权利要求书

1.一种重构引导下的复杂场景的目标检测方法，其特征在于，包括：

对输入图像进行加噪处理得到加噪后图像，其中，所述输入图像为无噪声图像；

对所述加噪后图像进行编码，提取所述加噪后图像的第一多尺度图像特征；

对所述输入图像进行编码，提取所述输入图像的第二多尺度图像特征；

将所述第二多尺度图像特征作为所述第一多尺度图像特征的监督信息，对所述第一多尺度图像特征进行解码得到重构图像，其中，所述重构图像与所述输入图像之间的相似度大于预设阈值；

提取所述重构图像的图像特征，对所提取的图像特征和所述第一多尺度图像特征进行融合，得到融合特征；

根据所述融合特征和预设目标检测模型进行目标检测，得到目标对象。

2.根据权利要求1所述的方法，其特征在于，所述对输入图像进行加噪处理得到加噪后图像的步骤，包括：

将输入图像的天气修改为雨天或者雾天得到加噪后图像；

或者，

对输入图像进行对比度调整得到加噪后图像。

3.根据权利要求1所述的方法，其特征在于，所述对所述加噪后图像进行编码，提取所述加噪后图像的第一多尺度图像特征的步骤，包括：

采用第一网络模型对所述加噪后图像进行编码，提取所述加噪后图像的第一多尺度图像特征，其中，所述第一网络模型为经过ImageNet预训练的ResNet-50、ResNet-101或者ResNext-101。

4.根据权利要求3述的方法，其特征在于，所述对所述输入图像进行编码，提取所述输入图像的第二多尺度图像特征的步骤，包括：

采用第二网络模型对所述输入图像进行编码，提取所述输入图像的第二多尺度图像特征，其中，所述第二网络模型为经过ImageNet预训练的ResNet-50、ResNet-101或者ResNext-101，所述第二网络模型与所述第一网络模型的网络结构相同且参数共享。

5.根据权利要求1所述的方法，其特征在于，所述将所述第二多尺度图像特征作为所述第一多尺度图像特征的监督信息，对所述第一多尺度图像特征进行解码得到重构图像的步骤，包括：

采用第三网络模型将所述第二多尺度图像特征作为所述第一多尺度图像特征的监督信息，对所述第一多尺度图像特征进行解码得到重构图像，其中，所述第三网络模型的网络结构为上采样up-sampling或者反卷积deconvolution。

6.根据权利要求1所述的方法，其特征在于，通过以下公式确定总体损失：

L_sum＝L1+αL2+βL3

其中，L_sum为总体损失函数，L1为第一损失函数，L2为第二损失函数，L3为所述预设目标检测模型的输出损失函数，α为第二损失函数的权重系数，β为输出损失函数权重系数，L1的输入为所述第一多尺度图像特征和所述第二多尺度图像特征，L2的输入为所述重构图像和所述输入图像。

7.根据权利要求1所述的方法，其特征在于，在所述得到目标对象的步骤之后，所述方法还包括：

对所述目标对象进行后处理，得到处理后的目标对象，其中，所述后处理至少包括非极大值抑制处理。