CN112487947A - 基于图像融合与目标检测网络的低照度图像目标检测方法 - Google Patents
基于图像融合与目标检测网络的低照度图像目标检测方法 Download PDFInfo
- Publication number
- CN112487947A CN112487947A CN202011354955.9A CN202011354955A CN112487947A CN 112487947 A CN112487947 A CN 112487947A CN 202011354955 A CN202011354955 A CN 202011354955A CN 112487947 A CN112487947 A CN 112487947A
- Authority
- CN
- China
- Prior art keywords
- image
- low
- target detection
- illumination
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000005286 illumination Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000002474 experimental method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明涉及一种基于图像融合与目标检测网络的低照度图像目标检测方法，结合非下采样剪切波变换图像融合算法与改进目标检测网络YOLOV4的低照度图像目标检测方法，内容包括：1)红外和低照度可见光图像融合技术，使用其可以对红外和低照度可见光图像进行信息互补，提高轮廓清晰度的同时突出纹理信息；2)将融合后的图像送入改进后的YOLOV4目标检测网络进行检测，输出低照度条件下的目标信息；3)为了提升YOLOV4网络的特征提取能力，本发明将YOLOV4主干网络中的残差块替换为密集链接块，相比于残差块，密集链接块使网络能够提升特征表达能力，提高网络的特征提取能力。最后，实验证明利用本发明可以提高在低照度条件下的目标检测能力。
Description
技术领域
本发明属于机器视觉、图像处理领域，涉及一种基于图像融合与目标检测网络的低照度图像目标检测方法。
背景技术
目标检测识别，指用某种技术手段对图像中的感兴趣目标进行定位、识别。目前主要有两种类型的目标检测方法，基于滑动窗口的方法和基于区域目标性的方法。前者用窗口遍历整幅图像，在每个位置提取窗口内的图像特征，最后用分类器对特征进行分类；后者采用显著性检测或者目标性的方法来提取目标的候选区域，避免了滑动窗口的大量计算，但由于可能出现框定部分目标或对临近目标区分差的情况，对检测结果有一定影响，有许多方法被提出来改善这一问题，如有文献提出一种目标性更强的区域提取方法，减少了候选窗口数量同时提高了候选窗口的质量。
虽然目前深度学习网络在目标检测领域得到了很大发展，但是基本都是基于可见光图像做目标识别，当环境光照条件差时精度将会大幅下跌。虽然红外图像可以在一定程度上弥补光照条件差的影响，但是由于红外图像缺乏纹理、细节信息，单独使用红外图像做目标识别任务很难准确识别目标。因此，在低照度条件下对同一场景的红外和可见光图像融合，再使用目标检测网络对融合后的数据进行检测可以在实现提高目标能见度的同时增强目标纹理、细节信息。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种基于图像融合与目标检测网络的低照度图像目标检测方法，有效提高深度学习检测网络在低照度条件下对目标的检测准确率。使用密集链接方式替换YOLOV4网络残差块，使其能够更好的提取目标细粒度特征，最后再对融合后的图像进行识别，实现低照度条件下的目标识别任务。
技术方案
一种基于图像融合与目标检测网络的低照度图像目标检测方法，其特征在于步骤如下：
步骤1：采集同一视角和同一时刻的低照度可见光数据和红外数据；
步骤2：对低照度可见光图像进行非下采样NSSCT剪切波变换得到高频系数组和低频系数；
对红外图像经过非下采样NSSCT剪切波变换得到高频系数组和低频系数组；
所述低频系数组包含图像整体信息和结构信息；
步骤3：采用信息互补的方式对NSSCT变换得到的红外与可见光图像高频系数组进行融合，得到融合后的高频系数组图像数据；
步骤4：采用信息互补的方式对NSSCT变换得到的红外与可见光图像低频系数组进行融合，得到融合后的低频系数组图像数据；然后对图像数据中的显著性目标进行增强，在保留边缘信息同时对两种图像的低频信息进行融合；
步骤5：采用非下采样剪切波逆变换对步骤3和步骤4融合后的图像高频系数与低频系数进行处理，得到融合的图像；
步骤6：重复步骤1～步骤5，得到同场景的红外和可见光数据进行融合，再对融合后的数据进行标注，形成数据集；
步骤7：对数据集的数据进行数据增强，进行旋转得到旋转后的数据集；进行平移得到平移后的数据集；进行伽马变换得到伽马变换后的数据集；进行MixUp数据增强方法得到MixUp数据增强方法后的数据集；进行Mosaic数据增强方法得到Mosaic数据增强方法后的数据集；进行模糊化处理得到模糊化处理后的数据集；
步骤8：使用改进后的YOLOV4网络在步骤7增强后的数据集上进行训练，得到融合后图像的检测模型；所述改进后的YOLOV4网络是：将YOLOV4网络的里的残差块替换为密集链接层；
步骤9：以实时采集同一视角和同一时刻的低照度可见光数据和红外数据，按照步骤1～步骤5的过程处理后的数据作为步骤8训练后的检测模型的输入，得到低照度可见光图像和红外图像融合的目标检测结果。
所述步骤3的红外与可见光图像高频系数组的融合是：利用信息互补的方式来对红外与可见光图像的高频系数进行融合：
式中
为融合后的高频各尺度方向系数，H(·)为对矩阵数值进行归一化操作，
和
分别为红外与可见光图像的非下采样与可见光图像的高频系数，ω为融合系数，σ为评估因子。
所述评估因子σ取值在0～1之间。
所述融合系数ω为：
所述步骤4采用信息互补的方式对NSSCT变换得到的红外与可见光图像低频系数组进行融合，首先构造显著性图：
在低频系数融合时所遵循的规则式为：
式中pi和pj分别是以像素点i和j为中心的3×3像素点，
为两像素块之间由平均灰度差值得到的强度距离，值ε为调整像素块pj临近的M个像素块之间距离的因子，Si为像素块pi的显著性度量值，β为增强系数，Li为第i层低频系数，α为加权系数。
所述ε＝0.8。
所述β＝1。
所述加权系数α为
有益效果
本发明提出的一种基于图像融合与目标检测网络的低照度图像目标检测方法，结合非下采样剪切波变换(NSSCT)图像融合算法与改进目标检测网络YOLOV4的低照度图像目标检测方法，属于图像处理与目标检测领域。内容包括：1)红外和低照度可见光图像融合技术，使用其可以对红外和低照度可见光图像进行信息互补，提高轮廓清晰度的同时突出纹理信息；2)将融合后的图像送入改进后的YOLOV4目标检测网络进行检测，输出低照度条件下的目标信息；3)为了提升YOLOV4网络的特征提取能力，本发明将YOLOV4主干网络中的残差块替换为密集链接块，相比于残差块，密集链接块使网络能够提升特征表达能力，提高网络的特征提取能力。最后，实验证明利用本发明可以提高在低照度条件下的目标检测能力。
以NSSCT处理方法在分解和重构过程中没有对图像进行下采样和上采样的操作，使得NSSCT操作不仅具有良好的频域局部化特性、多方向性以及接近最优的稀疏表示能力，还具有平移不变性，并且经过NSSCT分解的图像与原图像大小相同。
以利用信息互补的方式可以弥补由于低照度条件下可见光相机难以采集到有效信息的缺陷，将红外图像所得到目标特征高频系数与可见光图像高频系数相融合。
对数据增强从数据层面解决过拟合，提高模型的泛化性，提升算法的鲁棒性。
使用数据融合算法和改进后的YOLOV4作为最后的模型，这是因为红外图像轮廓信息显著但是纹理信息模糊，可见光图像在低照度条件下有一定的纹理信息，但是轮廓信息模糊，融合红外图像和可见光图像后两种轮廓信息和纹理信息互补，提升目标的特征信息。
附图说明
图1～2为红外图像和可见光图像在经过非下采样剪切波变换后的结果；
图3为不同调整因子下的显著性图，显著性因子依次为：
ε＝0.2,ε＝0.4,ε＝0.6,ε＝0.8,ε＝1.0,ε＝1.2；
图4为融合结果实例图；
图5为残差块结构图；
图6为密集链接块结构图。
具体实施方式
现结合实施例、附图对本发明作进一步描述：
1.对可见光图像和红外图像分别进行NSSCT变换
相比于可见光图像，红外图像的灰度值整体偏高，仅仅依靠图像强度进行的变换以及其他空域处理方法普遍会造成融合后的图像中红外图像成分较重，因此为保持边缘细节的同时提高融合图像的对比度，本发明采用了NSSCT变换的方法，具体如下文介绍：
NSSCT变换是在剪切波变换的基础上利用非下采样尺度变换以及非下采样方向滤波器进行的处理，具有良好的平移不变性。因此，NSSCT变换是图像稀疏表示的最优逼近。
对一个二维仿射变换系统，其构造形式为
其中ψ∈L2(R2)，L表示可积空间，R代表实数空间，Z表示整数集合，A和B分别为二维可逆矩阵，且|detB|＝1，本设计中剪切波变换
假设对于任意函数f∈L2(R2)，若
都满足帕塞瓦尔条件(紧支撑条件)，即
则称ψj,i,k为合成小波。其中矩阵A控制尺度变换，矩阵B控制几何方向变换。可认为剪切波变换是合成小波的一种特定类型。
红外图像和可见光图像在经过非下采样剪切波变换后得到如图(1)～(2)所示结果。
其中低频分量代表着图像亮度或者灰度值变化缓慢的区域，也就是图像中大片平坦的区域，描述了图像的主要部分，是对整幅图像强度的综合度量。高频分量对应着图像变化剧烈的部分，也就是图像的边缘(轮廓)或者噪声以及细节部分，主要是对图像边缘和轮廓的度量，而人眼对高频分量比较敏感，之所以说噪声对应着高频分量，是因为图像噪声在大部分情况下都是高频的。
2.对于高频系数的融合
利用信息互补的方式来对红外与可见光图像的高频系数进行融合，如下式所示：
式中
为融合后的第i层高频k方向系数，H(·)为对矩阵数值进行归一化操作，
和
分别为红外(I)与可见光(V)图像的非下采样与可见光图像的高频系数，ω为融合系数，σ为评估因子。当红外与可见光图像对比度差异超出σ时，选择对比度较高的区域作为融合后图像的高频系数，对于对比度差异较小区域，需要进行加权处理。
σ的选择对于待融合区域融合后的图像质量十分关键，在进行比较时，需要对系数进行归一化操作，σ取值在0～1之间，当σ较大时，图像中较多区域遵循第一种融合方法(进行加权平均)，只在差别较大区域进行单独的选择；当σ较小时，只在区域差别较小的区域利用加权平均的方法进行融合，该过程主要运用了某一效果更优的源图像系数，过大的σ会使得融合后的图像不能充分运用源图像优点；过小的σ会引起图像过分利用某一源图像，不利于融合后图像的整体质量，因此合适的σ选择至关重要，为了获得好的融合结果，本发明选择了适中的评估因子σ＝0.4。
通过计算两种源图像的比重ω，可以提升融合后的整体对比度，ω可用下式计算得到：
通过对比度评估得到的高频融合系数，能够有效选择红外与可见光图像对比度较高的区域，并且避免因某一源图像整体灰度大而造成的细节不足与重要信息丢失的问题。
3.低频系数融合规则
图像经过非下采样剪切波变换得到的低频系数展现了图像的整体信息和结构信息，包含了图像中的主要能量以及目标的位置与强度信息，为使得识别算法对显著目标的获取更加迅速与准确，需要对显著性目标进行必要的增强，同时保留显著性目标的边缘信息。
首先构造显著性图，得到
式中pi和pj分别是以像素点i和j为中心的3×3像素点，
为两像素块之间由平均灰度差值得到的强度距离，值ε为调整像素块pj临近的M个像素块之间距离的因子，其与显著性的关系如图3所示，经过分析可知较小的ε会引起显著性图像背景边缘信息丢失。因此，本发明选择ε＝0.8。
式(5)中，Si为像素块pi的显著性度量值，Si越大表示显著性更高，在低频系数融合中需要进行增强。在低频系数融合时所遵循的规则式为
式中β为增强系数(为避免过度融合本设计中β＝1)，Li为第i层低频系数，α为加权系数，根据显著区域的比重的影响定义α为
4.融合结果分析
在本发明提出的实例(图4)中可以看出，经过基于非下采样剪切波变换提出的可见光与红外图像融合方法对实例中的红外图像和可见光图像进行融合，得到的融合结果效果较好，图像中原本不明显的图像细节在融合后得到明显的增强。
5.改进目标检测网络
YOLOV4目标检测网络在YOLOV3网络的基础上对进行了优化与改进。主要工作包括：1)使用Mosaic数据增强技术对数据进行了增强，这有效丰富了检测物体的背景；2)使用自对抗训练数据增强方法，该方法通过在数据上添加噪声提高模型的鲁棒性；3)将空间注意力模块的空间注意力机制(spatial-wise attention)修改为点注意力机制(point-wiseattention)，并将路径聚合网络中的捷径连接替换为级联；4)将批归一化(BN)替换为跨批归一化(CmBN)，其将批内部的4个mini batch当做一个整体对外隔离，之后在mini batch里对前三个时刻的统计量进行汇总。
本发明为了提高网络特征提取能力，将YOLOV4网络中的残差块替换为密集链接块。YOLOV4使用CSPDarknet53作为主干网络提取特征，CSPDarknet53是在YOLOV3Darknet53网络基础上加入CSP块组成。每个CSP块有多个残差块组成，残差块如图5所示。在网络训练时残差块可以提高梯度的传播效率，提高网络训练速度的同时提升网络特征传播效率。假设Xi表示网络第i层的输出，Xi+1是第(i+1)层的输出。则网络中残差层的输出为
Yi＝(Xi+Xi-1)W (8)
其中，W表示相加后的特征权重。从式(1)可以看出，第i层和第i+1层输出的特征共享同一个权重。虽然这可以提升网络训练的效率，但是由于两层的输出都共享一个权重，限制了网络对特征表达的多样性，这限制了网络对复杂环境中微小目标特征提取的能力。
为了解决该问题，该发明将网络中的残差块替换为密集链接块。该方法可以有效提高网络特征表达多样性，提取更为细粒度的目标特征。密集链接块由多个3×3后接1×1的卷积层组成。每个块里所有3×3的卷积层都直接与3×3层之后的所有1×1卷积层相连，如图6所示。其输出可表示为
其中Xk表示1×1卷积层前方的3×3卷积层产生的特征图，W表示为每个与1×1卷积层相连特征图分配的权重，Yi表示密集链接块中1×1卷积层的输出。可以看出，相比于残差链接块密集链接块具备更强的特征表达能力，这是因为密集链接块为每个特征图分配了不一样的权重。
最后，将图像融合算法与改进后的检测网络串联组成低照度图像目标检测模型。
6.实验分析
本发明为了验证算法的有效性，在低照度条件下拍摄了15322张同一场景的图片，并对算法进行了验证。
为了验证对YOLOV4改进的有效性，分别使用原始YOLOV4和改进后的YOLOV4在数据集上进行了验证。首先将两种算法在低照度可见光数据集上进行了对比实验，实验结果如表1所示。从表中可以看出，改进后的YOLOV4比原始的YOLOV4精度有一定提升，这是因为改进后的YOLOV4网络特征提取能力更好。
表1 YOLOV4和改进后YOLOV4对比实验
表中AP表示平均精度，AP50表示当IoU大于等于0.5时的平均精度，AP75表示IoU大于等于0.75时的平均精度，为严格模式测量。
为了验证整个发明的有效性，本文首先对所有同场景的红外图片和低照度可见光图片进行了融合，并对这些图片进行了标注。之后将改进后的YOLOV4网络在低照度和融合后的数据上分别进行了测试验证，结果如表2所示。从表中可以看出，网络在融合的数据集上具有更高的检测率，其验证了发明的有效性。
表2算法有效性对比
Claims (8)
1.一种基于图像融合与目标检测网络的低照度图像目标检测方法，其特征在于步骤如下：
步骤1：采集同一视角和同一时刻的低照度可见光数据和红外数据；
步骤2：对低照度可见光图像进行非下采样NSSCT剪切波变换得到高频系数组和低频系数；
对红外图像经过非下采样NSSCT剪切波变换得到高频系数组和低频系数组；
所述低频系数组包含图像整体信息和结构信息；
步骤3：采用信息互补的方式对NSSCT变换得到的红外与可见光图像高频系数组进行融合，得到融合后的高频系数组图像数据；
步骤4：采用信息互补的方式对NSSCT变换得到的红外与可见光图像低频系数组进行融合，得到融合后的低频系数组图像数据；然后对图像数据中的显著性目标进行增强，在保留边缘信息同时对两种图像的低频信息进行融合；
步骤5：采用非下采样剪切波逆变换对步骤3和步骤4融合后的图像高频系数与低频系数进行处理，得到融合的图像；
步骤6：重复步骤1～步骤5，得到同场景的红外和可见光数据进行融合，再对融合后的数据进行标注，形成数据集；
步骤7：对数据集的数据进行数据增强，进行旋转得到旋转后的数据集；进行平移得到平移后的数据集；进行伽马变换得到伽马变换后的数据集；进行MixUp数据增强方法得到MixUp数据增强方法后的数据集；进行Mosaic数据增强方法得到Mosaic数据增强方法后的数据集；进行模糊化处理得到模糊化处理后的数据集；
步骤8：使用改进后的YOLOV4网络在步骤7增强后的数据集上进行训练，得到融合后图像的检测模型；所述改进后的YOLOV4网络是：将YOLOV4网络的里的残差块替换为密集链接层；
步骤9：以实时采集同一视角和同一时刻的低照度可见光数据和红外数据，按照步骤1～步骤5的过程处理后的数据作为步骤8训练后的检测模型的输入，得到低照度可见光图像和红外图像融合的目标检测结果。
2.根据权利要求1所述基于图像融合与目标检测网络的低照度图像目标检测方法，其特征在于：所述步骤3的红外与可见光图像高频系数组的融合是：利用信息互补的方式来对红外与可见光图像的高频系数进行融合：
式中
为融合后的高频各尺度方向系数，H(·)为对矩阵数值进行归一化操作，
和
分别为红外与可见光图像的非下采样与可见光图像的高频系数，ω为融合系数，σ为评估因子。
3.根据权利要求2所述基于图像融合与目标检测网络的低照度图像目标检测方法，其特征在于：所述评估因子σ取值在0～1之间。
4.根据权利要求2所述基于图像融合与目标检测网络的低照度图像目标检测方法，其特征在于：所述融合系数ω为：
5.根据权利要求1所述基于图像融合与目标检测网络的低照度图像目标检测方法，其特征在于：所述步骤4采用信息互补的方式对NSSCT变换得到的红外与可见光图像低频系数组进行融合，首先构造显著性图：
在低频系数融合时所遵循的规则式为：
式中pi和pj分别是以像素点i和j为中心的3×3像素点，
为两像素块之间由平均灰度差值得到的强度距离，值ε为调整像素块pj临近的M个像素块之间距离的因子，Si为像素块pi的显著性度量值，β为增强系数，Li为第i层低频系数，α为加权系数。
6.根据权利要求5所述基于图像融合与目标检测网络的低照度图像目标检测方法，其特征在于：所述ε＝0.8。
7.根据权利要求5所述基于图像融合与目标检测网络的低照度图像目标检测方法，其特征在于：所述β＝1。
8.根据权利要求5所述基于图像融合与目标检测网络的低照度图像目标检测方法，其特征在于：所述加权系数α为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011354955.9A CN112487947A (zh) | 2020-11-26 | 2020-11-26 | 基于图像融合与目标检测网络的低照度图像目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011354955.9A CN112487947A (zh) | 2020-11-26 | 2020-11-26 | 基于图像融合与目标检测网络的低照度图像目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112487947A true CN112487947A (zh) | 2021-03-12 |
Family
ID=74935794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011354955.9A Pending CN112487947A (zh) | 2020-11-26 | 2020-11-26 | 基于图像融合与目标检测网络的低照度图像目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112487947A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116468973A (zh) * | 2023-06-09 | 2023-07-21 | 深圳比特微电子科技有限公司 | 用于低照度图像的目标检测模型的训练方法、装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017020595A1 (zh) * | 2015-08-05 | 2017-02-09 | 武汉高德红外股份有限公司 | 一种可见光图像与红外图像融合处理系统及融合方法 |
| CN106600572A (zh) * | 2016-12-12 | 2017-04-26 | 长春理工大学 | 一种自适应的低照度可见光图像和红外图像融合方法 |
| CN107657217A (zh) * | 2017-09-12 | 2018-02-02 | 电子科技大学 | 基于运动目标检测的红外与可见光视频的融合方法 |
| CN109242888A (zh) * | 2018-09-03 | 2019-01-18 | 中国科学院光电技术研究所 | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 |
| CN110197231A (zh) * | 2019-06-04 | 2019-09-03 | 南京华格信息技术有限公司 | 基于可见光和红外光图像融合的鸟情探测设备及识别方法 |
| CN110322423A (zh) * | 2019-04-29 | 2019-10-11 | 天津大学 | 一种基于图像融合的多模态图像目标检测方法 |
| CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
| CN110826379A (zh) * | 2018-08-13 | 2020-02-21 | 中国科学院长春光学精密机械与物理研究所 | 一种基于特征复用与YOLOv3的目标检测方法 |
| CN111414807A (zh) * | 2020-02-28 | 2020-07-14 | 浙江树人学院（浙江树人大学） | 一种基于yolo技术的潮水识别与危机预警方法 |
| CN111611905A (zh) * | 2020-05-18 | 2020-09-01 | 沈阳理工大学 | 一种可见光与红外融合的目标识别方法 |
| CN111815550A (zh) * | 2020-07-04 | 2020-10-23 | 淮阴师范学院 | 一种基于灰度共生矩阵的红外与可见光图像融合方法 |
-
2020
- 2020-11-26 CN CN202011354955.9A patent/CN112487947A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017020595A1 (zh) * | 2015-08-05 | 2017-02-09 | 武汉高德红外股份有限公司 | 一种可见光图像与红外图像融合处理系统及融合方法 |
| CN106600572A (zh) * | 2016-12-12 | 2017-04-26 | 长春理工大学 | 一种自适应的低照度可见光图像和红外图像融合方法 |
| CN107657217A (zh) * | 2017-09-12 | 2018-02-02 | 电子科技大学 | 基于运动目标检测的红外与可见光视频的融合方法 |
| CN110826379A (zh) * | 2018-08-13 | 2020-02-21 | 中国科学院长春光学精密机械与物理研究所 | 一种基于特征复用与YOLOv3的目标检测方法 |
| CN109242888A (zh) * | 2018-09-03 | 2019-01-18 | 中国科学院光电技术研究所 | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 |
| CN110322423A (zh) * | 2019-04-29 | 2019-10-11 | 天津大学 | 一种基于图像融合的多模态图像目标检测方法 |
| CN110197231A (zh) * | 2019-06-04 | 2019-09-03 | 南京华格信息技术有限公司 | 基于可见光和红外光图像融合的鸟情探测设备及识别方法 |
| CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
| CN111414807A (zh) * | 2020-02-28 | 2020-07-14 | 浙江树人学院（浙江树人大学） | 一种基于yolo技术的潮水识别与危机预警方法 |
| CN111611905A (zh) * | 2020-05-18 | 2020-09-01 | 沈阳理工大学 | 一种可见光与红外融合的目标识别方法 |
| CN111815550A (zh) * | 2020-07-04 | 2020-10-23 | 淮阴师范学院 | 一种基于灰度共生矩阵的红外与可见光图像融合方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴冬鹏 等: "基于NSSCT的红外与可见光图像融合", 《光学学报》, vol. 37, no. 7, pages 0710003 - 1 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116468973A (zh) * | 2023-06-09 | 2023-07-21 | 深圳比特微电子科技有限公司 | 用于低照度图像的目标检测模型的训练方法、装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
| CN111461110B (zh) | 一种基于多尺度图像和加权融合损失的小目标检测方法 | |
| CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
| CN111209952B (zh) | 基于改进ssd和迁移学习的水下目标检测方法 | |
| CN111915530B (zh) | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 | |
| CN111260640B (zh) | 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置 | |
| CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
| CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
| CN111462012A (zh) | 一种基于条件生成对抗网络的sar图像仿真方法 | |
| CN112700461B (zh) | 一种肺结节检测和表征类别识别的系统 | |
| CN110807384A (zh) | 低能见度下的小目标检测方法和系统 | |
| CN114782298B (zh) | 一种具有区域注意力的红外与可见光图像融合方法 | |
| Sahu et al. | Trends and prospects of techniques for haze removal from degraded images: A survey | |
| CN112330613B (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
| WO2024021461A1 (zh) | 缺陷检测方法及装置、设备、存储介质 | |
| CN113095358A (zh) | 一种图像融合方法及系统 | |
| CN114627269A (zh) | 一种基于深度学习目标检测的虚拟现实安防监控平台 | |
| CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
| CN113379861B (zh) | 基于色彩恢复块的彩色微光图像重建方法 | |
| CN111881924B (zh) | 结合光照不变性与短曝光光照增强的暗光车照识别方法 | |
| CN112487947A (zh) | 基于图像融合与目标检测网络的低照度图像目标检测方法 | |
| Zheng et al. | Overwater image dehazing via cycle-consistent generative adversarial network | |
| CN113538342A (zh) | 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法 | |
| CN110415816B (zh) | 一种基于迁移学习的皮肤病临床图像多分类方法 | |
| Soumya et al. | Self-organized night video enhancement for surveillance systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |