CN115546074A - 一种图像目标检测方法及相关设备 - Google Patents

一种图像目标检测方法及相关设备 Download PDF

Info

Publication number
CN115546074A
CN115546074A CN202211534301.3A CN202211534301A CN115546074A CN 115546074 A CN115546074 A CN 115546074A CN 202211534301 A CN202211534301 A CN 202211534301A CN 115546074 A CN115546074 A CN 115546074A
Authority
CN
China
Prior art keywords
image
low
illumination
neural network
enhanced
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
Application number
CN202211534301.3A
Other languages
English (en)
Inventor
余绍黔
唐江婧
鲁晓海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202211534301.3A priority Critical patent/CN115546074A/zh
Publication of CN115546074A publication Critical patent/CN115546074A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种图像目标检测方法，包括：步骤1，获取待检测的低照度图像；步骤2，通过改进后的Retinex模型对低照度图像进行亮度分量去除处理，得到增强图像；步骤3，将增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；采用改进的Retinex模型对低照度图像进行增强，通过对图像的色彩空间转换使亮度信息与色彩信息分离，以便模型对彩色图像增强时彩色分量的信息更加完整，最后采用GoogLeNet神经网络模型进行目标检测，可以更好挖掘目标特征，提高了在能见度低的环境下对目标检测的准确率。

Description

一种图像目标检测方法及相关设备
技术领域
本发明涉及图像识别技术领域，特别涉及一种图像目标检测方法及相关设备。
背景技术
随着智慧海关的建设不断推进，图像目标检测技术成为了海关智能监管服务不可或缺的组成元素。图像目标检测技术应用于海关的视频监控系统，具体实现包括集装箱箱号检测在内的物流监管、异常人员与车辆的识别与跟踪以及简单商品的辨别等，图像目标检测可在多个方面提升海关的工作效率和效能。
但是在现实中，由于海关这一应用场景的复杂性，目标检测的效果仍待提升，如在阴、雨、雾、夜等不同自然环境下，监控拍摄会因为环境能见度低、光照不足、视线遮挡等，影响拍摄图像的清晰度、亮度、色彩对比度等，影响目标检测的准确率。所以，视线对图像降低噪声影响、提升亮度和色彩信息等的图像增强处理对目标检测具有重要作用，而目前传统图像增强方法大多是直接将用于灰度图像的增强方法扩展到低照度图像中，没有充分考虑到彩色图像中多种色彩通道信息的复杂性，不能获得较为满意的效果。
发明内容
本发明提供了一种图像目标检测方法及相关设备，其目的是为了提高在能见度低的环境下对目标检测的准确率。
为了达到上述目的，本发明提供了一种图像目标检测方法，包括：
步骤1，获取待检测的低照度图像；
步骤2，通过改进后的Retinex模型对低照度图像进行亮度分量去除处理，得到增强图像；
步骤3，将增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；
GoogLeNet神经网络模型的初始特征提取模块包括第一卷积层、第二卷积层和第一池化层；
第一卷积层的输入端为GoogLeNet神经网络模型的输入端，第一卷积层的输出端与第二卷积层的输入端连接，第二卷积层的输出端与第一池化层的输入端连接，第一池化层的输出端与GoogLeNet神经网络模型中的局部响应归一化层的输入端连接。
进一步来说，步骤2包括：
将低照度图像转换至
Figure 946148DEST_PATH_IMAGE001
颜色空间，提取亮度分量作为光照图像；
通过改进后的Retinex模型对低照度图像进行亮度分量去除处理，得到增强图像；
改进后的Retinex模型为：
Figure 82862DEST_PATH_IMAGE002
将低照度图像
Figure 128179DEST_PATH_IMAGE003
和调整后的光照图像
Figure 992230DEST_PATH_IMAGE004
相除，得到增强图像
Figure 9864DEST_PATH_IMAGE005
：
Figure 301168DEST_PATH_IMAGE006
其中，
Figure 286311DEST_PATH_IMAGE007
表示低照度图像，
Figure 750790DEST_PATH_IMAGE008
表示光照图像，
Figure 888510DEST_PATH_IMAGE009
表示增强图像，
Figure 350716DEST_PATH_IMAGE010
表示逐元素乘法，/表示逐元素除法，
Figure 308307DEST_PATH_IMAGE011
表示图像像素空间坐标。
进一步来说，步骤2包括：
将低照度图像从RGB颜色空间转换至LMS空间：
Figure 264893DEST_PATH_IMAGE012
将低照度图像从LMS空间转换为以10为底的对数空间：
Figure 257120DEST_PATH_IMAGE013
将低照度图像从对数空间转换到
Figure 155806DEST_PATH_IMAGE014
颜色空间：
Figure 663011DEST_PATH_IMAGE015
将
Figure 406976DEST_PATH_IMAGE014
颜色空间的亮度分量作为光照图像
Figure 768556DEST_PATH_IMAGE004
。
进一步来说，步骤2还包括：
利用Gamma校正对光照图像
Figure 306985DEST_PATH_IMAGE016
进行调整，得到调整后的光照图像
Figure 504748DEST_PATH_IMAGE017
，表达式为：
Figure 52404DEST_PATH_IMAGE018
其中，
Figure 769955DEST_PATH_IMAGE019
表示伽马变换参数，
Figure 807181DEST_PATH_IMAGE020
。
进一步来说，在步骤3之前还包括：
对增强图像
Figure 226661DEST_PATH_IMAGE021
进行锐化过滤处理，得到锐化后的增强图像
Figure 578008DEST_PATH_IMAGE022
，表达式如下：
Figure 399334DEST_PATH_IMAGE023
其中，
Figure 794412DEST_PATH_IMAGE024
表示锐化后的图像，
Figure 701188DEST_PATH_IMAGE025
表示增强图像，
Figure 387384DEST_PATH_IMAGE026
表示高斯滤波器，
Figure 214614DEST_PATH_IMAGE027
表示正比例因子。
进一步来说，在步骤4之前还包括：
对锐化后的增强图像
Figure 796905DEST_PATH_IMAGE028
进行零均值化处理；
将零均值化处理后的增强图像
Figure 987715DEST_PATH_IMAGE028
输入GoogLeNet神经网络模型进行目标检测。
本发明还提供了一种图像目标检测装置，包括：
获取模块，用于获取待检测的低照度图像；
处理模块，用于通过改进后的Retinex模型对所述低照度图像进行亮度分量去除处理，得到增强图像；
检测模块，用于将增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；
GoogLeNet神经网络模型的初始特征提取模块包括第一卷积层、第二卷积层和第一池化层；
第一卷积层的输入端为GoogLeNet神经网络模型的输入端，第一卷积层的输出端与第二卷积层的输入端连接，第二卷积层的输出端与第一池化层的输入端连接，第一池化层的输出端与GoogLeNet神经网络模型中的局部响应归一化层的输入端连接。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现图像目标检测方法。
本发明还提供了一种图像目标检测设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现图像目标检测方法。
本发明的上述方案有如下的有益效果：
本发明获取的待检测的低照度图像，通过改进后的Retinex模型对所述低照度图像进行亮度分量去除处理，得到增强图像，将增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；采用改进的Retinex模型对低照度图像进行增强，通过对图像的色彩空间转换使亮度信息与色彩信息分离，以便模型对彩色图像增强时彩色分量的信息更加完整，最后采用GoogLeNet神经网络模型进行目标检测，可以更好挖掘目标特征，提高了在能见度低的环境下对目标检测的准确率。
本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
图1为本发明实施例的方法流程图；
图2为本发明实施例中网络的初始特征提取模块连接图；
图3为本发明实施例中网络结构图；
图4为本发明实施例中网络的组合子网（3a）的内部连接图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是锁定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明针对现有的问题，提供了一种图像目标检测方法及相关设备。
如图1所示，本发明的实施例提供了一种图像目标检测方法，包括：
步骤1，获取待检测的低照度图像；
步骤2，通过改进后的Retinex模型对低照度图像进行亮度分量去除处理，得到增强图像；
步骤3，将增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；
GoogLeNet神经网络模型的初始特征提取模块包括第一卷积层、第二卷积层和第一池化层；
第一卷积层的输入端为GoogLeNet神经网络模型的输入端，第一卷积层的输出端与第二卷积层的输入端连接，第二卷积层的输出端与第一池化层的输入端连接，第一池化层的输出端与GoogLeNet神经网络模型中的局部响应归一化层的输入端连接。
其中，步骤2将低照度图像从RGB颜色空间转换至
Figure 680864DEST_PATH_IMAGE029
颜色空间，引入色度信息，
Figure 460470DEST_PATH_IMAGE029
颜色空间可以将图像的亮度和色度信息分离出来，
Figure 948084DEST_PATH_IMAGE030
通道包含了图像的亮度信息，
Figure 829452DEST_PATH_IMAGE031
表示黄-蓝通道，
Figure 326292DEST_PATH_IMAGE032
表示红-绿通道，具体包括：
将低照度图像从RGB颜色空间转换至LMS空间，转换公式如下：
Figure 773454DEST_PATH_IMAGE033
（1）
为了使数据分布更加聚敛，且更符合人类对颜色的感知，需要进一步将低照度图像从LMS空间转换为以10为底的对数空间：
Figure 182701DEST_PATH_IMAGE034
（2）
将低照度图像从对数空间转换到
Figure 551365DEST_PATH_IMAGE029
颜色空间：
Figure 320738DEST_PATH_IMAGE035
（3）
将
Figure 91248DEST_PATH_IMAGE036
颜色空间的亮度分量作为光照图像
Figure 169932DEST_PATH_IMAGE037
。
具体来说，步骤2还包括：
为了调整光照图像亮度，获得更好的图像增强效果，利用Gamma校正对光照图像
Figure 25892DEST_PATH_IMAGE038
进行调整，得到调整后的光照图像
Figure 661273DEST_PATH_IMAGE039
，表达式为：
Figure 20710DEST_PATH_IMAGE040
（4）
其中，
Figure 286606DEST_PATH_IMAGE041
表示伽马变换参数，实验证明当
Figure 849437DEST_PATH_IMAGE042
时，获得的光照图像效果最优。
具体来说，步骤3包括：
首先，确定确定改进后的Retinex模型为：
Figure 491771DEST_PATH_IMAGE043
（5）
然后将低照度图像
Figure 768031DEST_PATH_IMAGE044
和调整后的光照图像
Figure 204829DEST_PATH_IMAGE045
相除，得到增强了亮度及色彩的增强图像
Figure 769802DEST_PATH_IMAGE046
：
Figure 933936DEST_PATH_IMAGE047
（6）
其中，
Figure 267966DEST_PATH_IMAGE048
表示低照度图像，
Figure 875665DEST_PATH_IMAGE049
表示光照图像，
Figure 927934DEST_PATH_IMAGE050
表示增强图像，
Figure 397224DEST_PATH_IMAGE051
表示逐元素乘法，/表示逐元素除法，
Figure 116918DEST_PATH_IMAGE052
表示图像像素空间坐标。
本发明实施例中Retinex的基本思想是入射光决定了一幅图像中的所有像素点的动态范围的大小，而物体的颜色是由物体表面的反射属性决定，与光照情况无关。算法物理意义即观察到的低照度图像可分解为所需增强图像与光照图像，Retinex模型旨在通过数学方法去除图像中的光照图像
Figure 895518DEST_PATH_IMAGE053
，而获得其增强图像
Figure 435084DEST_PATH_IMAGE054
，因此需要先得到光照图像
Figure 206600DEST_PATH_IMAGE053
。
而传统Retinex算法先在R、G和B通道中找到最大值来单独估计每个像素的光照分量，整合后作为该图像的光照图像分量
Figure 249642DEST_PATH_IMAGE055
，这样图像增强只是整体提升了亮度，对其他如颜色、边缘等信息没有增强效果。
与传统Retinex算法相比，本发明实施例中的Retinex模型不是直接由图像的RGB值来估计光照图像，而是将图像由RGB颜色空间通过式（1）-（3）转到
Figure 199144DEST_PATH_IMAGE056
颜色空间，提取
Figure 642983DEST_PATH_IMAGE057
分量作为光照图像
Figure 968922DEST_PATH_IMAGE053
。因为与RGB颜色空间相比，
Figure 928787DEST_PATH_IMAGE056
颜色空间具有可以将亮度信号
Figure 49190DEST_PATH_IMAGE058
与色差信号
Figure 15878DEST_PATH_IMAGE059
、
Figure 879929DEST_PATH_IMAGE060
分离的特性，这样提取的光照图像分离了色彩分量，在求其反射图象或反射分量时，颜色信息更加完整。
具体来说，为了使得到的增强图像能突出显示图像的细节，使目标检测更为准确，本发明实施例在步骤4之前，还需要对增强图像进行锐化过滤处理，过程如下：
Figure 897563DEST_PATH_IMAGE061
（7）
其中，
Figure 205179DEST_PATH_IMAGE062
是锐化后的增强图像，
Figure 737792DEST_PATH_IMAGE063
是增强图像，
Figure 405533DEST_PATH_IMAGE064
表示高斯滤波器，
Figure 277674DEST_PATH_IMAGE065
是正比例因子，可以通过优化
Figure 739880DEST_PATH_IMAGE066
来调整锐化程度以获得更好的目标检测性能。
具体来说，在步骤4之前还包括：
对锐化后的增强图像
Figure 212318DEST_PATH_IMAGE067
进行零均值化处理；
将零均值化处理后的增强图像
Figure 418172DEST_PATH_IMAGE067
输入GoogLeNet神经网络模型进行目标检测。
在本发明实施例中，为了减少训练时间，实现良好的训练效果，同时考虑到GoogLNet神经网络的模型参数较少、过拟合的风险较低的特点，因此选择使用基于GoogLeNet神经网络作为主干网络来构建神经网络实现数据集的训练；为了尽可能保留更多特征信息以及更好更快地实现初步的特征提取，故而选择VGG的前两个卷积层和第一池化层来实现初始图像的第一步的特征信息提取，如图2所示，具体的GoogLeNet神经网络模型的结构如图3所示，其模型参数统计如下表所示：
Figure 207136DEST_PATH_IMAGE068
训练前分别读取训练数据和验证数据，其中训练集采用的是网络搜集的模糊图片及个别视频分帧得到的人像目标检测图片，总计10864张，再采取4个测试集，每个测试集包含1800左右张图片。模型训练过程如下：
将训练集的图像大小调整为224×224×3，且都进行零均值化处理，及图像的每个像素减去均值，输入如图3所示的GoogLeNet神经网络中，使用3×3的第一卷积层和第二卷积层，滑动步长2，64通道，输出为112×112×64，卷积后进行ReLU操作，经过3×3的第一最大池化层，步长为2，输出为((112-3+1)/2)+1=56，即56×56×64，再进行ReLU操作后输入使用3×3的第三卷积层、第四卷积层，滑动步长为2，192通道，输出为56×56×192，卷积后进行ReLU操作，经过3×3的第二最大池化层，步长为2，输出为((56-3+1)/2)+1=28，即28×28×192，再进行ReLU操作，再输入组合子网（3a）中，分为四个分支，采用不同尺度的卷积核来进行处理；
（1）64个1×1的卷积核，然后RuLU，输出28×28×64；
（2）96个1×1的卷积核，作为3×3卷积核之前的降维，变成28×28×96，然后进行ReLU计算，再进行128个3×3的卷积（padding为1），输出28×28×128；
（3）16个1×1的卷积核，作为5×5卷积核之前的降维，变成28×28×16，进行ReLU计算后，再进行32个5×5的卷积（padding为2），输出28×28×32；
（4）pool层，使用3×3的核（padding为1），输出28×28×192，然后进行32个1×1的卷积，输出28×28×32。
将四个结果进行连接，对这四部分输出结果的第三维并联，即64＋128+32+32=256，最终输出为256×28×28，然后输入组合子网（3b）进行处理：
（1）128个1×1的卷积核，然后RuLU，输出28×28×128；
（2）128个1×1的卷积核，作为3×3卷积核之前的降维，变成28×28×128，进行ReLU，再进行192个3×3的卷积（padding为1），输出28×28×192；
（3）32个1×1的卷积核，作为5×5卷积核之前的降维，变成28×28×32，进行ReLU计算后，再进行96个5×5的卷积（padding为2），输出28×28×96；
（4）pool层，使用3×3的核（padding为1），输出28×28×256，然后进行64个1×1的卷积，输出28×28×64。
将四个结果进行连接，对这四部分输出结果的第三维并联，即128+192+96+64=480，最终输出为28×28×480。
其中，组合子网（4a、4b、4c、4d、4e）、组合子网（5a，5b）与3a类似，结构也相同，包括四个1*1的卷积层、一个3*3的最大池化层、一个5*5的卷积层、一个3*3的卷积层和一个聚合层，输出维度如上表所示，具体连接关系如图4所示。
将四个结果进行连接，对这四部分输出结果的第三维并联，即64+128+32+32=256，最终输出28×28×256。
设计组合子网的目的是为了方便添加和修改结构。
本发明实施例中改进的GoogLeNet神经网络的主干网络主要有以下几个特点：
（1）26层的深度网络结构；
（2）前3层结构来进行初步特征提取的迁移学习；
（3）通过GoogLeNet神经网络的后21层来完成后续的图像的特征提取。
本发明实施例首先获取的待检测的低照度图像，通过改进后的Retinex模型对所述低照度图像进行亮度分量去除处理，得到增强图像，将增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；采用改进后的Retinex模型对低照度图像进行增强，通过对图像的色彩空间转换使亮度信息与色彩信息分离，以便模型对彩色图像增强时彩色分量的信息更加完整，最后采用GoogLeNet神经网络模型进行目标检测，可以更好挖掘目标特征，提高了在能见度低的环境下对目标检测的准确率。对于大多地处沿海地区的海关，在所面临的雨、雾、阴、夜等环境下，仍可适应海关图像目标的精准检测，如对货运集装箱的编号、对异常人员与车辆的检测、对大小商品的监测记录，均可精准识别，有利于智能海关的建设。
本发明实施例还提供了一种图像目标检测装置，包括：
获取模块，用于获取待检测的低照度图像；
处理模块，用于通过改进后的Retinex模型对低照度图像进行亮度分量去除处理，得到增强图像；
检测模块，用于将增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；
GoogLeNet神经网络模型的初始特征提取模块包括第一卷积层、第二卷积层和第一池化层；
第一卷积层的输入端为GoogLeNet神经网络模型的输入端，第一卷积层的输出端与第二卷积层的输入端连接，第二卷积层的输出端与第一池化层的输入端连接，第一池化层的输出端与GoogLeNet神经网络模型中的局部响应归一化层的输入端连接。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现图像目标检测方法。
本发明实施例还提供了一种图像目标检测设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现图像目标检测方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种图像目标检测方法，其特征在于，包括：
步骤1，获取待检测的低照度图像；
步骤2，通过改进后的Retinex模型对所述低照度图像进行亮度分量去除处理，得到增强图像；
步骤3，将所述增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；
所述GoogLeNet神经网络模型的初始特征提取模块包括第一卷积层、第二卷积层和第一池化层；
所述第一卷积层的输入端为所述GoogLeNet神经网络模型的输入端，所述第一卷积层的输出端与所述第二卷积层的输入端连接，所述第二卷积层的输出端与所述第一池化层的输入端连接，所述第一池化层的输出端与所述GoogLeNet神经网络模型中的局部响应归一化层的输入端连接。
2.根据权利要求1所述的图像目标检测方法，其特征在于，所述步骤2包括：
将所述低照度图像转换至
Figure DEST_PATH_IMAGE001
颜色空间，提取亮度分量作为光照图像；
通过改进后的Retinex模型对所述低照度图像进行亮度分量去除处理，得到增强图像；
所述改进后的Retinex模型为：
Figure 334300DEST_PATH_IMAGE002
将所述低照度图像
Figure 961590DEST_PATH_IMAGE003
和所述光照图像
Figure DEST_PATH_IMAGE004
相除，得到所述增强图像
Figure 610877DEST_PATH_IMAGE005
：
Figure DEST_PATH_IMAGE006
其中，
Figure 430060DEST_PATH_IMAGE007
表示低照度图像，
Figure DEST_PATH_IMAGE008
表示光照图像，
Figure 506600DEST_PATH_IMAGE009
表示增强图像，
Figure 745821DEST_PATH_IMAGE010
表示逐元素乘法，/表示逐元素除法，
Figure DEST_PATH_IMAGE011
表示图像像素空间坐标。
3.根据权利要求2所述的图像目标检测方法，其特征在于，
将所述低照度图像转换至
Figure 261116DEST_PATH_IMAGE001
颜色空间，提取亮度分量作为光照图像，包括：
将所述低照度图像从RGB颜色空间转换至LMS空间：
Figure 652914DEST_PATH_IMAGE012
将所述低照度图像从所述LMS空间转换为以10为底的对数空间：
Figure DEST_PATH_IMAGE013
将所述低照度图像从所述对数空间转换到
Figure 668666DEST_PATH_IMAGE001
颜色空间：
Figure 270549DEST_PATH_IMAGE014
将所述
Figure 996059DEST_PATH_IMAGE001
颜色空间的亮度分量作为光照图像
Figure 366998DEST_PATH_IMAGE004
。
4.根据权利要求3所述的图像目标检测方法，其特征在于，所述步骤2还包括：
利用Gamma校正对所述光照图像
Figure 503450DEST_PATH_IMAGE004
进行调整，得到调整后的光照图像
Figure DEST_PATH_IMAGE015
，表达式为：
Figure 733574DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
表示伽马变换参数，
Figure 856251DEST_PATH_IMAGE018
。
5.根据权利要求4所述的图像目标检测方法，其特征在于，在所述步骤3之前还包括：
对所述增强图像
Figure DEST_PATH_IMAGE019
进行锐化过滤处理，得到锐化后的增强图像
Figure 238953DEST_PATH_IMAGE020
，表达式如下：
Figure 562618DEST_PATH_IMAGE021
其中，
Figure 139093DEST_PATH_IMAGE022
表示锐化后的图像，
Figure 190094DEST_PATH_IMAGE019
表示增强图像，
Figure 270046DEST_PATH_IMAGE023
表示高斯滤波器，
Figure DEST_PATH_IMAGE024
表示正比例因子。
6.根据权利要求5所述的图像目标检测方法，其特征在于，在所述步骤3之前还包括：
对锐化后的增强图像
Figure 295771DEST_PATH_IMAGE025
进行零均值化处理；
将零均值化处理后的所述增强图像
Figure 251219DEST_PATH_IMAGE025
输入所述GoogLeNet神经网络模型进行目标检测。
7.一种图像目标检测装置，其特征在于，包括：
获取模块，用于获取待检测的低照度图像；
处理模块，用于通过改进后的Retinex模型对所述低照度图像进行亮度分量去除处理，得到增强图像；
检测模块，用于将所述增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；
所述GoogLeNet神经网络模型的初始特征提取模块包括第一卷积层、第二卷积层和第一池化层；
所述第一卷积层的输入端为所述GoogLeNet神经网络模型的输入端，所述第一卷积层的输出端与所述第二卷积层的输入端连接，所述第二卷积层的输出端与所述第一池化层的输入端连接，所述第一池化层的输出端与所述GoogLeNet神经网络模型中的局部响应归一化层的输入端连接。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的图像目标检测方法。
9.一种图像目标检测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的图像目标检测方法。
CN202211534301.3A 2022-12-02 2022-12-02 一种图像目标检测方法及相关设备 Pending CN115546074A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211534301.3A CN115546074A (zh) 2022-12-02 2022-12-02 一种图像目标检测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211534301.3A CN115546074A (zh) 2022-12-02 2022-12-02 一种图像目标检测方法及相关设备

Publications (1)

Publication Number Publication Date
CN115546074A true CN115546074A (zh) 2022-12-30

Family

ID=84722670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211534301.3A Pending CN115546074A (zh) 2022-12-02 2022-12-02 一种图像目标检测方法及相关设备

Country Status (1)

Country Link
CN (1) CN115546074A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708615A (zh) * 2022-04-02 2022-07-05 西安电子科技大学广州研究院 基于图像增强的低照度环境下人体检测方法、电子设备及储存介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708615A (zh) * 2022-04-02 2022-07-05 西安电子科技大学广州研究院 基于图像增强的低照度环境下人体检测方法、电子设备及储存介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张杰 等: "基于方向性全变分Retinex的低照度图像增强", 《计算机辅助设计与图形学学报》 *
郝骏 等: "基于Yolo与残差网络算法改进的运动目标检测", 《光电子.激光》 *

Similar Documents

Publication Publication Date Title
Wang et al. Single image dehazing based on the physical model and MSRCR algorithm
CN108549874B (zh) 一种目标检测方法、设备及计算机可读存储介质
CN109872285B (zh) 一种基于变分约束的Retinex低照度彩色图像增强方法
CN113065558A (zh) 一种结合注意力机制的轻量级小目标检测方法
CN108090886B (zh) 一种高动态范围红外图像的显示与细节增强方法
CN107403134B (zh) 基于局部梯度三边的图域多尺度红外弱小目标检测方法
CN111369605B (zh) 一种基于边缘特征的红外与可见光图像的配准方法和系统
CN111079764B (zh) 一种基于深度学习的低照度车牌图像识别方法及装置
CN110428389B (zh) 基于msr理论和曝光融合的微光图像增强方法
CN108875623B (zh) 一种基于图像特征融合对比技术的人脸识别方法
CN107657619A (zh) 一种低照度林火图像分割方法
CN110766708B (zh) 基于轮廓相似度的图像比较方法
CN111222564B (zh) 基于图像通道相关性的图像鉴别系统、方法、装置
CN116681636B (zh) 基于卷积神经网络的轻量化红外与可见光图像融合方法
CN111612741A (zh) 一种基于失真识别的精确无参考图像质量评价方法
CN115393225A (zh) 一种基于多层次特征提取融合的低光照图像增强方法
CN112465708A (zh) 基于暗通道改进的图像去雾方法
CN114049566B (zh) 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置
CN114581318A (zh) 一种低照明度图像增强方法及系统
CN110647813A (zh) 一种基于无人机航拍的人脸实时检测识别方法
CN111311503A (zh) 一种夜晚低亮度图像增强系统
CN111476739B (zh) 水下图像增强方法、系统及存储介质
CN113129300A (zh) 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质
CN117422631A (zh) 基于自适应滤波分层的红外图像增强方法
CN116883303A (zh) 基于特征差分补偿与融合的红外与可见光图像融合方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20221230

RJ01 Rejection of invention patent application after publication