[发明专利]一种基于低照度图像增强算法的刑侦摄影系统及方法

说明书

本发明属于图像增强技术领域，公开了一种基于低照度图像增强算法的刑侦摄影系统及方法，摄影端利用摄影设备进行图像数据获取与对象捕捉，并将获取的图像数据传送至增强端；增强端利用构建的基于增强网络模块生成对抗网络的低照度图像增强模型对传输的低照度图像进行增强，并运用对抗网络算法进行图像识别，为未进行过识别的种类贴上标签；同时提取存储后台中已完成识别的类似标签进行辅助识别；将完成识别增强的图片传输至摄影端以及存储后台分别进行输出与存储。本发明低照度图像增强效果最好、增强效率高、应成体系的系统可应用于各种复杂场景、选取了最适用于刑侦摄影的算法技术。

技术领域

本发明属于图像增强技术领域，尤其涉及一种基于低照度图像增强算法的 刑侦摄影系统及方法。

背景技术

目前，作为刑事侦查中的一种重要的途径，刑侦摄影技术的掌握对刑事案 件线索的掌握十分重要。刑侦摄影技术人员需要使用专业的器材准确，客观的 将实际情况记录下来，这些图像为案件的告破提供科学的图像和证据。同时大 名鼎鼎的“天网监控系统”也将摄影与识别技术相结合，进而完成相关刑事任 务。

现有技术1比较早的用深度学习方法完成低光照增强任务的文章，证明了 基于合成数据训练的堆叠稀疏去噪自编码器能够对的低光照有噪声图像进行增 强和去噪。模型训练基于图像块(patch)，采用sparsity regularized reconstruction loss作为损失函数，主要贡献如下：(1)提出了一种训练数据生成方法(即伽 马校正和添加高斯噪声)来模拟低光环境。(2)探索了两种类型的网络结构： (a)LLNet,同时学习对比度增强和去噪；(b)S-LLNet,使用两个模块分阶段执行对 比度增强和去噪。(3)在真实拍摄到的低光照图像上进行了实验，证明了用合 成数据训练的模型的有效性。(4)可视化了网络权值，提供了关于学习到的特 征的insights。

第一种利用LLNet进行两种操作的方法中，自动编码器模块由多层隐藏单 元组成，其中编码器通过无监督学习进行训练，解码器权重从编码器移置，随 后通过反向传播进行误差微调

在使用两个模块分阶段进行对比实验的方法b中，具有同时增强对比度和 降噪模块的LLNet，也具有顺序对比增强和降噪模块的S-LLNet。

现有技术2引入了CNN，传统的multi-scale Retinex(MSR)方法可以看作 是有着不同高斯卷积核的前馈卷积神经网络，并进行了详细论证。接着，仿照 MSR的流程，他们提出了MSR-net，直接学习暗图像到亮图像的端到端映射。 训练数据采用的是用PS调整过的高质量图像和对应的合成低光照图像(随机减 少亮度、对比度，伽马校正)。损失函数为带正则项的误差矩阵的F-范数平方， 即误差平方和。MSR-net包括三个模块：多尺度对数变换，卷积差分，颜色恢复。

现有技术3其实主要关注单图像对比度增强(SICE)，针对的是欠曝光和 过曝光情形下的低对比度问题。其主要贡献如下：(1)构建了一个多曝光图像 数据集，包括了不同曝光度的低对比度图像以及对应的高质量参考图像。(2) 提出了一个两阶段的增强模型。第一阶段先用加权最小二乘(WLE)滤波方法 将原图像分解为低频成分和高频成分，然后对两种成分分别进行增强；第二阶 段对增强后的低频和高频成分融合，然后再次增强，输出结果。由于单阶段CNN 的增强结果并不令人满意，且存在色偏现象，这可能是因为单阶段CNN难以平 衡图像的平滑成分与纹理成分的增强效果，故设计成两阶段网络结构，其中模 型第一阶段的Decomposition步骤采用的是传统方法，而后面介绍的Retinex-Net 使用CNN实现了。