[发明专利]一种基于MSF-AM的低照度目标检测方法

说明书

本发明公开了一种基于MSF‑AM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）增强和特征提取网络EFENet的训练；3）多尺度检测网络MSDNet的训练；4）对整个端到端的深度神经网络进行构造与训练；5）进行Fine tuning操作与低照度图像目标检测。这种方法能使在低光条件下拍摄的图像能够不受环境因素的影响提取到丰富的高级特征并能更好地检测到图像中的目标。

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融合和注意力机制MSF-AM(Multi-Scale Fusion and Attention Mechanisms，简称MSF-AM)的低照度目标检测方法。

背景技术

目前目标检测方法主要针对于正常照度的环境下的目标检测，但是对于降质的低照度图像，在检测目标因为成像偏暗、模糊不清、细节丢失、干扰较多，普遍存在检测效果和检测精度不佳的情况。在低光条件下拍摄的图像能够不受环境因素的影响并能够检测到图像中的目标是深度学习、计算机视觉的研究领域的方向。

现有的目标检测方法，例如双阶段目标检测方法Faster R-CNN网络在特征提取过程中，逐步进行下采样操作，会丢失较多的低级信息，造成小物体目标检测精度较低，检测速度也较慢，并且对于低照度图像，不能对图像很好地还原，导致低照度图像目标检测效果不佳。

在数字图像处理中，图像通常被分解为一个分段平滑的低频分量和一个或多个高频分量，低频分量对应图像的基本轮廓，并且通常通过对图像应用边缘保持平滑操作算子来计算，然后将高频分量定义为原始图像和低频分量之间的差或商。采用引导滤波算法对图像进行分解，引导滤波利用邻域内的图像均值和方差自适应分配滤波权重，输出结果是引导图的局部线性转换，能够很好地做到平滑小的波动并且保留边缘，但是没有梯度反转伪影的影响。

ResNeXt网络是一个简单、高度模块化的图像分类网络体系结构，ResNeXt网络是由重复一个构建块来构建的，并以一种简单、可扩展的方式利用了分割-变换-合并策略，与Inception模块不同，ResNeXt网络所有的分支共享相同的拓扑结构，因此可以将基数作为待研究的因素分离出来，构建块可以使用分组卷积来进行实现，ResNeXt网络表明，增加基数是获得精度的一种更有效的方法，而不是使网络更深或更广。

CSPNet网络主要解决网络需要大量计算的问题，归结于优化网络中的重复梯度信息。CSPNet网络的思想主要是在减少计算量的同时实现更丰富的梯度组合，CSPNet网络将底层的特征映射分为两部分，然后通过提出的跨阶段层次结构将它们合并达到这一目的，通过对梯度流进行分割，使梯度流通过不同的网络路径进行传播，采用跨通道拼接和转换操作可以使传播的梯度信息有很大的相关差异，CSPNet网络可以大大减少计算量，提高计算速度和精度。

传统的卷积在低分辨率特征映射中只生成空间局部点的函数，从而产生高分辨率细节；注意力机制是由Treisman和Gelade提出的一种模拟人脑注意力机制的模型，它可以看成是一个组合函数，通过计算注意力的概率分布，来突出某个关键输入对输出的影响，它允许对图像生成任务进行注意力驱动的远距离依赖性建模；自注意力机制是对卷积的补充，有助于建立跨图像区域的远距离、多层次依赖关系，可以使用来自所有特征位置的提示来生成细节，其权重或注意力图的计算只需很小的计算成本；通道注意力可以有效地计算通道注意力程度，不同的通道有不同的语义特征，也即通道注意力可以强调突出的对象，同时减轻通道中冗余特征造成的不精确性。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于MSF-AM的低照度目标检测方法。这种方法能使在低光条件下拍摄的图像能够不受环境因素的影响提取到丰富的高级特征并能够更好地检测到图像中的目标。

实现本发明目的的技术方案是：

一种基于MSF-AM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，建立来源图像：