[发明专利]一种基于卷积神经网络的快速低光照目标检测方法

说明书

一种基于卷积神经网络的快速低光照目标检测方法属于深度学习领域。本发明通过对卷积神经网络的网络结构及特征图进行研究，使用三层金字塔结构的卷积神经网络作为低光照增强网络，将高分辨率的低光照图像转换为低分辨率的光照增强图像，实现了在恢复低光照图像光照亮度和色彩等细节的同时大幅减小计算资源消耗，提高成像速度。结合基于单像素注意力的轻量化超分辨率网络将低分辨率的增强图像上采样至高分辨图像，增强图像的纹理细节，提高检测精度。使用基于多尺度融合的目标检测网络融合了不同尺度图像的特征信息，有效地提高了检测精度。在Zurich RAW to RGB数据集下验证了本发明的有效性。

技术领域

本发明属于深度学习、图像增强和目标检测领域，具体涉及一种基于卷积神经网络的快速低光照目标检测方法。

背景技术

目标检测技术有很多应用，如人脸识别、自动驾驶、故障诊断等。然而，现实环境中各种复杂的光照条件，如夜间、阴雨、雾霾等，都会影响图像质量，进而影响目标检测的准确性。在低光照条件下，大多数现有的目标检测方法都会受到影响，检测性能会降低，甚至导致检测失败。由于光照条件的复杂性，低光照目标检测一直是图像处理和计算机视觉中的一个难题。

目前，低光照目标检测的主要方法是两步法。第一步是增强低光照图像的亮度，恢复图像的颜色、轮廓和细节特征。第二步是检测增强图像上的目标。在传统的低光照图像增强方法中，无论是直方图均衡化方法还是基于Retinex的方法都侧重于对比度增强，但无法恢复图像的细节和颜色，因此不适用于低光照目标检测。近年来发展起来的基于卷积神经网络的低光照增强模型提取了高层语义，学习颜色、对比度和光照特征，产生了更具表现力的效果。早期的目标检测的方法分为一阶段检测器和二阶段检测器。二阶段检测器首先对所有图像区域进行分割，提取出可能的检测对象，然后对其进行分类定位。但是，二阶段检测器的运行时间太长，占用了大量的计算资源。相反，一阶段检测器在回归过程中直接对目标进行分类，显著提高了检测速度。目前，基于卷积神经网络的低光照目标检测方法已经取得了较好的增强和检测效果。然而，这些方法需要4480*4480分辨率以上的高分辨率原始图像作为学习数据集，消耗大量的计算和存储资源。此外，单级检测器对整个图像进行回归，导致大量的负样本，导致检测精度不够。针对上述问题的一种可行的解决方案是首先进行光照增强并输出 992*720以下的低分辨率图片，然后引入注意机制的轻量化超分辨率网络来增强图像的分辨率至1984*1440以上，丰富图像细节特征，最后使用多尺度融合的目标检测网络实现对低光照目标的快速检测。

发明内容

本发明提供一种基于卷积神经网络的快速低光照目标检测方法，本发明通过对卷积神经网络的网络结构及特征图进行研究，设计了一种多尺度卷积神经网络，使用三层金字塔结构的卷积神经网络作为低光照增强网络，将4480*4480分辨率以上的高分辨率的低光照图像转换为992*720以下的低分辨率光照增强图像，实现了在恢复低光照图像光照亮度和色彩等细节的同时大幅减小计算资源消耗，提高成像速度。结合基于单像素注意力的轻量化超分辨率网络将992*720以下的低分辨率增强图像上采样至1984*1440以上，增强图像的纹理细节，提高检测精度。使用基于多尺度融合的目标检测网络融合了不同尺度图像的特征信息，有效地提高了检测精度。

本发明所要解决的技术问题有两个，一是现有的基于卷积网络的低光照目标检测中低光照增强模块法需要4480*4480分辨率以上的高分辨率原始图像作为学习数据集，消耗了大量的计算和存储资源，造成模型运行速度缓慢，并且难以在低配置硬件系统上实现的问题；二是现有的轻量级目标检测模型在检测任务中存在检测精度和回归率不高的问题。针对这两个问题，本发明提出一种基于金字塔卷积的卷积神经网络用于低分辨率下的低光照图像增强，结合单像素注意力机制的轻量化超分辨网络实现对低光照图像的细节增强，最后结合多尺度融合的目标检测网络进行目标检测，不仅实现了加快网络模型的运行速度，而且具有良好的目标检测精度与回归率。

本发明采用的技术方案如下：

一种基于卷积神经网络的快速低光照目标检测方法，包括以下步骤：