[发明专利]一种基于YOLOv3网络的雾霾环境下目标检测方法

说明书

本发明涉及目标检测领域，具体为一种基于YOLOv3网络的雾霾环境下目标检测方法。其包括如下步骤S1‑S3：S1、获取雾霾环境下的目标检测数据集；S2、使用条件对抗生成网络对图像进行预处理，条件生成对抗网络包括生成器、判别器和整体损失函数；S3、结合预处理后的图像，送入改进后的YOLOv3目标检测网络进行训练和预测，输出检测结果。本发明通过条件对抗生成网络对雾霾图像进行预处理，采用改进后的YOLOv3算法训练，能够有效提升雾霾天气下目标检测的准确率。

技术领域

本发明涉及目标检测领域，特别是涉及一种基于YOLOv3网络的雾霾环境下目标检测方法。

背景技术

目标检测是计算机视觉中一个基本而具有挑战性的任务，近年来受到了广泛的关注，在人们的生活中得到了广泛的应用，如视频监控安全、自主驾驶等。它可以看作是分类和定位的结合，但需要在同一幅图像中同时检测和分类多个不同尺度的目标。

目标检测技术可以分为如下两类：

第一类是传统的目标检测算法，用滑动窗口和特征算子从图像上生成大量候选框并提取特征，利用以Adaboost和支持向量机(SVM)为代表的分类器进行分类。传统的目标检测方法有它的局限性：(1)生成了大量冗余的候选框，导致分类的误差比较大。(2)特征算子是基于低级视觉特征手工制作的，这使得在复杂语境中难以捕获代表性语义信息。(3)检测的每一个步骤都是独立而不是端到端的，无法得到整个系统的全局最优解。

第二类是基于深度学习的目标检测算法，包括基于区域建议和基于回归的目标检测算法，基于区域建议的目标检测算法以Faster-RCNN为代表，主要是通过锚点产生大量候选框来确定对象最有可能出现的区域，称为感兴趣区域(RegionofInterest，RoI)，检测网络进一步处理这些RoI，以边界框和预测对象类别概率的形式输出检测结果。基于回归的目标检测算法以YOLO为代表，将图片划分为N×N的网格，对每个网格检测的信息进行回归计算，物体中心所在的网格负责对物体进行预测。

目前常见的目标检测算法都是在清晰的环境下进行检测的，而现实中常常遇到雾霾、雨雪等恶劣天气，导致采集到的图片出现噪声、模糊和细节丢失等现象，图片质量严重下降，给目标检测任务带来很大的干扰，使检测准确率降低。并且雾霾等恶劣天气造成的能见度低和遮挡问题也会干扰人的视觉，如果是在驾车过程可能产生意外，因此，对雾霾环境下目标检测的研究，具有重要的现实意义。

发明内容

本发明目的是针对背景技术中存在的问题，提出一种基于YOLOv3网络的雾霾环境下目标检测方法。

本发明的技术方案，一种基于YOLOv3网络的雾霾环境下目标检测方法，包括如下步骤S1-S3：

S1、获取雾霾环境下的目标检测数据集；

S2、使用条件对抗生成网络对图像进行预处理，条件生成对抗网络包括生成器、判别器和整体损失函数，预处理过程包括如下步骤S2.1-S2.5：

S2.1、将有雾图像输入网络生成器中，生成器处理输出去雾后的图像；

S2.2、将有雾图像与去雾图像组合起来输入判别器中，得到判定结果；

S2.3、将有雾图像与真实的无雾图像结合起来放入判别器中，输出另一个结果；

S2.4、将前后两个结果做比较，它们的差用来优化生成器与判别器的参数，帮助网络训练；

S2.5、使用训练好的条件生成对抗网络进行去雾处理；

S3、结合预处理后的图像，送入改进后的YOLOv3目标检测网络进行训练和预测，输出检测结果。

优选的，步骤S1中的数据集是公开数据集RESIDE。