一种基于暗变换特征等变的黑暗目标检测方法及系统技术方案

本发明专利技术涉及目标检测技术领域，提出一种基于暗变换特征等变的黑暗目标检测方法及系统，其中包括以下步骤：将常光图像输入对成像过程中产生的物理传感器噪声进行分析与建模而得到的物理噪声模型，得到经过暗变换的低光图像；将常光图像与低光图像输入检测器，其中，检测器内配置有特征等变转换网络，用于生成常光图像与低光图像对应的第一特征向量，以及由第一特征向量转换得到的包含非线性信息的第二特征向量；利用根据第一特征向量与第二特征向量确定的用于特征等变的一致性损失确定检测器的训练损失，对训练损失进行优化，并通过经过优化的训练损失对检测器进行更新；将待检测的图像输入完成更新的检测器，得到黑暗目标检测结果。测结果。测结果。

【技术实现步骤摘要】
一种基于暗变换特征等变的黑暗目标检测方法及系统


[0001]本专利技术涉及目标检测
，更具体地，涉及一种基于暗变换特征等变的黑暗目标检测方法及系统。

技术介绍

[0002]目标检测是计算机视觉中的一项重要任务，目的是自动识别和定位图像或视频中物体的位置和类别，它被广泛应用于医学图像分析、自动驾驶和物体识别等领域。随着卷积神经网络的快速发展，基于卷积网络的目标检测方法如Faster R
‑
CNN、YOLO等已经成为了目标检测领域的经典算法。然而这些算法的良好性能仅局限于常光的场景中，由于在较差的照明条件下，目标的边缘、纹理、颜色等细节特征的表征会受到影响，利用这些目标检测算法无法提取到充足的细节特征，会出现目标检测结果的精准度不足、误检率与漏检率提高等问题。
[0003]为了解决这个问题，目前有两方面的研究：
[0004](1)增强低光图像方面的研究：
[0005]其研究的目的是提高低光场景中的图像质量，使图像适应适用于检测常光图像的目标检测算法，从而提升目标检测的效果；低光增强方法的主要目标是减少噪声和增加对比度，并呈现低光图像的更多细节和信息。然而，低光增强方法通常被用作检测器的预处理阶段，这不仅耗时，还可能破坏原始输入图像的信息；因为低光增强方法虽然提高了目标图像的整体视觉效果，但是在低光增强的过程中，容易出现增强过度或增强过程中产生大量噪声干扰的问题，致使低光图像丢失原始目标细节特征。
[0006](2)领域自适应方面的研究：
[0007]其研究目的是通过学习低光照场景的分布来生成合成低光图像，利用合成的低光图像来训练检测器。然而，这种适应方法不足以解决由于剧烈变化的光线所带来的巨大语义信息差距，致使生成的低光图像与实际场景所对应的低光图像有差距，用这种方法进行目标检测的效果并不理想。
[0008]总而言之，现有方法从重建图像数据的角度来提升黑暗目标检测算法，没有探索常光和弱光图像之间的内在关系，存在着重建图像数据导致图像原始特征丢失，从而影响目标检测效果的缺点。

技术实现思路

[0009]本专利技术为克服上述现有技术所述的重建图像数据致使图像原始特征丢失，从而影响目标检测效果的缺陷，提供一种基于暗变换特征等变的黑暗目标检测方法及系统。
[0010]为解决上述技术问题，本专利技术的技术方案如下：
[0011]一种基于暗变换特征等变的黑暗目标检测方法，其特征在于，包括以下步骤：
[0012]S1：对成像过程中产生的物理传感器噪声进行分析与建模，得到物理噪声模型；将常光图像输入所述物理噪声模型，得到经过暗变换的低光图像；
[0013]S2：将所述常光图像与所述低光图像输入用于黑暗目标检测的检测器，其中，所述检测器内配置有特征等变转换网络，用于生成常光图像与低光图像对应的第一特征向量，以及由所述第一特征向量转换得到的包含非线性信息的第二特征向量；
[0014]S3：根据所述第一特征向量与所述第二特征向量确定用于特征等变的一致性损失，并利用所述一致性损失确定所述检测器的训练损失，对所述训练损失进行优化，并通过经过优化的训练损失对所述检测器进行更新；
[0015]S4：将待检测的图像输入完成更新的检测器，得到黑暗目标检测结果。
[0016]优选地，本专利技术还提出了一种基于暗变换特征等变的黑暗目标检测系统应用于上述的基于暗变换特征等变的黑暗目标检测方法。其中，基于暗变换特征等变的黑暗目标检测系统，包括依次连接的预处理模块，特征提取模块，检测模块。
[0017]本技术方案中，预处理模块，用于获取常光图像数据集，并利用常光图像数据集生成低光图像数据集；
[0018]特征提取模块，用于通过常光图像与低光图像数据集训练神经网络，向训练好的神经网络输入待检测的图像，提取待检测图像的特征；
[0019]检测模块，用于通过输入待检测图像的特征，输出检测结果。
[0020]与现有技术相比，本专利技术技术方案的有益效果是：
[0021]根据相机的成像原理，对成像过程中产生的物理传感器噪声进行分析与建模，能够真实地模拟实际场景中的成像过程，从而通过暗变换将常光图像生成对应的逼真的低光图像，进而利用特征等变，学习低光环境和常光环境下图像的不变特征，使检测器能够探索常光和弱光图像之间的内在关系，捕获暗图像的更紧凑的表示，提升目标检测的效果；
[0022]与此同时，由于本方法注重于约束检测器去学习更多光暗不变性的特征，而不是通过额外的模块或者特殊的结构设计来提升检测器的性能，因此本方法适用于各种主流的目标检测器，不影响目标检测器原有的检测常光图像时的良好性能，能够同时在常光环境与低光环境中保持优越的性能。
附图说明
[0023]图1为实施例1的基于暗变换特征等变的黑暗目标检测方法的流程图；
[0024]图2为实施例2的将基于暗变换特征等变的黑暗目标检测方法应用于YOLO检测器的流程图；
[0025]图3为实施例3的基于暗变换特征等变的黑暗目标检测系统的整体框架图。
具体实施方式
[0026]附图仅用于示例性说明，不能理解为对本专利的限制；
[0027]为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0028]对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0029]下面结合附图和实施例对本专利技术的技术方案做进一步的说明。
[0030]实施例1
[0031]本实施例提出一种基于暗变换特征等变的黑暗目标检测方法及系统，如图1所示，为本实施例的基于暗变换特征等变的黑暗目标检测方法的流程图。
[0032]本实施例提出的基于暗变换特征等变的黑暗目标检测方法中，包括以下步骤：
[0033]S1：对成像过程中产生的物理传感器噪声进行分析与建模，得到物理噪声模型；将常光图像输入所述物理噪声模型，得到经过暗变换的低光图像；
[0034]S2：将所述常光图像与所述低光图像输入用于黑暗目标检测的检测器，其中，所述检测器内配置有特征等变转换网络，用于生成常光图像与低光图像对应的第一特征向量，以及由所述第一特征向量转换得到的包含非线性信息的第二特征向量；
[0035]S3：根据所述第一特征向量与所述第二特征向量确定用于特征等变的一致性损失，并利用所述一致性损失确定所述检测器的训练损失，对所述训练损失进行优化，并通过经过优化的训练损失对所述检测器进行更新；
[0036]S4：将待检测的图像输入完成更新的检测器，得到黑暗目标检测结果。
[0037]在具体实施过程中，通过对成像过程中产生的物理传感器噪声进行分析与建模，更加真实地模拟实际场景中的成像过程；利用该物理传感器噪声对常光图像进行暗变换处理，生成逼真的低光图像；将常光图像与其生成的对应的低光图像，作为检测器的训练数据，优化检测器的训练损失；将想要检测的图像输入经优化的检测器，即可输出检测结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于暗变换特征等变的黑暗目标检测方法，其特征在于，包括以下步骤：S1：对成像过程中产生的物理传感器噪声进行分析与建模，得到物理噪声模型；将常光图像输入所述物理噪声模型，得到经过暗变换的低光图像；S2：将所述常光图像与所述低光图像输入用于黑暗目标检测的检测器，其中，所述检测器内配置有特征等变转换网络，用于生成常光图像与低光图像对应的第一特征向量，以及由所述第一特征向量转换得到的包含非线性信息的第二特征向量；S3：根据所述第一特征向量与所述第二特征向量确定用于特征等变的一致性损失，并利用所述一致性损失确定所述检测器的训练损失，对所述训练损失进行优化，并通过经过优化的训练损失对所述检测器进行更新；S4：将待检测的图像输入完成更新的检测器，得到黑暗目标检测结果。2.根据权利要求1所述的基于暗变换特征等变的黑暗目标检测方法，其特征在于，所述S1步骤包括：S1.1：通过添加服从于泊松分布的随机噪声，得到模拟的镜头噪声；其中，镜头噪声δ
s
的计算公式包括：其中，S是相机收集的光信号；S1.2：生成服从零均值和固定方差的高斯分布的随机噪声，并将其与原始图像叠加，得到模拟的读取噪声；其中，读取噪声δ
r
服从高斯分布，其表达式包括：δ
r
～N(0,1)；S1.3：使用常数w、镜头噪声δ
s
和读取噪声δ
r
组成物理噪声模型x
noise
；其中，
noise
的表达式包括：其中，常数w表示线性降光的因子，表示输入图像的像素真值；S1.4：将常光图像输入物理噪声模型，得到经过暗变换的低光图像x
D
：x
D
＝x+x
noise
。3.根据权利要求2所述的基于暗变换特征等变的黑暗目标检测方法，其特征在于，S1.3步骤中，所述常数w在[0.01,1.0]范围内随机采样。4.根据权利要求1所述的基于暗变换特征等变的黑暗目标检测方法，其特征在于，S2步骤中，所述用于特征等变的一致性损失的表达式包括：其中，p和p
D
分别为常光图像与低光图像对应的第一特征向量，z和z
D
分别为p和p
D
转换后得到的第二特征向量，cos(
·
,
·
)表示余弦相似性函...

【专利技术属性】
技术研发人员：林统绪，丁冠智，张泓，肖嘉胤，严键荣，朱鉴，胡钦太，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：