【技術實現步驟摘要】
本專利技術涉及深度學習、低照度圖像增強、霧圖像增強、師生網絡、目標檢測技術以及自注意力機制，具體是一種基于apl-net三階段蒸餾的低照度疊加霧環境下的圖像目標檢測方法。
技術介紹
1、目標檢測是計算機視覺領域中的一項重要任務，它旨在識別圖像或視頻幀中的目標對象，并確定它們的位置。隨著計算機視覺技術的快速發展，目標檢測已成為智能監控、自動駕駛、機器人視覺等多個領域的關鍵技術之一。盡管在正常光照條件下目標檢測技術已取得顯著進展，但在低照度和霧天等復雜環境下，現有算法的性能往往受限，難以滿足實際應用的需求。
2、低照度環境，如夜間或陰暗天氣，會導致圖像中的光照不均，增加目標檢測的難度；圖像中的噪聲增多，目標與背景的對比度降低，使得目標的特征提取變得困難，從而影響檢測算法的準確性和魯棒性。霧天條件下，由于霧的散射作用，圖像中的物體輪廓變得模糊，細節信息丟失，進一步增加了目標檢測的復雜度。傳統的目標檢測算法在這種環境下容易誤判或漏檢，導致檢測性能下降。此外，許多目標檢測算法依賴于大量的標注數據進行訓練，而對于低照度霧圖像的大量標注是不現實的。此外，現有的惡劣天氣下的目標檢測方法只考慮到低照度圖像或霧圖像等簡單情況，直接將這些模型應用于夜間霧天的復雜環境時，通常需要額外的數據增強或復雜的后處理步驟，這不僅增加了計算成本，也會使性能下降，從而限制了算法的實用性。急需一種有效的低照度疊加霧天的圖像目標檢測方法。
技術實現思路
1、本專利技術針對傳統目標檢測算法在復雜光照和天氣條件下性
2、本專利技術包括以下步驟：
3、1)對低照度圖像數據集exdark、霧天數據集rtts、清晰圖像數據集voc2012進行處理和劃分，過程為：
4、1-1)將exdark數據集按8:2的比例劃分，其中80％為訓練集exdark-train，共5891張圖片；20％為測試集exdark-test，共1472張圖片；
5、1-2)將rtts數據集按8:2的比例劃分，其中80％為訓練集rtts-train，共3458張圖片；20％為測試集rtts-test，共864張圖片；
6、1-3)將voc2012數據集按8:2的比例劃分，其中80％為訓練集voc-train，共13700張圖片；20％為測試集voc-test，共3425張圖片；
7、2)第一階段，將所有voc訓練集voc-train圖片送入到apl-net(見圖1)，訓練出teacher1-net，使teacher1-net具備在正常照度清晰圖像下的目標檢測能力，圖像首先經過自適應圖像濾波器aif(見圖2)，再經過檢測模塊ade(見圖7)進行訓練，具體為：
8、2-1)將圖像下采樣為128*128的略縮圖輸入到參數預測模塊ppm中(見圖3)，經過三個自注意力層，再經過兩個全連接層得到輸出p，其中包含4個參數分別為α、β、ω、δ，分別作為去霧、增亮、對比度、銳化增強的參數。
9、2-2)將圖像輸入到基礎圖像濾波器bif中(見圖4)，在bif中對圖像進行一系列增強，首先對圖像進行直方圖均衡化，將均衡化后的圖像進行去霧，去霧增強的計算過程如公式(1)所示：
10、
11、公式(1)中的j(x)代表去霧后的清晰圖像，i(x)代表待去霧圖像，t(x)是透射率，a為全球大氣光成分。其中a由i(x)的暗通道圖中最亮的1000個像素在i(x)中的對應位置像素的亮度平均值作為估計值，t(x)的估計值如公式(2)所示：
12、
13、公式(2)中ω(x)代表以像素x為中心的一個窗口，c代表r、g、b三個通道。α由步驟2-1)計算得出。
14、將去霧后得到的圖像進行亮度增強，通過調整圖像gamma值調整圖像亮度，具體計算過程如公式(3)所示：
15、py＝piβ??(3)
16、公式(3)將輸入的像素值pi＝(ri,gi,bi)映射為py＝(py,gy,by)，其中參數β由步驟2-1)計算得出。
17、將亮度增強后的圖像進行對比度增強，其計算過程如公式(4)、(5)所示：
18、
19、el(pi)＝0.5(1-cos(π(0.27ri+0.67gi+0.06bi)))??(5)
20、公式(4)將輸入的像素值pi＝(ri,gi,bi)映射為py＝(ry,gy,by)，其中參數ω由步驟2-1)計算得出。
21、將對比度增強后的圖像進行銳化，其計算過程如公式(6)所示：
22、f(x)＝i(x)+δ(i(x)-g(i(x)))?(6)
23、其中f為計算結果，i為輸入，g為高斯濾波器，參數δ由步驟2-1)計算得出。
24、2-3)將步驟2-2)中得到的增強圖像經過ade檢測模塊進行檢測。在ade模塊中，先經過四個cbs模塊(卷積、批量標準化、silu激活)，再經過注意力殘差模塊arm(見圖8)，再經過最大池化卷積模塊mpc(見圖9)，再經過模塊arm，其結果記為c1，使c1依次經過mpc、arm，結果記為c2，使c2依次經過mpc、arm，結果記為c3；將c3經過卷積模塊cbs，再經過arm2模塊(見圖10)，其結果記為c4；使c2經過cbs與c4進行通道方向的拼接操作，將拼接后的結果輸入arm2模塊，其結果記為c5，使c1經過cbs、c5依次經過cbs、ups(上采樣操作)，將兩個結果進行拼接，結果記為c6，將c6輸入mpc模塊與c5拼接，拼接結果輸入arm2，結果記為c7，將c7輸入mpc模塊與c4拼接，拼接結果輸入arm2，結果記為c8，將c6、c7、c8送入檢測頭head中進行檢測。最后求出標注框損失gtl并進行反向傳播更新參數，損失函數如公式(7)所示：
25、gtl＝0.1lconf+0.125lcls+0.05lxoc??(7)
26、其中lconf表示分類損失，是使用二元交叉熵損失函數來計算的類別置信度損失；lcls是定位損失，使用ciou?loss來計算預測框和真實框之間的誤差，lloc是置信度損失，使用二元交叉熵損失函數來計算目標置信度損失。
27、2-4)經過若干輪的訓練后teacher1-net可以檢測正常照度清晰圖像中的目標。
28、本文檔來自技高網...
【技術保護點】
1.一種基于APL-Net三階段蒸餾的低照度疊加霧環境下的圖像目標檢測方法，包括如下步驟：
2.根據權利要求書1所述的基于APL-Net三階段蒸餾的低照度疊加霧環境下的圖像目標檢測方法，其特征在于所述步驟2-1)中所述PPM模塊具體為：
3.根據權利要求書1所述的基于APL-Net三階段蒸餾的低照度疊加霧環境下的圖像目標檢測方法，其特征在于所述步驟2-3)中所述ARM模塊具體為：
4.根據權利要求書1所述的基于APL-Net三階段蒸餾的低照度疊加霧環境下的圖像目標檢測方法，其特征在于所述步驟2-3)中所述ARM2模塊具體為：
【技術特征摘要】
1.一種基于apl-net三階段蒸餾的低照度疊加霧環境下的圖像目標檢測方法，包括如下步驟：
2.根據權利要求書1所述的基于apl-net三階段蒸餾的低照度疊加霧環境下的圖像目標檢測方法，其特征在于所述步驟2-1)中所述ppm模塊具體為：
3.根據權利要求書1所...
【專利技術屬性】
技術研發人員：江澤濤，劉暢，熊邦書，鐘寧，儂成一，黃佳彬，
申請(專利權)人：桂林電子科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。