【技術實現步驟摘要】
本專利技術涉及自然場景弱光圖像增強技術以及目標檢測，尤其涉及一種面向弱光環境的小目標船牌檢測方法、系統及裝置。
技術介紹
1、隨著全球貿易的增長，國內外的貿易運輸愈發的頻繁，其中水路運輸由于其獨特的優勢而發展迅速，已成為貿易運輸中不可或缺的重要組成部分。
2、智能交通管理系統已顯著提升了陸路交通的效率和安全性。相反，在水路交通，特別是繁忙的大型港口和復雜水域，交通管理的進展相對緩慢，較多依賴人工參與管理與記錄。這種做法不僅效率低下，而且容易發生錯誤，且人力物力資源造成了浪費。在水路交通管理領域，船牌的檢測識別與陸路交通中的車牌檢測識別存在顯著差異。車牌由于其統一規定的樣式、字體和固定的安裝位置，檢測較為容易。相比之下，船牌在船體上的位置不固定，字體樣式和文字數量差異較大，給檢測工作帶來了不小的挑戰。現有的檢測算法主要關注于目標的全局特征,如外形、紋理等,但對于一些細微的筆畫、紋理等細粒度特征利用不足，這使得對于一些小型或低分辨率的船牌目標檢測準確性較低。此外,現有檢測算法大多依賴于目標的外觀特征,在光照不足、陰影等弱光環境下檢測性能會顯著下降。這在實際應用中十分常見,需要進一步解決。
技術實現思路
1、本專利技術目的在于針對現有技術的不足，提出了一種面向弱光環境的小目標船牌檢測方法、系統及裝置。
2、本專利技術的目的是通過以下技術方案來實現的：本專利技術所提出的一種面向弱光環境的小目標船牌檢測方法，該方法包括以下步驟：
3、(1)圖像恢復：獲取小
4、(2)特征提取：將經過步驟(1)恢復后的圖像劃分為一系列不相交的區塊，分別進行特征提取，得到的不同尺度的多層特征；
5、(3)多粒度特征交互：對特征提取的高維特征與低維特征相融合，對合并后的特征進行通道數的恢復，層層遞進處理，將得到的特征層層遞減再次進行特征融合與通道數恢復處理得到多層特征表示；
6、(4)船牌檢測：將每層特征單獨處理計算，對這些結果進行非極大值抑制，得到統一的小目標船牌檢測最終結果。
7、進一步地，步驟(1)中，逐像素增強操作采用特征增強網絡實現，該網絡由多個串聯的逐像素增強模塊組成，每一個逐像素增強模塊又由一系列的“逐點卷積-深度可分離卷積-逐點卷積”結構組成；并且采用層尺度技術，通過將特征圖與一系列縮放系數相乘，促進模型收斂。
8、進一步地，步驟(2)中，特征提取采用特征提取，將各個區塊逐一送入嵌入層中，將區塊內的像素點映射為高維度的特征向量，在特征提取的過程中，每個小區塊將經過多層的轉置注意力機制和全連接層的處理，并通過一個層級化的結構，按照不同的分辨率將圖像分割為多個階段，每個較低分辨率的階段都在其對應的較高分辨率階段上執行自注意力操作，實現不同層級間的信息傳遞與特征融合。
9、進一步地，步驟(3)中，對特征提取得到的高維特征執行逐層上采樣操作，實現與低維特征保持尺度相同。
10、進一步地，步驟(4)中，將多層的特征進行解耦合的處理，單獨處理每一個特征層，計算得到單獨每一層的結果，再將不同尺度特征上的結果恢復到統一輸入圖像尺度。
11、進一步地，整體過程使用focal-eiou?loss作為損失函數，損失函數的具體公式如下所示：
12、lfocal-eiou＝iouγleiou
13、
14、其中，γ是一個用于控制曲線弧度的超參，cw和ch是覆蓋兩個框的最小外接框的寬度和高度，ρ(·)代表歐幾里得距離。
15、第二方面，本專利技術還提供了一種面向弱光環境的小目標船牌檢測系統，該系統包括：
16、圖像恢復模塊，用于獲取小目標船牌的弱光圖像，并提取不同尺度的特征表示，進行逐像素增強操作，將增強后的特征與原圖相結合；
17、特征提取模塊，用于將恢復后的圖像劃分為一系列不相交的區塊，分別進行特征提取，得到的不同尺度的多層特征；
18、多粒度特征交互模塊，用于對特征提取的高維特征與低維特征相融合，對合并后的特征進行通道數的恢復，層層遞進處理，將得到的特征層層遞減再次進行特征融合與通道數恢復處理得到多層特征表示；
19、船牌檢測模塊，用于將每層特征單獨處理計算，對這些結果進行非極大值抑制，得到統一的小目標船牌檢測最終結果。
20、第三方面，本專利技術還提供了一種面向弱光環境的小目標船牌檢測裝置，包括存儲器和一個或多個處理器，所述存儲器中存儲有可執行代碼，所述處理器執行所述可執行代碼時，實現所述的一種面向弱光環境的小目標船牌檢測方法。
21、第四方面，本專利技術還提供了一種計算機可讀存儲介質，其上存儲有程序，所述程序被處理器執行時，實現所述的一種面向弱光環境的小目標船牌檢測方法。
22、第五方面，本專利技術還提供了一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時，實現所述的一種面向弱光環境的小目標船牌檢測方法。
23、本專利技術的有益效果是：我們提出了一種全新的專門針對于弱光環境下的小目標船牌的目標檢測框架，使其能夠訓練出具有更精確檢測效果的船牌檢測模型。我們的檢測框架通過使用多粒度特征交互模塊，交互計算了各層級之間的特征，使得更多的細節特征被使用，有助于模型在訓練過程中更關注于小尺度的目標。從而獲得更加精確的檢測結果。
本文檔來自技高網...【技術保護點】
1.一種面向弱光環境的小目標船牌檢測方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的一種面向弱光環境的小目標船牌檢測方法，其特征在于，步驟(1)中，逐像素增強操作采用特征增強網絡實現，該網絡由多個串聯的逐像素增強模塊組成，每一個逐像素增強模塊又由一系列的“逐點卷積-深度可分離卷積-逐點卷積”結構組成；并且采用層尺度技術，通過將特征圖與一系列縮放系數相乘，促進模型收斂。
3.根據權利要求1所述的一種面向弱光環境的小目標船牌檢測方法，其特征在于，步驟(2)中，特征提取采用特征提取，將各個區塊逐一送入嵌入層中，將區塊內的像素點映射為高維度的特征向量，在特征提取的過程中，每個小區塊將經過多層的轉置注意力機制和全連接層的處理，并通過一個層級化的結構，按照不同的分辨率將圖像分割為多個階段，每個較低分辨率的階段都在其對應的較高分辨率階段上執行自注意力操作，實現不同層級間的信息傳遞與特征融合。
4.根據權利要求1所述的一種面向弱光環境的小目標船牌檢測方法，其特征在于，步驟(3)中，對特征提取得到的高維特征執行逐層上采樣操作，實現與低維特征保持尺
5.根據權利要求1所述的一種面向弱光環境的小目標船牌檢測方法，其特征在于，步驟(4)中，將多層的特征進行解耦合的處理，單獨處理每一個特征層，計算得到單獨每一層的結果，再將不同尺度特征上的結果恢復到統一輸入圖像尺度。
6.根據權利要求1所述的一種面向弱光環境的小目標船牌檢測方法，其特征在于，整體過程使用Focal-EIoUloss作為損失函數，損失函數的具體公式如下所示：
7.一種面向弱光環境的小目標船牌檢測系統，其特征在于，該系統包括：
8.一種面向弱光環境的小目標船牌檢測裝置，包括存儲器和一個或多個處理器，所述存儲器中存儲有可執行代碼，其特征在于，所述處理器執行所述可執行代碼時，實現如權利要求1-6中任一項所述的一種面向弱光環境的小目標船牌檢測方法。
9.一種計算機可讀存儲介質，其上存儲有程序，其特征在于，所述程序被處理器執行時，實現如權利要求1-6中任一項所述的一種面向弱光環境的小目標船牌檢測方法。
10.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序被處理器執行時，實現如權利要求1-6任一項所述的一種面向弱光環境的小目標船牌檢測方法。
...【技術特征摘要】
1.一種面向弱光環境的小目標船牌檢測方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的一種面向弱光環境的小目標船牌檢測方法，其特征在于，步驟(1)中，逐像素增強操作采用特征增強網絡實現，該網絡由多個串聯的逐像素增強模塊組成，每一個逐像素增強模塊又由一系列的“逐點卷積-深度可分離卷積-逐點卷積”結構組成；并且采用層尺度技術，通過將特征圖與一系列縮放系數相乘，促進模型收斂。
3.根據權利要求1所述的一種面向弱光環境的小目標船牌檢測方法，其特征在于，步驟(2)中，特征提取采用特征提取，將各個區塊逐一送入嵌入層中，將區塊內的像素點映射為高維度的特征向量，在特征提取的過程中，每個小區塊將經過多層的轉置注意力機制和全連接層的處理，并通過一個層級化的結構，按照不同的分辨率將圖像分割為多個階段，每個較低分辨率的階段都在其對應的較高分辨率階段上執行自注意力操作，實現不同層級間的信息傳遞與特征融合。
4.根據權利要求1所述的一種面向弱光環境的小目標船牌檢測方法，其特征在于，步驟(3)中，對特征提取得到的高維特征執行逐層上采樣操作，實現與低維特征保持尺度相同。
5.根據...
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。