【技術實現步驟摘要】
本專利技術屬于惡劣天氣目標檢測任務，用以檢測霧天、雨天等多種天氣下圖像中的人、車等目標，具體涉及一種基于多尺度特征提取與模型量化的惡劣天氣目標檢測方法。
技術介紹
1、目標檢測是計算機視覺領域的核心研究方向，廣泛應用于各類實際場景中，如醫學影像分析和工業檢測等。在目標檢測任務中，計算機通過分析圖像中的每個像素點，對不同類型的目標進行識別和標注，從而實現對特定目標的定位和分類。通常情況下，圖像中的區域可分為背景和前景，背景包括道路、天空、墻壁等，而前景則是目標對象，如人員、動物、交通工具等。
2、傳統的圖像分割和目標檢測方法依賴于人工選擇圖像中的低級特征，如顏色、紋理和空間結構，進行目標邊界的預測和分割。常見的方法包括基于圖論的分割、基于聚類的分割以及基于決策樹的分割等。然而，隨著計算能力和數據量的迅猛增長，深度學習技術被廣泛應用于各種計算機視覺任務中。深度神經網絡，特別是卷積神經網絡(convolutionalneural?network,cnn)，能夠從大量標注數據中自動提取特征，并通過學習有效地進行目標檢測和分割任務。深度學習在圖像分割和目標檢測任務中展現了卓越的性能，特別是在清晰的圖像條件下。然而，在實際應用中，惡劣天氣如大霧和雪天對圖像質量產生嚴重影響，導致目標的邊界模糊、識別困難。這不僅增加了檢測算法的復雜性，也影響了模型的準確性和魯棒性。
3、為了應對惡劣天氣對算法準確性的影響，近年來的研究開始關注如何在惡劣天氣條件下提升目標檢測的性能。特別是對于全監督的深度學習模型，雖然其依賴于大量精確標注
4、當前，目標檢測算法主要分為兩種：(1)two-stage目標檢測算法，如fast?r-cnn、faster?r-cnn、maskr-cnn等，上述算法的特點是將目標檢測過程分為兩個階段，首先是利用rpn網絡進行候選目標信息的提取，然后通過檢測網絡對候選對象進行定位和分類；(2)one-stage目標檢測算法，如ssd，yolo，yolo?9000，yolo?v3算法等，而早期one-stage網絡的代表ssd、yolo的提出主要是為了滿足工程實時性的需求，在達到實時性的要求下盡量地提高算法網絡的檢測精度。one-stage網絡也分為骨架網絡、頸部網絡和頭部網絡，但識別與定位都是在頭部網絡中的同一個分支中進行。one-stage檢測算法相對比同時期two-stage檢測算法檢測精度更低、速度更快，由于其具有很強的實時性，因此在實際工程中有著廣泛的應用。
5、在國外，由于ms?coco數據集中的小目標數量較多，所以它與伴隨目標檢測算法一起發展。同時，也有一些研究，尤其是針對小目標的檢測特征，進行了專門的研究和改進，對小目標的檢測精度和效率提升明顯，如經典fpn網絡、snip網絡等。《augmentation?forsmall?object?detection》一文對小目標進行數據增廣，有效的擴充小目標的數據集，達到提高檢測精度的效果。再比如alfnet、perceptual?generative?adversarial?networks等都提出了一些對小目標進行數據增廣的方法和策略。《automated?detection?of?covid-19cases?using?deep?neural?networks?with?x-ray?images》一文中提出了yolo算法模型上加入濾波的方法來提高目標的檢測精度，實現了對17個卷積層上全部引入了不同的濾波。violap提出了一種新的快速檢測算法，它可以對圖像進行快速的處理，并且具有很高的檢測精度。這種快速檢測算法有三大貢獻。第一種方法是引進一種叫做"積分圖像"的新的圖象表示方式，這種圖像表示方式能夠較快地提取出檢測器所需要的特征。第二大貢獻是基于adaboost算法的學習方法，這種方法能夠從大量的圖像數據中提取較少的重要的視覺特征，從而實現對目標非常有效的分類。第三大貢獻是將"級聯"的方法應用在分類器，它能夠消除背景對檢測的影響，將運算的重點放在物體類別區域上。與先前的方法相比，級聯可以被看作是一種特殊的聚焦機制，可以確保所丟棄的區域中不會有相關的物體。在人臉識別方面，此系統的檢測精度達到了當時最先進的人臉識別技術系統的檢測精度。在應用中，檢測器的運行速度可以達到15幀/秒，并且不需要借助膚色進行檢測和圖像差分的方法。
6、然而，上述方法往往基于高質量圖像訓練獲得，在實際應用場景中，圖像分辨率差異較大，低分辨率圖像中目標邊緣不清晰。同時，由于應用場景復雜，單一模型難以解決目標檢測問題。此外，實際應用場景的算力資源存在差異，在某些地區算力資源搭建難度較高，模型部署困難。
技術實現思路
1、本專利技術的目的在于克服現有技術的不足，提供一種基于多尺度特征提取與模型量化的惡劣天氣目標檢測方法，采用基于預采樣的多尺度目標檢測方法準確提取圖像特征，此外，為將模型應用于不同算力條件的應用場景中，通過混合精度及預編譯方案降低模型存儲占用，提升模型執行效率。
2、本專利技術解決其技術問題是通過以下技術方案實現的：
3、一種基于多尺度特征提取與模型量化的惡劣天氣目標檢測方法，所述方法的步驟為：
4、s1、通過雙三次線性插值法降低圖像尺寸，隨后引入橫向sobel算子、縱向sobel算子及復合sobel算子對圖像邊緣進行微分估計，擴充圖像中的邊緣信息，其中，橫向sobel算子與縱向sobel算子權重矩陣為：
5、
6、s2、得到卷積核sx、sy后，分別使用gx＝sxa與gy＝sya進行橫向與縱向邊緣檢測，使用近似融合的方式對橫向與縱向邊緣進行融合，使用融合函數為：
7、|g|＝|gx|+|gy|
8、s3、通過路由分路檢測算法實現數據的接收、排隊和調度，利用資源調度模將預處理后的圖像按照優先級順序進行分配，調度計算資源；在對應的計算資源中，利用多尺度特征提取模塊從不同尺寸的特征圖中提取關鍵信息，增強模型檢測準確率；
9、s4、根據提取的圖像特征，通過自由錨點預測模塊進行預測，在預測時不依賴固定大小的錨點，而是直接對檢測目標的中心與大小進行預測，得到圖像特征后使用分割結果提取模塊進行結果提取，得到最終分割錨點，最終分割錨點的形式為(bx,by,bh,bw,c,p)，直接預測錨點的位置與大小，同時預測出屬于各個類別的置信度。
10、本專利技術所能產生的積極效果是：
11、1、本專利技術的模型monitor-net通過多尺度特征提取網絡與引入邊緣信息能夠有效處理低光照和高噪聲環境中的圖像，準確識別出隱藏在暗處的目標對象，能夠準確識別夜間圖像中的目標，在濃霧天氣、夜間影像的檢測效果有所提升，圖像分辨率差異對模型性能影響本文檔來自技高網...
【技術保護點】
1.一種基于多尺度特征提取與模型量化的惡劣天氣目標檢測方法，其特征在于：所述方法的步驟為：
【技術特征摘要】
1.一種基于多尺度特征提取與模型量化的惡劣天氣...
【專利技術屬性】
技術研發人員：田原，趙滿坤，張子健，劉志強，喻梅，
申請(專利權)人：天津大學，
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。