一种目标车辆检测方法、装置、设备及介质制造方法及图纸

本申请公开了一种目标车辆检测方法、装置、设备及介质，方法包括获取图像，对所述图像进行预处理，获得预处理后的图像；构建最优多层特征融合车辆检测模型；通过最优多层特征融合车辆检测模型对所述预处理后的图像进行目标车辆检测，获得目标车辆。能够实现高质量图像的获取，提高目标车辆识别的效率。提高目标车辆识别的效率。提高目标车辆识别的效率。

【技术实现步骤摘要】
一种目标车辆检测方法、装置、设备及介质


[0001]本申请涉及智能交通及无人机遥感图像处理
，尤其涉及一种目标车辆检测方法、装置、设备及介质。

技术介绍

[0002]可见光图像主要对目标车辆与背景之间的亮度、色度、运动等视觉信号参数的对比特征进行检测，可提取目标车辆高精度的几何特征，对目标检测、定位可起到决定性作用。但是可见光成像过程会受光照变化、云层干扰、噪声等复杂环境影响，会造成成像质量下降，而低质量图像会导致检测算法准确率下降。
[0003]因此，亟需一种目标车辆检测方法，用以降低复杂环境对成像系统的干扰。

技术实现思路

[0004]本说明书实施例提供了一种目标车辆检测方法、装置、设备及介质，用于解决成像效果差导致无法快速准确检测和定位无人机遥感图像中的目标车辆的问题。
[0005]本说明书实施例采用下述技术方案：
[0006]第一方面，本说明书实施例提供了一种目标车辆检测方法，所述方法包括以下步骤：
[0007]获取图像，对所述图像进行预处理，获得预处理后的图像；
[0008]构建最优多层特征融合车辆检测模型；
[0009]通过最优多层特征融合车辆检测模型对所述预处理后的图像进行目标车辆检测，获得目标车辆。
[0010]第二方面，本说明书实施例提供了一种目标车辆检测装置，所述装置包括：
[0011]视频流数据采集模块，用于获取图像，对所述图像进行预处理，获得预处理后的图像；
[0012]检测模型训练模块，用于构建最优多层特征融合车辆检测模型；
[0013]数据处理及检测定位模块，用于通过最优多层特征融合车辆检测模型对所述预处理后的图像进行目标车辆检测，获得目标车辆。
[0014]第三方面，本说明书实施例提供了一种电子设备，包括至少一个处理器及存储器，存储器存储有程序，并且被配置成至少一个处理器执行实施例中任一项所述的一种目标车辆检测方法。
[0015]第四方面，本说明书实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行实施例中任一项所述的一种目标车辆检测方法。
[0016]本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过对图像进行预处理，获得预处理后的图像；构建最优多层特征融合车辆检测模型；通过最优多层特征融合车辆检测模型对所述预处理后的图像进行目标车辆检测，获得目标车辆。能够实
现高质量图像的获取，提高目标车辆识别的效率。
附图说明
[0017]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0018]图1为本说明书实施例提供的一种目标车辆检测方法的流程示意图；
[0019]图2为本说明书实施例提供的一种目标车辆检测方法中的自适应Gamma光照校正算法流程图；
[0020]图3为本说明书实施例提供的一种目标车辆检测方法中的构建最优多层特征融合车辆检测模型方法流程图；
[0021]图4为本说明书实施例提供的一种目标车辆检测方法中的为多层特征目标车辆检测模型算法流程图；
[0022]图5为本说明书实施例提供的一种目标车辆检测方法中的目标车辆定位算法流程图；
[0023]图6为本书明书实施例提供的一种目标车辆检测装置的结构示意图；
[0024]图7为本说明书实施例提供的一种目标车辆检测方法中的最优多层特征融合检测车辆检测模型移植方法。
具体实施方式
[0025]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0026]目标检测技术发展迅速，已经应用到许多实际场景中，但是无人机载目标车辆识别具有目标尺度变化大、存在大量小目标、边界模糊、光照变化等困难，传统的目标检测应用于无人机遥感图像的目标车辆检测时检测效果会急剧下降。
[0027]研究图像预处理算法降低复杂环境对成像系统的干扰，并且如何快速准确检测和定位无人机遥感图像中的目标车辆具有重要的研究意义和实用价值。
[0028]因此，本说明书实施例提供了一种目标车辆检测方法、装置、设备及介质，通过对图像进行预处理，获得预处理后的图像；构建最优多层特征融合车辆检测模型；通过最优多层特征融合车辆检测模型对所述预处理后的图像进行目标车辆检测，获得目标车辆。能够实现高质量图像的获取，提高目标车辆识别的效率。
[0029]以下结合附图，详细说明本说明书各实施例提供的技术方案。
[0030]参见图1，图1为本说明书实施例提供的一种目标车辆检测方法的流程示意图。本说明书实施例提供一种目标车辆检测方法，请参阅图1所示，所述方法包括以下步骤：
[0031]S101、获取图像，对所述图像进行预处理，获得预处理后的图像；
[0032]在具体实施中，获取图像的方式包括但不限于利用无人机可见光图像传感器采集实时视频图像，例如，采用高清云台相机固定到无人机上，通过云台控住无人机的拍摄角度，从而获取更好的拍摄角度和更广阔的拍摄视野，通过无人机载可见光图像传感器获得
实时视频图像，将视频流以帧为单位保存到内存卡中用于制作数据集和通过数据传输模块传输数据。对所述图像进行预处理的方式包括但不限于通过自适应Gamma光照校正方法对获取的图像进行预处理。
[0033]其中，请参阅图2所示，图2为本说明书实施例提供的自适应Gamma光照校正算法流程图，所述通过自适应Gamma光照校正方法对获取的图像进行预处理，包括但不限于：
[0034]S1011、所述图像通过RGB空间算法，获得所述图像的灰度强度均值。
[0035]具体的，在RGB空间通过计算灰度直方图并求均值以及灰度强度直方图，获得所述图像的灰度强度均值。
[0036]S1013、所述图像利用多尺度高斯函数卷积算法，获得所述图像的光照分量。
[0037]具体的，将图像从RGB空间转化为HSV空间，HSV色彩空间中包含色调(H)、饱和度(S)和亮度(V)三个分量，利用多尺度高斯函数卷积对所述亮度分量进行计算，获得所述图像的光照分量。
[0038]其中，从RGB空间转化为HSV空间的转换关系采用以下表达式进行关系转换。
[0039]两者之间的转换关系为：
[0040]V
←
max(R，G，B)
[0041][0042][0043]在照射反射模型中，入射光线L(x，y)经过物体R(x，y)反射后，被相机捕获，形成图像S(x，y)。即
[0044]S(x，y)＝L(x，y)
·
R(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标车辆检测方法，其特征在于，所述方法包括以下步骤：获取图像，对所述图像进行预处理，获得预处理后的图像；构建最优多层特征融合车辆检测模型；通过最优多层特征融合车辆检测模型对所述预处理后的图像进行目标车辆检测，获得目标车辆。2.根据权利要求1所述的一种目标车辆检测方法，其特征在于，所述对所述图像进行预处理包括：通过自适应Gamma光照校正方法对获取的图像进行预处理。3.根据权利要求2所述的一种目标车辆检测方法，其特征在于，所述通过自适应Gamma光照校正方法对获取的图像进行预处理，包括：所述图像通过RGB空间算法，获得所述图像的灰度强度均值；所述图像利用多尺度高斯函数卷积算法，获得所述图像的光照分量；利用所述光照分量和所述灰度强度均值对所述图像进行二维伽马校正，获得亮度校正图像；将所述亮度矫正图像转换为RGB图像，完成所述图像的预处理。4.根据权利要求3所述的一种目标车辆检测方法，其特征在于，所述图像利用多尺度高斯函数卷积算法，获得所述图像的光照分量，包括：所述图像从RGB空间转化为HSV空间，所述HSV空间包含色调分量、饱和度分量和亮度分量；利用多尺度高斯函数卷积对所述亮度分量进行计算，获得所述图像的光照分量。5.根据权利要求1所述的一种目标车辆检测方法，其特征在于，所述构建最优多层特征融合车辆检测模型，包括：获取目标图像，对含有有效目标的目标图像进行标注，构建目标数据集；将所述目标数据集分为训练集和验证集；通过跳跃自适应学习结构、三重注意力机制、YOLOv4

【专利技术属性】
技术研发人员：蓝金辉，狄祥，宋云广，张铖，罗威，郑怡笑，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：