一种图像目标检测方法及相关设备技术

本发明专利技术提供了一种图像目标检测方法，包括：步骤1，获取待检测的低照度图像；步骤2，通过改进后的Retinex模型对低照度图像进行亮度分量去除处理，得到增强图像；步骤3，将增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；采用改进的Retinex模型对低照度图像进行增强，通过对图像的色彩空间转换使亮度信息与色彩信息分离，以便模型对彩色图像增强时彩色分量的信息更加完整，最后采用GoogLeNet神经网络模型进行目标检测，可以更好挖掘目标特征，提高了在能见度低的环境下对目标检测的准确率。目标检测的准确率。目标检测的准确率。

【技术实现步骤摘要】
一种图像目标检测方法及相关设备


[0001]本专利技术涉及图像识别
，特别涉及一种图像目标检测方法及相关设备。

技术介绍

[0002]随着智慧海关的建设不断推进，图像目标检测技术成为了海关智能监管服务不可或缺的组成元素。图像目标检测技术应用于海关的视频监控系统，具体实现包括集装箱箱号检测在内的物流监管、异常人员与车辆的识别与跟踪以及简单商品的辨别等，图像目标检测可在多个方面提升海关的工作效率和效能。
[0003]但是在现实中，由于海关这一应用场景的复杂性，目标检测的效果仍待提升，如在阴、雨、雾、夜等不同自然环境下，监控拍摄会因为环境能见度低、光照不足、视线遮挡等，影响拍摄图像的清晰度、亮度、色彩对比度等，影响目标检测的准确率。所以，视线对图像降低噪声影响、提升亮度和色彩信息等的图像增强处理对目标检测具有重要作用，而目前传统图像增强方法大多是直接将用于灰度图像的增强方法扩展到低照度图像中，没有充分考虑到彩色图像中多种色彩通道信息的复杂性，不能获得较为满意的效果。

技术实现思路

[0004]本专利技术提供了一种图像目标检测方法及相关设备，其目的是为了提高在能见度低的环境下对目标检测的准确率。
[0005]为了达到上述目的，本专利技术提供了一种图像目标检测方法，包括：步骤1，获取待检测的低照度图像；步骤2，通过改进后的Retinex模型对低照度图像进行亮度分量去除处理，得到增强图像；步骤3，将增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；GoogLeNet神经网络模型的初始特征提取模块包括第一卷积层、第二卷积层和第一池化层；第一卷积层的输入端为GoogLeNet神经网络模型的输入端，第一卷积层的输出端与第二卷积层的输入端连接，第二卷积层的输出端与第一池化层的输入端连接，第一池化层的输出端与GoogLeNet神经网络模型中的局部响应归一化层的输入端连接。
[0006]进一步来说，步骤2包括：将低照度图像转换至颜色空间，提取亮度分量作为光照图像；通过改进后的Retinex模型对低照度图像进行亮度分量去除处理，得到增强图像；改进后的Retinex模型为：将低照度图像和调整后的光照图像相除，得到增强图像：其中，表示低照度图像，表示光照图像，表示增强图像，表示逐元素乘法，/表
示逐元素除法，表示图像像素空间坐标。
[0007]进一步来说，步骤2包括：将低照度图像从RGB颜色空间转换至LMS空间：将低照度图像从LMS空间转换为以10为底的对数空间：将低照度图像从对数空间转换到颜色空间：将颜色空间的亮度分量作为光照图像。
[0008]进一步来说，步骤2还包括：利用Gamma校正对光照图像进行调整，得到调整后的光照图像，表达式为：其中，表示伽马变换参数，。
[0009]进一步来说，在步骤3之前还包括：对增强图像进行锐化过滤处理，得到锐化后的增强图像，表达式如下：其中，表示锐化后的图像，表示增强图像，表示高斯滤波器，表示正比例因子。
[0010]进一步来说，在步骤4之前还包括：对锐化后的增强图像进行零均值化处理；将零均值化处理后的增强图像输入GoogLeNet神经网络模型进行目标检测。
[0011]本专利技术还提供了一种图像目标检测装置，包括：获取模块，用于获取待检测的低照度图像；处理模块，用于通过改进后的Retinex模型对所述低照度图像进行亮度分量去除处理，得到增强图像；检测模块，用于将增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；GoogLeNet神经网络模型的初始特征提取模块包括第一卷积层、第二卷积层和第一池化层；第一卷积层的输入端为GoogLeNet神经网络模型的输入端，第一卷积层的输出端
与第二卷积层的输入端连接，第二卷积层的输出端与第一池化层的输入端连接，第一池化层的输出端与GoogLeNet神经网络模型中的局部响应归一化层的输入端连接。
[0012]本专利技术还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现图像目标检测方法。
[0013]本专利技术还提供了一种图像目标检测设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现图像目标检测方法。
[0014]本专利技术的上述方案有如下的有益效果：本专利技术获取的待检测的低照度图像，通过改进后的Retinex模型对所述低照度图像进行亮度分量去除处理，得到增强图像，将增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；采用改进的Retinex模型对低照度图像进行增强，通过对图像的色彩空间转换使亮度信息与色彩信息分离，以便模型对彩色图像增强时彩色分量的信息更加完整，最后采用GoogLeNet神经网络模型进行目标检测，可以更好挖掘目标特征，提高了在能见度低的环境下对目标检测的准确率。
[0015]本专利技术的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
[0016]图1为本专利技术实施例的方法流程图；图2为本专利技术实施例中网络的初始特征提取模块连接图；图3为本专利技术实施例中网络结构图；图4为本专利技术实施例中网络的组合子网（3a）的内部连接图。
具体实施方式
[0017]为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0018]在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0019]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是锁定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0020]此外，下面所描述的本专利技术不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0021]本专利技术针对现有的问题，提供了一种图像目标检测方法及相关设备。
[0022]如图1所示，本专利技术的实施例提供了一种图像目标检测方法，包括：步骤1，获取待检测的低照度图像；步骤2，通过改进后的Retinex模型对低照度图像进行亮度分量去除处理，得到增强图像；步骤3，将增强图像输入GoogLeNet神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像目标检测方法，其特征在于，包括：步骤1，获取待检测的低照度图像；步骤2，通过改进后的Retinex模型对所述低照度图像进行亮度分量去除处理，得到增强图像；步骤3，将所述增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；所述GoogLeNet神经网络模型的初始特征提取模块包括第一卷积层、第二卷积层和第一池化层；所述第一卷积层的输入端为所述GoogLeNet神经网络模型的输入端，所述第一卷积层的输出端与所述第二卷积层的输入端连接，所述第二卷积层的输出端与所述第一池化层的输入端连接，所述第一池化层的输出端与所述GoogLeNet神经网络模型中的局部响应归一化层的输入端连接。2.根据权利要求1所述的图像目标检测方法，其特征在于，所述步骤2包括：将所述低照度图像转换至颜色空间，提取亮度分量作为光照图像；通过改进后的Retinex模型对所述低照度图像进行亮度分量去除处理，得到增强图像；所述改进后的Retinex模型为：将所述低照度图像和所述光照图像相除，得到所述增强图像：其中，表示低照度图像，表示光照图像，表示增强图像，表示逐元素乘法，/表示逐元素除法，表示图像像素空间坐标。3.根据权利要求2所述的图像目标检测方法，其特征在于，将所述低照度图像转换至颜色空间，提取亮度分量作为光照图像，包括：将所述低照度图像从RGB颜色空间转换至LMS空间：将所述低照度图像从所述LMS空间转换为以10为底的对数空间：将所述低照度图像从所述对数空间转换到颜色空间：将所述颜色空间的亮度分量作为光照图像。4.根据权利要求3所述的图像目标检测方法，其特征在于，所述步骤2还包括：利用Gamma校正对所述光照图像进行调整，得到调整后的光照图...

【专利技术属性】
技术研发人员：余绍黔，唐江婧，鲁晓海，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：