目标检测方法和装置制造方法及图纸

本公开涉及目标检测方法和装置，涉及图像处理技术领域。其中，目标检测方法包括：对待处理图像进行二值化处理，以得到二值化图像；对所述二值化图像进行去雾处理，以得到去雾图像；基于深度学习网络模型，对所述去雾图像进行语义特征增强，以及对所述语义特征增强得到的特征图进行目标检测。根据本公开，能够在提高目标检测的效率的同时，提高目标检测的精度。度。度。

【技术实现步骤摘要】
目标检测方法和装置


[0001]本公开涉及图像处理
，特别涉及一种目标检测方法和装置。

技术介绍

[0002]随着工业化程度的不断加深，许多城市和地区会出现雾霾天气。一方面，雾霾天气下能见度低、司机视野模糊，开车出行很容易造成交通事故；另一方面，雾霾天气下车辆的行驶速度也会降低，也可能造成道路拥堵，导致公路通行效率低下。因此，雾天使用道路摄像头进行行驶车辆检测和车流分析，根据分析结果发布拥堵路段告警、事故频发路段提醒，对减少交通事故的发生和提高道路的通行效率很有帮助。
[0003]由于雾霾天气下摄像头采集的视频图像不清晰，直接基于雾天视频图像进行车辆检测，准确性会降低。相关技术中，基于暗通道先验法对雾天采集的原始视频图像进行去雾，然后基于去雾图像进行车辆检测。其存在以下问题：1)直接对雾天采集的原始视频图像进行去雾处理、速度很慢、效率低下；2)直接基于去雾后图像进行车辆检测，不仅检测精度低，而且难以满足检测的实时性要求。

技术实现思路

[0004]针对上述技术问题，本公开提出了一种解决方案，能够在提高目标检测的效率的同时，提高目标检测的精度。
[0005]根据本公开的第一方面，提供了一种目标检测方法，包括：对待处理图像进行二值化处理，以得到二值化图像；对所述二值化图像进行去雾处理，以得到去雾图像；基于深度学习网络模型，对所述去雾图像进行语义特征增强，以及对所述语义特征增强得到的特征图进行目标检测。
[0006]在一些实施例中，对所述二值化图像进行去雾处理，以得到去雾图像包括：对所述二值化图像进行池化处理，以得到缩小图；基于暗通道先验理论，从所述缩小图中提取暗通道；根据所述暗通道，确定图像透射率；根据所述图像透射率，对所述二值化图像进行去雾处理。
[0007]在一些实施例中，对所述二值化图像进行池化处理，以得到缩小图包括：对所述二值化图像进行平均池化处理，以得到缩小图。
[0008]在一些实施例中，基于深度学习网络模型，对所述去雾图像进行语义特征增强包括：在所述深度学习网络模型的至少一个残差块中，采用多个卷积处理分支，对该残差块的输入图像进行卷积处理，以得到多个第一特征图；对所述多个第一特征图进行融合处理，以得到第二特征图；将所述输入图像与所述第二特征图进行叠加，以得到语义增强后的特征图。
[0009]在一些实施例中，采用多个卷积处理分支，对该残差块的输入图像进行卷积处理，以得到多个第一特征图包括：在每个卷积处理分支中，对该残差块的输入图像依次进行卷积、激活处理，再对激活处理结果进行卷积处理，以得到第一特征图。
[0010]在一些实施例中，对所述多个第一特征图进行融合处理，以得到第二特征图包括：对所述多个第一特征图进行拼接，以得到拼接后的特征图；使用多个1*1的卷积核对所述拼接后的特征图进行卷积处理，以得到第二特征图。
[0011]在一些实施例中，还包括：在对待处理图像进行二值化处理，以得到二值化图像之前，对所述待处理图像进行池化处理。
[0012]根据本公开第二方面，提供了一种目标检测装置，包括：二值化处理模块，被配置为对待处理图像进行二值化处理，以得到二值化图像；去雾处理模块，被配置为对所述二值化图像进行去雾处理，以得到去雾图像；检测模块，被配置为基于深度学习网络模型，对所述去雾图像进行语义特征增强，以及对所述语义特征增强得到的特征图进行目标检测。
[0013]在一些实施例中，去雾处理模块包括：池化单元，被配置为对所述二值化图像进行池化处理，以得到缩小图；提取单元，被配置为基于暗通道先验理论，从所述缩小图中提取暗通道；确定单元，被配置为根据所述暗通道，确定图像透射率；去雾单元，被配置为根据所述图像透射率，对所述二值化图像进行去雾处理。
[0014]在一些实施例中，所述池化单元被配置为：对所述二值化图像进行平均池化处理，以得到缩小图。
[0015]在一些实施例中，所述检测模块被配置为：在所述深度学习网络模型的至少一个残差块中，采用多个卷积处理分支对该残差块的输入图像进行卷积处理，以得到多个第一特征图；对所述多个第一特征图进行融合处理，以得到第二特征图；将所述输入图像与所述第二特征图进行叠加，以得到语义增强后的特征图。
[0016]在一些实施例中，所述检测模块被配置为：在每个卷积处理分支中，对该残差块的输入图像依次进行卷积、激活处理，再对激活处理结果进行卷积处理，以得到第一特征图。
[0017]在一些实施例中，所述检测模块被配置为：对所述多个第一特征图进行拼接，以得到拼接后的特征图；使用多个1*1的卷积核对所述拼接后的特征图进行卷积处理，以得到第二特征图。
[0018]在一些实施例中，还包括：预处理模块，被配置为对所述待处理图像进行池化处理。
[0019]根据本公开第三方面，提供了一种目标检测装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令，执行上述任一实施例所述的目标检测方法。
[0020]根据本公开的第四方面，提供了一种计算机可存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述任一实施例所述的目标检测方法。
[0021]在上述实施例中，实现了在提高目标检测的效率的同时，提高目标检测的精度。
附图说明
[0022]构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
[0023]参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
[0024]图1是示出根据本公开一些实施例的目标检测方法的流程图；
[0025]图2是示出根据本公开一些实施例的去雾处理方法的流程图；
[0026]图3是示出根据本公开一些实施例的对去雾图像进行语义增强的方法的流程图；
[0027]图4a是示出根据相关技术的残差块的结构示意图；
[0028]图4b是示出根据本公开一些实施例的残差块的结构示意图；
[0029]图5是示出根据本公开一些实施例的DarkNet52网络模型的结构示意图；
[0030]图6是示出根据本公开一些实施例的目标检测装置的框图；
[0031]图7是示出根据本公开再一些实施例的目标检测装置的框图；
[0032]图8是示出用于实现本公开一些实施例的计算机系统的框图。
具体实施方式
[0033]现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
[0034]同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0035]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
[0036]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测方法，包括：对待处理图像进行二值化处理，以得到二值化图像；对所述二值化图像进行去雾处理，以得到去雾图像；基于深度学习网络模型，对所述去雾图像进行语义特征增强，以及对所述语义特征增强得到的特征图进行目标检测。2.根据权利要求1所述的目标检测方法，其中，对所述二值化图像进行去雾处理，以得到去雾图像包括：对所述二值化图像进行池化处理，以得到缩小图；基于暗通道先验理论，从所述缩小图中提取暗通道；根据所述暗通道，确定图像透射率；根据所述图像透射率，对所述二值化图像进行去雾处理。3.根据权利要求2所述的目标检测方法，其中，对所述二值化图像进行池化处理，以得到缩小图包括：对所述二值化图像进行平均池化处理，以得到缩小图。4.根据权利要求1所述的目标检测方法，其中，基于深度学习网络模型，对所述去雾图像进行语义特征增强包括：在所述深度学习网络模型的至少一个残差块中，采用多个卷积处理分支，对该残差块的输入图像进行卷积处理，以得到多个第一特征图；对所述多个第一特征图进行融合处理，以得到第二特征图；将所述输入图像与所述第二特征图进行叠加，以得到语义增强后的特征图。5.根据权利要求4所述的目标检测方法，采用多个卷积处理分支，对该残差块的输入图像进行卷积处理，以得到多个第一特征图包括：在每个卷积处理分支中，对该残差块的输入图像依次进行卷积、激活处理，再对激活处理结果进行卷积处理，以得到第一特征图。6.根据权利要求4所述的目标检测方法，对所述多个第一特征图进行融合处理，以得到第二特征图包括：对所述多个第一特征图进行拼接，以得到拼接后的特征图；使用多个1*1的卷积核对所述拼接后的特征图进行卷积处理，以得到第二特征图。7.根据权利要求1所述的目标检测方法，还包括：在对待处理图像进行二值化处理，以得到二值化图像之前，对所述待处理图像进行池化处理。8.一种目标检测装置，包括：二值化处理模块，被配置为对待处理图像进行二值化处理，以得到二值化图像；去雾处理模块，被配置为对所...

【专利技术属性】
技术研发人员：王金波，许盛宏，宫云平，马泽雄，王谦，郑三强，原思平，王秋森，李涛，余育青，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：