【技术实现步骤摘要】
本专利技术涉及目标检测领域，具体地，涉及一种基于rgb-sv特征融合的目标检测方法及系统。
技术介绍
1、rgb和hsv是两种常用的颜色表示空间，用于描述和处理数字图像中的颜色信息。它们在计算机视觉和图像处理领域具有广泛的应用。
2、rgb色彩空间是基于三原色光的加色模型，它将颜色表示为红、绿、蓝三个分量的组合。通过调整这三个分量的数值，可以生成不同的颜色。rgb空间对于显示设备和彩色图像的表示非常重要，因为它与显示器的工作方式相对应。然而，rgb空间的表示方式对于一些颜色相关的图像处理任务并不直观，例如颜色分割、颜色识别和图像增强。在这些任务中，人们更关注颜色的属性，如色调、饱和度和明度。
3、hsv色彩空间是一种基于人类感知的颜色模型，它将颜色表示为色调、饱和度和明度三个分量的组合。在hsv空间中，色调(hue)表示颜色的种类或色相，饱和度(saturation)表示颜色的纯度或饱和度，明度(value)表示颜色的亮度或明暗程度。hsv空间将颜色的属性和感知特性结合在一起，更符合人类对颜色的感知和理解。hsv空间的优势在于它提供了一种直观的方式来调整和操作颜色的属性。例如，通过调整色调分量，可以改变颜色的种类或色相；通过调整饱和度分量，可以控制颜色的纯度或鲜艳度；通过调整明度分量，可以调节颜色的亮度或明暗程度。hsv空间在颜色相关的图像处理任务中广泛应用，如颜色分割、颜色匹配、图像增强和色彩校正等。
4、目标检测技术是计算机视觉领域中的一项重要技术，旨在自动识别和定位数字图像或视频中的特定
5、目标检测技术的发展经历了多个阶段。早期的目标检测方法主要依赖手工设计的特征和分类器，如haar特征和级联分类器。然而，这些方法受限于特征的表达能力和分类器的性能，无法有效地应对复杂的目标场景。
6、随着深度学习的兴起，基于深度神经网络的目标检测方法逐渐成为主流。其中最具代表性的方法之一是基于卷积神经网络的目标检测算法。这些算法通过多层卷积和池化操作，逐渐提取图像的高层次特征表示，然后通过分类器和回归器来预测目标的类别和位置。
7、在基于cnn的目标检测算法中，有两种常用的方法：一阶段网络和二阶段网络。
8、一阶段网络通过输入图像直接得到物体框的位置和类别，不需要额外的候选框生成，例如2013年，ross girshick等人提出了r-cnn方法。而二阶段网络需要首先生成区域建议框，再对区域建议框的位置进行回归，并对区域建议框的类别进行判断，例如2016年，shaoqing ren等人提出了faster r-cnn方法。
9、除了目标检测框架，研究人员还提出了很多其他方法用来优化目标检测的结果，如tsung-yi lin等人在2017提出的特征金字塔网络(feature pyramid network，fpn)，xizhou zhu等人在2019提出特征对齐网络(aligning feature networks，afn)等。这些方法通过引入多尺度的特征表示或采用更高效的网络结构，提高了目标检测的性能和效率。
10、目前，目标检测技术正不断发展和演进。研究人员和工程师们正在致力于改进目标检测算法的准确性、鲁棒性和实时性能，以满足日益增长的应用需求。目标检测技术在实际应用中表现出色，但它的性能常常受到光照条件的影响。光照是指环境中的光线强度和分布情况，它对目标的外观和背景产生重要影响。不同的光照条件可能导致目标的颜色、纹理和形状发生变化，进而影响目标检测算法的准确性和鲁棒性。
11、为了解决光照条件对目标检测的影响，研究人员提出了一些方法。其中一种常见的方法是使用数据增强技术，通过对训练数据进行光照变化、亮度调整和对比度增强等操作，使目标检测算法具备一定的鲁棒性。然而这样的方法对数据有较高的要求，需要提供足够数量的不同光照条件下的训练数据，并且对于未知的光照条件无法有稳定的检测效果。
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的是提供一种基于rgb-sv特征融合的目标检测方法及系统。
2、根据本专利技术的一个方面，提供一种基于rgb-sv特征融合的目标检测方法，包括：
3、将输入rgb图像转化到hsv空间；
4、通过孪生神经网络分别提取rgb三通道和sv两通道的特征，得到rgb特征和sv特征；
5、融合所述rgb特征和sv特征作为特征图；
6、将所述特征图输入检测头判断图像中目标物的位置和类别信息。
7、优选地，所述将输入rgb图像转化到hsv空间，包括：
8、对rgb值进行归一化；
9、计算rgb通道的最大分量和最小分量；其中，所述最大分量即为hsv中的明度v值，所述最大值与最小值的差与v值的比值为饱和度s值。
10、优选地，所述归一化，公式为：
11、
12、其中，x为原始数据中的rgb通道的像素值，μ,σ分别为对应的rgb通道的均值和方差。
13、优选地，所述饱和度s值的计算公式为：
14、
15、所述明度v值的计算公式为：
16、
17、优选地，所述孪生神经网络为一对深度为101的残差神经网络，两个所述残差神经网络共享网络参数，分别提取rgb三通道特征和sv两通道的特征。
18、优选地，所述rgb特征为图像语义特征，所述sv特征为图像光照特征；所述融合是对所述孪生神经网络输出的所述图像语义特征以及所述图像光照特征的融合；通过融合后的特征图，提升所述检测头学习到不同分布的图像信息的准确度，提升所述检测头对不同来源的图像的目标检测效果。
19、优选地，所述检测头为两个并行的多层感知机，分别输出图像的类别信息和目标物的位置信息。
20、根据本专利技术的第二个方面，提供一种基于rgb-sv特征融合的目标检测系统，包括：
21、转换模块：将输入rgb图像转化到hsv空间；
22、提取模块：通过共享权重的孪生神经网络分别提取rgb三通道和sv两通道的语义特征；
23、融合模块：融合生成的rgb特征和sv特征作为特征图；
24、检测模块：通过特征图输入检测头判断图像中目标物的位置和类别信息。
25、根据本专利技术的第三个方面，提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于所述的基于rgb-sv特征融合的目标检测方法，或，运行所述的基于rgb-sv特征融合的目标检测系统。
26、根据本专利技术的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行所述的基于rgb-sv特征融合的目标检测方法，或，运行所述的基于rgb-sv特征融合的目标检测系统。...
【技术保护点】
1.一种基于RGB-SV特征融合的目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于RGB-SV特征融合的目标检测方法，其特征在于，所述将输入RGB图像转化到HSV空间，包括：
3.根据权利要求2所述的一种基于RGB-SV特征融合的目标检测方法，其特征在于，所述归一化，公式为：
4.根据权利要求2所述的一种基于RGB-SV特征融合的目标检测方法，其特征在于，所述饱和度S值的计算公式为：
5.根据权利要求1所述的一种基于RGB-SV特征融合的目标检测方法，其特征在于，所述孪生神经网络为一对深度为101的残差神经网络，两个所述残差神经网络共享网络参数，分别提取RGB三通道特征和SV两通道的特征。
6.根据权利要求1所述的一种基于RGB-SV特征融合的目标检测方法，其特征在于，所述RGB特征为图像语义特征，所述SV特征为图像光照特征；所述融合是对所述孪生神经网络输出的所述图像语义特征以及所述图像光照特征的融合；通过融合后的特征图，提升所述检测头学习到不同分布的图像信息的准确度，提升所述检测头对不同来源的图像的目
7.根据权利要求1所述的一种基于RGB-SV特征融合的目标检测方法，其特征在于，所述检测头为两个并行的多层感知机，分别输出图像的类别信息和目标物的位置信息。
8.一种基于RGB-SV特征融合的目标检测系统，其特征在于，包括：
9.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-7中任一项所述的方法，或，运行权利要求8所述的系统。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于执行权利要求1-7中任一项所述的方法，或，运行权利要求8中所述的系统。
...【技术特征摘要】
1.一种基于rgb-sv特征融合的目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于rgb-sv特征融合的目标检测方法，其特征在于，所述将输入rgb图像转化到hsv空间，包括：
3.根据权利要求2所述的一种基于rgb-sv特征融合的目标检测方法，其特征在于，所述归一化，公式为：
4.根据权利要求2所述的一种基于rgb-sv特征融合的目标检测方法，其特征在于，所述饱和度s值的计算公式为：
5.根据权利要求1所述的一种基于rgb-sv特征融合的目标检测方法，其特征在于，所述孪生神经网络为一对深度为101的残差神经网络，两个所述残差神经网络共享网络参数，分别提取rgb三通道特征和sv两通道的特征。
6.根据权利要求1所述的一种基于rgb-sv特征融合的目标检测方法，其特征在于，所述rgb特征为图像语义特征，所述sv特征为图像光照特征；所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。