【技术实现步骤摘要】
本专利技术涉及特殊场景下的目标检测，特别的涉及一种基于改进yolo v7模型下的低光照目标检测方法。
技术介绍
1、计算机视觉作为机器感知外界环境的重要媒介，其获取的图像质量往往能决定算法的性能，然而正是因为在充满多种不可控物理因素的真实场景下，往往不能保证获取的图像质量，进而影响了目标检测任务在应用过程中的使用。在多种影响图像质量的因素当中，低光照因素较为常见且难以避免，例如阴天、夜晚等场景，而在光线不足下获取的低质量图像往往会具有颜色失真、对比度下降、信噪比低等特点，严重影响目标检测的精度。
2、针对低光照目标检测，传统方法除了低光照图像本身的这些特点外，本身的局限性也给低光照图像识别带来困难。比如在低光照条件下，全局信息对于正确的物体识别非常重要，而传统方法可能无法有效地捕捉全局上下文信息。此外，传统方法通常依赖手工设计的特征，这使得它们在不同场景和光照条件下的泛化能力有限，因此对于变化多端的低光照环境，传统方法可能无法适应新的情境。最后，传统的图像增强方法在改善低光照图像质量方面存在一定的局限性，它们可能无法克服所有的光照问题，且容易引入额外的伪影或失真。
3、而深度学习方法通过端到端的学习、特征自动提取等优势，能够更好地处理低光照条件下的图像，提高识别的鲁棒性和准确性。此外，深度学习方法能够从大量数据中学习特征表示，并通过层层堆叠的网络结构来获取更高层次的抽象信息，从而更好地适应复杂多变的低光照环境。
4、yolo(you only look once)是一种主流物体检测算法，相对于
5、为此，提出一种基于改进yolo v7模型下的低光照目标检测方法。
技术实现思路
1、本专利技术的目的就在于为了解决上述问题而提供一种基于改进yolo v7模型下的低光照目标检测方法。
2、本专利技术通过以下技术方案来实现上述目的，一种基于改进yolo v7模型下的低光照目标检测方法，包含以下步骤：
3、步骤1：采用night-enhancement网络模型对低光照图像进行图像增强，优化图像质量；
4、步骤2：使用改进的yolo v7模型对增强数据集进行训练，得到一个低光照下端对端目标检测器；
5、步骤3：采用超参数搜索的验证方式辅助反向传播的结果在验证集上优化目标检测器的各项参数；
6、步骤4：使用步骤3得到的目标检测器对测试图像进行目标检测，得到检测结果。
7、本专利技术进一步设置为，所述步骤1中的图像增强是以输入低光照图像进入层分解模块，获得一个不受光效应影响的背景层，接着将背景层输入到光效应抑制网络中，得到一张暗光区域增强，过曝区域抑制的低光照图像。
8、本专利技术优选设置为，所述步骤2中的改进的yolo v7模型主要包括：设计了一个新的目标预测框损失函数eciou_loss，eciou_loss定义如下：
9、
10、其中iou(intersection over union)指的是目标检测结果与真实标注之间的重叠程度，iou的取值范围在0到1之间，数值越大表示两个区域的重叠程度越高。根据边界框的距离计算，将其标准化为[0,1]范围内的值，表示为d。标准化距离越接近1，表示两个边界框之间的距离越小。两个边界框的长宽比的差异ρ表示为：
11、
12、其中wgt与hgt是真实框的宽和高，wp与hp是预测框的宽和高，hc与wc为预测框与真实框的最小外界矩形对角线对应的高和宽，权重σ表示为：
13、
14、本专利技术优选设置为，所述步骤2中改进的yolo v7模型主要包括：在yolo v7的neck每个尺度上添加一个低频增强滤波器lef(low-frequency enhancement filter)，lef结构流程包括：特征图经过卷积操作以及通道分割操作得到四个特征图，并对四个特征图使用平均池化来进行特征滤波，并在每个尺度末端采用上采样来恢复特征的原始大小，最后在对四个原始大小的特征图进行特征融合操作。
15、本专利技术优选设置为，步骤3中的超参数搜索验证方式是指通过尝试不同的超参数组合，如学习率、批量大小、正则化参数等，使用验证集来评估模型性能。
16、本专利技术的有益效果是：
17、1.图像预处理过程中有效改善了过增强和伪影等情况，利于增强检测效果。
18、2.模型整体采用轻量化设计，利于在移动设备上部署。
19、3.模型训练阶段收敛更快，利于增强检测效果。
20、4.更丰富地表示低光照图像的低频信息，利于增强检测效果。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLO v7模型下的低光照目标检测方法，其特征在于：包含以下步骤：
2.根据权利要求1所述的基于改进YOLO v7模型下的低光照目标检测方法，其特征在于：所述步骤1中的图像增强是以输入低光照图像进入层分解模块，获得一个不受光效应影响的背景层，接着将背景层输入到光效应抑制网络中，得到一张暗光区域增强，过曝区域抑制的低光照图像。
3.根据权利要求1所述的基于改进YOLO v7模型下的低光照目标检测方法，其特征在于：所述步骤2中的改进的YOLO v7模型主要包括：设计了一个新的目标预测框损失函数ECIOU_loss，ECIOU_loss定义如下：
4.根据权利要求1所述的基于改进YOLO v7模型下的低光照目标检测方法，其特征在于：所述步骤2中改进的YOLO v7模型主要包括：在YOLO v7的neck每个尺度上添加一个低频增强滤波器LEF(low-frequency enhancement fi lter)，LEF结构流程包括：特征图经过卷积操作以及通道分割操作得到四个特征图，并对四个特征图使用平均池化来进行特征滤波，并在每个尺度
5.根据权利要求1所述的基于改进YOLO v7模型下的低光照目标检测方法，其特征在于：所述步骤3中的超参数搜索验证方式是指通过尝试不同的超参数组合，如学习率、批量大小、正则化参数等，使用验证集来评估模型性能。
...【技术特征摘要】
1.一种基于改进yolo v7模型下的低光照目标检测方法，其特征在于：包含以下步骤：
2.根据权利要求1所述的基于改进yolo v7模型下的低光照目标检测方法，其特征在于：所述步骤1中的图像增强是以输入低光照图像进入层分解模块，获得一个不受光效应影响的背景层，接着将背景层输入到光效应抑制网络中，得到一张暗光区域增强，过曝区域抑制的低光照图像。
3.根据权利要求1所述的基于改进yolo v7模型下的低光照目标检测方法，其特征在于：所述步骤2中的改进的yolo v7模型主要包括：设计了一个新的目标预测框损失函数eciou_loss，eciou_loss定义如下：
4.根据权利要求1所述的基于改进yolo v7模...
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。