【技术实现步骤摘要】
本专利技术涉及计算图形学、计算机视觉，尤其涉及一种基于光照不变特征的目标检测方法及系统、设备、介质，具体涉及利用深度神经网络提取光照无关的特征，来进行在低光照场景下的目标检测的任务。
技术介绍
1、目标检测(object detection)旨在识别和定位图像或视频中特定对象的位置。它利用机器学习(machine learning)和深度学习(deep learning)技术对输入图像进行分析和处理。目标检测算法可以检测并标记图像中多个对象的边界框(bounding box)，提供对象种类和位置信息。该技术广泛应用于自动驾驶(autonomous driving)、物体跟踪(objecttracking)和人脸识别(face recognition)等领域。然而，在实际应用中，恶劣成像条件(如夜间行驶或低亮度环境)可能导致目标检测误检(false positive)和漏检(falsenegative)，进而影响后续算法的准确性。
2、以往的研究方法主要集中在图像增强(image enhancement)上，将低光照图像转换为正常光照图像，再进行下游的检测任务。然而，这种方法通常不专注于检测任务本身，可能导致检测效果不佳。同时，一些研究者尝试在低光照数据集上微调检测器，使其适应该光照分布的图片。然而，这种技术往往依赖于合成数据集(synthetic dataset)，导致在真实场景中表现不佳。最近的研究采用拉普拉斯金字塔(laplacian pyramid)来提取多尺度和边缘信息，以改进目标检测。然而，由于不同光照效果
3、因此，亟于上述问题，本专利技术提供了一种基于光照不变特征的目标检测方法及系统、设备、介质，利用深度神经网络提取光照无关的特征，来进行在低光照场景下的目标检测的任务。
技术实现思路
1、本专利技术提供了一种基于光照不变特征的目标检测方法及系统、设备、介质，利用深度神经网络提取光照无关的特征，来进行在低光照场景下的目标检测的任务。
2、本专利技术通过下述技术方案实现：一种基于光照不变特征的目标检测方法，包括以下步骤：
3、步骤s1，在一张rgb域的二维图像中构造交叉颜色特征处理模块；
4、步骤s2，基于所述交叉颜色特征模块构造光照不变特征模块，基于所述光照不变特征模块构建网络模型；
5、步骤s3，采集低光照图片作为低光照数据集，将其输入进所述网络模型中；
6、步骤s4，使用光照不变性约束提取光照不变的特征，使用损失约束指导所述网络模型模块学习；
7、步骤s5，训练所述网络模型，获取训练好的网络模型，实时输入低光照图片进行目标检测，以获取目标最终的位置和大小
8、为了更好地实现本专利技术，进一步地，所述步骤s1包括：
9、使用所述二维图像的r通道、g通道以及b通道中的任意两个通道的图像通过正负卷积运算和log运算构建交叉颜色特征；
10、将构建的所有所述交叉颜色特征进行通道堆叠相加构成所述交叉颜色特征模块，所述交叉颜色特征模块包括三组结构相同的正负卷积核层。
11、为了更好地实现本专利技术，进一步地，所述使用所述二维图像的r通道、g通道以及b通道中的任意两个通道的图像通过正负卷积运算和log运算构建交叉颜色特征的方法包括：当选用r通道和b通道时，通过卷积和log运算将光照相关的属性消除掉，同时增加可学习的参数，增加特征的多样性，表示为：
12、
13、其中，表示可学习的卷积核，表示正核卷积层，表示负核卷积层；
14、使用表示使用卷积核来对图像i提取的交叉颜色特征，并表示为：
15、
16、其中，[·]表示特征在通道维度上进行堆叠。
17、为了更好地实现本专利技术，进一步地，所述步骤s2包括：
18、所述光照不变特征模块包括16个并联的不同的交叉颜色特征处理模块；
19、所述网络模型包括所述光照不变特征模块和与其串联的目标检测器。
20、为了更好地实现本专利技术，进一步地，所述步骤s3包括：
21、在所述低光照数据集中选取一张低光照照片p1，将所述低光照图片p1输入进所述网络模型中，所述光照不变特征模块在模块内部将所述低光照图片p1送给16个不同的交叉颜色特征处理模块，并将16个输出结果在通道上进行堆叠；
22、其中，交叉颜色特征处理模块包括3组相同的正负卷积核层，每一组正负卷积核之前包含一个取log操作，在之后接着一个相加操作，输出包含3组卷积核层的通道维度上的堆叠操作，所述3组卷积核层属于并联操作，并处理不同的r通道、g通道以及b通道之间的两两通道组合；所述光照不变特征模块包含第一至第十六交叉颜色特征处理模块，所述16个交叉颜色特征处理模块并联处理，输出包含通道维度的堆叠操作；
23、接着从所述低光照图片p1中提取出与光照无关的信息，并将这些信息与原始的低光照图片p1进行融合之后送入目标检测器中。
24、为了更好地实现本专利技术，进一步地，所述步骤s4包括：
25、在所述低光照数据集中选取一张低光照照片p2，将所述低光照图片p2进行gamma变换，进行随机地提亮或者拉暗操作，之后输送给交叉颜色特征处理模块，得到一组特征图p21；
26、再将所述低光照图片p2不进行任何变换，之后传递给权重共享的交叉颜色特征处理模块得到另一组特征图p22；
27、使用smooth l1约束所述特征图p21和所述特征图p22保持一致，进一步保证特征的光照不变性，并表示为：
28、
29、其中，σ表示gamma亮度变换函数，表示卷积核，下标i表示该卷积核为第i个，β表示训练过程中的超参数。
30、为了更好地实现本专利技术，进一步地，所述步骤s5包括：
31、将所述网络模型在所述低光照数据集上进行常规目标检测任务训练，在启动训练之前，将网络加载预训练在正常光照数据下的开源权重，在训练时，对其中一部分低光照图片进行微调。
32、本专利技术还提供了一种基于光照不变特征的目标检测系统，
33、本专利技术还提供了一种电子设备，该电子设备包括处理器和存储器；处理器中包括上述第二方面所记载的基于光照不变特征的目标检测系统。
34、本专利技术还提供了一种计算机可读存储介质，该计算机可读存储介质包括指令；当指令在上述第三方面所记载的电子设备上运行时，使得电子设备执行上述第一方面所记载的方法。
35、本专利技术与现有技术相比，具有以下优点及有益效果：
36、(1)本专利技术提供一种基于光照不变特征的目标检测方法及系统、设备、介质，与先前的研究不同，我们提出从特征学习的角度来解决这一具有挑战性的问题；
37、(2)本专利技术提供一种基于光照不变特征的目标检测方法及系统本文档来自技高网...
【技术保护点】
1.一种基于光照不变特征的目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于光照不变特征的目标检测方法，其特征在于，所述步骤S1包括：
3.根据权利要求2所述的一种基于光照不变特征的目标检测方法，其特征在于，所述使用所述二维图像的R通道、G通道以及B通道中的任意两个通道的图像通过正负卷积运算和log运算构建交叉颜色特征的方法包括：
4.根据权利要求1所述的一种基于光照不变特征的目标检测方法，其特征在于，所述步骤S2包括：
5.根据权利要求1所述的一种基于光照不变特征的目标检测方法，其特征在于，所述步骤S3包括：
6.根据权利要求1所述的一种基于光照不变特征的目标检测方法，其特征在于，所述步骤S4包括：
7.根据权利要求1所述的一种基于光照不变特征的目标检测方法，其特征在于，所述步骤S5包括：
8.一种基于光照不变特征的目标检测系统，其特征在于，包括模型构建单元、数据采集单元、模型学习单元和模型训练单元，其中：
9.一种电子设备，其特征在于，包括处理器和存储器；所
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括指令；当指令在如权利要求9所述的电子设备上运行时，使得所述电子设备执行如权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种基于光照不变特征的目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于光照不变特征的目标检测方法，其特征在于，所述步骤s1包括：
3.根据权利要求2所述的一种基于光照不变特征的目标检测方法，其特征在于，所述使用所述二维图像的r通道、g通道以及b通道中的任意两个通道的图像通过正负卷积运算和log运算构建交叉颜色特征的方法包括：
4.根据权利要求1所述的一种基于光照不变特征的目标检测方法，其特征在于，所述步骤s2包括：
5.根据权利要求1所述的一种基于光照不变特征的目标检测方法，其特征在于，所述步骤s3包括：
6.根据权利要求1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。