[发明专利]低能见度下的小目标检测方法和系统

说明书

本发明提供了一种低能见度下的小目标检测方法和系统，使用RefineDet作为检测器，采用带色彩恢复的多尺度视网膜增强对目标图像进行处理，得到增强图像，使用锚点细化模型滤除增强图像中的负锚点，建立锚点细化模型与目标检测模型之间的关联关系，基于关联关系将锚点细化模型中的特征图像分享到目标检测模型中进行回归和预测类别，并输出识别结果。在低亮度、背光、环境模糊的情况下，采用带色彩恢复的多尺度视网膜增强算法降低了不同光照下图像的敏感度，减少了噪声，提高了小目标被卷积神经网络提取后的特征性；通过高层语义特征与底层特征的融合，获得感受野丰富、细节充足、内容抽象的特征，提高了小目标的辨析度。

技术领域

本发明涉及计算机视觉技术领域，具体地，涉及一种低能见度下的小目标检测方法和系统。

背景技术

小目标问题在物体检测和语义分割等视觉任务中一直是存在的一个难点，小目标的检测精度通常只有大目标的一半。在MS COCO数据集中，小目标被定义为面积小于32*32的物体。小目标由于分辨率低，图像模糊，携带的信息少，因此导致特征表达能力弱，难以提取较多的有效特征，致使小目标难以检测。目前在解决小目标检测问题上比较流行的方法有尺度放大法，即将图片放大后再做检测；Anchor窗口改进法，即改进Anchor窗口的密度、范围和形状数量；感兴趣区域的池化改进法，即改进小目标在池化之后导致物体结构失真的问题；数据增强法，由于在MS COCO训练集中通常小目标多，大目标少，但是小目标被Anchor包含概率小，因此需要对小目标数据集进行增强。一种策略是采取过采样，即通过在训练期间过采样来解决包含小目标图像相对较少的问题；另一种策略是小目标扩充，即将小目标在图像中复制多份，在保证不影响其他目标的基础上，增加小目标在图像中出现的次数，提升被Anchor包含的概率。

国内专利CN109886359A公开了一种基于卷积神经网络的小目标检测方法及检测模型，检测方法包括：对训练集图像中的小目标进行标注，建立小目标数据集；以caffe-ssd为底层训练平台，构建加强低层特征融合的单步检测器模型ELFSSD；采用预训练的VGG-16网络初始化构建的模型，输入lmdb格式的小目标数据集，进行迭代训练。该发明加强了低层特征，去除了高层冗余特征，简化了检测流程，提高了检测速度，实时准确地检测出图像中的小目标，解决了现有技术中小目标检测效果差的问题。

国内专利CN110097129A公开了一种基于轮廓波分组特征金字塔卷积的遥感目标检测方法，解决了光学遥感图像飞机与舰船在边缘模糊时召回率低、虚警率高的问题。该发明采用非下采样轮廓边缘加强图像边缘特征，并构建分组卷积和特征金字塔网络，更适于光学遥感图像目标检测，针对边缘模糊的小目标检测准确率明显提高。

国内专利CN110135312A公开了一种基于分级LCM的快速小目标检测方法。该发明首先针对待检测图像进行预处理，然后以图像块为基础进行第一级LCM滤波处理，筛选出可疑目标区块，其次以改进的多尺度LCM算法进行第二级滤波处理，实现对可疑目标区块的目标增强，最后根据自适应阈值划分，提取出待检测小目标。国内专利CN109886082A公开了一种基于SSD的小目标增强预测模块检测方法。该发明先对检测目标进行拍照采样，然后对检测目标进行特征重建；最后对检测目标使用像素校准模块进行进一步优化。该发明增加了针对小目标检测的预测模块，通过降低其他层预测器的压力，提升浅层特征来进行检测，提高了融合效率并增强了预测器的能力。

国外专利US10147019B2公开了一个小目标检测系统。该发明包含处理器和存储器。该发明通过至少融合第一特征图集和第二特征图集生成级联的特征图集，并基于融合的特征图集通过卷积神经网络对图像进行分类。

国外专利US20180300880A1公开了大尺度图像中小目标检测方法。该发明从至少包含一个感兴趣目标的原始图像中计算并构建图像金字塔。由图像金字塔中每个图像的预定尺寸构建图像块，并利用图像块训练卷积神经网络，最后采用相似的图像块通过卷积神经网络分析后续的图像。

发明内容