[发明专利]一种域自适应雾天图像目标检测方法和装置

说明书

本发明公开了一种域自适应雾天图像目标检测方法和装置，属于目标检测技术领域，方法包括如下步骤：对获取的目标检测数据集进行预处理；对骨干网络进行模型多尺度性能改造重建；利用预处理后的目标检测数据集训练改造后的骨干网络获得目标检测模型；对所述目标检测模型搭建域分类器；采用雾天图像和预处理后的目标检测数据集，训练搭建域分类器的所述目标检测模型获得域自适应检测模型；利用所述域自适应检测模型对待检测雾天图像进行目标检测。本发明的方法和装置具有检测精度高、实时性和应用性较强、漏检率低等优点，提升了检测模型在雾天场景中的表现。

技术领域

本发明涉及深度学习与计算机视觉中的目标检测技术领域，尤其涉及一种域自适应雾天图像目标检测方法和装置。

背景技术

随着基于人工智能的自动驾驶技术发展，安全性成为了智能交通的亟待解决的重要问题，在近年来由于工业发展的加速造成了越来越严重的环境污染，多数地区频繁遭遇雾、霾等恶劣天气的来袭。由于雾霾覆盖面积广，造成道路能见度低，严重干扰了自动驾驶场景下通过摄像头对交通要素的检测。对于图像的目标检测本身就是深度学习与计算机视觉领域的研究热点，但是在雾天，成像设备采集到的图像不仅清晰度下降，对比度降低，特征信息难以提取，而且还出现了十分严重的色彩失真和颜色偏移，对后续的图像目标检测造成负面影响，也给自动驾驶系统在雾天的安全性带来很大挑战。与图像恢复任务不同，雾天场景下的目标检测不是面向提升视觉感知的，其主要目的是提高雾天图像的检测精度，减小漏检率，增强目标检测模型在雾天场景的可靠性，从而更好地辅助自动驾驶系统在雾天场景选择更为安全的驾驶行为。因此，雾天图像的目标检测是应用性很强，且非常有价值的研究课题。

总体而言，现有的基于深度学习的雾天图像检测方法可以分为以下三种：基于雾天图像训练的方法、基于去雾算法处理后检测的方法以及基于域自适应的方法，各种方法的不足之处如下所述：

基于雾天图像训练的方法操作简单，无需设计其他网络模型，但是用于训练的雾天图像检测标签的获取代价过高，且对于不同的雾天数据集，雾在图像上的表现、分布也不同，无法应对雾天场景的多样性；

基于去雾算法处理后检测的算法无需雾图的检测标签，但是现有研究已经证明去雾算法虽然可以提高视觉感知效果，但是普遍无法对目标检测有正面推动作用，一些去雾算法对检测甚至有负面作用，此外，去雾算法所消耗的时间成本也决定了这种方法无法应用到实时性强的自动驾驶系统中；

基于域自适应的方法将雾天图像看做一种“域”代表雾天图像的整体特征分布，通过在目标检测模型基础上设计域分类器结构来鉴别通用场景和雾天场景两个域，再将域分类器训练过程中的负梯度参数以一定比例向检测模型回传，使得检测模型的参数向目标雾天图像域迁移，能在雾天图像上取得较好效果。但是，目前用于域自适应的检测模型提取的特征图不够精细，域分类器的多尺度设计也不够全面，导致基于域自适应的方法提升有限，漏检率也较高。

综上可知，现有的雾天图像检测方法存在检测精度差、实时性和应用性不强、漏检率高等缺陷。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种域自适应雾天图像目标检测方法和装置，具有检测精度高、实时性和应用性较强、漏检率低等优点，提升了检测模型在雾天场景中的表现。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种域自适应雾天图像目标检测方法，包括如下步骤：

对获取的目标检测数据集进行预处理；

对骨干网络进行模型多尺度性能改造重建；

利用预处理后的目标检测数据集训练改造后的骨干网络获得目标检测模型；

对所述目标检测模型搭建域分类器；

采用雾天图像和预处理后的目标检测数据集，训练搭建域分类器的所述目标检测模型获得域自适应检测模型；