[发明专利]暗光环境下的目标检测方法

说明书

本发明涉及暗光环境下的目标检测方法，包括：步骤1，获取不同背景、不同黑暗程度下包含待检测目标的数据集；步骤2，对数据集进行预处理：采用6通道数据作为输入，其中3个通道数据为原图像数据，另外3个通道的数据为经过亮度调整的图像；步骤3，对ssd模型进行修改，获得目标检测模型；步骤4，将步骤2获得的数据分为训练集和测试集，用训练集对目标检测模型进行训练；步骤5，用测试集对训练后的目标检测模型进行测试。本发明通过亮度增强算法对图像进行增强，并改变目标检测算法下采样过程中的采样策略来增加模型的学习能力；同时在训练阶段，通过将传统的softmax loss改变为focal loss来增加模型对困难样本的区分度，提高模型的召回率。

技术领域

本发明涉及目标检测技术领域，尤其涉及暗光环境下的目标检测方法。

背景技术

目标检测(Object Detection)是计算机视觉领域的基本任务之一。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初2013年提出的R-CNN、OverFeat，到后面的Fast/Faster R-CNN，SSD，YOLO系列，再到Pelee。

基于深度学习的目标检测技术，物体检测发展主要集中在两个方向：two stage算法(如R-CNN系列)和onestage算法(如YOLO、SSD等)。两者的主要区别在于two stage算法需要先生成proposal(一个有可能包含待检物体的预选框)，然后进行细粒度的物体检测。而onestage算法会直接在网络中提取特征来预测物体分类和位置。

目前，one stage算法和twostage算法在数据集上都获得了巨大的成功，并在现实生活场景中获得了相当广泛的应用。特别是以yolo、ssd为代表的onestage算法在人脸检测、行人检测以及其他工业领域内获得极大的成功。但是这些目标检测算法都只对光照环境比较敏感，逆光环境下、暗光环境下的检测能力较差。特别的，对于暗光环境下存在以下问题：

1、暗光环境下图像过暗，颜色分布不均匀，在直方图则表现为像素分布集中在0-100之间，而通常的目标检测算法的训练图像的像素分布相对均匀，即图像数据分布发生了较大变化，这直接导致了算法在暗光环境下检测能力的不足；

2、图像在暗光环境下由于曝光不足而导致细节不足，图像在经过卷积+Relu函数模块以及下采样后会丢失大量信息，这直接导致目标的丢失；

3、图像过暗还同时导致了目标和背景区分度不够，在训练的过程中会产生的大量的困难样本，从而导致召回率不高。

发明内容

本发明为了解决暗光环境下的目标检测准确率低的问题，提供一种暗光环境下的目标检测方法。

暗光环境下的目标检测方法，包括以下步骤：

步骤1，获取不同背景、不同黑暗程度下包含待检测目标的数据集；

步骤2，对数据集进行预处理，包括：

2.1，原始图像进行反相；

2.2，利用暗通道去雾算法对反相后图像进行调整；

2.3，对调整后的图像再次进行反相；

2.4，将步骤2.3获得的图像和原图像按照[RR’GG’BB’]的顺序堆叠成6通道的数据，其中R表示原图像的R通道，R’表示步骤2.3获得的图像的R通道；其中G表示原图像的G通道，G’表示步骤2.3获得的图像的G通道；其中B表示原图像的B通道，B’表示步骤2.3获得的图像的B通道；

2.5，对6通道数据进行归一化处理；

步骤3，对ssd模型进行修改，获得目标检测模型，包括：

3.1，搭建传统的SSD模型；