[发明专利]低质量输入图像的人体目标检测方法

说明书

一种低质量输入图像的人体目标检测方法，步骤包括：1)对输入图像进行超分辨率重构与降噪处理：采用VDSR模型，使用深度神经网络模型来进行模型预测；然后结合残差学习来进行成像数据的超分辨率重构与降噪；2)以步骤1)处理得到图像为输入图像，采用卷积神经网络技术进行人体目标检测。本发明可实现人体目标检测准确率优于90％。

技术领域

本发明涉及目标检测技术领域，具体是一种低质量输入图像的人体目标检测方法。

背景技术

采用神经网络对图像进行处理是神经网络的典型应用。由于神经网络自身特点，如果图像自身的分辨率、信噪比都不高的情况下，需要人工干预其学习过程，否则检测准确性很低。

在实际应用时候，镜头与目标之间有透光度不高透明屏障或镜头本身物理模糊时候，采集图像分辨率和信噪都很低的时候，采用典型的目标检测网络YOLOv4，其准确率和鲁棒性都很差，无法满足实时准确的目标检测效果。

发明内容

为了解决低质量图像的高效的人体目标检测问题，本发明提出一种低质量输入图像的人体目标检测方法，本方法采用典型的的目标检测网络YOLOv4，对低分辨率、低信噪图像进行人体目标检测，步骤包括：

1、采用图像超分辨重建与降噪的图像质量增强方法，解决图像信噪比低的问题。

2、基于YOLOv4目标检测网络实现对人体目标的检测。

下面结合技术原理对本发明的技术效果进行说明：

步骤1中，超分辨率重构与降噪技术

以距离选通成像对照射场景产生多帧图像为例，照射能量会分散到各个帧中，导致图像清晰度下降，如图3a和图3b所示。针对每层人体目标图像清晰度不强、信噪比较低的特点，基于深度学习和卷积神经网络，采用超分辨重建与降噪技术，解决激光照射下选通成像分辨率较低、信噪比较差的问题。

本发明基于VDSR模型，使用非常深的神经网络模型来进行模型预测，然后结合残差学习来进行距离选通成像数据的超分辨率重构与降噪，处理流程图如图1所示。

一方面，使用了带padding形式的卷积，使得输入与输出的尺寸保持一致，使得中间的网络模型层的可变空间非常的大，模型使用非常的自由；

另一方面，使用了残差学习的方法，直接预测超分的残差，极大地加速了模型的训练过程，也使得最终输出中保留的细节较好。

对比距离选通成像数据与传统低分辨率光学数据的特点，基于VDSR模型，本方法预期能使距离选通成像数据的峰值信噪比提升约30％，可为后续的目标检测等应用提供可靠的数据支撑。

步骤2中，基于卷积神经网络的人体目标检测技术

利用图像超分辨率重建与降噪技术获取的图像中人体目标轮廓清晰、同时具有一定的纹理信息，因此，本方明采用人工智能领域的研究热点——卷积神经网络开展研究。

兼顾算法高精度、高效率以及模型轻量化等需求，本技术方案中基于YOLO-V4网络实现选通成像数据中人体目标的检测，处理流程图如图2所示。采用单独端到端网络，通过卷积神经网络获取选通成像的卷积层和全连接层，利用卷积层直接提取人体特征，利用全连接层直接得到图像中所有物体的位置和其所属类别及相应的置信概率。

基于YOLO-V4网络的目标检测技术在光学数据集上测试的性能为66％的AP值(MSCOCO数据集：328,000张图像，91类/超过150万个目标)。由于选通成像数据背景干扰更小，且人体目标特征信息明显，本发明可实现人体目标检测准确率优于90％。

附图说明

图1是基于VDSR模型的图像超分辨率重构与降噪技术处理流程图；

图2是基于YOLO-V4网络的人体目标检测技术处理流程图；