[发明专利]一种基于双路深度残差网络的图像目标检测方法及系统

说明书

本发明提供一种基于双路深度残差网络的图像目标检测方法及系统，涉及目标检测技术领域，包括：识别图像的光照情况，若为低照度图像则进行亮度增强处理；对图像进行特征提取，获得初始图像特征；基于双路深度残差软阈值特征去噪网络对初始图像特征进行去噪优化，得到优化后图像特征；对优化后图像特征进行分类及目标检测，获取检测结果。本发明对航拍图像中的低照度图像进行亮度增强，再进行目标检测，同时设计了一种双路深度残差软阈值特征去噪网络，更好的降低无人机图像背景特征中的噪声对目标检测的影响，提升目标检测效果。

技术领域

本发明涉及目标检测技术领域，涉及一种基于双路深度残差网络的图像目标检测方法及系统，尤其是涉及一种基于双路深度残差软阈值特征去噪的无人机航拍图像目标检测方法及系统。

背景技术

随着无人机技术的进步，使用无人机来获取高清图像越来越方便。通过在无人机图像中使用目标检测技术，在公共安全监测和特殊情况下人员检测发挥着越来越重要的作用。

目标检测技术最近几年取得了很大的进步，尤其是随着大规模数据集的出现以及计算能力的提升，基于深度神经网络(DNN)的技术尤其是卷积神经网络(CNN)，已经在众多目标检测技术中脱颖而出。

尽管基于深度学习的目标检测框架在通用数据集上取得了很大进步，但是在无人机航拍的图像还存在检测效果不佳的问题。这些问题主要归因于一下几个方面：无人机操控非常灵活，拍摄环境也是多变的，比如在低照度环境下拍摄的图像没有清晰的目标信息、拍摄尺度多变导致图像中背景占比较大，从而包含过多的背景噪声信息，这些问题都会影响目标检测算法在无人机图像中的检测效果。

发明内容

针对上述问题，本发明提供了一种基于双路深度残差网络的图像目标检测方法及系统，对航拍图像中的低照度图像进行亮度增强，再进行目标检测，同时设计了一种双路深度残差软阈值特征去噪网络，更好的降低无人机图像背景特征中的噪声对目标检测的影响，提升目标检测效果。

为实现上述目的，本发明提供了一种基于双路深度残差网络的图像目标检测方法，包括：

识别图像的光照情况，若为低照度图像则进行亮度增强处理；

对所述图像进行特征提取，获得初始图像特征；

基于双路深度残差软阈值特征去噪网络对所述初始图像特征进行去噪优化，得到优化后图像特征；

对所述优化后图像特征进行分类及目标检测，获取检测结果。

作为本发明的进一步改进，基于HSV色域分析识别所述图像的光照情况，判断所述图像是否为低照度的图像；

若为低照度图像，则采用Zero-DCE算法对所述图像进行亮度增强；

若为正常图像，则直接进行特征提取。

作为本发明的进一步改进，所述双路深度残差软阈值特征去噪网络包括并行连接的通道维软阈值去噪模块和空间维软阈值去噪模块；

所述通道维软阈值去噪模块和所述空间维软阈值去噪模块分别对所述初始图像特征进行处理，再进行相加融合，获得完整的图像特征输出。

作为本发明的进一步改进，所述通道维软阈值去噪模块对所述初始图像特征进行处理，过程包括：

先对所述初始图像特征中H×W×C的中间特征进行Absolute操作，再进行GAP全局平均池化操作，提取到深层次的特征信息并转换成尺度为C×1×1的特征向量；

将C×1×1的特征向量经过两个全连接层的操作FC，再经过BN层处理之后输入到Sigmoid激活函数，得到一个0到1范围内的尺度参数α；

将α与C×1×1的特征向量的绝对值相乘，得到一组C×1×1的阈值参数τ；