[发明专利]一种恶劣成像条件下图像增强引导的目标检测方法

说明书

本发明提供一种恶劣成像条件下图像增强引导的目标检测方法，属于图像增强和计算机目标检测技术领域。所述方法包括：在现有的目标检测网络基础上，加入增强网络分支，将目标检测网络主干网络的头部卷积层特征图和增强网络分支增强后的图像分别都进行最大池化和平均池化后，计算目标检测网络和增强网络分支总的损失函数L；将恶劣成像条件下获取的图像集分别输入目标检测网络和增强网络分支，利用损失函数L对目标检测网络和增强网络分支进行训练；将恶劣成像条件下获取的待检测的图像输入训练好的目标检测网络，输出目标检测结果。采用本发明，能够在提高目标检测的精度的同时，不会增加额外的计算负担。

技术领域

本发明涉及图像增强和计算机目标检测技术领域，特别是指一种恶劣成像条件下图像增强引导的目标检测方法。

背景技术

对于恶劣成像条件下的图像的目标检测，大多数方法都是聚焦于先通过图像增强提升低质量图像的视觉效果，目的是产生视觉感官效果好的图像，然后对后者进行目标检测。但是已经有证据表明增强后的图像并不能在高维视觉任务比如目标检测方面带来检测精度的提升。(Xiao Y,Jiang A,Ye J,et al.Making of night vision:Object detectionunder low-illumination[J].IEEE Access,2020,8:123075-123086.)。所以如何提升恶劣条件下的下目标检测精度，是一个重要的问题，尤其是在水下恶劣条件下。近年来，随着科技和生产的发展，人工智能被广泛用于各大行业，水下机器人便是其高度集成化产品之一。水下机器人可以从事抓取捕捞、生态监测、应急救援及水下勘测等高难度工作。其关键技术在于水下环境感知能力。水下环境感知能力的关键是图像清晰化处理和目标检测，不同于陆地环境，水下环境复杂，且可见光在水下存在吸收和散射，容易造成水下采集到的图像或视频存在色偏、雾化、模糊和细节丢失等退化问题，严重影响目标物的检测精度。

目前比较流行的目标检测算法之一就是YOLOv3，它兼顾了速度和检测精度，在保持检测准确性的同时也能保证实时性的要求。但是直接将YOLOv3应用到水下目标检测领域，由于水下图像的成像质量较低，会大幅降低检测精度。Wang等人提出一个基于CNN的水下图像增强方法(Wang Y,Guo J,Gao H,et al.UIEC^2-Net:CNN-based underwater imageenhancement using two color space[J].Signal Processing:Image Communication,2021,96:116250.)，对其处理后的水下图像进行检测，并不能提升检测精度。Chen L等人提出了在高质量的空气中的图像上预训练好一个检测模型，以此引导增强模型将水下低质量图像生成有利于检测的图像(Chen L,Jiang Z,Tong L,et al.Perceptual underwaterimage enhancement with deep learning and physical priors[J].IEEE Transactionson Circuits and Systems for Video Technology,2020,31(8):3078-3092.)，但这使模型结构更加复杂，训练难度加大，增加了额外的计算负担。

发明内容

本发明实施例提供了一种恶劣成像条件下图像增强引导的目标检测方法，能够在提高目标检测的精度的同时，不会增加额外的计算负担。所述技术方案如下：

在现有的目标检测网络基础上，加入增强网络分支，将目标检测网络主干网络的头部卷积层特征图和增强网络分支增强后的图像分别都进行最大池化和平均池化后，计算目标检测网络和增强网络分支总的损失函数L；

将恶劣成像条件下获取的图像集分别输入目标检测网络和增强网络分支，利用损失函数L对目标检测网络和增强网络分支进行训练；

将恶劣成像条件下获取的待检测的图像输入训练好的目标检测网络，输出目标检测结果。