[发明专利]一种基于双向多级特征金字塔的阴影检测方法

说明书

本发明涉及阴影检测技术领域，公开了一种基于双向多级特征金字塔的阴影检测方法，包括以下步骤：构建残差细化模块，通过将两个相邻层的特征图作为输入来逐步学习每一层的特征、构建加权特征融合模块，通过学习权重参数来充分利用不同尺度的特征、构建双向多级特征金字塔网络、进行模型训练。该基于双向多级特征金字塔的阴影检测方法，通过构建残差细化模块；构建加权特征融合模块；构建双向多级特征金字塔网络，并将残差细化模块加入特征金字塔网络中，从两个方向对输入的特征图进行多级特征融合；分利用高层特征的语义信息和底层特征的细粒度特征，通过多级的检测，使模型预测的准确性得到提高，可广泛应用于阴影检测技术领域。

技术领域

本发明涉及阴影检测技术领域，具体为一种基于双向多级特征金字塔的阴影检测方法。

背景技术

阴影检测一直是计算机视觉中基础却又困难的一个挑战，阴影检测为获取图像中的物体的形状与位置、还原无光照环境提供了可能。与此同时，阴影的存在也为进一步理解图像带来了障碍，所以，阴影检测在物体的检测与跟踪、语义分割、智能驾驶等领域起到至关重要的作用。

现有的阴影检测技术主要有两大类：一类是传统的阴影检测方法，还有一类是基于深度学习的阴影检测方法。传统的阴影检测方法主要是利用颜色、梯度、纹理等特征进行阴影检测，例如Guo等人在“Guo R,Dai Q,Hoiem D,et al.Paired regions for shadowdetection and removal[J].IEEE Transactions on Pattern Analysis and MachineIntelligence,2013,35(12):2956－2967.”中提出利用色彩和纹理的方法进行训练，虽然传统的阴影检测方法取得一定的成果，但是这种方法过度依赖人为选取的特征，在复杂的场景效果不佳。

近年来，基于深度学习就是的阴影检测方法进一步提高了阴影检测的准确性，Hu等人在“X.Hu,C.-W.Fu,L.Zhu,J.Qin and P.-A.Heng,Direction-Aware SpatialContext Features for Shadow Detection and Removal,in IEEE Transactions onPattern Analysis and Machine Intelligence,vol.42,no.11,pp.2795-2808,1Nov.2020,doi:10.1109/TPAMI.2019.2919616.”中提出了基于空间上下文特征的阴影检测方法，通过学习从不同方向的上下文特征来分析图像，取得了不错的结果。在“Z.Chen,L.Zhu,L.Wan,S.Wang,W.Feng and P.-A.Heng,A Multi-Task Mean Teacher for Semi-Supervised Shadow Detection,2020 IEEE/CVF Conference on Computer Vision andPattern Recognition(CVPR),2020,pp.5610-5619,doi:10.1109/CVPR42600.2020.00565.”中，Chen等人提出的一种多任务均值半监督阴影检测方法，设计了一个多任务CNN，完成阴影区域、阴影边缘和阴影计数检测的相互学习，并将该模型作为学生网络和教师网络。在所有未标注的数据上，分别强制学生网络和教师网络的三个任务的结果一致。这种方法显著提高了阴影检测的准确性。

以上深度学习的阴影检测方法相对于传统的阴影检测方法，准确性得到了显著的提高，但是依然有不足的地方，面对训练数据不足，必须要充分挖掘数据更高层次的信息才能得到更好的准确性。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于双向多级特征金字塔的阴影检测方法，具备充分利用高层特征的语义信息和底层特征的细粒度特征，通过多级的检测，使模型预测的准确性得到提高等优点，解决了基于深度学习的阴影检测方法，准确性得到了显著的提高，但是依然有不足的地方的问题。

(二)技术方案