目标检测方法和装置与流程

本公开涉及图像处理，特别涉及一种目标检测方法和装置。

背景技术：

1、随着工业化程度的不断加深，许多城市和地区会出现雾霾天气。一方面，雾霾天气下能见度低、司机视野模糊，开车出行很容易造成交通事故；另一方面，雾霾天气下车辆的行驶速度也会降低，也可能造成道路拥堵，导致公路通行效率低下。因此，雾天使用道路摄像头进行行驶车辆检测和车流分析，根据分析结果发布拥堵路段告警、事故频发路段提醒，对减少交通事故的发生和提高道路的通行效率很有帮助。

2、由于雾霾天气下摄像头采集的视频图像不清晰，直接基于雾天视频图像进行车辆检测，准确性会降低。相关技术中，基于暗通道先验法对雾天采集的原始视频图像进行去雾，然后基于去雾图像进行车辆检测。其存在以下问题：1)直接对雾天采集的原始视频图像进行去雾处理、速度很慢、效率低下；2)直接基于去雾后图像进行车辆检测，不仅检测精度低，而且难以满足检测的实时性要求。

技术实现思路

1、针对上述技术问题，本公开提出了一种解决方案，能够在提高目标检测的效率的同时，提高目标检测的精度。

2、根据本公开的第一方面，提供了一种目标检测方法，包括：对待处理图像进行二值化处理，以得到二值化图像；对所述二值化图像进行去雾处理，以得到去雾图像；基于深度学习网络模型，对所述去雾图像进行语义特征增强，以及对所述语义特征增强得到的特征图进行目标检测。

3、在一些实施例中，对所述二值化图像进行去雾处理，以得到去雾图像包括：对所述二值化图像进行池化处理，以得到缩小图；基于暗通道先验理论，从所述缩小图中提取暗通道；根据所述暗通道，确定图像透射率；根据所述图像透射率，对所述二值化图像进行去雾处理。

4、在一些实施例中，对所述二值化图像进行池化处理，以得到缩小图包括：对所述二值化图像进行平均池化处理，以得到缩小图。

5、在一些实施例中，基于深度学习网络模型，对所述去雾图像进行语义特征增强包括：在所述深度学习网络模型的至少一个残差块中，采用多个卷积处理分支，对该残差块的输入图像进行卷积处理，以得到多个第一特征图；对所述多个第一特征图进行融合处理，以得到第二特征图；将所述输入图像与所述第二特征图进行叠加，以得到语义增强后的特征图。

6、在一些实施例中，采用多个卷积处理分支，对该残差块的输入图像进行卷积处理，以得到多个第一特征图包括：在每个卷积处理分支中，对该残差块的输入图像依次进行卷积、激活处理，再对激活处理结果进行卷积处理，以得到第一特征图。

7、在一些实施例中，对所述多个第一特征图进行融合处理，以得到第二特征图包括：对所述多个第一特征图进行拼接，以得到拼接后的特征图；使用多个1*1的卷积核对所述拼接后的特征图进行卷积处理，以得到第二特征图。

8、在一些实施例中，还包括：在对待处理图像进行二值化处理，以得到二值化图像之前，对所述待处理图像进行池化处理。

9、根据本公开第二方面，提供了一种目标检测装置，包括：二值化处理模块，被配置为对待处理图像进行二值化处理，以得到二值化图像；去雾处理模块，被配置为对所述二值化图像进行去雾处理，以得到去雾图像；检测模块，被配置为基于深度学习网络模型，对所述去雾图像进行语义特征增强，以及对所述语义特征增强得到的特征图进行目标检测。

10、在一些实施例中，去雾处理模块包括：池化单元，被配置为对所述二值化图像进行池化处理，以得到缩小图；提取单元，被配置为基于暗通道先验理论，从所述缩小图中提取暗通道；确定单元，被配置为根据所述暗通道，确定图像透射率；去雾单元，被配置为根据所述图像透射率，对所述二值化图像进行去雾处理。

11、在一些实施例中，所述池化单元被配置为：对所述二值化图像进行平均池化处理，以得到缩小图。

12、在一些实施例中，所述检测模块被配置为：在所述深度学习网络模型的至少一个残差块中，采用多个卷积处理分支对该残差块的输入图像进行卷积处理，以得到多个第一特征图；对所述多个第一特征图进行融合处理，以得到第二特征图；将所述输入图像与所述第二特征图进行叠加，以得到语义增强后的特征图。

13、在一些实施例中，所述检测模块被配置为：在每个卷积处理分支中，对该残差块的输入图像依次进行卷积、激活处理，再对激活处理结果进行卷积处理，以得到第一特征图。

14、在一些实施例中，所述检测模块被配置为：对所述多个第一特征图进行拼接，以得到拼接后的特征图；使用多个1*1的卷积核对所述拼接后的特征图进行卷积处理，以得到第二特征图。

15、在一些实施例中，还包括：预处理模块，被配置为对所述待处理图像进行池化处理。

16、根据本公开第三方面，提供了一种目标检测装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令，执行上述任一实施例所述的目标检测方法。

17、根据本公开的第四方面，提供了一种计算机可存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述任一实施例所述的目标检测方法。

18、在上述实施例中，实现了在提高目标检测的效率的同时，提高目标检测的精度。

技术特征：

1.一种目标检测方法，包括：

2.根据权利要求1所述的目标检测方法，其中，对所述二值化图像进行去雾处理，以得到去雾图像包括：

3.根据权利要求2所述的目标检测方法，其中，对所述二值化图像进行池化处理，以得到缩小图包括：

4.根据权利要求1所述的目标检测方法，其中，基于深度学习网络模型，对所述去雾图像进行语义特征增强包括：

5.根据权利要求4所述的目标检测方法，采用多个卷积处理分支，对该残差块的输入图像进行卷积处理，以得到多个第一特征图包括：

6.根据权利要求4所述的目标检测方法，对所述多个第一特征图进行融合处理，以得到第二特征图包括：

7.根据权利要求1所述的目标检测方法，还包括：

8.一种目标检测装置，包括：

9.根据权利要求8所述的目标检测装置，其中，去雾处理模块包括：

10.根据权利要求9所述的目标检测装置，其中，所述池化单元被配置为：

11.根据权利要求8所述的目标检测装置，其中，所述检测模块被配置为：

12.根据权利要求11所述的目标检测装置，其中，所述检测模块被配置为：

13.根据权利要求11所述的目标检测装置，其中，所述检测模块被配置为：

14.根据权利要求8所述的目标检测装置，还包括：

15.一种目标检测装置，包括：

16.一种计算机可存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现如权利要求1至7任一项所述的目标检测方法。

技术总结
本公开涉及目标检测方法和装置，涉及图像处理技术领域。其中，目标检测方法包括：对待处理图像进行二值化处理，以得到二值化图像；对所述二值化图像进行去雾处理，以得到去雾图像；基于深度学习网络模型，对所述去雾图像进行语义特征增强，以及对所述语义特征增强得到的特征图进行目标检测。根据本公开，能够在提高目标检测的效率的同时，提高目标检测的精度。

技术研发人员：王金波,许盛宏,宫云平,马泽雄,王谦,郑三强,原思平,王秋森,李涛,余育青
受保护的技术使用者：中国电信股份有限公司
技术研发日：
技术公布日：2024/1/13