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。
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。