本發(fā)明涉及目標(biāo)檢測，具體為一種基于深度學(xué)習(xí)的霧霾場景下小目標(biāo)檢測方法。

背景技術(shù)：

1、霧霾作為一種嚴(yán)重的環(huán)境污染問題，通常發(fā)生在空氣質(zhì)量惡劣、能見度較低的城市或工業(yè)化地區(qū)。其高污染濃度和長期影響不僅危害人體健康，還對交通安全、環(huán)境監(jiān)測等領(lǐng)域帶來了極大挑戰(zhàn)。特別是在交通監(jiān)控、公共安全和環(huán)境管理等領(lǐng)域，霧霾場景下的小目標(biāo)(如行人、車輛、關(guān)鍵設(shè)備等)的檢測成為保障安全和提高管理效率的關(guān)鍵。然而，由于霧霾的遮擋作用，傳統(tǒng)的目標(biāo)檢測方法在低能見度條件下對圖像中的小目標(biāo)檢測表現(xiàn)出明顯的不足，亟需新的技術(shù)手段來提升霧霾場景下小目標(biāo)檢測的準(zhǔn)確性與魯棒性。

2、在霧霾場景下，目標(biāo)檢測面臨多重挑戰(zhàn)：一方面，霧霾導(dǎo)致目標(biāo)圖像的對比度降低、邊緣模糊、細(xì)節(jié)丟失，使得傳統(tǒng)的基于特征工程的方法(如基于邊緣檢測、顏色分割等技術(shù))難以有效提取目標(biāo)信息；另一方面，小目標(biāo)在霧霾環(huán)境中由于尺寸較小，且與背景信息的融合程度較高，更易被傳統(tǒng)檢測方法忽略，導(dǎo)致漏檢率顯著增加。此外，霧霾場景下復(fù)雜的環(huán)境光照變化、光學(xué)散射效應(yīng)等問題進(jìn)一步加劇了目標(biāo)檢測的難度。

3、傳統(tǒng)的小目標(biāo)檢測方法，如基于手工設(shè)計特征的圖像處理算法，往往需要大量人工調(diào)試，且在面對復(fù)雜的霧霾場景時難以實現(xiàn)高效、可靠的檢測效果。同時，這些方法通常無法兼顧多尺度目標(biāo)的檢測需求，對于目標(biāo)的形態(tài)多樣性和復(fù)雜背景缺乏適應(yīng)能力。近年來，隨著深度學(xué)習(xí)技術(shù)的迅速發(fā)展，尤其是卷積神經(jīng)網(wǎng)絡(luò)(cnn)等模型在目標(biāo)檢測領(lǐng)域的廣泛應(yīng)用，基于深度學(xué)習(xí)的小目標(biāo)檢測方法展現(xiàn)出了顯著的性能優(yōu)勢。深度學(xué)習(xí)通過從數(shù)據(jù)中自動提取多層次的特征，可以更好地捕捉目標(biāo)的紋理信息和空間分布特征，為霧霾場景下的小目標(biāo)檢測提供了全新的解決方案。

4、盡管深度學(xué)習(xí)技術(shù)在目標(biāo)檢測中取得了顯著進(jìn)展，霧霾場景下的小目標(biāo)檢測仍然面臨諸多技術(shù)瓶頸。例如，由于霧霾導(dǎo)致的圖像質(zhì)量退化，現(xiàn)有深度學(xué)習(xí)模型在特征提取時可能難以區(qū)分目標(biāo)與背景，從而導(dǎo)致誤檢和漏檢問題。此外，小目標(biāo)往往在圖像中所占的大小比例較低，現(xiàn)有方法往往會因為下采樣操作丟失關(guān)鍵信息，影響檢測精度。因此，如何在霧霾場景下設(shè)計更加適應(yīng)低質(zhì)量圖像的深度學(xué)習(xí)模型，特別是增強其對小目標(biāo)特征的提取能力，是當(dāng)前研究的重要方向。

5、基于上述，現(xiàn)有的基于深度學(xué)習(xí)的霧霾場景下小目標(biāo)檢測模型，存在以下問題：

6、1.霧霾場景對圖像的干擾導(dǎo)致檢測性能下降：現(xiàn)有目標(biāo)檢測方法在霧霾場景下表現(xiàn)不佳，主要是由于霧霾導(dǎo)致圖像對比度降低、細(xì)節(jié)模糊和目標(biāo)特征丟失。這種情況下，傳統(tǒng)模型難以提取可靠的目標(biāo)特征，尤其對于小目標(biāo)而言，容易出現(xiàn)漏檢或誤檢現(xiàn)象。

7、2.小目標(biāo)與復(fù)雜背景交織導(dǎo)致特征表達(dá)能力不足：小目標(biāo)通常與復(fù)雜背景交織在一起，使得現(xiàn)有目標(biāo)檢測模型難以區(qū)分目標(biāo)與背景。尤其是在復(fù)雜場景下，小目標(biāo)的特征容易被背景噪聲掩蓋，導(dǎo)致誤檢率和漏檢率較高?，F(xiàn)有方法對小目標(biāo)特征的表達(dá)能力不強，無法充分提取小目標(biāo)的細(xì)節(jié)和邊界信息。缺乏有效的特征增強機制，特征提取過程中目標(biāo)特征易被背景信息淹沒。對小目標(biāo)的檢測準(zhǔn)確性和可靠性不足，特別是在微小目標(biāo)或復(fù)雜場景下表現(xiàn)較差。

8、3.多尺度特征整合不足導(dǎo)致模型識別能力有限：小目標(biāo)檢測需要融合多層次、多尺度的特征信息，但現(xiàn)有模型在特征整合方面存在不足，難以捕捉不同層級特征之間的關(guān)聯(lián)性，尤其是對微小和細(xì)長小目標(biāo)的檢測效果不佳。

9、4.傳統(tǒng)方法對多尺度和多層次特征的處理能力不足：傳統(tǒng)目標(biāo)檢測方法使用固定的卷積結(jié)構(gòu)或簡單的特征融合技術(shù)，難以適應(yīng)小目標(biāo)在不同尺度上的特性變化，導(dǎo)致對多尺度目標(biāo)的檢測效果不理想。

10、因此，發(fā)明一種基于深度學(xué)習(xí)的霧霾場景下小目標(biāo)檢測方法。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，根據(jù)本發(fā)明的一個方面，本發(fā)明提供了如下技術(shù)方案：

2、一種基于深度學(xué)習(xí)的霧霾場景下小目標(biāo)檢測方法，其包括具體步驟如下：

3、s1：構(gòu)建霧霾場景下小目標(biāo)檢測原始數(shù)據(jù)集，或使用現(xiàn)有公開的霧霾場景下小目標(biāo)檢測數(shù)據(jù)集；先采集霧霾環(huán)境下的小目標(biāo)圖像數(shù)據(jù)，接著使用標(biāo)注工具對小目標(biāo)的位置進(jìn)行框選，并進(jìn)行標(biāo)簽標(biāo)注；

4、s2：對霧霾場景下小目標(biāo)檢測原始數(shù)據(jù)集進(jìn)行預(yù)處理，得到預(yù)處理后的霧霾場景下小目標(biāo)數(shù)據(jù)集，并對數(shù)據(jù)集進(jìn)行劃分，以便后續(xù)對基于深度學(xué)習(xí)的霧霾場景下小目標(biāo)檢測模型進(jìn)行訓(xùn)練；

5、s3：構(gòu)建霧霾場景下小目標(biāo)檢測網(wǎng)絡(luò)fasod-net；

6、s4：在構(gòu)建的霧霾場景小目標(biāo)檢測網(wǎng)絡(luò)fasod-net模型基礎(chǔ)上，訓(xùn)練并更新各層的參數(shù)；首先初始化所有神經(jīng)網(wǎng)絡(luò)參數(shù)，設(shè)置模型相關(guān)的超參數(shù)，包括訓(xùn)練輪次、批處理大小、權(quán)重衰減系數(shù)、學(xué)習(xí)率以及總迭代次數(shù)；

7、s5：霧霾場景小目標(biāo)檢測模型訓(xùn)練完后，應(yīng)用訓(xùn)練好的霧霾場景小目標(biāo)檢測模型對霧霾場景圖像進(jìn)行小目標(biāo)檢測；最終輸出霧霾場景下的小目標(biāo)檢測結(jié)果，包括小目標(biāo)邊界框坐標(biāo)、小目標(biāo)類別標(biāo)簽和置信度分?jǐn)?shù)。

8、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的霧霾場景下小目標(biāo)檢測方法的一種優(yōu)選方案，其中：所述s2的具體步驟如下：

9、s21：對霧霾場景下小目標(biāo)檢測原始數(shù)據(jù)集中的霧霾場景圖像進(jìn)行裁剪至統(tǒng)一大小，由于原始數(shù)據(jù)集較少，為了確保數(shù)據(jù)集具有足夠的樣本用于訓(xùn)練、驗證和測試，并增強霧霾場景下小目標(biāo)檢測模型的魯棒性，降低模型對圖像質(zhì)量的敏感度；

10、s22：接著進(jìn)行數(shù)據(jù)增強處理，從而更好地訓(xùn)練深度學(xué)習(xí)模型，最終得到數(shù)據(jù)增強后的霧霾場景下小目標(biāo)數(shù)據(jù)集，并按照8：1：1的比例劃分為訓(xùn)練集、驗證集和測試集。

11、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的霧霾場景下小目標(biāo)檢測方法的一種優(yōu)選方案，其中：所述s3的具體步驟如下：

12、s31：將霧霾場景圖像輸入至去霧與淺層特征提取模塊中；

13、s32：將f4輸入至精細(xì)特征捕捉多通道卷積模塊中；

14、s33：將f2、f3、f5輸入至多尺度特征整合增強檢測模塊中。

15、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的霧霾場景下小目標(biāo)檢測方法的一種優(yōu)選方案，其中：所述s31中去霧與淺層特征提取模塊的構(gòu)建與執(zhí)行過程為：

16、s311：對輸入的霧霾場景圖像應(yīng)用包含3×3卷積、歸一化和激活函數(shù)的cbs操作，得到霧霾淺層特征圖f1；

17、s312：將f1輸入至多尺度融合大卷積核增強模塊mse-lkc；

18、s313：將f2輸入至并行增強注意力模塊pea中；

19、s314：將f3與f1輸入到fusion中進(jìn)行通道維度融合，通過融合不同層次的特征得到最終輸出的特征圖f4。

20、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的霧霾場景下小目標(biāo)檢測方法的一種優(yōu)選方案，其中：所述s312中mse-lkc模塊的運行和構(gòu)建過程為：

21、s3121：對輸入f1進(jìn)行批歸一化處理得到特征圖f1_1，隨后使用大小為7×7的卷積核對f1_1進(jìn)行卷積操作提取特征得到特征圖f1_2，再使用大小為5×5的卷積核對f1_2進(jìn)行卷積操作得到第一階段的特征圖f1_3；

22、s3122：將f1_3分別輸入至擴張率大小為7×7的深度擴張卷積模塊、擴張率大小為13×13的深度擴張卷積模塊、擴張率大小為19×19的深度擴張卷積模塊進(jìn)行提取多尺度特征，分別生成對應(yīng)的三個特征子圖f1_4、f1_5和f1_6；隨后，通過c操作將f1_4、f1_5和f1_6在通道維度上進(jìn)行拼接，得到融合后的特征圖f1_7；

23、s3123：將f1_7輸入到一個大小為1×1的卷積核中進(jìn)行卷積操作得到特征圖f1_8，將f1_8經(jīng)過gelu激活函數(shù)處理后得到特征圖f1_9，對f1_9進(jìn)行conv1×1卷積操作得到最終輸出特征圖f1_10；

24、s3124：通過殘差連接將f1與f1_10相加，形成具有更強表征能力的特征圖f2。

25、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的霧霾場景下小目標(biāo)檢測方法的一種優(yōu)選方案，其中：所述s313中pea模塊的構(gòu)建與執(zhí)行過程為：

26、s3131：對f2進(jìn)行批歸一化，以標(biāo)準(zhǔn)化特征分布，提高模型的穩(wěn)定性和收斂速度，得到歸一化后的特征圖f2_1；

27、s3132：將f2_1分別輸入三個注意力模塊：

28、s31321：像素級注意力模塊對f2_1的空間維度進(jìn)行處理，提取局部顯著性信息，得到增強后的特征子圖f2_2；

29、s31322：通道級注意力模塊對f2_1的通道維度進(jìn)行操作，捕捉全局上下文信息，得到權(quán)重調(diào)整后的特征子圖f2_3；

30、s31323：簡單像素級注意力模塊采用簡化機制對f2_1進(jìn)行處理，補充其他模塊的特征提取能力，得到特征子圖f2_4；

31、s3133：將f2_2、f2_3和f2_4在通道維度上進(jìn)行拼接，得到融合后的特征圖f2_5；

32、s3134：對f2_5進(jìn)行conv1×1卷積操作，實現(xiàn)特征降維，并通過gelu激活函數(shù)對特征圖進(jìn)行非線性變換，得到處理后的特征圖f2_6；再對f2_6進(jìn)行conv1×1卷積操作，進(jìn)一步提取特征并適應(yīng)后續(xù)任務(wù)，得到特征圖f2_7；

33、s3135：通過殘差連接將f2與f2_7相加，得到最終輸出特征圖f3；

34、其中，應(yīng)用pea對f2進(jìn)行處理，得到f3的過程如下式所示：

35、f2_1＝batchnorm(f2)

36、f3＝f2+conv1_1(gelu(conv1_1(c(pa(f2_1),ca(f2_1),spa(f2_1)))))

37、其中，batchnorm表示批歸一化操作；conv1_1表示大小為1×1的卷積操作；gelu表示應(yīng)用激活函數(shù)gelu；spa表示簡單像素級注意力模塊；ca表示通道級注意力模塊；pa表示像素級注意力模塊；c表示在通道維度上進(jìn)行拼接操作；+表示殘差連接操作。

38、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的霧霾場景下小目標(biāo)檢測方法的一種優(yōu)選方案，其中：所述s31321中像素級注意力模塊的構(gòu)建與執(zhí)行過程為：

39、s313211：對f2_1進(jìn)行conv1×1卷積操作，用于調(diào)整輸入特征圖的通道數(shù)；接著，應(yīng)用激活函數(shù)gelu進(jìn)一步處理f2_1，得到經(jīng)過激活后的特征圖f2_1_1；

40、s313212：對f2_1_1進(jìn)行conv1×1卷積操作，得到中間特征圖f2_1_2；接著，應(yīng)用sigmoid激活函數(shù)對f2_1_2進(jìn)行歸一化處理，得到像素級的注意力權(quán)重；

41、s313213：將f2_1和像素注意力權(quán)重進(jìn)行逐元素相乘操作，對特征圖進(jìn)行加權(quán)，得到最終的特征圖f2_2；其模塊能夠加強小目標(biāo)特征的表達(dá)，同時抑制不相關(guān)的背景信息，提高模型在霧霾場景中的小目標(biāo)檢測能力；

42、其中，應(yīng)用像素級注意力模塊對f2_1進(jìn)行處理，得到f2_2的過程如下式所示：

43、f2_2＝f2_1×s(conv1_1(gelu(conv1_1(f2_1))))

44、其中，conv1_1表示大小為1×1的卷積操作；gelu表示應(yīng)用激活函數(shù)gelu；s表示sigmoid激活函數(shù)；×表示進(jìn)行逐元素相乘操作；

45、所述s31322中通道級注意力模塊的構(gòu)建與執(zhí)行過程為：

46、s313221：對f2_1進(jìn)行全局平均池化，生成通道維度上的全局信息；然后，對池化結(jié)果進(jìn)行conv1×1卷積操作得到特征圖t1，將t1通過激活函數(shù)gelu進(jìn)行非線性處理，生成中間表達(dá)特征圖t2；

47、s313222：再對t2進(jìn)行conv1×1卷積操作后通過sigmoid激活函數(shù)生成通道注意力權(quán)重；將f2_1和通道注意力權(quán)重進(jìn)行逐元素相乘操作，實現(xiàn)通道上的加權(quán)輸出，得到增強的輸出特征圖f2_3；

48、其中，應(yīng)用通道級注意力模塊對f2_1進(jìn)行處理，得到f2_3的過程如下式所示：

49、f2_3＝f2_1×s(conv1_1(gelu(conv1_1(gap(f2_1)))))

50、其中，gap表示全局平均池化操作；conv1_1表示大小為1×1的卷積操作；gelu表示應(yīng)用激活函數(shù)gelu；s表示sigmoid激活函數(shù)；×表示進(jìn)行逐元素相乘操作；

51、所述s31323中簡單像素級注意力模塊的構(gòu)建與執(zhí)行過程為：

52、s313231：對f2_1進(jìn)行conv1×1卷積操作，得到初步的像素特征圖x1；隨后，其x1經(jīng)過另一個大小為3×3的卷積核進(jìn)行卷積操作，以進(jìn)一步提取局部像素相關(guān)性信息，得到特征圖x2；

53、s313232：將f2_1通過另一條分支直接進(jìn)行conv1×1卷積操作，得到特征圖x3；接著，將x2、x3相加后通過sigmoid激活函數(shù)生成像素注意力權(quán)重；

54、s313233：將f2_1和像素注意力權(quán)重進(jìn)行逐元素相乘操作，得到增強的輸出特征圖f2_4；

55、其中，應(yīng)用簡單像素級注意力模塊對f2_1進(jìn)行處理，得到f2_4的過程如下式所示：

56、f2_4＝f2_1×s(conv3_3(conv1_1(f2_1))+conv1_1(f2_1))

57、其中，conv1_1表示大小為1×1的卷積操作；conv3_3表示大小為3×3的卷積操作；s表示sigmoid激活函數(shù)；+表示將兩條分支的結(jié)果相加操作；×表示進(jìn)行逐元素相乘操作。

58、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的霧霾場景下小目標(biāo)檢測方法的一種優(yōu)選方案，其中：所述s32中精細(xì)特征捕捉多通道卷積模塊的構(gòu)建與執(zhí)行過程為：

59、s321：對f4進(jìn)行conv1×1卷積操作，用于調(diào)整通道數(shù)并提取初步特征，生成特征圖f4_1；

60、s322：對f4_1進(jìn)行特征分流，分為三條特征處理路徑：在第一條路徑中，首先經(jīng)過2個conv?3×3卷積操作，提取局部深層特征，生成特征圖f4_2；在第二條路徑中，依次通過conv3×3卷積操作和conv5×5卷積操作，進(jìn)一步提取更大感受野的特征，生成特征圖f4_3；在第三條路徑中，經(jīng)過conv5×5卷積操作，進(jìn)一步提取更大感受野的特征，生成特征圖f4_4；

61、s323：將三條路徑輸出的f4_2、f4_3和f4_4在通道維度上進(jìn)行拼接，得到融合后的特征圖f4_5；通過conv1×1卷積操作對f4_5進(jìn)行通道整合，生成最終的小目標(biāo)深層特征圖f4_6；

62、s324：再對f4_6進(jìn)行conv3×3卷積操作，進(jìn)一步整合跨路徑的信息，并優(yōu)化局部特征表達(dá)，生成特征圖f5；通過上述步驟，其模塊結(jié)合多尺度卷積核和分流結(jié)構(gòu)，能夠有效提取小目標(biāo)的深層語義特征，同時增強模型對小目標(biāo)的檢測能力。

63、作為本發(fā)明所述的一種基于深度學(xué)習(xí)的霧霾場景下小目標(biāo)檢測方法的一種優(yōu)選方案，其中：所述s33中多尺度特征整合增強檢測模塊的構(gòu)建與執(zhí)行過程為：

64、s331：將輸入的f2通過可變形卷積操作，以動態(tài)適應(yīng)霧霾場景中小目標(biāo)的形態(tài)特征和復(fù)雜背景噪聲，生成增強后的特征圖f6；將輸入的f3通過可變形卷積操作，生成增強后的特征圖f7；

65、s332：將f5與f7在通道維度上進(jìn)行拼接，形成融合特征圖f8，增強了特征的多尺度表達(dá)能力，并兼顧了細(xì)節(jié)和全局特征的統(tǒng)一；隨后，對f8進(jìn)行conv?3×3卷積操作，以進(jìn)一步整合跨路徑的信息，并優(yōu)化特征的多層次表達(dá)，生成優(yōu)化特征圖f9；再將f9與f6在通道維度上進(jìn)行拼接，形成融合特征圖f10；

66、s333：對f10進(jìn)行一次conv3×3操作，以進(jìn)一步整合跨路徑的信息，并優(yōu)化特征的多層次表達(dá)，得到特征圖f11；將f11輸入目標(biāo)檢測頭head中，運用head對f11進(jìn)行檢測，輸出包含檢測信息的張量，每一行對應(yīng)一個檢測結(jié)果，所述檢測結(jié)果是對霧霾場景下的小目標(biāo)檢測結(jié)果，分別包括邊界框坐標(biāo)、小目標(biāo)類別標(biāo)簽和置信度分?jǐn)?shù)。

67、與現(xiàn)有技術(shù)相比：

68、本發(fā)明在處理霧霾場景下的小目標(biāo)檢測任務(wù)時，能夠更準(zhǔn)確地捕捉和識別小目標(biāo)的細(xì)節(jié)特征，有效地減少了霧霾對小目標(biāo)特征的干擾，解決了現(xiàn)有技術(shù)中因霧霾造成的對小目標(biāo)特征表達(dá)不清晰的問題；本發(fā)明通過多尺度特征提取和多層次特征融合，能夠更準(zhǔn)確地區(qū)分小目標(biāo)與背景，解決了小目標(biāo)在復(fù)雜霧霾場景中容易與背景信息混淆的難題；此外，本發(fā)明增強了對微小、細(xì)長小目標(biāo)的檢測能力，顯著減少了因現(xiàn)有技術(shù)中過多的池化和卷積操作導(dǎo)致的小目標(biāo)特征丟失問題，使得在霧霾場景下的小目標(biāo)檢測精度和魯棒性得到了顯著提升。