一种图像目标检测方法及相关设备

技术特征：
1.一种图像目标检测方法，其特征在于，包括：步骤1，获取待检测的低照度图像；步骤2，通过改进后的retinex模型对所述低照度图像进行亮度分量去除处理，得到增强图像；步骤3，将所述增强图像输入googlenet神经网络模型进行目标检测，得到检测结果；所述googlenet神经网络模型的初始特征提取模块包括第一卷积层、第二卷积层和第一池化层；所述第一卷积层的输入端为所述googlenet神经网络模型的输入端，所述第一卷积层的输出端与所述第二卷积层的输入端连接，所述第二卷积层的输出端与所述第一池化层的输入端连接，所述第一池化层的输出端与所述googlenet神经网络模型中的局部响应归一化层的输入端连接。2.根据权利要求1所述的图像目标检测方法，其特征在于，所述步骤2包括：将所述低照度图像转换至颜色空间，提取亮度分量作为光照图像；通过改进后的retinex模型对所述低照度图像进行亮度分量去除处理，得到增强图像；所述改进后的retinex模型为：将所述低照度图像和所述光照图像相除，得到所述增强图像：其中，表示低照度图像，表示光照图像，表示增强图像，表示逐元素乘法，/表示逐元素除法，表示图像像素空间坐标。3.根据权利要求2所述的图像目标检测方法，其特征在于，将所述低照度图像转换至颜色空间，提取亮度分量作为光照图像，包括：将所述低照度图像从rgb颜色空间转换至lms空间：将所述低照度图像从所述lms空间转换为以10为底的对数空间：将所述低照度图像从所述对数空间转换到颜色空间：将所述颜色空间的亮度分量作为光照图像。4.根据权利要求3所述的图像目标检测方法，其特征在于，所述步骤2还包括：利用gamma校正对所述光照图像进行调整，得到调整后的光照图像，表达式为：
其中，表示伽马变换参数，。5.根据权利要求4所述的图像目标检测方法，其特征在于，在所述步骤3之前还包括：对所述增强图像进行锐化过滤处理，得到锐化后的增强图像，表达式如下：其中，表示锐化后的图像，表示增强图像，表示高斯滤波器，表示正比例因子。6.根据权利要求5所述的图像目标检测方法，其特征在于，在所述步骤3之前还包括：对锐化后的增强图像进行零均值化处理；将零均值化处理后的所述增强图像输入所述googlenet神经网络模型进行目标检测。7.一种图像目标检测装置，其特征在于，包括：获取模块，用于获取待检测的低照度图像；处理模块，用于通过改进后的retinex模型对所述低照度图像进行亮度分量去除处理，得到增强图像；检测模块，用于将所述增强图像输入googlenet神经网络模型进行目标检测，得到检测结果；所述googlenet神经网络模型的初始特征提取模块包括第一卷积层、第二卷积层和第一池化层；所述第一卷积层的输入端为所述googlenet神经网络模型的输入端，所述第一卷积层的输出端与所述第二卷积层的输入端连接，所述第二卷积层的输出端与所述第一池化层的输入端连接，所述第一池化层的输出端与所述googlenet神经网络模型中的局部响应归一化层的输入端连接。8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的图像目标检测方法。9.一种图像目标检测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的图像目标检测方法。

技术总结
本发明提供了一种图像目标检测方法，包括：步骤1，获取待检测的低照度图像；步骤2，通过改进后的Retinex模型对低照度图像进行亮度分量去除处理，得到增强图像；步骤3，将增强图像输入GoogLeNet神经网络模型进行目标检测，得到检测结果；采用改进的Retinex模型对低照度图像进行增强，通过对图像的色彩空间转换使亮度信息与色彩信息分离，以便模型对彩色图像增强时彩色分量的信息更加完整，最后采用GoogLeNet神经网络模型进行目标检测，可以更好挖掘目标特征，提高了在能见度低的环境下对目标检测的准确率。目标检测的准确率。目标检测的准确率。


技术研发人员：余绍黔 唐江婧 鲁晓海
受保护的技术使用者：湖南工商大学
技术研发日：2022.12.02
技术公布日：2022/12/30