技术特征：
1.基于图像增强的低照度环境下人体检测方法，其特征在于，包括以下步骤：步骤1，将低照度图像输入至光照增强曲线估计网络，输出低照度图像对应的高阶光照增强曲线参数矩阵；将光照增强曲线参数矩阵代入高阶光照增强曲线函数中进行迭代，得到高阶光照增强曲线；低照度图像三个通道中的每个归一化像素根据其对应的高阶光照增强曲线进行动态范围调整，得到增强后图像；步骤2，将增强后图像输入至人体检测模块中，输出人体检测预测结果：步骤21，将增强后图像输入至特征提取网络，依次通过focus模块、3组由cbh模块和irb_x block模块组成的模块、一组由cbh模块和cpp模块组成的模块，分别输出五个不同尺度信息的特征图；步骤22，五个不同尺度信息的特征图中，对于尺寸信息由小到大的前四个特征图，依次进行通道数减半、2倍上采样的处理，并与其维度相同的特征图进行拼接，从而构建四个不同尺度信息的更新特征图；四个不同尺度信息的更新特征图中，对于尺寸信息由大到小的前三个更新特征图，进行通道数减半、2倍下采样的处理，并与其维度相同的更新特征图进行拼接，从而构建四个不同尺度信息的拼接特征图；步骤23，将四个不同尺度信息的拼接特征图输入至预测输出网络，通过添加预测头，并分别对四个不同尺度信息的拼接特征图通过卷积层进行维度变换，输出相应的预测框位置和尺度信息，最后通过非极大值抑制算法，获得人体检测预测结果；步骤3，通过多任务损失函数，对低照度图像增强模块和人体检测模块进行多阶段联合优化，训练得到端到端的低照度人体检测框架；步骤4，将低照度图像输入到训练好的端到端的低照度人体检测框架中，进行图像增强以及人体检测，输出人体检测预测结果。2.根据权利要求1所述的基于图像增强的低照度环境下人体检测方法，其特征在于，步骤1中，所述光照增强曲线估计网络包括依次连接的focus模块和6层深度可分离卷积层；每个深度可分离卷积层由1个3
×
3深度卷积、1个1
×
1卷积和激活函数层构成；每个深度可分离卷积层的输入，是之前所有卷积层的输出在通道维度上进行拼接后的特征图。3.根据权利要求1所述的基于图像增强的低照度环境下人体检测方法，其特征在于，步骤1中，所述高阶光照增强曲线函数，如下式所示：le
n
(x)＝le
n-1
(x)+a
n
(x)le
n-1
(x)(1-le
n-1
(x))式中，le
n
(x)表示n轮迭代后增强后图像在坐标x位置的像素值；le
n-1
(x)表示n-1轮迭代后增强后图像在坐标x位置的像素值；a
n
(x)表示第n轮迭代中输入的低照度图像在坐标x位置对应的光照增强曲线参数矩阵。4.根据权利要求1所述的基于图像增强的低照度环境下人体检测方法，其特征在于，步骤21中，所述cbh模块由卷积运算、批归一化处理以及h-swish激活函数组成；所述irb_x block模块由2x个反转残差瓶颈模块和三个cbh模块组成；所述spp模块为金字塔池化模块。5.根据权利要求4所述的基于图像增强的低照度环境下人体检测方法，其特征在于，所述反转残差瓶颈模块，包括依次连接的7
×
7的深度可分离卷积操作、1
×
1卷积操作、3
×
3的深度可分离卷积操作、1
×
1的卷积操作，当模块的输入维度与输出维度不同时，将模块中的短接连接去除。
6.根据权利要求1所述的基于图像增强的低照度环境下人体检测方法，其特征在于，步骤23中，所述预测头由步骤21得到的五个不同尺度信息的特征图中第二大尺寸的特征图通过横向多尺度特征融合生成。7.根据权利要求1所述的基于图像增强的低照度环境下人体检测方法，其特征在于，步骤3中，所述多任务损失函数，由低照度图形增强网络损失函数和人体检测网络损失函数加权求和而得，具体如下式所示：l
total
＝λ
enhance
l
enhance
+λ
detect
l
detect
式中，l
total
表示多任务损失函数；l
enhance
表示低照度图形增强网络损失函数；l
detect
表示人体检测网络损失函数；λ
enhance
表示低照度图形增强网络损失函数的加权系数；λ
detect
表示人体检测网络损失函数的加权系数；所述低照度图形增强网络损失函数，具体如下式所示：l
enhance
＝l
spa
+l
exp
+w
col
l
col
+w
tva
l
tva
式中，l
spa
表示空间一致性损失函数；l
exp
表示曝光控制损失函数；l
col
表示色彩恒常性损失函数；w
col
表示色彩恒常性损失函数的加权系数；l
tva
表示光照平滑度损失函数；w
tva
表示光照平滑度损失函数的加权系数；所述人体检测网络损失函数，如下式所示：l
detect
＝λ
coord
l
ciou
+l
conf
式中，l
detect
表示人体检测网络损失函数；l
ciou
表示预测框回归损失函数；λ
coord
表示预测框回归损失函数的加权系数；l
conf
表示置信度损失函数。8.根据权利要求7所述的基于图像增强的低照度环境下人体检测方法，其特征在于，所述低照度图形增强网络损失函数的加权系数λ
enhance
和人体检测网络损失函数的加权系数λ
detect
在训练迭代的过程中按以下公式进行动态加权平衡调整，具体为：在训练迭代的过程中按以下公式进行动态加权平衡调整，具体为：式中，t为实数参数；ω
ξ
(t-1)表示t-1次迭代中的损失函数l
ξ
的相对下降率；l
ξ
(t-1)表示t-1次迭代中的损失函数；l
ξ
(t-2)表示t-2次迭代中的损失函数；λ
ξ
(t)表示t次迭代中的损失函数l
ξ
的加权系数；ω
p
(t-1)表示t-1次迭代中某一损失函数的相对下降率；ξ∈{enhance,detect}，t＝1,2时，ω(t)＝1，p表示在求和函数中表示两个损失函数的索引。9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现权利要求1～8中任一所述的方法步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1～8中任一所述的方法步骤。
技术总结
本发明公开了基于图像增强的低照度环境下人体检测方法、电子设备及储存介质，检测方法为：将低照度图像输入至低照度图像增强模块中，得到增强后图像；将增强后图像输入至改进的人体检测模块中，输出人体检测预测结果；通过多任务损失函数，对低照度图像增强模块和人体检测模块进行多阶段联合优化，训练得到端到端的低照度人体检测框架；将低照度图像输入到训练好的端到端的低照度人体检测框架中，进行图像增强以及人体检测，输出人体检测预测结果。本发明构建的端到端的低照度图像人体检测框架通过低照度图像增强模块和人体检测模块的相互适应，实现了更高的检测精度，对不同光照环境下人体检测具有更强的鲁棒性。照环境下人体检测具有更强的鲁棒性。照环境下人体检测具有更强的鲁棒性。
技术研发人员：王晓甜 苗垟 赵至夫 韩皓轩 冯继凡 王可心 庄伟林 杨安东 石中熙
受保护的技术使用者：西安电子科技大学
技术研发日：2022.04.02
技术公布日：2022/7/4