参考低光图像目标检测的研究成果总结 - 云+社区 - 腾讯云
1、深度学习以前
1、A Novel Method to Compensate Variety of Illumination In Face Detection
本文介绍了一些基于空间域的传统方法。采用LogAbout进行光照补偿后，正确检测率明显提高。该思想能够快速有效地解决光照补偿问题，适用于自动检测人脸和实时跟踪人脸。本文提出的LogAbout思想也有助于一般的图像处理、目标检测和识别。
@inproceedings{liu2002novel,
title={A Novel Method to Compensate Variety of Illumination in Face Detection.},
author={Liu, Hong and Gao, Wen and Miao, Jun and Li, Jintao},
booktitle={JCIS},
pages={692--695},
year={2002},
organization={Citeseer}
}2、An Image-Range Fusion Pedestrian Detection System in Low Illumination Conditions
本文提出了一种同时应用图像数据和距离数据的图像-距离融合系统(IRFS)。对于图像部分，提出了一种动态照明物体(DIO)检测器，以克服部分光照条件不确定带来的问题。具体来说，DIO检测器应用两种特征，包括用于表示形状信息的方向梯度直方图(HOG)和用于建模纹理信息的对数加权模式(LWP)。
@inproceedings{huang2014image,
title={An image-range fusion pedestrian detection system in low illumination conditions},
author={Huang, PT and Chan, YM and Fu, LC and Huang, SS and Hsiao, PY and Wu, WY and Lin, CC and Chang, KC and Hsu, PM},
booktitle={Proceedings of the IPPR Conference on Computer Vision, Graphics, and Image Processing, Taiwan},
year={2014}
}3、Automatic human face detection and recognition under non-uniform illumination
本文提出了一种自动人脸检测和识别系统。该过程包括五个步骤:(1)哈尔小波变换，(2)人脸边缘检测，(3)对称轴检测，(4)人脸检测和(5)人脸识别。步骤1分解输入图像，减少图像冗余。步骤2使用边缘信息排除非面部区域，而步骤3使用梯度方向进一步缩小面部区域。步骤4通过模板匹配来限制类似人脸的区域。最后，第五步确定类人脸区域中的最佳人脸位置，并基于主成分分析进行人脸识别。该系统在非均匀光照条件下表现出显著的鲁棒性。
@article{kondo1999automatic,
title={Automatic human face detection and recognition under non-uniform illumination},
author={Kondo, Toshiaki and Yan, Hong},
journal={Pattern Recognition},
volume={32},
number={10},
pages={1707--1718},
year={1999},
publisher={Elsevier}
}4、Detection Algorithm for Color Image by Multiple Surveillance Camera under Low Illumination Based-on Fuzzy Corresponding Map
针对低照度下的真实监控系统，本文提出了一种双摄像机彩色动态图像目标检测算法。它为低亮度条件提供模糊对应图和颜色相似度的自动计算，在低照度下检测电荷耦合器件相机图像中的小彩色区域。在低亮度条件下对日本某市中心真实监控摄像机拍摄的两幅动态图像的实验检测结果表明，在相同的误报率下，与独立检测算法相比，该算法的准确率提高了15%，并讨论了该算法在严重监控情况下的可实现性。所提出的算法正被考虑用于日本一个安全性相对较差的市区(购物中心)的低成本监控系统。
@inproceedings{hatakeyama2007detection,
title={Detection algorithm for color image by multiple surveillance camera under low illumination based-on fuzzy corresponding map},
author={Hatakeyama, Yutaka and Makino, Masatoshi and Mitsuta, Akimichi and Hirota, Kaoru},
booktitle={2007 IEEE International Fuzzy Systems Conference},
pages={1--6},
year={2007},
organization={IEEE}
}5、Face Detection with the Modified Census Transform
光照变化是目标识别中的一个大问题，通常需要在分类前进行昂贵的补偿。希望有一种图像到图像的变换，它只揭示目标的结构，以便进行有效的匹配。在这方面，本文工作的贡献是双重的。首先，本文引入光照不变的局部结构特征进行目标检测。为了提高计算效率，本文提出了一种改进的普查变换，它改进了扎比和伍德菲尔的原始工作[10]。本文展示了一些缺点以及如何用修改后的版本克服它们。其次，本文引入了一个高效的四阶段分类器用于快速检测。每个单级分类器是一个线性分类器，由一组特征查找表组成。我们表明，第一阶段只评估20个特征，过滤掉99%以上的背景位置。因此，分类器结构比先前描述的多阶段方法简单得多，同时具有类似的能力。光照不变特征与简单分类器的结合导致了标准计算机上的实时系统(60秒，图像大小:288×384，2GHz奔腾)。检测结果显示在该领域两个常用的数据库上，即麻省理工学院+CMU的130幅图像和生物标识的1526幅图像。本文实现了90%以上的检测率和10-7%的极低假阳性率。我们还提供了一个演示程序，可以在互联网上找到http://www.iis.fraunhofer.de/bv/biometrie/download/.
@inproceedings{froba2004face,
title={Face detection with the modified census transform},
author={Froba, Bernhard and Ernst, Andreas},
booktitle={Sixth IEEE International Conference on Automatic Face and Gesture Recognition, 2004. Proceedings.},
pages={91--96},
year={2004},
organization={IEEE}
}6、Image Detection Under Low-Level Illumination
微光条件下的图像检测被视为一个假设检验问题，在该问题中，观测值被建模为散粒噪声过程。由于计算散粒噪声过程的李可利-胡德比率是不可行的，本文建议使用通过过滤和采样观测值获得的一维检验统计量。选择滤波器是为了最大化广义信噪比。一维检验统计量的似然比通过在每个假设下反转相应的特征函数来进行数值评估。
@article{sequeira1993image,
title={Image detection under low-level illumination},
author={Sequeira, Raul E and Gubner, John A and Saleh, Bahaa EA},
journal={IEEE Transactions on Image Processing},
volume={2},
number={1},
pages={18--26},
year={1993},
publisher={IEEE}
}2、深度学习以后
1、Deep Learning based Effective Surveillance System for Low-Illumination Environments
本文提出了一个系统，通过结合图像质量改善网络和目标检测网络，帮助获取在不同地方使用的普通监视摄像机的质量图像。这将提高夜间低照度区域的安全性。还可以建立一个更有效的监测系统，监测低照度地区的情况。
@inproceedings{kim2019deep,
title={Deep learning based effective surveillance system for low-illumination environments},
author={Kim, In Su and Jeong, Yunju and Kim, Seock Ho and Jang, Jae Seok and Jung, Soon Ki},
booktitle={2019 Eleventh International Conference on Ubiquitous and Future Networks (ICUFN)},
pages={141--143},
year={2019},
organization={IEEE}
}2、Getting to know low-light images with the Exclusively Dark dataset
提出了暗光目标检测数据集，下载链接：https://github.com/cs-chan/Exclusively-Dark-Image-Dataset
@article{loh2019getting,
title={Getting to know low-light images with the exclusively dark dataset},
author={Loh, Yuen Peng and Chan, Chee Seng},
journal={Computer Vision and Image Understanding},
volume={178},
pages={30--42},
year={2019},
publisher={Elsevier}
}3、IMAGE PROCESSING APPROACHES FOR AUTONOMOUS NAVIGATION OF TERRESTRIAL VEHICLES IN LOW ILLUMINATION
计算机视觉可以作为任何自主系统的一个组成部分。视觉输入和处理能够实现更快、更早的决策。计算机视觉的一个重要挑战是物体的检测和识别。这种挑战在低照度下更为明显。本文提出了一个检测和识别模型的道路警告标志与语音通知系统都自动和普通车辆考虑不同的照明水平。使用opencv分析来自车辆的实时视频。使用过滤器去除了视频中的噪音。检测是基于哈尔级联和训练样本的积极和消极的图像。文本识别基于模式匹配。语音通知是使用字符串到语音转换器完成的。考虑到车辆前灯的强光，夜视被照亮了。
@inproceedings{archana2017image,
title={Image Processing Approaches for Autonomous Navigation of Terrestrial Vehicles in Low Illumination},
author={Archana, S and Thejas, GS and Ramani, Sanjeev Kaushik and Iyengar, SS},
booktitle={2017 2nd International Conference On Emerging Computation and Information Technologies (ICECIT)},
pages={1--6},
year={2017},
organization={IEEE}
}4、 Low Illumination Enhancement For Object Detection In Self-Driving*
目标检测在自动驾驶领域发挥着重要作用。光照对目标检测有很大的影响，但目前大多数方法都没有很好地解决弱光环境下的目标检测问题。本文提出了一种基于循环生成对抗网络的图像转换优化网络。我们重新设计了CycleGAN的鉴别器网络，增加了额外的鉴别器，优化了网络的多个部分如损失函数，并在网络转换后增加了目标检测网络。利用牛津大学的机器人小车数据集验证了该方法的有效性，结果表明，该方法能够显著提高低照度环境下的检测精度，增加检测到的目标数量。
@inproceedings{qu2019low,
title={Low Illumination Enhancement For Object Detection In Self-Driving},
author={Qu, Yangyang and Ou, Yongsheng and Xiong, Rong},
booktitle={2019 IEEE International Conference on Robotics and Biomimetics (ROBIO)},
pages={1738--1743},
year={2019},
organization={IEEE}
}5、Low-Illumination Image Enhancement for Night-Time UAV Pedestrian Detection
为了在夜间条件下利用无人机实现可靠的行人检测，提出了一种图像增强方法来改善低照度图像质量。首先，通过双曲正切曲线将图像亮度映射到期望的水平。其次，针对YCbCr颜色空间中的反锐化滤波器，提出了块匹配和三维滤波方法，用于图像去噪和锐化。最后，利用卷积神经网络模型进行行人检测，完成监控任务。实验结果表明，增强图像的闵可夫斯基距离度量指数提高到0.975，检测准确率分别达到0.907和0.840，是其他图像增强方法中最高的。该方法对智能城市应用中的夜间无人机视觉监控具有潜在价值。
@article{wang2020low,
title={Low-illumination Image Enhancement for Night-time UAV Pedestrian Detection},
author={Wang, Weijiang and Peng, Yeping and Cao, Guangzhong and Guo, Xiaoqin and Kwok, Ngaiming},
journal={IEEE Transactions on Industrial Informatics},
year={2020},
publisher={IEEE}
}6、Nighttime Vehicle Detection Based on Bio-Inspired Image Enhancement and Weighted Score-Level Feature Fusion
本文提出了一种有效的夜间车辆检测系统，该系统结合了一种新颖的仿生图像增强方法和加权特征融合技术。受自然视觉处理中的视网膜机制的启发，本文开发了一种夜间图像增强方法，通过建模来自水平细胞的自适应反馈和双极细胞的中央包围的拮抗接受域。在此基础上，利用卷积神经网络、梯度方向直方图和局部二值模式对分类器进行特征提取，利用支持向量机对分类器进行训练。这些特征通过将每个特征的得分向量与学习到的权重相结合来融合。在检测过程中，通过将车辆尾灯检测与目标提案相结合来生成准确的感兴趣区域。实验结果表明，所提出的仿生图像增强方法对车辆检测有较好的效果。我们的车辆检测方法显示了95.95%的检出率，每幅图像为0.0575假阳性，并优于一些最先进的技术。我们提出的方法可以处理各种场景，包括不同类型和大小的车辆，那些有遮挡和模糊区域。它还可以检测不同位置的车辆和多辆车辆。
@article{kuang2016nighttime,
title={Nighttime vehicle detection based on bio-inspired image enhancement and weighted score-level feature fusion},
author={Kuang, Hulin and Zhang, Xianshi and Li, Yong-Jie and Chan, Leanne Lai Hang and Yan, Hong},
journal={IEEE Transactions on Intelligent Transportation Systems},
volume={18},
number={4},
pages={927--936},
year={2016},
publisher={IEEE}
}7、DSFD:Dual Shot Face Detector
为解决遮挡、暗光、大姿态、小脸等复杂场景时容易出现误检或漏检的问题，J. Lin等在提出的Dual Shot Face Detector (DSFD)中采用了Feature Enhance Module (FEM)模块。实验表明DSFD对暗光下的人脸有很好的检测效果。
@InProceedings{Li_2019_CVPR,
author = {Li, Jian and Wang, Yabiao and Wang, Changan and Tai, Ying and Qian, Jianjun and Yang, Jian and Wang, Chengjie and Li, Jilin and Huang, Feiyue},
title = {DSFD: Dual Shot Face Detector},
booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
month = {June},
year = {2019}
}版权声明：本文为CSDN博主「Wanderer001」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_36670529/article/details/116587788
暂无评论