11、基于深度学习的低光照环境目标检测与识别

基于深度学习的低光照环境目标检测与识别

1. 引言

人工智能驱动的计算机视觉是当前热门的研究领域，具有广泛的潜在应用。图像识别、目标检测、图像超分辨率和图像生成等是计算机视觉的主要研究方向。从基础的汽车领域到复杂的医疗保健领域，这些应用都依赖计算机处理、理解和分析情况，以做出明智决策。简单来说，计算机视觉是让计算机模拟人类的眼睛和大脑的技术。

图像加工与计算机视觉不同，它是计算机视觉的一个子集，主要通过平滑、锐化、对比度调整和拉伸等操作来增强图像或提取相关信息。由于需要高质量的图像，因此有必要改善计算机视觉因光照不足而产生的低动态范围的低光照图像。研究表明，机器学习算法可以提高图像质量，深度学习作为一种前沿技术，在各行业取得了显著成就。卷积神经网络（CNN）、基于区域的卷积神经网络（R - CNN）和You Only Look Once（YOLO）是计算机视觉中常用的深度学习方法。深度学习是一种让计算机像人类一样从经验中学习的机器学习类型，它通过神经网络的多层处理数据，每一层将数据的表示传递给下一层。

深度学习在目标检测和识别中得到了有效应用，该研究在安全、国防和医疗保健等多个行业都很重要。目标检测和识别技术可用于验证或识别数字图像或视频中的对象，计算机算法分析和匹配对象的独特属性，将其转换为数学表示，存储数据并与数据库中已存储的数据进行比较以进行识别。

然而，在低光照环境下进行目标检测和识别是一项具有挑战性的任务，因为存在视角变化、变形、光照、遮挡、背景杂乱和类内差异等问题。本研究探索了深度学习，特别是YOLOv3模型在低光照环境下的目标检测和识别应用。为了提高YOLOv3的性能，实施了系统的微调方法。最后，进行了比较，以确定在训练YOLOv3之前是否需要图