基于GAN的低质视频增强与目标检测算法研究

发布时间:2024-03-05 22:50
  随着通讯技术的发展和拍摄设备的普及,智能视频监控广泛应用在智慧交通、公共安全等领域。然而在事故高发的夜间场景,由于光照不足、光照不均、雨雪雾等极端天气以及拍摄设备等的影响,夜间视频通常存在低对比度、高噪声等特点,大量细节信息丢失,严重影响人们对视频内容的理解和分析。为获得视觉效果良好的视频图像,并进一步挖掘其中的关键信息,建立夜间视频背景模型,提高其可用性,本文主要完成的工作如下:(1)针对夜视图像亮度不均、噪声大等问题,提出一种基于生成对抗网络的低质视频增强方法。不同于现有的经典增强方法,利用生成技术实现低质夜间图像到白天图像的映射。为了恢复夜视图像特别是其强光区域信息,通过融合生成子网络强化源图像中的目标信息在网络流中的传递。此外,通过对抗损失、多层感知损失、变分损失的约束提升生成图像质量;(2)为解决夜间场景下背景建模中的低对比度问题,创新性地提出一种基于生成的背景建模模型—N2DGAN。对于给定的参考帧,在时空一致性约束下,生成网络将夜视视频映射到一个虚拟白天场景下,以增加前景和背景之间的对比度。为了抑制生成过程中出现的不可避免的噪声,在虚拟白天域内通过多尺度贝叶斯模型建模,提...

【文章页数】:64 页

【学位级别】:硕士

【部分图文】:

图1-1低质夜视图像??Fi.?1-1?Lowualitimaes?under?nihttime?scene??

图1-1低质夜视图像??Fi.?1-1?Lowualitimaes?under?nihttime?scene??

图1-1低质夜视图像??Fig.?1-1?Low?quality?images?under?nighttime?scene??1.2低质图像增强研究现状??针对如何提高单一低质图像的清晰度这一问题,国内外学者做了大直方图的方法、基于Retinex的方法、基于滤波的方法是三大主流的....


图2-2夜视图像增强网络结构图??Fig.2-2?Model?architecture?for?nighttime?image?enhancement??(3)融合网络结构如表2-3所,2-2-.

图2-2夜视图像增强网络结构图??Fig.2-2?Model?architecture?for?nighttime?image?enhancement??(3)融合网络结构如表2-3所,2-2-.

通过传统增强方法对源图像预处理,£(.)32><32表示图像预处理后下采样至对应卷??积层的大小32x32。??


图2-3低质视频增强实验结果

图2-3低质视频增强实验结果

图2-4前景目标增强结果(a)本算法有效的前景增强(b)本算法无法处理的情况??Fig.2-4?Example?results?of?foreground?objects?enhancement?in?different?conditions.(a)?Results?of??fo....


图2-5帧间稳定性对比图??Fig.2-5?Motion?Stability?Comparison?with?CycleGAN?and?pix2pix.??

图2-5帧间稳定性对比图??Fig.2-5?Motion?Stability?Comparison?with?CycleGAN?and?pix2pix.??

息在网络流中的传递。??变分损失约束图像像素点在其局部空间的连续性,使图像在视觉上平滑。为??了验证总变分损失的作用,本文通过设置其权重木v?=?0得到了图2-6(c)。从图中红??框内的图像可以看出,变分损失使生成的白天图像在细节上更加自然。??图2-6(d)第二行是用MSE损....



本文编号:3920164

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3920164.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户25e0e***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com