针对人脸检测模型在低照度环境下出现的检测性能明显降低这一问题,提出一种基于图像增强的低照度人脸检测方法。首先,采用图像增强方法对低照度图像预处理,以增强人脸的有效特征信息;其次,在模型主干网络后引入注意力机制,以提升网络对...针对人脸检测模型在低照度环境下出现的检测性能明显降低这一问题,提出一种基于图像增强的低照度人脸检测方法。首先,采用图像增强方法对低照度图像预处理,以增强人脸的有效特征信息;其次,在模型主干网络后引入注意力机制,以提升网络对人脸区域的关注,并同时降低非均匀光照与噪声带来的负面影响;此外,引入注意力边界框损失函数WIoU(Wise Intersection over Union),以提升网络对低质量人脸的检测准确率;最后,使用更有效的特征融合模块代替模型原有结构。在低照度人脸数据集DARK FACE上的实验结果表明,所提方法的平均检测精度AP@0.5相较于原始YOLOv7模型提升了2.4个百分点,精度平均值AP@0.5:0.95提升了1.4个百分点,并且不引入额外参数与计算量。另外,在其他2个低照度人脸数据集上的结果也表明所提方法的有效性与鲁棒性,证明所提方法适用于不同场景下的低照度人脸检测。展开更多
文摘针对人脸检测模型在低照度环境下出现的检测性能明显降低这一问题,提出一种基于图像增强的低照度人脸检测方法。首先,采用图像增强方法对低照度图像预处理,以增强人脸的有效特征信息;其次,在模型主干网络后引入注意力机制,以提升网络对人脸区域的关注,并同时降低非均匀光照与噪声带来的负面影响;此外,引入注意力边界框损失函数WIoU(Wise Intersection over Union),以提升网络对低质量人脸的检测准确率;最后,使用更有效的特征融合模块代替模型原有结构。在低照度人脸数据集DARK FACE上的实验结果表明,所提方法的平均检测精度AP@0.5相较于原始YOLOv7模型提升了2.4个百分点,精度平均值AP@0.5:0.95提升了1.4个百分点,并且不引入额外参数与计算量。另外,在其他2个低照度人脸数据集上的结果也表明所提方法的有效性与鲁棒性,证明所提方法适用于不同场景下的低照度人脸检测。
