[发明专利]一种雾霾天气车载视频动态目标检测和识别的方法

权利要求书

1.一种雾霾天气车载视频动态目标检测和识别的方法，其特征在于，包括以下步骤：

(1)对预先获取的雾霾天气交通场景图片依据卷积神经网络建立的图像去雾模型AOD_Net进行去雾操作；

(2)建立一个深度级联多任务框架，包括车辆检测、分类以及语义分割相关功能模块，基于神经网络对清晰交通场景图进行训练，以步骤(1)的输出作为检测模块的输入，完成对清晰交通场景图的车辆检测，并用边界框将其标注出来；

步骤(2)所述神经网络的训练过程如下：

在神经网络中使用五个卷积层，通过融合不同大小的滤波器形成多尺度特征，“连接层1”连接“卷积层1”和“卷积层2”的特征，“连接层2”连接来自“卷积层2”和“卷积层3”的那些特征，“连接层3”连接来自“卷积层1”、“卷积层2”、“卷积层3”、“卷积层4”的特征，其中每个卷积层使用三个滤波器；在训练过程中使用Relu激活函数去线性化，衰减参数设为0.0001，使用0.001作为学习率，误差函数采用均方误差函数；使用上述参数设置，基于数据集训练神经网络；

步骤(2)所述一个深度级联多任务框架由编码器和解码器构成，所述编码器由VGG16网络的卷积层和池化层组成，采用前13层输出的结果；所述解码器包括分类解码器、检测解码器、分割解码器；所述分类解码器在编码器的输出之后应用于一个1×1的卷积层，然后紧接着用全连接层和softmax进行分类；所述检测解码器在编码器之后应用一个1×1的卷积层，产生39×12×500的特征图，再应用一个1×1的卷积层，产生39×12×6的输出，再引入一个再缩放层，通过将更高分辨率的VGG特征的子集与隐藏层连接并在其上应用1×1卷积来完成；引入ROI池化层将高分辨率的特征图缩放至39×12，将得到的特征图与39×12×6的特征图经过1×1卷积层产生最后的输出；所述分割解码器采用的fcn全卷积网络来对图像进行语义分割将VGG架构的剩余完全连接层转换为1×1卷积层，用三个反卷积层执行上采样，再利用conv4-3、conv3-3层的高分辨率特征，这些特征先由1×1卷积层处理，然后加到部分上采样结果中。

2.根据权利要求1所述的一种雾霾天气车载视频动态目标检测和识别的方法，其特征在于，步骤(1)所述的去雾模型通过轻量级的CNN直接生成清晰的图像，具体构建如下：

基于大气散射模型：I(x)＝J(x)t(x)+A(1-t(x))

其中，I(x)为被观察到的有雾图像，J(x)是要恢复的图像，其中两个关键参数A表示大气光，t(x)表示介质传输图，其定义如下：

t(x)＝e^-βd(x)

其中β为大气散射系数，d(x)是物体与相机之间的距离；

将输出放在等式左边得到变形：

将两个参数t(x)和A统一为一个参数即K(x)，直接最小化像素域重建误差，则导出如下去雾算法公式：

J(x)＝I(x)*K(x)-K(x)+b

其中b是具有默认值的恒定偏差。