[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

说明书

本发明公开了一种雾霾天气车载视频动态目标检测和识别的方法，主要针对的是图像识别中的特定情况，雾霾天气下的车辆识别；搭建基于AOD‑Net的深度神经网络，设计神经网络损失函数；采集数据训练神经网络模型；使用训练好的模型对有雾图像进行端到端的去雾清晰化处理；另外，在清晰图像中的车辆检测时我们使用基于MultiNet多层卷积神经网络进行端到端的训练，使用可方便调整大小的候选区域方法，在神经网络中加入rezoom层。采用本发明达到对雾天图像直接检测处理的效果，能够在有雾图像下较为精准地分割识别道路与车辆，大大缩短计算时间，满足实际应用中对实时性的要求。

技术领域

本发明属于自动驾驶领域，具体涉及一种雾霾天气车载视频动态目标检测和识别的方法。

背景技术

计算机视觉技术已经广泛出现在公众视野当中，如车载视频、城市交通、遥感成像等领域。然而，现有的计算机视觉系统对环境是非常敏感的，在雾、霾等能见度较低的天气条件下，系统的成像传感器采集的图像质量严重下降，对后续的一系列功能造成极大影响。

在可见光范围内，大气粒子的散射作用占主导，也是造成图像降质的主要原因。随着物体到捕捉成像设备的距离增大，大气粒子的散射作用对成像质量的影响逐渐增强。这种影响主要由两个方面造成：1)物体表面的反射光在到达成像设备的过程中由于散射而发生衰减。2)自然光因为大气粒子的散射而进入成像设备参与成像，即常说的雾或霾。他们的共同作用导致采集到的图像对比度、饱和度较低，不仅影响图像的视觉效果，而且影响图像分析处理器的性能。

因此图像去雾技术具有广阔的应用前景，如智能交通系统、智能导航、遥感监控等，而且经过去雾处理的图像或视频具有很高的价值，可以拿来做更高级的任务，如图像中目标物体的检测、图像分类、检索等方面。在图像去雾领域，尤其是在图像处理的保真性以及实时性方面，很多算法的性能亟待提高。

发明内容

发明目的：本发明提供一种雾霾天气车载视频动态目标检测和识别的方法，能够在有雾图像下较为精准地分割识别道路与车辆。

发明内容：本发明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，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(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可得到变形：

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。则可以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。

步骤(2)所述神经网络的训练过程如下：