[发明专利]基于轻量级残差网络图像去雾的目标识别方法及系统

权利要求书

1.基于轻量级残差网络图像去雾的目标识别方法，其特征是，包括：

获取待识别图像；

将待识别图像，输入到预先训练好的轻量级残差网络中进行去雾处理，得到纯雾图像；将待识别图像与纯雾图像进行作差，得到去雾后的图像；

将去雾处理后的图像，输入到预先训练好的目标识别网络中，得到目标识别结果。

2.如权利要求1所述的方法，其特征是，所述轻量级残差网络，包括：

依次连接的输入端、第一神经单元、第二神经单元、第三神经单元、第四神经单元、第五神经单元、第六神经单元和输出端；

其中，第一神经单元、第二神经单元、第三神经单元、第四神经单元、第五神经单元和第六神经单元的内部结构均是一样的；

其中，第一神经单元，包括：依次连接的卷积层、批量归一化层和激活函数层。

3.如权利要求2所述的方法，其特征是，所述第一神经单元的批量归一化层的输出端，还与第三神经单元的批量归一化层的输入端、第四神经单元的批量归一化层的输入端、第五神经单元的批量归一化层的输入端连接和第六神经单元的批量归一化层的输入端连接；

所述第二神经单元的批量归一化层的输出端，还与第四神经单元的批量归一化层的输入端、第五神经单元的批量归一化层的输入端连接和第六神经单元的批量归一化层的输入端连接；

所述第三神经单元的批量归一化层的输出端，还与第五神经单元的批量归一化层的输入端连接和第六神经单元的批量归一化层的输入端连接；

所述第四神经单元的批量归一化层的输出端，还与第六神经单元的批量归一化层的输入端连接。

4.如权利要求2所述的方法，其特征是，轻量级残差网络的工作原理，包括：

通过神经网络单元与神经网络单元之间的依次连接和跨单元连接，实现了前一个神经网络单元提取的特征值，被后续多个神经网络单元再次利用，前一个神经网络单元提取的特征提取的特征在剩余神经网络单元之间得到了共享，进而实现了特征的扩充，实现了特征的重复利用，避免了因样本少而带来的训练程度不足的问题。

5.如权利要求1所述的方法，其特征是，所述预先训练好的轻量级残差网络，训练步骤包括：

构建轻量级残差网络；

构建训练集；所述训练集为带雾图像和带雾图像中的纯雾图像；

将训练集输入到轻量级残差网络中，将带雾作为网络的输入值，将纯雾图像作为网络的输出值，当网络的损失函数达到最小值时，停止训练，得到训练好的轻量级残差网络。

6.如权利要求5所述的方法，其特征是，所述构建训练集，具体步骤包括：

获取若干幅带雾图像和若干幅不带雾图像；所述带雾图像与不带雾图像之间存在一一对应关系，具有一一对应关系的带雾图像和不带雾图像均是针对同一场景的图像；

将具有一一对应关系的带雾图像和不带雾图像，利用减法器进行作差，得到纯雾图像；

将带雾图像和带雾图像对应的纯雾图像，作为训练数据进行存储；

得到所有带雾图像和所有带雾图像对应的纯雾图像后，即得到训练集。

7.如权利要求1所述的方法，其特征是，所述预先训练好的目标识别网络，训练步骤包括：

构建训练集，所述训练集包括已知识别目标的图像；

将已知的识别目标作为卷积神经网络的输出值，将图像作为卷积神经网络的输入值，当卷积神经网络的损失函数达到最小值时，停止训练，得到训练好的目标识别网络。

8.基于轻量级残差网络图像去雾的目标识别系统，包括：

获取模块，其被配置为：获取待识别图像；

去雾模块，其被配置为：将待识别图像，输入到预先训练好的轻量级残差网络中进行去雾处理，得到纯雾图像；将待识别图像与纯雾图像进行作差，得到去雾后的图像；

目标识别模块，其被配置为：将去雾处理后的图像，输入到预先训练好的目标识别网络中，得到目标识别结果。