[发明专利]一种基于DQN的高速公路监测视频去雾方法和系统

说明书

本发明公开了一种基于DQN的高速公路监测视频去雾方法和系统，属于图像处理领域。由于强化学习本身性质，可灵活扩充去雾动作空间，获得更好的去雾效果；基于强化学习本身特性，是一种通过进行一系列序列决策，通过反复、多次从简单去雾图像处理动作集合中选取多个图像处理动作叠加式地完成图像去雾任务，符合人类专家进行修图的过程。本发明采用实际高速公路监测视频在不同能见度下进行训练，仅需当时当地能见度实况数值即可对去雾质量计算模型进行训练。并且通过去雾质量模型即可计算经过去雾处理后的图片对应的奖励值，进而引导强化学习去雾策略达到更好的去雾效果，无需带雾‑无雾图像真实数据集即可进行训练，大大降低了对数据集的要求。

技术领域

本发明属于图像处理领域，更具体地，涉及一种基于DQN(Deep Q Networks，深度Q网络)的高速公路监测视频去雾方法和系统。

背景技术

近年来，计算机视觉作为人工智能领域的重要组成部分发展迅速，图像去雾是图像处理与机器视觉领域的一个经典问题。由于雾霾的原因，由户外图像采集设备获取的图像信息往往存在视觉效果较差的情况。在高速公路视频图像监测领域，雾霾的存在对于后续视频监测、车辆监控、道路异物检测等任务均造成了不利影响。因此，通过对高速公路监测图像进行去雾操作，能够在提高图像能见度和清晰度的情况下，对后续的车辆监测、道路异物监测等任务提供有力帮助。

现有的图像去雾方法通常采用基于手工统计的先验知识通过大气散射模型计算出清晰图像，或者采用端对端的深度学习模型完成带雾图像到清晰图像的域迁移。这些方法尝试通过单一模型拟合任意雾霾浓度的图像到清晰图像的映射关系，不仅计算参数量大并且常常出现过拟合现象，在实际环境中效果较差。同时，端对端的深度学习模型需要成对的带雾和无雾图像进行训练，难以获得真实数据集，在合成数据集中训练的效果难以迁移到真实环境中。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于DQN的高速公路监测视频去雾方法和系统，其目的在于有效地获得高速公路无雾监测画面。

为实现上述目的，按照本发明的第一方面，提供了一种基于DQN的高速公路监测视频去雾方法，该方法包括：

训练阶段：

(S1)设定动作集，所述动作是对高速公路监测图像进行去雾处理，动作集中不同动作对应的去雾处理方式不同，定义奖励函数，初始化DQN的网络参数；

(S2)从高速公路监测视频中随机选择一帧图像，经过特征提取，将提取到的特征作为当前状态；

(S3)当前状态输入到DQN中，DQN输出针对动作集中每个动作对应的Q值；

(S4)根据Q值，采用ε贪心策略选择动作，若选出的动作为停止动作，则结束该图像的训练，再进一步判断是否满足整个DQN训练停止的条件，若是，则整个DQN训练过程结束，否则，转入步骤(S2)；若选出的动作不为停止动作，则将选出的动作应用于当前状态对应的图像，并根据定义的奖励函数计算相应的奖励值，进入步骤(S5)；

(S5)根据时序差分方法计算损失函数，根据损失函数梯度回传更新DQN网络参数；

(S6)提取动作处理后图像的特征来更新当前状态，转入步骤(S3)；

应用阶段：

对于高速公路监测视频中每一帧图像做以下处理：

(t1)对该图像进行特征提取，将提取到的特征作为当前状态；

(t2)当前状态输入到训练好的DQN中，训练好的DQN输出针对动作集中每个动作对应的Q值；

(t3)采用贪心策略选择使Q值最大的动作，若选出的动作为停止动作，则输出当前状态对应的图像，进入下一帧图像的处理；若选出的动作不为停止动作，则将选出的动作应用于当前状态对应的图像；