[发明专利]一种基于大气参量估计的无人车环境感知去雾去雨方法

权利要求书

1.一种基于大气参量估计的无人车环境感知去雾去雨方法，其特征在于，主要包括如下步骤组成：

步骤1：在触发模块中，当检测到出现雾霾天气或者降雨天气时，激活触发本发明后续步骤，并使用相机实时采集无人车周围环境与深度信息；

步骤2：图像降噪模块通过低频增强的空间域滤波技术，平滑接收到的图像信号，并降低噪声；

步骤3：使用卷积神经网络，结合密集连接结构，构建表达能力强的编码模块；

步骤4：基于反池化与反卷积的解码网络构建大气参量估计模块，搭建并联的大气透射率预测分支与大气光值预测分支；

步骤5：根据步骤4得到的大气透射率与大气光值还原清晰的图像，实现去雾；

步骤6：拓展图像像素去雨分支网络；

步骤7：将计算得到的雨水信息与去雾后的图像做相减处理后得到清晰图像。

2.根据权利要求1所述的触发模块，其特征在于，当雾霾传感器或者湿度传感器检测到发生恶劣天气时，向AI芯片发出信号，对接收到的视觉信号进行去雨或去雾处理。

3.根据权利要求1所述的图像降噪模块，其特征在于，构建一个基于空间域平滑的高斯滤波器，首先以某一像素点的中心位置为坐标原点向相邻像素点取样；然后将取样得到的像素点坐标传入高斯函数中，得到高斯函数的系数即得到高斯滤波器；最后将得到的高斯滤波器应用到图像预处理中，平滑信号并进行降噪。

4.根据权利要求1所述的编码模块，其特征在于，包括三个部分：级联卷积神经网络提取特征、下采样操作丰富多尺度特征、密集连接的网络结构特征融合；

所述级联卷积神经网络提取特征：首先构建不同大小的卷积核；随后使用卷积核对输入图像进行卷积点乘操作；最后根据卷积核结构输出固定尺寸与通道数的视觉特征；

所述下采样操作丰富多尺度特征：在使用级联卷积神经网络提取特征时，使用下采样操作即步长较高的卷积核提取分辨率较小的特征，增强特征提取网络的多尺度表达能力；

所述密集连接的网络结构特征融合：首先构建具有多尺度特征提取能力的级联卷积神经网络；其次将当前卷积层的输出传输到后续的所有卷积层的输入端；最后当前层的输入包含当前层之前的所有层的输出特征，增强了编码特征并进行了多尺度融合，降低解码难度。

5.根据权利要求1所述的基于反池化与反卷积的解码网络构建大气参量估计模块，其特征在于，使用两个独立分支分别估计大气透射率和大气光值；

所述大气透射率预测分支，由级联的卷积神经网络、反池化层与反卷积层组成解码网络，该网络输出为输入图像中的每个像素点的雾霾成分；

所述大气光值预测分支，由级联的卷积神经网络、反池化层与反卷积层组成解码网络，该网络输出为输入图像的大气光值；

在网络训练过程中，所述大气透射率估计分支与大气光值估计分支使用的损失函数均为均方差MSE损失函数。

6.根据权利要求5所述的解码网络，其特征在于，包括反池化操作与反卷积上采样操作两个结构；所述反池化操作的目标为将池化后的特征还原成原来的大小；对步骤3提取特征过程中得到的低分辨率特征进行述反卷积上采样操作。

7.根据权利要求1所述的去雾模块，其特征在于，先构建大气散射模型，然后根据权利要求5估计得到的大气参量完善大气散射模型，最后还原图像，实现去雾功能。

8.根据权利要求1所述的拓展图像像素去雨分支网络，其特征在于，首先，在解码网络中拓展去雨分支，使用与大气透射率网络分支相同的网络结构，通过反池化与反卷积结构预测图像中的雨水信息；其次同样使用均方差MSE损失函数训练该网络分支。