[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

说明书

本发明提供一种基于大气参量估计的无人车环境感知去雾去雨方法，首先由触发模块激活本发明；随后用图像降噪模块，增强接收到的图像信号；然后使用卷积神经网络对图像信号编码；接下来对各个大气参量分别使用不同的解码网络分支计算；随后用计算到的大气参量对图像去雾；并拓展去雨分支，最后将计算得到的雨水信息与去雾后的图像共同处理后得到清晰图像。本发明实现了无人车环境感知识别去雾去雨方法，能够降低特殊天气对相机的影响，降低事故风险。

技术领域

本发明属于视频图像应用技术领域，具体涉及一种基于大气参量估计的无人车环境感知去雾去雨方法。

背景技术

随着智能控制技术的发展，无人驾驶车辆成为智能交通系统的研究热点，其相关技术的研究可以减少交通事故频发和交通运输效率较低等问题。近年来，国内外高校和企业已纷纷加入无人驾驶系统的研究中来。

无人驾驶系统主要包括环境感知、决策和运动控制三个模块，环境感知的结果直接作用于其他模块，是整个系统的核心。目前感知硬件方案以激光雷达和摄像头为主，后者具有成本低廉及图像数据量小等优点，为广大致力于投资无人驾驶的企业所采纳。早期的道路目标检测方法主要利用目标的先验信息，严重依赖背景环境，鲁棒性差。目前主流的方法是采用深度学习技术，使用强大的特征提取和特征分类能力，实现高精度的目标检测，如YOLO、Retina Net和FCOS等。

但是在实际应用中，无人车所行驶的环境有一定的概率会出现雾霾、降雨、冰雹等特殊天气，这些特殊天气会影响相机采集到的图像的清晰度。环境感知深度学习算法在低清晰度的图片中只能提取出有限的图像特征，这极大地影响着感知精度，增大行驶风险。而常规的图像去雾去雨方法仅用固定参数的公式化方法，无法应对多变复杂的特殊天气。

有鉴于此，提出对大气参量进行估计的方法，用卷积网络编码图片中有效的像素特征，并用解码网络分别估计大气内各个参量，实现无人车行驶环境识别感知的图像去雾去雨，降低事故风险。

发明内容

针对上述技术问题，本发明提供一种基于大气参量估计的无人车环境感知去雾去雨方法，解决特殊天气下无人车行驶环境识别感知要求，为无人车的决策控制和数据分析处理提供充足有效的判断依据和材料。

本发明的目的可以通过采取如下技术方案达到：

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。

进一步地，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。

进一步地，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。

进一步地，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。