一种基于深度学习的雾天下车辆检测方法技术

本发明专利技术公开了一种基于深度学习的雾天下车辆检测方法，通过对采集到的雾天交通车辆图片进行图像预处理，采用深度残差网络模型对预处理后的雾天交通车辆图片进行特征提取，获取多个不同大小的特征图，然后对多个不同大小的特征图进行多尺度检测，得到多尺度检测特征图，提高特征提取精度，最后根据获取的多尺度检测特征图采用迁移学习方法对深度残差网络模型进行训练得到雾天下车辆检测网络模型，采用迁移学习方法精简了网络结构，不仅提高了检测速度，而且提高了目标检测精度，利用K‑means聚类方法进行聚类，得到网络所需的初始先验框的尺寸，对浅层网络的加深和整体框架的简化，提升了检测速度，简化了损失函数和预测的输出张量，提高了定位的效率。

【技术实现步骤摘要】
一种基于深度学习的雾天下车辆检测方法
本专利技术属于交通车辆检测
，具体涉及一种基于深度学习的雾天下车辆检测方法。
技术介绍
随着经济的发展，汽车制造业的繁荣，车辆数目与日俱增，在给人们带来生活方便的同时，也给交通安全带来了严重的隐患。同时工业的进步，导致雾霾天气不断增加，雾霾天气下，能见度降低，驾驶员视野变得模糊，其容易造成交通事故。同时，雾霾天气车速普遍降低，会造成交通堵塞。因此，在雾霾天气下进行车辆将检测问题的研究，提供更好的车辆检测方法，对相关部门进行交通及时制定交通诱导政策，进行交通车流量控制以及救援计划有着重要的意义。传统的目标检测方法借助于机器学习理论，对图像进行特征提取目标特征，如梯度方向直方图(HistogramofOrientedGradients,HOG)、尺度不变特征转换(ScaleInvariantFeatureTransform,SIFT)特征等进行提取，并将提取到的特征输入到如支持向量机(SupportVectorMachine,SVM)、迭代器(AdaBoost)等分类器进行分类识别。这些提取的图像特征本质上是一种手工设计的特征，针对不同的图像检测问题，提取到的特征好坏对检测性能有着直接的影响，因此，需要研究人员针对某个特定的识别任务，泛化能力较差，难以在实际应用问题中设计出具有通用性和鲁棒性的特征。此外，传统机器学习方法从提取图像底层特征到提取表现特征流程相对复杂，并且严重依赖于人工的特征设计，因此，基于传统的机器学习方法的目标检测遇到瓶颈，期待更有效的方法提取图像特征。2016年Redmon等提出的YOLO(YouOnlyLookOnce)v1以45FPS(FramesPerSecond)真正达到了可以检测视频的速度，这位快速检测视频运动目标指明了方向；Liu等提出了SSD(SingleShotmultiboxDetector)物体检测模型。随后，yolov2，yolov3，提升了检测精度，而且使得检测速度获得增强，但是YOLOv3网络在鉴别小目标且单类目标时，原始网络架构显得过于沉冗，尤其在雾天图像特征较为模糊情况下检测结果较差。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的雾天下车辆检测方法，以克服现有技术的不足，本专利技术能够及时准确的检测出交通车辆，检测速度快、准确度高。为达到上述目的，本专利技术采用如下技术方案：一种基于深度学习的雾天下车辆检测方法，包括以下步骤：步骤1)、采集雾天交通车辆图片；步骤2)、对采集到的雾天交通车辆图片进行图像预处理；步骤3)、采用深度残差网络模型对预处理后的雾天交通车辆图片进行特征提取，获取多个不同大小的特征图；步骤4)、对多个不同大小的特征图进行多尺度检测，同时利用底层特征的高分辨率和高层特征的高语义信息，通过上采样融合不同层的特征，在三个不同尺度的特征层上实现特征图拼接，得到多尺度检测特征图；步骤5)、根据获取的多尺度检测特征图采用迁移学习方法对深度残差网络模型进行训练，直至深度残差网络模型最大迭代次数为50000次，采用经过迭代后的深度残差网络模型即可实现雾天下车辆检测。进一步的，采集的雾天交通车辆图片中，将车辆以外的信息设置为背景。进一步的，步骤2)中对雾天交通车辆图片具体进行图像去雾、反转和对称处理。进一步的，采用暗通道先验去雾方法对雾天交通车辆图片进行预处理，建立基于暗通道先验去雾方法的物理模型为：I(x)＝J(x)t(x)+A(1-t(x))(1)其中x表示图像中像素点所处于的位置，I(x)表示所观察到的有雾图像，J(x)表示清晰无雾的图像，A表示大气光值，t(x)表示透射率；建立无雾图像的暗原色Jdark(x)求解公式：Jdark(x)＝miny∈Ω(x)(minc∈[R,G,B]Jc(y))(2)式中，C表示R、G、B三个通道的集合；Jc表示图像的一个颜色通道，Ω(x)表示以x为中心的方形滤波模板；无雾图像的非天空区域，Jdark(x)的值很低；选取暗通道中值最大的0.1％的像素点，找出这些点在原含雾图像中对应点的亮度最大值，将该值作为全球大气光的估计值A；由以下公式获取透射率值：式中，ω表示去雾的程度，ω取0.95；Ac表达通道c对应的大气光值，Ic(y)表示大气光阈值范围；将获取的透射率值t(x)与大气光值A代入式(1)中，可得基于暗通道先验去雾方法的物理模型为：式中，为避免透射率取值过小造成是真，对透射率的下限值做了限定，原文中取限定值t0为0.1。进一步的，具体的：对于一个任意的图片I(x)，其亮通道Ilight(x)表达式为：亮通道先验理论中，图像中任意一像素点的亮通道值接近于无雾图像的大气光值Alight(x)，可得出下式：Ilight(x)→Alight(x)(4)上式可以得到：结合亮通道和暗通道对大气光值进行估计得到大气光值A：A＝αAlight(x)+βA0(6)结合结构相似性和信息熵参数信息，α和β均为变量参数，A0为通过暗通道先验方法中估计的大气光值；设定α＝0.7，β＝0.25。进一步的，深度残差网络模型第一个卷积层采用32个大小为3×3的卷积核过滤416×416分辨率的输入图像，然后将第一个卷积层的输出作为输入，使用64个大小为3×3的卷积核以步长为2个像素进行卷积操作，实现2倍的下采样，得到208×208分辨率的特征图；然后在深度残差网络模型中添加执行1×，2×，2×，2×和2×的5组残差模块，同时在每2组的残差快之间连接数量不同的3×3大小的卷积核，步长均为2个像素，分别获得104×104，52×52，26×26，13×13大小的特征图。进一步的，以矩形框的交并比RIOU作为相似度对雾天交通车辆图片的所有目标标注使用K-mens聚类获得锚的大小，K-means聚类的距离函数如下式：d(B,C)＝1-RIOU(B,C)其中：B为矩形框的大小，C为矩形框的中心，RIOU(B,C)表示两个矩形框的交叠比；在每个尺度上的每一个单元格借助4个锚点框预测4个边界框；将13×13特征图经过两倍上样后与26×26特征图拼接，经过卷积运算得到一级拼接特征图；将一级拼接特征图经过两倍上采样后与52×52特征图拼接，经过卷积运算得到二级拼接特征图；将二级拼接特征图经过两倍上采样后与104×104特征图拼接，经过卷积运算得到多尺度检测特征图。进一步的，矩形框的锚点框数量为12。与现有技术相比，本专利技术具有以下有益的技术效果：本专利技术一种基于深度学习的雾天下车辆检测方法，通过对采集到的雾天交通车辆图片进行图像预处理，增加网络训练的鲁棒性，采用深度残差网络模型对预处理后的雾天交通车辆图片进行特征提取，获取多个不同大小的特征图，然后对多个不同大小的特征图进行多尺度检测，得到多尺度检测特征图，提高特征提本文档来自技高网...

【技术保护点】
1.一种基于深度学习的雾天下车辆检测方法，其特征在于，包括以下步骤：/n步骤1)、采集雾天交通车辆图片；/n步骤2)、对采集到的雾天交通车辆图片进行图像预处理；/n步骤3)、采用深度残差网络模型对预处理后的雾天交通车辆图片进行特征提取，获取多个不同大小的特征图；/n步骤4)、对多个不同大小的特征图进行多尺度检测，同时利用底层特征的高分辨率和高层特征的高语义信息，通过上采样融合不同层的特征，在三个不同尺度的特征层上实现特征图拼接，得到多尺度检测特征图；/n步骤5)、根据获取的多尺度检测特征图采用迁移学习方法对深度残差网络模型进行训练，直至深度残差网络模型最大迭代次数为50000次，采用经过迭代后的深度残差网络模型即可实现雾天下车辆检测。/n

【技术特征摘要】
1.一种基于深度学习的雾天下车辆检测方法，其特征在于，包括以下步骤：
步骤1)、采集雾天交通车辆图片；
步骤2)、对采集到的雾天交通车辆图片进行图像预处理；
步骤3)、采用深度残差网络模型对预处理后的雾天交通车辆图片进行特征提取，获取多个不同大小的特征图；
步骤4)、对多个不同大小的特征图进行多尺度检测，同时利用底层特征的高分辨率和高层特征的高语义信息，通过上采样融合不同层的特征，在三个不同尺度的特征层上实现特征图拼接，得到多尺度检测特征图；
步骤5)、根据获取的多尺度检测特征图采用迁移学习方法对深度残差网络模型进行训练，直至深度残差网络模型最大迭代次数为50000次，采用经过迭代后的深度残差网络模型即可实现雾天下车辆检测。


2.根据权利要求1所述的一种基于深度学习的雾天下车辆检测方法，其特征在于，采集的雾天交通车辆图片中，将车辆以外的信息设置为背景。


3.根据权利要求1所述的一种基于深度学习的雾天下车辆检测方法，其特征在于，步骤2)中对雾天交通车辆图片具体进行图像去雾、反转和对称处理。


4.根据权利要求3所述的一种基于深度学习的雾天下车辆检测方法，其特征在于，采用暗通道先验去雾方法对雾天交通车辆图片进行预处理，建立基于暗通道先验去雾方法的物理模型为：
I(x)＝J(x)t(x)+A(1-t(x))(1)
其中x表示图像中像素点所处于的位置，I(x)表示所观察到的有雾图像，
J(x)表示清晰无雾的图像，A表示大气光值，t(x)表示透射率；
建立无雾图像的暗原色Jdark(x)求解公式：
Jdark(x)＝miny∈Ω(x)(minc∈[R,G,B]Jc(y))(2)
式中，C表示R、G、B三个通道的集合；Jc表示图像的一个颜色通道，Ω(x)表示以x为中心的方形滤波模板；无雾图像的非天空区域，Jdark(x)的值很低；
选取暗通道中值最大的0.1％的像素点，找出这些点在原含雾图像中对应点的亮度最大值，将该值作为全球大气光的估计值A；
由以下公式获取透射率值：



式中，ω表示去雾的程度，ω取0.95；
Ac表达通道c对应的大气光值，Ic(y)表示大气光阈值范围；
将获取的透射率值t(x)与大气光值A代入式(1)中，可得基于暗通道先验去雾方法的物理模型为：



式中，为避免...

【专利技术属性】
技术研发人员：高涛，陈婷，张赛，刘占文，李永会，王松涛，张亚南，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61