图像去雾模型构建、道路图像去雾方法、装置及车辆制造方法及图纸

本发明专利技术公开了图像去雾模型构建、道路图像去雾方法、装置及车辆，包括：获取训练集数据；将训练集数据输入待训练去雾模型；通过生成器对输入的有雾道路图像卷积采样，生成去雾图像和多个不同尺寸的去雾特征图像，去雾图像由多个不同尺寸的去雾特征图像融合生成；通过全局判别器确定去雾图像与对应的无雾道路图像匹配的第一相似度，通过局部判别器判别去雾特征图像与对应的无雾道路图像局部匹配的第二相似度；通过预设的损失函数对待训练去雾模型进行训练，以训练好的生成器作为图像去雾模型。本发明专利技术的实施能够有效实现道路图像的去雾，解决了自动驾驶汽车在雾天行驶过程中的视觉感知不清晰问题，保证视觉感知任务的图像成像质量。量。量。

【技术实现步骤摘要】
图像去雾模型构建、道路图像去雾方法、装置及车辆


[0001]本专利技术涉及图像处理领域，特别涉及一种图像去雾模型构建、道路图像去雾方法、装置及车辆。

技术介绍

[0002]目前视觉感知已成为自动驾驶领域的研究热门，在车辆上引入视觉能够使车辆对周边的环境进行目标检测、目标分类、图像分割等，从而有效提升车辆的安全性、稳定性、智能性。由于摄像头硬件成像条件的限制，雾天道路下的成像质量并不好，无法满足相应的目标检测等感知需求，所以研究道路图像的去雾算法具有重要意义。
[0003]图像去雾算法的核心是消除成像过程中雾气的干扰，还原被雾气遮盖的真实道路场景。在自动驾驶中，由于汽车行驶过程中安全的重要性，对于图像成像质量的要求极高，传统的图像去雾算法在复杂多变的道路环境下的不稳定性会给后续感知任务带来极大的干扰，并不能很好地满足视觉感知任务中对于图像质量的要求。
[0004]传统的图像去雾方法主要是基于暗通道的图像去雾算法，依赖于大气模型参数的估计，根据大气模型参数求解透射率来进行图像的去雾还原，由于道路图像的复杂性，这样的图像去雾结果不具备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像去雾模型构建方法，其特征在于，所述方法包括：获取训练集数据，所述训练集数据包括多组一一对应的有雾道路图像和无雾道路图像；将所述训练集数据输入待训练去雾模型，所述待训练去雾模型包括生成器、全局判别器和局部判别器；通过所述生成器对输入的所述有雾道路图像卷积采样，生成去雾图像和多个不同尺寸的去雾特征图像，所述去雾图像由多个不同尺寸的去雾特征图像融合生成；通过所述全局判别器确定所述去雾图像与对应的所述无雾道路图像匹配的第一相似度，通过所述局部判别器判别所述去雾特征图像与对应的所述无雾道路图像局部匹配的第二相似度；通过预设的损失函数对所述待训练去雾模型进行训练，直至所述待训练去雾模型的损失函数收敛，以保证所述第一相似度大于预设第一相似度阈值且所述第二相似度大于预设第二相似度阈值，并以训练好的生成器作为图像去雾模型。2.根据权利要求1所述图像去雾模型构建方法，其特征在于，所述生成器包括增强器和多个卷积层；所述通过所述生成器对输入的所述有雾道路图像卷积采样，生成去雾图像和多个不同尺寸的去雾特征图像，所述去雾图像由多个不同尺寸的去雾特征图像融合生成，包括：通过所述多个卷积层对输入的所述有雾道路图像卷积采样，得到中间图像；通过所述增强器对所述中间图像下采样得到多个不同尺寸的去雾特征图像，并将全部所述不同尺寸的去雾特征图像融合得到去雾图像。3.根据权利要求2所述图像去雾模型构建方法，其特征在于，所述预设的损失函数包括：对抗损失函数、特征匹配损失函数、感知网络损失函数和保真度损失函数；所述对抗损失函数L
a
是根据如下公式确定的：所述特征匹配损失函数L
fm
是根据如下公式确定的：是根据如下公式确定的：所述感知网络损失函数L
net
是根据如下公式确定的：是根据如下公式确定的：所述保真度损失函数L
f
是根据如下公式确定的：其中，G为生成器，D1为全局判别器，D2为局部判别器，c
i
为卷积层第i层通道，h
i
为卷积层第i层的图像高度，w
i
为卷积层第i层图像宽度，为卷积层第i层的激活函数，X为无雾道路图像，为生成器生成的去雾图像。4.根据权利要求3所述图像去雾模型构建方法，其特征在于，所述通过预设的损失函数对所述待训练去雾模型进行训练，直至所述待训练去雾模型的损失函数收敛，以保证所述
第一相似度大于预设第一相似度阈值且所述第二相似度大于预设第二相似度阈值，并以训练好的生成器作为图像去雾模型，包括：通过所述对抗损失函数和所述特征匹配损失函数训练生成器中的所述多个卷积层，并按照所述对抗损失函数和所述特征匹配损失函数的结果向梯度减少的方向训练；通过所述感知网络损失函数和所述保真度损失函数训练生成...

【专利技术属性】
技术研发人员：李丰军，周剑光，李鑫武，
申请(专利权)人：中汽创智科技有限公司，
类型：发明
国别省市：