【技术实现步骤摘要】
一种恶劣天气下车辆智能检测方法、系统、设备及介质
[0001]本专利技术涉及车辆检测
,尤其涉及一种恶劣天气下车辆智能检测方法、系统、设备及介质。
技术介绍
[0002]近年来,目标检测算法迅速发展,其已经在机器人、安防、物联网等领域得到应用,但是,在恶劣天气中的目标检测依旧是一大难题,在各类恶劣天气中,由于雾霾或沙尘暴天气中雾气或微小颗粒等介质的影响,或者由于暴雨天气中密集雨幕的影响,所捕获的图像会出现模糊、对比度低,色彩丢失及噪声等问题,这些都对目标检测结果造成了极大影响。随着无人驾驶汽车的增加、辅助驾驶技术的普及,雾霾、雨雪等恶劣天气对各类摄像头、传感器的干扰问题渐受关注,恶劣天气下的目标识别也成为一项重大挑战。
技术实现思路
[0003]本专利技术提供了一种恶劣天气下车辆智能检测方法、系统、设备及介质,解决的技术问题是,现有的车辆目标检测方法在雾霾、雨雪等恶劣天气下检测比较困难。
[0004]为解决以上技术问题,本专利技术提供了一种恶劣天气下车辆智能检测方法、系统、设备及介质。
[0005]第一方面,本专利技术提供了一种恶劣天气下车辆智能检测方法,所述方法包括以下步骤:
[0006]在RGB颜色模型中,对采集到的车辆原始图像进行颜色校正,得到车辆校正图像;
[0007]将所述车辆校正图像从RGB颜色模型转换到LAB颜色模型,并利用引导滤波对所述车辆校正图像进行分解,得到亮度基础层和亮度细节层;
[0008]分别对所述亮度基础层和所述亮度细节层进行增 ...
【技术保护点】
【技术特征摘要】
1.一种恶劣天气下车辆智能检测方法,其特征在于,包括以下步骤:在RGB颜色模型中,对采集到的车辆原始图像进行颜色校正,得到车辆校正图像;将所述车辆校正图像从RGB颜色模型转换到LAB颜色模型,并利用引导滤波对所述车辆校正图像进行分解,得到亮度基础层和亮度细节层;分别对所述亮度基础层和所述亮度细节层进行增强,得到对应的亮度增强基础层和亮度增强细节层;根据所述亮度增强基础层和所述亮度增强细节层,得到车辆增强LAB图像,并将所述车辆增强LAB图像从LAB颜色模型转换为RGB颜色模型,得到车辆增强RGB图像;将所述车辆增强RGB图像输入车辆检测网络模型,得到车辆检测结果。2.如权利要求1所述的一种恶劣天气下车辆智能检测方法,其特征在于,所述在RGB颜色模型中,对采集到的车辆原始图像进行颜色校正,得到车辆校正图像的步骤包括:采集车辆原始图像,并在RGB颜色模型中,计算所述车辆原始图像每个颜色通道的总像素值;基于每个通道的总像素值和颜色通道衰减特性,对三个颜色通道由大到小进行排序,并依次记为最大颜色通道、中间颜色通道以及最小颜色通道;分别对所述最大颜色通道、中间颜色通道以及最小颜色通道进行校正,以消除所述车辆原始图像的颜色失真,得到车辆校正图像。3.如权利要求2所述的一种恶劣天气下车辆智能检测方法,其特征在于,所述分别对所述最大颜色通道、中间颜色通道以及最小颜色通道进行校正的步骤包括:对最大颜色通道进行校正,其计算公式为:式中,(m,n)表示像素点的横、纵坐标位置,I
′
max
(m,n)表示校正后的最大颜色通道在坐标(m,n)处的像素值,I
max
(m,n)表示最大颜色通道在坐标(m,n)处的像素值,I
high
表示最大颜色通道中的最大像素值,I
low
表示最大颜色通道中的最小像素值;对中间颜色通道进行校正,其计算公式为:式中,I
′
mid
(m,n)表示校正后的中间颜色通道在坐标(m,n)处的像素值,I
mid
(m,n)表示中间颜色通道在坐标(m,n)处的像素值;对最小颜色通道进行校正,其计算公式为:式中,I
′
min
(m,n)表示校正后的最小颜色通道在坐标(m,n)处的像素值,I
min
(m,n)表示最小颜色通道在坐标(m,n)处的像素值。4.如权利要求1所述的一种恶劣天气下车辆智能检测方法,其特征在于,所述分别对所述亮度基础层和所述亮度细节层进行增强,得到对应的亮度增强基础层和亮度增强细节层的步骤包括:
利用K
‑
means聚类算法分解所述亮度基础层,得到亮度前景子图像和亮度背景子图像;分别对所述亮度前景子图像和所述亮度背景子图像进行拉伸校正,得到校正后的亮度前景子图像和亮度背景子图像;根据校正后的亮度前景子图像和亮度背景子图像,得到亮度增强基础层;对所述亮度细节层进行伽马校正,得到亮度增强细节层。5.如权利要求4所述的一种恶劣天气下车辆智能检测方...
【专利技术属性】
技术研发人员:林凡,李沐,黄俊贤,
申请(专利权)人:广州杰赛科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。