一种恶劣天气下车辆智能检测方法、系统、设备及介质技术方案

本发明专利技术涉及车辆检测技术领域，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，包括：对车辆原始图像进行颜色校正，得到车辆校正图像；在LAB颜色模型中，利用引导滤波分解车辆校正图像，得到亮度基础层和亮度细节层，并分别对亮度基础层和亮度细节层进行处理，以得到车辆增强LAB图像，进而获取车辆增强RGB图像；将车辆增强RGB图像输入改进的YOLOv5网络模型，得到车辆检测结果。本发明专利技术通过基于通道还原的颜色校正算法及增强亮度通道完成恶劣天气下的车辆检测，解决了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的问题，提高了车辆目标检测的精度，从而提高车辆行驶的安全性。高车辆行驶的安全性。高车辆行驶的安全性。

【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强，得到对应的亮度增强基础层和亮度增强细节层；
[0009]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；
[0010]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。
[0011]在进一步的实施方案中，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：
[0012]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；
[0013]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；
[0014]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。
[0015]在进一步的实施方案中，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：
[0016]对最大颜色通道进行校正，其计算公式为：
[0017][0018]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；
[0019]对中间颜色通道进行校正，其计算公式为：
[0020][0021]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；
[0022]对最小颜色通道进行校正，其计算公式为：
[0023][0024]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。
[0025]在进一步的实施方案中，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：
[0026]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；
[0027]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；
[0028]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；
[0029]对所述亮度细节层进行伽马校正，得到亮度增强细节层。
[0030]在进一步的实施方案中，所述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的步骤包括：
[0031]对所述亮度前景子图像进行拉伸校正，得到校正后的亮度前景子图像，其计算公式为：
[0032]L
B,B
(m,n)＝L
min
+(G
‑
L
min
)
×
CDF(L
B
(m,n)),L
B
∈[0,G)
[0033]式中，(m,n)表示像素点的位置，L
B,B
(m,n)表示校正后的亮度前景子图像，L
min
表示车辆校正图像的最小像素值，G表示分离阈值，L
B
表示亮度基础层，CDF表示累加概率；
[0034]对所述亮度背景子图像进行拉伸校正，得到校正后的亮度背景子图像，其计算公式为：
[0035]L
B,F
(m,n)＝(G+1)+(L
min
‑
(G+1))
×
CDF(L
B
(m,n)),L
B
∈[G,255)
[0036]式中，L
B,F
(m,n)表示校正后的亮度背景子图像。
[0037]在进一步的实施方案中，所述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图像的步骤包括：
[0038]将所述亮度校正基础层和所述亮度校正细节层进行累加，得到亮度通道增强图像，并根据所述亮度通道增强图像，得到车辆增强LAB图像。
[0039]在进一步的实施方案中，所述车辆检测网络模型为改进的YOLOv5网络模型；
[0040]所述改进的YOLOv5网络模型采用的回归损失函数为CIoU_loss损失函数。
[0041]第二方面，本专利技术提供了一种恶劣天气下车辆智能检测系统，所述系统包括：
[0042]颜色校正模块，用于在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；
[0043]图像分解模块，用于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；
[0044]图像增强模块，用于分别对所述亮度基础层和所述亮度细节层进行本文档来自技高网...

【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：