一种弱光条件下道路目标融合感知方法及系统技术方案

本发明专利技术涉及图像识别处理技术领域，尤其是涉及一种弱光条件下道路目标融合感知方法及系统。所述方法包括获取弱光下的道路目标原始图像；对原始图像进行图像预处理，得到预处理图像；对预处理图像进行边缘化处理，得到边缘特征图像；将边缘特征图像输入Zero

【技术实现步骤摘要】
一种弱光条件下道路目标融合感知方法及系统


[0001]本专利技术涉及图像识别处理
，尤其是涉及一种弱光条件下道路目标融合感知方法及系统。

技术介绍

[0002]前视摄像头通常安装在前挡风玻璃后面，通过前视摄像头即可获取前方车辆、会车车辆、前方行人、交通标志、车道线等多种交通目标信息。前视摄像头获取的图像信息由芯片进行识别和处理。图像的背景与目标图像的边界为图像边缘。
[0003]目前，前视摄像头图像采集过程中，由于受到摄像头本身电子元器，电子线路的影响，会使采集的图片带有噪声，影响检测与识别的结果。由于环境光照条件多变因素，导致前方目标的光照不均匀，影响前视摄像头的识别效果和应用价值，严重时引发交通事故。
[0004]传统的低光照图像增强算法需要复杂的数学技巧和繁琐的数学推导，整个过程较为复杂，不利于实际应用。随着大规模数据集的相继诞生，基于深度学习的弱光照图像增强算法应运而生。该算法能够在各种各样的光照条件下对图像进行增强，且不依赖于配对数据，具备强大的泛化能力。
[0005]同时针对汽车前视摄像头拍摄存在噪声及光照不均匀的问题，提出一种弱光条件下道路目标融合感知方法及系统。

技术实现思路

[0006]为了解决上述提到的问题，本专利技术提供一种弱光条件下道路目标融合感知方法及系统。
[0007]第一方面，本专利技术提供的一种弱光条件下道路目标融合感知方法，采用如下的技术方案：一种弱光条件下道路目标融合感知方法，包括：获取弱光下的道路目标原始图像；对原始图像进行图像预处理，得到预处理图像；对预处理图像进行边缘化处理，得到边缘特征图像；将边缘特征图像输入Zero
‑
DCE网络，进行光照增强；针对Zero
‑
DCE网络输出的增强图像，利用改进YoloV4网络得到最终的道路目标检测结果。
[0008]进一步地，所述对原始图像进行图像处理，包括滤波去噪，得到去噪后的图像。
[0009]进一步地，所述对原始图像进行滤波去噪，得到去噪后的图像，包括采用小波阈值算法分别对彩色图像3个空间分量进行滤波去噪。
[0010]进一步地，所述对原始图像进行图像处理，还包括对去噪后的图像进行加权平均灰度化处理，得到灰度图像。
[0011]进一步地，所述对去噪后的图像进行加权平均灰度化处理，得到灰度图像，包括利
用加权平均法对重组的3个分量灰度化处理。
[0012]进一步地，所述对预处理图像进行边缘化处理，得到边缘特征图像，包括对灰度图像做顶帽变换得到顶帽变换图像；对顶帽变换图像进行边缘检测及提取，得到边缘特征图像。
[0013]进一步地，所述利用改进YoloV4网络得到最终的道路目标检测结果，包括对YoloV4算法的网络结构进行改进，得到适用于道路目标检测的YoloV4改进算法。
[0014]第二方面，一种弱光条件下道路目标融合感知系统，包括：图像获取模块，被配置为，获取弱光下的道路目标原始图像；预处理模块，被配置为，对原始图像进行图像预处理，得到预处理图像；边缘模块，被配置为，对预处理图像进行边缘化处理，得到边缘特征图像；增强模块，被配置为，将边缘特征图像输入Zero
‑
DCE网络，进行光照增强；检测模块，被配置为，针对Zero
‑
DCE网络输出的增强图像，利用改进YoloV4网络得到最终的道路目标检测结果。
[0015]第三方面，本专利技术提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种弱光条件下道路目标融合感知方法。
[0016]第四方面，本专利技术提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种弱光条件下道路目标融合感知方法。
[0017]综上所述，本专利技术具有如下的有益技术效果：本专利技术基于现有的Yolov4算法和Zero
‑
DCE弱光照增强算法，保证本专利技术提出的检测算法同时具备良好的检测性能与较快的检测速度，同时能够解决夜间场景下因弱光照带来的检测难题。提出了一种更有效的特征融合网络，解决了不同层特征图之间信息流通不充分带来的检测困难，进而提高YoloV4算法在弱光环境下对道路目标的检测性能。
附图说明
[0018]图1是本专利技术实施例1的一种弱光条件下道路目标融合感知方法的示意图。
具体实施方式
[0019]以下结合附图对本专利技术作进一步详细说明。
[0020]实施例1.参照图1，本实施例的一种弱光条件下道路目标融合感知方法，包括：获取弱光下的道路目标原始图像；对原始图像进行图像预处理，得到预处理图像；对预处理图像进行边缘化处理，得到边缘特征图像；将边缘特征图像输入Zero
‑
DCE网络，进行光照增强；针对Zero
‑
DCE网络输出的增强图像，利用改进YoloV4网络得到最终的道路目标检测结果。所述对原始图像进行图像处理，包括滤波去噪，得到去噪后的图像。所述对原始图像进行滤波去噪，得到去噪后的图像，包括采用小波阈值算法分别对彩色图像3个空间分量进行滤波去噪。所述对原始图像进行图像处理，还包括对去噪后的图像进行加权平均灰度化处理，得到灰度图像。所述对去噪后的图像进行加权平均灰度化处理，得到灰度图像，包
括利用加权平均法对重组的3个分量灰度化处理。所述对预处理图像进行边缘化处理，得到边缘特征图像，包括对灰度图像做顶帽变换得到顶帽变换图像；对顶帽变换图像进行边缘检测及提取，得到边缘特征图像。所述利用改进YoloV4网络得到最终的道路目标检测结果，包括对YoloV4算法的网络结构进行改进，得到适用于道路目标检测的YoloV4改进算法。
[0021]具体为：1、获取并输入图像原始图像G；2、对原始图像G进行小波软阈值滤波去噪，得到去噪后的图像G
′
；其中，将原始图像G分成y、u、v三个空间分量，表示为Gy 、Gu 、Gv ，其中y为一个亮度信号，u、v为两个色度信号；对原始图像G的三个分量Gy 、Gu 、Gv 进行小波软阈值滤波去噪，得到新的分量。将新的三个空间分量重组，构成新的去噪后的图像G
′
。
[0022]3、对去噪后的图像G
′
进行加权平均灰度化处理，降低其维数，得到灰度图像g(i,j)；其中，将去噪后的RGB图像灰度化处理，降低维度；根据g(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)对图像G
′
的Red、Green、Blue三个分量R(i,j)、G(i,j)、B(i,j)进行加权平均计算，得到合理的灰度图像g(i,j)。
[0023]4、对灰度图像g(i,j)做顶帽变换得到图像W TH (g)；其中，选取合适的结构元素；根据变换后的图像T hat (f)＝f
‑
(fob)进行顶帽变换，提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种弱光条件下道路目标融合感知方法，其特征在于，包括：获取弱光下的道路目标原始图像；对原始图像进行图像预处理，得到预处理图像；对预处理图像进行边缘化处理，得到边缘特征图像；将边缘特征图像输入Zero
‑
DCE网络，进行光照增强；针对Zero
‑
DCE网络输出的增强图像，利用改进YoloV4网络得到最终的道路目标检测结果。2.根据权利要求1所述的一种弱光条件下道路目标融合感知方法，其特征在于， 所述对原始图像进行图像处理，包括滤波去噪，得到去噪后的图像。3.根据权利要求2所述的一种弱光条件下道路目标融合感知方法，其特征在于，所述对原始图像进行滤波去噪，得到去噪后的图像，包括采用小波阈值算法分别对彩色图像3个空间分量进行滤波去噪。4.根据权利要求3所述的一种弱光条件下道路目标融合感知方法，其特征在于，所述对原始图像进行图像处理，还包括对去噪后的图像进行加权平均灰度化处理，得到灰度图像。5.根据权利要求4所述的一种弱光条件下道路目标融合感知方法，其特征在于，所述对去噪后的图像进行加权平均灰度化处理，得到灰度图像，包括利用加权平均法对重组的3个分量灰度化处理。6.根据权利要求5所述的一种弱光条件下道路目标融合感知方法，其特征在于，所述对预处理图像进行边缘化处理，得到边缘特征图像，包括对灰度图...

【专利技术属性】
技术研发人员：陈雪梅，肖龙，韩欣彤，杨宏伟，赵小萱，
申请(专利权)人：山东伟创信息技术有限公司，
类型：发明
国别省市：