一种基于雾天场景的交通检测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种基于雾天场景的交通检测方法、装置及存储介质，所述方法包括获取PASCAL

【技术实现步骤摘要】
一种基于雾天场景的交通检测方法、装置及存储介质


[0001]本专利技术涉及一种基于雾天场景的交通检测方法、装置及存储介质，属于计算机视觉图像


技术介绍

[0002]随着深度学习和各种算力设备的发展下，目标检测算法也获得了突破性的发展，然而大多数的检测模型是针对天气晴朗环境下的目标，但是现实中有诸多的天气环境，大多数检测算法会在复杂的天气情况下失效。真实的室外开放环境拍摄的图像的降质因素都是动态变化的，以雾天场景为例拍摄的图像受到模糊、光照等因素的影响，会产生模糊不清的图像不利于检测，所以在有雾场景中实现对目标精准检测，是视频监控、自动驾驶等诸多实际应用中一个重要问题。
[0003]现有中国专利文献公开了申请号为CN112116533A的一种雾霾天气下的车标检测方法，该算法通过暗通道方式去除图像的雾因子，使用导向滤波的方式修正边界。但该方法采用物理方法会出现图像大部分失真的情况，而且由于计算量庞大，推理速度缓慢，很难应用到实时场景中，并且对真实雾天数据集不够鲁棒。还有中国专利公开了申请号为CN112633149A的一种域自适应雾天目标检测方法和装置，该专利使用不同域的数据来优化检测器的泛化性能，基于域自适应的方法将雾天图像看做一种“域”代表雾天图像的整体特征分布，通过在目标检测模型基础上设计域分类器结构来鉴别通用场景和雾天场景两个域，再将域分类器训练过程中的负梯度参数以一定比例向检测模型回传，使得检测模型的参数向目标雾天图像域迁移，但是该方法使用不同的数据集，制造成本比较昂贵。

技术实现思路
<br/>[0004]本专利技术的目的在于克服现有技术中的不足，提供一种基于雾天场景的交通检测方法、装置及存储介质，具有检测精度高、实时性和应用性较强、漏检率低等优点，提升了检测模型在雾天场景中的表现。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供了一种基于雾天场景的交通检测方法，包括：
[0007]获取PASCAL
‑
VOC2012数据集，使用大气散射模型方程对数据集进行雾化处理，生成不同浓度的雾天图像；
[0008]通过卷积神经网络学习雾天图像上的雾因子分布，根据雾因子分布过滤特征因子还原无雾图像；
[0009]将还原的无雾图像利用gamma滤波对图像明暗程度进行增强，获得增强后的无雾图片；
[0010]将增强后的无雾图片输入到预先训练过的检测网络模型中，识别图像的目标边界框。
[0011]进一步的，所述检测网络模型的训练方法，包括：
[0012]获取PASCAL
‑
VOC2012数据集，从PASCAL
‑
VOC2012数据集中选择多个目标进行标注，去除无标注的图像，得到人工合成数据集fog_datasets；
[0013]将生成的fog_datasets数据集划分为训练集和测试集，加载训练集对检测网络模型进行训练，得到训练后的检测网络模型；
[0014]采用测试集对训练后的检测网络模型进行测试，获取最优的检测网络模型。
[0015]进一步的，还包括：获取真实雾天数据集RTTS，输入到最优的检测网络模型，产生不同标注目标的正确比例和平均正确率，验证模型在真实场景的鲁棒性。
[0016]进一步的，还包括：对雾天图像进行预处理，包括：
[0017]通过随机函数生成随机值，根据随机值的大小对雾天图像进行随机裁剪；
[0018]对裁剪后的雾天图像进行不同方向的旋转；得到数据增强后的雾天图像。
[0019]进一步的，所述通过卷积神经网络学习雾天图像上的雾因子分布，包括：
[0020]通过将雾天图像裁剪为不同的块送入到神经网络，计算每个块之间的交叉注意力和自注意力，获得每个图像不同像素之间的关联度；
[0021]将最终得到的关联度矩阵通过BN层和Sigmoid激活层，将1与每个像素值相减，得到基于关联度的注意力矩阵，学习到图像的雾因子分布。
[0022]进一步的，所述根据雾因子分布过滤特征因子还原无雾图像，包括：
[0023]通过上采样层不断扩大图像的分辨率，逐渐还原到输入原图大小；
[0024]使用跳连接的方式将不同层的信息加权融合到还原层中；
[0025]初始输入图像减去最后跳连接层还原的图像雾因子，生成无雾图像。
[0026]进一步的，所述将增强后的无雾图片输入到预先训练过的检测网络模型中，识别图像的目标边界框，包括：
[0027]通过调整图像大小，增加图像马赛克区域的方式，对gamma矫正后的无雾图片进行数据增强；
[0028]将增强后的无雾图片输入到预先训练过的检测网络模型中，用YOLO检测算法对图像目标识别并预测边界框。
[0029]第二方面，本专利技术提供一种基于雾天场景的交通检测装置，包括：
[0030]雾天图像生成模块，用于获取PASCAL
‑
VOC2012数据集，使用大气散射模型方程对数据集进行雾化处理，生成不同浓度的雾天图像；
[0031]还原模块，用于通过卷积神经网络学习雾天图像上的雾因子分布，根据雾因子分布过滤特征因子还原无雾图像；
[0032]增强模块，用于将还原的无雾图像利用gamma滤波对图像明暗程度进行增强，获得增强后的无雾图片；
[0033]识别模块，用于将增强后的无雾图片输入到预先训练过的检测网络模型中，识别图像的目标边界框。
[0034]第三方面，本专利技术提供一种电子设备，包括处理器及存储介质；
[0035]所述存储介质用于存储指令；
[0036]所述处理器用于根据所述指令进行操作以执行根据前述任一项所述方法的步骤。
[0037]第四方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项所述方法的步骤。
[0038]与现有技术相比，本专利技术所达到的有益效果：
[0039]本专利技术提供一种基于雾天场景的交通检测方法、装置及存储介质，区别于传统暗通道去雾方法，采用轻量级的神经网络去雾方法，具有处理速度快，容易部署，鲁棒性高的优点，它节省了去雾过程所需的成本，并且也在检测框精度和漏检率上得到改善，同时在真实的雾天的数据集上表现良好，具有较好的泛化性能，高鲁棒性的特点能够使得该专利技术在无人驾驶，交通检测等应用场景发挥作用。
附图说明
[0040]图1是本专利技术的流程图；
[0041]图2是本专利技术提出的基于雾天场景的交通检测算法框架网络示例图；
[0042]图3是基于雾天场景的交通检测算法框架网络结构图；
[0043]图4是本专利技术的应用场景图。
具体实施方式
[0044]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0045]实施例1
[0046]本实施例介绍本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于雾天场景的交通检测方法，其特征在于，包括：获取PASCAL
‑
VOC2012数据集，使用大气散射模型方程对数据集进行雾化处理，生成不同浓度的雾天图像；通过卷积神经网络学习雾天图像上的雾因子分布，根据雾因子分布过滤特征因子还原无雾图像；将还原的无雾图像利用gamma滤波对图像明暗程度进行增强，获得增强后的无雾图片；将增强后的无雾图片输入到预先训练过的检测网络模型中，识别图像的目标边界框。2.根据权利要求1所述的基于雾天场景的交通检测方法，其特征在于，所述检测网络模型的训练方法，包括：获取PASCAL
‑
VOC2012数据集，从PASCAL
‑
VOC2012数据集中选择多个目标进行标注，去除无标注的图像，得到人工合成数据集fog_datasets；将生成的fog_datasets数据集划分为训练集和测试集，加载训练集对检测网络模型进行训练，得到训练后的检测网络模型；采用测试集对训练后的检测网络模型进行测试，获取最优的检测网络模型。3.根据权利要求1所述的基于雾天场景的交通检测方法，其特征在于，还包括：获取真实雾天数据集RTTS，输入到最优的检测网络模型，产生不同标注目标的正确比例和平均正确率，验证模型在真实场景的鲁棒性。4.根据权利要求1所述的基于雾天场景的交通检测方法，其特征在于，还包括：对雾天图像进行预处理，包括：通过随机函数生成随机值，根据随机值的大小对雾天图像进行随机裁剪；对裁剪后的雾天图像进行不同方向的旋转；得到数据增强后的雾天图像。5.根据权利要求1所述的基于雾天场景的交通检测方法，其特征在于，所述通过卷积神经网络学习雾天图像上的雾因子分布，包括：通过将雾天图像裁剪为不同的块送入到神经网络，计算每个块之间的交叉注意力和自注意力，获得每个图像不...

【专利技术属性】
技术研发人员：张国庆，方文宣，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：