[發明專利]能見度分類模型的訓練方法、能見度估計方法、裝置

在審

• 申請號: 202010780831.0
• 申請日: 2020-08-06
• 公開（公告）號: CN111898693A
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 吳昊
• 申請（專利權）人: 上海眼控科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 曹瀚青

1.一種能見度分類模型的訓練方法，其特征在于，所述方法包括：

獲取能見度樣本圖像，以及所述能見度樣本圖像對應的標簽信息；

對所述能見度樣本圖像進行處理，得到所述能見度樣本圖像的暗通道圖像；

疊加所述能見度樣本圖像以及對應的所述暗通道圖像，生成能見度訓練圖像；

采用所述能見度訓練圖像以及對應的所述標簽信息，對能見度分類模型進行訓練。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

對所述能見度樣本圖像進行轉換和圖像增強處理，得到所述能見度樣本圖像的增強空間域圖像；

所述疊加所述能見度樣本圖像以及對應的所述暗通道圖像，生成能見度訓練圖像，包括：

疊加所述能見度樣本圖像以及對應的所述暗通道圖像和所述增強空間域圖像，生成所述能見度訓練圖像。

3.根據權利要求2所述的方法，其特征在于，所述對所述能見度樣本圖像進行轉換和圖像增強處理，得到所述能見度樣本圖像的增強空間域圖像，包括：

對所述能見度樣本圖像進行快速傅里葉變換處理，生成對應的頻域圖像；

對所述頻域圖像進行高通濾波處理；

對濾波后的所述頻域圖像進行傅里葉逆變換處理，生成所述增強空間域圖像。

4.根據權利要求1所述的方法，其特征在于，所述對所述能見度樣本圖像進行處理，得到所述能見度樣本圖像的暗通道圖像，包括：

對所述能見度樣本圖像中的每個像素點，獲取各顏色通道值中的最小值，得到所述能見度樣本圖像的灰度圖；

對所述能見度樣本圖像的灰度圖進行最小濾波處理，得到所述暗通道圖像。

5.根據權利要求1～4任一項所述的方法，其特征在于，所述能見度分類模型包括依次連接的輸入部分和中間卷積部分；所述中間卷積部分包括下采樣塊，所述下采樣塊包括第一卷積塊和第二卷積塊；所述采用所述能見度訓練圖像以及對應的所述標簽信息，對所述能見度分類模型進行訓練，包括：

通過所述輸入部分對所述能見度訓練圖像進行處理，得到能見度輸入特征；

將所述能見度輸入特征輸入至所述中間卷積部分的下采樣塊，通過所述第一卷積塊對所述能見度輸入特征進行卷積處理，得到第一能見度中間特征，所述第一卷積塊對所述能見度輸入特征進行卷積處理得到的相鄰感受野無縫隙；

通過所述第二卷積塊中的平均池化層對所述能見度輸入特征進行卷積處理，得到第二能見度中間特征；

根據所述第一能見度中間特征和所述第二能見度中間特征，得到能見度目標特征；

根據所述能見度目標特征得到能見度的類別預測結果；

根據所述能見度的類別預測結果和對應的所述標簽信息，對所述能見度分類模型進行訓練。

6.根據權利要求1～4任一項所述的方法，其特征在于，所述采用所述能見度訓練圖像以及對應的所述標簽信息，對所述能見度分類模型進行訓練，包括：

獲取初始學習率和目標學習率；

將所述能見度訓練圖像輸入至所述能見度分類模型；

隨著所述能見度訓練圖像的輸入批次調整所述初始學習率，直至達到所述目標學習率；

在所述目標學習率下，繼續將所述能見度訓練圖像輸入至所述能見度分類模型，對所述能見度分類模型進行訓練，直至達到預設停止條件。

7.根據權利要求1～4任一項所述的方法，其特征在于，所述獲取能見度樣本圖像，包括：

獲取原始能見度樣本圖像；

對所述原始能見度樣本圖像進行數據增強處理，生成所述能見度樣本圖像。

8.一種能見度估計方法，其特征在于，包括：

獲取待檢測圖像；

將所述待檢測圖像輸入至能見度分類模型，得到能見度的類別檢測結果，所述能見度檢測模型根據能見度訓練圖像及對應的標簽信息訓練得到；

其中，所述能見度訓練圖像通過以下方式中的任一種得到：

疊加能見度樣本圖像以及所述能見度樣本圖像的暗通道圖像；

疊加所述能見度樣本圖像、所述能見度樣本圖像的暗通道圖像以及所述能見度樣本圖像的增強空間域圖像。