[發明專利]基于AOD-Net的交通道路圖像大氣能見度檢測方法

有效

• 申請號: 202011472880.4
• 申請日: 2020-12-15
• 公開（公告）號: CN112330675B
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 李凱;甘建軍;馮祥勝
• 申請（專利權）人: 南昌工程學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T5/00;G06V10/74;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于AOD-Net的交通道路圖像大氣能見度檢測方法，其特征在于它包含圖像訓練部分S1和能見度檢測部分S2：

圖像訓練部分S1的步驟如下：

步驟S11：訓練集建立，在NYU2數據集中選取27256張圖像作為訓練集、選取非重復的3,170張圖像作為的測試集A，并在Middlebury數據集中選取的800張full-size合成圖像作為測試集B；

步驟S12：搭建AOD-Net，將構建的訓練集輸入AOD-Net模型進行訓練；

能見度檢測部分S2的步驟如下：

步驟S21：選定待處理的交通道路圖像；

步驟S22：調用已訓練完畢的AOD-Net對圖像進行處理，以獲得去霧圖像；

步驟S23：對原圖像和去霧圖像分別分割為一個3x3的網格序列圖像；

步驟S24：計算原圖像和去霧圖像各網格的圖像相似度；

步驟S25：根據標準偏差計算各網絡相似度，從而判別當前能見度級別。

2.根據權利要求1所述的基于AOD-Net的交通道路圖像大氣能見度檢測方法，其特征在于：步驟S12和步驟S22中的AOD-Net模型，由K估計模塊和清晰圖像生成模塊組成，其中，K估算模塊由五層卷積層、三層連接層組成。

3.根據權利要求1所述的基于AOD-Net的交通道路圖像大氣能見度檢測方法，其特征在于：步驟S12中的AOD-Net模型訓練，在pytorch上搭建AOD-Net模型，使用高斯隨機變量作為初始化權重，分別設置batch為8、learning rate為0.001、momentum為0.9、decay rate為0.0001、激活函數為ReLU進行訓練AOD-Net模型，其中損失函數為均方誤差損失函數。

4.根據權利要求1所述的基于AOD-Net的交通道路圖像大氣能見度檢測方法，其特征在于：步驟S24中的圖像相似度采用直立圖法計算，其中用巴氏系數得出相似度，計算公式如下：

其中，P為原圖像的直方圖數據，P’為去霧圖像的直方圖數據，其值即為圖像相似度值。

5.根據權利要求1所述的基于AOD-Net的交通道路圖像大氣能見度檢測方法，其特征在于：步驟S25中計算各網絡相似度，采用標準偏差對9對圖像的相似度進行計算，并以此判斷能見度級別。

6.根據權利要求1所述的基于AOD-Net的交通道路圖像大氣能見度檢測方法，其特征在于：步驟S25中判別當前能見度級別，由于采集圖像時具有一定的攝像角度，因此圖像各網格成像時，受大氣雜質影響不同，所以受大氣雜質影響越大，能見度越低，去霧后各網格間相似度的變化更大，通過計算各網格間相似度的變化程度，從而判別能見度級別。