[發(fā)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?zhí)枺?/td>: 202011472880.4
• 申請日: 2020-12-15
• 公開（公告）號: CN112330675B
• 公開（公告）日: 2022-08-23
• 發(fā)明（設(shè)計(jì)）人: 李凱;甘建軍;馮祥勝
• 申請（專利權(quán)）人: 南昌工程學(xué)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

基于AOD?Net的交通道路圖像大氣能見度檢測方法，它涉及交通道路圖像大氣能見度檢測方法技術(shù)領(lǐng)域；它包含圖像訓(xùn)練部分和能見度檢測部分，搭建AOD?Net圖像處理模型；選定待處理的交通道路圖像，調(diào)用AOD?Net對圖像進(jìn)行去霧處理，并保存；對原圖像和去霧圖像分別分割為一個(gè)3x3的網(wǎng)格序列圖像；計(jì)算原圖像和去霧圖像各網(wǎng)格的圖像相似度，并進(jìn)行能見度判別；最后，在系統(tǒng)界面進(jìn)行顯示。本發(fā)明采用基于深度學(xué)習(xí)理論的AOD?Net模型，反向檢測大氣能見度，為交通道路圖像大氣能見度檢測提供了新的方法和思路，根據(jù)已布設(shè)的道路監(jiān)控，即可檢測其對應(yīng)的能見度，具有檢測成本低、速度快、準(zhǔn)確率高的優(yōu)勢。

技術(shù)領(lǐng)域

本發(fā)明涉及交通道路圖像大氣能見度檢測方法技術(shù)領(lǐng)域，具體涉及基于AOD-Net的交通道路圖像大氣能見度檢測方法。

背景技術(shù)

駕駛員在駕駛時(shí)，會受大氣能見度影響，能見度偏低則容易引發(fā)交通事故，一種有效的大氣能見度檢測方法對交通管理具有十分重要的作用。

傳統(tǒng)能見度檢測多采用目測法或器測法。目測法易受主觀判斷影響，精確度較低；器測法的精度能滿足檢測要求，但費(fèi)用高，不適用于密集型布設(shè)。目前交通部門在道路通行管理中廣泛采用視頻圖像監(jiān)管，交通視頻網(wǎng)絡(luò)已經(jīng)成為路網(wǎng)建設(shè)的一部分。通過交通部門的固定或車載攝像機(jī)采集到的道路圖像進(jìn)行能見度檢測，不需要額外安裝布設(shè)能見度采集設(shè)備或輔助設(shè)備，為以交通道路圖像檢測的大氣能見度研究提供了條件。

現(xiàn)有技術(shù)中提出的一些能見度檢測方法大多直接檢測霧霾，且檢測效率低、誤判率高、計(jì)算復(fù)雜度大；隨著深度學(xué)習(xí)方法的快速發(fā)展，去霧、去噪、去模糊算法為交通道路圖像大氣能見度檢測提供了新的方法和思路。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對現(xiàn)有技術(shù)的缺陷和不足，提供一種檢測成本低、速度快、準(zhǔn)確率高的基于AOD-Net的交通道路圖像大氣能見度檢測方法。

為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：基于AOD-Net的交通道路圖像大氣能見度檢測方法，它包含圖像訓(xùn)練部分S1和能見度檢測部分S2：

圖像訓(xùn)練部分S1的步驟如下：

步驟S11：訓(xùn)練集建立，在NYU2數(shù)據(jù)集中選取27256張圖像作為訓(xùn)練集、選取非重復(fù)的3,170張圖像作為的測試集A，并在Middlebury數(shù)據(jù)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(gòu)建的訓(xùn)練集輸入AOD-Net模型進(jìn)行訓(xùn)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(diào)用已訓(xùn)練完畢的AOD-Net對圖像進(jìn)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(gè)3x3的網(wǎng)格序列圖像；

步驟S24：計(jì)算原圖像和去霧圖像各網(wǎng)格的圖像相似度；

步驟S25：根據(jù)標(biāo)準(zhǔn)偏差計(jì)算各網(wǎng)絡(luò)相似度，從而判別當(dāng)前能見度級別。

上述步驟S12和步驟S22中的AOD-Net模型，由K估計(jì)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。

上述步驟S12中的AOD-Net模型訓(xùn)練，在pytorch上搭建AOD-Net模型，使用高斯隨機(jī)變量作為初始化權(quán)重，分別設(shè)置batch為8、learning rate為0.001、momentum為0.9、decay rate為0.0001、激活函數(shù)為ReLU進(jìn)行訓(xùn)練AOD-Net模型，其中損失函數(shù)為均方誤差損失函數(shù)。

上述步驟S24中的圖像相似度采用直立圖法計(jì)算，其中用巴氏系數(shù)得出相似度，計(jì)算公式如下：