[发明专利]一种基于双通路深度网络的雾天能见度检测方法

说明书

本发明涉及一种基于双通路深度网络的雾天能见度检测方法，包括采集高速公路监控图像，根据能见度距离分类为若干等级，并划分为训练数据集与测试数据集；构建雾天能见度检测的双通路深度网络模型，两条通路分别学习暗通道先验信息与雾天图像的深度特征，并联合两类特征通过全连接层进行分类；设计用于优化网络模型参数学习的目标函数，预设网络模型的训练超参；将训练数据送入网络模型中，根据目标函数，采用Adam优化器实现模型参数的迭代优化与更新；训练完成的网络模型可实现对高速公路雾天能见度等级的端对端分类，预测高速公路监控图像的能见度等级。本发明可实现高速公路雾天能见度等级的自动检测，为公路管理部门的智能化管理提供技术支撑。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于双通路深度网络的雾天能见度检测方法。

背景技术

高速公路雾天能见度检测对于交通预警、安全行车具有重要意义。暗通道先验(dark channel prior)去雾算法是CV界去雾领域很有名的算法。所谓暗通道是一个基本假设，这个假设认为，在绝大多数的非天空的局部区域中，某一些像素总会有至少一个颜色通道具有很低的值。通过暗通道先验与图像中雾天大气散射模型相结合，可以有效地求得相应的透射率与大气光，最终实现图像的去雾。

近年来，卷积神经网络(CNN)已经普遍应用在计算机视觉领域，并且已经取得了不错的效果。其中，MobileNet是一个有效的轻量级的分类网络。MobileNet的基本单元是深度级可分离卷积(depthwiseseparable convolution)，深度可分离卷积提出了一种新的思路：对于不同的输入channel采取不同的卷积核进行卷积，其实是一种可分解卷积操作(factorized convolutions)，其可以分解为两个更小的操作：depthwise convolution和pointwise convolution。深度可分离卷积将以往普通卷积操作同时考虑通道和区域改变(卷积先只考虑区域，然后再考虑通道)，实现了通道和区域的分离，减少了参数量，实现了较好的分类效果。

发明内容

针对如何对在雾天得到的图像进行有效的信息提取并检测出能见度的技术问题，本发明提出一种可对雾天能见度等级进行准确检测、分类的基于双通路深度网络的雾天能见度检测方法。

本发明所采用的技术方案为：

一种基于双通路深度网络的雾天能见度检测方法，包括如下步骤：

一、采集高速公路监控图像，根据能见度距离分类为若干等级，并划分为训练数据集与测试数据集；

二、构建雾天能见度检测的双通路深度网络模型，两条通路分别学习暗通道先验信息与雾天图像的深度特征，并联合两类特征通过全连接层进行分类；

三、设计用于优化网络模型参数学习的目标函数，预设网络模型的训练超参；

四、将训练数据送入网络模型中，根据目标函数，采用Adam优化器实现模型参数的迭代优化与更新；

五、若网络模型收敛，则训练完成的网络模型可实现对高速公路雾天能见度等级的端对端分类，预测高速公路监控图像的能见度等级，否则，返回步骤四。

进一步地，步骤一中，设能见度距离为d，d50m时，能见度等级为0级；50md100m时，能见度等级为1级；100md200m时，能见度等级为2级；200md500m时，能见度等级为3级；500md时，能见度等级为4级；根据能见度等级标准将原始高速公路监控图像分为5类，并按照0.8:0.2的比例划分训练数据集与测试数据集。

进一步地，步骤二中，双通路深度网络模型表达式为其中，N_m(*)为引入注意力机制的MobileNet网络模块，D(*)为暗通道先验算法，N_c(*)为卷积层，C[*]为concatenate操作，f{*}为全连接层；