[发明专利]一种图像自适应的雾天自动驾驶场景目标检测方法

说明书

本发明公开了一种图像自适应的雾天自动驾驶场景目标检测方法。将含有驾驶场景关注对象类别的图像组成训练数据集；建立图像自适应的雾天驾驶场景目标检测框架，包括图像自适应处理模块和目标检测器，图像自适应处理模块包含参数预测网络和可导图像处理模块；利用训练数据集对雾天驾驶场景目标检测框架进行训练，得到雾天驾驶场景目标检测模型；输入雾天自动驾驶场景图像到模型中，处理输出得到驾驶场景关注对象的类别和坐标。本发明能够在保证实时性能的基础上，明显改善当前检测方法在雾天自动驾驶场景检测精度低，效果差的问题；同时解决了雾天驾驶场景数据有限，标注数据工作量大的问题。

技术领域

本发明涉及自动驾驶技术领域的一种雾天图像的目标检测方法，具体涉及一种图像自适应的雾天自动驾驶场景目标检测方法。

背景技术

目标检测作为自动驾驶领域核心技术之一，其目标是通过实时定位车上图像传感器采集的图像中不同物体的位置信息，驾驶员或者自动驾驶系统通过该位置信息获取到实时、准备的环境信息，从而进一步作出正确的决策，以保证行车安全。

虽然基于深度学习的目标检测方法在正常天气驾驶场景能取得良好的检测效果，但碰到雾天的天气，由于获取到的图像质量退化的原因，从低质量的雾天图像中定位目标仍然具有很大的挑战性。

常规的检测方法，如单阶段的YOLO系列方法和双阶段的RCNN系列方法，通常在能见度高，画面清晰的数据集训练从而得到高检测性能的检测模型。但在自动驾驶驾驶场景中，碰到雾天天气获取到的图像，由于图像域偏移和图像质量退化，常规的检测方法性能大大下降。

目前的现有技术之一，Huang等人在论文“DSNet:Joint semantic learning forobject detection in inclement weather conditions”的方法，提出两个子网络，检测网络和图像复原网络，其中两个子网络共享前面的特征提取层，从而实现端到端地联合学习图像复原和目标检测。该方法训练的时候，需要平衡平衡图像复原和目标检测两个任务的权重，这将需要额外做相关实验调试得到两者之间的最佳权重。

目前的现有技术之二，Li等人在论文“Aod-net:All-in-one dehazing network”中的方法，首先提出一个图像去雾网络，将雾天图像通过去雾网络得到干净的图像，然后将干净图像输入至检测网络进行目标检测。该方法详细步骤概况为：输入雾天图像至Aod-net中，得到大气散射模型的参数图；根据参数图结合大气散射模型计算得到去雾后的干净图像；将干净图像输入至训练好的Faster R-CNN网络中进行目标检测。该方法需要额外增加一个去雾网络，从而带来新的计算消耗。通过去雾网络训练目标是去除雾气，得到良好的人眼视觉效果，然后这往往不一定有利于目标检测，因为在去雾的同时，也可能会去除对目标检测有利的信息。

目前的现有技术之三，Hnewa等人在论文“Multiscale Domain Adaptive YOLOfor Cross-Domain Object Detection”的方法，提出一种多尺度的域自适应YOLO目标检测方法。该方法认为常规场景数据和雾天数据之间存在图像分布的迁移，故采用多个域自适应路径，在YOLOv4检测器的不同尺度上使用相应的域分类器来生成域不变特征。通过在特征提取层输出的多层特征连接至图像自适应网络，与整个检测网络联合训练，从而学习域不变性特征，最终得到域自适应的YOLO检测模型。该方法主要根据域自适应的原则，重点关注对齐两个分布的特征，而忽略了去除雾天图像中的雾气可能恢复出对检测有利的信息。

发明内容

为了能有效地解决已有方法在雾天自动驾驶场景目标检测效果不佳的问题，本发明提出一种图像自适应的雾天自动驾驶场景目标检测方法，能够对正常天气和不同程度的雾天获取到的图像进行自适应地处理，从而提高检测性能，同时也解决了雾天场景数据集有限的问题。

如图1所示，本发明采用的技术方案是：

S1、将含有驾驶场景关注对象类别的图像组成了训练数据集；