CN110263706B - 一种雾霾天气车载视频动态目标检测和识别的方法 - Google Patents
一种雾霾天气车载视频动态目标检测和识别的方法 Download PDFInfo
- Publication number
- CN110263706B CN110263706B CN201910530766.3A CN201910530766A CN110263706B CN 110263706 B CN110263706 B CN 110263706B CN 201910530766 A CN201910530766 A CN 201910530766A CN 110263706 B CN110263706 B CN 110263706B
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolutional layer
- image
- decoder
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000003384 imaging method Methods 0.000 description 7
- 239000002245 particle Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种雾霾天气车载视频动态目标检测和识别的方法，主要针对的是图像识别中的特定情况，雾霾天气下的车辆识别；搭建基于AOD‑Net的深度神经网络，设计神经网络损失函数；采集数据训练神经网络模型；使用训练好的模型对有雾图像进行端到端的去雾清晰化处理；另外，在清晰图像中的车辆检测时我们使用基于MultiNet多层卷积神经网络进行端到端的训练，使用可方便调整大小的候选区域方法，在神经网络中加入rezoom层。采用本发明达到对雾天图像直接检测处理的效果，能够在有雾图像下较为精准地分割识别道路与车辆，大大缩短计算时间，满足实际应用中对实时性的要求。
Description
技术领域
本发明属于自动驾驶领域，具体涉及一种雾霾天气车载视频动态目标检测和识别的方法。
背景技术
计算机视觉技术已经广泛出现在公众视野当中，如车载视频、城市交通、遥感成像等领域。然而，现有的计算机视觉系统对环境是非常敏感的，在雾、霾等能见度较低的天气条件下，系统的成像传感器采集的图像质量严重下降，对后续的一系列功能造成极大影响。
在可见光范围内，大气粒子的散射作用占主导，也是造成图像降质的主要原因。随着物体到捕捉成像设备的距离增大，大气粒子的散射作用对成像质量的影响逐渐增强。这种影响主要由两个方面造成：1)物体表面的反射光在到达成像设备的过程中由于散射而发生衰减。2)自然光因为大气粒子的散射而进入成像设备参与成像，即常说的雾或霾。他们的共同作用导致采集到的图像对比度、饱和度较低，不仅影响图像的视觉效果，而且影响图像分析处理器的性能。
因此图像去雾技术具有广阔的应用前景，如智能交通系统、智能导航、遥感监控等，而且经过去雾处理的图像或视频具有很高的价值，可以拿来做更高级的任务，如图像中目标物体的检测、图像分类、检索等方面。在图像去雾领域，尤其是在图像处理的保真性以及实时性方面，很多算法的性能亟待提高。
发明内容
发明目的：本发明提供一种雾霾天气车载视频动态目标检测和识别的方法，能够在有雾图像下较为精准地分割识别道路与车辆。
发明内容：本发明所述的一种雾霾天气车载视频动态目标检测和识别的方法，包括以下步骤：
(1)对预先获取的雾霾天气交通场景图片依据卷积神经网络建立的图像去雾模型AOD_Net进行去雾操作；
(2)建立一个深度级联多任务框架，包括车辆检测、分类以及语义分割相关功能模块，基于神经网络对清晰交通场景图进行训练，以步骤(1)的输出作为检测模块的输入，完成对清晰交通场景图的车辆检测，并用边界框将其标注出来。
步骤(1)所述的去雾模型通过轻量级的CNN直接生成清晰的图像，具体构建如下：
基于大气散射模型：I(x)＝J(x)t(x)+A(1-t(x))
其中，I(x)为被观察到的有雾图像，J(x)是要恢复的图像，其中两个关键参数A表示大气光，t(x)表示介质传输图，其定义如下：
t(x)＝e-βd(x)
其中β为大气散射系数，d(x)是物体与相机之间的距离；
将输出放在等式左边可得到变形：
将两个参数t(x)和A统一为一个参数即K(x),直接最小化像素域重建误差。则可以导出如下去雾算法公式：
J(x)＝I(x)*K(x)-K(x)+b
其中
b是具有默认值的恒定偏差。
步骤(2)所述神经网络的训练过程如下：
在神经网络中使用五个卷积层，通过融合不同大小的滤波器形成多尺度特征，“连接层1”连接“卷积层1”和“卷积层2”的特征，“连接层2”连接来自“卷积层2”和“卷积层3”的那些特征，“连接层3”连接来自“卷积层1”、“卷积层2”、“卷积层3”、“卷积层4”的特征，其中每个卷积层使用三个滤波器；在训练过程中使用Relu激活函数去线性化，衰减参数设为0.0001，使用0.001作为学习率，误差函数采用均方误差函数；使用上述参数设置，基于数据集训练神经网络。
步骤(2)所述一个深度级联多任务框架由编码器和解码器构成，所述编码器由VGG16网络的卷积层和池化层组成，采用前13层输出的结果；所述解码器包括分类解码器、检测解码器、分割解码器。
所述分类解码器在编码器的输出之后应用于一个1×1的卷积层，然后紧接着用全连接层和softmax进行分类；所述检测解码器在编码器之后应用一个1×1的卷积层，产生39×12×500的特征图，再应用一个1×1的卷积层，产生39×12×6的输出，再引入一个再缩放层，通过将更高分辨率的VGG特征的子集与隐藏层连接并在其上应用1×1卷积来完成；引入ROI池化层将高分辨率的特征图缩放至39×12，将得到的特征图与39×12×6的特征图经过1×1卷积层产生最后的输出；所述分割解码器采用的fcn全卷积网络来对图像进行语义分割将VGG架构的剩余完全连接层转换为1×1卷积层，用三个反卷积层执行上采样，再利用一些较低层如conv4-3、conv3-3层的高分辨率特征，这些特征先由1×1卷积层处理，然后加到部分上采样结果中。
有益效果：与现有技术相比，本发明的有益效果：达到对雾天图像直接检测处理的效果，能够在有雾图像下较为精准地分割识别道路与车辆。
附图说明
图1是本发明的方法流程图
图2是本发明检测模块的结构图。
具体实施方式
下面结合附图对本发明作进一步详细说明，如图1所示，本发明包括以下步骤：
1、对预先获取的雾霾天气交通场景图片依据卷积神经网络建立的图像去雾模型AOD_Net进行去雾操作；
一种图像去雾技术，包括以下步骤：
基于大气散射模型：I(x)＝J(x)t(x)+A(1-t(x)) (1)
式(1)中I(x)为被观察到的有雾图像，J(x)是要恢复的图像，即理想的清晰图像。其中两个关键参数A表示大气光，t(x)表示介质传输图，其定义如下：
t(x)＝e-βd(x) (2)
式(2)其中β为大气散射系数，d(x)是物体与相机之间的距离。
将输出放在等式左边可得到变形：
将两个参数t(x)和A统一为一个参数即K(x),直接最小化像素域重建误差。则可以导出如下去雾算法公式：
J(x)＝I(x)*K(x)-K(x)+b (4)
式(4)中
式(4)中b是具有默认值的恒定偏差。
2、基于神经网络并对其进行训练，建立一个深度级联多任务框架，包括车辆检测、分类以及语义分割相关功能模块，实现对输入图像中车辆和道路的检测，并用边界框将其标注出来。
在深度学习网络中我们使用五个卷积层，通过融合不同大小的滤波器形成多尺度特征。“连接层1”连接“卷积层1”和“卷积层2”的特征，“连接层2”连接来自“卷积层2”和“卷积层3”的那些特征，“连接层3”连接来自“卷积层1”、“卷积层2”、“卷积层3”、“卷积层4”的那些特征。其中每个卷积层使用三个滤波器。在训练过程中使用Relu激活函数去线性化，衰减参数设为0.0001，使用0.001作为学习率，误差函数采用均方误差函数。使用上述参数设置，基于数据集训练神经网络。
如图2所示，整个方法的架构可以表示为编码器—解码器。其中编码器采用的是VGG16网络的前13层输出(feature map大小为39×12)，并且提取到的这些特征可以在三个独立任务解码器之间共享。通过这种方法，可以进行端到端的训练。
编码器：由VGG16网络的卷积层和池化层组成，采用前13层输出的结果。并且在三个任务之间共享权重。
每个任务有自己独立的解码器来对特征进行处理，包括：分类解码器、检测解码器、分割解码器。以下对每个解码器的细节进行解释：
分类解码器：在编码器的输出(39×12×512)之后应用于一个1×1的卷积层，然后紧接着用全连接层和softmax进行分类，最后得到概率，结果为车或者背景。
检测解码器：基于回归的检测系统，我们选择一种基于候选区域的解码器，从而可以实现端到端的训练，并且可以非常有效地完成训练和推理。除了标准回归流程之外，我们还包含一个ROI池化层，它允许网络利用更高分辨率的特征。具体实现细节如下：
1)产生边界框的粗略估计：同样是在编码器之后应用一个1×1的卷积层，产生39×12×500的特征图(用500个滤波器的1×1卷积层传递编码的特征)
2)然后在此之后再应用一个1×1的卷积层，产生39×12×6的输出(将图像分割成39×12个网格，每个网格预测一个框，输出6个分辨率为39×12的通道)，每个网格预测6个参数，我们称这个张量为prediction，张量的值具有语义含义。该张量的前两个通道形成图像的粗分割。这些值表示感兴趣目标存在于39×12网格中的特定位置处的置信度。最后四个通道表示该单元周围区域中边界框的坐标。为了解决预测误差较大的问题，引入一个rezoom(再缩放)层，它通过将更高分辨率的VGG特征的子集(156×48)与隐藏层(39×12)连接并在其上应用1×1卷积来完成。通过ROI池化将高分辨率的特征图缩放至39×12。
3)将2)中得到的特征图与39×12×6的特征图经过1×1卷积层产生最后的输出。
分割解码器：采用的fcn全卷积网络来对图像进行语义分割将VGG架构的剩余完全连接层转换为1×1卷积层，以产生尺寸为39×12的低分割分辨率。然后用三个反卷积层执行上采样。再加上一些较低层如conv4-3、conv3-3层的高分辨率特征，这些特征先由1×1卷积层处理，然后加到部分上采样结果中。
在训练时，我们使用单热编码进行分类和分割。对于检测，当且仅当它至少与一个边界框相交时，才分配一个正的置信度。我们通过其中心的x和y坐标以及框的宽度w和高度h来参数化边界框。
我们使用ImageNet上预先训练的VGG权重对编码器进行初始化，使用范围(-0.1，0.1)中的单位分布随机初始化检测和分类解码器权重。分割解码器的卷积层也使用VGG权重进行初始化，并且反卷积层被初始化以执行双线性上采样。另外，跳过连接以非常小的权重(即1e-4的标准)随机初始化。
我们将算法损失函数定义为分类，分割和检测的损失函数的总和。采用交叉熵作为分类和分割分支的损失函数，其定义如下：
式(6)中p为预测，q为ground truth，c是一组类。我们使用两个损失的总和来检测：信号的交叉熵损失和边界框坐标上的L1损耗。(L1损耗仅针对已被赋予正值置信度的单元格计算)因此有如下式子：
式(7)中p是预测，q是ground truth，c是一组类，I是小批次中的一组示例。
综合训练策略如下：
通过合并每个损失计算的渐变独立小批量进行联合训练，允许我们用自己的训练参数来训练三个解码器中的每一个。在梯度合并期间，所有损失都被同等地加权。对小批次进行抽样，使得我们使用所有损失函数交替更新，其中两个更新仅利用检测丢失。
我们使用Adam优化器，采用1e-5的学习率来训练我们的网络，对所有层施加5e-4的权重衰减，并且以解码器中的所有1×1卷积应用概率为0.5的dropout。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (2)
1.一种雾霾天气车载视频动态目标检测和识别的方法，其特征在于，包括以下步骤：
(1)对预先获取的雾霾天气交通场景图片依据卷积神经网络建立的图像去雾模型AOD_Net进行去雾操作；
(2)建立一个深度级联多任务框架，包括车辆检测、分类以及语义分割相关功能模块，基于神经网络对清晰交通场景图进行训练，以步骤(1)的输出作为检测模块的输入，完成对清晰交通场景图的车辆检测，并用边界框将其标注出来；
步骤(2)所述神经网络的训练过程如下：
在神经网络中使用五个卷积层，通过融合不同大小的滤波器形成多尺度特征，“连接层1”连接“卷积层1”和“卷积层2”的特征，“连接层2”连接来自“卷积层2”和“卷积层3”的那些特征，“连接层3”连接来自“卷积层1”、“卷积层2”、“卷积层3”、“卷积层4”的特征，其中每个卷积层使用三个滤波器；在训练过程中使用Relu激活函数去线性化，衰减参数设为0.0001，使用0.001作为学习率，误差函数采用均方误差函数；使用上述参数设置，基于数据集训练神经网络；
步骤(2)所述一个深度级联多任务框架由编码器和解码器构成，所述编码器由VGG16网络的卷积层和池化层组成，采用前13层输出的结果；所述解码器包括分类解码器、检测解码器、分割解码器；所述分类解码器在编码器的输出之后应用于一个1×1的卷积层，然后紧接着用全连接层和softmax进行分类；所述检测解码器在编码器之后应用一个1×1的卷积层，产生39×12×500的特征图，再应用一个1×1的卷积层，产生39×12×6的输出，再引入一个再缩放层，通过将更高分辨率的VGG特征的子集与隐藏层连接并在其上应用1×1卷积来完成；引入ROI池化层将高分辨率的特征图缩放至39×12，将得到的特征图与39×12×6的特征图经过1×1卷积层产生最后的输出；所述分割解码器采用的fcn全卷积网络来对图像进行语义分割将VGG架构的剩余完全连接层转换为1×1卷积层，用三个反卷积层执行上采样，再利用conv4-3、conv3-3层的高分辨率特征，这些特征先由1×1卷积层处理，然后加到部分上采样结果中。
2.根据权利要求1所述的一种雾霾天气车载视频动态目标检测和识别的方法，其特征在于，步骤(1)所述的去雾模型通过轻量级的CNN直接生成清晰的图像，具体构建如下：
基于大气散射模型：I(x)＝J(x)t(x)+A(1-t(x))
其中，I(x)为被观察到的有雾图像，J(x)是要恢复的图像，其中两个关键参数A表示大气光，t(x)表示介质传输图，其定义如下：
t(x)＝e-βd(x)
其中β为大气散射系数，d(x)是物体与相机之间的距离；
将输出放在等式左边得到变形：
将两个参数t(x)和A统一为一个参数即K(x)，直接最小化像素域重建误差，则导出如下去雾算法公式：
J(x)＝I(x)*K(x)-K(x)+b
其中
b是具有默认值的恒定偏差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910530766.3A CN110263706B (zh) | 2019-06-19 | 2019-06-19 | 一种雾霾天气车载视频动态目标检测和识别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910530766.3A CN110263706B (zh) | 2019-06-19 | 2019-06-19 | 一种雾霾天气车载视频动态目标检测和识别的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110263706A CN110263706A (zh) | 2019-09-20 |
| CN110263706B true CN110263706B (zh) | 2021-07-27 |
Family
ID=67919402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910530766.3A Active CN110263706B (zh) | 2019-06-19 | 2019-06-19 | 一种雾霾天气车载视频动态目标检测和识别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110263706B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766640B (zh) * | 2019-11-05 | 2022-03-25 | 中山大学 | 一种基于深度语义分割的图像去雾方法 |
| CN110837800A (zh) * | 2019-11-05 | 2020-02-25 | 畅加风行(苏州)智能科技有限公司 | 一种面向港口恶劣天气的目标检测和识别的方法 |
| CN111161160B (zh) * | 2019-12-04 | 2023-07-18 | 新奇点企业管理集团有限公司 | 一种雾天障碍物检测方法、装置、电子设备和存储介质 |
| CN111369472B (zh) * | 2020-03-12 | 2021-04-23 | 北京字节跳动网络技术有限公司 | 图像去雾方法、装置、电子设备及介质 |
| CN111523493A (zh) * | 2020-04-27 | 2020-08-11 | 东南数字经济发展研究院 | 一种针对雾天影像的目标检测算法 |
| CN111898702A (zh) * | 2020-08-14 | 2020-11-06 | 海之韵(苏州)科技有限公司 | 一种基于深度学习的无人艇环境智能感知方法 |
| CN111814753A (zh) * | 2020-08-18 | 2020-10-23 | 深延科技(北京)有限公司 | 针对雾天条件下的目标检测方法和装置 |
| CN112016558A (zh) * | 2020-08-26 | 2020-12-01 | 大连信维科技有限公司 | 一种基于图像质量的介质能见度识别方法 |
| CN112465697B (zh) * | 2020-12-11 | 2023-03-17 | 哈尔滨工程大学 | 一种海上雾天图像模拟方法 |
| CN112767275B (zh) * | 2021-01-25 | 2021-10-22 | 中国人民解放军火箭军工程大学 | 一种基于人工稀疏标注信息引导的单张图像去雾方法 |
| CN113468963A (zh) * | 2021-05-31 | 2021-10-01 | 山东信通电子股份有限公司 | 一种道路扬尘识别方法及设备 |
| CN113344003B (zh) * | 2021-08-05 | 2021-11-02 | 北京亮亮视野科技有限公司 | 目标检测方法及装置、电子设备和存储介质 |
| CN114862691A (zh) * | 2022-03-23 | 2022-08-05 | 吉林大学 | 一种基于神经网络模型的图像去雾方法、装置和设备 |
| CN116363462B (zh) * | 2023-06-01 | 2023-08-22 | 合肥市正茂科技有限公司 | 一种路桥过车检测模型的训练方法、系统、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103021177A (zh) * | 2012-11-05 | 2013-04-03 | 北京理工大学 | 一种雾天交通监控视频图像的处理方法和系统 |
| CN104574325A (zh) * | 2014-12-18 | 2015-04-29 | 华中科技大学 | 一种天空光估计方法与系统及其图像去雾方法 |
| CN107749052A (zh) * | 2017-10-24 | 2018-03-02 | 中国科学院长春光学精密机械与物理研究所 | 基于深度学习神经网络的图像去雾方法及系统 |
| CN109101975A (zh) * | 2018-08-20 | 2018-12-28 | 电子科技大学 | 基于全卷积神经网络的图像语义分割方法 |
| CN109584188A (zh) * | 2019-01-15 | 2019-04-05 | 东北大学 | 一种基于卷积神经网络的图像去雾方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10529066B2 (en) * | 2017-04-04 | 2020-01-07 | Board Of Regents, The University Of Texas Systems | Assessing quality of images or videos using a two-stage quality assessment |
| CN108734670B (zh) * | 2017-04-20 | 2021-05-18 | 天津工业大学 | 单幅夜间弱照度雾霾图像的复原方法 |
| CN108830803A (zh) * | 2018-05-17 | 2018-11-16 | 昆明理工大学 | 一种交通视频图像去雾优化算法 |
-
2019
- 2019-06-19 CN CN201910530766.3A patent/CN110263706B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103021177A (zh) * | 2012-11-05 | 2013-04-03 | 北京理工大学 | 一种雾天交通监控视频图像的处理方法和系统 |
| CN104574325A (zh) * | 2014-12-18 | 2015-04-29 | 华中科技大学 | 一种天空光估计方法与系统及其图像去雾方法 |
| CN107749052A (zh) * | 2017-10-24 | 2018-03-02 | 中国科学院长春光学精密机械与物理研究所 | 基于深度学习神经网络的图像去雾方法及系统 |
| CN109101975A (zh) * | 2018-08-20 | 2018-12-28 | 电子科技大学 | 基于全卷积神经网络的图像语义分割方法 |
| CN109584188A (zh) * | 2019-01-15 | 2019-04-05 | 东北大学 | 一种基于卷积神经网络的图像去雾方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110263706A (zh) | 2019-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263706B (zh) | 一种雾霾天气车载视频动态目标检测和识别的方法 | |
| CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
| CN111274976B (zh) | 基于视觉与激光雷达多层次融合的车道检测方法及系统 | |
| CN111899227A (zh) | 基于无人机作业的铁路扣件缺陷自动采集辨识方法 | |
| CN111814621A (zh) | 一种基于注意力机制的多尺度车辆行人检测方法及装置 | |
| CN111461083A (zh) | 基于深度学习的快速车辆检测方法 | |
| CN113723377B (zh) | 一种基于ld-ssd网络的交通标志检测方法 | |
| CN112990065B (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
| CN112084890B (zh) | 基于gmm和cqfl的多尺度识别交通信号标志的方法 | |
| CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
| CN112287983B (zh) | 一种基于深度学习的遥感图像目标提取系统和方法 | |
| CN113591617B (zh) | 基于深度学习的水面小目标检测与分类方法 | |
| CN110807384A (zh) | 低能见度下的小目标检测方法和系统 | |
| CN116311254B (zh) | 一种恶劣天气情况下的图像目标检测方法、系统及设备 | |
| CN111160282B (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
| CN113269119A (zh) | 一种夜间车辆检测方法及装置 | |
| Yao et al. | Lightweight neural network for real-time crack detection on concrete surface in fog | |
| CN116503709A (zh) | 一种基于改进YOLOv5的雾霾天气下车辆检测方法 | |
| CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
| CN116434056A (zh) | 一种基于雷视融合的目标识别方法、系统及电子设备 | |
| Khasanova et al. | Image denoising for video surveillance cameras based on deep learning techniques | |
| CN104112144A (zh) | 人车识别方法及装置 | |
| CN112396637A (zh) | 一种基于3d神经网络的动态行为识别方法及系统 | |
| CN113011338A (zh) | 一种车道线检测方法及系统 | |
| CN111275027A (zh) | 实现高速公路雾天检测预警处理的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |