![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于DCP-Imp CycleGAN CenterNet去雾算法的交通标志检测.pdf
《基于DCP-Imp CycleGAN CenterNet去雾算法的交通标志检测.pdf》由会员分享,可在线阅读,更多相关《基于DCP-Imp CycleGAN CenterNet去雾算法的交通标志检测.pdf(8页珍藏版)》请在咨信网上搜索。
1、 年 无线电工程 第 卷 第 期:引用格式:霍爱清,冯若水,胥静蓉基于 去雾算法的交通标志检测无线电工程,():,():基于 去雾算法的交通标志检测霍爱清,冯若水,胥静蓉(西安石油大学 电子工程学院,陕西 西安)摘要:针对雾天环境下对小型交通标志检测效果不佳的问题,提出了一种基于 与融合去雾的交通标志检测方法。该方法在预处理模块将算法嵌入到优化后的网络框架中,对图像高质量的纹理信息细化处理,再通过感知融合模块,获得更易被识别且自然的无雾图像;为了进一步提高对小型交通标志的识别能力,对中的残差块进行了轻量化设计,同时引入了注意力机制和特征融合模块,进而减少了有效特征信息的丢失。实验结果表明,改进
2、算法能有效解决图像去雾中色差明显和不清晰的问题,在数据集上实验评估得到的较提升了,提升了帧,有效解决了雾天环境下对小型交通标志的漏检、误检问题。关键词:图像去雾;交通标志检测中图分类号:文献标志码:开放科学标识码():文 章 编 号:(),(,):,:;收稿日期:基金项目:陕西省教育厅基金项目();陕西省科技厅一般工业项目():();()引言道路交通标志检测是智能驾驶的热门研究方向。近年来由于环境污染使城市雾霾天气频发,雾霾天气不仅对日常出行造成严重不便,同时也对交通标志的检测造成干扰,使检测结果容易出现误检、漏检现象。对于这个问题的解决思路主要分为种:一种是联合去雾和检测算法,生成端到端的去
3、雾检测模型,如等、陈琼红等分别提出将不同检测模型与进行结合,但该类方法对去雾结果过度依赖而影响检测的效果。另一种是先去雾后检测的无关联方法,如陈秀新等通过有雾先验知识优化和判别学习对图像去雾还原,使检测精度和泛化能力皆有提高;等基于对大气模型的重构,通过轻量级得到较好的识别效果。上述种思路首要解决的都是对去雾效果的优化问题。目前常用的传统去雾算法有、信号与信息处理 和,以及其他不同的方法。传统去雾算法存在去雾后图像颜色有偏差且失真的问题。基于深度学习的去雾算法虽然能有效提高清晰化效果,但仍会存在一定雾霾残留。针对小型交通标志的检测,基于深度学习的检测模型已被广泛使用,如、和等,在复杂环境下基于
4、锚框的算法会引入大量超参数,使训练速度大幅下降。相较之下的算法更适合雾天环境的检测任务,故本文还将以为框架进行进一步优化,以实现去雾后的交通标志检测。综上,本文提出了一种无关联的()融合去雾算法,主要工作如下:采用和结合的方式,对图像进行去雾清晰化;针对去雾后图像质量不高的问题,将对抗网络输出的图像进行感知融合,使图像更趋近真实;对检测网络中残差卷积模块进行轻量化操作,并引入注意力机制以及特征融合来提高对小型交通标志的检测性能。改进算法 融合去雾算法在交通标志检测前先对图像进行预处理操作,对图像进行去雾还原。如图所示,算法存在无法适应高亮区域而导致去雾后图像整体偏暗的问题,去雾效果不理想。()
5、去雾前()去雾后图暗通道先验法去雾结果 而循环一致性生成对抗网络(,)存在优化成对数据集的弱监督训练优势,故本文将嵌入到网络中,从而提高去雾图像分辨率及纹理信息恢复质量,解决算法存在色差导致的不真实问题。为此本文提出了 融合去雾算法,该算法框架如图所示。图 算法框架 该算法将算法嵌入到改进的框架中,通过不断学习更新产生与原始图像高度相似的图像,保留图像中高质量的纹理信息,并将细化后的图像进行感知融合,从而得到更清晰真实的图像。主要流程如下:输入待处理的有雾图像到中,获得透射图和初步去雾图像,并由和两个网络对其分别精细化处理,将结果与大气光值通过构建的关系式得到模糊图像。通过网络进行成对的数据集
6、优化训练。不断学习更新精炼网络,以提高模糊图像和输入图像的相似度,使输出的精细化透射图得到适当细化。另一个精细化网络通过鉴别器来更新,将精细化去雾图像与准备好的自然无雾样本进行对抗学习,进行真伪判别,来获得更自然的无雾图像。将前步获得的模糊图像、精炼化图像和自然无雾图像输入到感知融合模块中,通过权重分配处理,输出最终的去雾图像。网络结构优化为降低参数量并提高分类质量,本文针对原网络中的主干网络以及判别器分别进行改进。的结构共由个残差块组成,为避免大量残差计算而影响对抗学习的速度,将残差块中第一个卷积改为一个的空间卷积和一个卷积,这样可以确保网络参数量的降低,再通过信号与信息处理 年 无线电工程
7、 第 卷 第 期 引入串行空洞卷积扩大感知,使细节特征得到保留,其空洞率设为、。图为改进前后的残差块示意。()原残差块()改进后残差块图改进前后残差模块结构 鉴别器是对抗学习的关键部分,负责图像的真伪判断,即判断精细化去雾图像和自然无雾图像之间的相似度。为了在保留原始输入图像空间信息同时还能进一步提高分类性能,本文使用全卷积网络作为鉴别器,其网络结构如图所示。图鉴别器的结构 前个卷积块由卷积核大小为的卷积层、实例归一化层和激活函数组成;添加了一个的卷积层,经过一个激活函数层;最后进行一个的真伪判断,输出则为真实图像,为重建图像。感知融合模块在保证能见度的情况下,感知融合模块是通过给对抗性学习生
8、成的和分配合适的权重,在保证能见度的情况下,获得二者融合后更自然真实的图像。其中权重的分配计算通过自然图像,与、的相似度图计算而形成的真实性指标确定。为了得到合适的相似度图,采用高斯颜色空间的广义梯度幅值(,)和色度信息(,)两个特征来进行度量。根据图像质量评价(,)研究表明,是通过颜色空间的通道(即亮度通道)进行计算,而是指颜色空间的和通道。因此,为了得到,将彩色图像由空间转换为颜色空间并保留分量如式()和式()所示:,()()()(槡),()式中:表示像素点,()和()表示通道处的水平方向和垂直方向的偏导数。颜色空间的和通道计算式为:,()。()通过计算与和这个特征的相似性来评估去雾图像的
9、真实性。将幅相似图像的值分别用()和()表示,则像素处的广义梯度相似性()和色度相似性()可定义为:()()()()(),()()()()()()()()()(),()式中:、是一个正常数以避免无效运算,此处取值,取值。同时考虑()、(),则总的相似度()为:()()(),()式中:为用来调整和相似性的重要参数,实验中设为。信号与信息处理 将上述相似度转换为融合权值,并对图像和进行融合。和在像素处的相似性值可以表示为(),和在像素点处的相似度可以表示为(),则和在处的权重的定义如下,其中权重分别表示为()和():()()()()(),()经后,()()。由精细化处理后的去雾图像是一个清晰但不符
10、合大气散射物理模型的图像,为了得到更理想的效果,由文献中的定律(式(),图中)重新构建另外一个清晰无雾图像。最后,将和分别与相对应的权重融合,获得最终结果:()()(),()。()算法优化针对网络对小型目标检测精度不高、网络参数量过大的问题,本文提出了()改进算法,主要从残差模块和特征融合两方面对进行改进,的整体框架如图所示。图模型框架 由图可知,模型框架主要由主干特征提取网络、特征融合网络及热图三部分组成。本文将原中的残差块替换为改进后的,并引入注意力机制提高对有效信息的提取能力;在特征融合部分结合网络进行网络结构设计,将浅层的小目标特征与深层特征堆叠,以减少细节纹理的丢失;使目标位置直观地
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于DCP-Imp CycleGAN CenterNet去雾算法的交通标志检测 基于 DCP Imp CenterNet 算法 交通标志 检测
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。