[发明专利]基于AOD-Net的交通道路图像大气能见度检测方法

说明书

基于AOD‑Net的交通道路图像大气能见度检测方法，它涉及交通道路图像大气能见度检测方法技术领域；它包含图像训练部分和能见度检测部分，搭建AOD‑Net图像处理模型；选定待处理的交通道路图像，调用AOD‑Net对图像进行去雾处理，并保存；对原图像和去雾图像分别分割为一个3x3的网格序列图像；计算原图像和去雾图像各网格的图像相似度，并进行能见度判别；最后，在系统界面进行显示。本发明采用基于深度学习理论的AOD‑Net模型，反向检测大气能见度，为交通道路图像大气能见度检测提供了新的方法和思路，根据已布设的道路监控，即可检测其对应的能见度，具有检测成本低、速度快、准确率高的优势。

技术领域

本发明涉及交通道路图像大气能见度检测方法技术领域，具体涉及基于AOD-Net的交通道路图像大气能见度检测方法。

背景技术

驾驶员在驾驶时，会受大气能见度影响，能见度偏低则容易引发交通事故，一种有效的大气能见度检测方法对交通管理具有十分重要的作用。

传统能见度检测多采用目测法或器测法。目测法易受主观判断影响，精确度较低；器测法的精度能满足检测要求，但费用高，不适用于密集型布设。目前交通部门在道路通行管理中广泛采用视频图像监管，交通视频网络已经成为路网建设的一部分。通过交通部门的固定或车载摄像机采集到的道路图像进行能见度检测，不需要额外安装布设能见度采集设备或辅助设备，为以交通道路图像检测的大气能见度研究提供了条件。

现有技术中提出的一些能见度检测方法大多直接检测雾霾，且检测效率低、误判率高、计算复杂度大；随着深度学习方法的快速发展，去雾、去噪、去模糊算法为交通道路图像大气能见度检测提供了新的方法和思路。

发明内容

本发明的目的在于针对现有技术的缺陷和不足，提供一种检测成本低、速度快、准确率高的基于AOD-Net的交通道路图像大气能见度检测方法。

为实现上述目的，本发明采用的技术方案是：基于AOD-Net的交通道路图像大气能见度检测方法，它包含图像训练部分S1和能见度检测部分S2：

图像训练部分S1的步骤如下：

步骤S11：训练集建立，在NYU2数据集中选取27256张图像作为训练集、选取非重复的3,170张图像作为的测试集A，并在Middlebury数据集中选取的800张full-size合成图像作为测试集B；

步骤S12：搭建AOD-Net，将构建的训练集输入AOD-Net模型进行训练；

能见度检测部分S2的步骤如下：

步骤S21：选定待处理的交通道路图像；

步骤S22：调用已训练完毕的AOD-Net对图像进行处理，以获得去雾图像；

步骤S23：对原图像和去雾图像分别分割为一个3x3的网格序列图像；

步骤S24：计算原图像和去雾图像各网格的图像相似度；

步骤S25：根据标准偏差计算各网络相似度，从而判别当前能见度级别。

上述步骤S12和步骤S22中的AOD-Net模型，由K估计模块和清晰图像生成模块组成，其中，K估算模块由五层卷积层、三层连接层组成。

上述步骤S12中的AOD-Net模型训练，在pytorch上搭建AOD-Net模型，使用高斯随机变量作为初始化权重，分别设置batch为8、learning rate为0.001、momentum为0.9、decay rate为0.0001、激活函数为ReLU进行训练AOD-Net模型，其中损失函数为均方误差损失函数。

上述步骤S24中的图像相似度采用直立图法计算，其中用巴氏系数得出相似度，计算公式如下：