[发明专利]一种复杂天气道路车辆目标检测方法

权利要求书

1.一种复杂天气道路车辆目标检测方法，其特征在于，包括以下步骤：

步骤1，利用安装在公路上的摄像头采集到当前段公路交通视频，将视频流解码为图像集D，判断当前是否为复杂天气情况；

步骤2，若判定为昼间正常天气情况，代入现有或预训练好的常规车辆目标检测模型，执行基于Faster R-CNN的车辆目标检测，输出结果；

步骤3，接步骤1，若判定为复杂天气情况，选取相应地复杂天气类型及其对应地预训练好的复杂天气车辆目标检测模型并带入该模型，执行基于Faster R-CNN的车辆目标检测，输出结果。

2.如权利要求1所述的复杂天气道路车辆目标检测方法，其特征在于，所述预训练好的复杂天气车辆目标检测模型是基于循环一致性对抗网络和Faster R-CNN相结合的预训练好的复杂天气车辆目标检测模型。

3.如权利要求2所述的复杂天气道路车辆目标检测方法，其特征在于，所述基于循环一致性对抗网络和Faster R-CNN相结合的预训练好的复杂天气车辆目标检测模型，依次通过以下步骤预训练：

步骤1，选取若干张不同日期及不同时刻的昼间正常天气条件下清晰的道路交通场景图像，手动标记图像中的车辆边界框，生成图像集S，将S作为循环一致性对抗网络的源域；再选取若干张不同日期及不同时刻的复杂天气交通场景图像，生成图像集T，将T作为复杂天气图像目标域；

步骤2，定义两个生成器G_S→T、G_T→S作为传递函数，其中G_S→T为学习从循环一致性对抗网络的源域S到复杂天气图像目标域T的传递函数，G_T→S为学习从复杂天气图像目标域T到循环一致性对抗网络的源域S的传递函数；分别对应于G_S→T和G_T→S定义两个判别器D_T和D_S，其中D_T用于判别图像是来自于合成复杂天气图像域的图像还是来复杂天气图像目标域T的真实图像，D_S用于判别图像是来自于合成昼间正常天气图像域的图像还是来自于循环一致性对抗网络的源域S的真实图像，其中是由真实的昼间正常天气图像域D生成的合成复杂天气图像域，是由真实的复杂天气图像域S生成的合成昼间正常天气图像域；

由循环一致性对抗网络的源域S转换到复杂天气图像目标域T循环一致性对抗网络的总损失函数为：

L_CycleGAN(G_S→T,G_T→S,D_S,D_T,S,T)＝L_GAN(G_S→T,D_T,S,T)+L_GAN(G_T→S,D_S,T,S)+λL_Cycle(G_S→T,G_T→S,S,T) 1)

上式1)中，λ是平衡权重，L_Cycle是循环体系结构中的循环一致性损失，L_GAN是对抗训练损失，循环一致性损失L_Cycle用于规范GAN训练，L_Cycle定义为：

设定循环一致性对抗网络的源域S提供标记的图像I_S，复杂天气图像目标域T提供图像I_T；i_S和i_T分别表示循环一致性对抗网络的源域S和复杂天气图像目标域T中的任意一图像，即i_S∈I_S和i_T∈I_T；

所述对抗训练损失L_GAN定义为：

步骤3，通过ADAM优化算法为两个生成器G_S→T、G_T→S和两个判别器D_T、D_S更新参数，经过训练得到生成器G_S→T，所述生成器G_S→T可直接用于将昼间正常天气的交通图像转换为复杂天气交通图像；

训练所述两个生成器和判别器，满足公式5)：

步骤4，通过生成器G_S→T将包含手动标记边界框的昼间正常天气图像集S中的图像样式转换为若干张复杂天气样式交通图像，生成合成的包含车辆边界框的复杂天气图像集K；

步骤5，使用合成的包含车辆边界框的复杂天气图像集K训练Faster R-CNN网络模型训练，通过反向传播梯度下降算法,当总损失降低到默认阈值以下，即得到预训练好的复杂天气车辆目标检测模型；

所述Faster R-CNN网络包括两部分，分别是RPN区域生成网络和Fast R-CNN网络；RPN用于生成目标候选区域位置，Fast R-CNN用于生成候选区域的分类和位置调整建议；

所述手动标记图像中的车辆边界框包括候选框A和标记框B，其中候选框A和标记框B的交并比当IOU大于等于阈值时，将样本设置为正样本；当IOU小于阈值时，将样本设置为负样本；在训练RPN期间，以若干不同尺寸的滑动窗口和若干不同纵横比的锚点框进行训练，为一个图像采集了若干个锚点框，其中有若干个正样本和若干个负样本；设Faster R-CNN总损失函数为：

L_total＝L_cls+ωL_reg 5)

上式5)中L_cls表示分类损失，用于评估分类错误，L_reg表示回归损失，用于评估位置错误；且L_cls和L_reg定义分别为：

上式7)中smoothL1定义为：

上式7)中N_slc是RPN网络的批次数，P_i是第i个目标为车辆的概率，y_i是手动标记的真实值：若y_i＝1表示车辆，y_i＝0表示非车辆，N_reg为目标数量，smoothL1是一类损失函数，B_i(x,y,w,h)是第i个预测目标边界框，边界框B_i(x,y,w,h)由边界框的中心点横纵坐标x、y和边界框的宽度w，边界框高度h表示；B_i^*(x,y,w,h)是第i个预测目标对应的手动标记的真实边界框；L_cls是目标分类标准化损失，L_reg是边界框位置的标准化回归损失，ω是平衡权重。