[发明专利]一种基于一到多对抗网络的全天候车辆检测方法

权利要求书

1.一种基于一到多对抗网络的全天候车辆检测方法，其特征在于，包含以下步骤：

S1、利用天空分割算法将采集的黑夜监控图片分割为天空区域S与非天空区域NS；

S2、获取天空区域S与非天空区域NS的灰度直方分布G_S以及G_NS，并从灰度直方分布G_S以及G_NS中构建低维特征向量f_S及f_NS；

S3、利用聚类算法对低维特征向量f_S及f_NS聚类，并根据聚类结果分别获取所有黑夜图片的自然光与背景光的光照向量；

S4、构建一到多对抗网络，基于从黑夜图片中获取的自然光与背景光的光照向量搭建联合损失函数进行一到多对抗网络的训练；

S5、训练完成的一到多对抗网络以白天图片以及可调光照向量为输入，生成不同自然光与背景光条件的黑夜合成图片；

S6、利用白天图片和生成的黑夜合成图片共同训练车辆检测模型；

S7、将训练完毕的车辆检测模型导入路侧计算设备或者云端计算中心，进行路侧监控下全时段的车辆检测任务。

2.根据权利要求1所述一种基于一到多对抗网络的全天候车辆检测方法，其特征在于，步骤2具体包括：

将天空区域S与非天空区域NS灰度化，并统计灰度值位于[0,255]区间的像素数量，形成灰度直方分布G_S以及G_NS；等分灰度像素区间[0,255]至10个等间隔的区间,从G_S以及G_NS的分布结果中分别统计落入各区间的像素值数量，进而获得灰度分布直方图g_S以及g_NS；统计所有黑夜数据中的灰度分布直方图g_S以及g_NS，记做g_S集合和g_NS集合；根据统计结果计算g_S集合和g_NS集合的均值与方差，利用获得的均值与方差并按照如下公式实现g_S和g_NS的数据标准化：

式中：和分别为g_S集合以及g_NS集合的均值，和分别为g_S集合以及g_NS集合的方差；f_S及f_NS为低维特征向量。

3.根据权利要求1所述一种基于一到多对抗网络的全天候车辆检测方法，其特征在于，步骤3具体包括：

S31、利用DBSCAN聚类算法对获得的低维特征向量f_S及f_NS进行聚类；

S32、利用手肘法确定聚类算法最佳的簇数量；

S33、可视化各簇群黑夜图片，按照簇群中黑夜图片的光照强弱分配光照标签，其中自然光被分为三个等级；背景光被分为五个等级；

S34、按照分配的等级为自然光和背景光生成独特编码，即为光照标签。

4.根据权利要求1所述一种基于一到多对抗网络的全天候车辆检测方法，其特征在于，步骤4具体包括：

S41.构建白天转黑夜图片生成网络G_D2N,该网络的目的是将一张白天图片d按照设定的自然光与背景光强度z转换为不同光照环境下的多张黑夜图片n；

S42.构建黑夜转白天图片生成网络G_N2D,该网络将所有生成的黑夜图片n转换为重建白天图片

S43.构建循环一致性损失函数，促使输入白天图片d与重建白天图片足够相近，进而赋能生成网络G_D2N生成与输入白天图片d内容一致的黑夜图片n：该循环一致性损失函数L_c定义如下：

式中：D为白天图片数据集，Z为自然光与背景光强度的选择空间；N为真实黑夜图片数据集；G_D2N(d|z)为以光照调节向量z和白天图片d为输入，生成的黑夜图片；E_d～D,z～Z为所有白天图片d，所有光照向量z的输出求期望；

S44.为促使生成网络G_D2N生成的黑夜图片足够真实且具备光照向量z限制条件下的自然光与背景光，引入图像真伪判别器D_N与光照等级判别器C；

S45.引入对抗损失训练生成网络G_D2N与图像真伪判别器D_N，促使生成网络G_D2N生成足够真实的黑夜图片；以最小化该损失为学习目标而判别器D_N以最大化该损失为学习目标生成网络G_D2N表示如下：

L_adv＝Ε_n～Nlog(D_N(n))+Ε_d～D,z～Zlog(1-D_N(G_D2N(d|z)))

式中,L_adv为对抗损失函数；E_n～N为对所有黑夜图片n的输出求期望；

S46.引入光照分类损失和促使生成网络G_D2N生成的黑夜图片具备光照向量z限制条件下的自然光与背景光；光照分类损失具体定义如下：

式中，z_n以及z_a分别为光照等级判别器C就生成黑夜图片n自然光与背景光亮度等级的识别结果；生成网络G_D2N以最小化损失为学习目标而判别器C以最小化损失为学习目标；c_n为黑夜图片n的自然光的光照向量；c_a为背景光的光照向量。