[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

说明书

本发明公开了一种基于一到多对抗网络的全天候车辆检测方法。考虑了黑夜场景因光源分布以及光照强度差异导致黑夜场景非单一的特点，利用灰度直方分布以及聚类算法，实现黑夜场景自然光和背景光的光照强度的分级；提出该一到多对抗网络的目的在于将一张白天图片按照设定的自然光与背景光强度转换为不同光照环境下的黑夜图片，并利用携带标签信息的白天图片与合成的黑夜图片共同训练车辆检测模型，有效缓解了现有全天候车辆检测技术方法因带标签信息的黑夜图片稀少或者合成黑夜图片的多样性不足而导致其在不同光照的黑夜环境下泛化能力不足的问题。

技术领域

本发明涉及车辆监控领域，具体为一种基于一到多对抗网络的全天候车辆检测方法

背景技术

基于监控的车辆检测任务是交通运输工程领域众多任务(如交通参数提取，拥堵判别等)的感知基础，其研究具有重要的现实意义。近些年，基于深度学习的车辆检测方法因精度高，鲁棒性强等优势逐渐成为主流。然而，因数据驱动性质，深度学习方法需要大量高质量的数据作为输入方可实现训练收敛。目前存在大量具有标注信息的白天场景数据集，基于此数据集训练的车辆检测器在白天场景的检测精度较高，而在黑夜场景下的检测精度较低。由于缺乏相应的黑夜场景数据集，目前主流的模型在黑夜场景中的检测效果均不理想。

最近，研究《Domain adaptation from daytime to nighttime:Asituation-sensitive vehicle detection and traffic flow parameter estimation framework》利用生成对抗网络CycleGAN将具有标注信息的白天图片转为合成的黑夜图片；接着，利用合成的黑夜图片训练Faster R-CNN模型从而实现黑夜场景下的车辆检测。该方法避免了大规模标注黑夜图片，有效节省了人力资源，但未考虑黑夜场景的多样性，导致基于合成黑夜图片训练的模型难以满足不同光照条件黑夜下的车辆检测任务。同样地，研究《GAN-BasedDay-to-Night Image Style Transfer for Nighttime Vehicle Detection》提出了实现白天图片到黑夜图片一对一映射的生成对抗网络模型AugGAN，该网络能够将单独的白天图片转换为真实高质量的合成黑夜图片，但缺少对黑夜场景光照(自然光与背景光的强度)多样性的考虑。

因自然光(月光)与背景光(车灯、路灯等)的强度影响，同一场景的不同夜间阶段应当呈现不同的对比度与亮度。现有技术的主要缺点为未考虑黑夜场景的多样性，这些方法构建的生成对抗网络模型仅能实现一对一的白天到黑夜映射，使得生成的黑夜图片缺乏多样性，进而影响黑夜场景中车辆检测的精度。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种基于一到多对抗网络的全天候车辆检测方法。

为了实现上述技术目的，本发明的技术方案为：

一种基于一到多对抗网络的全天候车辆检测方法，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；