【技术实现步骤摘要】
本专利技术涉及一种图像去雾处理方法，尤其涉及一种行车监控图像去雾处理方法、系统、车机和车辆。
技术介绍
1、行车记录仪可以帮助车主在发生交通事故或意外事件时提供决定性证据，维护自身权益，降低损失，是非常重要的车载设备。随着硬件技术的发展，行车记录仪可提供的图像及视频的清晰度，已能够为普通事故的决策提供保障。但受外界环境影响，在雾霾天气发生时，很难清晰记录事故发生时短暂出现的车牌号或行人，使得行车记录仪在事故多发的雾霾天气一定程度上失去了用户价值。针对此使用场景，目前市场上的行车记录仪及对应的车机应用，仅有记录、展示影像的功能，均不具有去雾的数据处理功能。图像去雾是一种处理图像的技术，其目标是在雾霾、烟雾等恶劣天气条件下，恢复图像的清晰度和真实感。
2、目前，图像去雾的方法主要可以分为基于物理模型的图像复原方法和基于非物理模型的图像增强方法。基于物理模型的图像复原方法主要利用了大气散射的物理模型，通过求解退化图像的逆过程来恢复清晰图像。这种方法能够从物理角度出发，考虑光在大气中的传播过程，从而更准确地模拟和去除雾气，但会一定程度上扭曲真实场景中的细节、颜色。而基于非物理模型的图像增强方法则主要通过提高图像的对比度和颜色校正等手段来增强图像质量。这种方法操作简单，但同样会引入颜色失真等问题。
3、现有的大多数图像去雾方法使用深度学习，依赖于利用成对的图像进行有监督的训练，需要同一地点的有雾和无雾两种情况的配对图像作为输入数据。此类数据很难大量获取，因此大多数深度学习去雾方法使用合成图像作为训练数据。然而，合成
技术实现思路
1、本专利技术的目的在于提供一种行车监控图像去雾处理方法、系统、车机和车辆，解决现有技术存在的缺憾。
2、本专利技术提供了下述方案：
3、一种行车监控图像去雾处理方法，应用于行车监控仪，包括：
4、构建去雾网络，基于生成对抗网络的深度学习模型对所述去雾网络进行训练，所述去雾网络包括正向网络和逆向网络；
5、根据循环一致性原理，通过交替使用正向网络和逆向网络，基于生成对抗网络的深度学习模型，循环进行图像去雾训练；
6、重复深度学习模型的训练过程，检测深度学习模型的生成器图像去雾效果，直到满足图像去雾效果的预设要求。
7、进一步的，在所述正向网络中，将真实有雾图像输入第一生成器，提取相应的特征值，获得无雾生成图像；
8、将所述无雾生成图像和真实无雾图像的集合输入第一判别器中，获得第一判别器输出的第一损失函数，根据所述第一损失函数的结果，对无雾生成图像和真实无雾图像进行区分。
9、进一步的，在所述逆向网络中，将真实无雾图像输入第二生成器，提取相应的特征值，获得有雾生成图像；
10、将所述有雾生成图像和真实有雾图像的集合输入第二判别器中，获得第二判别器输出的第二损失函数，根据所述第二损失函数的结果，对有雾生成图像和真实有雾图像进行区分。
11、进一步的，所述将真实有雾图像输入第一生成器，提取相应的特征值，进一步包括：将真实有雾图像输入第一生成器，通过下采样、上采样特征提取网络提取相应的特征值；
12、所述将真实无雾图像输入第二生成器，提取相应的特征值，进一步包括：将真实无雾图像输入第二生成器，通过下采样、上采样特征提取网络提取相应的特征值。
13、进一步的，所述生成对抗网络进一步包括：wgan、ac-gan。
14、一种行车监控图像去雾处理系统，用于实现行车监控图像去雾处理方法，包括：
15、云雾网络构建模块，用于构建去雾网络，基于生成对抗网络的深度学习模型对所述去雾网络进行训练，所述去雾网络包括正向网络和逆向网络；
16、图像去雾训练模块，用于根据循环一致性原理，通过交替使用正向网络和逆向网络，基于生成对抗网络的深度学习模型，循环进行图像去雾训练；
17、深度学习模型训练模块，重复深度学习模型的训练过程，检测深度学习模型的生成器图像去雾效果，直到满足图像去雾效果的预设要求。
18、一种车机，所述车机所述的行车监控图像去雾处理系统，执行所述的行车监控图像去雾方法。
19、一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；所述存储器中存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行所述方法的步骤。
20、一种计算机可读存储介质，其存储有可由电子设备执行的计算机程序，当所述计算机程序在所述电子设备上运行时，使得所述电子设备执行所述方法的步骤。
21、一种车辆，所述车辆中设置有车机。
22、本专利技术与现有技术相比具有以下的优点：
23、本专利技术在车机应用中引入去雾功能交互，可以在雾霾浓度大、事故现场纠纷难以决断的情况下，第一时间为用户提供相比传统记录仪更清晰有力的数据证明，维护车辆用户的自身权益。
24、本专利技术采用深度学习中的对抗生成机制，通过判别器模块对转换后的图像执行真假判别，约束生成器模块输出的转换结果更贴近真实图像集合，相比传统的去雾方法，可避免转换后颜色失真情况发生。
25、本专利技术采用的循环一致性生成对抗网络作为去雾网络框架，可以实现有雾数据集到无雾数据集之间的转换，与大多数有监督的训练方式不同，无需收集同一真实场景下的有雾和无雾两种天气情况下的配对图像，降低数据获取成本，同时也消除了利用合成图像训练有监督模型给模型带来的能力上限。
本文档来自技高网...【技术保护点】
1.一种行车监控图像去雾处理方法，应用于行车监控仪，其特征在于，包括：
2.根据权利要求1所述的行车监控图像去雾处理方法，其特征在于，在所述正向网络中，将真实有雾图像输入第一生成器，提取相应的特征值，获得无雾生成图像；
3.根据权利要求2所述的行车监控图像去雾处理方法，其特征在于，在所述逆向网络中，将真实无雾图像输入第二生成器，提取相应的特征值，获得有雾生成图像；
4.根据权利要求2所述的行车监控图像去雾处理方法，其特征在于，所述将真实有雾图像输入第一生成器，提取相应的特征值，进一步包括：将真实有雾图像输入第一生成器，通过下采样、上采样特征提取网络提取相应的特征值；
5.根据权利要求1所述的行车监控图像去雾处理方法，其特征在于，所述生成对抗网络进一步包括：WGAN、AC-GAN。
6.一种行车监控图像去雾处理系统，用于实现行车监控图像去雾处理方法，其特征在于，包括：
7.一种车机，其特征在于，所述车机基于权利要求6所述的行车监控图像去雾处理系统，执行权利要求1至5中任一项所述的行车监控图像去雾方法。
<...【技术特征摘要】
1.一种行车监控图像去雾处理方法，应用于行车监控仪，其特征在于，包括：
2.根据权利要求1所述的行车监控图像去雾处理方法，其特征在于，在所述正向网络中，将真实有雾图像输入第一生成器，提取相应的特征值，获得无雾生成图像；
3.根据权利要求2所述的行车监控图像去雾处理方法，其特征在于，在所述逆向网络中，将真实无雾图像输入第二生成器，提取相应的特征值，获得有雾生成图像；
4.根据权利要求2所述的行车监控图像去雾处理方法，其特征在于，所述将真实有雾图像输入第一生成器，提取相应的特征值，进一步包括：将真实有雾图像输入第一生成器，通过下采样、上采样特征提取网络提取相应的特征值；
5.根据权利要求1所述的行车监控图像去雾处理方法，其特征在于，所述生成对抗网络进一步包括：wgan、ac-gan。
6.一种行车...
【专利技术属性】
技术研发人员：孙宇，何云廷，王文彬，冯德宇，尹佳伟，康子怡，王旭，
申请(专利权)人：中国第一汽车股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。