【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种面向雨天车辆检测的多模块协同式去雨方法及系统。
技术介绍
1、当下关于汽车智能化的研究正成为焦点，智能车辆技术在保障交通安全、促进城市发展等方面发挥着重要的作用。在智能汽车的诸多关键子系统中，车辆检测系统发挥着识别交通场景中车辆目标并计算其空间位置的作用，因而保证车辆检测系统的稳定工作，对于智能汽车的制动、避障等功能具有重要意义。
2、在车辆检测的诸多方法中，受益于较低的成本，基于计算机视觉的车辆检测方法的应用较其它方法更为广泛。然而实际的交通环境较为复杂多变，所以有必要持续优化主要以ssd、yolo系列模型为代表的基准车辆检测方法的性能，从而保障智能汽车在各种工况下的安全行驶。为巩固与提升车辆检测方法的性能，目前常规的做法是采用一个通用且强大的基准车辆检测方法作为底层架构，然后通过不断优化基准车辆检测方法的各种组件以使其满足各种检测任务的需求。刘等通过设计特征融合的方式提升了ssd检测远距离车辆的准确率。徐等基于融入注意力机制和优化损失函数的策略改善了yolox-s的车辆检测精度。与此同时，部分学者致力于提升特定场景中基准车辆检测方法的精确率，ning等通过融合densenet和注意力机制的方法提升了雾天场景下yolov3的车辆检测性能。张等基于优化损失函数和网络结构的方法改善了retinanet在夜间场景的车辆检测精度。虽然上述优化方法提升了基准车辆检测方法的检测性能，但对智能汽车而言可能并非是最优解。众所周知，复杂场景中车载相机生成的图像可能会存在不同程度的退化，这从根本上制
3、图像去雨是一项经典的图像恢复任务，伴随着智慧物流、智能汽车等产业对图像质量愈加严格的要求，这项工作正成为热点。早期的图像去雨方法多数以模型驱动为主，即根据图像的先验知识，例如雨纹方向、密度等设计去雨模型，其中的方法有判别性稀疏编码、高斯混合模型，但这类方法未考虑雨雾等其它因素。受益于人工智能的蓬勃发展，以数据驱动为核心的去雨方法成为主流，li等提出了一种非局部增强的编码器-解码器架构用于学习复杂的特征，从而在准确建模雨纹的同时保留了图像细节。zhang等构造了一种基于雨密度感知的去雨方法。ren等综合考虑网络结构及损失函数，搭建了一个简单又高效的基线去雨方法。以上方法虽然可以实现图像去雨，但存在因去雨不彻底导致的雨层残留，过度去雨诱发的背景损坏。zamir等提出的mprnet将去雨过程分解成多个阶段实现了渐进式去雨，同时基于通道注意力提取深层特征，又建立了跨阶段特征融合机制强化各个阶段之间的信息交互，因此，mprnet在有效去雨的同时缓解了雨层残留和背景损坏。然而，mprnet复杂的结构设计导致了网络参数量的增加及运行时间的延长。
4、综上，现有的去雨方法不可忽视的各类缺陷限制了其在雨天车辆检测中的直接应用。
技术实现思路
1、本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种面向雨天车辆检测的多模块协同式去雨方法及系统，用于解决基准车辆检测方法在雨天检测精确率衰退的技术问题。
2、本专利技术采用以下技术方案：
3、一种面向雨天车辆检测的多模块协同式去雨方法，包括以下步骤：
4、s1、给定输入多模块协同式去雨方法的有雨图像，通过卷积层完成原始噪声过滤，构建渐进式信息感知模块，用于丰富空间细节的提取与传递优先级高的信息，输出特征；
5、s2、特征在编码单元经下采样被逐级缩小至低分辨率，经中间层处理后，由解码单元映射至原始高分辨率，输出特征；
6、s3、特征经3×3卷积层映射后生成残差图像，通过与输入图像相加得到最终去雨结果。
7、优选地，特征为：
8、
9、其中，代表3×3卷积层，负责输入图像的升维运算，代表两个连续的渐进式信息感知模块，为浅层特征提取单元输出的特征。
10、优选地，渐进式信息感知模块包括：
11、低级细节信息提取模块，嵌入特征经过层归一化处理后得到规范特征，然后由卷积层完成跨维度信息交互，对进行通道级均等拆分；基于卷积层完成特征提取，未作处理而直接传递至下一层；将和进行通道级整合并通过卷积层进行细化；基于gelu生成注意力图并获得代表性细节特征表示；通过元素相加获得低级细节信息提取模块的输出特征；
12、高层语义信息提取模块，输出特征经层归一化处理后获得规范特征，随后依次由多个卷积层完成深层特征提取，由sca自适应地完成优先级较高的雨层信息的校准；通过卷积层对特征进一步细化并通过元素相加获得输出特征。
13、优选地，输出特征为：
14、
15、其中，代表注意力反馈的特征，代表1×1卷积层。
16、优选地，特征为：
17、
18、其中，为中间层处理后的特征，为编码器-解码器架构中的解码单元。
19、优选地，编码器-解码器架构的每一个层级中嵌入多层级特征捕获模块，信息流动过程如下：
20、基于层归一化对嵌入特征预处理以稳定训练过程；然后运用卷积层对进行维度变换；使用深度可分离卷积层进行深层特征提取，通过聚合三维注意力以自适应地引导优先级较高的雨层信息的保留与传递，并由卷积层进一步细化。
21、优选地，多层级特征捕获模块在可接受计算开销的前提下聚合双分支结构用于探索不同层级、不同形态的雨层特征，具体如下：
22、
23、其中，代表3×3深度可分离卷积层，代表gelu激活，和分别为上支路和下支路的输出特征，代表元素相加，为两个支路融合后的特征。
24、优选地，高质量无雨图像为：
25、。
26、优选地，融合charbonnier损失和edge损失完成多模块协同式去雨网络训练，定义总损失函数为：
27、
28、其中，按经验设置为0.05，为edge损失，为charbonnier损失，代表预测的无雨图像，代表原始的无雨图像。
29、第二方面，本专利技术实施例提供了一种面向雨天车辆检测的多模块协同式去雨系统，包括：
30、浅层特征提取单元，给定输入多模块协同式去雨方法的有雨图像，通过卷积层完成原始噪声过滤，构建渐进式信息感知模块，用于丰富空间细节的提取与传递优先级高的信息，输出特征；
31、深层特征提取单元，特征在编码单元经下采样被逐级缩小至低分辨率，经中间层处理后本文档来自技高网...
【技术保护点】
1.一种面向雨天车辆检测的多模块协同式去雨方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向雨天车辆检测的多模块协同式去雨方法，其特征在于，特征为：
3.根据权利要求1所述的面向雨天车辆检测的多模块协同式去雨方法，其特征在于，渐进式信息感知模块包括：
4.根据权利要求3所述的面向雨天车辆检测的多模块协同式去雨方法，其特征在于，输出特征为：
5.根据权利要求1所述的面向雨天车辆检测的多模块协同式去雨方法，其特征在于，特征为：
6.根据权利要求5所述的面向雨天车辆检测的多模块协同式去雨方法，其特征在于，编码器-解码器架构的每一个层级中嵌入多层级特征捕获模块，信息流动过程如下：
7.根据权利要求6所述的面向雨天车辆检测的多模块协同式去雨方法，其特征在于，多层级特征捕获模块在可接受计算开销的前提下聚合双分支结构用于探索不同层级、不同形态的雨层特征，具体如下：
8.根据权利要求1所述的面向雨天车辆检测的多模块协同式去雨方法，其特征在于，高质量无雨图像为：
9.根据权利要求1所述的面向
10.一种面向雨天车辆检测的多模块协同式去雨系统，其特征在于，包括：
...【技术特征摘要】
1.一种面向雨天车辆检测的多模块协同式去雨方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向雨天车辆检测的多模块协同式去雨方法，其特征在于，特征为：
3.根据权利要求1所述的面向雨天车辆检测的多模块协同式去雨方法，其特征在于，渐进式信息感知模块包括：
4.根据权利要求3所述的面向雨天车辆检测的多模块协同式去雨方法，其特征在于，输出特征为：
5.根据权利要求1所述的面向雨天车辆检测的多模块协同式去雨方法，其特征在于，特征为：
6.根据权利要求5所述的面向雨天车辆检测的多模块协同式去雨方法，其特征在于，编码器-解码器架构的每一个层级中...
【专利技术属性】
技术研发人员：苏海东，仝秋红，王军政，曹君，张赵荣，代学奇，
申请(专利权)人：长安大学，
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。