检索结果-南通市图书馆

基于改进的aod-net和YOLOv5的雾天车辆行人检测算法

在线全文

学校读者我要写书评

暂无评论

基于改进的AOD-Net和YOLOv5的雾天车辆行人检测算法

作者：孙靖凯哈尔滨理工大学

学位级别：硕士

在科技与社会极速发展的当今,道路上具备自动驾驶功能的车辆数目愈发增多,这些先进的汽车之所以能够实现无人驾驶,是因为车上搭载了大量用于感知周围环境的传感器与摄像机,通过这些设备采集到的图像与路况信息,汽车的检测系统便可以对... 详细信息

在科技与社会极速发展的当今,道路上具备自动驾驶功能的车辆数目愈发增多,这些先进的汽车之所以能够实现无人驾驶,是因为车上搭载了大量用于感知周围环境的传感器与摄像机,通过这些设备采集到的图像与路况信息,汽车的检测系统便可以对道路上的目标进行精准识别。然而在实际应用场景中,作为汽车“眼睛”的摄像机,往往要面对比预想中更加复杂的情况,比如夜间光照强度很低,摄像机成像不清晰,致使获取的图片细节丢失严重,又或是雾霾天气时,可见度降低、视野内的目标轮廓变得模糊,以致于图像采集质量大幅降低。以上这些问题都极有可能导致检测算法的精度下降,致使驾驶系统无法有效获取路况信息。由此可见,克服恶劣天气环境对图像采集质量的影响,确保自动驾驶任务中检测系统准确性的研究是十分必要的。针对自动驾驶场景中存在的雾霾对成像设备成像质量产生影响,进而导致检测算法精准度降低的问题,本文提出了一种基于aod-net的轻量级去雾算法,通过引入MS-SSIM损失函数,在提升去雾效果与图像质量的同时缓解了算法带来的色彩失真问题。而针对交通图像采集中遇到的低照度问题,本文将aod-net与Zero-DCE图像增强方法相融合,来实现对夜间低光照图像的增强。而后,本文在两个数据集上进行了对比实验,并采用了多个评价指标来对算法进行评估。针对传统检测方法对车辆、行人检测效果不理想,检测速率低下,推理时间过长以及精度不足等问题,本文提出一种改进的YOLOv5目标检测算法。该方法采用YOLOv5s为基本框架,参照VOV-net特征提取网络,通过更改骨干网络结构,将原算法中的C3模块替换为OSA模块,在基本不增加计算量的前提条件下,使主干网络的特征提取能力获得了提升。针对小尺度目标检测不够精确的问题,本文将原算法中负责特征融合的PAnet替换为更加高效的Bi FPN,使得算法在多尺度特征融合方面的能力更进一步。本文设计了大量对比实验,在多个数据集上证明了改动的有效性。最后,本文将改进的aod-net与YOLOv5方法结合,在真实雾天数据集上进行实验验证,结果表明,与改进前方法相比较,本文方法对有雾天气下的车辆行人检测精度提升了4.2%,在检测识别方面具有较好的效果与性能。

关键词： aod-net 车辆检测 YOLOv5 图像去雾

基于aod-net改进的单幅图像去雾算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

现代信息科技 2023年第1期7卷 80-83页

作者：金彬峰黄金炜赵慧勐安徽理工大学计算机科学与工程学院安徽淮南232001

针对雾天拍摄图像不清晰的问题,提出了一种基于改进aod-net的单幅图像去雾算法。即在已有aod-net去雾算法的基础上,针对其存在的参数估计不均导致累计误差,从而使得去雾后的图像色彩失真以及低照度下效果不佳等缺陷,对aod-net去雾算法... 详细信息

针对雾天拍摄图像不清晰的问题,提出了一种基于改进aod-net的单幅图像去雾算法。即在已有aod-net去雾算法的基础上,针对其存在的参数估计不均导致累计误差,从而使得去雾后的图像色彩失真以及低照度下效果不佳等缺陷,对aod-net去雾算法的损失函数进行了改进,同时引入一个低照度增强模块。由实验结果可知,改进的方法在真实图像和人工合成图像上去雾效果都有了较大的提升,有效地提高了图像质量,在PSNR和SSIM指标上均优于其他对比算法。

关键词：图像去雾 aod-net 低照度增强模块 PSNR SSIM

基于aod-net改进的轻量级图像去雾算法

在线全文

学校读者我要写书评

暂无评论

长江信息通信 2023年第7期36卷 40-43页

作者：鄢江涛三峡大学计算机与信息学院湖北宜昌443000

针对雾天图像模糊的问题,提出一种改进的aod-net网络。为了解决aod-net损失函数对图像亮度和对比度关注度不足,文章对aod-net进行了优化,并改进了损失函数为SSIM-L1。处理合成雾数据(NYU2),与DCP、Dehaze-net和aod-net相比,文章方法的平... 详细信息

针对雾天图像模糊的问题,提出一种改进的aod-net网络。为了解决aod-net损失函数对图像亮度和对比度关注度不足,文章对aod-net进行了优化,并改进了损失函数为SSIM-L1。处理合成雾数据(NYU2),与DCP、Dehaze-net和aod-net相比,文章方法的平均PSNR为23.865。本文方法的HVS-MaxPol_2指标在测试处理真实有雾图像领先。实验结果表明,本文提出的改进aod-net网络方法提升了去雾后的视觉效果。

关键词：图像去雾深度学习 HVS-MaxPol aod-net

基于aod-net和SSD的雾天车辆和行人检测

在线全文

学校读者我要写书评

暂无评论

重庆理工大学学报（自然科学） 2021年第5期35卷 108-117页

作者：陈琼红冀杰种一帆宫铭钱西南大学工程技术学院重庆400715

为了提高智能汽车在恶劣天气下的环境感知能力,提出一种针对雾天环境下车辆和行人的检测方法。将aod-net去雾算法与SSD目标检测算法相结合,实现了城市交通雾天环境下的车辆和行人检测。利用去雾处理后的雾天图片和原始带雾图片分别进行... 详细信息

为了提高智能汽车在恶劣天气下的环境感知能力,提出一种针对雾天环境下车辆和行人的检测方法。将aod-net去雾算法与SSD目标检测算法相结合,实现了城市交通雾天环境下的车辆和行人检测。利用去雾处理后的雾天图片和原始带雾图片分别进行目标检测模型训练,并在不同雾浓度等级的交通环境下进行车辆和行人检测,结果显示:aod-net与SSD网络相结合得到的检测mAP值可达75.8%,比SSD算法的mAP值高4.1%,表明aod-net与SSD网络相结合的算法能更加有效地检测带雾图片中的车辆和行人。

关键词：去雾处理 aod-net 车辆检测行人检测 SSD网络

基于改进aod-net的铁路低照度图像增强技术研究

在线全文

学校读者我要写书评

暂无评论

基于改进AOD-Net的铁路低照度图像增强技术研究

作者：邓裕华西南交通大学

学位级别：硕士

近年来,计算机视觉技术被广泛运用于铁路安全检测,具有准确性高和可实现非接触检测等优点。然而,在隧道和夜间等低照度环境下,因采集到的图像降质严重,导致特征提取困难,限制计算机视觉系统发挥效用。为提高计算机视觉系统在铁路低照度... 详细信息

近年来,计算机视觉技术被广泛运用于铁路安全检测,具有准确性高和可实现非接触检测等优点。然而,在隧道和夜间等低照度环境下,因采集到的图像降质严重,导致特征提取困难,限制计算机视觉系统发挥效用。为提高计算机视觉系统在铁路低照度环境下工作的可靠性,实现铁路检测系统的全天候工作,有必要对铁路低照度图像增强技术进行研究。首先,分析现有的铁路低照度图像增强算法,指出现有算法存在两个问题。第一个问题是:采用耗时较长的暗通道先验去雾算法增强图像中的低照度区域,造成算法实时性较差;第二个问题是:利用阈值分割等方法对图像中的高亮区域进行处理,固定的阈值适用范围有限,一旦低照度场景发生变化,阈值分割可能失效,导致算法的适用范围有限。针对现有算法存在的问题,结合铁路低照度图像的特性,提出一种基于改进All-in-One Dehazing network(aod-net)的铁路低照度图像增强方法。接着,分析aod-net去雾算法,指出其存在的问题,并做出改进:针对aod-net感受野过小、不利于提取大尺度特征,导致去雾后可能存在光晕现象的问题,引入混合空洞卷积,在不增加计算量和不降低分辨率的前提下,扩大卷积神经网络的感受野;针对aod-net平等对待不同层次特征的问题,设计特征融合模块,赋予不同层次特征以不同权重。为验证改进aod-net去雾算法的有效性,进行对比实验,实验结果表明改进aod-net去雾算法的去雾效果更好,且实时性优于暗通道先验去雾算法。最后,将改进aod-net去雾算法增强铁路低照度图像,针对图像中高亮区域出现过度增强的问题,采用伽马变换处理低照度图像,以提高高亮区域的对比度,利用图像融合技术将伽马变换增强的图像和改进aod-net去雾算法增强的图像进行融合,以消除光晕效应,实现低照度图像的整体增强。为验证本文算法的有效性,在铁路低照度图像上进行对比实验,实验结果表明本文算法在对比度提升、细节信息恢复、实时性和适用范围等方面都要优于现有的低照度图像增强算法。

关键词：低照度图像增强图像去雾 aod-net 混合空洞卷积伽马变换

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

雾天城市道路的车辆目标检测与分割研究

雾天城市道路的车辆目标检测与分割研究

作者：杨航长安大学

学位级别：硕士

交通安全与天气状况密切相关,在雾天环境中,能见度偏低,驾驶员视线受阻,在行车过程中容易引发交通事故。因此,智能交通系统和交通监控设备的性能在车辆检测方面也应依据环境变化得到改进。雾天环境下,车辆检测与分割极易产生漏检和错检... 详细信息

交通安全与天气状况密切相关,在雾天环境中,能见度偏低,驾驶员视线受阻,在行车过程中容易引发交通事故。因此,智能交通系统和交通监控设备的性能在车辆检测方面也应依据环境变化得到改进。雾天环境下,车辆检测与分割极易产生漏检和错检的问题,本文针对这一难题,提出适用于雾天环境中城市道路车辆检测与分割的算法模型,主要内容如下:1.针对现有去雾算法存在的去雾效果不佳、色彩偏暗,存在光晕、伪影等缺陷,选择对aod-net去雾算法进行改进。首先,分析并指出其感受野过小,提取的特征信息匮乏。利用RFB模块,在保证不增加计算量,分辨率不变的情况下,增扩了aod-net卷积神经网络的感受野;其次,针对去雾图像存在光晕、伪影的问题,在原aod-net基本结构上增加对比正则化模块,进一步提升去雾图像的质量。最后经实验证明,无论是白天还是夜晚,本文改进的aod-net去雾算法都能很好地实现雾天图像复原,且有较高实时性。2.在雾天环境中,一般车辆检测与分割算法的检测与分割精度普遍会被降低。本文针对雾天车辆数据集的特点,选择对Mask R-CNN目标检测与分割算法进行改进。首先,改进主干特征提取网络,使用引入通道维度注意机制的Res Ne St101替代原Res net101网络,提升网络的特征提取能力,提高网络的计算效率和实时性;其次,通过观察发现,城市道路场景中大多数车辆的宽度大于高度,选取K-means算法对anchor box重新聚类,求得具有代表性的anchor box;最后,对用于进行实例分割的Mask分支做改进,使用MLP解码器改善了在密集目标场景下学习混乱导致的分割精度下降问题。通过在白天和夜晚两个场景下进行对比实验,结果显示,该模型提高了雾天车辆检测与分割的速度和精度。在白天场景下,其m AP值达到了83.59%,比原模型高了3.06%,处理速度达到了4.9FPS。在夜晚场景下,其m AP值达到了82.10%,比原模型高了2.36%,处理速度达到了5.0FPS。3.由于雾天交通车辆数据集贫乏,导致模型的训练样本不足,因此构建了雾天车辆数据集。本文搜集的车辆数据集来源于City Scapes公开数据集和自身通过摄影设备拍摄的车辆图像,对于搜集的无雾车辆数据,采用大气散射原理进行雾天图像合成处理,从而构建充足的雾天车辆数据集。通过Cut Mix数据增强方式对模型输入端进行创新,一定程度解决了车辆之间相互遮挡以及绿化带遮挡车辆导致检测与分割能力降低的问题。

关键词：图像去雾 aod-net 目标检测与分割 Mask R-CNN

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

适应雾霾天气的轻量化交通标志识别算法研究

适应雾霾天气的轻量化交通标志识别算法研究

作者：乔欢欢长安大学

学位级别：硕士

交通标志识别作为无人驾驶和辅助驾驶的关键环节,是保障交通出行安全的重要方式。随着工业发展,雾霾天气的频繁出现导致依赖于计算机视觉的交通标志识别准确度下降,常用解决方法是在识别前对图像进行去雾预处理,但加入预处理模块容易导... 详细信息

交通标志识别作为无人驾驶和辅助驾驶的关键环节,是保障交通出行安全的重要方式。随着工业发展,雾霾天气的频繁出现导致依赖于计算机视觉的交通标志识别准确度下降,常用解决方法是在识别前对图像进行去雾预处理,但加入预处理模块容易导致模型增大,不易部署在内存和计算资源有限的车载设备端。因此本文研究了适应雾霾天气下的轻量化交通标志识别算法,旨在克服恶劣天气对图像质量的影响,同时保证交通标志识别模型轻量、准确、快速。本文主要研究内容如下:(1)针对雾霾天气下采集到的低质量道路交通图像会影响后续目标检测准确度的问题,提出基于aod-net(All-in-One Dehazing network)改进的算法对图像去雾,改善图像质量。aod-net具有较好的去雾速度,但去雾效果有待加强,为了平衡二者关系,在网络结构中引入通道注意力和金字塔池化模块并修改损失函数,增强对雾霾图像特征的提取能力,使去雾后的图像细节与纹理特征更丰富。同时,使用深度可分离卷积替换部分原算法中的传统卷积,以保持较快的去雾速度。实验结果表明,改进后的aod-net算法仅付出很小的时间代价,有效提高图像的去雾效果,去雾后的图像在色彩和细节纹理上得到较好的恢复,有利于提高后续交通标志识别的准确率。(2)针对现有交通标志识别算法存在模型内存、检测速度和检测精度较难平衡的问题,提出基于YOLOv5s(You Only Look Once version 5 small)改进的轻量化目标检测算法YOLOv5s-GC。首先,引入轻量级Ghost模块替换原算法中的C3层和卷积层,降低模型大小、提高检测速度。其次,加入坐标注意力机制加强特征提取能力,弥补轻量化带来的精度损失。最后,使用K-means++聚类算法获取适合交通标志数据集的先验框进一步提高检测精度。实验结果表明,改进后的交通标志识别模型大小仅有8.9MB,相比YOLOv5s算法降低37%,检测精度提升1.2%,识别速度加快24%,能更好适用于实际驾驶场景。(3)设计适应雾霾天气下的交通标志识别方法。引入雾图判别模块,利用灰度直方图特征判别出有雾图像。对有雾图像结合改进的aod-net去雾算法和YOLOv5s-GC算法,先去雾再识别。实验结果表明,该方法对有雾图像的交通标志识别精度达到84.8%,相比直接识别雾图的方式,精度提升5.2%,较好实现了对雾霾天气下交通标志的识别。

关键词：交通标志识别图像去雾深度学习 aod-net YOLOv5s

基于aod-net的交通道路图像大气能见度检测系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电脑知识与技术 2021年第18期17卷 199-200页

作者：陈勇王绎凯王振宇南昌工程学院江西南昌330099

针对目前应用较为广泛的传统交通道路大气能见度检测设备价格昂贵、未能满足覆盖大面积路网等问题,基于aod-net及道路监控设备,提出一种新型能见度检测系统。系统采用aod-net对道路图像信息进行处理,并通过算法构建模型给出相对准确的... 详细信息

针对目前应用较为广泛的传统交通道路大气能见度检测设备价格昂贵、未能满足覆盖大面积路网等问题,基于aod-net及道路监控设备,提出一种新型能见度检测系统。系统采用aod-net对道路图像信息进行处理,并通过算法构建模型给出相对准确的大气能见度数据。采用PyQt创建GUI程序平台,方便用户使用图像资料完成对交通道路大气能见度的检测。

关键词：能见度检测深度学习 aod-net PyQt 图像识别交通管理

在线全文

学校读者我要写书评

暂无评论

基于深度学习的雾天车辆检测算法研究

基于深度学习的雾天车辆检测算法研究

作者：张骞桂林电子科技大学

学位级别：硕士

近年来,智能驾驶技术的广泛应用为人们的日常出行提供了极大的便利,但是随着交通安全的日益重视,不良天气下的车辆检测技术变得更加重要。车载视觉传感器在雾霾场景中拍摄的图像模糊、目标难以分辨,这一情况造成了深度学习算法性能的降... 详细信息

近年来,智能驾驶技术的广泛应用为人们的日常出行提供了极大的便利,但是随着交通安全的日益重视,不良天气下的车辆检测技术变得更加重要。车载视觉传感器在雾霾场景中拍摄的图像模糊、目标难以分辨,这一情况造成了深度学习算法性能的降低,无法得到理想的预测效果。目前,现有的轻量级去雾算法在致力于提升模型推理速度的同时难以兼顾实际的去雾需求,主要体现在轻量级去雾算法的网络结构较浅、特征信息提取不充分,导致图像的去雾效果较差,难以为后续的目标检测任务提供清晰的无雾图像;其次,现有的目标检测算法常采用串联式的特征提取网络,受到雾天的影响较大,提取到的特征信息存在较多的噪声干扰,导致模型的检测精度较低。为了解决上述两方面的问题,本文以提高雾天场景下的车辆检测精度为目标,研究了基于深度学习的轻量级去雾算法和双阶段目标检测网络,主要的研究内容如下:针对aod-net去雾算法去雾不彻底、存在色差的问题,提出一种改进的轻量级图像去雾算法。首先对aod-net的前两个卷积层进行位置归一化,并将提取的矩信息输入后续的网络层中进行仿射变换,改善原有网络中的数据分布,优化网络的收敛能力。其次,引入注意力模块,使用多尺度的卷积核提取特征信息,加权融合特征并调整网络通道的权重,抑制冗余信息,提高模型的去雾质量。在公开数据集RESIDE上与现有的轻量级去雾算法进行对比和分析,实验结果表明,改进aod-net算法的去雾质量优于DCP、CAP和Dehaze-net等去雾算法。与原aod-net相比,优化算法的峰值信噪比PSNR提高了 2.71dB,结构相似度SSIM达到0.94,有效提升网络的图像去雾能力,能够为后续的检测任务提供清晰的去雾图像,进一步提升模型的检测精度。针对雾天场景下目标难以分辨等导致错检、漏检的问题,提出了一种融合高分辨率网络的目标检测算法(High Resolution Cascade R-CNN,HR-Cascade R-CNN)。采用高分辨率网络作为Cascade R-CNN的特征提取网络,通过不同分辨率的子网络并行连接,提取多尺度的特征信息,减少下采样过程中的信息损失,增强目标的语义信息表示;使用CIOU损失函数替换原有的Smooth L1损失函数,引入惩罚项度量真实框与检测框之间宽高比的相关性,优化网络的收敛效果;最后,采用SoftNMS改进预测框选择机制,降低车辆遮挡等情况下的漏检率,提高网络的检测能力。在真实雾天数据集上的实验结果表明,HR-Cascade R-CNN能够有效检测到雾天场景下的车辆、行人等目标信息。与原Cascade R-CNN相比,HR-Cascade R-CNN结合改进aod-net算法去雾前后的平均检测精度分别提高了 5.9%和6.9%,具备良好的检测性能。

关键词：图像去雾目标检测高分辨率 aod-net Cascade R-CNN