文献类型：期刊文章

作　　者：郭迎[1] 梁睿琳[1] 王润民[1]

GUO Ying;LIANG Ruilin;WANG Runmin(The Joint Laboratory for Internet of Vehicles of Ministry of Education-China Mobile Communications Corporation,Chang’an University,Xi’an 710018,China)

机构地区：[1]长安大学车联网教育部-中国移动联合实验室,西安710018

出　　处：《计算机工程与应用》

基　　金：国家重点研发计划(2021YFB2501200);陕西省重点研发计划(2021LLRH-04-01-03);中央高校基本科研业务费专项资金(300102242501);国家自然科学基金区域创新发展联合基金重点项目(U22A20247)。

年　　份：2023

卷　　号：59

期　　号：16

起止页码：187-195

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对自动驾驶车辆视觉感知系统在雾天条件下捕获图像质量较低,造成目标检测算法精度下降的问题,提出一种基于卷积神经网络(convolutional neural networks,CNN)图像增强的跨域自适应雾天目标检测方法。构建一个端到端目标检测网络,融合数字图像处理技术(digital image processing,DIP)和CNN的自适应图像增强模块,通过小型CNN参数预测器自适应学习增强参数,提升雾天图像质量;进一步地,将多尺度领域自适应(domain adaptive,DA)模块与YOLOv4主干网络相连,通过对抗训练减少由雾天造成的领域差异,提高雾天目标检测精度。在训练阶段,所提方法以端到端的方式学习CNN、DA模块以及YOLOv4,而在目标检测阶段将移除CNN及DA模块,仅使用预训练权重在正常天气和雾天天气自适应地检测图像,不会增加原有网络复杂性,从而保证自动驾驶车辆的实时性要求。在公开数据集Foggy Cityscapes上的实验表明,采用所提方法使雾天图像质量显著增强,目标检测平均精度提升了10.4%,有效提升了雾天条件下自动驾驶车辆对目标的识别能力。

关 键 词：自动驾驶 目标检测 图像增强 卷积神经网络(CNN)  领域自适应 YOLOv4  

分 类 号：TP391]