论文部分内容阅读
基于视觉图像的城市道路车辆检测是计算机视觉领域重要的研究课题之一,目前在白天环境下已取得良好的成果,但夜间环境的车辆检测问题仍存在许多研究难点。现已有的基于视觉图像的夜间车辆检测方法主要以车灯为主要特征,但容易受到低光照、复杂灯光等因素的影响。根据目前夜间车辆检测存在的难点,本文主要创新点是提出一种联合生成对抗网络(Generative Adversarial Network,GAN)的夜间车辆检测算法,可有效增强夜间车辆视觉信息,提高车辆召回率和降低误检率,具体内容如下:(1)针对夜间复杂的光线环境,本文提出一种基于GAN网络特征转换-增强的车辆级联检测网络(feature translate-enhancement generative adversarial network for vehicle detection,Fte Gan Vd)。首先,Fte Gan Vd是由两个模块组成:1)基于Cycle GAN的图像特征增强模块:先通过增强模块的生成器将夜间图像转换成白天图像,提高图像亮度并增强车身和背景对比度。然后将转换前后夜间和白天图像的多尺度特征融合得到增强的图像特征;2)车辆检测模块:基于现有的目标检测网络作为检测器与增强模块级联,将增强特征输入到检测模块完成车辆检测。其次,为了提高网络对车辆的注意力,本文对生成器的损失函数提出改进,通过车辆的位置标签生成权重模板,调整车辆和背景的损失比重,提高增强模块对车辆的感知,使得生成器更加注重车辆的转换结果。(2)结合实际应用的实时性需求,本文提出夜间图像转换和车辆检测的多任务网络,采用卷积层共享方式有效减少网络参数量和计算量。首先,转换任务和检测任务共享一个主干网络,提取夜间图像的相似性信息,接着经过两个子网络,分别同时完成夜间到白天的图像转换和夜间车辆检测两个任务。此外,通过融合转换任务与检测任务的多尺度特征,结合了夜间和白天两种不同信息增强车辆特征的鲁棒性,从而提高检测任务的精度。为验证所提出算法的有效性,本文在公开数据集Berkeley Deep Drive(BDD)和个人数据集上进行实验,并和现有的目标检测神经网络进行了对比,在不同数据集上本文算法的平均准确率都得到不同程度的提升。通过对比相同召回率时的精确率以及相同精确率时的召回率,实验结果表明了本文的方法可以有效地提升车辆识别能力,在提升车辆召回率的同时降低了误检率。