极端天气下的目标检测与测距算法

置顶阿利同学

已于 2024-01-07 17:32:12 修改

阅读量8.7k

点赞数 26

分类专栏：计算机视觉感知文章标签： python 目标检测图像处理计算机视觉自动驾驶

于 2022-04-19 10:53:24 首次发布

本文链接：https://blog.csdn.net/alililiya/article/details/124267758

版权

计算机视觉感知专栏收录该内容

25 篇文章 15 订阅

订阅专栏

更多视觉额自动驾驶项目请见：
小白学视觉
 自动驾驶项目
 计算机视觉项目大集合-附代码

本文主要工作：

科技的发展与进步促使自动驾驶车辆逐渐成为全球汽车产业发展的重要战略方向。但自动驾驶车辆面对如：大雨、大雾、大雪等极端环境时，智能汽车图像采集与处理系统将面临巨大挑战。
并且自动驾驶需要实时关注周围物体的威胁，实时进行目标检测以及精确测量周围目标的距离是提高汽车安全性的可行之策。
**本文首先训练出一种天气分类模型，实时识别当下天气情况。
其次针对不同天气情况则采取不同的图像去噪方法来提高图像质量。
天气前处理完成后将采取改进的 Yolo 模型对前方行人、车辆等道路环境目标进行目标检测。
最后对目标检测定位到的物体采用改进目标点的测距方法进行距离测量，为自动驾驶主动安全行为提供支持。**
总结：本文完成了去雾、去雨、去雪，目标检测与车辆距离测量。运用了yoloV3目标检测，单目测距，prescan仿真。本文代码分享与论文撰写相关的同学可以一起交流。如果对你有用，欢迎私聊点赞交流–

接下来进入正文，准备发车----------->

1.天气分类

为了实时识别出当下的天气情况，利用卷积神经网络搭建了天气分类模型。针对搜集到的天气图像数量少且不具代表性的问题，通过改进 mosaic 和图像合成手段进行数据增强与扩充。为了提升模型精度，将数据集划分成 6 种大小不同的批尺寸，改进激活函数并引入模型优化方案。最终将数据集输送到天气分类模型训练后得到了良好的权重系数。该模型可以对实时出现的晴天、雨天、雾天、雪天四种天气进行识别分类，分类精确度可达 93.46%。

mosic天空区域图像增强：

在这里插入图片描述

数据增强主要代码部分：

def readxml(image_file):
    

    if image_file.split(".")[1] == 'png':
        xml_path = os.path.join(path_origin_xml, image_file.replace('png', 'xml'))
    else:
        xml_path = os.path.join(path_origin_xml, image_file.replace('jpg', 'xml'))

    root = ET.parse(xml_path).getroot()
    bb = []
    for obj in root.iter('object'):  # 获取object节点中的name子节点

        bbox = obj.find('bndbox')

        xmin = int(float(bbox.find('xmin').text.strip()))
        ymin = int(float(bbox.find('ymin').text.strip()))
        xmax = int(float(bbox.find('xmax').text.strip()))
        ymax = int(float(bbox.find('ymax').text.strip()))
####-----------------非常重要----------------########  下面的1需要修改     具体修改见链接
        bb.append(np.array([xmin, ymin, xmax, ymax, 1]))

    return np.array(bb)


if __name__ == "__main__":


    lines = []

    for filename in os.listdir(os.path.join(image_path, '')):
        if filename.endswith(".jpg") or filename.endswith(".JPG") or filename.endswith(".png"):
            lines.append(filename)
    print(lines)

    list1 = list(range(0,len(lines)))

    print("list1:",list1)

四种天气数据集：**

当涉及到自动驾驶技术时，天气数据的作用更加显著。以下是天气数据在自动驾驶中的几个重要作用：

预测能见度和道路状况：天气数据可以提供当前和未来的能见度信息以及道路的湿滑程度、积雪情况等。这对于自动驾驶车辆的感知和决策非常重要，因为它们需要根据道路状况调整行驶速度和操控方式，以确保安全驾驶

。

优化路径规划和行驶策略：天气数据可以为自动驾驶车辆提供实时的气象信息，例如风速、降水情况和温度变化等。基于这些数据，自动驾驶系统可以选择最佳的路径规划和行驶策略，以应对不同的天气条件，并提供更加安全和高效的驾驶体验。
调整车辆控制系统：天气数据还可以帮助自动驾驶车辆调整其控制系统，以适应不同的天气条件。例如，在下雨或结冰的天气中，车辆可能需要调整制动和驱动力分配，以确保更好的牵引力和稳定性。
提供实时警报和建议：通过实时监测天气数据，自动驾驶系统可以向驾驶员或乘客提供相关的警报和建议。例如，在遇到暴风雨或冰雪道路条件时，系统可以提醒驾驶员减速或寻找安全停靠地点。

在这里插入图片描述

天气分类代码部分：

--------------qq1309399183---------------
data_transforms = {
    'train': transforms.Compose([
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ]),
    'val': transforms.Compose([
        transforms.Resize(256),
        transforms.CenterCrop(224),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
    ]),
}

data_dir = 'data/weather_data'
image_datasets = {x: datasets.ImageFolder(os.path.join(data_dir, x),
                                          data_transforms[x])
                  for x in ['train', 'val']}
dataloaders = {x: torch.utils.data.DataLoader(image_datasets[x], batch_size=4,
                                             shuffle=True, num_workers=4)
              for x in ['train', 'val']}
dataset_sizes = {x: len(image_datasets[x]) for x in ['train', 'val']}
class_names = image_datasets['train'].classes

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

2.极端天气下图像前处理**

（1）去雾*

针对不同的天气则采取不同的图像前处理方法来提升图像质量。
雾天天气时，针对当下求解的透射率会导致去雾结果出现光晕、伪影现象，本文采用加权最小二乘法细化透射率透。
针对四叉树法得到的大气光值不精确的问题，改进四叉树法来解决上述问题。将上述得到的透射率和大气光值代入大气散射模型完成去雾处理；下图为去雾前后对比图。

去雾前：

在这里插入图片描述
去雾后：

去雾关键代码

ef Transmission(src_img):
    
    temp = np.min(src_img,2)
    r1=1   
    s = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (r1,r1))

    dst = cv2.erode(temp, s)
    
    h,w=temp.shape
    window=np.zeros((h,w))
    r=1
    for i in range(r,h-r,1):
        for j in range(r,w-r,1):

            window[i-r:i+r+1,j-r:j+r+1]=dst[i-r:i+r+1,j-r:j+r+1]

            sum_=np.sum(window[i-r:i+r+1,j-r:j+r+1])
            devide=sum_/((2*r+1)*(2*r+1))
            window[i-r:i+r,j-r:j+r]=devide
    darkChannel=cv2.dilate(window,np.ones((r1,r1)))
    darkChannel=(1-darkChannel)*255.0
    return darkChannel

（2）去雨*

面对雨天环境则采取主成分分析方法获取雨线图中雨线噪声的大小和形状信息，并将其与自适应阈值进行比较。
当满足条件时，利用一种方法将雨线与之邻近的无雨背景层进行关联来达到去雨目的；

去雨流程图：
在这里插入图片描述

去雨关键代码：

ef pre_mark(I,b,g,r):
    
    w1=w2=7
    K_Left_Up = np.zeros((2*w1-1, 2*w2-1))
    K_Right_Up = np.zeros((2*w1-1, 2*w2-1))
    K_Center = 1/(w1*w2)*np.ones((w1, w2))
    K_Left_Down =np.zeros((2*w1-1, 2*w2-1))
    K_Right_Down = np.zeros((2*w1-1, 2*w2-1))

    K_Left_Up[0:w1, 0:w2] = 1/(w1*w2)*np.ones((w1, w2))
    # print(K_Left_Up.shape)
    K_Right_Up[0:w1,w2-1:2*w2] = 1/(w1*w2)*np.ones((w1, w2))
    # print(K_Right_Up)
    K_Left_Down[w1-1:2*w1, 0:w2] = 1/(w1*w2)*np.ones((w1, w2))
    K_Right_Down[w1-1:2*w1, w2-1:2*w2] = 1/(w1*w2)*np.ones((w1, w2))
    #LU
    b1=scipy.ndimage.filters.convolve(b, K_Left_Up, mode='nearest')
    g1=scipy.ndimage.filters.convolve(g, K_Left_Up, mode='nearest')
    r1=scipy.ndimage.filters.convolve(r, K_Left_Up, mode='nearest')
    I_LU=cv2.merge((b1,g1,r1))
    #RU
    b2=scipy.ndimage.filters.convolve(b, K_Right_Up, mode='nearest')
    g2=scipy.ndimage.filters.convolve(g, K_Right_Up, mode='nearest')
    r2=scipy.ndimage.filters.convolve(r, K_Right_Up, mode='nearest')
    I_RU=cv2.merge((b2,g2,r2))
    #C
    b3=scipy.ndimage.filters.convolve(b, K_Center, mode='nearest')
    g3=scipy.ndimage.filters.convolve(g, K_Center, mode='nearest')
    r3=scipy.ndimage.filters.convolve(r, K_Center, mode='nearest')
    I_C=cv2.merge((b3,g3,r3))
    #LD
    b4=scipy.ndimage.filters.convolve(b, K_Left_Down, mode='nearest')
    g4=scipy.ndimage.filters.convolve(g, K_Left_Down, mode='nearest')
    r4=scipy.ndimage.filters.convolve(r, K_Left_Down, mode='nearest')
    I_LD=cv2.merge((b4,g4,r4))
    #RD
    b5=scipy.ndimage.filters.convolve(b, K_Right_Down, mode='nearest')
    g5=scipy.ndimage.filters.convolve(g, K_Right_Down, mode='nearest')
    r5=scipy.ndimage.filters.convolve(r, K_Right_Down, mode='nearest')
    I_RD=cv2.merge((b5,g5,r5))

去雨结果：

在这里插入图片描述

（3）去雪*

雪天天气时，本文在去雨算法的基础上引入一种图像处理手段，完成对图像中雪斑的进一步处理。
通过与经典算法定性以及定量比较，所提算法在结果中具良好的有效性和优越性。

去雪前后对比图：
在这里插入图片描述

去雪关键代码：

def refine_mark(I):
    T1=0.04
    T2=0.04
   
    L,num = measure.label(I, neighbors = None, background = None, return_num = True, connectivity = 2)

    Theta_cluster = []
    for i in range(1,num,1):
        b=np.argwhere(L==i)
        h,_=b.shape
        c=b-np.mean(b,0)

        c_T=c.T