-
公开(公告)号:CN117237859B
公开(公告)日:2024-02-13
申请号:CN202311509301.2
申请日:2023-11-14
Applicant: 南京信息工程大学
IPC: G06V20/50 , G06V20/10 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明公开了基于低光照增强的夜间高速公路雾天能见度检测方法,包括:实时获取高速公路上的摄像头拍摄的夜间高速公路雾天情况的图像数据;输入至低光图像增强的能见度检测网络模型,该模型包括增强网络模块、亮通道先验计算模块、融合分类网络,分别获得夜间图像的深度视觉特征、亮度特征,并通过融合分类网络进行能见度预测,输出能见度等级分类;设计低光图像增强的网络模型的损失函数并进行训练;训练好的低光图像增强的网络模型实现对夜间图像进行低光照增强,并通过Transformer实现特征的融合分类,能够有效提升夜间高速公路(56)对比文件文星等.面向路灯照明自适应调节的雾天能见度分类《.无线电通信技术》.2023,第49卷(第2期),第325-330页.张晨.雾天条件下图像可见度复原算法研究《.中国优秀硕士学位论文全文数据库 信息科技辑》.2021,(第1期),第I138-2024页.沈克成等.可见光-远红外图像的多模态能见度深度学习模型《.计算机辅助设计与图形学学报》.2021,第33卷(第6期),第939-946页.Jiaping Li等.A Transfer LearningMethod for Meteorological VisibilityEstimation Based on Feature FusionMethod《.applied sciences》.2021,第11卷(第3期),第1-21页.
-
公开(公告)号:CN114627382A
公开(公告)日:2022-06-14
申请号:CN202210508579.7
申请日:2022-05-11
Applicant: 南京信息工程大学
IPC: G06V20/10 , G06V20/52 , G06V20/58 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本申请涉及一种联合行道线几何先验的高速公路雾天能见度检测方法。该方法包括:实时获取高速公路上的摄像头拍摄的高速公路雾天情况的图像数据;将高速公路雾天情况的图像数据输入到训练好的双分支分类网络模型的行道线检测分支和深度神经网络视觉特征提取分支,对应输出行道线检测标签和道路区域的视觉特征;训练好的双分支分类网络模型的融合分类模块根据行道线检测标签计算高速公路可见区域的长度特征,并融合道路区域的视觉特征进行分类,确定摄像头拍摄的高速公路对应的雾天能见度等级,联合行道线长度特征进行分类,分类准确度高,从而提高了高速公路雾天能见度检测的准确率。
-
公开(公告)号:CN117237859A
公开(公告)日:2023-12-15
申请号:CN202311509301.2
申请日:2023-11-14
Applicant: 南京信息工程大学
IPC: G06V20/50 , G06V20/10 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明公开了基于低光照增强的夜间高速公路雾天能见度检测方法,包括:实时获取高速公路上的摄像头拍摄的夜间高速公路雾天情况的图像数据;输入至低光图像增强的能见度检测网络模型,该模型包括增强网络模块、亮通道先验计算模块、融合分类网络,分别获得夜间图像的深度视觉特征、亮度特征,并通过融合分类网络进行能见度预测,输出能见度等级分类;设计低光图像增强的网络模型的损失函数并进行训练;训练好的低光图像增强的网络模型实现对夜间图像进行低光照增强,并通过Transformer实现特征的融合分类,能够有效提升夜间高速公路雾天能见度检测的准确率。
-
公开(公告)号:CN114627382B
公开(公告)日:2022-07-22
申请号:CN202210508579.7
申请日:2022-05-11
Applicant: 南京信息工程大学
IPC: G06V20/10 , G06V20/52 , G06V20/58 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本申请涉及一种联合行道线几何先验的高速公路雾天能见度检测方法。该方法包括:实时获取高速公路上的摄像头拍摄的高速公路雾天情况的图像数据;将高速公路雾天情况的图像数据输入到训练好的双分支分类网络模型的行道线检测分支和深度神经网络视觉特征提取分支,对应输出行道线检测标签和道路区域的视觉特征;训练好的双分支分类网络模型的融合分类模块根据行道线检测标签计算高速公路可见区域的长度特征,并融合道路区域的视觉特征进行分类,确定摄像头拍摄的高速公路对应的雾天能见度等级,联合行道线长度特征进行分类,分类准确度高,从而提高了高速公路雾天能见度检测的准确率。
-
-
-