科研之友
微信
新浪微博
Facebook
分享链接
摘要
车载视觉系统是未来城市轨道交通安全运行的重要保障，列车在封闭环境或夜间运行时所处的弱光照环境会严重影响车载视觉系统的检测效果。为此，提出了一种针对铁路封闭环境或夜间行车环境下低照度图像的实时视觉增强算法。该算法以密集连接网络结构为骨干网建立特征尺寸不变网络，提取图像光照、颜色等信息输出光照增强率图，并基于非线性映射函数调整每个像素的光照强度，通过分级结构将低照度输入图像的曝光率由低层到高层不断增强。本文建立的深度学习网络模型采用自监督的方式训练网络参数，利用低照度图像自身特征和先验知识构建损失函数，其由曝光损失、色彩恒定损失及光照平滑度损失三个分量组成。多种场景下的低照度增强实验结果显示本文算法能够对输入图片曝光值进行自适应，对低曝光以及高曝光区域动态调整曝光率从而改善低照度图片的可视化效果，处理速度能够达到160帧/s，满足实时性处理的要求。通过在低照度增强前后的轨道分割及行人检测算法性能对比实验证明：所提出的算法能够大大提高暗光环境下的视觉检测效果，在RSDS数据集中轨道分割F值提高5%以上，在轨道场景下行人检测误检率及漏检率均有效降低。
- 单位
