基于AOD-Net和SSD的霧天車(chē)輛和行人檢測(cè)

陳瓊紅，冀 杰，種一帆，宮銘錢(qián)

（西南大學(xué) 工程技術(shù)學(xué)院，重慶 400715）

車(chē)輛和行人檢測(cè)是實(shí)現(xiàn)智能交通以及自動(dòng)駕駛的必經(jīng)之路。在霧霾天氣下，通過(guò)相機(jī)拍攝的圖片對(duì)比度下降、可辨識(shí)度較低［1］，嚴(yán)重影響城市道路上車(chē)輛和行人的檢測(cè)。因此，利用霧天環(huán)境下的車(chē)輛和行人檢測(cè)，精確感知道路前方的交通信息，對(duì)降低交通事故的發(fā)生率和保障駕乘人員的人身安全有重要意義。

霧天環(huán)境下的車(chē)輛與行人檢測(cè)分為2個(gè)階段，去霧階段和車(chē)輛與行人檢測(cè)階段［2］。目前，霧天圖片的去霧處理主要分為圖像增強(qiáng)［3］和圖像復(fù)原［4-8］兩大類(lèi)。He等［4］提出基于暗通道先驗(yàn)知識(shí)統(tǒng)計(jì)的去霧算法，該方法往往高估霧氣濃度，導(dǎo)致去霧過(guò)度；Tang等［9］利用隨機(jī)森林法對(duì)霧天圖片中的特征進(jìn)行學(xué)習(xí)，從而得到最優(yōu)傳播圖；Cai等［10］提出DehazeNet，利用卷積網(wǎng)絡(luò)［11-12］提取圖片特征并得到圖片傳輸圖。該方法在某些特殊場(chǎng)景，會(huì)造成該環(huán)境下的傳播圖估計(jì)不準(zhǔn)確，導(dǎo)致去霧效果不理想。綜上所述，目前的去霧算法主要是根據(jù)大氣散射模型原理，分別對(duì)傳輸圖和全局大氣光值進(jìn)行估計(jì)，最終得到恢復(fù)的真實(shí)圖片。本文選用AOD-Net（All-in-One Dehazing Network）算法［13］，利用卷積網(wǎng)絡(luò)對(duì)全局大氣光值和傳輸圖進(jìn)行聯(lián)合估計(jì)，從而得到恢復(fù)的真實(shí)場(chǎng)景圖片，使得重建誤差更?。?4］。

在圖像目標(biāo)檢測(cè)領(lǐng)域，利用深度學(xué)習(xí)進(jìn)行目標(biāo)檢測(cè)的算法主要分為雙階段［15-17］和單階段［18-19］兩大類(lèi)?！半p階段”是指先對(duì)圖片生成建議候選區(qū)域，再進(jìn)行預(yù)測(cè)識(shí)別，以Girshick R等提出的R-CNN系列為代表，其中Faster R-CNN對(duì)目標(biāo)檢測(cè)的影響較為深遠(yuǎn)；“單階段”則不需要生成建議區(qū)域，直接進(jìn)行預(yù)測(cè)識(shí)別，以Redmon J提出的YOLO系列和Liu W等提出的SSD（Single Shot MultiBox Detector）［19］為代表。其中，SSD網(wǎng)絡(luò)延續(xù)了YOLOv1網(wǎng)絡(luò)直接對(duì)檢測(cè)對(duì)象回歸出預(yù)測(cè)框和分類(lèi)概率的特點(diǎn)，又借鑒了Faster R-CNN網(wǎng)絡(luò)中利用RPN層產(chǎn)生大量的anchor的特點(diǎn)。除此之外，SSD的網(wǎng)絡(luò)訓(xùn)練框架相對(duì)簡(jiǎn)潔，因此SSD與Faster R-CNN相比檢測(cè)速度更快且檢測(cè)精度與Faster R-CNN相媲美；SSD框架與YOLOv1框架相比，其檢測(cè)精度和檢測(cè)速度更高。本文選用SSD網(wǎng)絡(luò)實(shí)現(xiàn)車(chē)輛和行人檢測(cè)，其流程如圖1所示。

圖1 算法流程框圖

1 霧天圖片處理

在霧霾天氣下，導(dǎo)致相機(jī)拍攝到的圖片質(zhì)量降低有2個(gè)方面，一方面是大氣中懸浮粒子對(duì)入射光的散射作用，造成入射光從景物點(diǎn)傳播到成像設(shè)備觀測(cè)點(diǎn)的過(guò)程中出現(xiàn)削弱衰減現(xiàn)象；另一方面是大氣中的大氣微粒偏離原來(lái)的傳播方向融入到成像光路中，并與目標(biāo)物體的反射光一起參與成像。

McCartney提出大氣散射模型理論［20］揭示霧天圖片顏色衰退以及對(duì)比度下降的原因。大氣散射模型由入射光衰減模型和大氣光成像模型兩部分組成。其中，入射光衰減模型描述場(chǎng)景反射光線傳播到觀測(cè)點(diǎn)的能量變化；大氣光主要由同樣直射光、天空散射光和地面反射光組成，因此傳播距離越大，大氣光在成像模型中的影響越大。

根據(jù)大氣散射模型理論，得到霧天圖像退化模型的公式如下所示。

式中：I（x）為帶霧圖片；J（x）為恢復(fù)的真實(shí)場(chǎng)景圖片；A為全局大氣光值，表示觀測(cè)方向上大氣環(huán)境中其他光路在觀測(cè)方向上的影響，一般為全局常量；t（x）為透射率，即傳輸圖，描述光線對(duì)霧氣的穿透能力，一般取值0～1之間。

當(dāng)大氣同質(zhì)時(shí)，透射率可以表示為

式中：β為散射率，當(dāng)大氣均勻時(shí)，在一定時(shí)刻對(duì)于整幅圖像來(lái)說(shuō)β是一個(gè)定值；d（x）為場(chǎng)景對(duì)象到傳感器的距離，即場(chǎng)景深度。

對(duì)式（1）進(jìn)行整理，得到恢復(fù)的真實(shí)場(chǎng)景圖片表達(dá)式為

AOD-Net算法由K值估計(jì)模型和清晰圖片生成模型2個(gè)部分組成，AOD-Net算法的模型如圖2所示。

圖2 AOD-Net模型

K值估計(jì)模型對(duì)輸入圖片的傳輸圖和全局大氣光值進(jìn)行聯(lián)合估計(jì)，如式（4）所示。

式中，b為常數(shù)偏置，默認(rèn)值為1。

從式（4）可以看出，K（x）除了與透射率t（x）和全局大氣光值A(chǔ)有關(guān)，還與輸入圖像I（x）有關(guān)，K（x）隨著輸入圖像I（x）變化而變化，從而建立了一個(gè)輸入自適應(yīng)模型。通過(guò)最小化輸出圖像J（x）與清晰圖像之間的重構(gòu)誤差來(lái)訓(xùn)練模型，使輸出J（x）與清晰圖像的誤差最小，從而輸出恢復(fù)的真實(shí)場(chǎng)景圖片J（x）。

K值估計(jì)模型的結(jié)構(gòu)如圖3所示，由5個(gè)卷積層和3個(gè)連接層組成。卷積層分別采用不同大小的卷積核來(lái)提取不同尺度的特征，且每個(gè)卷積層僅使用3個(gè)卷積核。為了將不同卷積層提取到的特征相結(jié)合，在卷積層之間加入Concat層。其中Concat1將Conv1和Conv2提取到的特征連接在一起；Concat2將Conv2和Conv3提取到的特征連接在一起；Concat3將Conv1、Conv2、Conv3和Conv4提取到的特征連接在一起。利用Concat層既可以結(jié)合多種特征，實(shí)現(xiàn)從低層特征到高層特征的平滑轉(zhuǎn)換；又可以補(bǔ)償在卷積過(guò)程中的信息損失。

圖3 K值估計(jì)模型

根據(jù)大氣散射模型原理，將估計(jì)得到的K（x）代入式（3），得到清晰圖片生成模型的公式如下。

利用AOD-Net算法對(duì)圖片的透射率t（x）和全局大氣光值A(chǔ)進(jìn)行聯(lián)合估算，得到恢復(fù)的真實(shí)場(chǎng)景圖片J（x），為后續(xù)SSD網(wǎng)絡(luò)的模型訓(xùn)練奠定基礎(chǔ)。

2 車(chē)輛和行人檢測(cè)

本文采用SSD算法作為霧天車(chē)輛和行人的檢測(cè)網(wǎng)絡(luò)。在SSD網(wǎng)絡(luò)中將提取到的多級(jí)特征圖作為車(chē)輛和行人分類(lèi)及其預(yù)測(cè)框回歸的依據(jù)，在SSD網(wǎng)絡(luò)中，靠前的卷積層提取到的特征圖（大特征圖）用于檢測(cè)圖片中遠(yuǎn)處的車(chē)輛和行人以及近處的小目標(biāo)行人；靠后卷積層提取到的特征圖（小特征圖）用于檢測(cè)近處的車(chē)輛和行人，從而達(dá)到多尺度特征的檢測(cè)效果。SSD網(wǎng)絡(luò)框架由基礎(chǔ)網(wǎng)絡(luò)層和輔助網(wǎng)絡(luò)層2個(gè)部分組成，如圖4所示。

1）基礎(chǔ)網(wǎng)絡(luò)層：本文選取VGG16作為車(chē)輛和行人檢測(cè)的基礎(chǔ)網(wǎng)絡(luò)，將原VGG16中的FC6和FC7 2個(gè)全連接層分別改為卷積層Conv6和Conv7，然后去掉dropout層和FC8層。其中Conv6采用空洞卷積，使得網(wǎng)絡(luò)在不增加參數(shù)及模型復(fù)雜度的情況下卷積視野指數(shù)級(jí)擴(kuò)大。

2）輔助網(wǎng)絡(luò)層：由位于基礎(chǔ)網(wǎng)絡(luò)層之后的4個(gè)卷積層組成，分別提取不同的特征圖用于車(chē)輛和行人檢測(cè)的分類(lèi)和預(yù)測(cè)框回歸。

圖4 SSD網(wǎng)絡(luò)結(jié)構(gòu)圖

由圖4可知，最后用于車(chē)輛和行人目標(biāo)分類(lèi)及預(yù)測(cè)框坐標(biāo)回歸的特征圖由Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2和Conv11_2等提供，利用不同的特征圖進(jìn)行分類(lèi)回歸能夠提升模型對(duì)車(chē)輛和行人的檢測(cè)精度，且在每一層特征圖上的每一個(gè)單元產(chǎn)生先驗(yàn)框的過(guò)程如下。

式中：m為特征圖個(gè)數(shù)；sk為第k個(gè)特征圖的尺度；smin為先驗(yàn)框的最小值，smin=0.2；smax為先驗(yàn)框的最大值，smax=0.9。

Conv4_3、Conv10_2、Conv11_2等卷積層提取特征圖的每一個(gè)單元產(chǎn)生4個(gè)先驗(yàn)框，其高寬比ar1有2種尺寸，一般取ar1=｛1，2，1/2｝；對(duì)于Conv7、Conv8_2、Conv9_2等卷積層則產(chǎn)生6個(gè)先驗(yàn)框，其高寬比ar2有3種尺寸，一般取ar2=｛1，2，3，1/2，1/3｝。

在形成先驗(yàn)框時(shí)，針對(duì)特定卷積層的特定高寬比，得到先驗(yàn)框的寬和高計(jì)算公式如下：

式中：ari取ar1或ar2內(nèi)的數(shù)值。

當(dāng)高寬比ari=1時(shí)，除了特定尺寸sk的先驗(yàn)框外，還會(huì)另設(shè)一個(gè)先驗(yàn)框，其尺寸為：

圖片中生成的每個(gè)先驗(yàn)框都會(huì)預(yù)測(cè)一個(gè)邊界框，因此一張圖片共產(chǎn)生8 732個(gè)邊界框。遵循一個(gè)先驗(yàn)框只能與一個(gè)真實(shí)框匹配，一個(gè)真實(shí)框可以與多個(gè)先驗(yàn)框匹配的原則。首先對(duì)霧天城市道路圖片中每一個(gè)車(chē)輛和行人的真實(shí)框找到與其交并比（IOU）最大的先驗(yàn)框進(jìn)行匹配；對(duì)于未匹配的先驗(yàn)框，若存在真實(shí)框與某個(gè)先驗(yàn)框的交并比大于0.5，則該先驗(yàn)框與真實(shí)框匹配。若一個(gè)先驗(yàn)框與多個(gè)真實(shí)框的交并比均大于0.5，則選擇交并比最大的那個(gè)真實(shí)框與先驗(yàn)框進(jìn)行匹配。其中與真實(shí)框進(jìn)行匹配的先驗(yàn)框?yàn)檎龢颖?，反之為?fù)樣本。為了保證正負(fù)樣本相對(duì)均衡，故對(duì)負(fù)樣本進(jìn)行抽樣，并按照置信度誤差進(jìn)行降序排列，選取損失最大的前k個(gè)作為訓(xùn)練負(fù)樣本，使得正負(fù)樣本比例約為1∶3。根據(jù)SSD網(wǎng)絡(luò)的匹配原則，訓(xùn)練得到車(chē)輛和行人檢測(cè)模型的總損失（L）為位置損失（Lloc）和置信度損失（Lconf）的加權(quán)和，如式（10）所示。

式中：α為權(quán)重系數(shù)，設(shè)置為1；N為邊界框的數(shù)量，當(dāng)N=0時(shí)，總損失為零。

車(chē)輛和行人檢測(cè)的位置損失是預(yù)測(cè)框l和真實(shí)框g參數(shù)之間的Smooth L1損失，如式（11）所示。

真實(shí)預(yù)測(cè)值是先驗(yàn)框d的中心（cx，cy）、寬度w和高度h相對(duì)于真實(shí)框的轉(zhuǎn)換值，如下所示。

車(chē)輛和行人檢測(cè)模型的置信度損失為Softmax Loss，其定義如式（17）。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)配置

本文實(shí)驗(yàn)的操作系統(tǒng)為Ubuntu 18.04.2，運(yùn)行內(nèi)存為64 GB，雙NVIDIA RTX 2080Ti型GPU，Intel?Xeon（R）Gold 6242 CPU@2.80GHz處理器，并行計(jì)算框架版本為CUDA 10.1，深度神經(jīng)網(wǎng)絡(luò)加速庫(kù)為CUDNNv 7.6.1.34。采用Python編程語(yǔ)言在Pytorch 1.1.0深度學(xué)習(xí)框架上完成模型的訓(xùn)練與測(cè)試過(guò)程。

3.2 去霧處理的結(jié)果分析

本文利用NYU2數(shù)據(jù)集［21］對(duì)AOD-Net網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中訓(xùn)練參數(shù)學(xué)習(xí)率為0.000 1，權(quán)重衰減為0.000 1，batch_size為8，epoch為10。利用訓(xùn)練好的去霧模型對(duì)真實(shí)場(chǎng)景下的霧天圖片數(shù)據(jù)集RTTS［22］進(jìn)行去霧處理，得到不同霧氣濃度下，去霧處理前后的圖片對(duì)比結(jié)果，如圖5～7所示，其中（a）為原始帶霧圖片，（b）為去霧處理后的圖片。

圖5 薄霧的處理結(jié)果

圖6 中霧的處理結(jié)果

圖7 濃霧的處理結(jié)果

對(duì)圖5～7中不同程度霧氣濃度的處理結(jié)果進(jìn)行對(duì)比分析知，霧天復(fù)雜交通環(huán)境下，經(jīng)過(guò)去霧處理后的圖片中被霧氣遮擋的車(chē)輛和行人輪廓能夠凸顯，細(xì)節(jié)信息都更為豐富，顏色更加飽和，目標(biāo)的可辨識(shí)度、對(duì)比度更高。

采用平均峰值信噪比（PSNR）和平均結(jié)構(gòu)相似度（SSIM）對(duì)去霧處理前后的圖片質(zhì)量進(jìn)行評(píng)價(jià)。其中PSNR為基于對(duì)應(yīng)像素點(diǎn)間的誤差，即基于誤差敏感的圖像質(zhì)量評(píng)價(jià)，對(duì)一張H×W的圖片，其公式如下所示。

平均結(jié)構(gòu)相似度分別從亮度、對(duì)比度、結(jié)構(gòu)3個(gè)方面度量圖像的相似性，其表達(dá)式如下：

式中：uX、uY為圖像X和Y的均值；σX、σY分別為圖像X和Y的方差；σXY表示圖像X和Y的的協(xié)方差；C1、C2、C3為常數(shù)項(xiàng)。

PNSR和SSIM值越大，表示圖像失真越小。RTTS數(shù)據(jù)集去霧處理前后的PSNR和SSIM對(duì)比如表1所示。

表1 去霧處理前后的客觀評(píng)價(jià)

通過(guò)表1可知，經(jīng)過(guò)去霧處理后，圖片的平均峰值信噪比和平均結(jié)構(gòu)相似度分別提高了0.325 5、0.020 2。因此，去霧處理后的圖片失真更小，噪音更少，對(duì)比度更高，圖像更加明亮且目標(biāo)物體的邊緣信息更加豐富。

3.3 SSD網(wǎng)絡(luò)訓(xùn)練

由于同時(shí)獲取霧天圖片和與之相對(duì)應(yīng)的清晰圖片在現(xiàn)實(shí)生活中較難，故在以往的去霧算法中均采用人工合成霧天圖片進(jìn)行模型訓(xùn)練。一般情況下，人工合成霧天圖片的霧氣濃度較低且分布相對(duì)均勻，與真實(shí)場(chǎng)景下的霧天圖片有較大差距，因此利用人工合成霧天圖片訓(xùn)練出的模型在真實(shí)霧天場(chǎng)景下的泛化能力和魯棒性較差，因此本文采用真實(shí)場(chǎng)景下的霧天城市道路數(shù)據(jù)集RTTS進(jìn)行模型訓(xùn)練。該數(shù)據(jù)集包含了不同場(chǎng)景和不同霧氣濃度下豐富的車(chē)輛和行人圖片，對(duì)RTTS數(shù)據(jù)集進(jìn)行修改，將圖片隨機(jī)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集3個(gè)部分，且訓(xùn)練集、驗(yàn)證集和測(cè)試集的比值為6∶1∶1，得到訓(xùn)練集圖片共3 242張，驗(yàn)證集和測(cè)試集圖片分別540張。對(duì)訓(xùn)練集中的圖片分別進(jìn)行水平翻轉(zhuǎn)、旋轉(zhuǎn)、拉伸、明暗變化以及添加高斯噪聲等操作，得到更加豐富的數(shù)據(jù)集。訓(xùn)練的目標(biāo)有“汽車(chē)”“自行車(chē)”“摩托車(chē)”和“行人”4種，數(shù)據(jù)集的示例如圖8所示。

圖8 RTTS數(shù)據(jù)集圖片

為了驗(yàn)證將AOD-Net和SSD算法結(jié)合起來(lái)的優(yōu)越性，利用RTTS數(shù)據(jù)集的原始帶霧圖片和經(jīng)過(guò)AOD-Net去霧處理后的圖片訓(xùn)練了2種不同的模型［2］分別用于車(chē)輛和行人檢測(cè)。2種模型的基本訓(xùn)練參數(shù)均一致，batch_size設(shè)為64，學(xué)習(xí)率設(shè)為10-4，權(quán)重衰減設(shè)為5×10-4，betas設(shè)為（0.9，0.99），共訓(xùn)練560個(gè)epoch。采用Adam梯度優(yōu)化器使2種模型的總損失快速收斂，具體訓(xùn)練過(guò)程如下。

模型1：將RTTS訓(xùn)練集的帶霧圖片進(jìn)行AOD-Net去霧處理，然后將經(jīng)過(guò)去霧處理后的圖片作為目標(biāo)檢測(cè)網(wǎng)絡(luò)SSD的輸入，并依據(jù)上述的模型訓(xùn)練參數(shù)進(jìn)行訓(xùn)練，得到車(chē)輛和行人的檢測(cè)模型1，訓(xùn)練過(guò)程中的損失曲線如圖9所示。

圖9 模型1的訓(xùn)練損失曲線

模型2：將RTTS訓(xùn)練集的帶霧圖片直接作為目標(biāo)檢測(cè)網(wǎng)絡(luò)SSD的輸入圖片。并根據(jù)上述的訓(xùn)練模型參數(shù)進(jìn)行訓(xùn)練，得到車(chē)輛和行人的檢測(cè)模型2，其訓(xùn)練過(guò)程中的損失曲線如圖10所示。

圖10 模型2的訓(xùn)練損失曲線

由圖分析可知，模型1和模型2的總損失值分別由最初的21.34、21.75下降至1.42、1.56；置信度損失分別由最初的17.46、17.83下降至1.00、1.11；位置損失由最初的3.88、3.92下降至0.42、0.45。因此模型1和模型2的訓(xùn)練過(guò)程收斂均較好。

3.4 模型評(píng)估

目前，主流的目標(biāo)檢測(cè)模型評(píng)價(jià)指標(biāo)有交并比（IOU）、精確率（precision）、召回率（recall）、AP（Average Precision）值和mAP（Mean Average Precision）值，其中精確率和召回率的公式如下。

式中：TP為正樣本被識(shí)別為正樣本；FP為負(fù)樣本被錯(cuò)誤識(shí)別為正樣本；FN為正樣本被識(shí)別為負(fù)樣本。

AP值為PR曲線（即以precision和recall分別作為橫坐標(biāo)和縱坐標(biāo)的二維曲線）下的面積，利用AP值可以對(duì)訓(xùn)練的模型在某個(gè)目標(biāo)類(lèi)別上的檢測(cè)結(jié)果進(jìn)行評(píng)價(jià)。mAP值則表示訓(xùn)練的模型對(duì)所有目標(biāo)類(lèi)別上的檢測(cè)結(jié)果進(jìn)行評(píng)價(jià)，即所有類(lèi)別對(duì)應(yīng)AP值的均值，其表達(dá)式如下。

式中，N為目標(biāo)種類(lèi)數(shù)。

本文采用交并比、召回率、AP值和mAP值對(duì)訓(xùn)練得到的2個(gè)模型進(jìn)行全面評(píng)價(jià)。將RTTS測(cè)試集的帶霧圖片分別在模型1和模型2上測(cè)試，得到模型1和模型2的交并比、召回率、AP值及mAP值如表2～4所示。

表2 模型1和模型2的交并比 %

表3 模型1和模型2的召回率 %

表4 模型1和模型2的AP值及mAP值 %

由表2可知，模型1的交并比高于模型2，表明模型1的目標(biāo)框和標(biāo)定框相似度高于模型2，各類(lèi)目標(biāo)的交并比分別高7.44%、3.72%、4.66%和6.61%。由表3可知，模型1的召回率高于模型2，各類(lèi)目標(biāo)檢測(cè)的召回率分別高5.63%、11.83%、11.29%和10.47%，即模型1中被正確檢測(cè)識(shí)別的目標(biāo)高于模型2。由表4可知，模型1的mAP值比模型2高4.1%；在單個(gè)目標(biāo)檢測(cè)中，模型1中汽車(chē)的AP值比模型2高3.8%；自行車(chē)的AP值相比模型2高3.83%；行人的AP值相比模型2高3.17%；摩托車(chē)的AP值比模型2高5.57%。綜上所述，加入去霧處理的模型1對(duì)車(chē)輛和行人的檢測(cè)精度比模型2更高。

3.5 檢測(cè)結(jié)果分析

利用數(shù)據(jù)集RTTS測(cè)試集的帶霧圖片，分別在模型1和模型2上進(jìn)行測(cè)試，選取薄霧、中霧和濃霧3種不同等級(jí)的霧氣濃度圖片進(jìn)行車(chē)輛和行人的檢測(cè)精度分析，每個(gè)霧氣濃度等級(jí)選取4張作為示例，如圖11～13。

圖11 薄霧環(huán)境下的檢測(cè)結(jié)果

圖12 中霧環(huán)境下的檢測(cè)結(jié)果

圖13 濃霧環(huán)境下檢測(cè)結(jié)果

由圖11～13知，在薄霧、中霧及濃霧3種不同等級(jí)的霧濃度下，模型1對(duì)目標(biāo)漏檢及誤檢的情況明顯低于模型2；對(duì)車(chē)輛和行人的定位精度相比模型2較高且檢測(cè)到的目標(biāo)置信度更高。

將本文的霧天車(chē)輛和行人檢測(cè)算法與MSCNN+Faster R-CNN、DehazeNet+Faster R-CNN和DCP+Faster R-CNN等霧天目標(biāo)檢測(cè)算法進(jìn)行比較，得到各類(lèi)算法的mAP值如表5所示，表中“F”表示Faster R-CNN。

表5 各種霧天檢測(cè)算法的mAP值 %

從表5中得出，與其他算法相比，本文算法在霧天環(huán)境下檢測(cè)的mAP值最高，比MSCNN+F算法高12.3%；比DehazeNet+F算法高11.5%；比DCP+F算法高10.3%；綜上所述，AOD-Net網(wǎng)絡(luò)與SSD網(wǎng)絡(luò)相結(jié)合有效地提高了訓(xùn)練模型的mAP值，改善了霧天車(chē)輛和行人的檢測(cè)精度；除此之外，由于訓(xùn)練的數(shù)據(jù)集為真實(shí)霧天圖片，故本文的模型在真實(shí)霧天場(chǎng)景中相比其他算法泛化能力更好。

4 結(jié)論

本文將AOD-Net去霧算法和SSD目標(biāo)檢測(cè)算法進(jìn)行結(jié)合，針對(duì)城市道路下，霧天的車(chē)輛和行人進(jìn)行檢測(cè)。該方法在真實(shí)帶霧圖片上進(jìn)行車(chē)輛和行人檢測(cè)的mAP值可達(dá)75.8%，相比其他算法，提高了霧天環(huán)境下的目標(biāo)檢測(cè)精度。當(dāng)霧天環(huán)境下的霧濃度發(fā)生變化時(shí)，仍然能很好地對(duì)車(chē)輛和行人進(jìn)行檢測(cè)，使得其泛化能力更好。由于本文的數(shù)據(jù)集圖片數(shù)量相對(duì)Pascal voc、COCO等大型數(shù)據(jù)集而言較少，學(xué)習(xí)到的霧天場(chǎng)景下車(chē)輛和行人的特征有限，下一步將繼續(xù)增加數(shù)據(jù)集的圖片數(shù)量和不同的霧天場(chǎng)景，從而為未來(lái)自動(dòng)駕駛和智能輔助駕駛感知霧天環(huán)境下的車(chē)輛和行人奠定環(huán)境感知基礎(chǔ)。