趙世吉 張金釗 林立飛 燕偉杰

（山東科技大學交通學院,山東 青島 266590）

為了提高霧天天氣下行車安全感知的識別精度，保障無人駕駛的安全性。國內(nèi)外在圖像去霧算法、目標檢測算法等方面進行了相關研究。

He等（2011）提出了一種利用暗通道先驗知識進行去霧的方法，但該方法容易過度去霧，去霧后會造成大量信息丟失[1]；基于Retinex理論，Jobson等（1997）提出了一種多尺度去霧算法，可以將失真圖像的色彩恢復，但復雜度較高[2]；Li等（2017）提出了AOD-Net算法，使用卷積神經(jīng)網(wǎng)絡聯(lián)合估計全局大氣光值和透射率來恢復無霧圖像，使重建誤差進一步縮小[3]。綜上所述，大多數(shù)圖像去霧算法在去霧時，去霧網(wǎng)絡平等地處理圖像像素和通道特征，不能區(qū)別處理霧濃度不同和通道加權的圖像，所以本文選用FFA-Net（Feature Fusion Attention Network）算法[4]，它可以具體對待不同的特征和像素，并基于注意力融合不同層次的特征，從而直接恢復無霧圖像。

在目標檢測方面，Girshick等（2015）提出了Fast-RCNN算法，大大地提高了訓練和檢測的速度，但存在候選區(qū)域建議速度較慢的問題[5]；隨后，Ren等（2017）提出了Faster-RCNN算法，具有較高的檢測精度，但容易漏檢小目標物體[6]；2020年，Wu等提出YOLOv4算法，提出了CSPDarknet53特征提取結構，大大提高了檢測精度和速度[7]。隨后，在YOLOv4的基礎上人們又提出了YOLOv5，在保證檢測效率的同時進一步提升了檢測精度。因此，本文選用YOLOv5網(wǎng)絡模型作為行車障礙檢測的基本模型，將YOLOv5與FFA-Net去霧算法相結合來對霧天障礙物進行檢測。

1 FFA-Net去霧算法

如圖1所示，F(xiàn)FA-Net由3個群結構（G-X）、通道注意力機制（CA）、像素注意力機制（PA）、卷積塊四部分構成，每個群結構由19個基本塊結構組成，每個基本塊又包含卷積層、激活函數(shù)ReLU層、通道注意力機制（CA）和像素注意力機制（PA）四部分。

圖1 FFA-Net網(wǎng)絡結構

FFA-Net的去霧過程就是給定一幅霧天圖像，然后經(jīng)過一個卷積層進行淺層特征提取，接著被輸入到3個具有多跳連接的群結構中，之后通過特征注意模塊（CA和PA）融合3個群結構輸出的特征。最后，融合后的特征會被傳遞到重構部分和全局殘差學習結構，從而實現(xiàn)去霧。

2 霧天行車障礙檢測模型

本文選用YOLOv5s網(wǎng)絡作為行車障礙檢測的基本框架，其模型架構如圖2所示，整體結構主要包括Backbone、Neck和Head三部分。首先，Backbone是整個YOLOv5框架結構的主體，主要包括Focus、Conv、C3、SPP等基本模塊。Focus模塊可以對輸入的圖像進行切片。Conv模塊是YOLOv5基本的卷積操作單元，負責對輸入的圖像進行卷積、正則化、激活等一系列操作。C3模塊由一種經(jīng)典的殘差結構Bottleneck組成，輸入數(shù)據(jù)經(jīng)過兩個卷積層提取特征后，再與原始特征進行Add操作，在維持原有輸出深度的基礎上，對殘差特征進行傳遞。SPP模塊負責對特征圖進行最大池化操作，特征圖利用Concat進行特征拼接，保持輸出深度與原始輸入深度相同。

圖2 YOLOv5網(wǎng)絡結構

如圖3所示，霧天行車障礙檢測模型主要包括FFANet去霧和YOLOv5模型訓練兩部分，本文首先利用已有訓練權重直接使用FFA-Net進行去霧，去霧后輸入到利用KITTI圖像數(shù)據(jù)訓練好的YOLOv5模型進行檢測。本文設置了基于YOLOv5s檢測框架分別檢測FFA-Net去霧后的圖像和帶霧交通圖像來進來行橫向對比實驗，從而驗證本文霧天行車障礙檢測方法的有效性。

圖3 霧天行車障礙檢測模型構建

3 實驗與結果分析

3.1 構建數(shù)據(jù)集

霧天行車障礙檢測實驗檢測的障礙物主要有“Car”“Pedestrian”和“Cyclist”三個類別，實驗的訓練集選用KITTI [31]圖像數(shù)據(jù)集進行模型訓練，其中包括5 985張晴天交通圖片用于訓練，749張晴天交通圖片用于驗證。實驗中霧天測試集由749張無霧圖像基于Koschmieder定律依據(jù)大氣散射模型添加不同程度的人工噪聲所獲得。

3.2 實驗參數(shù)設置

實驗利用GPU進行訓練，顯卡為NVDIA RTX 2060s，顯存8 G，訓練中batch size設置為16，共300個epoch，初始學習率為0.01，最終學習率為1，訓練圖像尺寸為[640,640]?；谏鲜龇桨?，通過PyTorch完成對網(wǎng)絡的搭建。

3.3 結果分析

3.3.1 損失函數(shù)收斂性分析

如圖4所示，從損失函數(shù)的收斂特性可以看到，隨著epoch的增加，網(wǎng)絡中的各項損失在訓練過程及交叉驗證集中基本實現(xiàn)了收斂，可以證明研究中的YOLOv5訓練模型是有效的。

圖4 損失函數(shù)收斂性

3.3.2 檢測結果分析

為了證實FFA-Net去霧算法與YOLOv5結合檢測方法的有效性，分別采用YOLOv5常規(guī)訓練、FFA-Net+YOLOv5常規(guī)訓練兩種方法對霧天障礙物進行檢測，對兩種方法用于行車障礙物檢測與分類性能進行對比，結果如表1所示。

對于霧天障礙物的檢測任務，由表1可知，使用YOLOv5常規(guī)訓練模型直接檢測霧天圖片，Precision值、Recall值和mAP值均較低，分別為62.5%、48.3%、47.4%，由此可見，霧天天氣因素會直接影響行車障礙物的檢測精度。與YOLOv5常規(guī)訓練模型相比，利用FFA-Net+YOLOv5常規(guī)訓練模型對目標檢測性能有了較大的提升，Precision值提升了30.2%，Recall值提升了34.4%，mAP值提升了41.8%。綜上所述，F(xiàn)FA-Net+YOLOv5常規(guī)訓練模型在霧天行車障礙檢測實驗中具有較好的魯棒性。

表1 兩種檢測方法在霧天圖像測試集中障礙物檢測性能對比

分別采用兩種檢測方法對霧天圖像測試集進行檢測，部分結果可視化如圖5所示。直接使用YOLOv5常規(guī)訓練模型進行檢測，檢測精度較低，大部分障礙物不能被識別出。相反，使用FFA-Net對大霧圖像進行去霧后，再通過YOLOv5常規(guī)訓練模型進行檢測，行車障礙檢測精度有了較大的提升。

圖5 檢測結果可視化

4 結論

本文將FFA-Net去霧算法和YOLOv5目標檢測算法進行結合，針對霧天天氣下交通場景中的車輛、行人和非機動車等障礙物進行檢測。與直接使用YOLOv5算法進行檢測相比，該方法在霧天行車障礙檢測中，Precision提高了30.2%，Recall值提升了34.4%，mAP值提高了41.8%。FFA-Net的特征注意機制，使得圖像中的霧濃度分布不均時，仍然能很好地對車輛和行人進行檢測，具有較好的魯棒性。由于本文的行車障礙檢測方法包括去霧和障礙檢測兩部分，所以在實時性上仍需提高，在后續(xù)的研究中會對FFA-Net進行改進以縮短單幅圖像去霧時間，從而提升霧天障礙物檢測的實時性，進一步提高無人駕駛環(huán)境下的感知性能。