摘" 要： 針對(duì)雨天場(chǎng)景下檢測(cè)軍用車(chē)輛目標(biāo)時(shí)出現(xiàn)的精度退化問(wèn)題，提出一種將漸進(jìn)式去雨算法與高精確率檢測(cè)器相融合的軍用車(chē)輛檢測(cè)方法。首先設(shè)計(jì)了一個(gè)圖像去雨算法HISPNet，其包括輕量級(jí)高效雨紋特征提取模塊和跨子網(wǎng)雨紋特征融合模塊，捕獲雨紋信息的同時(shí)緩解卷積過(guò)程中的細(xì)節(jié)特征丟失問(wèn)題；其次引入SPPFCSPC模塊改進(jìn)了單階段檢測(cè)器，保證檢測(cè)器感受野的同時(shí)提高了效率，增強(qiáng)了檢測(cè)模型的表達(dá)能力。自建數(shù)據(jù)集中的實(shí)驗(yàn)結(jié)果表明，雨天場(chǎng)景下，相較于經(jīng)典檢測(cè)算法YOLOv7，所提算法的mAP@0.5、mAP@0.5：0.95分別提升了4.4%、2.8%，算法檢測(cè)速度達(dá)到21.05 f/s，基本滿(mǎn)足檢測(cè)實(shí)時(shí)性要求，證明了所提算法的有效性與實(shí)用性。

關(guān)鍵詞： 圖像去雨； 編碼器?解碼器架構(gòu)； 輕量級(jí)高效雨紋特征提取模塊； 跨子網(wǎng)雨紋特征融合模塊； SPPFCSPC模塊； 軍用車(chē)輛檢測(cè)

中圖分類(lèi)號(hào)： TN911.7?34； TP391.4" " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " 文章編號(hào)： 1004?373X（2025）05?0127?08

Military vehicle detection algorithm combining progressive deraining network

SU Shengjun1， TONG Qiuhong2， CHAI Guoqing1， SU Haidong3， WANG Kai4， HU Daifang1

（1. School of Automobile， Chang’an University， Xi’an 710018， China;

2. Xi’an Institute of Optics and Precision Mechanics， Chinese Academy of Sciences， Xi’an 710119， China;

3. Shaanxi Intelligent Connected Vehicle Research Institute Co.， Ltd.， Xi’an 710000， China;

4. School of Information Engineering， Chang’an University， Xi’an 710064， China）

Abstract： In view of the accuracy degradation when detecting military vehicles （the objects） in the scenarios of rainy days， a military vehicle detection method that fuses a progressive rain removal algorithm with a high?accuracy detector is proposed. An image deraining algorithm named HISPNet is designed. The algorithm includes a lightweight and efficient rain streak feature extraction module and a cross?subnet rain streak feature fusion module， which mitigates the loss of detailed features during the process of convolution while capturing the rain streak information. The SPPFCSPC （spatial pyramid pooling and fully?connected spatial pyramid convolution） module is introduced to improve the single?stage detector， which ensures the detector sensing field and improves the efficiency at the same time， and enhances the representation ability of the detection model. The experimental results of the self?built dataset show that， in comparison with the classical detection algorithm YOLOv7， the mAP@0.5 and mAP@0.5：0.95 of the proposed algorithm have been improved by 4.4% and 2.8%， respectively， in the scenarios of rainy days， and its detection speed is 21.05 f/s. It can be seen that the proposed algorithm can basically meet the real?time requirements of detection， and is of effectiveness and practicality.

Keywords： image deraining; encoder?decoder architecture; lightweight and efficient rain streak feature extraction module; cross?subnet rain streak feature fusion module; SPPFCSPC module; military vehicle detection

0" 引" 言

基于計(jì)算機(jī)視覺(jué)的環(huán)境感知是現(xiàn)今軍事領(lǐng)域的熱門(mén)研究方向，穩(wěn)健高效地識(shí)別軍用車(chē)輛是執(zhí)行偵查跟蹤、定位打擊等后續(xù)任務(wù)的重要條件[1?2]。軍事活動(dòng)由于其全疆域、全時(shí)域的特性，難以避免會(huì)面臨雨天這類(lèi)惡劣環(huán)境條件，此時(shí)，軍用車(chē)輛檢測(cè)系統(tǒng)（Military Vehicle Detection System， MVDS）所采集的圖像會(huì)因雨層的干擾而出現(xiàn)特征遮擋、細(xì)節(jié)模糊等問(wèn)題[3?5]，這大大降低了檢測(cè)精度，嚴(yán)重影響正常任務(wù)的完成。因此，對(duì)有雨圖像進(jìn)行去雨預(yù)處理，輔以改進(jìn)車(chē)輛檢測(cè)算法，提高M(jìn)VDS在雨天的檢測(cè)精度具有重要的研究意義和實(shí)際價(jià)值。

在傳統(tǒng)的去雨算法中，文獻(xiàn)[6]基于高斯混合模型，提出一種區(qū)域先驗(yàn)去雨方法。文獻(xiàn)[7]使用雙邊濾波器將圖像進(jìn)行高低頻分解，而后通過(guò)字典學(xué)習(xí)和稀疏編碼將有雨圖像還原。上述方法多利用先驗(yàn)知識(shí)，易導(dǎo)致去雨不徹底、背景變模糊。由于深度學(xué)習(xí)在特征提取等方面的優(yōu)越性，基于卷積神經(jīng)網(wǎng)絡(luò)的圖像去雨逐漸成為研究熱點(diǎn)。文獻(xiàn)[8]通過(guò)構(gòu)建數(shù)據(jù)集訓(xùn)練三層神經(jīng)網(wǎng)絡(luò)用于圖像恢復(fù)。文獻(xiàn)[9]采用編?解碼器結(jié)構(gòu)獲取上下文特征，并利用監(jiān)督注意力機(jī)制精準(zhǔn)傳遞雨紋信息，有效提高了圖像恢復(fù)質(zhì)量，但網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜。在車(chē)輛檢測(cè)領(lǐng)域，文獻(xiàn)[10]基于擴(kuò)展領(lǐng)域分類(lèi)器，設(shè)計(jì)了DAGL?Faster算法，增強(qiáng)了雨霧天自適應(yīng)檢測(cè)車(chē)輛目標(biāo)的能力。文獻(xiàn)[11]采用無(wú)錨方法解決YOLO預(yù)設(shè)錨幀和擬合差問(wèn)題，提出了惡劣天氣條件下實(shí)時(shí)檢測(cè)車(chē)輛的增強(qiáng)型YOLOv4算法。文獻(xiàn)[12]通過(guò)優(yōu)化Bias，改進(jìn)了RetinaNet算法用于檢測(cè)軍用車(chē)輛。上述研究雖取得了一定進(jìn)展，但仍存在不足之處，具體來(lái)說(shuō)，圖像去雨端仍存在復(fù)原圖像不自然、背景細(xì)節(jié)丟失、網(wǎng)絡(luò)架構(gòu)冗余等問(wèn)題。車(chē)輛檢測(cè)端存在僅注重檢測(cè)器自身改進(jìn)的問(wèn)題，而雨天相機(jī)采集的圖像可能會(huì)存在不同程度的退化，這從根本上干擾了圖像中蘊(yùn)含的車(chē)輛特征信息。

為提高雨天條件下MVDS的檢測(cè)精度，本文提出了一種將漸進(jìn)式去雨網(wǎng)絡(luò)融合到高精確率檢測(cè)器的軍用車(chē)輛檢測(cè)方法（HISPNet?HEMVD）。在圖像去雨預(yù)處理方面，本文設(shè)計(jì)了類(lèi)沙漏結(jié)構(gòu)漸進(jìn)式圖像去雨網(wǎng)絡(luò)（Hourglass?like Structured Pro?gressive Image De?raining Network， HISPNet）。該網(wǎng)絡(luò)融合了輕量級(jí)高效雨紋特征提取模塊（Light and Efficient Rain Pattern Feature Extraction Block， LEFEB）和跨子網(wǎng)雨紋特征融合模塊（Cross Subnet Rain Streak Feature Fusion Block， CRFFB）。LEFEB在保證簡(jiǎn)潔的前提下高效提取不同層次的雨紋特征。CRFFB在兩個(gè)子網(wǎng)之間建立聯(lián)系，通過(guò)跨子網(wǎng)連接，強(qiáng)化了第一階段子網(wǎng)中代表性雨紋特征的保留與傳遞，從而豐富第二階段子網(wǎng)的特征信息。經(jīng)上述模塊處理，HISPNet可準(zhǔn)確識(shí)別雨紋并將雨紋層與背景層剝離，復(fù)原干凈無(wú)雨的背景層。為進(jìn)一步提高M(jìn)VDS的識(shí)別能力，本文引入SPPFCSPC（Spatial Pyramid Pooling and Fully Connected Spatial Pyramid Convolution）[13]改進(jìn)了YOLOv7目標(biāo)檢測(cè)算法，提出了高效率軍用車(chē)輛檢測(cè)器（High Efficiency Military Vehicle Detector， HEMVD），SPPFCSPC模塊的添加使檢測(cè)器在保證網(wǎng)絡(luò)感受野的同時(shí)提升了處理速度，增強(qiáng)了HEMVD的整體性能。為驗(yàn)證所提方法的有效性，本文構(gòu)建了軍用車(chē)輛數(shù)據(jù)集（Military Vehicle Dataset， MVD）用以進(jìn)行實(shí)驗(yàn)驗(yàn)證和對(duì)比分析。

1" 融合去雨網(wǎng)絡(luò)的軍用車(chē)輛檢測(cè)算法

1.1" 類(lèi)沙漏結(jié)構(gòu)漸進(jìn)式圖像去雨網(wǎng)絡(luò)

單階段方法廣泛應(yīng)用于圖像去雨，但存在適應(yīng)性差、泛化能力弱等問(wèn)題，多子網(wǎng)去雨方法將復(fù)雜的去雨任務(wù)分解到多個(gè)階段處理，顯著提高處理復(fù)雜雨紋的能力。本文基于漸進(jìn)式恢復(fù)思想，提出如圖1所示的去雨網(wǎng)絡(luò)HISPNet。

該網(wǎng)絡(luò)由兩個(gè)子網(wǎng)組成，每個(gè)子網(wǎng)均包含一個(gè)形似沙漏的特征提取單元，用以充分感知多層次雨紋的上下文信息，實(shí)現(xiàn)不同結(jié)構(gòu)雨紋特征的提取。本文還通過(guò)跨子網(wǎng)信息交互機(jī)制實(shí)現(xiàn)像素級(jí)特征融合，從而豐富次階段子網(wǎng)絡(luò)挖掘的特征信息。網(wǎng)絡(luò)具體運(yùn)算過(guò)程如下。

一階段子網(wǎng)：小尺度精細(xì)化雨紋特征提取，分割為四部分有雨圖像。首先經(jīng)過(guò)3×3常規(guī)卷積層進(jìn)行升維運(yùn)算，以提取初步特征。

[Ros，q=f3×3Rins，q，" " q∈1，2，3，4] （1）

式中：[f3×3" ]表示3×3常規(guī)卷積層；[Rins，q]代表原始輸入圖像，[Ros，q]表示處理后的特征圖，[q]表示按順時(shí)針排序的子圖像位置，[s=1]，代表圖像處于第一階段。經(jīng)卷積處理后的圖像進(jìn)入如圖1所示的類(lèi)沙漏結(jié)構(gòu)。

針對(duì)傳統(tǒng)的編碼器?解碼器架構(gòu)在提取特征的過(guò)程中存在空間信息丟失，致使復(fù)原圖像存在結(jié)構(gòu)細(xì)節(jié)缺失的問(wèn)題，本文設(shè)計(jì)了一種類(lèi)沙漏架構(gòu)用于特征信息的多層級(jí)捕獲。架構(gòu)中經(jīng)編碼單元提取的多尺度特征由LEFEB調(diào)制后，再通過(guò)跳躍連接傳遞以輔助解碼單元中的重構(gòu)過(guò)程。該方式糅合淺層與深層特征，緩解了多次上下采樣造成的細(xì)節(jié)信息流失，實(shí)現(xiàn)了不同尺度下雨紋特征的充分挖掘。該過(guò)程如式（2）～式（4）所示：

[RTs，q=EnpRos，q，" "q∈1，2，3，4] （2）

[RT0s，q=Cat[RTs，2q-1，RTs，2q]，" "q∈1，2] （3）

[RT1s，q=DepRT0s，q，" "q∈1，2] " " （4）

式中：[Enp]表示編碼運(yùn)算；[Dep]表示解碼運(yùn)算；[Cat[ ， ]]表示拼接運(yùn)算；[RTs，q]代表編碼運(yùn)算后的特征圖；[RT0s，q]代表拼接處理后的特征圖；[RT1s，q]代表解碼運(yùn)算后的特征圖。

二階段子網(wǎng)：大尺度條件下背景層精細(xì)化恢復(fù)，[s=2]，其具體計(jì)算與第一階段類(lèi)似，不再贅述。最終去雨結(jié)果由第二階段輸出。

1.1.1" 輕量級(jí)高效雨紋特征提取模塊

現(xiàn)有的圖像恢復(fù)算法對(duì)空間特征信息、淺層特征等提取不足[14]，易導(dǎo)致雨紋部分細(xì)節(jié)信息丟失嚴(yán)重，其原因多在于特征提取模塊并不能完全適配編?解碼器架構(gòu)，受文獻(xiàn)[15?16]特征提取方法的啟發(fā)，本文設(shè)計(jì)了LEFEB。輕量級(jí)高效雨紋特征提取模塊如圖2所示。

圖2中，LEFEB主要由紋理特征挖掘單元（Texture Feature Mining Unit， TFMU）和語(yǔ)義信息捕獲單元（Semantic Information Capture Unit， SICU）構(gòu)成。為加速網(wǎng)絡(luò)訓(xùn)練，增強(qiáng)模型的泛化能力，模塊使用了半實(shí)例歸一化[17]。輸入圖像首先使用1×1卷積拓寬通道數(shù)，在TFMU中，使用3×3卷積以獲取輸入圖像的淺層紋理特征，經(jīng)信息強(qiáng)化后的圖像進(jìn)入SICU，進(jìn)一步提取深層語(yǔ)義結(jié)構(gòu)特征。兩個(gè)特征提取子單元采取串聯(lián)方式連接，通過(guò)延長(zhǎng)網(wǎng)絡(luò)深度的方式擴(kuò)大了感受野，增強(qiáng)了探索與挖掘不同尺度上雨紋細(xì)節(jié)特征的能力。為降低計(jì)算成本，本文采用了深度卷積代替部分3×3常規(guī)卷積。

1.1.2" 跨子網(wǎng)雨紋特征融合模塊

為進(jìn)一步豐富第二階段子網(wǎng)的雨紋特征，受跨階段特征融合機(jī)制和簡(jiǎn)化通道注意力[16]的啟發(fā)，本文提出了如圖3所示的CRFFB。CRFFB用于在兩個(gè)階段之間建立特征交互，不同于其他方法僅采用單個(gè)卷積層細(xì)化特征信息，本文引入了簡(jiǎn)化通道注意力（Simplify Channel Attention， SCA）機(jī)制。SCA在增加少量參數(shù)的情況下推理出高維映射中的注意力權(quán)重，從而能夠?qū)⒋碛陮雨P(guān)鍵特征的維度在特征交互中賦予更高的優(yōu)先級(jí)，去除繁冗信息的同時(shí)加快了網(wǎng)絡(luò)運(yùn)行效率。

1.1.3" 損失函數(shù)

本文損失函數(shù)融合了Charbonnier損失和edge損失，Charbonnier損失[Lc]、edge損失[Le]分別定義為：

[Lc=ψp-Gp2+ε2] （5）

[Le=lψp-lGp2+ε2] " （6）

式中：[lψp]表示拉普拉斯算子，[ψp]代表預(yù)測(cè)無(wú)雨圖像；[Gp]代表清晰無(wú)雨圖像，[p∈1，2]，代表網(wǎng)絡(luò)階段；懲罰系數(shù)[ε]設(shè)定為1×10-3?？倱p失函數(shù)定義為：

[La=p=12Leψp，Gp+β?Lcψp，Gp]" "（7）

式中[β]按經(jīng)驗(yàn)設(shè)置為0.05。

1.2" 高效率軍用車(chē)輛檢測(cè)器

為進(jìn)一步提升雨天軍用車(chē)輛檢測(cè)的精確度，緩解檢測(cè)過(guò)程中出現(xiàn)的誤檢、漏檢現(xiàn)象，本文將SPPFCSPC模塊引入YOLOv7，提出了HEMVD。多尺度的空間金字塔池化和卷積賦予了SPPFCSPC獲取多維度特征的能力，其采用逐步池化的方式，保證感受野的同時(shí)優(yōu)化了模型的速度和性能，使檢測(cè)器更加聚焦于軍用車(chē)輛等待檢測(cè)目標(biāo)。

網(wǎng)絡(luò)整體架構(gòu)如圖4所示。

2" 實(shí)驗(yàn)結(jié)果與分析

本節(jié)實(shí)驗(yàn)在Linux操作系統(tǒng)、PyTorch框架下完成，所需顯卡為NVIDA RTX A5000。

2.1" 圖像去雨實(shí)驗(yàn)

2.1.1" 合成數(shù)據(jù)集中定量/定性對(duì)比實(shí)驗(yàn)

所需數(shù)據(jù)集由文獻(xiàn)[18?22]提供，選取Rain800、Rain1800、Rain11200共13 171對(duì)清晰/有雨圖像組成訓(xùn)練集，測(cè)試集為T(mén)est100[19]、Rain100H[20]、Rain100L[20]、Test1200[21]、Test2800[22]，共計(jì)4 298張。本文將訓(xùn)練batchsize設(shè)置為4，epoch為350，采用Adam優(yōu)化，初始學(xué)習(xí)率為2×10-4，采用余弦退火策略衰減至1×10-6停止。

將峰值信噪比（Peak Signal to Noise Ratio， PSNR）和結(jié)構(gòu)相似比（Structural Similarity， SSIM）作為定量評(píng)價(jià)的客觀指標(biāo)。PSNR基于像素間的誤差來(lái)判斷去雨效果，單位為dB，值愈大代表去雨效果愈佳；SSIM從多個(gè)角度對(duì)圖像進(jìn)行相似度評(píng)價(jià)，值越接近1，代表去雨性能越優(yōu)秀。HISPNet和其他優(yōu)秀去雨算法的定量對(duì)比如表1所示，分別采用加粗和下劃線(xiàn)表示最優(yōu)和次優(yōu)結(jié)果。

由表1可知，與其他優(yōu)秀去雨算法相比，HISPNet在Rain100L、Test1200中兩項(xiàng)指標(biāo)均達(dá)到最優(yōu)，在Test100、Test2800中，SSIM表現(xiàn)最優(yōu)，PSNR表現(xiàn)次優(yōu)，對(duì)于平均PSNR和SSIM，HISPNet分別為33.14 dB、0.930，獲得了全部占優(yōu)的成績(jī)，展現(xiàn)出良好的去雨性能。

圖5展示了部分去雨算法在不同場(chǎng)景中的去雨效果，圖5b）、圖5d）、圖5f）分別為圖5a）、圖5c）、圖5e）的局部放大。由圖5可知，傳統(tǒng)方法DSC去雨效果非常不理想，對(duì)大多數(shù)雨紋無(wú)法做到準(zhǔn)確去除。GMM以嚴(yán)重模糊背景層的代價(jià)去除了部分雨紋，但存在大量的殘留。PreNet難以去除密集雨紋。MPRNet雖能夠有效地去除多數(shù)雨紋，但針對(duì)較大的雨紋無(wú)法徹底去除。本文模型可有效提取背景中的繁雜雨線(xiàn)，復(fù)原出干凈無(wú)雨的背景層且細(xì)節(jié)丟失最小。

2.1.2" 真實(shí)數(shù)據(jù)集中的定量/定性對(duì)比實(shí)驗(yàn)

為了進(jìn)一步證明本文所提算法的泛化性，本節(jié)構(gòu)建了Real500數(shù)據(jù)集，其包含了500張不同場(chǎng)景下的真實(shí)雨天圖像。由于Real500并沒(méi)有與之對(duì)應(yīng)的清晰無(wú)雨數(shù)據(jù)集，故定量分析采用空間?光譜熵質(zhì)量（Spatial Spectral Entropy?based Quality， SSEQ）和自然圖像質(zhì)量評(píng)估器（Naturalness Image Quality Evaluator， NIQE）作為評(píng)價(jià)指標(biāo)。去雨后的圖像SSEQ和NIQE數(shù)值越小，表明對(duì)應(yīng)的去雨算法的性能越優(yōu)越。不同去雨算法的定量對(duì)比結(jié)果如表2所示。

由表2可得，相比于PReNet、MSPFN、MPRNet和TSPNet，經(jīng)本文算法處理后圖像的SSEQ、NIQE數(shù)值最低，分別為20.27、4.462。反映了HISPNet在真實(shí)場(chǎng)景中去雨性能依然優(yōu)越。不同算法去雨效果的可視化展示如圖6所示。其中，圖6b）、圖6d）、圖6f）分別為圖6a）、圖6c）、圖6e）的局部放大。

由圖6b）、圖6d）可得，HISPNet在真實(shí)場(chǎng)景中去除雨紋效果更加顯著。圖6b）中HISPNet的雨紋殘留最少，在圖6d）中，相比于PReNet、MPRNet以及TSPNet均存在的雨紋殘留，本文方法完整地去除了所有雨紋。圖6e）為真實(shí)雨天軍用車(chē)輛，可以看到本文算法精準(zhǔn)去除雨紋的同時(shí)背景細(xì)節(jié)保留最好。

2.2" 雨天場(chǎng)景軍用車(chē)輛檢測(cè)實(shí)驗(yàn)

2.2.1" 不同方案的定量/定性對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文方法對(duì)提高軍用車(chē)輛檢測(cè)精度的有效性，設(shè)計(jì)了對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)所需的數(shù)據(jù)集來(lái)自互聯(lián)網(wǎng)采集的外軍軍用車(chē)輛共2 500張，命名為軍用車(chē)輛數(shù)據(jù)集MVD。評(píng)價(jià)指標(biāo)為平均精度均值（mAP）。實(shí)驗(yàn)分為4組，Method A僅使用經(jīng)典YOLOv7，Method B僅使用HEMVD，Method C融合HISPNet和YOLOv7，Method D為HISPNet?HEMVD。

選用MVD中2 000張清晰無(wú)雨圖片作為訓(xùn)練集訓(xùn)練目標(biāo)檢測(cè)器，使用訓(xùn)練好的權(quán)重在500張有雨圖片中進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果如表3所示。

由表3可得：與Method A相比，Method B的mAP@0.5和mAP@0.5：0.95分別提升了2.1%、0.8%；Method C的上述指標(biāo)分別提升了2.5%、1.3%；Method D的上述指標(biāo)分別提升了4.4%、2.8%。這表明相對(duì)于經(jīng)典的YOLOv7，HEMVD能更好地捕獲目標(biāo)，而融入HISPNet的HEMVD獲得了更為豐富的軍用車(chē)輛特征信息，從而顯著地提升了車(chē)輛檢測(cè)精度，證明了本文方法的有效性。為更直觀地證明本文檢測(cè)方法的優(yōu)越性，選取不同場(chǎng)景的測(cè)試結(jié)果進(jìn)行可視化展示，如圖7所示。

由圖7可得，在圖7a）、圖7b）中，軍用車(chē)輛識(shí)別的精確度穩(wěn)步提升，圖7b）中相較于Method A僅0.32的置信度，Method D的置信度上升到0.82。在圖7c）中，由于雨紋的遮擋，傳統(tǒng)的YOLOv7和HEMVD均出現(xiàn)了漏檢現(xiàn)象，而去雨處理后的圖像并未出現(xiàn)漏檢，且Method D的整體置信度高于Method C。在多車(chē)檢測(cè)的圖7d）中，YOLOv7出現(xiàn)了誤檢，得益于對(duì)檢測(cè)器的改進(jìn)，Method B與Method D并未出現(xiàn)誤檢。在圖7e）中，相比于其他方案，可以看到Method D既沒(méi)有漏檢、誤檢，又保持了最高的置信度。

2.2.2" 車(chē)規(guī)級(jí)平臺(tái)驗(yàn)證實(shí)驗(yàn)

為驗(yàn)證本文方法的運(yùn)行效率，將模型部署于型號(hào)為研華IPC?NS01的車(chē)規(guī)級(jí)計(jì)算平臺(tái)進(jìn)行實(shí)時(shí)性測(cè)試，其搭載有英特爾第十代酷睿處理器及NVIDA RTX 4090顯卡，適用于高效運(yùn)行的深度學(xué)習(xí)模型。

本文選取真實(shí)雨天軍用車(chē)輛圖共計(jì)100張進(jìn)行測(cè)試，結(jié)果如表4所示。算法在常用的640[×]640圖像上處理速度可達(dá)21.05 f/s，基本滿(mǎn)足實(shí)時(shí)性要求。

3" 結(jié)" 語(yǔ)

本文提出了一種將漸進(jìn)式去雨網(wǎng)絡(luò)融合到高精確率檢測(cè)器的軍用車(chē)輛檢測(cè)方法。針對(duì)去雨過(guò)程中雨紋擦除不徹底、背景細(xì)節(jié)丟失的問(wèn)題，本文設(shè)計(jì)了去雨網(wǎng)絡(luò)HISPNet。多個(gè)公開(kāi)數(shù)據(jù)集上的平均結(jié)果顯示，該網(wǎng)絡(luò)的PSNR和SSIM分別為33.14 dB、0.930，優(yōu)于目前主流的去雨算法。為高效提取待檢測(cè)目標(biāo)的特征信息，引入SPPFCSPC模塊進(jìn)一步改進(jìn)了軍用車(chē)輛檢測(cè)器。自建數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果顯示，所提方法的mAP@0.5、mAP@0.5：0.95相比于傳統(tǒng)車(chē)輛檢測(cè)器增益分別提升了4.4%、2.8%，檢測(cè)速度可達(dá)21.05 f/s，證明本文方法有效解決了雨天檢測(cè)軍用車(chē)輛這種低可見(jiàn)度目標(biāo)時(shí)出現(xiàn)的誤檢、漏檢等問(wèn)題，提升了雨天條件下軍用車(chē)輛的檢測(cè)精度，為后續(xù)的軍事活動(dòng)奠定了基礎(chǔ)，具有一定的實(shí)際應(yīng)用價(jià)值。

注：本文通訊作者為仝秋紅。

參考文獻(xiàn)

[1] 鄭陸石，胡曉鋒，于偉國(guó)，等.基于改進(jìn)YOLOv7?tiny的坦克車(chē)輛檢測(cè)方法[J].兵器裝備工程學(xué)報(bào)，2023，44（12）：285?292.

[2] DU X L， SONG L K， Lü Y N， et al. A lightweight military target detection algorithm based on improved YOLOv5 [J]. Electronics， 2022， 11（20）： 3263.

[3] 朱德利，熊昌，胡雪奎，等.基于注意力生成對(duì)抗網(wǎng)絡(luò)的單幅圖像去雨方法[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（15）：215?222.

[4] WANG C， PAN J， WANG W， et al. PromptRestorer： A prompting image restoration method with degradation perception [C]// Advances in Neural Information Processing Systems 36： Annual Conference on Neural Information Processing Systems 2023. [S.l.： s.n.]， 2024： 1?15.

[5] 胡待方，仝秋紅，柴國(guó)慶，等.雨天車(chē)輛檢測(cè)的兩階段漸進(jìn)式圖像去雨算法[J].激光與光電子學(xué)進(jìn)展，2023，60（22）：111?120.

[6] LI X， WU J L， LIN Z C， et al. Recurrent squeeze?and?excitation context aggregation net for single image deraining [C]// Proceedings of the European Conference on Computer Vision （ECCV）. Heidelberg， Germany： Springer， 2018： 262?277.

[7] KANG L W， LIN C W， FU Y H. Automatic single?image?based rain streaks removal via image decomposition [J]. IEEE transactions on image processing， 2012， 21（4）： 1742?1755.

[8] EIGEN D， KRISHNAN D， FERGUS R. Restoring an image taken through a window covered with dirt or rain [C]// Proceedings of the IEEE International Conference on Computer Vision. New York： IEEE， 2013： 633?640.

[9] ZAMIR S W， ARORA A， KHAN S H， et al. Multi?stage progressive image restoration [C]// 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. New York： IEEE， 2021： 14821?14831.

[10] HU M D， WU Y， YANG Y Z， et al. DAGL?Faster： Domain adaptive faster R?CNN for vehicle object detection in rainy and foggy weather conditions [J]. Displays， 2023， 79： 102484.

[11] WANG R， ZHAO H， XU Z W， et al. Real?time vehicle target detection in inclement weather conditions based on YOLOv4 [J]. Frontiers in neurorobotics， 2023， 17： 1058723.

[12] 李昂，王晟全，鄭寶玉，等.改進(jìn)的用于軍用車(chē)輛目標(biāo)檢測(cè)的RetinaNet[J].電光與控制，2020，27（10）：78?82.

[13] 陳琳國(guó)，熊凌，代啟亮，等.基于改進(jìn)YOLOv7的PDC鉆頭復(fù)合片檢測(cè)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2024，33（2）：216?223.

[14] 虞志軍，王國(guó)棟，張鐔月.基于增強(qiáng)多尺度特征網(wǎng)絡(luò)的圖像去模糊[J].激光與光電子學(xué)進(jìn)展，2022，59（22）：264?271.

[15] 魯正威，張篤振.一種基于Uniformer Transformer與UNet的圖像降噪模型[J].南京師范大學(xué)學(xué)報(bào)（工程技術(shù)版），2023，23（1）：39?45.

[16] CHEN L Y， CHU X J， ZHANG X Y， et al. Simple baselines for image restoration [C]// 17th European Conference on Computer Vision. Heidelberg， Germany： Springer， 2022： 17?33.

[17] CHEN L Y， LU X， ZHANG J， et al. HINet： Half instance normalization network for image restoration [C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2021： 182?192.

[18] LI Y， TAN R T， GUO X J， et al. Rain streak removal using layer priors [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2016： 2736?2744.

[19] ZHANG H， SINDAGI V， PATEL V M. Image de?raining using a conditional generative adversarial network [J]. IEEE transactions on circuits and systems for video technology， 2020， 30（11）： 3943?3956.

[20] YANG W H， TAN R T， FENG J S， et al. Deep joint rain detection and removal from a single image [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2017： 1685?1694.

[21] ZHANG H， PATEL V M. Density?aware single image de?raining using a multi?stream dense network [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2018： 695?704.

[22] FU X， HUANG J， ZENG D， et al. Removing rain from single images via a deep detail network [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2017： 1715?1723.

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃（2022YFC3002602）；“兩鏈”融合企業(yè)（院所）聯(lián)合重點(diǎn)專(zhuān)項(xiàng)?工業(yè)領(lǐng)域（2022LL?JB?03）

作者簡(jiǎn)介：蘇勝君（1999—），男，山東泰安人，碩士研究生，研究方向?yàn)閳D像處理、目標(biāo)檢測(cè)。

仝秋紅（1963—），女，陜西西安人，博士研究生，教授，特聘研究員，研究方向?yàn)樽詣?dòng)駕駛、智慧交通。

柴國(guó)慶（1998—），男，陜西咸陽(yáng)人，博士研究生，研究方向?yàn)閳D像處理。

蘇海東（1982—），男，陜西西安人，碩士研究生，工程師，研究方向?yàn)橹悄芫W(wǎng)聯(lián)汽車(chē)。

王" 凱（1999—），男，陜西咸陽(yáng)人，碩士研究生，研究方向?yàn)槟繕?biāo)檢測(cè)。

胡待方（1999—），男，瑤族，湖南郴州人，碩士研究生，研究方向?yàn)閳D像處理、目標(biāo)檢測(cè)、無(wú)人駕駛。