雾霾天气下的车标检测方法.pdf

《雾霾天气下的车标检测方法.pdf》由会员分享，可在线阅读，更多相关《雾霾天气下的车标检测方法.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010785733.6 (22)申请日 2020.08.06 (71)申请人 南京理工大学 地址 210094 江苏省南京市玄武区孝陵卫 200号 (72)发明人 张恒张伟斌邹顺宇 (74)专利代理机构 南京理工大学专利中心 32203 代理人 朱炳斐 (51)Int.Cl. G06T 5/00(2006.01) G06T 5/40(2006.01) G06T 7/136(2017.01) G06K 9/62(2006.01) G06N 3/04(2006.01) G06N。

2、 3/08(2006.01) (54)发明名称 一种雾霾天气下的车标检测方法 (57)摘要 本发明公开了一种雾霾天气下的车标检测 方法， 包括： 利用暗通道去雾算法处理包含车辆 的待检测图像， 并对图像进行细节增强处理； 利 用深度学习检测算法检测去雾后的图像中的待 检测车辆； 利用经过训练的卷积神经网络识别待 检测车辆的类型； 结合待检测车辆的类型， 获取 待检测车辆的前脸组件位置关系； 在HSV模型中 利用阈值分割检测待检测车辆的车牌位置； 在车 牌左右两侧利用训练好的级联分类器检测两侧 车灯； 结合两侧车灯的位置以及车辆前脸组件的 位置关系定位车标。 本发明有效提高了暗通道去 雾算法的实。

3、时性， 更好地了恢复图像的细节， 并 且在车标检测中参考了与车型对应的组件位置 关系， 提高了不同车型车标检测的成功率， 对于 新车型也有很好的接纳能力。 权利要求书2页 说明书7页 附图3页 CN 112116533 A 2020.12.22 CN 112116533 A 1.一种雾霾天气下的车标检测方法， 其特征在于， 所述方法包括以下步骤： 步骤1， 利用暗通道去雾算法处理包含车辆的待检测图像， 并对图像进行细节增强处 理； 步骤2， 利用深度学习检测算法检测去雾后的图像中的待检测车辆； 步骤3， 利用经过训练的卷积神经网络识别待检测车辆的类型； 步骤4， 构建车辆前脸组件位置关系数据库。

4、， 该库中包括若干车辆类型及每类车辆的前 脸组件位置关系， 结合待检测车辆的类型， 获取待检测车辆的前脸组件位置关系； 步骤5， 在HSV模型中利用阈值分割检测待检测车辆的车牌位置； 步骤6， 在车牌左右两侧利用训练好的级联分类器检测两侧车灯； 步骤7， 结合两侧车灯的位置以及步骤4获得的车辆前脸组件的位置关系定位车标。 2.根据权利要求1所述的雾霾天气下的车标检测方法， 其特征在于， 步骤1中所述细节 增强处理具体为： 对去雾后的图像进行导向滤波和gamma校正处理。 3.根据权利要求1所述的雾霾天气下的车标检测方法， 其特征在于， 步骤2中所述深度 学习检测算法， 具体采用Faster-R。

5、CNN检测算法。 4.根据权利要求1所述的雾霾天气下的车标检测方法， 其特征在于， 步骤3中所述卷积 神经网络的训练集的构建过程为： 采集若干张包含不同类型车辆的图像， 构建车辆类型数据集； 针对车辆类型数据集中的每幅图像， 提取其中的车辆目标， 形成新的车辆类型数据集； 针对车辆类型数据集中尺寸规格为矩形的图像， 对图像的短边进行填充， 将其尺寸规 格变为正方形； 对车辆类型数据集中的所有图像进行缩放， 统一尺寸， 形成训练集； 该尺寸符合卷积神 经网络的输入图像尺寸要求。 5.根据权利要求1所述的雾霾天气下的车标检测方法， 其特征在于， 步骤4中所述前脸 组件包括车灯、 车标和车牌； 所述。

6、前脸组件位置关系包括： 车标位于车牌上方； 车标位于车灯水平连线的上方或车标位于车灯水平连线上或车标位于车灯水平连线 的下方。 6.根据权利要求1所述的雾霾天气下的车标检测方法， 其特征在于， 步骤5所述在HSV模 型中利用阈值分割检测待检测车辆的车牌位置， 具体过程包括： 步骤5-1， 依据车牌在HSV空间中的阈值， 对待检测图像进行阈值分割， 提取出车牌目 标； 步骤5-2， 对阈值分割后的图像进行闭运算处理； 步骤5-3， 构建车牌目标的最小外接矩形， 由最小外接矩形的顶点坐标求取车牌中心位 置坐标。 7.根据权利要求1所述的雾霾天气下的车标检测方法， 其特征在于， 步骤6中所述级联 分。

7、类器的训练集的构建过程为： 采集若干张车灯图像， 作为正样本； 采集车辆其他位置的若干张图像， 作为负样本。 权利要求书 1/2 页 2 CN 112116533 A 2 8.根据权利要求1或5所述的雾霾天气下的车标检测方法， 其特征在于， 步骤7所述结合 两侧车灯的位置以及步骤4获得的车辆前脸组件的位置关系定位车标， 具体包括： 若步骤6检测到两个车灯， 则以两车灯连线中点的纵坐标作为车标的纵坐标基准； 若步 骤6只检测到一个车灯， 则以该车灯的纵坐标作为车标的纵坐标基准； 步骤7-1， 以车牌中心位置的横坐标作为车标的横坐标； 步骤7-2， 若车辆前脸组件的位置关系为车标位于车灯水平连线上。

8、， 则所述纵坐标基准 即为车标的纵坐标； 若车辆前脸组件的位置关系为车标位于车灯水平连线的上方， 则车标 的纵坐标位于纵坐标基准， 纵坐标基准+2H范围内， 其中H表示车牌自身的高度； 若车辆前 脸组件的位置关系为车标位于车灯水平连线的下方， 则车标的纵坐标位于车牌中心位置 的纵坐标+H/2， 纵坐标基准范围内。 权利要求书 2/2 页 3 CN 112116533 A 3 一种雾霾天气下的车标检测方法 技术领域 0001 本发明属于道路车辆管理领域， 特别涉及一种雾霾天气下的车标检测方法。 背景技术 0002 目前国内的汽车数量已超过2.6亿辆， 并且仍在逐年增长， 给道路交通管理带来了 巨。

9、大的压力。 车辆的车标包含有重要的车辆品牌信息， 市面上超过有300中不同的车标类 型， 并且车标体积小， 传统的图像识别技术很难准确检测识别各类型车标。 此外， 近些年恶 劣雾霾天气不断涌现， 道路交通环境的能见度明显降低， 使得检测车标工作变得愈加困难。 因此对雾霾天气下的车标检测技术进行研究具有重要的实用意义。 0003 关于图像去雾的算法主要以下三种： 0004 基于深度学习的去雾算法， 这种算法需要大量的图片作为训练集去训练， 这导致 了同样一张图片需要有有雾和无雾两种状态， 这样的数据集难以构造。 此外训练好的模型 在实际应用中能否有效使用依然存疑。 0005 基于图像增强算法， 。

10、该算法不是基于大气散射原理等物理性模型， 而是非物理性 的。 通过只针对图像自身， 将图像去雾的问题转化为对对比度的提升， 并不关心导致图像退 化和复原的本质， 虽然图像在增强过后通过视觉观察会有更高的对比度， 但是处理后的图 像存在信息丢失的问题， 会出现失真现象。 0006 基于图像复原算法更加追求去雾的本质， 这样有利于恢复细节使图像更清晰。 如 何凯明提出的暗通道去雾算法， 虽然有很好的视觉效果但是在实际处理过程中消耗时间和 空间较大， 且暗部细节不够清晰。 0007 因此需要一种改进的图像复原算法实现去雾， 检测时尽可能实现实时性并且保留 更多的暗部细节。 0008 目前常见的目标检。

11、测技术主要有两类。 0009 第一类是传统的图像检测算法， 使用特征算子提取图像特征， 利用SVM等分类器对 特征进行分类识别， 以基于Adaboost分类器的检测算法为代表。 0010 第二类是基于深度学习的检测算法， 其中有包括了结合区域建议和结合回归算法 的两种类型。 结合区域建议的检测算法以Faster-RCNN为代表， 使用RPN网络生成区域建议 框， 卷积神经网络学习并分类区域特征。 结合回归算法的检测方案则将图片网格化， 对每个 网格检测到的目标信息进行回归计算， 得到目标位置。 0011 传统的图像检测算法的缺点在于对图像中细小物体检测能力较弱， 基于深度学习 的检测算法的缺点。

12、在于难以适用各种类型的车标检测。 因此需要设计一种能够检测到车标 部件的技术， 并能适应各种类型的车辆。 发明内容 0012 本发明的目的在于针对上述现有技术存在的问题， 提供一种基于暗通道去雾和车 型识别的车标检测方法， 以解决难以在雾霾天气准确检测各类型车辆的车标问题。 说明书 1/7 页 4 CN 112116533 A 4 0013 实现本发明目的的技术解决方案为： 一种雾霾天气下的车标检测方法， 所述方法 包括以下步骤： 0014 步骤1， 利用暗通道去雾算法处理包含车辆的待检测图像， 并对图像进行细节增强 处理； 0015 步骤2， 利用深度学习检测算法检测去雾后的图像中的待检测车。

13、辆； 0016 步骤3， 利用经过训练的卷积神经网络识别待检测车辆的类型； 0017 步骤4， 构建车辆前脸组件位置关系数据库， 该库中包括若干车辆类型和该类车辆 的前脸组件位置关系， 结合待检测车辆的类型， 获取待检测车辆的前脸组件位置关系； 0018 步骤5， 在HSV模型中利用阈值分割检测待检测车辆的车牌位置； 0019 步骤6， 在车牌左右两侧利用训练好的级联分类器检测两侧车灯； 0020 步骤7， 结合两侧车灯的位置以及步骤4获得的车辆前脸组件的位置关系定位车 标。 0021 进一步地， 步骤1中所述细节增强处理具体为： 对去雾后的图像进行导向滤波和 gamma校正处理。 0022 。

14、进一步地， 步骤2中所述深度学习检测算法， 具体采用Faster-RCNN检测算法。 0023 进一步地， 步骤3中所述卷积神经网络的训练集的构建过程为： 0024 采集若干张包含不同类型车辆的图像， 构建车辆类型数据集； 0025 针对车辆类型数据集中的每幅图像， 提取其中的车辆目标， 形成新的车辆类型数 据集； 0026 针对车辆类型数据集中尺寸规格为矩形的图像， 对图像的短边进行填充， 将其尺 寸规格变为正方形； 0027 对车辆类型数据集中的所有图像进行缩放， 统一尺寸， 形成训练集； 该尺寸符合卷 积神经网络的输入图像尺寸要求。 0028 进一步地， 步骤4中所述前脸组件包括车灯、 。

15、车标和车牌； 0029 所述前脸组件位置关系包括： 0030 车标位于车牌上方； 0031 车标位于车灯水平连线的上方或车标位于车灯水平连线上或车标位于车灯水平 连线的下方。 0032 进一步地， 步骤5所述在HSV模型中利用阈值分割检测待检测车辆的车牌位置， 具 体过程包括： 0033 步骤5-1， 依据车牌在HSV空间中的阈值， 对待检测图像进行阈值分割， 提取出车牌 目标； 0034 步骤5-2， 对阈值分割后的图像进行闭运算处理； 0035 步骤5-3， 构建车牌目标的最小外接矩形， 由最小外接矩形的顶点坐标求取车牌中 心位置坐标。 0036 进一步地， 步骤6中所述级联分类器的训练集。

16、的构建过程为： 0037 采集若干张车灯图像， 作为正样本； 0038 采集车辆其他位置的若干张图像， 作为负样本。 0039 进一步地， 步骤7所述结合两侧车灯的位置以及步骤4获得的车辆前脸组件的位置 说明书 2/7 页 5 CN 112116533 A 5 关系定位车标， 具体包括： 0040 若步骤6检测到两个车灯， 则以两车灯连线中点的纵坐标作为车标的纵坐标基准； 若步骤6只检测到一个车灯， 则以该车灯的纵坐标作为车标的纵坐标基准； 0041 步骤7-1， 以车牌中心位置的横坐标作为车标的横坐标； 0042 步骤7-2， 若车辆前脸组件的位置关系为车标位于车灯水平连线上， 则所述纵坐标。

17、 基准即为车标的纵坐标； 若车辆前脸组件的位置关系为车标位于车灯水平连线的上方， 则 车标的纵坐标位于纵坐标基准， 纵坐标基准+2H范围内， 其中H表示车牌自身的高度； 若车 辆前脸组件的位置关系为车标位于车灯水平连线的下方， 则车标的纵坐标位于车牌中心 位置的纵坐标+H/2， 纵坐标基准范围内。 0043 本发明与现有技术相比， 其显著优点为： 1)使用导向滤波和gamma校正技术， 解决 了暗通道去雾算法中实时性差和细节丢失的问题， 提高了后续各目标检测的精度； 2)采用 车辆检测算法增强训练集， 提高了车型识别的正确率； 3)结合与车型相关的车辆前脸组件 位置关系定位车标， 提高了车标检。

18、测算法在各车型上的适用性。 0044 下面结合附图对本发明作进一步详细描述。 附图说明 0045 图1为一个实施例中雾霾天气下的车标检测方法的流程图。 0046 图2为一个实施例中车辆去雾前后对比图， 图(a)、 (b)分别为去雾前和去雾后。 0047 图3为一个实施例中导向滤波技术的原理示意图。 0048 图4为一个实施例中gamma校正技术中不同值对应的输入输出曲线。 0049 图5为一个实施例中基于Faster-RCNN的车辆检测算法基本原理示意图。 0050 图6为一个实施例中用于车型识别的卷积神经网络基本结构示意图。 0051 图7为一个实施例中基于Adaboost的车灯检测算法流程。

19、图。 具体实施方式 0052 为了使本申请的目的、 技术方案及优点更加清楚明白， 以下结合附图及实施例， 对 本申请进行进一步详细说明。 应当理解， 此处描述的具体实施例仅仅用以解释本申请， 并不 用于限定本申请。 0053 在一个实施例中， 结合图1， 提供了一种雾霾天气下的车标检测方法， 所述方法包 括以下步骤： 0054 步骤1， 利用暗通道去雾算法处理包含车辆的待检测图像， 并利用导向滤波和 gamma校正处理对图像进行细节增强处理； 0055 这里， 在基于暗通道的去雾算法中， 描述有雾图像的公式为： 0056 I(x)J(x)t(x)+A1-t(x) 0057 其中， I(x)为待。

20、去雾图像， J(x)为要恢复的无雾图像， A为大气光成分， t(x)为透光 率。 对于成像模型， 将其归一化， 即两边同时除以每个通道的大气光值： 0058 0059假设大气光A为已知量， t(x)透光率为常数， 将其定义为对上式两边两次最 说明书 3/7 页 6 CN 112116533 A 6 小化运算， 可得下式： 0060 0061 根据暗通道先验理论Jdark趋近于0有： 0062 0063 推出： 0064 0065 代回原式， 即可得到透射率估计值： 0066 0067 引入常量参数(01)用来控制去雾的程度， 防止去雾太过彻底， 恢复出的景 物不自然。 设置0.95， 重新定义。

21、传输函数为： 0068 0069 从暗通道图中按照亮度大小提取最亮的前0.1像素， 然后在原始图像I中寻找对 应位置最高两点的值， 作为A值， 进行恢复无雾图像。 当透射图t值很小时， 会导致J值偏大， 使整张图向白场过度。 设置一个阈值t0， tt0时， 令tt0， 最终公式为： 0070 0071 这里， 导向滤波技术的原理示意图如图3所示。 导向滤波的关键在于一个假设， 就 是引导图像I和最终的输出图像q在以像素k为中心的方形窗口k内存在局部的线性模型 关系， p表示滤波输入图像。 数学关系表达式如下: 0072 0073 用梯度算子检测出图像的边缘部分， 通过上面的线性模型， 可以得到。

22、如下公式: 0074 0075 即在最后的输出图像q中一定是具有和导向图像I中相对应的边缘。 滤波输出图像 q为滤波输入图像p减去图像中的噪声， 则可以表达为: 0076 qipi-ni 0077 其中， ni是指滤波输入图像中p的噪声。 求解线性系数使得滤波输出图像q和滤波 输入图像p之间的差异减小， 保持引导图像输出图像间的局部线性关系， 在k内的代价函 数表达式为： 0078 0079 最终得到的线性系数如下所示: 说明书 4/7 页 7 CN 112116533 A 7 0080 0081 0082其中 k和为引导图像I在k内的均值和方差,|是k内的像素总数,输入滤 波图像p在k内的均。

23、值表达式如下: 0083 0084 即为引导滤波的输出， 由于一个像素点i被多个k邻域所包含， 而不同的邻域有 不同的输出， 因此对所包含像素点i的k领域的输出结果计算平均值， 其表达式为： 0085 0086 0087 0088其中表示所有的k相应邻域内的像素i的平均线性系数。 0089 在图像去雾中， 导向滤波用来细化透射率图像， 以暗通道图作为导向图， 对其透射 率图进行导向滤波， 使透射率图像更加精细化， 从而去雾图能更加还原图片的细节。 0090 这里， gamma校正技术中不同值对应的输入输出曲线如图4所示。 图像进行暗通 道去雾之后， 图像可能会出现过暗的情况使得无法获得更多的有。

24、效的图像数据。 本发明中 采用gamma校正对去雾图像进行曝光改善。 利用伽马曲线加大图片中的深色部分和浅色部 分的比例， 增强暗部和亮部细节， 提高对比度， 保留更多的细节。 在图中1， 斜45直线， 不 校正， 输出输入； 1， 曲线下压， 输出值小于输入值； 1， 曲上k， 输出值大于输入值 48。 也就表示， 当1中， 原始的暗区将是明亮， 直方图将被向右移位， 而与之相对的 1， 原始的亮区将变暗， 直方图将向左移位。 在图像处理中令为0.8， 使图像整体非线性地 变亮一些， 解决由暗通道去雾算法造成的图像变暗问题。 0091 这里示例性地， 通过本发明该步骤的过程进行去雾处理， 效。

25、果如图2所示。 0092 步骤2， 利用深度学习检测算法检测去雾后的图像中的待检测车辆； 0093 步骤3， 利用经过训练的卷积神经网络识别待检测车辆的类型； 0094 步骤4， 构建车辆前脸组件位置关系数据库， 该库中包括若干车辆类型及每类车辆 的前脸组件位置关系， 结合待检测车辆的类型， 获取待检测车辆的前脸组件位置关系； 0095 这里， 前脸组件包括车灯、 车标和车牌； 0096 所述前脸组件位置关系包括： 0097 车标位于车牌上方； 0098 车标位于车灯水平连线的上方或车标位于车灯水平连线上或车标位于车灯水平 连线的下方。 说明书 5/7 页 8 CN 112116533 A 8。

26、 0099 步骤5， 在HSV模型中利用阈值分割检测待检测车辆的车牌位置； 0100 步骤6， 在车牌左右两侧利用训练好的级联分类器检测两侧车灯； 0101 步骤7， 结合两侧车灯的位置以及步骤4获得的车辆前脸组件的位置关系定位车 标。 0102 进一步地， 在其中一个实施例中， 步骤2中所述深度学习检测算法， 具体采用 Faster-RCNN检测算法。 0103 基于Faster-RCNN的车辆检测算法基本原理示意图如图5所示。 Faster-RCNN检测 网络分成两个部分， 其一是RPN网络， 另一部分是由卷积神经网络组成的主干网络。 图像经 过检测网络首先由网络的公共卷积层提取图像特征，。

27、 一方面特征图经过RPN网络提取计算 得到候选框的位置坐标和候选框作为前景和后景的概率， 另一方面特征图继续经过卷积神 经网络提取高维特征。 在ROI-pooling层将候选框统一成标准大小， 经由softmax层得到候 选框内目标为各类别的概率， 对候选框位置信息进行边框回归和非极大值抑制得到更精准 的位置参数。 0104 进一步地， 在其中一个实施例中， 步骤3中所述卷积神经网络基本结构如图6所示， 包含4个部分： 0105 (1)输入， 将数据集图片统一缩放为32x32大小， 以按命名的方式实现图片的标注。 例如 “0_1” 表明该图片为第一类的第一张图片， 训练时将图片打包成数组作为输。

28、入， 将标签 存入数组作为目标。 0106 (2)卷积层， 网络中共包含了3层卷积层， 每层卷积层辅以max-pooling池化层， 激 活函数均使用ReLu函数。 0107 (3)全连接层。 全连接层在整个卷积神经网络之中执行最后的类别判断的任务， 将 特征映射到标记空间以计算损失函数。 完全连接层的具体实现仍然依赖于卷积运算， 但与 前面的卷积层不同的是， 完全连接层的卷积核的大小和之前一层卷积层输出的特征映射图 的大小相同， 这样每一个特征图在经过完全连接层之后都会被卷积成一个单独的数值。 0108 并且考虑到训练集样本数量较少， 加入了一层Dropout函数， 设置函数值为0.6， 该。

29、 函数能够使得输出节点以60的概率不更新权重， 起到抑制网络过拟合的作用。 0109 (4)损失函数与优化器。 使用tensorflow函数库中自带的损失函数softmax_ cross_entropy_with_logist， 即交叉熵损失函数结合Softmax函数作为优化目标。 优化器 选择使用了自适应矩估计(Adam)优化器， 学习率设置为0.0001， 训练次数为120。 0110 卷积神经网络的训练集的构建过程为： 0111 采集若干张包含不同类型车辆的图像， 构建车辆类型数据集； 0112 针对车辆类型数据集中的每幅图像， 提取其中的车辆目标， 形成新的车辆类型数 据集； 0113。

30、 针对车辆类型数据集中尺寸规格为矩形的图像， 对图像的短边进行填充， 将其尺 寸规格变为正方形； 0114 对车辆类型数据集中的所有图像进行缩放， 统一尺寸， 形成训练集； 该尺寸符合卷 积神经网络的输入图像尺寸要求。 0115 作为对比， 搜集整理制作车辆类型数据集， 其中车辆类型数据集包含有10种类型， 共包含有1800张图片， 其中1400张用作训练， 其余400张图片用作测试， 初次训练识别率为 说明书 6/7 页 9 CN 112116533 A 9 60。 而根据上述过程构建训练集， 最终的识别率达到72.5。 0116 进一步地， 在其中一个实施例中， 步骤5所述在HSV模型中利。

31、用阈值分割检测待检 测车辆的车牌位置， 具体过程包括： 0117 步骤5-1， 依据车牌在HSV空间中的阈值(以蓝色车牌为例， 其在HSV色度空间中的 阈值为105,124)， 100,255)， 100,255)， 对待检测图像进行阈值分割， 提取出车牌目标； 0118 步骤5-2， 对阈值分割后的图像进行闭运算处理； 0119 步骤5-3， 构建车牌目标的最小外接矩形， 由最小外接矩形的顶点坐标求取车牌中 心位置坐标。 0120 进一步地， 在其中一个实施例中， 步骤6中所述级联分类器的训练集的构建过程 为： 0121 采集若干张车灯图像， 作为正样本； 0122 采集车辆其他位置的若干张。

32、图像， 作为负样本。 0123 基于Adaboost的车灯检测算法流程图如图7所示。 通过适用Haar特征训练弱分类 器， 按照各弱分类器的性能分配权重系数， Adaboost的基本原理就是将这些弱分类器按照 权重系数组合起来形成强分类器。 而训练各方面性能都极为优异的强分类器较为困难， 通 过结合级联分类器的思想， 将训练好的强分类器级联， 形成最终的分类器。 0124 进一步地， 在其中一个实施例中， 步骤7所述结合两侧车灯的位置以及步骤4获得 的车辆前脸组件的位置关系定位车标， 具体包括： 0125 若步骤6检测到两个车灯， 则以两车灯连线中点的纵坐标作为车标的纵坐标基准； 若步骤6只检。

33、测到一个车灯， 则以该车灯的纵坐标作为车标的纵坐标基准； 0126 步骤7-1， 以车牌中心位置的横坐标作为车标的横坐标； 0127 步骤7-2， 若车辆前脸组件的位置关系为车标位于车灯水平连线上， 则所述纵坐标 基准即为车标的纵坐标； 若车辆前脸组件的位置关系为车标位于车灯水平连线的上方， 则 车标的纵坐标位于纵坐标基准， 纵坐标基准+2H范围内， 其中H表示车牌自身的高度； 若车 辆前脸组件的位置关系为车标位于车灯水平连线的下方， 则车标的纵坐标位于车牌中心 位置的纵坐标+H/2， 纵坐标基准范围内。 0128 综上， 本发明在去雾部分， 使用了导向滤波和gamma校正技术， 解决了暗通道。

34、去雾 算法中实时性差和细节丢失的问题； 在车标识别部分， 结合了车辆类型识别， 利用与车型对 应的车辆前脸组件关系， 提高了车标检测算法在各类车型上的适用性。 0129 以上显示和描述了本发明的基本原理、 主要特征及优点。 本行业的技术人员应该 了解， 本发明不受上述实施例的限制， 上述实施例和说明书中描述的只是说明本发明的原 理， 在不脱离本发明精神和范围的前提下， 本发明还会有各种变化和改进， 这些变化和改进 都落入要求保护的本发明范围内。 本发明要求保护范围由所附的权利要求书及其等效物界 定。 说明书 7/7 页 10 CN 112116533 A 10 图1 图2 说明书附图 1/3 页 11 CN 112116533 A 11 图3 图4 图5 说明书附图 2/3 页 12 CN 112116533 A 12 图6 图7 说明书附图 3/3 页 13 CN 112116533 A 13 。