一种雨雾天气环境下的道路目标检测方法

本发明属于计算机视觉，适用于自动驾驶、智能交通、道路监控等场景，尤其涉及一种雨雾天气环境下的道路目标检测方法。

背景技术：

1、在自动驾驶系统中，基于视觉的目标检测是环境感知的重要组成部分，其通过车载摄像头获取道路场景图像，对车辆、行人等交通参与者进行实时识别与定位，为后续的路径规划和车辆控制提供关键环境信息。由于兼顾检测精度与推理速度，yolo系列目标检测模型已广泛应用于自动驾驶、智能交通等场景。其中，yolo26作为新一代目标检测架构进一步提升了目标检测性能和模型部署能力。

2、在真实开放道路环境中，雨、雾等恶劣天气会显著影响视觉成像质量，使采集图像出现对比度下降、目标边缘模糊、远距离目标可见性降低等退化现象，增加目标漏检和误检的风险。针对雨雾天气下的目标检测问题，现有技术主要包括两类方案。第一类为基于图像预处理的两阶段方法，即先利用去雨、去雾或图像增强模型改善输入图像质量，再将处理后的图像输入目标检测网络进行识别。由于图像增强与目标检测属于相互独立的优化任务，图像视觉质量的提升并不必然带来目标检测性能的提升。第二类为基于目标检测网络结构改进的方法，即通过优化网络特征提取与特征融合方式提高检测模型对雨雾天气场景的适应能力。相比于两阶段方法，该类方法能够实现目标特征提取与检测任务的端到端联合优化。

3、然而，现有基于目标检测网络结构改进的方法仍存在一定不足。一方面，雨雾天气导致道路目标边缘模糊和局部纹理弱化，现有特征提取结构对局部细节信息与大范围上下文信息的协同建模能力有限；另一方面，在多尺度特征融合过程中，不同层级特征在语义信息和空间分辨率上存在差异，直接进行特征融合难以充分实现不同层级信息的有效互补，且雨雾退化进一步削弱了目标空间结构和位置信息的表达能力，影响多尺度融合效果。此外，部分方法通过引入复杂的特征增强模块提升检测性能，但通常会增加模型参数量与计算开销，难以兼顾目标检测的准确性、实时性和轻量化部署需求。

4、因此，如何在保持较低参数量和计算开销的前提下，提高检测模型在雨雾天气下对目标特征的有效提取与融合能力，兼顾检测的准确性与实时性，仍是亟待解决的问题。

技术实现思路

1、本发明公开了一种雨雾天气环境下的道路目标检测方法。针对雨雾天气导致道路目标边缘模糊、局部纹理退化和定位精度下降等问题，对yolo26模型进行改进。本发明方法在显著降低模型参数量和计算复杂度的同时，有效提升雨雾天气下道路目标检测的精度和召回率，可满足自动驾驶和智能交通等应用场景的实时道路目标检测需求。

2、首先，在骨干网络中构建局部特征增强模块，提升网络对目标边缘、纹理等局部细节特征的表征能力；其次，在骨干网络末端构建混合频率空间增强模块，通过高频分支强化细节特征，利用低频分支聚合多尺度结构信息与大范围上下文信息，并对高、低频特征进行自适应融合，在增强目标细节表达能力的同时提升网络对复杂场景上下文信息的建模能力；最后，在颈部网络首次多尺度特征融合阶段构建自适应方向感知特征增强模块，强化多尺度融合特征的方向感知和空间位置表征，在较低参数量和计算开销下提升道路目标的定位和辨识能力。

3、为达到上述目的，本发明所采用的技术方案是：

4、一种雨雾天气环境下的道路目标检测方法，包括以下步骤：

5、将道路场景图像输入yolo26模型的骨干网络进行多尺度特征提取；其中，

6、在骨干网络中构建局部特征增强模块，用于强化局部特征提取，生成局部增强特征；在骨干网络末端构建包括高频分支和低频分支的混合频率空间增强模块；高频分支用于增强细节信息表征能力，低频分支用于聚合道路目标的多尺度结构信息和上下文信息；将局部增强特征输入混合频率空间增强模块，自适应融合高频分支和低频分支的输出，生成频率空间增强特征；

7、在颈部网络的首次多尺度特征融合阶段构建自适应方向感知特征增强模块，输出方向感知增强特征，用于颈部网络后续融合及目标预测、生成道路目标检测结果。

8、作为优选，在骨干网络中构建局部特征增强模块包括：

9、采用多分支深度卷积结构提取输入特征图的局部空间特征；将各分支的输出逐元素相加，并经批归一化处理，得到局部空间增强特征；将局部空间增强特征输入轻量级前馈网络进行通道特征编码，得到通道编码特征；引入可学习特征缩放机制对通道编码特征进行自适应调节，并结合双重残差连接结构进行特征融合，得到局部增强特征。

10、作为优选，轻量级前馈网络由两个卷积归一化单元组成，每个卷积归一化单元均包含卷积和批归一化层；其中，第一个卷积归一化单元用于进行通道映射，第二个卷积归一化单元用于恢复特征维度，两者之间采用gelu激活函数进行非线性特征变换。

11、作为优选，多分支深度卷积结构包括深度卷积分支、深度卷积分支和恒等映射分支；深度卷积分支用于提取局部邻域的空间结构信息，深度卷积分支用于对各通道特征进行独立映射与增强，恒等映射分支用于保留原始输入特征。

12、作为优选，构建混合频率空间增强模块包括：

13、对于输入的局部增强特征，高频分支采用两个具有不同方向感受野的条带深度卷积，分别提取水平方向和垂直方向的局部结构信息；两个方向特征经逐元素相加和批归一化处理后，得到高频细节增强特征；

14、低频分支采用三个具有不同膨胀率的深度卷积并行处理局部增强特征，各尺度特征经逐元素相加和批归一化处理后，得到低频上下文增强特征。

15、作为优选，自适应融合高频分支和低频分支的输出包括：

16、设置可学习参数并通过系数映射函数映射至区间，得到自适应融合权重；基于自适应融合权重对高频细节增强特征和低频上下文增强特征进行加权融合，得到融合特征；融合特征经过卷积、批归一化和silu激活函数进行通道映射与非线性变换，得到投影特征；将投影特征与局部增强特征进行残差融合，生成频率空间增强特征。

17、作为优选，在颈部网络的首次多尺度特征融合阶段构建自适应方向感知特征增强模块包括：对于颈部网络首次多尺度特征融合得到的特征，分别沿宽度维度和高度维度进行全局平均池化，分别获得高度方向特征描述和宽度方向特征描述；对两者沿空间维度进行拼接，得到联合特征；将联合特征输入共享特征编码网络进行统一编码，得到共享编码特征；将共享编码特征沿空间维度按照高度和宽度重新划分，得到高度方向编码特征和宽度方向编码特征；设置可学习参数，并通过系数映射函数将其转换为方向调节系数；将高度方向编码特征和宽度方向编码特征恢复至输入通道维度，并利用调节系数对响应强度进行调节，生成高度方向和宽度方向的方向响应权重；将两个方向响应权重进行融合，并对颈部网络首次多尺度特征融合得到的特征进行自适应重标定，得到方向感知增强特征。

18、与现有技术相比，本发明的有益效果体现在：

19、1.本发明针对雨雾天气下道路目标局部细节易退化的问题，在骨干网络中构建融合局部细节增强与混合频率信息协同建模的特征提取机制。其中，局部特征增强模块能够增强道路目标纹理、边缘等细节信息的提取能力，混合频率空间增强模块通过高频细节信息和低频多尺度上下文信息的协同建模，在保留局部细节的同时增强大范围上下文信息表征，从而提高网络对模糊、小尺度及远距离道路目标的感知能力。

20、2.本发明在颈部网络的首次多尺度特征融合阶段构建自适应方向感知特征增强模块，通过沿水平和垂直方向进行方向性特征聚合，建立具有方向感知能力的特征表示；进一步采用轻量级共享特征编码网络实现不同方向特征的信息交互与联合建模，并通过可学习调节系数对方向特征的响应强度进行自适应调节，从而增强多尺度融合特征的空间结构与位置信息表达能力。该模块能在保持较低参数量和计算开销的同时，提高不同层级特征的融合质量，进而提升道路目标检测的精度。

21、3.本发明将局部特征增强模块、混合频率空间增强模块以及自适应方向感知特征增强模块有机结合，分别部署于骨干网络和颈部网络的不同层级，构建了“局部增强—频率协同—方向感知”的多层次特征增强体系。其中，局部特征增强模块作用于骨干网络中间层，强化道路目标的纹理、边缘等细节信息；混合频率空间增强模块作用于骨干网络的深层特征提取阶段，协同建模高频细节与低频多尺度上下文信息；自适应方向感知特征增强模块作用于颈部网络的特征融合阶段，自适应强化多尺度融合特征中的方向结构信息。三个模块通过跨层级的信息增强与特征协同，形成区别于单一增强模块的综合增益效果，在保持较低计算开销的同时，提高雨雾天气环境下道路目标的检测精度。