针对雾天场景下成像设备采集的图像降质严重的问题,提出一种基于特征约束循环生成对抗网络(CycleGAN)的单幅图像去雾算法。首先,通过循环生成对抗网络学习雾天图像与清晰图像之间的映射关系,经由判别器判断重建图像是否符合真实样本图像的数据分布;然后,针对网络模型损失函数部分,构建基于循环一致损失和Haze损失的联合函数。在Haze损失函数中引入图像频率信息作为约束项,并结合预训练的VGG-16模型提取图像高维特征的内容损失,从而提高网络的去雾性能,解决了CycleGAN模型去雾不足和图像信息丢失的问题;最后,将峰值信噪比和结构相似性作为评价标准,对输入的雾天图像和输出的去雾增强图像进行定量分析。实验结果表明,提出的算法能有效地降低雾对成像质量的影响,进而获得更好的主观视觉评价和客观量化评价。

在全景视频目标跟踪过程中,由于光照条件变化复杂和目标相对镜头运动时尺度变化剧烈,目标跟踪算法存在精度低和适用性差等问题。为了解决这个问题,提出了一种基于改进SiameseRPN的全景视频目标跟踪算法。首先采用MobileNetV3中的网络结构提取深度特征,使算法对全景视频序列中出现的场景缺陷有更好的适应性,并利用Squeeze and Excite模块增加网络对特征选择的敏感度。提出并构建了一种基于双线性插值的特征融合模块,运用双线性插值的方法使输出的后三层深度特征具有相同尺度,并融合这三层特征以用于网络预测。最后利用分类分支预测出当前序列中的正负样本,利用回归分支预测当前输出目标的位置信息和尺度信息,最终输出目标的位置信息。实验结果表明:所提算法可以有效地解决全景数据中的局部图像质量欠佳和尺度变化的问题,在保持实时跟踪性能的同时,具有较高的跟踪精度,对目标跟踪中出现的小目标、目标遮挡及多目标交叉运动等情况表现出良好的适应性,具有良好的视觉效果和较高的跟踪得分。

针对监控视频中车牌图像超分辨率重建数据处理量较大、性能差的问题,提出了一种基于逐级反投影网络的车牌图像超分辨率重建算法。首先,为了减少超分辨率网络数据处理量,先检测并提取出低分辨率车牌区域。然后,分解深度反投影网络(DBPN)中较大的采样倍数,以逐级采样的方式完成迭代反投影。在逐级反投影单元中,跳线连接融合逐级采样产生的中间尺度特征,以提高特征利用率;用1×1卷积层降低融合后中间尺度的特征维度,同时保留关键信息。最后,根据逐级上投影单元产生的特征图重建高分辨率车牌图像。实验结果表明,相比DBPN,本算法不仅降低了超分辨率网络的数据处理量和参数量,且重建的车牌图像质量在主观感受和客观评价指标方面都得到了很大的提升。