面向沙尘与雾气降质的交通监控轻量级双注意力可见度恢复网络

《Applied Sciences》:LCVR-Net: Dual-Attention Visibility Restoration for Traffic Surveillance Under Dust and Fog Degradation

【字体: 大 中 小 】 时间:2026年09月19日 来源:Applied Sciences 2.5

编辑推荐:

   不利的大气条件,尤其是沙尘和雾气,会严重降低交通监控影像的可见度,从而限制智能交通系统(Intelligent Transportation Systems, ITS)和基于视觉的交通监测应用的可靠性。为了应对这些限制,本文提出了轻量级闭路电视可见度恢复网

  


不利的大气条件,尤其是沙尘和雾气,会严重降低交通监控影像的可见度,从而限制智能交通系统(Intelligent Transportation Systems, ITS)和基于视觉的交通监测应用的可靠性。为了应对这些限制,本文提出了轻量级闭路电视可见度恢复网络(Lightweight CCTV Visibility Restoration Network, LCVR-Net),这是一种专为恶劣天气条件下闭路电视(Closed-Circuit Television, CCTV)监控而设计的高效图像恢复框架。所提出的架构采用基于残差深度可分离模块(Residual Depthwise Separable Blocks, RDSBs)的轻量级编码器-解码器主干网络,以较低的计算复杂度实现有效的特征提取。此外,研究人员引入了双注意力精炼模块(Dual Attention Refinement Module, DARM)以增强面向雾气恢复的降质感知特征表示,同时引入轻量级色彩校正头(Color Correction Head, CCH)以补偿大气色彩失真并提升感知图像保真度。为实现任务特定的优化,研究人员分别针对沙尘和雾气恢复开发了两个模型变体。在真实监控图像上的定性评估进一步为所提出框架在自然发生的大气降质条件下的实际适用性提供了支持性证据。这些结果表明,LCVR-Net在恢复精度与计算效率之间实现了有效的平衡,使其非常适合部署于智能交通和交通监控系统中。
**论文解读**

**一、研究背景与问题**

智能交通系统(Intelligent Transportation Systems, ITS)已成为现代智慧城市的基础组成部分,通过持续的视觉感知支撑交通监测、事件检测与拥堵管理。闭路电视(Closed-Circuit Television, CCTV)摄像头因覆盖范围广、部署成本低而被广泛应用,然而户外监控摄像头经常面临沙尘、雾霾等恶劣天气导致图像质量严重下降的问题:对比度降低、色彩失真、场景结构模糊、细节丢失等。这些降质严重损害下游视觉任务,如车辆检测、交通流量估计与车牌识别,从而限制ITS在真实环境中的有效性。传统的可见度恢复方法,如直方图均衡化(Histogram Equalization, HE)、自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization, CLAHE)、基于Retinex的增强方法及暗通道先验(Dark Channel Prior, DCP)虽计算效率高,但依赖固定假设,易产生过度增强、色彩不一致等问题。深度学习方法虽大幅提升了恢复性能,但其现有研究存在三个重要局限:大多数方法基于通用去雾数据集开发,与真实CCTV监控场景存在显著差异;先进恢复网络通常以大幅增加模型复杂度和计算成本为代价获取更高精度,难以部署于资源受限的边缘系统;同时针对沙尘和雾气的轻量级CCTV图像恢复研究较少。针对上述问题,研究人员提出了轻量级闭路电视可见度恢复网络LCVR-Net,填补了现有研究在监控特定场景下的实际需求缺口。

**二、主要关键技术方法**

本研究采用的关键技术包括:以残差深度可分离模块(Residual Depthwise Separable Blocks, RDSBs)为基本特征提取单元的轻量级编码器-解码器主干架构,该模块将标准卷积分解为逐通道滤波与逐点融合两个独立操作以降低计算复杂度;双注意力精炼模块(Dual Attention Refinement Module, DARM),依次集成通道注意力单元与空间注意力单元来增强特征表示;轻量级色彩校正头(Color Correction Head, CCH),包含全局色彩分支与局域精炼分支以补偿大气色彩失真;训练阶段采用结合L1损失与结构相似性(Structural Similarity Index Measure, SSIM)损失的混合损失函数。训练数据来源于Traffic Data from Surveillance Cameras数据集的4234张CCTV图像,划分为3598张训练图像、536张验证图像和100张评估图像,通过合成方式生成沙尘和雾气降质样本。此外,采用RESIDE SOTS Outdoor基准进行跨数据集评估,DS Dataset用于真实世界定性评估。所有实验基于PyTorch 2.10.0框架,使用NVIDIA Tesla T4 GPU,输入图像统一为256×256像素,采用AdamW优化器训练100个周期,批次大小为8。

**三、研究结果**

**沙尘图像恢复的定量评估:** 在包含100张CCTV图像的评价集上,研究人员将LCVR-Net-D与CLAHE、Gamma校正、Retinex、白平衡、DCP及多种深度学习方法进行了对比。结果表明,LCVR-Net-D取得了最高的结构相似性指标SSIM(0.93)和具有竞争力的峰值信噪比PSNR(30.88 dB),在结构保持方面优于所有对比方法,证实了该框架在恢复沙尘降质CCTV图像方面的有效性。

**雾气图像恢复的定量评估:** 在CCTV雾气数据集和RESIDE SOTS Outdoor基准上的评估显示,LCVR-Net-F在CCTV雾气基准上达到最优性能,获得了32.78 dB的PSNR和0.96的SSIM。在SOTS Outdoor基准上评估时获得了22.11 dB PSNR和0.89 SSIM,表明该模型在CCTV监控领域之外的一般户外场景中同样具备雾气图像恢复能力,其性能下降反映了领域偏移效应。跨数据集实验进一步表明,CCTV数据训练的模型在监控图像上表现更优,而RESIDE训练的模型在SOTS Outdoor基准上精度更高,这凸显了面向交通监控的领域特定训练的重要性。

**沙尘图像恢复的定性评估:** 传统增强方法普遍难以恢复严重可见度降质,常引入色彩失真或对比度失衡。深度学习方法显著改善了图像质量,但在具有挑战性的区域仍有残留降质。相比之下,LCVR-Net-D生成的恢复图像具有更清晰的结构、改善的色彩一致性和增强的可见度,视觉效果更接近真实无降质图像。

**雾气图像恢复的定性评估:** 传统增强技术在浓雾条件下能力有限,现有深度学习方法提高了可见度但常保留残留雾气和降低的对比度。LCVR-Net-F能够恢复更清晰的场景结构、增强远距离物体的可见性并保持更好的对比度和色彩一致性,结果在视觉上更接近参考图像。

**真实世界监控图像评估:** 在DS Dataset的自然降质图像上的定性实验表明,与现有深度学习方法相比,LCVR-Net-F持续恢复出更清晰的场景结构,改善了交通相关物体的可见度,在不引入显著伪影的情况下增强整体对比度。结合无参考图像质量评估指标NIQE(Natural Image Quality Evaluator)和UIQM(Underwater Image Quality Measure)的比较结果,所提方法在真实雾气图像上取得了优于其他方法的增强质量。此外,基于预训练YOLOv8n检测器的车辆检测实验表明,降质条件下车辆检测置信度降低或被完全漏检,而恢复后的图像恢复了部分检测并提高了置信度。

**消融研究:** 沙尘恢复消融实验结果显示,引入CCH将PSNR从29.08 dB提升至29.98 dB,SSIM从0.9170提升至0.9197,证实了其在补偿沙尘引起的色彩失真方面的有效性。雾气恢复消融实验显示,引入DARM将基线性能从26.71 dB/0.9297提升至27.01 dB/0.9313(PSNR/SSIM),同时引入DARM和CCH后性能进一步提升至31.72 dB PSNR和0.9572 SSIM,证明了所提模块对雾气恢复的互补贡献。

**四、研究结论**

研究人员提出了一种面向智能交通系统中沙尘和雾气降质CCTV监控图像增强的轻量级可见度恢复框架LCVR-Net。该框架采用残差深度可分离模块实现计算高效的特征提取,双注意力精炼模块增强面向雾气恢复的降质感知特征表示,以及轻量级色彩校正头补偿大气色彩失真。任务特定的两个变体LCVR-Net-D和LCVR-Net-F在统一架构内有效应对沙尘和雾气的不同降质特性。同时构建了面向CCTV的基准数据集以支持系统性评估。广泛的定量、定性、计算效率及消融实验表明,所提框架在保持高计算效率的同时取得了有竞争力的恢复性能,适用于资源受限监控系统部署,在真实世界监控图像上的定性评估进一步证实了其实际适用性和泛化能力。未来工作将聚焦于将LCVR-Net扩展至处理多种恶劣天气条件(包括雨雪和夜间低能见度环境),并通过更大规模真实监控数据集训练提升跨领域泛化能力,同时将恢复框架与下游交通分析任务(如车辆检测、跟踪、交通流量估计)进行集成,以开发更为鲁棒和实用的智能交通系统。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号