第15卷第3期 智能系统学报 Vol.15 No.3 2020年5月 CAAI Transactions on Intelligent Systems May 2020 D0L:10.11992tis.201903041 基于生成式对抗网络的道路交通模糊图像增强 曹锦纲，李金华，郑顾平 (华北电力大学控制与计算机工程学院，河北保定071003) 摘要：为了提高道路交通模糊图像增强的质量，进一步促进道路交通管理，针对道路交通场景下的运动模糊 图像增强问题，提出了一种基于生成式对抗网络的多尺度多路径学习的模型。首先，选用具有多尺度卷积核的 神经网络，对输入的图像进行更细致地特征值提取；其次，将局部残差学习和全局残差学习相结合，采用多路 径多权重共享的递归学习，并利用判别网络和生成网络间的对抗训练优化网络参数：最后，实现端到端直接生 成图像。实验结果表明：提出的模型可以有效地增强道路交通场景下的运动模糊图像，生成的图像细节更加丰 富，具有较好的图像视觉效果。 关键词：图像增强：道路交通；运动模糊；多尺度：多权重：残差网络；神经网络：生成式对抗网络 中图分类号：TP391 文献标志码：A文章编号：1673-4785(2020)03-0491-08 中文引用格式：曹锦纲，李金华，郑顾平.基于生成式对抗网络的道路交通模糊图像增强.智能系统学报，2020,15(3)： 491-498. 英文引用格式：CAO Jin'gang,LIJinhua,ZHENG Guping.Enhancement of blurred road--traffic images based on generative ad- versarial network(J.CAAI transactions on intelligent systems,2020,15(3):491-498. Enhancement of blurred road-traffic images based on generative adversarial network CAO Jin'gang,LI Jinhua,ZHENG Guping (School of Control and Computer Engineering,North China Electric Power University,Baoding 071003,China) Abstract:To improve the quality of blurred road-traffic images and facilitate road traffic management,we propose a multi-scale multi-path learning model based on a generative adversarial network,which solves the problem of enhan- cing motion-blur images in road traffic scenarios.First,the model selects a neural network with a multi-scale convolu- tion kernel to extract the eigenvalues of the input image in more detail.Then,by combining local and global residual learning techniques and applying recursive learning with multi-path and multi-weight sharing,the model performs ad- versarial training between discriminant and generating networks to optimize the network parameters.Lastly,an image is generated directly end to end.The experimental results show that the proposed model can effectively enhance motion- blur images in road traffic scenarios,and the details of the generated image are richer and have better visual effects. Keywords:enhancement;road traffic;motion blur;multi-scale;multi-weight;residual network;neural network;gener- ated adversarial network 随着科技的飞速发展，当今社会已迎来新的 料动或是车辆在行驶的过程中采集到的图像会有 智能时代，智能交通系统为智能城市的发展创造 不同程度的运动模糊，这给道路交通管理带来了 了重要条件，智能交通系统的道路交通信息来源 极大的不便。同时，在自动驾驶中，控制中心是 于拍摄设备上传的道路交通图片。由于拍摄设备 根据车载摄像头拍摄到的道路交通图像来规划行 收稿日期：2019-03-29 驶路线，以减轻驾驶员的操作疲劳程度。由于道 基金项目：中央高校基本科研业务费专项资金资助项目 路中的物体运动，会造成所拍摄到的图像模糊。 (2018MS072). 通信作者：李金华.E-mail:1844623784@qq.com 将增强的图像应用在自动驾驶感知模块，可以增DOI: 10.11992/tis.201903041 基于生成式对抗网络的道路交通模糊图像增强 曹锦纲，李金华，郑顾平 （华北电力大学 控制与计算机工程学院，河北 保定 071003） 摘 要：为了提高道路交通模糊图像增强的质量，进一步促进道路交通管理，针对道路交通场景下的运动模糊 图像增强问题，提出了一种基于生成式对抗网络的多尺度多路径学习的模型。首先，选用具有多尺度卷积核的 神经网络，对输入的图像进行更细致地特征值提取；其次，将局部残差学习和全局残差学习相结合，采用多路 径多权重共享的递归学习，并利用判别网络和生成网络间的对抗训练优化网络参数；最后，实现端到端直接生 成图像。实验结果表明：提出的模型可以有效地增强道路交通场景下的运动模糊图像，生成的图像细节更加丰 富，具有较好的图像视觉效果。 关键词：图像增强；道路交通；运动模糊；多尺度；多权重；残差网络；神经网络；生成式对抗网络 中图分类号：TP391 文献标志码：A 文章编号：1673−4785(2020)03−0491−08 中文引用格式：曹锦纲, 李金华, 郑顾平. 基于生成式对抗网络的道路交通模糊图像增强 [J]. 智能系统学报, 2020, 15(3): 491–498. 英文引用格式：CAO Jin’ gang, LI Jinhua, ZHENG Guping. Enhancement of blurred road-traffic images based on generative ad￾versarial network[J]. CAAI transactions on intelligent systems, 2020, 15(3): 491–498. Enhancement of blurred road-traffic images based on generative adversarial network CAO Jin’ gang，LI Jinhua，ZHENG Guping (School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, China) Abstract: To improve the quality of blurred road-traffic images and facilitate road traffic management, we propose a multi-scale multi-path learning model based on a generative adversarial network, which solves the problem of enhan￾cing motion-blur images in road traffic scenarios. First, the model selects a neural network with a multi-scale convolu￾tion kernel to extract the eigenvalues of the input image in more detail. Then, by combining local and global residual learning techniques and applying recursive learning with multi-path and multi-weight sharing, the model performs ad￾versarial training between discriminant and generating networks to optimize the network parameters. Lastly, an image is generated directly end to end. The experimental results show that the proposed model can effectively enhance motion￾blur images in road traffic scenarios, and the details of the generated image are richer and have better visual effects. Keywords: enhancement; road traffic; motion blur; multi-scale; multi-weight; residual network; neural network; gener￾ated adversarial network 随着科技的飞速发展，当今社会已迎来新的 智能时代，智能交通系统为智能城市的发展创造 了重要条件，智能交通系统的道路交通信息来源 于拍摄设备上传的道路交通图片。由于拍摄设备 抖动或是车辆在行驶的过程中采集到的图像会有 不同程度的运动模糊，这给道路交通管理带来了 极大的不便。同时，在自动驾驶中，控制中心是 根据车载摄像头拍摄到的道路交通图像来规划行 驶路线，以减轻驾驶员的操作疲劳程度。由于道 路中的物体运动，会造成所拍摄到的图像模糊。 将增强的图像应用在自动驾驶感知模块，可以增 收稿日期：2019−03−29. 基金项目：中央高校基本科研业务费专项资金资助项 目 (2018MS072). 通信作者：李金华. E-mail：1844623784@qq.com. 第 15 卷第 3 期 智 能 系 统 学 报 Vol.15 No.3 2020 年 5 月 CAAI Transactions on Intelligent Systems May 2020