交通安全与天气状况密切相关,在雾天环境中,能见度偏低,驾驶员视线受阻,在行车过程中容易引发交通事故。因此,智能交通系统和交通监控设备的性能在车辆检测方面也应依据环境变化得到改进。雾天环境下,车辆检测与分割极易产生漏检和错检的问题,本文针对这一难题,提出适用于雾天环境中城市道路车辆检测与分割的算法模型,主要内容如下:1.针对现有去雾算法存在的去雾效果不佳、色彩偏暗,存在光晕、伪影等缺陷,选择对AOD-Net去雾算法进行改进。首先,分析并指出其感受野过小,提取的特征信息匮乏。利用RFB模块,在保证不增加计算量,分辨率不变的情况下,增扩了AOD-Net卷积神经网络的感受野;其次,针对去雾图像存在光晕、伪影的问题,在原AOD-Net基本结构上增加对比正则化模块,进一步提升去雾图像的质量。最后经实验证明,无论是白天还是夜晚,本文改进的AOD-Net去雾算法都能很好地实现雾天图像复原,且有较高实时性。2.在雾天环境中,一般车辆检测与分割算法的检测与分割精度普遍会被降低。本文针对雾天车辆数据集的特点,选择对Mask R-CNN目标检测与分割算法进行改进。首先,改进主干特征提取网络,使用引入通道维度注意机制的Res Ne St101替代原Res Net101网络,提升网络的特征提取能力,提高网络的计算效率和实时性;其次,通过观察发现,城市道路场景中大多数车辆的宽度大于高度,选取K-means算法对anchor box重新聚类,求得具有代表性的anchor box;最后,对用于进行实例分割的Mask分支做改进,使用MLP解码器改善了在密集目标场景下学习混乱导致的分割精度下降问题。通过在白天和夜晚两个场景下进行对比实验,结果显示,该模型提高了雾天车辆检测与分割的速度和精度。在白天场景下,其m AP值达到了83.59%,比原模型高了3.06%,处理速度达到了4.9FPS。在夜晚场景下,其m AP值达到了82.10%,比原模型高了2.36%,处理速度达到了5.0FPS。3.由于雾天交通车辆数据集贫乏,导致模型的训练样本不足,因此构建了雾天车辆数据集。本文搜集的车辆数据集来源于City Scapes公开数据集和自身通过摄影设备拍摄的车辆图像,对于搜集的无雾车辆数据,采用大气散射原理进行雾天图像合成处理,从而构建充足的雾天车辆数据集。通过Cut Mix数据增强方式对模型输入端进行创新,一定程度解决了车辆之间相互遮挡以及绿化带遮挡车辆导致检测与分割能力降低的问题。