随着汽车工业的迅猛发展,交通事故的发生也呈上升趋势。各汽车厂商对驾驶安全问题尤为重视,积极研发各种汽车辅助驾驶系统,以提高行驶安全性。汽车辅助驾驶系统利用红外相机,可在夜间及恶劣天气下,帮助驾驶员准确判断前方路况避免险情发生。但是红外图像分辨率与对比度较低,可视化效果与观察舒适度较差。因此,对其进行彩色化处理变得非常重要。针对原有图像彩色化方法需要大量人工描述或选取参考图像的问题,本文提出了一种基于多分支卷积神经网络的全自动彩色化方法,完成了实验平台搭建、数据集建立、图像预处理、卷积神经网络的模型设计、代价函数选取、网络训练与测试等工作。由于神经网络训练依赖于大量的数据,目前夜间红外与彩色图像场景数据量较少,本文利用红外热像仪和数码相机完成了夜间城市道路红外与彩色图像数据集(HIT-FIC)的建立。针对数据集中,夜间彩色图像亮度较低可视化效果差的问题,本文提出了一种改进的非线性分段亮度调节方法,与传统方法相比,该方法不仅可以对低亮度区域进行明显的增强,而且可以保证亮度适中的区域亮度没有过度提升而产生失真。同时,考虑到数据集中红外图像分辨率低、对比度差、边缘模糊的特点,本文通过对卷积神经网络的学习进行红外图像超分辨率重建,处理后图像细节信息更加丰富,为训练神经网络提供了高质量的学习数据。本文提出的基于卷积神经网络的彩色化算法,将亮度增强后夜间彩色图像和超分辨率重建后的红外图像作为输入,对设计的多分支卷积神经网络进行训练,学习红外图像与其对应彩色图像的映射关系,最终获得彩色化后的图像。详细的阐述了网络模型、实验数据集的选取与建立过程、训练过程及结果分析等方面内容。与其他常见彩色化方法相比,卷积神经网络可以自动进行特征提取,避免了人为参与。实验结果表明,本文方法进行彩色化处理后颜色更加自然,图像中目标辨识度显著提高;同时处理速度较快,适合车载图像的彩色化处理。