基于深度学习的车辆动态红外特性预测研究
基于深度学习的车辆动态红外特性预测研究
摘要
随着自动驾驶技术和智能交通系统的快速发展，车辆在复杂环境下的感知能力变得尤为重要。红外成像技术因其不受光照条件影响、能穿透烟雾等优势，在车辆夜视、行人检测等应用中发挥着不可替代的作用。然而，红外数据的采集成本高昂，且受气象条件影响显著。本文提出了一种基于深度学习的车辆动态红外特性预测方法，通过易获取的气象参数和可见光图像，预测在相同条件下的红外视频序列及温标信息。
本研究构建了一个融合GAN和Transformer的混合神经网络架构。生成器采用U-Net为基础结构，嵌入Transformer编码器模块以捕获长距离空间依赖关系；判别器采用PatchGAN结构确保局部细节真实性。同时，我们设计了时空连续预测机制，通过3D卷积和循环神经网络处理视频序列的时序一致性。在损失函数设计上，结合了对抗损失、像素级重建损失、感知损失和温度分布损失，确保预测结果在视觉质量和物理精度上的双重保障。
我们收集了包含多种气象条件（晴、雨、雾、雪等）下的同步可见光-红外视频数据集，并记录了详细的气象参数（温度、湿度、风速、光照强度等）。实验结果表明，本文提出的方法在PSNR、SSIM和温度误差等指标上均优于传统方法，生成的红外视频序列在视觉上更加真实，温度分布与实际测量值误差在±2°C以内。此外，模型展示了良好的泛化能力，在不同未见过的气象条件下仍能保持稳定的预测性能。
关键词：红外特性预测；生成对抗网络；Transformer；深度学习；计算机视觉；智能交通