1.一种基于无人机航拍图像的桥梁车辆检测方法，其特征在于，包括以下步骤：步骤1)、对获取的图像进行降噪预处理；

具体的降噪预处理包括以下步骤：

采用中值滤波法对无人机航拍图像进行滤波处理，去除图像中的孤立噪声点和椒盐噪声，然后对滤波处理后的图像采用变分贝叶斯方法进行抑制变形处理，减弱图像拍摄过程中出现的抖动，抑制图像变形，最后通过UndistortImage矫正函数对抑制变形处理后的图像进行矫正，减弱图像畸变，从而完成图像降噪预处理；

步骤2)、然后对降噪预处理后的图像进行去雾处理：将降噪预处理后的图像中桥梁和海面分割成两部分，并使用暗通道去雾方式对桥梁部分图像进行去雾处理得到去雾处理后图像；

将降噪预处理后的图像由RGB颜色空间图像转化成Lab颜色空间图像，使用K‑means聚类方式提取桥梁部分图像；将桥梁部分图像从Lab空间转回至RGB颜色空间，使用暗通道图和雾图模型计算图像的大气光值和大气透射率，并依据雾图模型对桥梁部分图像进行去雾处理；

步骤3)、建立线性回归模型求取灰度化权重比，并利用训练样本对回归模型进行训练，利用训练后的线性回归模型对去雾处理后图像进行灰度化处理；

步骤4)、利用局部对比度增强法对步骤3)得到的桥梁部分的灰度化图像进行对比度增强，再使用大津阈值分割技术对车辆进行检测提取桥梁部分图像中的车辆信息；

步骤5)、建立基于卷积神经网络的车型分类器，利用车型分类器对步骤4)所检测到车辆的车型分类以确定车型，并以图像中大桥的限高栏为参照物，计算车辆的长度、宽度和高度信息，完成车辆检测；

首先，将航拍得到的跨海大桥RGB图像转化成Lab空间图像，得到Lab空间的三个分量：L分量、a分量和b分量；然后使用K‑means聚类方式对a分量和b分量进行聚类操作，计算每个像素点的a分量和b分量之间的距离，将距离最小的像素点归为同一类，将其它的像素点归为另一类，这两类像素点分别构成桥梁和海面，提取出桥梁部分图像；

接着，将桥梁部分图像从Lab空间转回至RGB颜色空间，获取桥梁部分图像的大气光值A和大气透射率t(x)，其中x为像素坐标位置；先基于暗通道图求取大气光值A，从暗通道图中按照亮度值将前0.1％的像素提取出来，标记提取出来的前0.1％的像素坐标位置z，并在未进行降噪预处理的图像中标记提取出来的前0.1％的像素坐标的对应位置；在提取出来前

0.1％的像素中，寻找最大的亮度值，将其作为大气光值A；

再利用雾图模型计算大气透射率t(x)，所使用的雾图模型如下：c

其中，I(x)表示c通道像素x处的含雾桥梁部分图像，c可取为R，G，B三通道中的一个，即cc∈{R,G,B}；J(x)表示c通道像素x处的无雾桥梁部分图像，是去雾处理所期望的结果；

将桥梁部分图像分解为若干个方形区域，假设每一个方形区域的大气透射率为定值；

实施两次暗通道运算，每次暗通道运算旨在对R、G、B三个通道的相应参量求最小值，两次暗通道运算如下：c c

其中，I (y)表示c通道像素y处的含雾桥梁部分图像，J (y)表示c通道像素y处的无雾桥梁部分图像，Ω(x)表示以像素x为中心的一块方形图像区域，t(x)表示像素x处的大气透射率，min(·)表示求最小值；

根据暗通道的先验理论，无雾图像的暗原色值接近于0，因此有：将上式代入到两次暗通道运算式中，得到大气透射率的预估值：

由于空气中存在一些颗粒，所以在去雾的时候可保留一定程度的雾气，引入介于[0,1]之间的参数ω，得到改进后的大气透射率预估值：在得到大气光值A和透射率预估值 后，代入雾图模型，即可得到去雾后c通道像素xc处的桥梁部分图像J(x)。

2.根据权利要求1所述的一种基于无人机航拍图像的桥梁车辆检测方法，其特征在于，步骤3)中，桥梁部分图像的灰度化线性回归模型如下：R R G G B B

M(x)＝αJ(x)+αJ(x)+αJ(x)

R G B

其中，M(x)为桥梁部分图像的灰度值，J (x),J (x),J (x)分别表示R、G、B通道像素x处R G B的去雾后桥梁部分图像；α,α,α分别为对应于R，G，B通道的灰度化权重比。

3.根据权利要求1所述的一种基于无人机航拍图像的桥梁车辆检测方法，其特征在于，步骤4)中，首先，桥梁部分图像的局部对比度增强步骤如下：

1)设置局部对比度增强法的初始参数：增强系数k＞1，灰度下阈值K0，标准差下阈值K1，标准差上阈值K2，分割区域半宽s；

2)计算图像灰度均值Mg和灰度标准差σg；

3)对于每一个像素，计算邻域内灰度均值ML和标准差σL；

4)如果满足ML≤K0Mg且K1σg≤σ1≤K2σg，则将当前像素灰度值M(x)乘以k；桥梁部分图像的局部对比度得到增强；

5)针对局部对比度增强之后的桥梁部分图像，采用大津阈值分割技术，根据灰度值分成目标车辆区域和背景区域两部分，检测车辆。

4.根据权利要求3所述的一种基于无人机航拍图像的桥梁车辆检测方法，其特征在于，对于桥梁部分图像，定义前景和背景的分割阈值T，得到T的合理取值需要经过下述过程：将桥梁部分图像的前景平均灰度记为μ0；背景平均灰度为μ1；图像的总平均灰度记为μ；

前景背景两类之间方差记为g；桥梁部分图像包含m×n个像素点，将图像中灰度值小于阈值T的背景个数记作N0，像素灰度值大于阈值T的前景个数记作N1；上述变量满足如下的约束条件：计算图像前景和背景的类间方差g：

求解类间方差g的极大值，极大值所对应的T值即为所使用的桥梁部分图像前景和背景的分割阈值，进而利用分割阈值T从桥梁部分图像中检测出车辆。

5.根据权利要求4所述的一种基于无人机航拍图像的桥梁车辆检测方法，其特征在于，首先，设计基于卷积神经网络的车型分类器，其卷积神经网络包括1个输入层、5个卷积层、1个池化层、1个全连接层、1个输出层；针对输入层输入的车辆图像，使用前3个卷积层提取车辆的边缘、线条和尺寸车辆的低级特征，将提取的低级特征输入到池化层，过滤掉相对孤立或无用的信息，减小车型分类误差；将过滤后的结果输入到后2个卷积层，提取车辆的高级特征；最后，将车辆的高级特征输入到全连接层，其激活函数采用RELU函数，对车辆进行分类，确定车型，并将分类结果图像通过输出层进行输出。

6.根据权利要求5所述的一种基于无人机航拍图像的桥梁车辆检测方法，其特征在于，以航拍大桥的限高栏为参照物，计算图像与真实环境的缩放比：其中，β是图像缩放比，即图像中物体长度与实际物体长度的比值；h为图像中限高栏的高度；h1为实际中限高栏的高度；

输出图像使用一个最小的矩形框将车辆部分图像围起来，利用该矩形框计算车辆的长度、宽度和高度信息；

采用以下经验公式对图像误差进行补偿，经验公式如下：

其中，L,W,H分别表示矩形框的长度、宽度、高度；L1,W1,H1为车辆的实际长度、宽度、高度；ωL、ωW、ωH为可调整的权重系数，随拍摄角度的改变而调整取值，具体的调整方式如下：

1)当在车辆的前上方或后上方拍摄时，ωL＝0.85,ωW＝1,ωH＝0.8；

2)当在车辆的左上方或右上方拍摄时，ωL＝1,ωW＝0.85,ωH＝0.8；

3)当在车辆的正前、正后、正左、正右方拍摄时，ωL＝0.85,ωW＝0.8,ωH＝1。