1.一种基于图像清晰度的车辆图像语义分割方法，其特征在于包括如下步骤：步骤1：数据集处理

从VeRi数据集中选取2000张作为训练图像集，选取1000张图像作为测试图像集，并对训练图像数据集进行数据增强操作，使训练图像的数量增加到10000张；

步骤2：初始化语义分割主干网络；

导入DeeepLabV3+网络对应层的参数，对语义分割主干网络进行初始化，加速训练过程中网络收敛所需时间；

步骤3：训练添加有清晰度判别模块的语义分割主干网络；

步骤4：对测试图像集进行语义分割；

步骤3具体实现如下：

将输入图像和对应的groundtruth导入到语义分割主干网络中，首先经过清晰度判别模块，对每一张输入图像依次进行如下操作：D(f)＝∑y∑x|G(x,y)|  (1)

其中，(x,y)对应输入图像的每一个像素点，而G(x,y)的计算方式为：其中，Gx(x,y)是像素点(x,y)处于Sobel水平方向边缘检测算子gx的卷积，Gy(x,y)是像素点(x,y)处于Sobel垂直方向边缘检测算子gy的卷积，算子gx和gy分别为：将清晰度判别模块计算所得的D(f)作为清晰度损失函数导入到总损失函数中：LD＝‑logD(f)       (5)

将输入车辆图像和groundtruth导入语义分割主干网络，采用随机梯度下降算法优化导入清晰度损失函数后的总损失函数，运用反向传播算法更新语义分割主干网络的参数，直到总损失函数的值不再下降，结束训练；

为了加速语义分割主干网络的收敛，引入参数学习的的学习率，学习率按照如下公式进行变化：公式(6)中，t为迭代次数，l0为初始学习率，值为0.007，power为动量，值为0.9。

2.根据权利要求1所述的一种基于图像清晰度的车辆图像语义分割方法，其特征在于步骤4在对测试图像集进行语义分割的过程中，不需要清晰度判别模块，因此需要将步骤3中所得的语义分割主干网络中的清晰度判别模块去掉，简化语义分割主干网络用于部署，将测试图像集依次导入简化后的语义分割主干网络中，即可得到高进度的语义分割结果。

3.根据权利要求2所述的一种基于图像清晰度的车辆图像语义分割方法，其特征在于采用DeepLabV3+作为语义分割主干网络，将输入图像沿语义分割主干网络依次进行下采样、池化操作，得到高分辨率特征图；将得到的高分辨率特征图分别进行不同比例的膨胀卷积，得到不同比例膨胀卷积下的特征图；再经过空间金字塔池化模块，以concatenate操作将所得的不同比例膨胀卷积下的特征图拼接在一起，从而融合多尺度的上下文信息，最后经过卷积操作得到最终的预测结果；对预测结果进行上采样，从而得到与原输入图像大小一致的高精度像素级语义分割结果图。