CN102509102A - 基于图像学习的能见度测量方法 - Google Patents

Abstract

本发明公开了一种基于图像学习的能见度测量方法。本发明利用现有摄像头拍摄的场景图像，预处理并提取图像中符合人眼视觉特征的局部对比度作为图像特征，进行机器学习，并验证训练数据，去除训练数据中误差较大的值，重新建立模型。通过单幅场景图像自动计算当前能见度值。本发明考虑了因图像中传输通道噪声等引起的误差，和训练学习数据中存在的偏差，提高了能见度测量结果的准确度，所述的能见度测量方法适用于任何天气条件下(雾、雨、雪、扬沙等)气象能见度的实时测量，适用于公路、气象观测站等任何需要监测能见度的场所。

Description

基于图像学习的能见度测量方法

技术领域

本发明涉及一种气象能见度测量方法，特别是一种基于图像学习的自动能见度测量方法。

背景技术

能见度是气象观测的主要项目之一，它的准确测量对航空、航海及高速公路等交通运输十分重要。近年来，随着国家总体经济实力的不断增强，机动车保有量急剧增加，交通运输发展迅速，交通事故及伤亡人数急剧增长。由于在雾雪阴霾等天气条件下，高速公路上能见度普遍较低，较容易发生追尾、连环相撞等大型交通事故。我国已基本构建了一个较为完备的高速公路网，2010年底，中国高速公路通车里程达到7.4万公里，居世界第二位。高速公路加快了我国的现代化进程，改善国家的产业布局并拉动了国民经济的增长，但是，事故发生率逐年增长，引起了广泛的关注。因此，快速、准确、方便地测量能见度，对交通部门或气象行业都是非常重要的。

能见度的主要测量方法分为三种，第一种是人工测量，第二种为直接利用设备进行测量；第三种为通过图像方式，根据目标物进行测量。在《地面气象观测规范》中，人工观测的能见度(目测)，是指台站四周视野中二分之一以上范围所能见到的目标物的最大水平距离，规范性、客观性较差。当前主要利用透射仪和前向散射仪来测量能见度；仪器测量不能处理非均匀大气消光影响，同时设备贵、调试复杂，大规模应用的工作量和成本巨大。散射仪通过一个小空气块内测量大气对入射光的散射情况确定散射系数，不考虑大气及其中杂质的吸收作用。局部性较强。

明尼苏达大学运输系Taek Mu Kwon博士等人使用的基于图像边缘信息分析的白天能见度测量，利用了沿光线图像在视觉上的衰减程度，这些图像与其到观测点的真实距离相对应，利用像素点所对应的边缘信息来计算局部对比度，比用亮度对比更符合人眼的视觉感知。该方法适合于公路上的能见度测量，需要沿着道路的树或围栏形成一条光线连续衰减的模型或另外设置人工目标物。这种方法对于目标物体的类型和特性不是很敏感，但是只能针对公路上的连续目标物，无法广泛的应用于尘活中其他方面。

国内南京大学通信技术研究所陈启美等人在江苏省宁常高速公路上建立的基于监控视频的能见度检测系统在低能见度下测试准确、性能良好。针对普通尘活中常见的场景，如楼宇、草坪、广场等等，利用图像信息计算能见度，国内外未有成熟实用的气象能见度测量方法方面的报道。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于图像学习的能见度测量方法，该方法通过分析场景图像中轮廓清晰、对比明显的目标物，采用相关局部对比度计算方法，得出符合人眼视觉感知的图像特征，利用机器学习方法，建立模型，解决了能见度测量与生活类场景图像融合的难题，适用于任何天气条件下，无需专门架设人工标志物和摄像头等仪器设备。

本发明的发明目的技术特征在于：

1)与摄像头拍摄存储系统兼容：在现有的摄像头拍摄存储系统之上，不需要改变摄像头的方向与焦距，利用已训练好的模型，可以实时快捷的计算出当前能见度值，便于结果的发布。

2)图像预处理：无需专门设置黑白分明或带有距离信息的人工目标物，在摄像头采集到的场景图像中，选取轮廓清晰、对比明显的目标物作为感兴趣区域，计算其局部对比度作为图像特征。

3)机器学习建立模型：将机器学习与图像结合，从图像中得到数值形式的图像特征，通过学习，建立图像特征与能见度之间的关系，从而确定图像与能见度的关系。

4)能见度结果实时计算：只需将实时拍摄的图像输入已训练完成的模型，无需人工操作，即可方便、快捷的输出计算能见度值。

本发明的改进包括图像预处理中，采用图像配准技术，使用关键点匹配，并通过匹配点之间的位移差值，平移图像，以消除图像中的平移误差；对图像进行滤波，消除摄像头与传输通道中产生的图像噪声。

本发明的改进包括对图像中目标物进行分窗处理，以一个多维的对比度代替一个单独的对比度值，更能体现图像中目标物的清晰明暗变化，也更符合人眼的视觉特征，机器学习的效果也更好。

本发明的改进还包括使用训练好的模型对训练数据进行验证，并去除误差较大的训练数据，重新建立模型，以确保训练数据和模型的准确性。

本发明适用于不同天气条件下，例如雨、雪、雾、阴霾、扬沙等等，进行能见度测量；可在各气象观测站或需要观测地点联网分析与发布，结合历史数据得到能见度可能的变化与分布情况。

本发明的有益效果是：无需专门架设人工目标物和摄像头等仪器设备，利用现有摄像头采集到的图像，分析图像中轮廓清晰、对比明显的目标，使用机器学习方法，得出准确能见度值。解决了能见度测量与生活类场景图像融合的难题，减少了架设人工标志物和摄像头等仪器设备的人力、物力开销。

附图说明

图1是本发明能见度测量方法流程图。

图2为本发明采用的训练测试图像。

图3为本发明采用的灰度化感兴趣区域图像。

图4为本发明分窗计算对比度示意图。

具体实施方式

本发明实施步骤参见图1，其测量步骤包括：

训练过程：

1)读入一幅图像及相对应的能见度值，图1中步骤1、2。

2)图像预处理：包括图像灰度化、提取感兴趣区域，图像配准、滤波，图1中步骤3、4。

3)计算感兴趣区域的局部对比度，图1步骤5。

4)重复过程1)、2)、3)直至全部训练图像读取完毕。图1中步骤6。

5)将局部对比度值作为输入、能见度值作为输出，利用SVR拟合学习，建立模型。图1中步骤7。

6)保存模型，图1中步骤8。

7)将训练数据的对比度值输入已保存模型，记录输出的能见度值与实际值的相对误差，图1中步骤9、10。

8)若有大于50％的结果，则去除相应的训练数据，重复过程5)、6)、7)；若没有大于50％的结果，则保存的现有模型即为最终模型。图1中步骤11、12、13。

测试过程：

1)读入待测试图像，图1中步骤14、15。

2)图像预处理：包括图像灰度化、提取感兴趣区域，图像配准、滤波，图1中步骤16、17。

3)计算感兴趣区域的局部对比度，图1中步骤18。

4)输入训练好的模型，输出能见度值即为最终计算结果。图1中步骤19、20、21。

本发明所阐述的基于图像学习的能见度测量方法，包括能见度定义、图像特征计算、机器学习和分窗计算，其原理和具体步骤如下：

1)能见度与对比度定义

气象上规定：标准视力的人眼在当时天气条件下，能够从天空背景中看到和辨认出水平方向上黑体目标物的最大距离称为气象能见度。更通俗的讲，能见度是指观察目标时，能从背景上分辨出目标物轮廓的最大距离。能见度关系到人主观辨别目标的复杂感知过程，其测量本质上是非常困难的。为了克服人的诸如知识背景、精神状态等主观因素，实际测量中以视程来代替能见度。下述有关能见度的表述都是相应于视程的。

白天能见度测量的基本原理为，基于Koschmieder定律，以水平天空为背景的黑体目标物，利用目标物和背景视亮度对比，视程可以表示为如下关系，

$V=\frac{-\ln \mathrm{\ϵ}}{\mathrm{\σ}}---\left(1\right)$

其中，V为目标物和观测者之间的距离(即水平能见度)，σ为大气水平消光系数。ε是一个与人眼视觉特征相关的物理量，国际气象组织推荐ε＝0.02，而国际民航组织，为保证飞行安全，推荐ε＝0.05。所以，实际观测中可以利用大量对比试验来确定ε的取值。

对比度指的是一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量，即指一幅图像灰度反差的大小。表征了图像的清晰度，并与能见度存在一定关系。

设目标物亮度为B_t，目标周围的水平背景亮度为B_h，则对比度C定义为，

$C=\frac{B_t-B_h}{B_h}---\left(2\right)$

此时，对比度有以下规律，

$\frac{C}{C_0}=e^{-\mathrm{\σd}}---\left(3\right)$

C₀是目标物和背景的自身固有亮度对比度(常数)，C是在距离d处观测到的目标对比度，σ为大气消光系数。视程V为对比度之比减少到ε时的距离，其中，ε是一个与人眼视觉特征相关的物理量，当ε＝0.05时，得到，

0.05＝e^-σV(4)

并有

$V=\frac{-\ln \mathrm{\ϵ}}{\mathrm{\σ}}=\frac{3.0}{\mathrm{\σ}}---\left(5\right)$

可以通过仪器测量σ，这就是基于仪器设备的能见度测量方法。在这里，可以通过亮度对比度，通过图像分析来计算能见度。由公式(3)、(5)可得，

$\mathrm{\σ}=-\frac{1}{d}\ln \frac{C}{C_0}=\frac{1}{d}\ln \frac{C_0}{C}---\left(6\right)$

把公式(6)代入公式(5)，即可得到能见度计算方法，

$V=\frac{d\·3.0}{\ln \frac{C_0}{C}}---\left(7\right)$

2)局部对比度

通过分析所拍摄得到图像的边缘信息、纹理变化和纹理梯度等视觉特征，利用活动窗口和多尺度分析，计算图像局部对比度。

在公式(7)中，可以得到V与d、C₀、C的关系

V＝f(d，C₀，C)(8)

假设目标物与摄像头的距离d是固定的，且C₀与C之间存在一定的关系，

C₀＝g(C)(9)

所以，可以得到对比度C与能见度V的关系

V＝h(C)(10)

通过分析人眼视觉系统，并归一化像素点的对比度定义，本发明采取图像中相邻的归一化定义方法。

$C(x,x_1)=\frac{|f\left(x\right)-f\left(x_1\right)|}{\max (f\left(x_1\right),f\left(x\right))}---\left(11\right)$

对每个像素点x，x₁是x四邻域内的像素点，组成四个像素点对，通过公式(11)，选择其中最大值作为x点的对比度值。

3)分窗计算

得到每个像素点的对比度之后，为避免发尘维数灾难，不能将全部对比度都进行计算，若只采取一个对比度平均值，则结果精度不高。本发明采用4*4分窗计算，如图4所示。在每个分窗内，计算对比度平均值，共有16维对比度作为图像特征。

C＝(C₁，C₂，，，C₁₆)(12)

实施例1：

图像采集的场景为北京南郊气象观测站旁的亦庄桥，如图2所示，(a)、(b)(c)、(d)分别表示早上、傍晚、晴天、有雾时的图像。图像拍摄时间为2010年11、12月，2011年1月。

截取图像中固定不变的目标物，并进行灰度化，图像如图3示，(a)、(b)(c)、(d)分别表示早上、傍晚、晴天、有雾时的目标物图像。图像中目标物包括烟囱、路灯及两栋建筑物楼顶部分。实验按照时序，依次测试2010年12月23日至2011年1月6日中每一天的白天图像，取该测试日期之前的图像数据作为训练样本，利用SVR方法计算出能见度值。

表1亦庄桥目标图测试15天的结果

在这15天中，相对误差在20％之内的测试样本占总测试样本的比例在90％之上的共7天，比例在80％之上的共11天。有两天结果较差，比例在40％之下。可能的原因是，这两天部分时段能见度较低，目标物不清晰，造成计算结果存在较大偏差。另外仪器测量能见度常使用的前向散射仪，采样区小，而摄像头拍摄照片广角大、区域大，所以二者之间必然存在一定的误差。当局部采样区与大面积拍摄目标物场景间的天气变化不同时，二者之间存在的误差会相当大。

实施例2：

与例1图像相同，采取2010年11、12月图像进行训练，2011年1月1日至6日图像进行测试，去除1月2日数据图像。训练数据中不包括1月份数据，结果如下表所示：

表2北京南郊1月份数据测试结果

当目标物轮廓清晰、天气变化不是很剧烈时，测试结果大致能满足需要。基于图像学习的能见度测量，只需利用现有摄像机拍摄场景图像，即可实时计算出当前的能见度值。弥补了现有仪器测量采样区小、局部天气变化较大时测量误差较大的缺陷。并且本发明成本低、快捷方便，值得大力推广。

Claims (5)

1.一种基于图像学习的能见度测量方法，其特征在于，利用现有摄像头拍摄得到的场景图像，无需专门设置目标物与架设摄像头，主要步骤包括图像训练过程和测试过程：

图像训练过程包括读入图像及相应能见度(2)，灰度化图像并提取感兴趣区域(3)，图像配准和滤波(4)，计算局部对比度(5)，所有训练图像全部读取完毕后，将局部对比度作为输入、能见度值作为输出、训练模型(7)，保存训练好的模型(8)，使用训练好的模型测试训练数据(9)，计算结果的相对误差，若有大于50％的结果(10)，去除结果中相对误差大于50％的训练数据(11)，重新训练模型(7)，若训练数据的测试结果相对误差均小于50％，保存训练好的模型(12)作为最终模型；

图像测试过程包括读入图像(15)，灰度化图像并提取感兴趣区域(16)，图像配准和滤波(17)，计算局部对比度(18)作为特征，输入训练好的模型(19)，输出能见度(20)。

2.权利要求1所述的基于图像学习的能见度测量方法，其特征在于，所述计算局部对比度作为图像特征(5)采用4*4分窗处理，得到16维对比度。

3.权利要求1所述的基于图像学习的能见度测量方法，其特征在于，所述局部对比度作为输入、能见度值作为输出、训练模型(7)采用机器学习方法建立模型。

4.权利要求1所述的基于图像学习的能见度测量方法，其特征在于，所述去除训练模型中相对误差大于50％的训练数据(11)，重新训练模型。

5.权利要求1所述的基于图像学习的能见度测量方法，其特征在于，所述输入训练好的模型(19)采用(12)保存的模型。

Images