CN106556579A - 基于激光的团雾图像全天候自适应检测方法 - Google Patents
基于激光的团雾图像全天候自适应检测方法 Download PDFInfo
- Publication number
- CN106556579A CN106556579A CN201610975267.1A CN201610975267A CN106556579A CN 106556579 A CN106556579 A CN 106556579A CN 201610975267 A CN201610975267 A CN 201610975267A CN 106556579 A CN106556579 A CN 106556579A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- pixel
- mist
- laser
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003595 mist Substances 0.000 title claims abstract description 68
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000007704 transition Effects 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 235000007164 Oryza sativa Nutrition 0.000 claims description 5
- 235000009566 rice Nutrition 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 241000209094 Oryza Species 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 241001028048 Nicola Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005375 photometry Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/59—Transmissivity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于激光的团雾图像全天候自适应检测方法。本方法是由激光发射端释放激光束，图像处理端在图像处理程序的调控下，智能终端完成视频图像的采集、图像的存储、图像中心点计算、评价数组与重要评价指标的计算、白天夜晚过渡阶段指标计算、评价结果的最终计算。本发明能够根据激光光束在不同团雾环境中的变化和场景的变化及时给出关于团雾的评价结果。
Description
技术领域
本发明涉及一种团雾图像检测技术，具体是一种基于激光的团雾图像全天候自适应检测方法。
背景技术
团雾是受局部地区地形、地貌和中小尺度气候环境影响下，形成突然、范围小、浓度强、能见度低的雾。由于团雾预报难、局地性强，车辆难以提前得到通知或警示，驶入团雾区时往往来不及减速，常常酿成重大交通事故，所以团雾被称为高速公路上的“流动杀手”。因此诞生了许多团雾检测方法。现有的团雾评价方法主要采用器测法和图像检测评价方法。器测法主要使用能见度测量仪这类专业一起，但价格高昂，无法大面积使用；团雾图像检测评价方法结合了视频图像分析、大气光线传播模型与多种检测识别算法,在分析处理视频图像的基础上,建立图像与真实场景之间的映射关系,通过测量图像特征的变化情况,进而求得能见度，但评价结果往往受图像类型、试验环境等影响。
在团雾图像视频检测评价方面，早在上个世纪40年代,Steffens C等人利用照相法来进行能见度的测量,即首先利用照相机摄取黑色目标物的图片,与求解能见度息息相关的目标物与背景物之间的相对亮度对比值可以设法根据图片信息来求得,据此也就可以推导出能见度值(Steffens C.Measurement of Visibility by PhotographicPhotometry[J].Industrial Engineering Chemistry,1941,41:2396-2399)。但在当的技术条件下,无论是前期的拍摄照片、冲洗照片,还是后期的测定标物与背景物的亮度对比值,都是由手工操作来完成的,不但操作起来繁琐、耗费时间,且无法实现真正的定量化测量,因此这种方法理论上成立后并未付诸实际应用。
计算机技术和CCD的高速发展,带动了数字摄像技术及其应用的迅猛发展。TaekM.K等将图像中多个辆标的对比度值进行能见度非线性曲线拟合,得到白天能见度(TaekM.K.Atmospheric Visibility Measurements Using Video Cameras:RelativeVisibility[R].Minnesota Department of Transportation Technique Report,Reportnumber:CTS-0403,2004,7.)
Nicolas Hautiere等以天空和道路作为参照物,通过摄像机模型标定和实时图形处理程序确定大气消光系数,并通过克什米勒定律计算大气能见度(Nicolas Hauti'ere,Jean-Philippe Tarel,Jean Lavenant,Didier Aubert.Automatic Fog Detection andEstimation of Visibility Distance through Use of an Onboard Camera[J].MachineVision and Applications,2006,17(1):8-20.)
S.Bronte等依据地面实况定义晴天或轻雾、中雾天气和浓雾天气等3种不同类型,然后根据摄像机投影方程和雾的程度估算能见度(Bronte S,Bergasa L M,AlcantarillaP F.Fog Detection System Based on Computer Vision Techniques[C].IEEEConference on Intelligent Transportation Systems,2009:30-35.)
吕伟涛等利用基于双亮度差法在地平线附近两个不同距离的目标物和其对应水平天空背景亮度差的比值计算白天气象能见度。该方法在标准观测条件下进行计算,能消除数字摄像系统中暗电流和背景杂散光的影响,增大测量范围,提髙测量精度(吕伟涛,陶善昌,刘亦风,谭涌波,王本革.基于数字摄像技术测量气象能见度-双亮度差方法和试验研究[J].大气科学,2004,28(4):559-568.)
张潇等人对无需人工标记的检测系统进行改进,利用基于Nagao滤波的区域增长算法来得到精确的路面区域,去除路基、车辆等的影响以获得所选像素的亮度一致性；找寻反映路面亮度变化的对比度曲线的特征点,通过消光系数计算图像中人眼可分辨的最远像素,结合摄像机标定算出能见度值。该算法与能见度对比度算法相比较,操作简单、抗干扰性能强、精度高(张潇,李勃,陈启美.基于亮度特征的PTZ视频能见度检测算法及实现[J].仪器仪表学报,2011,02:381-387.)
发展至今,基于视频图像的团雾检测方法已得到了很大的进展,国内外诸多研究学者从不同方向对此类方法进行了多年的研究、试验,并且取得了一定的成绩。但是现有的这些团雾图像检测方法在应用中存在以下个问题：
(1)现有的团雾图像检测方法对背景和目标物的要求比较严格，适用性不广
(2)现有的团雾图像检测方法只适用于白天，不能对夜间图像进行检测
(3)现有的基于激光的团雾图像检测方法受其它光源干扰影响较大
(4)现有的基于激光的团雾图像检测方法不能很好地进行全天候的自适应检测
发明内容
本发明的目的在于提供一种能够有效地全天候自适应地对团雾图像进行检测的方法。
实现本发明目的的技术解决方案为：一种基于激光的团雾图像全天候自适应检测方法，包括以下步骤：
1、在道路一端架设波长为T纳米的点状激光模块，在供电开关开启后，激光束发射方向应与道路水平方向平行。在沿着激光束方向前进L米左右的道路另一端，在与激光束中心相距d米的位置架设集成了摄像头的智能设备。该智能设备和激光模块应与地面保持同一水平高度，并保证激光束的光路上无遮挡。
2、图像采集程序调用摄像头拍摄P张分辨率为M*N，间隔时间为ts秒的数字图像，保存为JPEG格式并存储在智能设备的存储卡中。
3、计算所有图像中的激光中心点，步骤如下：
3.1若智能设备的存储卡中的存储文件包含以往的中心点数据，直接读取中心像素点(rx，ry)并跳至步骤4。
3.2若无数据则调用中心点检测程序，取(M/4，N/4)为起始像素中心点，以半径为pr个像素的圆形区域，计算区域内RGB图像中R通道的亮度之和SumR和中心点坐标。中心点遍历横坐标M/4至3M/4和纵坐标N/4至3N/4的区域，每次横纵坐标自增pr/2个像素，再次计算新区域的SumR，直到遍历全部区域后，其中SumR最大的区域对应的中心点即为初次中心点(rx1，ry1)。
3.3以初次中心点(rx1，ry1)为中心，以半径为pr2个像素的圆形，在离初次中心点横纵坐标分别相距pr个像素的矩形区域里，每次横纵坐标自增1个像素，第二次遍历重新计算获得SumR最大的中心点，即中心点(rx，ry)。
4、以中心点(rx，ry)为圆心的环形区域，环外半径与环内半径之差也为1，每次递增1个像素半径，计算其中红色像素的占比C，直至圆环增至图像边界处停止或检测不到红色像素为止，得到评价数组[C1,C2,……,Cn]，根据评价数组可以得到重要评价指标:极亮区域半径R1，稳定区域半径R2，最大红色区域半径R3,并保存数据信息到存储卡中。
5、根据智能终端所在地的经纬度和当前日期，查询当地气象数据库，获取当天的天亮时间t1、日出时间t2、日落时间t3和天黑时间t4，获取当前时间tn，若tn<t1或tn>t4则设置标记为夜晚，至5.1采用夜晚检测方法，若tn<t3且tn>t2则设置标记为白天，至5.2白天检测方法，否则至5.3。
5.1夜间检测方法如下：
5.1.1通过历史数据可以得到夜晚无雾时R1,R2,R3的正常评价数组[R1,R2,R3],根据当前数据与历史数据的对比，得到“正常”、“雾”“大雾”“重雾”等评价结果。
5.1.2依次对剩下的每张图像都重复进行步骤3-5的判断，若除了最多1个不同的结果而其它相同则得到最终结果，否则得到结果“异常”。步骤跳至6。
5.2白天检测方法如下：
5.2.1在离中心点(rx，ry)下方距离Ld个像素的位置，选取长度为图片总长度M像素，宽度为Nd像素的区域，从左至右平均分成K份。
5.2.2在每个长M/K像素，宽Nd像素的区域内，取每个像素的RGB通道中G和B通道的中最大的亮度Lmax，得到数组[L1,L2,……,LM/K*Nd]，计算该数组的均值A和标准偏差σ得到一个特征数组[A,σ]。遍历每个部分从而得到K个均值A和标准偏差σ，按顺序存储每块区域里P张图片中每个区域最大的均值A和标准偏差σ在存储卡中。
5.2.3对此组的P张照片的每个对应区域的K个均值A进行比较，若某组的均值A差距较大，则标记该区域为变化区域，记录在存储卡中。
5.2.4对于一张图像的所有非变化区域的σ分别与历史数据中最大的σmax进行对比，若所有σ和σmax差距在范围σd内，则得到“正常”的评价结果并跳至步骤6，否则至5.2.5。
5.2.5若有非变化区域的σ和σmax差距较大，则根据历史数据得到的白天无雾时R1,R2,R3的正常评价数组[R1,R2,R3],将当前数据与历史数据的对比，得到“正常”、“雾”“大雾”“重雾”等评价结果。
5.2.6对每张图像都重复进行3-5的判断，若除了最多1个不同的结果而其它相同则得到最终结果，否则得到结果“异常”。步骤跳至6。
5.3过渡阶段检测方法如下：
5.3.1通过历史数据可以获取夜晚无雾时R1,R2,R3的正常评价数组[R1,R2,R3]1和日出日落关键点无雾时R1,R2,R3的正常评价数组[R1,R2,R3]2；
5.3.2根据当前数据与历史数据[R1,R2,R3]1和[R1,R2,R3]2的对比，得到“正常”、“雾”“大雾”“重雾”等评价结果；
5.3.3对每张图像都重复进行3-5的判断，若除了最多1个不同的结果而其它相同则得到最终结果，否则得到结果“异常”。步骤跳至6。
6、每隔tm分钟时间，重复2-5的步骤，得到更多数据，直至收到停止指令。
本发明采用激光图像数据比较法，即首先拍摄一组含有激光在空气中散射的图片，当图像文件存储完成后，计算该激光源中心点在图片中的位置，根据该中心点计算激光区域的评价数组和重要评价指标，接着图像处理程序根据时间和装置的经纬度查询气象数据库获取天亮日出日落天黑时间来采取不同的评价方法；如果是夜晚和过渡阶段，则将重要评价指标进行数据对比得出结果，如果是白天，则还需计算特征数组来辅助重要评价指标进行数据对比，从而得出结果。
本发明与现有技术相比，其显著优点为：(1)此团雾图像检测方法对背景和目标物的要求比较宽松，适用性广(2)此团雾图像检测方法对于全天都能进行很好地检测(3)此团雾图像检测方法有更好地抗干扰性(4)此团雾图像检测方法在不同环境下的有更好的自适应性。
附图说明
图1是本发明基于激光的团雾图像全天候自适应检测方法整体工作的流程图。
图2是本发明基于激光的团雾图像全天候自适应检测方法的装置的结构示意图。
图3是采用本发明基于激光的团雾图像全天候自适应检测方法对激光图像进行采集的白天输入图像。
图4是采用本发明基于激光的团雾图像全天候自适应检测方法对激光图像进行采集的夜晚输入图像。
图5是采用本发明基于激光的团雾图像全天候自适应检测方法对激光图像进行评价数组和重要评价指标计算的评价图像。
图6是采用本发明基于激光的团雾图像全天候自适应检测方法对白天图像进行特征取样的区域图像。
图7是采用本发明基于激光的团雾图像全天候自适应检测方法评价为“雾”的图像。
图8是采用本发明基于激光的团雾图像全天候自适应检测方法评价为“大雾”的图像。
图9是采用本发明基于激光的团雾图像全天候自适应检测方法评价为“重雾”的图像。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明基于激光的团雾图像全天候自适应检测方法，包括以下步骤：
1、在道路一端架设波长为T纳米的点状激光模块，在供电开关开启后，激光束发射方向应与道路水平方向平行。在沿着激光束方向前进L米左右的道路另一端，在与激光束中心相距d米的位置架设集成了摄像头的智能设备。该智能设备和激光模块应与地面保持同一水平高度，并保证激光束的光路上无遮挡，如图2所示的激光模块和智能设备的结构图。
在此装置的使用中，T为650纳米，L为500米，d为0.3米。
2、图像采集程序调用摄像头拍摄P张分辨率为M*N，间隔时间为ts秒的数字图像，保存为JPEG格式并存储在智能设备的存储卡中。图3和图4分别是白天和夜晚拍摄的典型图像。
在采用此装置的图像处理程序中，P为5张，分辨率M*N为1280*960，间隔ts为2秒。
3、计算所有图像中的激光中心点，步骤如下：
3.1若智能设备的存储卡中的存储文件包含以往的中心点数据，直接读取中心像素点(rx，ry)并跳至步骤4。
3.2若无数据则调用中心点检测程序，取(M/4，N/4)为起始像素中心点，以半径为pr个像素的圆形区域，计算区域内RGB图像中R通道的亮度之和SumR和中心点坐标。中心点遍历横坐标M/4至3M/4和纵坐标N/4至3N/4的区域，每次横纵坐标自增pr/2个像素，再次计算新区域的SumR，直到遍历全部区域后，其中SumR最大的区域对应的中心点即为初次中心点(rx1，ry1)。
在采用此装置的图像处理程序中，pr为20个像素单位。
3.3以初次中心点(rx1，ry1)为中心，以半径为pr2个像素的圆形，在离初次中心点横纵坐标分别相距pr个像素的矩形区域里，每次横纵坐标自增1个像素，第二次遍历重新计算获得SumR最大的中心点，即中心点(rx，ry)。图5所示的圆形区域中心即为激光发射中心坐标。
在采用此装置的图像处理程序中，pr2为6个像素单位。
4、以中心点(rx，ry)为圆心的环形区域，环外半径与环内半径之差也为1，每次递增1个像素半径，计算其中红色像素的占比C，直至圆环增至图像边界处停止或检测不到红色像素为止，得到评价数组[C1,C2,……,Cn]，根据评价数组可以得到重要评价指标:极亮区域半径R1，稳定区域半径R2，最大红色区域半径R3,并保存数据信息到存储卡中。
该装置的图像处理程序中，红色像素的判定条件为：当RGB亮度LR、LG、LB三者满足LR>2*LG&LR>2*LB&LB>LG时，判定为红色；根据红色像素条件计算环内红色像素数和总像素数的比例得到C；根据评价数组[C1,C2,……,Cn]，第一个超过0.1的C所在环数标记为R1，最后一个最大值C所在环数标记为R2，Cn所在环数为R3。在图5中可以看出极亮区域、稳定区域直至最大区域的明显界限。根据这些参数可以分析激光在不同雾中的散射程度，从而评价团雾的等级。图4中的[R1,R2,R3]分别为[3,5,14]。
5、根据智能终端所在地的经纬度和当前日期，查询当地气象数据库，获取当天的天亮时间t1、日出时间t2、日落时间t3和天黑时间t4，获取当前时间tn，若tn<t1或tn>t4则设置标记为夜晚，至5.1采用夜晚检测方法，若tn<t3且tn>t2则设置标记为白天，至5.2白天检测方法，否则至5.3。
该装置的图像处理程序中，通过GPS模块读取经纬度信息后，联网查询当地气象站的数据库从而获得天亮日出日落天黑等信息。
5.1夜间检测方法如下：
5.1.1通过历史数据可以得到夜晚无雾时R1,R2,R3的正常评价数组[R1,R2,R3],根据当前数据与历史数据的对比，得到“正常”、“雾”“大雾”“重雾”等评价结果。
使用本装置在特定区域进行实验时，当前检测得的R1,R2,R3与夜晚历史数据[R1,R2,R3]中的正常值差距为ds，当ds相差不超过20％时，判定为“正常”；相差超过20％但不超过50％时，判定为“雾”；相差超过50％但不超过100％时，判定为“大雾”；相差超过100％时，判定为“重雾”。
其中ds＝(R1-R1)/R1*0.4+(R2-R2)/R2*0.2+(R3-R3)/R3*0.4
图7为判定为“雾”的图像，图8为判定为“大雾”的图像，图9为判定为“重雾”的图像。
5.1.2依次对剩下的每张图像都重复进行步骤3-5的判断，若除了最多1个不同的结果而其它相同则得到最终结果，否则得到结果“异常”。步骤跳至6。
5.2白天检测方法如下：
5.2.1在离中心点(rx，ry)下方距离Ld个像素的位置，选取长度为图片总长度M像素，宽度为Nd像素的区域，从左至右平均分成K份。图6是图3的需要选取的图片区域。
在此装置的图像处理程序中，Nd为20个像素单位，K为20份。
5.2.2在每个长M/K像素，宽Nd像素的区域内，取每个像素的RGB通道中G和B通道的中最大的亮度Lmax，得到数组[L1,L2,……,LM/K*Nd]，计算该数组的均值A和标准偏差σ得到一个特征数组[A,σ]。遍历每个部分从而得到K个均值A和标准偏差σ，按顺序存储每块区域里P张图片中每个区域最大的均值A和标准偏差σ在存储卡中。
其中
5.2.3对此组的P张照片的每个对应区域的K个均值A进行比较，若某组的均值A差距较大，则标记该区域为变化区域，记录在存储卡中。
在此装置的图像处理程序中，若存在一个A与另一个A数据相差10个亮度值以上，则判定该区域为变化区域。
5.2.4对于一张图像的所有非变化区域的σ分别与历史数据中最大的σmax进行对比，若所有σ和σmax差距在范围σd内，则得到“正常”的评价结果并跳至步骤6，否则至5.2.5。
在此装置的图像处理程序中，σd为σmax值的10％。
5.2.5若有非变化区域的σ和σmax差距较大，则根据历史数据得到的白天无雾时R1,R2,R3的正常评价数组[R1,R2,R3],将当前数据与历史数据的对比，得到“正常”、“雾”“大雾”“重雾”等评价结果。
使用本装置在特定区域进行实验时，当前检测得的R1,R2,R3与白天历史数据[R1,R2,R3]中的正常值差距为ds,当ds相差不超过20％时，判定为“正常”；相差超过20％但不超过50％时，判定为“雾”；相差超过50％但不超过100％时，判定为“大雾”；相差超过100％时，判定为“重雾”。
其中ds＝(R1-R1)/R1*0.3+(R2-R2)/R2*0.3+(R3-R3)/R3*0.4
5.2.6对每张图像都重复进行3-5的判断，若除了最多1个不同的结果而其它相同则得到最终结果，否则得到结果“异常”。步骤跳至6。
5.3过渡阶段检测方法如下：
5.3.1通过历史数据可以获取夜晚无雾时R1,R2,R3的正常评价数组[R1,R2,R3]1和日出日落关键点无雾时R1,R2,R3的正常评价数组[R1,R2,R3]2；
在此装置的图像处理程序中，根据夜晚数据统计得出稳定值[R1,R2,R3]1，根据日出日落数据统计得到[R1,R2,R3]2。
5.3.2根据当前数据与历史数据[R1,R2,R3]1和[R1,R2,R3]2的对比，得到“正常”、“雾”“大雾”“重雾”等评价结果；
在此装置的图像处理程序中，当前检测得的R1,R2,R3与白天历史数据[R1,R2,R3]1中的正常值差距为ds,当前检测得的R1,R2,R3处于[R1,R2,R3]1和[R1,R2,R3]2之间时，判定为“正常”；相差[R1,R2,R3]1不超过30％时，判定为“雾”；相差[R1,R2,R3]1超过30％但不超过80％时，判定为“大雾”；相差[R1,R2,R3]1超过80％时，判定为“重雾”。
其中ds＝(R1-R1)/R1*0.4+(R2-R2)/R2*0.2+(R3-R3)/R3*0.4
5.3.3对每张图像都重复进行3-5的判断，若除了最多1个不同的结果而其它相同则得到最终结果，否则得到结果“异常”。步骤跳至6。
6、每隔tm分钟时间，重复2-5的步骤，得到更多数据，直至收到停止指令。
在此装置的图像处理程序中，tm为5分钟。
结合图2，本发明的实现上述基于激光的团雾图像全天候自适应检测方法的装置，包括激光发射端、智能终端；智能终端中的图像处理程序，包含图像采集算法，中心点检测算法，激光区域特征计算算法，白天夜晚和过渡阶段的不同评价算法；工作流程如下：参与发射的激光模块发射激光束，智能终端将视频信号转变为数字图像信号存储于存储卡中；图像处理程序根据中心点检测算法读取图像至内存中进行中心点检测；图像处理程序根据激光区域特征计算算法计算评价数组[C1,C2,……,Cn]，和重要评价指标[R1,R2,R3]；图像处理程序根据时间和装置的经纬度查询气象数据库获取天亮日出日落天黑时间切换白天夜晚过渡阶段评价的算法；图像处理程序根据相应的评价算法对于当前图像给出评价结果。
本发明基于激光的团雾图像全天候自适应检测方法的装置，在激光发射端包含供电模块和激光模块，供电模块包含计时器功能，在需要检测时供电以保证激光模块的开启。
本发明基于激光的团雾图像全天候自适应检测方法的装置的智能终端设备集成了CPU、内存、存储卡、主板、摄像头、GPS模块、通信基带等硬件，通过运行在该智能终端上的图像处理程序，调用摄像头进行图像采集，在存储卡上存储，调用CPU等硬件进行一系列的图像检测计算并得到最终评价结果。
结合图1和图2，基于数字处理芯片(如MSM8974)而设计的图像处理程序。视频图像采集模块采用自带摄像头，将图像信号转换成数字信号，其保存格式为JPEG。存储卡模块为16G的SD卡。图像中心点计算、评价数组与重要评价指标的计算、白天夜晚过渡阶段指标计算、评价结果的最终计算由数字信号处理芯片的CPU来完成。本发明公开了一种基于激光的团雾图像全天候自适应检测方法。本评价方法是由激光发射端释放激光束，图像处理端在图像处理程序的调控下，智能终端完成视频图像的采集、图像的存储、图像中心点计算、评价数组与重要评价指标的计算、白天夜晚过渡阶段指标计算、评价结果的最终计算。本评价装置为激光发射端、图像采集与处理的智能终端。本发明能够根据激光光束在不同团雾环境中的变化和场景的变化及时给出关于团雾的评价结果。
Claims (4)
1.一种基于激光的团雾图像全天候自适应检测方法，其特征在于包括以下步骤：
(1)在道路一端架设波长为T纳米的点状激光模块，在供电开关开启后，激光束发射方向与道路水平方向平行；在沿着激光束方向前进L米左右的道路另一端，在与激光束中心相距d厘米的位置架设集成了摄像头的智能设备；该智能设备和激光模块与地面保持同一水平高度，并保证激光束的光路上无遮挡；
(2)智能设备的摄像头在正对光源方向拍摄P张分辨率为M*N，间隔时间为ts秒的数字图像，保存为JPEG格式并存储在智能设备的存储卡中；
(3)计算所有图像中的激光中心点(rx，ry)；
(4)以中心点(rx，ry)为圆心的环形区域，得到评价数组[C1,C2,……,Cn]，根据评价数组得到重要评价指标：
极亮区域半径R1，稳定区域半径R2，最大红色区域半径R3,并保存数据信息到存储卡中；
(5)根据智能设备所在地的经纬度和当前日期，查询当地气象数据库，获取当天的天亮时间t1、日出时间t2、日落时间t3和天黑时间t4和当前时间tn，使用不同检测方法获得所有图像的检测结果并得到最终检测结果；
(6)每隔tm分钟时间，重复(2)-(5)的步骤，得到更多数据，直至收到停止指令。
2.根据权利要求1所述的基于激光的团雾图像全天候自适应检测方法，其特征在于：所述步骤(3)的具体实现方法如下：
2.1若智能设备的存储卡中的存储文件包含以往的中心点数据，直接读取中心像素点(rx，ry)；
2.2若无数据则调用中心点检测程序，取图像的(M/4，N/4)为起始像素中心点，以半径为pr个像素的圆形区域，计算区域内RGB图像中R通道的亮度之和SumR和中心点坐标；中心点遍历横坐标M/4至3M/4和纵坐标N/4至3N/4的区域，每次横纵坐标自增pr/2个像素，再次计算新区域的SumR，直到遍历全部区域后，其中SumR最大的区域对应的中心点即为初次中心点(rx1，ry1)；
2.3以初次中心点(rx1，ry1)为中心，以半径为pr2个像素的圆形，在离初次中心点横纵坐标分别相距pr个像素的矩形区域里，每次横纵坐标自增1个像素，第二次遍历重新计算获得SumR最大的中心点，即中心点(rx，ry)。
3.根据权利要求1所述的基于激光的团雾图像全天候自适应检测方法，其特征在于：所述步骤(4)中，以中心点(rx，ry)为圆心的环形区域，环外半径与环内半径之差也为1，每次递增1个像素半径，计算其中红色像素的占比C，红色像素的判定条件为：当RGB亮度LR、LG、LB三者满足LR>2*LG&LR>2*LB&LB>LG时，判定为红色；根据红色像素条件计算环内红色像素数和总像素数的比例得到C；直至圆环增至图像边界处停止或检测不到红色像素即C为0为止，得到评价数组[C1,C2,……,Cn]，根据评价数组可以得到重要评价指标:极亮区域半径R1，稳定区域半径R2，最大红色区域半径R3，第一个超过0.1的C所在环数标记为R1，最后一个最大值C所在环数标记为R2，Cn所在环数为R3；保存所有数据信息到存储卡中。
4.根据权利要求1所述的基于激光的团雾图像全天候自适应检测方法，其特征在于：所述步骤(5)中，根据智能设备所在地的经纬度和当前日期，查询当地气象数据库，获取当天的天亮时间t1、日出时间t2、日落时间t3和天黑时间t4，获取当前时间tn，若tn<t1或tn>t4则设置标记为夜晚，采用夜晚检测方法，若tn<t3且tn>t2则设置标记为白天，采用白天检测方法，否则采用过度阶段检测方法；其具体实现过程如下：
4.1如果是夜间，采用夜间检测方法：
4.1.1通过历史数据得到夜晚无雾时R1，R2，R3的正常评价数组[R1,R2,R3]，根据当前数据与历史数据的对比，得到“正常”、“雾”“大雾”“重雾”评价结果；在特定区域进行实验时，当前检测得的R1,R2,R3与夜晚历史数据[R1,R2,R3]中的正常值差距为ds，当ds相差不超过20％时，判定为“正常”；相差超过20％但不超过50％时，判定为“雾”；相差超过50％但不超过100％时，判定为“大雾”；相差超过100％时，判定为“重雾”；
其中ds＝(R1-R1)/R1*0.4+(R2-R2)/R2*0.2+(R3-R3)/R3*0.4
4.1.2依次对剩下的每张图像都重复进行步骤(3)-(5)的判断，若除了最多1个不同的结果而其它相同，则得到最终结果，否则得到结果“异常”；
4.2如果是白天，采用白天检测方法：
4.2.1在离中心点(rx，ry)下方距离Ld个像素的位置，选取长度为图片总长度M像素，宽度为Nd像素的区域，从左至右平均分成K份；Nd为20个像素单位，K为20份；
4.2.2在每个长M/K像素，宽Nd像素的区域内，取每个像素的RGB通道中G和B通道的中最大的亮度Lmax，得到数组[L1,L2,……,LM/K*Nd]，计算该数组的均值A和标准偏差σ得到一个特征数组[A,σ]；遍历每个部分从而得到K个均值A和标准偏差σ，按顺序存储每块区域里P张图片中每个区域最大的均值A和标准偏差σ在存储卡中；
其中
4.2.3对此组的P张照片的每个对应区域的K个均值A进行比较，若某组的均值A差距较大，则标记该区域为变化区域，记录在存储卡中；若存在一个A与另一个A数据相差10个亮度值以上，则判定该区域为变化区域；
4.2.4对于一张图像的所有非变化区域的σ，分别与历史数据中最大的σmax进行对比，若所有σ和σmax差距在范围σd内，则得到“正常”的评价结果并结束，否则至4.2.5；σd为σmax值的10％；
4.2.5若有非变化区域的σ和σmax差距较大，则根据历史数据得到的白天无雾时R1,R2,R3的正常评价数组[R1,R2,R3]，将当前数据与历史数据的对比，得到“正常”、“雾”“大雾”“重雾”评价结果；在特定区域进行实验时，当前检测得的R1,R2,R3与白天历史数据[R1,R2,R3]中的正常值差距为ds，当ds相差不超过20％时，判定为“正常”；相差超过20％但不超过50％时，判定为“雾”；相差超过50％但不超过100％时，判定为“大雾”；相差超过100％时，判定为“重雾”；
其中ds＝(R1-R1)/R1*0.3+(R2-R2)/R2*0.3+(R3-R3)/R3*0.4
4.2.6对每张图像都重复进行(3)-(5)的判断，若除了最多1个不同的结果而其它相同，则得到最终结果，否则得到结果“异常”；
4.3如果既不是白天也不是夜间，采用过渡阶段检测方法：
4.3.1通过历史数据获取夜晚无雾时R1,R2,R3的正常评价数组[R1,R2,R3]1和日出日落关键点无雾时R1,R2,R3的正常评价数组[R1,R2,R3]2；根据夜晚数据统计得出稳定值[R1,R2,R3]1，根据日出日落数据统计得到[R1,R2,R3]2；
4.3.2根据当前数据与历史数据[R1,R2,R3]1和[R1,R2,R3]2的对比，得到“正常”、“雾”“大雾”“重雾”评价结果；当前检测得的R1,R2,R3与白天历史数据[R1,R2,R3]1中的正常值差距为ds，当前检测得的R1,R2,R3处于[R1,R2,R3]1和[R1,R2,R3]2之间时，判定为“正常”；相差[R1,R2,R3]1不超过30％时，判定为“雾”；相差[R1,R2,R3]1超过30％但不超过80％时，判定为“大雾”；相差[R1,R2,R3]1超过80％时，判定为“重雾”；
其中ds＝(R1-R1)/R1*0.4+(R2-R2)/R2*0.2+(R3-R3)/R3*0.4
4.3.3对每张图像都重复进行(3)-(5)的判断，若除了最多1个不同的结果而其它相同，则得到最终结果，否则得到结果“异常”。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610975267.1A CN106556579A (zh) | 2016-11-07 | 2016-11-07 | 基于激光的团雾图像全天候自适应检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610975267.1A CN106556579A (zh) | 2016-11-07 | 2016-11-07 | 基于激光的团雾图像全天候自适应检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106556579A true CN106556579A (zh) | 2017-04-05 |
Family
ID=58443967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610975267.1A Pending CN106556579A (zh) | 2016-11-07 | 2016-11-07 | 基于激光的团雾图像全天候自适应检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106556579A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165676A (zh) * | 2018-07-27 | 2019-01-08 | 北京以萨技术股份有限公司 | 一种基于视频分析的全天候高速公路雾气等级监测方法 |
| CN111145120A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 能见度检测方法、装置、计算机设备和存储介质 |
| CN112649900A (zh) * | 2020-11-27 | 2021-04-13 | 上海眼控科技股份有限公司 | 一种能见度的监测方法、装置、设备、系统和介质 |
| CN112686164A (zh) * | 2020-12-30 | 2021-04-20 | 日照市气象局 | 一种发光目标物视频团雾监测预警方法 |
-
2016
- 2016-11-07 CN CN201610975267.1A patent/CN106556579A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165676A (zh) * | 2018-07-27 | 2019-01-08 | 北京以萨技术股份有限公司 | 一种基于视频分析的全天候高速公路雾气等级监测方法 |
| CN111145120A (zh) * | 2019-12-26 | 2020-05-12 | 上海眼控科技股份有限公司 | 能见度检测方法、装置、计算机设备和存储介质 |
| CN112649900A (zh) * | 2020-11-27 | 2021-04-13 | 上海眼控科技股份有限公司 | 一种能见度的监测方法、装置、设备、系统和介质 |
| CN112686164A (zh) * | 2020-12-30 | 2021-04-20 | 日照市气象局 | 一种发光目标物视频团雾监测预警方法 |
| CN112686164B (zh) * | 2020-12-30 | 2022-06-28 | 日照市气象局 | 一种发光目标物视频团雾监测预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11054357B2 (en) | Mobile microscopy system for air quality monitoring | |
| US11486548B2 (en) | System for detecting crack growth of asphalt pavement based on binocular image analysis | |
| CN105424655B (zh) | 一种基于视频图像的能见度检测方法 | |
| KR102146287B1 (ko) | 임의의 풍경 사진 영상을 이용한 대기 중 미세 먼지의 소산 및 크기 정보 추출 시스템 | |
| CN106556579A (zh) | 基于激光的团雾图像全天候自适应检测方法 | |
| CN105930819A (zh) | 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统 | |
| CN109377726A (zh) | 一种基于车联网的高速公路团雾精确警示、诱导系统及方法 | |
| US20180060986A1 (en) | Information processing device, road structure management system, and road structure management method | |
| WO2007000999A1 (ja) | 画像分析装置および画像分析方法 | |
| CN101614675A (zh) | 能见度测量系统及方法 | |
| CN101957309A (zh) | 一种能见度的全天候视频测量方法 | |
| CN110660222A (zh) | 一种智能环保道路黑烟车辆电子抓拍系统 | |
| CN103954542A (zh) | 基于无参考图像清晰度评价的pm2.5浓度检测仪 | |
| CN107506729A (zh) | 一种基于深度学习的能见度检测方法 | |
| CN113610040B (zh) | 一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法 | |
| CN105021528A (zh) | 一种基于视频的道路气象检测装置 | |
| CN104517126A (zh) | 一种基于图像分析的空气质量评估方法 | |
| CN112649900A (zh) | 一种能见度的监测方法、装置、设备、系统和介质 | |
| Yang et al. | An RGB channel operation for removal of the difference of atmospheric scattering and its application on total sky cloud detection | |
| Balali et al. | Image-based retro-reflectivity measurement of traffic signs in day time | |
| Rumora et al. | Spatial video remote sensing for urban vegetation mapping using vegetation indices | |
| CN108225318B (zh) | 基于图像质量的航空遥感路径规划方法及系统 | |
| CN108765954B (zh) | 基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法 | |
| CN109783973A (zh) | 一种基于图像退化模型的大气能见度计算方法 | |
| CN215525515U (zh) | 水质监测装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170405 |