CN107194924A - 基于暗通道先验和深度学习的高速公路雾天能见度检测方法 - Google Patents
基于暗通道先验和深度学习的高速公路雾天能见度检测方法 Download PDFInfo
- Publication number
- CN107194924A CN107194924A CN201710369342.4A CN201710369342A CN107194924A CN 107194924 A CN107194924 A CN 107194924A CN 201710369342 A CN201710369342 A CN 201710369342A CN 107194924 A CN107194924 A CN 107194924A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- munder
- msup
- mfrac
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
- G01N2021/1765—Method using an image detector and processing of image signal
- G01N2021/177—Detector of the video camera type
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于暗通道先验和深度学习的高速公路雾天能见度检测方法,包括如下步骤:步骤1:采集高速公路摄像头获取的视频图像,建立背景模型;步骤2:获取初步透射率图:步骤21:构建一个六层的卷积神经网络,并使用大量样本训练得到网络模型;步骤22:加载卷积神经网络模型,并使用原始图片的长和宽对网络进行初始化;步骤23:把原始雾天图像送入该网络进行计算,得到对应的透射率图;步骤3:透射率图优化;步骤4:求取平均大气消光系数:步骤41:在原始图像中指定至少两条车道白线以选取道路关键点;步骤42:对于每一条车道线,获取车道线两端位置的透射率,分别计算出对应的大气消光系数;步骤43:求得平均大气消光系数;步骤5:能见度估计。
Description
技术领域
本发明涉及一种高速公路雾天能见度检测方法,具体的为一种基于暗通道先验知识和深度学习的高速公路雾天能见度检测方法,可以根据高速公路视频信息,实现高速公路雾天情况下的能见度检测。
背景技术
高速公路在实际运行中,容易受恶劣天气的影响。其中,雾天是一种典型的恶劣天气,大雾使得高速公路能见度大幅下降,这一方面使得道路整体车速降低,道路通行能力随之下降;另一方面低能见度影响驾驶员视野,极易造成交通事故。因此,如何利用高速公路视频实现雾天能见度检测,及时发现低能见度的大雾天气并对其进行告警,是提升高速公路行车安全的有力措施。
现有技术中,基于视频的高速公路雾天能见度检测方法主要有以下三类:
1)基于图像对比度的方法:如公开号为CN101936900A的中国专利申请公开的一种基于视频的能见度检测系统,这类方法提取车道线边缘信息并计算对比度,然后拟合得到能见度值。但是由于图像边缘信息的无规则变化,使得检测值波动很大,实用性较低。
2)基于区域增长的方法:如公开号为CN 102175613A的中国专利公开的一种基于图像亮度特征的ptz视频能见度检测方法,这类方法利用基于Nagao滤波的区域增长算法得到精确路面区域,然后计算得到可视的最远距离。但是这类方法对环境适应性低,容易出现区域增长失败的现象,从而导致检测失败。
以上两类方法实质上仍是使用图像的亮度和对比度特征,未建立精确的雾天数学模型,导致检测效果不理想。
3)基于暗通道先验的方法:如公开号为CN102162788A的中国专利申请公开的一种基于高清视频的能见度检测方法,这类方法的核心是通过计算图像透射率来获得能见度值,检测结果较为准确。但是该类方法仍存在一些问题,如获取的透射率图不够精细,在一定程度上影响了能见度检测的准确性,且算法较为复杂,实时性较差,难以满足实际应用要求。
发明内容
有鉴于此,为了解决现有技术中存在的不足,本发明的目的在于提供一种基于暗通道先验和深度学习的高速公路雾天能见度检测方法。
为达到上述目的,本发明提供如下技术方案:
一种基于暗通道先验和深度学习的高速公路雾天能见度检测方法,包括如下步骤:
步骤1:采集高速公路摄像头获取的视频图像,建立背景模型;
步骤2:获取初步透射率图;
步骤21:构建一个六层的卷积神经网络来模拟图像透射率计算过程,并使用大量样本训练得到网络模型;
步骤22:加载卷积神经网络模型,并使用原始图片的长和宽对网络进行初始化;
步骤23:把原始雾天图像送入该网络进行计算,得到对应的透射率图;
步骤3:透射率图优化:采用导向滤波函数处理透射率图,得到更加精细的透射率图;
步骤4:求取平均大气消光系数;
步骤41:在原始图像中指定至少两条车道白线以选取道路关键点;
步骤42:对于每一条车道线,获取车道线两端位置的透射率,分别计算出对应的大气消光系数;
步骤43:对所有大气消光系数求平均值,得到平均大气消光系数;
步骤5:能见度估计:采用平均大气消光系数,计算大气能见度。
进一步,所述步骤1中,建立背景模型的方法如下:
步骤11:从高速公路摄像头获取视频图像,然后利用视频图像序列,建立背景模型;
步骤12:对背景模型实时更新。
进一步,所述卷积神经网络包括三部分:
第一部分:卷积层加上Maxout计算,用于提取特征;
第二部分:多尺度映射和局部极值;
第三部分:非线性回归。
进一步,所述卷积神经网络中的透射率计算方法如下:
对于任意的输入图像,其暗通道表述为:
其中,Jc是彩色图像的像素,Jdark是暗通道图像的像素,Ω(x)是以像素x为中心的一个窗口;
根据观测结果,无雾图像的暗通道先验表示方程如下:
在计算机视觉中,雾天模型方程为:
I(x)=J(x)t(x)+A(1-t(x))
其中,I(x)是雾化图像的像素,J(x)是无雾图像的像素,t(x)是透射率,A是全局大气光值;
将雾天模型方程等式两边同时除以A,并分别计算暗通道,可得:
结合无雾图像的暗通道先验表示方程,可得透射率估算公式:
进一步,所述步骤3中,导向滤波函数说明如下:
使用引导图像I对输入图像P进行处理,得到输出图像Q;对于输出图像的第i个像素,有如下表达式:
其中,P是输入图像的像素,Q是输出图像的像素,i和j是像素标签,Wij是滤波核函数,其定义如下:
其中,I是像素值,ωk是第k个核函数窗口,|ω|是窗口内的像素个数,μk和是引导图像I在窗口内的均值和方差,ε是平滑因子。
进一步,所述步骤42中,设车道线两端关键点为P0和P1,则大气消光系数的计算公式如下:
其中,β是大气消光系数,t0和t1是P0和P1分别对应的透射率,d0和d1是P0和P1分别到观测点的距离。
进一步,所述步骤43中,平均大气消光系数的计算方法为:
其中,βi是每次求取的大气消光系数,是平均大气消光系数。
进一步,所述步骤5中,大气能见度的计算方法为:
大气亮度的对比度衰减规律为:
C=C0e-βd
其中,C是目标物的视亮度对比值,C0是目标物相对于背景的固有亮度对比值,β是大气消光系数,d是目标到观测点的距离;
为了保证物体刚好能够看见,视亮度C必须等于一个阈值;根据国际照明委员会推荐阈值为0.05,则可得气象能见度距离为:
其中,Vmet是待求的能见度值,是平均大气消光系数。
本发明的有益效果在于:
本发明基于暗通道先验和深度学习的高速公路雾天能见度检测方法,采用了基于暗通道先验的方法,首先在原理上保证检测结果的准确性;针对现有方法得出的透射率图不够精细的问题,本发明做了两方面改进:首先基于深度学习,设计了一个六层的卷积神经网络来模拟透射率的计算过程,由于卷积神经网络能有效提取图像特征,所以通过该网络计算出的透射率图比现有算法更为精确;然后使用了导向滤波来进一步提升透射率图的精细度;针对现有方法计算复杂、实时性差的问题,本发明将卷积神经网络的调用做了简化,使得算法流程更加简单,由于所用卷积神经网络的结构简单,加上深度学习框架的性能优化,检测速度相对之前有了较大提升,可以满足实际应用需求,如果网络计算部分使用GPU进行处理,检测速度还能有更大的提升。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1是本发明基于暗通道先验和深度学习的高速公路雾天能见度检测方法的流程示意图;
图2是用于生成透射率图的卷积神经网络模型示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1所示,本实施例基于暗通道先验和深度学习的高速公路雾天能见度检测方法,包括如下步骤:
步骤1:采集高速公路摄像头获取的视频图像,建立背景模型
步骤11:从高速公路露天摄像头获取视频图像,然后利用视频图像序列,对视频帧采用高斯法建立背景模型,以排除车辆对能见度检测的干扰;
步骤12:对背景模型实时更新,本实施例采用基于像素变化率的背景更新方法,即连续3帧图像中变化率小于某一阈值的像素点以一定的更新率实时更新。
步骤2:获取初步透射率图
步骤21:构建一个六层的卷积神经网络模拟图像透射率计算过程,并使用大量样本训练得到网络模型。
本实施例构建的一个六层的卷积神经网络包括三个部分:
第一部分是卷积层加上Maxout计算,用于提取特征,作用等同于传统的手工暗通道计算;
第二部分是多尺度映射和局部极值,多尺度映射可以提升不同分辨率下特征提取的鲁棒性,而局部极值可以抑制模型噪声;
第三部分为非线性回归,因为透射率是一个0~1的常数,所以要对输出结果进行双边约束。
使用大量雾天图片样本,经过离线训练训练得到了可用的模型。由于卷积神经网络具有良好的非线性映射能力,使用该网络计算而生成的透射率图更加精确,且避免了复杂的计算过程。且本实施例的卷积神经网络中的透射率计算方法如下:
在去雾算法的研究中,存在一个暗通道先验,其基于如下的观测:在绝大多数非天空的局部区域里,某一些像素总会有至少一个颜色通道具有很低的值。对于任意的输入图像,其暗通道表述为:
其中,Jc是彩色图像的像素,Jdark是暗通道图像的像素,Ω(x)是以像素x为中心的一个窗口;
根据观测结果,无雾图像的暗通道先验表示方程如下:
在此基础上,彩色图像的暗通道计算过程分两步:首先求出彩色图像每个像素RGB分量中的最小值,存入一幅和原始图像大小相同的灰度图中;然后对生成的这幅灰度图进行最小值滤波,滤波半径取为7。在计算机视觉中,雾天模型方程为:
I(x)=J(x)t(x)+A(1-t(x))
其中,I(x)是雾化图像的像素,J(x)是无雾图像的像素,t(x)是透射率,A是全局大气光值;
将雾天模型方程等式两边同时除以A,并分别计算暗通道,可得:
结合无雾图像的暗通道先验表示方程,可得透射率估算公式:
步骤22:加载卷积神经网络模型,并使用原始图片的长和宽对网络进行初始化;
步骤23:把原始雾天图像送入该网络进行计算,得到对应的透射率图;
步骤3:透射率图优化:采用导向滤波函数处理透射率图,得到更加精细的透射率图。
导向滤波是一个线性移可变的滤波过程,使用引导图像I对输入图像P进行处理,得到输出图像Q。对于输出图像的第i个像素,有如下表达式:
其中,P是输入图像的像素,Q是输出图像的像素,i和j是像素标签,Wij是滤波核函数,其定义如下:
其中,I是像素值,ωk是第k个核函数窗口,|ω|是窗口内的像素个数,μk和是引导图像I在窗口内的均值和方差,ε是平滑因子。
步骤4:求取平均大气消光系数
步骤41:在原始图像中指定至少两条车道白线以选取道路关键点,本实施例在原始图像中指定4条车道白线以选取道路关键点。
步骤42:对于每一条车道线,获取车道线两端位置的透射率,分别计算出对应的大气消光系数。
对于每一条车道线,假设车道线两端关键点为P0和P1,则该车道线附近对应的大气消光系数的计算方法如下:
如前文所述,雾天模型方程为:
I(x)=J(x)t(x)+A(1-t(x))
其中,I(x)是雾化图像的像素,J(x)是无雾图像的像素,t(x)是透射率,A是全局大气光值。
对于能见度检测,柯西米德于1924年建立了物体自有亮度与物体视亮度之间的关系:
L=L0e-βd+Lf(1-e-βd)
其中,L是物体视亮度,L0是物体自有亮度,Lf是天空亮度,β是大气消光系数,d是物体与观测点距离。
根据变量之间的对应关系,得出:
t(x)=e-βd
两边取对数,可得:
ln(t)=-βd
对于两个关键点P0和P1,则有:
其中,d0和d1是P0和P1分别到观测点的距离。
进一步推导,可得大气消光系数的计算公式如下:
其中,β是大气消光系数,t0和t1是P0和P1分别对应的透射率,d0和d1是P0和P1分别到观测点的距离。
根据交通部门的数据,每条白色车道线长度是6m,依据三角形原理,容易得出:d0-d1≈6。
步骤43:重复步骤42,计算出对应于每一条车道线的大气消光系数,并对所有车道线的大气消光系数求平均值,得到平均大气消光系数。平均大气消光系数的计算方法如下:
其中,βi是每次求取的大气消光系数,是平均大气消光系数。
步骤5:能见度估计:采用平均大气消光系数,计算大气能见度。
大气能见度的计算方法为:
大气亮度的对比度衰减规律为:
C=C0e-βd
其中,C是目标物的视亮度对比值,C0是目标物相对于背景的固有亮度对比值,且C0≈1,β是大气消光系数,d是目标到观测点的距离;
为了保证物体刚好能够看见,视亮度C必须等于一个阈值;根据国际照明委员会推荐阈值为0.05,则可得气象能见度距离为:
其中,Vmet是待求的能见度值,是平均大气消光系数。
本实施例基于暗通道先验和深度学习的高速公路雾天能见度检测方法,采用了基于暗通道先验的方法,首先在原理上保证检测结果的准确性;针对现有方法得出的透射率图不够精细的问题,本发明做了两方面改进:首先基于深度学习,设计了一个六层的卷积神经网络来模拟透射率的计算过程,由于卷积神经网络能有效提取图像特征,所以通过该网络计算出的透射率图比现有算法更为精确;然后使用了导向滤波来进一步提升透射率图的精细度;针对现有方法计算复杂、实时性差的问题,本发明将卷积神经网络的调用做了简化,使得算法流程更加简单,由于所用卷积神经网络的结构简单,加上深度学习框架的性能优化,检测速度相对之前有了较大提升,可以满足实际应用需求,如果网络计算部分使用GPU进行处理,检测速度还能有更大的提升。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (8)
1.一种基于暗通道先验和深度学习的高速公路雾天能见度检测方法,其特征在于:包括如下步骤:
步骤1:采集高速公路摄像头获取的视频图像,建立背景模型;
步骤2:获取初步透射率图;
步骤21:构建一个六层的卷积神经网络模拟图像透射率计算过程,并使用大量样本训练得到网络模型;
步骤22:加载卷积神经网络模型,并使用原始图片的长和宽对网络进行初始化;
步骤23:把原始雾天图像送入该网络进行计算,得到对应的透射率图;
步骤3:透射率图优化:采用导向滤波函数处理透射率图,得到更加精细的透射率图;
步骤4:求取平均大气消光系数;
步骤41:在原始图像中指定至少两条车道白线以选取道路关键点;
步骤42:对于每一条车道线,获取车道线两端位置的透射率,分别计算出对应的大气消光系数;
步骤43:对所有大气消光系数求平均值,得到平均大气消光系数;
步骤5:能见度估计:采用平均大气消光系数,计算大气能见度。
2.根据权利要求1所述的基于暗通道先验和深度学习的高速公路雾天能见度检测方法,其特征在于:所述步骤1中,建立背景模型的方法如下:
步骤11:从高速公路摄像头获取视频图像,然后利用视频图像序列,建立背景模型;
步骤12:对背景模型实时更新。
3.根据权利要求1所述的基于暗通道先验和深度学习的高速公路雾天能见度检测方法,其特征在于:所述卷积神经网络包括三部分:
第一部分:卷积层加上Maxout计算,用于提取特征;
第二部分:多尺度映射和局部极值;
第三部分:非线性回归。
4.根据权利要求1所述的基于暗通道先验和深度学习的高速公路雾天能见度检测方法,其特征在于:所述卷积神经网络中的透射率计算方法如下:
对于任意的输入图像,其暗通道表述为:
<mrow>
<msup>
<mi>J</mi>
<mrow>
<mi>d</mi>
<mi>a</mi>
<mi>r</mi>
<mi>k</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>y</mi>
<mo>&Element;</mo>
<mi>&Omega;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<mrow>
<mo>{</mo>
<mrow>
<mi>b</mi>
<mo>,</mo>
<mi>g</mi>
<mo>,</mo>
<mi>r</mi>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</munder>
<msup>
<mi>J</mi>
<mi>c</mi>
</msup>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中,Jc是彩色图像的像素,Jdark是暗通道图像的像素,Ω(x)是以像素x为中心的一个窗口;
根据观测结果,无雾图像的暗通道先验表示方程如下:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>y</mi>
<mo>&Element;</mo>
<mi>&Omega;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<mrow>
<mo>{</mo>
<mrow>
<mi>b</mi>
<mo>,</mo>
<mi>g</mi>
<mo>,</mo>
<mi>r</mi>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</munder>
<msup>
<mi>J</mi>
<mi>c</mi>
</msup>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&RightArrow;</mo>
<mn>0</mn>
</mrow>
在计算机视觉中,雾天模型方程为:
I(x)=J(x)t(x)+A(1-t(x))
其中,I(x)是雾化图像的像素,J(x)是无雾图像的像素,t(x)是透射率,A是全局大气光值;
将雾天模型方程等式两边同时除以A,并分别计算暗通道,可得:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>&Omega;</mi>
</munder>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>c</mi>
</munder>
<mo>(</mo>
<mfrac>
<msup>
<mi>I</mi>
<mi>c</mi>
</msup>
<msup>
<mi>A</mi>
<mi>c</mi>
</msup>
</mfrac>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>&Omega;</mi>
</munder>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>c</mi>
</munder>
<mo>(</mo>
<mfrac>
<msup>
<mi>J</mi>
<mi>c</mi>
</msup>
<msup>
<mi>A</mi>
<mi>c</mi>
</msup>
</mfrac>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>-</mo>
<mi>t</mi>
</mrow>
结合无雾图像的暗通道先验表示方程,可得透射率估算公式:
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>&Omega;</mi>
</munder>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>c</mi>
</munder>
<mo>(</mo>
<mfrac>
<msup>
<mi>I</mi>
<mi>c</mi>
</msup>
<msup>
<mi>A</mi>
<mi>c</mi>
</msup>
</mfrac>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
5.根据权利要求1所述的基于暗通道先验和深度学习的高速公路雾天能见度检测方法,其特征在于:所述步骤3中,导向滤波函数说明如下:
使用引导图像I对输入图像P进行处理,得到输出图像Q;对于输出图像的第i个像素,有如下表达式:
<mrow>
<msub>
<mi>Q</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
</mrow>
其中,P是输入图像的像素,Q是输出图像的像素,i和j是像素标签,Wij是滤波核函数,其定义如下:
<mrow>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<mi>&omega;</mi>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>:</mo>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>&omega;</mi>
<mi>k</mi>
</msub>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
其中,I是像素值,ωk是第k个核函数窗口,|ω|是窗口内的像素个数,μk和是引导图像I在窗口内的均值和方差,ε是平滑因子。
6.根据权利要求1所述的基于暗通道先验和深度学习的高速公路雾天能见度检测方法,其特征在于:所述步骤42中,设车道线两端关键点为P0和P1,则大气消光系数的计算公式如下:
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>t</mi>
<mn>0</mn>
</msub>
<msub>
<mi>t</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>d</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
</mrow>
其中,β是大气消光系数,t0和t1是P0和P1分别对应的透射率,d0和d1是P0和P1分别到观测点的距离。
7.根据权利要求6所述的基于暗通道先验和深度学习的高速公路雾天能见度检测方法,其特征在于:所述步骤43中,平均大气消光系数的计算方法为:
<mrow>
<mover>
<mi>&beta;</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
</mrow>
其中,βi是每次求取的大气消光系数,是平均大气消光系数。
8.根据权利要求7所述的基于暗通道先验和深度学习的高速公路雾天能见度检测方法,其特征在于:所述步骤5中,大气能见度的计算方法为:
大气亮度的对比度衰减规律为:
C=C0e-βd
其中,C是目标物的视亮度对比值,C0是目标物相对于背景的固有亮度对比值,β是大气消光系数,d是目标到观测点的距离;
为了保证物体刚好能够看见,视亮度C必须等于一个阈值;根据国际照明委员会推荐阈值为0.05,则可得气象能见度距离为:
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mover>
<mi>&beta;</mi>
<mo>&OverBar;</mo>
</mover>
</mfrac>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<mn>0.05</mn>
<mo>)</mo>
</mrow>
<mo>&ap;</mo>
<mfrac>
<mn>3</mn>
<mover>
<mi>&beta;</mi>
<mo>&OverBar;</mo>
</mover>
</mfrac>
</mrow>
其中,Vmet是待求的能见度值,是平均大气消光系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710369342.4A CN107194924A (zh) | 2017-05-23 | 2017-05-23 | 基于暗通道先验和深度学习的高速公路雾天能见度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710369342.4A CN107194924A (zh) | 2017-05-23 | 2017-05-23 | 基于暗通道先验和深度学习的高速公路雾天能见度检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107194924A true CN107194924A (zh) | 2017-09-22 |
Family
ID=59875480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710369342.4A Pending CN107194924A (zh) | 2017-05-23 | 2017-05-23 | 基于暗通道先验和深度学习的高速公路雾天能见度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194924A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705262A (zh) * | 2017-10-10 | 2018-02-16 | 中山大学 | 一种基于混合先验学习模型的去雾方法 |
CN107886049A (zh) * | 2017-10-16 | 2018-04-06 | 江苏省气象服务中心 | 一种基于摄像探头的能见度识别预警方法 |
CN108693087A (zh) * | 2018-04-13 | 2018-10-23 | 中国科学院城市环境研究所 | 一种基于图像理解的空气质量监测方法 |
CN108734278A (zh) * | 2018-05-23 | 2018-11-02 | 天津市气象科学研究所 | 一种基于多重神经网络逐步逼近法的低能见度预报方法 |
CN109086803A (zh) * | 2018-07-11 | 2018-12-25 | 南京邮电大学 | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 |
CN109118451A (zh) * | 2018-08-21 | 2019-01-01 | 李青山 | 一种基于卷积回归的航空正射影像去雾算法 |
CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
CN110378865A (zh) * | 2019-04-28 | 2019-10-25 | 湖南师范大学 | 一种复杂背景下的雾天能见度智能分级识别方法及系统 |
CN110826412A (zh) * | 2019-10-10 | 2020-02-21 | 江苏理工学院 | 高速公路能见度检测系统和方法 |
CN110926515A (zh) * | 2019-10-20 | 2020-03-27 | 中国航空工业集团公司洛阳电光设备研究所 | 一种不同大气能见度下光电传感器等效作用距离折算方法 |
CN111192275A (zh) * | 2019-12-30 | 2020-05-22 | 西安金路交通工程科技发展有限责任公司 | 基于暗通道先验理论的高速公路团雾能见度识别方法 |
CN111522025A (zh) * | 2020-04-15 | 2020-08-11 | 西安电子科技大学 | 雾天下基于双光谱消光的城市建筑物相对距离估计方法 |
CN112365476A (zh) * | 2020-11-13 | 2021-02-12 | 南京信息工程大学 | 一种基于双通路深度网络的雾天能见度检测方法 |
CN112580600A (zh) * | 2020-12-29 | 2021-03-30 | 神华黄骅港务有限责任公司 | 粉尘浓度检测方法、装置、计算机设备和存储介质 |
CN112912689A (zh) * | 2019-09-19 | 2021-06-04 | 纬哲纽咨信息咨询有限公司 | 能见度推断装置、能见度推断方法以及记录介质 |
CN113128581A (zh) * | 2021-04-13 | 2021-07-16 | 天津市滨海新区气象局(天津市滨海新区气象预警中心) | 基于机器学习的能见度检测方法、装置、系统和存储介质 |
CN113379619A (zh) * | 2021-05-12 | 2021-09-10 | 电子科技大学 | 去雾成像、能见度提取和景深估计的一体化处理方法 |
CN113408415A (zh) * | 2021-06-18 | 2021-09-17 | 中国民用航空大连空中交通管理站 | 基于图像识别技术机场能见度与跑道视程的探测与显示系统 |
CN113469912A (zh) * | 2021-06-30 | 2021-10-01 | 清华大学 | 一种基于深度学习的雾天能见度估计方法和系统 |
CN113570554A (zh) * | 2021-07-06 | 2021-10-29 | 浙江工业大学 | 一种基于场景深度的单幅图像能见度检测方法 |
CN113628131A (zh) * | 2021-07-22 | 2021-11-09 | 济南驰昊电力科技有限公司 | 雾天场景下变电站指针式油位表的智能识别方法 |
CN113793373A (zh) * | 2021-08-04 | 2021-12-14 | 武汉市公安局交通管理局 | 一种能见度检测方法、装置、设备及介质 |
CN113850768A (zh) * | 2021-09-15 | 2021-12-28 | 上海眼控科技股份有限公司 | 基于图像的能见度计算方法与设备 |
CN114627382A (zh) * | 2022-05-11 | 2022-06-14 | 南京信息工程大学 | 联合行道线几何先验的高速公路雾天能见度检测方法 |
CN115100577A (zh) * | 2022-07-28 | 2022-09-23 | 北京维艾思气象信息科技有限公司 | 基于神经网络的能见度识别方法及系统、电子设备、存储介质 |
CN116664448A (zh) * | 2023-07-24 | 2023-08-29 | 南京邮电大学 | 一种基于图像去雾的中高能见度计算方法及计算系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261018A (zh) * | 2015-10-14 | 2016-01-20 | 山东交通学院 | 基于光学模型和暗原色先验理论的能见度检测方法 |
CN105424655A (zh) * | 2015-11-04 | 2016-03-23 | 北京交通大学 | 一种基于视频图像的能见度检测方法 |
CN105931220A (zh) * | 2016-04-13 | 2016-09-07 | 南京邮电大学 | 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法 |
CN106248635A (zh) * | 2016-07-22 | 2016-12-21 | 福州大学 | 基于数字摄像的能见度检测方法 |
CN106251296A (zh) * | 2016-07-06 | 2016-12-21 | 北京元心科技有限公司 | 一种图像去雾方法和系统 |
CN106600560A (zh) * | 2016-12-22 | 2017-04-26 | 福州大学 | 一种适用于行车记录仪的图像去雾方法 |
-
2017
- 2017-05-23 CN CN201710369342.4A patent/CN107194924A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261018A (zh) * | 2015-10-14 | 2016-01-20 | 山东交通学院 | 基于光学模型和暗原色先验理论的能见度检测方法 |
CN105424655A (zh) * | 2015-11-04 | 2016-03-23 | 北京交通大学 | 一种基于视频图像的能见度检测方法 |
CN105931220A (zh) * | 2016-04-13 | 2016-09-07 | 南京邮电大学 | 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法 |
CN106251296A (zh) * | 2016-07-06 | 2016-12-21 | 北京元心科技有限公司 | 一种图像去雾方法和系统 |
CN106248635A (zh) * | 2016-07-22 | 2016-12-21 | 福州大学 | 基于数字摄像的能见度检测方法 |
CN106600560A (zh) * | 2016-12-22 | 2017-04-26 | 福州大学 | 一种适用于行车记录仪的图像去雾方法 |
Non-Patent Citations (1)
Title |
---|
连晓峰等: "基于视频流的运动人体检测方法研究", 《北京工商大学学报(自然科学版)》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705262A (zh) * | 2017-10-10 | 2018-02-16 | 中山大学 | 一种基于混合先验学习模型的去雾方法 |
CN107886049B (zh) * | 2017-10-16 | 2022-08-26 | 江苏省气象服务中心 | 一种基于摄像探头的能见度识别预警方法 |
CN107886049A (zh) * | 2017-10-16 | 2018-04-06 | 江苏省气象服务中心 | 一种基于摄像探头的能见度识别预警方法 |
CN108693087A (zh) * | 2018-04-13 | 2018-10-23 | 中国科学院城市环境研究所 | 一种基于图像理解的空气质量监测方法 |
CN108734278A (zh) * | 2018-05-23 | 2018-11-02 | 天津市气象科学研究所 | 一种基于多重神经网络逐步逼近法的低能见度预报方法 |
CN109086803A (zh) * | 2018-07-11 | 2018-12-25 | 南京邮电大学 | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 |
CN109118451A (zh) * | 2018-08-21 | 2019-01-01 | 李青山 | 一种基于卷积回归的航空正射影像去雾算法 |
CN109522819A (zh) * | 2018-10-29 | 2019-03-26 | 西安交通大学 | 一种基于深度学习的火灾图像识别方法 |
CN110378865A (zh) * | 2019-04-28 | 2019-10-25 | 湖南师范大学 | 一种复杂背景下的雾天能见度智能分级识别方法及系统 |
CN112912689A (zh) * | 2019-09-19 | 2021-06-04 | 纬哲纽咨信息咨询有限公司 | 能见度推断装置、能见度推断方法以及记录介质 |
CN110826412A (zh) * | 2019-10-10 | 2020-02-21 | 江苏理工学院 | 高速公路能见度检测系统和方法 |
CN110926515A (zh) * | 2019-10-20 | 2020-03-27 | 中国航空工业集团公司洛阳电光设备研究所 | 一种不同大气能见度下光电传感器等效作用距离折算方法 |
CN110926515B (zh) * | 2019-10-20 | 2021-09-10 | 中国航空工业集团公司洛阳电光设备研究所 | 一种不同大气能见度下光电传感器等效作用距离折算方法 |
CN111192275A (zh) * | 2019-12-30 | 2020-05-22 | 西安金路交通工程科技发展有限责任公司 | 基于暗通道先验理论的高速公路团雾能见度识别方法 |
CN111522025A (zh) * | 2020-04-15 | 2020-08-11 | 西安电子科技大学 | 雾天下基于双光谱消光的城市建筑物相对距离估计方法 |
CN111522025B (zh) * | 2020-04-15 | 2023-03-14 | 西安电子科技大学 | 雾天下基于双光谱消光的城市建筑物相对距离估计方法 |
CN112365476A (zh) * | 2020-11-13 | 2021-02-12 | 南京信息工程大学 | 一种基于双通路深度网络的雾天能见度检测方法 |
CN112365476B (zh) * | 2020-11-13 | 2023-12-08 | 南京信息工程大学 | 一种基于双通路深度网络的雾天能见度检测方法 |
CN112580600A (zh) * | 2020-12-29 | 2021-03-30 | 神华黄骅港务有限责任公司 | 粉尘浓度检测方法、装置、计算机设备和存储介质 |
CN113128581A (zh) * | 2021-04-13 | 2021-07-16 | 天津市滨海新区气象局(天津市滨海新区气象预警中心) | 基于机器学习的能见度检测方法、装置、系统和存储介质 |
CN113379619A (zh) * | 2021-05-12 | 2021-09-10 | 电子科技大学 | 去雾成像、能见度提取和景深估计的一体化处理方法 |
CN113408415A (zh) * | 2021-06-18 | 2021-09-17 | 中国民用航空大连空中交通管理站 | 基于图像识别技术机场能见度与跑道视程的探测与显示系统 |
CN113408415B (zh) * | 2021-06-18 | 2024-02-02 | 中国民用航空大连空中交通管理站 | 基于图像识别技术机场能见度与跑道视程的探测与显示方法 |
CN113469912A (zh) * | 2021-06-30 | 2021-10-01 | 清华大学 | 一种基于深度学习的雾天能见度估计方法和系统 |
CN113570554A (zh) * | 2021-07-06 | 2021-10-29 | 浙江工业大学 | 一种基于场景深度的单幅图像能见度检测方法 |
CN113628131A (zh) * | 2021-07-22 | 2021-11-09 | 济南驰昊电力科技有限公司 | 雾天场景下变电站指针式油位表的智能识别方法 |
CN113793373A (zh) * | 2021-08-04 | 2021-12-14 | 武汉市公安局交通管理局 | 一种能见度检测方法、装置、设备及介质 |
CN113793373B (zh) * | 2021-08-04 | 2024-05-24 | 武汉市公安局交通管理局 | 一种能见度检测方法、装置、设备及介质 |
CN113850768A (zh) * | 2021-09-15 | 2021-12-28 | 上海眼控科技股份有限公司 | 基于图像的能见度计算方法与设备 |
CN114627382A (zh) * | 2022-05-11 | 2022-06-14 | 南京信息工程大学 | 联合行道线几何先验的高速公路雾天能见度检测方法 |
CN114627382B (zh) * | 2022-05-11 | 2022-07-22 | 南京信息工程大学 | 联合行道线几何先验的高速公路雾天能见度检测方法 |
CN115100577A (zh) * | 2022-07-28 | 2022-09-23 | 北京维艾思气象信息科技有限公司 | 基于神经网络的能见度识别方法及系统、电子设备、存储介质 |
CN116664448B (zh) * | 2023-07-24 | 2023-10-03 | 南京邮电大学 | 一种基于图像去雾的中高能见度计算方法及计算系统 |
CN116664448A (zh) * | 2023-07-24 | 2023-08-29 | 南京邮电大学 | 一种基于图像去雾的中高能见度计算方法及计算系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194924A (zh) | 基于暗通道先验和深度学习的高速公路雾天能见度检测方法 | |
CN103020920B (zh) | 一种低照度图像增强方法 | |
CN105424655B (zh) | 一种基于视频图像的能见度检测方法 | |
CN105931220B (zh) | 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法 | |
CN106228125B (zh) | 基于集成学习级联分类器的车道线检测方法 | |
CN107229929A (zh) | 一种基于r‑cnn的车牌定位方法 | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
CN107862290A (zh) | 车道线检测方法及系统 | |
CN110060508B (zh) | 一种用于内河桥区的船舶自动检测方法 | |
CN110263706A (zh) | 一种雾霾天气车载视频动态目标检测和识别的方法 | |
CN104766071B (zh) | 一种应用于无人驾驶汽车的交通灯快速检测算法 | |
CN110849807B (zh) | 一种基于深度学习的适用于道路能见度的监测方法与系统 | |
CN106934374B (zh) | 一种雾霾场景中交通标识牌的识别方法及系统 | |
CN104616258B (zh) | 一种针对道路图像的快速去雾方法 | |
CN105719247A (zh) | 基于特征学习的单幅图像去雾方法 | |
CN103578083B (zh) | 基于联合均值漂移的单幅图像去雾方法 | |
CN105046677A (zh) | 一种用于交通视频图像的增强处理方法和装置 | |
CN103198459A (zh) | 雾霾图像快速去雾方法 | |
CN105913390A (zh) | 一种图像去雾方法及系统 | |
CN106779054A (zh) | 一种基于雾天图像的pm2.5估计方法 | |
CN110717886A (zh) | 复杂环境下基于机器视觉的路面坑塘检测方法 | |
CN112329533A (zh) | 一种基于图像分割的局部路面附着系数估计方法 | |
CN107944354A (zh) | 一种基于深度学习的车辆检测方法 | |
CN106657948A (zh) | 低照度Bayer图像的增强方法及增强装置 | |
CN104318528A (zh) | 基于多尺度wls滤波的雾天图像恢复方法 |
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 |
Application publication date: 20170922 |
|
RJ01 | Rejection of invention patent application after publication |