CN107705330A - 基于道路摄像头的能见度智能估测方法 - Google Patents
基于道路摄像头的能见度智能估测方法 Download PDFInfo
- Publication number
- CN107705330A CN107705330A CN201710924014.6A CN201710924014A CN107705330A CN 107705330 A CN107705330 A CN 107705330A CN 201710924014 A CN201710924014 A CN 201710924014A CN 107705330 A CN107705330 A CN 107705330A
- Authority
- CN
- China
- Prior art keywords
- image
- visibility
- mrow
- component
- value
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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]
Abstract
本发明提供一种基于道路摄像头的能见度智能估测方法,包括数据采集步骤、失真图像过滤步骤和分析模型构建步骤。实现对道路图像区域内图像特征分析以及能见度值估测,覆盖面广,并减少设备和人力成本,充分利用道路摄像头监控视频图像,实现了过滤失真图像和测算图像中能见度值,弥补了能见度仪器覆盖面不足和因仪器故障偶有数据失真等问题,从另外一方面验证能见度仪器坏损问题。
Description
技术领域
本发明涉及气象领域、图像识别领域和深度学习技术领域,具体涉及一种基于道路摄像头的能见度智能估测方法。
背景技术
气象领域依据能见度值进行大雾监测和预警,能见度值来源于气象观测站点以及高速公路各个路段能见度仪器采集,由于设备费用高昂,能见度仪器覆盖面有限,比如安徽省高速公路上一般每隔15KM安装一个,随着高速路段因大雾(尤其是小范围的团雾)等天气造成交通事故频发,交通部门对能见度测量站点的密度、大雾预警的准确性和时效性提出了更高的要求。
发明内容
本发明提供一种基于道路摄像头的能见度智能估测方法,实现对道路视频图像区域内图像特征分析以及能见度估测,覆盖面广,并减少设备和人力成本,充分利用道路摄像头监控视频图像,实现了过滤失真图像和估测出图像中能见度值,弥补了能见度仪器覆盖面不足和由于能见度仪器故障等原因偶有数据失真等问题,从另外一方面验证能见度仪器坏损问题。
为解决上述技术问题,本发明采用如下技术方案:
基于道路摄像头的能见度智能估测方法,包括如下方法:
数据采集步骤:在道路摄像头采集视频图像时,同步调取附近站点能见度仪采集历史数据;
失真图像过滤步骤:视频传输过程中,通过YCbCr分量函数和RGB分量函数,提取特征变量,并进行量化分析,得到衡量图像失真偏差值,对图像进行过滤处理;
分析模型构建步骤:分析历史图像中特征变量的变化情况,利用深度学习和卷积神经网络构建图像能见度值分析模型,估测出图像中能见度值。
进一步地,在分析模型构建步骤之前还包括移动图像去噪步骤,该步骤具体为:
使用计算位移向量来初始化基于轮廓的跟踪算法,捕获图像中移动的目标;
根据YCbCr分量函数和RGB分量函数提取的特征变量,并基于OpenCV图像修补函数,对图像移动目标进行背景差异化分析,利用颜色分量的填充和修补进行图像去噪。
进一步地,失真图像过滤步骤中,YCbCr分量函数和RGB分量函数提取的特征变量为图像亮度、红色分量、蓝色分量、R分量、G分量和B分量,所述衡量图像失真偏差值Dt通过以下公式计算得到:
Dt=[(L后-L前)*WL]+[(R后-R前)*Wr]+[(G后-G前)*Wg]+[(B后-B前)*Wb]
其中,L后与L前分别表示后一帧与前一帧图像亮度,G后与G前分别表示前一帧和后一帧图像G分量,R后与R前分别表示前一帧和后一帧图像R分量,B后与B前分别表示前一帧和后一帧B分量,WL表示亮度权重,Wr表示R分量权重,Wg表示G分量权重,Wb表示B分量权重。
进一步地,所述分析模型构建步骤具体包括如下步骤:
提取给定无标签数据步骤:获取图像的清晰度、像素点灰度值以及像素点能量值,不进行标记,采用以下公式:
d(x,y)=|f(x+1,y)-f(x,y)|2+|f(x,y+1)-f(x,y)|2
其中,B表示图像清晰度,m、n表示图像像素矩阵行列值,f(x,y)表示像素点灰度值,d(x,y)表示像素点能量值;
提取图像特征步骤:获取特征变量和给定无标签数据,用无监督学习相关算法,提取图像特征;
构建模型步骤:通过深度学习模型、分类回归模型、深度自适应结构网络,两个卷积神经网络作为卷积层,使用ReLU作为激活函数,利用softmax函数作为输出,构建图像能见度值分析模型:
其中,S表示评估出的二值图像能见度数值,Ti表示对应特征变量,Pi表示该特征影响整张图像概率,wi表示特征对应权重。
由以上技术方案可知,本发明综合分析了图像失真和图像能见度值两方面内容,经过历史数据推演出图像失真关键特征,并用来筛选和过滤图像,提高了图像质量,为图像能见度值分析提供高质量图像;图像能见度值分析综合分析多特征影响因子,利用深度学习和卷积网络构建能见度值分析模型,进而测算出准确图像的能见度值,为气象部门提供能见度气象服务提供依据。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
如图1所示,本发明能见度值智能估测方法,包括数据采集步骤100、失真图像过滤步骤200和分析模型构建步骤300。
其中数据采集步骤中,在道路摄像头采集视频图像时,同步调取附近站点能见度仪采集历史数据。
失真图像过滤步骤中,视频传输过程由于网络波动问题会造成图像失真,影响到后期能见度分析准确性,故通过参照数字摄影系统中YCbCr和工业界的一种颜色标准RGB进行分析其失真图像特征变化,提取特征变量,并进行量化分析,作为系统过滤失真图像参考数值,对图像进行过滤处理。
所述特征变量包含前面YCbCr和RGB函数计算出来的图像的一个量化指标,包括图像亮度、红色分量、蓝色分量、R分量、G分量和B分量,他们主要区别在于彼此对图像影响因子大小不同。
分析模型构建步骤中,对过滤完失真后图像,通过图像识别的RGB、PCA降维变换和去噪等相关算法,分析历史图像中亮度、色偏、饱和度以及RGB分量等特征变化情况,对能见度数据的影响;参照中华人民共和国气象行业标准能见度等级划分标准和深度学习算法构建能见度值分析和估测模型,同时历史数据训练和验证,实现视频分析、图像分析和能见度数据分析,最后估测出图像中能见度数值。
本实施例以安徽省高速干线八公山北(合肥方向)部分时间图像和能见度数据进行分析为例说明本发明。
基于道路摄像头的能见度智能估测方法,包括以下步骤:
S1、获取2017年度部分干线八公山北(合肥方向)道路摄像头采集到视频图像,然后把视频分解成一帧一帧图像;
S2、调用2017年度部分干线八公山北(合肥方向)道路周边能见度仪器采集到能见度数据,采用S1的方法将历史视频分解成一帧帧图像,输入到指定文件夹;
S3、利用YCbCr分量函数和获取RGB分量函数,提取出图像亮度、红色分量、蓝色分量、R分量、G分量和B分量,构成特征变量;
S4、依据以上特征变量数值,求出图像失真偏差,所述失真偏差通过以下公式计算得到:
Dt=[(L后-L前)*WL]+[(R后-R前)*Wr]+[(G后-G前)*Wg]+[(B后-B前)*Wb]
其中,Dt表示衡量图像失真偏差值,L后与L前分别表示后一帧与前一帧图像亮度,G后与G前分别表示前一帧和后一帧图像G分量,R后与R前分别表示前一帧和后一帧图像R分量,B后与B前分别表示前一帧和后一帧B分量,WL表示亮度权重,Wr表示R分量权重,Wg表示G分量权重,Wb表示B分量权重;
S5、通过Dt即失真偏差值对图像库进行图像过滤和预处理,保留未失真图像和图像路径及参数信息;
S6、使用计算位移向量来初始化基于轮廓的跟踪算法来捕获图像中移动的目标;
S7、获取图像的清晰度、灰度以及像素点能量衰减,构成给定无标签数据,采用以下公式计算:
d(x,y)=|f(x+1,y)-f(x,y)|2+|f(x,y+1)-f(x,y)|2
其中,B表示清晰度,m、n表示图像像素矩阵行列值,f(x,y)表示像素点灰度值,d(x,y)表示像素点能量值,像素点能量来源于图像梯度信息,就是图像中傅里叶分量,进行转向计算与相位一致性非常接近的量;
S8、将步骤S3和S7获取到的图像特征变量以及给定无标签数据,用非监督学习学习特征,充分利用大雾能见度数据值和挖掘图像提取的特征信息,提取到大雾对图像影响因子特征;无标签表示上述图像清晰度数据、像素点灰度量等数据值,不进行标记,进行的是无监督学习,不告诉机器它们属于哪方面指标;
S9、构建了卷积神经网络模型,在全连接层融合了支持向量机(SVM),提高了分类准确率,使用ReLU作为激活函数,利用softmax函数作为输出,构建图像能见度值分析模型,所述的能见度值分析模型为:(此处的深度学习模型和分类回归模型,若是使用中有创新,或者其过程描述是用于解释本发明创新点所必须的,就要对其具体工作原理进行详细描述了,若不存在上述情况可以只使用该算法的名称。英文缩写是根据原文来的,也可以删除,避免歧义。)
其中,S表示评估出二值图像能见度数值,Ti表示对应特征数值(比如亮度、清晰度和RGB等等),Pi表示该特征影响整张图像概率,wi表示特征对应权重;二值图像是指图像上每个像素只有两种可能;每个特征变量包含若干个特征值,利用该变量特征值总数除以所有特征变量中特征值的总和,来判断该特征影响整张图像概率;特征对应权重来自于深度自适应结构网络分配,有一定随机性;
S10、利用以上构建模型输入到系统中要分析的图像,测算出准确图像的能见度数值,得到分析结果是能见度的估测值,为气象部门大雾监测和为高速公路气象服务提供了参考数据。
以上所述实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (4)
1.一种基于道路摄像头的能见度智能估测方法,其特征在于,包括如下方法:
数据采集步骤:在道路摄像头采集视频图像时,同步调取附近气象站点能见度仪采集的历史数据;
失真图像过滤步骤:视频传输过程中,通过YCbCr分量函数和RGB分量函数,提取特征变量,并进行量化分析,得到衡量图像失真偏差值,对图像进行过滤处理;
分析模型构建步骤:分析历史图像中特征变量的变化情况,利用深度学习和卷积神经网络构建图像能见度值分析模型,估测出图像中能见度的值。
2.根据权利要求1所述的能见度智能估测方法,其特征在于,在分析模型构建步骤之前还包括移动图像去噪步骤,该步骤具体为:
使用计算位移向量来初始化基于轮廓的跟踪算法,捕获图像中移动的目标;
根据YCbCr分量函数和RGB分量函数提取的特征变量,并基于OpenCV图像修补函数,对图像移动目标进行背景差异化分析,利用颜色分量的填充和修补进行图像去噪。
3.根据权利要求1或2所述的能见度智能估测方法,其特征在于,失真图像过滤步骤中,YCbCr分量函数和RGB分量函数提取的特征变量为图像亮度、红色分量、蓝色分量、R分量、G分量和B分量,所述衡量图像失真偏差值Dt通过以下公式计算得到:
Dt=[(L后-L前)*WL]+[(R后-R前)*Wr]+[(G后-G前)*Wg]+[(B后-B前)*Wb]
其中,L后与L前分别表示后一帧与前一帧图像亮度,G后与G前分别表示前一帧和后一帧图像G分量,R后与R前分别表示前一帧和后一帧图像R分量,B后与B前分别表示前一帧和后一帧B分量,WL表示亮度权重,Wr表示R分量权重,Wg表示G分量权重,Wb表示B分量权重。
4.根据权利要求1或2所述的能见度智能估测方法,其特征在于,所述分析模型构建步骤具体包括如下步骤:
提取给定无标签数据步骤:获取图像的清晰度、像素点灰度值以及像素点能量值衰减的数据值,不进行标记,具体采用以下公式:
<mrow>
<mi>B</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>X</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>Y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>m</mi>
<mo>*</mo>
<mi>n</mi>
</mrow>
</mfrac>
</mrow>
d(x,y)=|f(x+1,y)-f(x,y)|2+|f(x,y+1)-f(x,y)|2
其中,B表示图像清晰度,m、n表示图像像素矩阵行列值,f(x,y)表示像素点灰度值,d(x,y)表示像素点能量值;
提取图像特征步骤:获取特征变量和给定无标签数据,用无监督学习相关算法,提取图像特征;
构建模型步骤:通过深度学习模型、分类回归模型、深度自适应结构网络,两个卷积神经网络作为卷积层,使用ReLU作为激活函数,利用softmax函数作为输出,构建图像能见度值分析模型:
<mrow>
<mi>S</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
其中,S表示评估出的二值图像能见度数值,Ti表示对应特征数值,Pi表示该特征影响整张图像概率,wi表示特征对应权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710924014.6A CN107705330B (zh) | 2017-09-30 | 2017-09-30 | 基于道路摄像头的能见度智能估测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710924014.6A CN107705330B (zh) | 2017-09-30 | 2017-09-30 | 基于道路摄像头的能见度智能估测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107705330A true CN107705330A (zh) | 2018-02-16 |
CN107705330B CN107705330B (zh) | 2021-01-01 |
Family
ID=61184531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710924014.6A Expired - Fee Related CN107705330B (zh) | 2017-09-30 | 2017-09-30 | 基于道路摄像头的能见度智能估测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107705330B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110849807A (zh) * | 2019-11-22 | 2020-02-28 | 山东交通学院 | 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 |
CN112233160A (zh) * | 2020-10-15 | 2021-01-15 | 杭州知路科技有限公司 | 一种基于双目摄像头的实时深度及置信度的预测方法 |
CN115032715A (zh) * | 2022-06-06 | 2022-09-09 | 北京万云科技开发有限公司 | 一种基于图像识别技术的天气现象监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281142A (zh) * | 2007-12-28 | 2008-10-08 | 深圳先进技术研究院 | 一种测量大气能见度的方法 |
CN101382497A (zh) * | 2008-10-06 | 2009-03-11 | 南京大学 | 基于路况监控视频的能见度检测方法 |
CN102509102A (zh) * | 2011-09-28 | 2012-06-20 | 郝红卫 | 基于图像学习的能见度测量方法 |
WO2013001563A1 (ja) * | 2011-06-27 | 2013-01-03 | 三菱電機株式会社 | 表示制御装置およびナビゲーション装置 |
CN203102592U (zh) * | 2013-02-06 | 2013-07-31 | 郭忠印 | 一种基于高速公路运营安全移动监控和预警系统 |
-
2017
- 2017-09-30 CN CN201710924014.6A patent/CN107705330B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281142A (zh) * | 2007-12-28 | 2008-10-08 | 深圳先进技术研究院 | 一种测量大气能见度的方法 |
CN101382497A (zh) * | 2008-10-06 | 2009-03-11 | 南京大学 | 基于路况监控视频的能见度检测方法 |
WO2013001563A1 (ja) * | 2011-06-27 | 2013-01-03 | 三菱電機株式会社 | 表示制御装置およびナビゲーション装置 |
CN102509102A (zh) * | 2011-09-28 | 2012-06-20 | 郝红卫 | 基于图像学习的能见度测量方法 |
CN203102592U (zh) * | 2013-02-06 | 2013-07-31 | 郭忠印 | 一种基于高速公路运营安全移动监控和预警系统 |
Non-Patent Citations (3)
Title |
---|
ZHAO JIANDONG 等: "Multi-mode detection techniques of video visibility based on improved dual differential luminance algorithm", 《INTERNATIONAL JOURNAL OF SIGNAL PROCESSING, IMAGE PROCESSING AND PATTERN RECOGNITION》 * |
王金冕: "基于监控视频分析的高速公路能见度检测与预警系统研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
龙科军 等: "高速公路雾天能见度预测方法", 《徐州工程学院学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110849807A (zh) * | 2019-11-22 | 2020-02-28 | 山东交通学院 | 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 |
CN110849807B (zh) * | 2019-11-22 | 2023-11-24 | 山东交通学院 | 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 |
CN112233160A (zh) * | 2020-10-15 | 2021-01-15 | 杭州知路科技有限公司 | 一种基于双目摄像头的实时深度及置信度的预测方法 |
CN112233160B (zh) * | 2020-10-15 | 2022-04-19 | 杭州知路科技有限公司 | 一种基于双目摄像头的实时深度及置信度的预测方法 |
CN115032715A (zh) * | 2022-06-06 | 2022-09-09 | 北京万云科技开发有限公司 | 一种基于图像识别技术的天气现象监测方法 |
CN115032715B (zh) * | 2022-06-06 | 2024-03-29 | 北京万云科技开发有限公司 | 一种基于图像识别技术的天气现象监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107705330B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN111738314B (zh) | 基于浅层融合的多模态图像能见度检测模型的深度学习方法 | |
CN108229425A (zh) | 一种基于高分辨率遥感图像的水体识别方法 | |
CN109886282A (zh) | 对象检测方法、装置、计算机可读存储介质和计算机设备 | |
CN109508710A (zh) | 基于改进YOLOv3网络的无人车夜间环境感知方法 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN109214308A (zh) | 一种基于焦点损失函数的交通异常图片识别方法 | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN108564077A (zh) | 一种基于深度学习对视频或图片中数字的检测和识别方法 | |
CN107705330A (zh) | 基于道路摄像头的能见度智能估测方法 | |
CN111862143B (zh) | 一种河堤坍塌自动监测方法 | |
CN103761522B (zh) | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 | |
CN108509919A (zh) | 一种基于深度学习对视频或图片中水线的检测和识别方法 | |
CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
CN107818321A (zh) | 一种用于车辆年检的水印日期识别方法 | |
CN108564588A (zh) | 一种基于深度特征和图割法的建成区自动提取方法 | |
CN106780546A (zh) | 基于卷积神经网络的运动模糊编码点的身份识别方法 | |
CN110766058A (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
CN106951863A (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN107146229A (zh) | 基于元胞自动机模型的结肠息肉图像分割方法 | |
CN109145718A (zh) | 基于拓扑感知的遥感影像的路网提取方法及装置 | |
CN106408526A (zh) | 一种基于多层矢量图的能见度检测方法 | |
CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN106709515A (zh) | 一种适用于下视景象匹配选区准则干预方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210101 |