CN109919062A - 一种基于特征量融合的道路场景天气识别方法 - Google Patents

Abstract

本发明提供一种基于特征量融合的道路场景天气识别方法，属于图像处理和模式识别技术领域，本发明对晴天、阴天、雾天环境下获得的视频图像进行图像特征分析，利用图像的亮度、锐度、对比度、均值邻域占比特征设计度量天气环境的天气判别行为量。并在此基础上，设计针对连续视频图像序列的天气环境识别算法。该算法对环境识别有较高的辨别准确度，并且能够及时校正错误的识别结果，降低了因噪声等因素导致的误判现象。

Description

一种基于特征量融合的道路场景天气识别方法

技术领域

本发明涉及图像处理和模式识别技术，尤其涉及一种基于特征量融合的道路 场景天气识别方法。

背景技术

随着科技的不断进步，道路交通的通行效率在不断提高，为社会经济的快速 发展和人们的出行发挥了重要作用，但交通拥堵、交通事故频发、路面通行压力 不断加大也在严重影响现代社会的发展。由于道路状况复杂，驾驶人员的驾驶习 惯千差万别以及车辆运行速度较快，即使使得现有智能交通驾驶辅助系统也很难 满足安全通行的需要。

在车辆行驶过程中，驾驶员通过人眼获取车辆前方的道路信息，并以此进行 车辆的驾驶操作，避免碰撞现象的发生。但是，在恶劣天气环境下，驾驶员受到 环境干扰较为严重，对前方障碍物的判断会受到影响，从而对其自身驾驶行为的 影响较大，比如雾天环境下驾驶员无法正常判断前方道路信息，容易导致交通事 故。类似地，借助图像处理方法和计算机视觉技术处理视频图像时，常因天气环 境的干扰使得图像中运动目标的提取较为困难，进而导致对运动目标的运动行为 的准确判断产生极大影响。

例如，阴天、雾天、雪天造成的路边湿滑和低能见度现象，如果能设计高效 的天气识别与图像处理算法，实时对天气环境进行识别，然后借助图像处理算法 有效提取图像中运动目标，实时、准确地捕捉环境信息和正确发出预警信号，不 仅可缓解道路拥堵现象，也可避免交通事故的发生。

因此，如何实时有效的识别道路场景的天气环境，对解决目标提取和目标跟 踪问题有重要的现实意义。

发明内容

为了解决以上技术问题，本发明提出了一种基于特征量融合的道路场景天气 识别方法。

通过对晴天、阴天、雾天环境下获得的视频图像进行图像特征分析，利用图 像的亮度、锐度、对比度、均值邻域占比特征设计度量天气环境的天气判别行为 量。并在此基础上，设计针对连续视频图像序列的天气环境识别方法。该方法对 环境识别有较高的辨别准确度，并且能够及时校正错误的识别结果，降低了因噪 声等因素导致的误判现象。

本发明的技术方案是：

一种基于特征量融合的道路场景天气识别方法，包括：

步骤一：读取尺寸为M*N的灰度图序列，设置累计参数N_j,阈值σm、σj；

步骤二：对灰度图像提取亮度特征；

步骤三：对灰度图像提取锐度特征；

步骤四：对灰度图像提取对比度特征；

步骤五：对灰度图像提取均值邻域占比特征；

步骤六：将获得的特征信息进行特征量融合，继而得到天气判别行为量；

步骤七：根据天气判别行为量、累计参数、阈值系数，判断出相应的天气环 境。

进一步的，读取尺寸为M*N的灰度图序列，设置累计参数N_j,阈值σ_m、σ_j，其 中N_j的初始值为0，阈值σ_m、σ_j均为大于0小于1的数。

进一步的，衡量图像的光亮强度信息，一般将灰度图像的像素值均值表示为该 图的亮度值。

进一步的，锐度特征是衡量图像中目标边缘轮廓的明显程度信息，一般将图像 的梯度信息表示该图的锐度值，即 其中f_ij为像素点(i，j)处的灰度值，S_x、S_y为Sobel算子，S_x检测水平边缘，S_y检测垂直边缘，*表示卷积，S_ij为像素点(i，j)处的梯度模，T_A为 设定阈值。

进一步的，对比度特征是衡量图像明暗区域内最亮与最暗之间不同亮度层级的测量值信息，若明暗差异范围较大，则对比度较大，反之则较小。一般利用局部 对比度和全局对比度表示图像的对比度值，其 中f_max和f_min分别为图像的最大、最小灰度值，为图像灰度均值。

进一步的，均值邻域占比特征是衡量灰度直方图中灰度均值所在邻域内的像素数目所占比例，即其中N_r为在内的像素数，为图像灰度均 值，k_p为设定值。

再进一步的，天气判别行为量是将亮度特征、锐度特征、对比度特征、均值邻 域占比特征利用设定的加权系数进行融合，对当前图像所表现的天气环境进行衡 量，即晴天环境行为量为w₁＝α₁₀L+a₁₁A+a₁₂(C₁+C₂)+a₁₃P_r，阴天环境行为量为 w₂＝a₂₀(1-L)+a₂₁A+a₂₂(c₁+C₂)+a₂₃(1-P_r)，雾天环境行为量为 w₃＝a₃₀(1-L)+a₃₁(1-A)+a₃₂(1-C₁-C₂)+a₃₃P_r，其中a_ij为加权系数。

所述的根据天气判别行为量、累计参数、阈值系数，判断出相应的道路场景天 气环境。即

步1读取1帧灰度图，计算此帧的天气行为量w₀、w₁、w₂；

步1.1若w₀≥σ₀，则N₀++，转步4，否则转步1.2；

步1.2若w₁≥σ₁，则N₁++，转步4，否则转步1.3；

步1.3若w₂≥σ₂，则N₂++，转步4，否则转步2；

步2记j＝arg max{w₀,w₁,w₂}，则N_j++；

步3若N_j≥σ_m，则令其余N_j＝0，否则转步4；

步4记j′＝arg max{N₀,N₁,N₂}；

步5依据j′＝0、1或2，相应地判断当前天气为晴、阴或雾天；转步1。

再进一步的，利用步2对帧信息进行统计实现对天气类型的判断。同时考虑 到天气变化具有连续性的特点，利用步3可以防止因N_j过大而导致误判，利用步 4实现当出现对当前帧误判时进行及时纠正。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明实施 例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部 分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人 员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保 护的范围。

本发明的方法包括：

步骤一：读取尺寸为M*N的灰度图像序列；

步骤二：设置累计参数N_j,阈值σ_m、σ_j；

步骤三：对灰度图像提取亮度特征；

步骤四：对灰度图像提取锐度特征；

步骤五：对灰度图像提取对比度特征；

步骤六：对灰度图像提取均值邻域占比特征；

步骤七：将获得的特征信息进行特征量融合，继而得到天气判别行为量；

步骤八：根据天气判别行为量、累计参数、阈值系数，判断出相应的天气环 境。

具体地，亮度特征是衡量图像的光亮强度信息，一般将灰度图像的像素值均 值表示为该图的亮度值。

具体地，锐度特征是衡量图像中目标边缘轮廓的明显程度信息，一般将图像 的梯度信息表示该图的锐度值，即 其中f_ij为像素点(i，j)处的灰度值，S_x、S_y为Sobel算子，S_x检测水平边缘，S_y检测垂直边缘，*表示卷积，S_ij为像素点(i，j)处的梯度模，T_A为 设定阈值。

具体地，对比度特征是衡量图像明暗区域内最亮与最暗之间不同亮度层级的 测量值信息，若明暗差异范围较大，则对比度较大，反之则较小。一般利用局部 对比度和全局对比度表示图像的对比度值，其 中f_max和f_min分别为图像的最大、最小灰度值，为图像灰度均值。

具体地，均值邻域占比特征是衡量灰度直方图中灰度均值所在邻域内的像素 数目所占比例，即其中N_r为在内的像素数，为图像灰度均 值，k_p为设定值。

具体地，天气判别行为量是将亮度特征、锐度特征、对比度特征、均值邻域 占比特征利用设定的加权系数进行融合，对当前图像所表现的天气环境进行衡量， 即晴天环境行为量为w₁＝a₁₀L+α₁₁A+a₁₂(C₁+C₂)+a₁₃P_r，阴天环境行为量为 w₂＝a₂₀(1-L)+a₂₁A+α₂₂(C₁+C₂)+a₂₃(1-P_r)，雾天环境行为量为 w₃＝a₃₀(1-L)+a₃₁(1-A)+a₃₂(1-C₁-C₂)+a₃₃P_r，其中a_ij为加权系数。

具体地，根据天气判别行为量、累计参数N_j、阈值系数σ_m、σ_j，判断出相应的 天气环境。即：

1)读取1帧灰度图，计算此帧的天气行为量w₀、w₁、w₂；

1.1)若w₀≥σ₀，则N₀++，转步4，否则转1.2)；

1.2)若w₁≥σ₁，则N₁++，转步4，否则转1.3)；

1.3)若w₂≥σ₂，则N₂++，转步4，否则转2)；

2)记j＝arg max{w₀,w₁,w₂}，则N_j++；

3)若N_j≥σ_m，则令其余N_j＝0，否则转4)；

4)记j′＝arg max{N₀,N₁,N₂}；

5)依据j′＝0、1或2，相应地判断当前天气为晴、阴或雾天；转1)。

本发明是基于特征量融合的道路场景天气环境识别方法，利用图像特征量建 立识别天气状态的衡量值，利用步2对帧信息进行统计实现对天气类型的判断。 同时考虑到天气变化具有连续性的特点，利用步3可以防止因N_j过大而导致误判， 利用步4实现当出现对当前帧误判时进行及时纠正。

本实施例在Windows7(CPU/3.70GHz，RAM/4GB)/Visual C++6.0/OpenCV 1.0 环境下进行。

为检验本方法能否正确识别天气，选取晴天25种、阴天20种、雾天11种视频 序列组成样本集，即从每种视频序列中选取连续的20帧图像构成样本集。

表1本发明天气识别率

由表1可知，本发明对晴天的正确识别率稍低。主要原因在于，一方面，高 速公路环境下图像背景简单，使得锐度特征值过低且容易产生误判；另一方面， 图像像素灰度值差异过大，也易于造成灰度均值邻域占比降低，从而导致天气行 为指标值降低；再次，逆光下图像序列的部分区域亮度偏低，导致提取亮度特征 出现偏差，并且锐度特征不明显，从而影响晴天识别的准确率。对天气为阴天、 雾天情形的识别正确率较高。出现误判的主要原因在于，雨后阴天场景中路面亮 度较高且背景物体由于光照原因造成锐度特征值变大，造成误判为晴天；雾天场 景中雾气浓度低也会使算法误判雾天为阴天环境。另外，由表1可以看出，本方 法的单帧耗时少，能满足实时性要求。

以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非 用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、 等同替换、改进等，均包含在本发明的保护范围内。

Claims (9)

1.一种基于特征量融合的道路场景天气识别方法，其特征在于：

步骤一：读取尺寸为M*N的灰度图序列，设置累计参数N_j,阈值σ_m、σ_j；

步骤二：对灰度图像提取亮度特征；

步骤三：对灰度图像提取锐度特征；

步骤四：对灰度图像提取对比度特征；

步骤五：对灰度图像提取均值邻域占比特征；

步骤六：将获得的特征信息进行特征量融合，继而得到天气判别行为量；

步骤七：根据天气判别行为量、累计参数、阈值系数，判断出相应的天气环境。

2.根据权利要求1所述的方法，其特征在于：

读取尺寸为M*N的灰度图序列，设置累计参数N_j,阈值σ_m、σ_j，其中N_j的初始值为0，阈值σ_m、σ_j均为大于0小于1的数。

3.根据权利要求2所述的方法，其特征在于：

亮度特征是衡量图像的光亮强度信息，将灰度图像的像素值均值表示为该图的亮度值。

4.根据权利要求3所述的方法，其特征在于：

锐度特征是衡量图像中目标边缘轮廓的明显程度信息，将图像的梯度信息表示该图的锐度值，即X_ij＝f_ij*S_x,Y_ij＝f_ij*S_y其中f_ij为像素点(i,j)处的灰度值,S_x、S_y为Sobel算子，S_x检测水平边缘，S_y检测垂直边缘，*表示卷积，S_ij为像素点(i,j)处的梯度模，T_A为设定阈值。

5.根据权利要求4所述的方法，其特征在于：

对比度特征是衡量图像明暗区域内最亮与最暗之间不同亮度层级的测量值信息，若明暗差异范围较大，则对比度较大，反之则较小；利用局部对比度和全局对比度表示图像的对比度值，其中f_max和f_min分别为图像的最大、最小灰度值，为图像灰度均值。

6.根据权利要求5所述的方法，其特征在于：

均值邻域占比特征是衡量灰度直方图中灰度均值所在邻域内的像素数目所占比例，即其中N_r为在内的像素数，为图像灰度均值，k_p为设定值。

7.根据权利要求6所述的方法，其特征在于：

天气判别行为量是将亮度特征、锐度特征、对比度特征、均值邻域占比特征利用设定的加权系数进行融合，对当前图像所表现的天气环境进行衡量，即晴天环境行为量为w₁＝a₁₀L+a₁₁A+a₁₂(C₁+C₂)+a₁₃P_r，阴天环境行为量为w₂＝a₂₀(1-L)+a₂₁A+a₂₂(C₁+C₂)+a₂₃(1-P_r)，雾天环境行为量为w₃＝a₃₀(1-L)+a₃₁(1-A)+a₃₂(1-C₁-C₂)+a₃₃P_r，其中a_ij为加权系数。

8.根据权利要求7所述的方法，其特征在于：

所述的根据天气判别行为量、累计参数、阈值系数，判断出相应的道路场景天气环境；即

1)读取1帧灰度图，计算此帧的天气行为量w₀、w₁、w₂；

1.1)若w₀≥σ₀，则N₀++，转步4，否则转1.2)；

1.2)若w₁≥σ₁，则N₁++，转步4，否则转1.3)；

1.3)若w₂≥σ₂，则N₂++，转步4，否则转2)；

2)记j＝arg max{w₀,w₁,w₂}，则N_j++；

3)若N_j≥σ_m，则令其余N_j＝0，否则转4)；

4)记j′＝arg max{N₀,N₁,N₂}；

5)依据j′＝0、1或2，相应地判断当前天气为晴、阴或雾天；转1)。

9.根据权利要求8所述的方法，其特征在于：

利用步2对帧信息进行统计实现对天气类型的判断；同时考虑到天气变化具有连续性的特点，利用步3可以防止因N_j过大而导致误判，利用步4实现当出现对当前帧误判时进行及时纠正。