CN109948471A - 基于改进InceptionV4网络的交通雾霾能见度检测方法 - Google Patents

Abstract

本发明揭示了一种基于改进InceptionV4网络的交通雾霾能见度检测方法，包括步骤：S1、根据高速公路雾霾天气下视频资料采样，分场景建立雾霾图片库；S2、以高速公路车道线作为标识物建立相应的坐标，提取雾霾图片能见度数值，作为雾霾能见度真实值；S3、基于Inception V4原始网络构建成改进的Inception V4网络；S4、将雾霾图片库中的训练集输入改进的Inception V4网络进行训练，并保存模型；S5、选定雾霾图片库中任一场景的图片建立测试集，输入步骤S4所得模型对图片进行雾霾能见度检测。应用本发明该技术方案一方面改进Inception V4，并用来对雾霾图片进行能见度检测，提高了检测精度；另一方面该检测方法应用深度学习理论，适用于针对大数据集的高效率处理。

Description

基于改进InceptionV4网络的交通雾霾能见度检测方法

技术领域

本发明涉及交通雾霾能见度检测方法，尤其涉及一种基于改进的Inception V4网络进行高速公路雾霾能见度的预测方法，属于计算机技术领域中深度学习应用。

背景技术

能见度是人眼对于大气透明度的主观感受，目前常用的检测方法有两大类：一类是传统的能见度检测法，主要是能见度仪，另一类是基于视频图像的能见度检测法，亦为当前重点研究的能见度检测算法。目前视频探头的广泛分布，为研究奠定了硬件基础。以江苏为例，从2013年5月13日起，江苏省高速公路全面开启高清探头和视频，比如宁连高速平均1.5km铺设监控摄像头，重点区域1km间隔铺设，这些采集终端能够实时获取路网交通视频数据。

在雾霾天气下，低能见度可能会对交通安全造成潜在威胁。当能见度低于200米时，交通事故发生频率大增。降低交通事故发生频率的一种有效的方法就是对道路能见度进行预估，并采取人为干预。能见度估计可以追溯到20世纪20年代。1924年，Koschmieder提出了大气能见度公式，奠定了大气能见度估计经典理论的基础。1949年，Steffens提出了一项探索性的研究，并开发了一种用于雾霾视觉范围估计的照相测量方法。受限于摄影技术，基于视觉的能见度估计数年内没有太大进展。1969年，贝尔实验室验证了生产电荷耦合器件的可能性，飞兆半导体公司也于1973年开发了电荷耦合器件图像传感器。随着半导体和计算机技术的快速发展，数字视频的分辨率得到了极大的提高，为基于视觉的能见度估计提供了更多的可能性。1997年Pomerleau，1998年Busch和Debes，2006年Hautiere、Labayrade等进行了一些基于计算机视觉的能见度估计方法的启发式研究。1997年，Pomerleau基于追踪车辆前方车道特征，实现大气能见度的估计，并测量了道路特征的对比度衰减。1998年，Busch和Debes基于B样条小波分析了交通监控视频帧来进行大气能见度估计。2006年，Hautiere、Labayrade等提出了基于局部对比度的方法和基于车辆环境深度图的方法，通过结合这两种方法估计白天和夜晚的能见度。2006年，Hautiere、Tarel等经过严格的数学推导，通过道路亮度曲线的拐点估计道路能见度，这为基于视觉的方法在实际应用中铺平了道路。大气能见度的估算公式也可用于高清监控视频的主观能见度检测。2009年，Bronte提出了另一种基于道路亮度曲线的方法，并通过相机投影方程计算可见距离。2009年，Liaw等建立了亮度变化与雾霾能见度之间的关系。2013年，Lenor、Jahne和Weber基于辐射传递理论，引入了更复杂的模型，描述了道路亮度曲线的拐点和消光系数之间的关系，并考虑了将垂直视觉应用于能见度估计。2013年，Negru和Nedevschi对Hautiere的框架进行了优化。通过估计道路亮度曲线的水平线和拐点来获得消光系数和大气能见度。2014年，Lenor，Martini和Jahne基于道路亮度曲线和图像中的目标轨迹提出了估计大气能见度的方法，并且引入了得出消光系数的似然目标函数。大气能见度的估算方法主要受一些相机参数和感兴趣区域（ROI）估计的控制。2016年，Guo、Peng和Tang可以基于感兴趣区域（ROI）来提取测量折射点。

然而，现有技术中采用Inception V4网络识别图片时需要强调图片的低层细节信息，而且这部分信息对雾霾能见度检测的贡献极大。由于传统Inception V4网络结构很深，经过多次反复特征提取后，低层的细节信息会出现严重的损失，影响能见度检测结果。

发明内容

鉴于上述现有技术的现状，本发明的目的旨在提出一种基于改进Inception V4网络的交通雾霾能见度检测方法，以优化交通雾霾情况下能见度检测的准确性。

为了实现上述目的，本发明的技术解决方案为：基于改进Inception V4网络的交通雾霾能见度检测方法，包括以下特征步骤：

1）、训练阶段：

S1、数据库建立，根据高速公路路段不同场景下雾霾天气下所有视频资料采样，每分钟提取12帧图片，分场景建立雾霾图片库。

S2、能见度提取，以高速公路车道线作为标识物建立相应的坐标，提取雾霾图片能见度数值，作为雾霾能见度真实值；

S3、构建改进的Inception V4网络，对原始网络中Stem模块和Reduction A模块提取的细节特征信息做全局平均池化，然后和原始网络中其它的高层特征信息（同样全局平均池化后的）做堆叠，从而完成改进。其中所提取的细节特征信息为对应Stem模块的输出特征图维度为35*35*384，对应Reduction A模块的输出特征图维度为17*17*1024，全局平均池化得一维张量，所得的两个模块特征图维度分别为1*1*384和1*1*1024。

S4、Inception V4网络训练过程，在Tensorflow上搭建改进的Inception V4网络结构，将雾霾图片库中的训练集输入网络进行迭代和计算迭代损失筛选模型的过训练程，具体地，先将输入的训练集前向传播，输出当前能见度预测值并与能见度真实值进行对比，计算出当前迭代的损失，再将损失进行反向传播更新网络参数，按选定的迭代次数经过反复迭代完成训练，保存其中一个最优模型，其中计算损失函数为均方误差函数：

，

其中表示真实值大小，表示预测值大小。

2）、测试阶段：

S5、选定雾霾图片库中任一场景的图片建立测试集，输入步骤S4所得模型对图片进行雾霾能见度检测，并将所得的能见度预测值与能见度真实值进行对比，计算平均百分比误差：

，

其中表示真实值大小，表示预测值大小。

与现有技术相比，本发明具有突出的实质性特点和显著的进步性，一方面改进Inception V4，并用来对雾霾图片进行能见度检测，提高了检测精度；另一方面应用深度学习理论，适用于针对大数据集的高效率处理。

附图说明

图1是本发明检测方法的实施流程示意图。

图2是本发明应用本发明检测方法中测试集真实值与预测值的比较曲线图。

具体实施方式

针对性研究现有技术对交通雾霾能见度检测，尤其是利用Inception V4网络的视频图片化检测存在的问题，本发明提出了基于改进Inception V4网络的交通雾霾能见度检测方法，从而优化雾霾图片的检测精度。

依赖于计算机系统的网络处理技术，如图1所示，该检测方法主体上包括训练和测试两个阶段。其具体的操作步骤详述如下。

先从训练阶段及其前期准备来看，S1、数据库建立，根据高速公路（以江苏省高速公路路段为例）不同场景下雾霾天气的所有视频资料，每个5秒提取一张图片，一分钟提取12帧图片，将采集得到的图片分场景建立雾霾图片库。

S2、能见度提取，以高速公路车道线作为标识物建立相应的坐标，提取雾霾图片能见度数值，作为雾霾能见度真实值。

S3、构建改进的Inception V4网络，此处涉及改进该网络的必要性。由步骤S2所述，针对雾霾能见度图片特性，在实际检测标定能见度真实值时，是以高速公路车道线为目标标识物来定义能见度真实值的，因此忽略了图片中很多低层的细节信息。而这部分信息确实影响着能见度检测的精度。而由于网络结构深度的客观存在，以往的训练过程中经过多次反复特征提取之后，这些低层的细节信息出现损失的情况严重。因此，需要对这些低层的细节信息单独提取、并强化重构到新的网络之中，以此提高能见度检测的准确性。为此，对原始网络中Stem模块和Reduction A模块提取的细节特征信息做全局平均池化，然后和原始网络中其它的高层特征信息（同样全局平均池化后的）做堆叠，从而完成改进。其中在提取Stem模块和Reduction A模块细节特征信息时，所提取的输出特征图维度分别为35*35*384和17*17*1024。通过全局平均池化计算每张特征图的平均值作为代表信息输入到后面的预测中，通过全局平均池化可以得到一维张量，即此时两个模块特征图维度分别为1*1*384和1*1*1024。

S4、Inception V4网络训练过程，在Tensorflow上搭建改进的Inception V4网络结构，将雾霾图片库中的训练集输入网络进行迭代和计算迭代损失筛选模型的过训练程，具体地，先将输入的训练集前向传播，输出当前能见度预测值并与能见度真实值进行对比，计算出当前迭代的损失，再将损失进行反向传播更新网络参数，按选定的迭代次数经过反复迭代完成训练，保存其中一个最优模型，其中计算损失函数为均方误差函数：

，

其中表示真实值大小，表示预测值大小。

再从测试阶段来看，还包括步骤S5、选定任一场景并根据该场景的雾霾图片建立测试集，输入步骤S4所得模型对图片进行雾霾能见度检测，并将所得的能见度预测值与能见度真实值进行对比，计算平均百分比误差：

，

其中表示真实值大小，表示预测值大小，两者的跟踪曲线如图2所示。

将本发明检测方法计算的MAPE作为评判标准，与经过原始Inception V4网络训练所得网络进行能见度测试后再计算所得的MAPE做对比，准确度提升的效果是十分显著的，也因此可以理解到，本发明所提出的该基于改进Inception V4网络的交通雾霾能见度检测方法，具有突出的实质性特点和显著的进步性。其应用一方面改进Inception V4，并用来对雾霾图片进行能见度检测，提高了检测精度；另一方面应用深度学习理论，适用于针对大数据集的高效率处理。

Claims (6)

1.基于改进InceptionV4网络的交通雾霾能见度检测方法，其特征在于包括步骤：

训练阶段：

S1、根据高速公路雾霾天气下视频资料采样，分场景建立雾霾图片库；

S2、以高速公路车道线作为标识物建立相应的坐标，提取雾霾图片能见度数值，作为雾霾能见度真实值；

S3、基于Inception V4原始网络构建成改进的Inception V4网络；

S4、将雾霾图片库中的训练集输入改进的Inception V4网络进行训练，并保存模型；

测试阶段：

S5、选定雾霾图片库中任一场景的图片建立测试集，输入步骤S4所得模型对图片进行雾霾能见度检测。

2.根据权利要求1所述基于改进InceptionV4网络的交通雾霾能见度检测方法，其特征在于：步骤S1视频资料采样中所述视频资料包括高速公路路段不同场景下的总视频资料集合，采样要求为每分钟提取12帧图片，将采样得到的图片分场景建立数据集。

3.根据权利要求1所述基于改进InceptionV4网络的交通雾霾能见度检测方法，其特征在于：步骤S3改进Inception V4网络的方法为对原始网络中Stem模块和Reduction A模块提取的细节特征信息做全局平均池化，然后和原来的高层特征信息做堆叠。

4.根据权利要求3所述基于改进InceptionV4网络的交通雾霾能见度检测方法，其特征在于：所提取的细节特征信息为对应Stem模块的输出特征图维度为35*35*384，对应Reduction A模块的输出特征图维度为17*17*1024，全局平均池化所得的两个模块特征图维度分别为1*1*384和1*1*1024。

5.根据权利要求1所述基于改进InceptionV4网络的交通雾霾能见度检测方法，其特征在于：步骤S4训练为迭代和计算迭代损失筛选模型的过程，先将输入的训练集前向传播，输出当前能见度预测值并与能见度真实值进行对比，计算出当前迭代的损失，再将损失进行反向传播更新网络参数，按选定的迭代次数经过反复迭代完成训练，保存其中一个最优模型，其中计算损失函数为均方误差函数：

，

其中表示真实值大小，表示预测值大小。

6.根据权利要求1所述基于改进InceptionV4网络的交通雾霾能见度检测方法，其特征在于：步骤S5对测试集进行雾霾能见度检测后，还将所得的能见度预测值与能见度真实值进行对比，计算平均百分比误差：

，

其中表示真实值大小，表示预测值大小。