CN111275027A - 实现高速公路雾天检测预警处理的方法 - Google Patents

实现高速公路雾天检测预警处理的方法 Download PDF

Info

Publication number
CN111275027A
CN111275027A CN202010224368.1A CN202010224368A CN111275027A CN 111275027 A CN111275027 A CN 111275027A CN 202010224368 A CN202010224368 A CN 202010224368A CN 111275027 A CN111275027 A CN 111275027A
Authority
CN
China
Prior art keywords
image
fog
early warning
expressway
detection
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
Application number
CN202010224368.1A
Other languages
English (en)
Other versions
CN111275027B (zh
Inventor
侯卫东
逯利军
钱培专
李晏
彭浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Certusnet Information Technology Co ltd
Guangdong Certusnet Information Technology Co ltd
Shanghai Certusnet Inc
CERTUSNET CORP
Original Assignee
Beijing Certusnet Information Technology Co ltd
Guangdong Certusnet Information Technology Co ltd
Shanghai Certusnet Inc
CERTUSNET CORP
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Certusnet Information Technology Co ltd, Guangdong Certusnet Information Technology Co ltd, Shanghai Certusnet Inc, CERTUSNET CORP filed Critical Beijing Certusnet Information Technology Co ltd
Priority to CN202010224368.1A priority Critical patent/CN111275027B/zh
Publication of CN111275027A publication Critical patent/CN111275027A/zh
Application granted granted Critical
Publication of CN111275027B publication Critical patent/CN111275027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • 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]
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种实现高速公路雾天检测预警处理的方法，包括以下步骤：收集雾图和对应的清晰图像作为训练样本，生成DCGAN网络模型；进行尺寸归一化生成统一尺寸的图像I；将图像I输入到DCGAN网络模型中，进行变换生成图像G；分别计算图像I和图像G的暗通道图像；将暗通道图像Id所有像素点的值按大小进行排序，剔除前50％较大值对应的像素点；分别计算剩余50％的像素点对应值的绝对差，并求和，结果记为E；根据E的大小判断是否有雾以及雾的浓淡。采用了本发明的实现高速公路雾天检测预警处理的方法，利用DCGAN模型对原始图像进行变换，比使用单幅图像进行单一特征分析的方案检测精度高。而且本发明减小了检测误差，特别适合于对高速公路局部团雾的检测。

Description

实现高速公路雾天检测预警处理的方法
技术领域
本发明涉及图像处理技术领域，尤其涉及路况检测领域，具体是指一种实现高速公路雾天检测预警处理的方法。
背景技术
大雾会导致能见度降低，容易引起高速公路恶性交通事故，对雾天特别是高速公路路段中的局部团雾进行及时准确地检测和预警是非常必要的。
基于气象卫星遥感技术的雾天检测方案成本高，而且对局部团雾检测效果不好；基于光强度传感器的雾天检测方案成本高，其检测精度也不高；基于视频监控图像分析的雾天检测方案成本低，特别适合于对局部团雾的检测，目前在高速公路雾天检测应用中得到了重视。
目前基于图像处理技术的雾天检测方案主要有颜色空间转换特征分析法、直方图特征比较法和暗原色图特征比较法，但由于这些方法仅使用单幅雾图进行单一特征分析，其对雾天检测的精度仍然不高，容易引起漏检和误检。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种满足精度高、成本低、适用范围较为广泛的实现高速公路雾天检测预警处理的方法。
为了实现上述目的，本发明的实现高速公路雾天检测预警处理的方法如下：
该实现高速公路雾天检测预警处理的方法，其主要特点是，所述的方法包括以下步骤：
(1)收集雾图和对应的清晰图像作为训练样本，通过深度卷积神经网络架构的生成对抗网络进行训练，生成DCGAN网络模型，其中，DCGAN指深度卷积生成对抗网络；
(2)从高速公路视频监控系统中每隔一定时间抓取一幅图像，并进行尺寸归一化生成统一尺寸的图像I；
(3)将图像I输入到DCGAN网络模型中，进行变换生成图像G；
(4)分别计算图像I和图像G的暗通道图像，并分别输出暗通道图像为Id和Gd；
(5)将暗通道图像Id所有像素点的值按大小进行排序，剔除前50％较大值对应的像素点；
(6)分别计算暗通道图像Id和Gd剩余50％的像素点对应值的绝对差，并对绝对差求和，结果记为E；
(7)根据E的大小判断是否有雾以及雾的浓淡，并向高速公路相应路段发出相应级别的预警信号。
较佳地，所述的步骤(7)具体包括以下步骤：
(7.1)判断E的值是否小于等于阈值Th1，如果是，则判断为无雾；否则，继续步骤(7.2)；
(7.2)判断E的值是否大于阈值Th1且小于等于阈值Th2，如果是，则判断为淡雾，继续步骤(7.4)；否则，继续步骤(7.3)；
(7.3)判断E的值是否大于阈值Th2且小于等于阈值Th3，如果是，则判断为中雾，继续步骤(7.4)；否则，判断为浓雾，继续步骤(7.4)；
(7.4)根据检测到的雾天级别对高速公路相应路段发出相应级别的预警信号。
较佳地，所述的方法还包括以下步骤：
(8)间隔固定时间循环执行步骤(2)～(7)。
采用了本发明的实现高速公路雾天检测预警处理的方法，将深度卷积神经网络技术与图像处理技术相结合，利用DCGAN模型对原始图像进行变换，如果原始图像无雾，则经过DCGAN模型变换后，其变换前后的暗通道图像几乎没有变化；如果原始图像是有雾图像，则经过DCGAN模型变换后，其变换前后的暗通道图像随着雾浓度的增加而差别变大。基于以上原理的雾天检测方法，由于使用2幅图像进行对比特征分析，比使用单幅图像进行单一特征分析的方案检测精度高。而且本发明中剔除了暗通道图像可能存在的特征变化不明显的天空或纯白区域的对比分析，更加减小了检测误差。本发明提供的高速公路雾天检测预警方法利用现有的高速公路视频监控系统，无需另外增加设备，部署成本低，容易实现，特别适合于对高速公路局部团雾的检测。
附图说明
图1为本发明的实现高速公路雾天检测预警处理的方法的流程图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
本发明的该实现高速公路雾天检测预警处理的方法，其中包括以下步骤：
(1)收集雾图和对应的清晰图像作为训练样本，通过深度卷积神经网络架构的生成对抗网络进行训练，生成DCGAN网络模型，其中，DCGAN指深度卷积生成对抗网络；
(2)从高速公路视频监控系统中每隔一定时间抓取一幅图像，并进行尺寸归一化生成统一尺寸的图像I；
(3)将图像I输入到DCGAN网络模型中，进行变换生成图像G；
(4)分别计算图像I和图像G的暗通道图像，并分别输出暗通道图像为Id和Gd；
(5)将暗通道图像Id所有像素点的值按大小进行排序，剔除前50％较大值对应的像素点；
(6)分别计算暗通道图像Id和Gd剩余50％的像素点对应值的绝对差，并对绝对差求和，结果记为E；
(7)根据E的大小判断是否有雾以及雾的浓淡，并向高速公路相应路段发出相应级别的预警信号；
(7.1)判断E的值是否小于等于阈值Th1，如果是，则判断为无雾；否则，继续步骤(7.2)；
(7.2)判断E的值是否大于阈值Th1且小于等于阈值Th2，如果是，则判断为淡雾，继续步骤(7.4)；否则，继续步骤(7.3)；
(7.3)判断E的值是否大于阈值Th2且小于等于阈值Th3，如果是，则判断为中雾，继续步骤(7.4)；否则，判断为浓雾，继续步骤(7.4)；
(7.4)根据检测到的雾天级别对高速公路相应路段发出相应级别的预警信号；
(8)间隔固定时间循环执行步骤(2)～(7)。
本发明的具体实施方式中，高速公路雾天检测预警方法的流程图如图1所示，步骤如下：
图1中101模块利用高速公路视频监控系统中收集的雾图和对应的清晰图像作为训练样本，使用基于深度卷积神经网络架构的生成对抗网络(DCGAN)进行训练，生成DCGAN网络模型。
DCGAN网络模型中的生成网络为深度卷积神经网络，如ResNet网络，包含卷积层、残差特征转换层、转置卷积层，判别网络为浅层卷积神经网络，包括卷积层和sigmoid函数输出层；损失函数包括生成网络的均方误差损失、生成网络的感知损失和判别网络的对抗损失3个部分组成。生成DCGAN网络模型的过程在本系统中仅执行一次，生成的DCGAN网络模型预存在高速公路雾天检测预警系统中。
图1中102模块从高速公路视频监控系统中每隔一定时间抓取一幅图像，将图像进行尺寸变换生成统一尺寸的输入图像I，例如统一尺寸为515*512像素。
图1中103模块将图像I输入到预存的DCGAN网络模型中，经过DCGAN变换后生成图像G。
图1中104模块计算图像I的暗通道图像，输出暗通道图像为Id。计算图像G的暗通道图像，输出暗通道图像为Gd。
图1中105模块根据暗通道先验原理，图像中天空或白色区域在暗通道图像中的值较大，与雾的暗通道图像值难以区分，因此在雾的特征分析中先尽量剔除暗通道图像中的天空或白色区域。这里将暗通道图像Id所有像素点的值按大小进行排序，然后剔除掉50％排序大的值对应的像素点不进行后续处理，这里取剔除50％的像素点，是因为在高速公路监控图像中天空区域一般不会超过整幅图像的50％。
图1中106模块分别计算暗通道图像Id和暗通道图像Gd剩余50％像素点对应值的绝对差，将50％像素点的绝对差求和，结果记为E。
图1中107模块根据E的大小进行雾天检测判断，E越大则雾的浓度越大。当E小于等于阈值Th1时，则判断为无雾；当E大于阈值Th1小于等于阈值Th2时，则判断为淡雾；当E大于阈值Th2小于等于阈值Th3时，则判断为中雾；当E大于阈值Th3时，则判断为浓雾。如果对高速公路某个路段视频监控图像检测到雾天，则根据检测到的雾天级别对高速公路相应路段发出相应级别的预警信号。
以上102模块到107模块是重复循环执行的，即从高速公路视频监控系统中每隔一定时间抓取一幅图像进行雾天检测预警是重复循环执行的。
采用了本发明的实现高速公路雾天检测预警处理的方法，将深度卷积神经网络技术与图像处理技术相结合，利用DCGAN模型对原始图像进行变换，如果原始图像无雾，则经过DCGAN模型变换后，其变换前后的暗通道图像几乎没有变化；如果原始图像是有雾图像，则经过DCGAN模型变换后，其变换前后的暗通道图像随着雾浓度的增加而差别变大。基于以上原理的雾天检测方法，由于使用2幅图像进行对比特征分析，比使用单幅图像进行单一特征分析的方案检测精度高。而且本发明中剔除了暗通道图像可能存在的特征变化不明显的天空或纯白区域的对比分析，更加减小了检测误差。本发明提供的高速公路雾天检测预警方法利用现有的高速公路视频监控系统，无需另外增加设备，部署成本低，容易实现，特别适合于对高速公路局部团雾的检测。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (3)

1.一种实现高速公路雾天检测预警处理的方法，其特征在于，所述的方法包括以下步骤：
(1)收集雾图和对应的清晰图像作为训练样本，通过深度卷积神经网络架构的生成对抗网络进行训练，生成DCGAN网络模型，其中，DCGAN指深度卷积生成对抗网络；
(2)从高速公路视频监控系统中每隔一定时间抓取一幅图像，并进行尺寸归一化生成统一尺寸的图像I；
(3)将图像I输入到DCGAN网络模型中，进行变换生成图像G；
(4)分别计算图像I和图像G的暗通道图像，并分别输出暗通道图像为Id和Gd；
(5)将暗通道图像Id所有像素点的值按大小进行排序，剔除前50％较大值对应的像素点；
(6)分别计算暗通道图像Id和Gd剩余50％的像素点对应值的绝对差，并对绝对差求和，结果记为E；
(7)根据E的大小判断是否有雾以及雾的浓淡，并向高速公路相应路段发出相应级别的预警信号。
2.根据权利要求1所述的实现高速公路雾天检测预警处理的方法，其特征在于，所述的步骤(7)具体包括以下步骤：
(7.1)判断E的值是否小于等于阈值Th1，如果是，则判断为无雾；否则，继续步骤(7.2)；
(7.2)判断E的值是否大于阈值Th1且小于等于阈值Th2，如果是，则判断为淡雾，继续步骤(7.4)；否则，继续步骤(7.3)；
(7.3)判断E的值是否大于阈值Th2且小于等于阈值Th3，如果是，则判断为中雾，继续步骤(7.4)；否则，判断为浓雾，继续步骤(7.4)；
(7.4)根据检测到的雾天级别对高速公路相应路段发出相应级别的预警信号。
3.根据权利要求1所述的实现高速公路雾天检测预警处理的方法，其特征在于，所述的方法还包括以下步骤：
(8)间隔固定时间循环执行步骤(2)～(7)。
CN202010224368.1A 2020-03-26 2020-03-26 实现高速公路雾天检测预警处理的方法 Active CN111275027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010224368.1A CN111275027B (zh) 2020-03-26 2020-03-26 实现高速公路雾天检测预警处理的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010224368.1A CN111275027B (zh) 2020-03-26 2020-03-26 实现高速公路雾天检测预警处理的方法

Publications (2)

Publication Number Publication Date
CN111275027A true CN111275027A (zh) 2020-06-12
CN111275027B CN111275027B (zh) 2023-07-04

Family

ID=71002686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010224368.1A Active CN111275027B (zh) 2020-03-26 2020-03-26 实现高速公路雾天检测预警处理的方法

Country Status (1)

Country Link
CN (1) CN111275027B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129273A (zh) * 2021-03-30 2021-07-16 武汉伏佳安达电气技术有限公司 一种输电线路雾天自动巡视方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872278A (zh) * 2018-12-18 2019-06-11 深圳先进技术研究院 基于u形网络和生成对抗网络的图像云层移除方法
CN110322419A (zh) * 2019-07-11 2019-10-11 广东工业大学 一种遥感图像去雾方法及系统
CN110570363A (zh) * 2019-08-05 2019-12-13 浙江工业大学 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872278A (zh) * 2018-12-18 2019-06-11 深圳先进技术研究院 基于u形网络和生成对抗网络的图像云层移除方法
CN110322419A (zh) * 2019-07-11 2019-10-11 广东工业大学 一种遥感图像去雾方法及系统
CN110570363A (zh) * 2019-08-05 2019-12-13 浙江工业大学 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129273A (zh) * 2021-03-30 2021-07-16 武汉伏佳安达电气技术有限公司 一种输电线路雾天自动巡视方法及系统

Also Published As

Publication number Publication date
CN111275027B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN110263706B (zh) 一种雾霾天气车载视频动态目标检测和识别的方法
CN109977812B (zh) 一种基于深度学习的车载视频目标检测方法
CN110222596B (zh) 一种基于视觉的驾驶员行为分析防作弊方法
CN112990065B (zh) 一种基于优化的YOLOv5模型的车辆分类检测方法
CN111709888B (zh) 一种基于改进的生成对抗网络的航拍图像去雾方法
CN106845458B (zh) 一种基于核超限学习机的快速交通标识检测方法
CN116258940A (zh) 一种多尺度特征及自适应权重的小目标检测方法
CN110866926A (zh) 一种红外遥感图像快速精细海陆分割方法
Lam et al. Real-time traffic status detection from on-line images using generic object detection system with deep learning
CN116503709A (zh) 一种基于改进YOLOv5的雾霾天气下车辆检测方法
CN115115973A (zh) 一种基于多感受野与深度特征的弱小目标检测方法
CN111275027B (zh) 实现高速公路雾天检测预警处理的方法
CN116228756A (zh) 一种自动驾驶中相机坏点的检测方法及检测系统
CN116434056A (zh) 一种基于雷视融合的目标识别方法、系统及电子设备
CN115984568A (zh) 一种基于YOLOv3网络的雾霾环境下目标检测方法
CN115731401A (zh) 一种基于纹理感知的图像烟雾精细检测方法
Xiang et al. A new model for daytime visibility index estimation fused average sobel gradient and dark channel ratio
Zhang et al. Research on rainy day traffic sign recognition algorithm based on PMRNet
CN112115767A (zh) 基于Retinex和YOLOv3模型的隧道异物检测方法
CN117274957B (zh) 一种基于深度学习的道路交通标志检测方法及系统
CN117671472B (zh) 一种基于动态视觉传感器的水下多目标群体识别方法
CN114882478B (zh) 权重优化下的局部多尺度特征融合的驾驶员行为识别方法
CN115762178B (zh) 智能电子警察违章检测系统及方法
Chen et al. Self-supervised sun glare detection CNN for self-aware autonomous driving
CN113298000B (zh) 一种基于红外相机的安全带检测方法和装置

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
GR01 Patent grant
GR01 Patent grant