CN111310739A - 一种暴雨天气检测方法、系统及终端 - Google Patents
一种暴雨天气检测方法、系统及终端 Download PDFInfo
- Publication number
- CN111310739A CN111310739A CN202010250736.XA CN202010250736A CN111310739A CN 111310739 A CN111310739 A CN 111310739A CN 202010250736 A CN202010250736 A CN 202010250736A CN 111310739 A CN111310739 A CN 111310739A
- Authority
- CN
- China
- Prior art keywords
- data
- density
- log
- weather
- dbscan
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G06T5/70—
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种暴雨天气检测方法、系统及终端，基于加权密度自适应A‑DBSCAN算法，所述方法包括：通过使用高斯‑拉普拉斯LOG算子对监控摄像图像进行处理得到对应时刻的LOG值；通过基于加权密度自适应A‑DBSCAN算法从所述LOG值中筛序出有效LOG值；根据所述有效LOG值与对应时刻降雨数据的回归关系对暴雨天气进行检测。由于环境噪声过多，于是采用改进的A‑DBSCAN聚类算法进行去噪处理，经过对比去噪前与去噪后的R‑Squared系数得出基于加权密度自适应A‑DBSCAN算法对密度相关数据的去噪效果明显，从而在保持原设施基础上对监控摄像区域暴雨天气的检测准确度有大幅提升。
Description
技术领域
本申请涉及气候预警技术领域，具体涉及一种暴雨天气检测方法、系统及终端。
背景技术
传统的暴雨天气检测方法就是在各个城市周边地区设立相应的气象观测站，在气象观测站中放置空气温湿度传感器、大气压力传感器、监控摄像头等设备实时对当地区域的气象信息进行采集。这种传统的暴雨天气检测方法可以准确的采集到检测区域的气象信息，但是这对于其它没有设立气象观测站的地区就形成了“检测死角”；而在现实中，往往是将当地气象观测站采集的气象信息作为整个区域的气象标准，这对于特殊地区(高速公路，事故多发地等)的暴雨天气就显得不够准确。
针对上述问题，国内外都提出了一些改进的方法，而这些方法都是需要增加新的传感器在监控系统上。如：谭永宏设计的嵌入式气象信息采集系统、蒋方胜设计的基于ARM的自动气象站系统以及王柏林设计的随车移动式自动气象站。虽然这些方法都在一定程度解决了气象观测站的成本大、需求土地资源大的问题，但是无法避免新增加硬件的损耗以及后期人员维护的管理问题。
因此如何在保持原设施基础上避免新增加硬件而又可以提高暴雨天气的检测是本领域一个亟待解决的问题。
发明内容
本申请为了解决上述技术问题，提出了如下技术方案：
第一方面，本申请实施例提供了一种暴雨天气检测方法，基于加权密度自适应A-DBSCAN算法，所述方法包括：通过使用高斯-拉普拉斯LOG算子对监控摄像图像进行处理得到对应时刻的LOG值；通过基于加权密度自适应A-DBSCAN算法从所述LOG值中筛序出有效LOG值；根据所述有效LOG值与对应时刻降雨数据的回归关系对暴雨天气进行检测。
采用上述实现方式，由于环境噪声过多，于是采用改进的A-DBSCAN聚类算法进行去噪处理，经过对比去噪前与去噪后的R-Squared系数得出基于加权密度自适应A-DBSCAN算法对密度相关数据的去噪效果明显，从而在保持原设施基础上对监控摄像区域暴雨天气的检测准确度有大幅提升。
结合第一方面，在第一方面第一种可能的实现方式中，所述通过使用高斯-拉普拉斯LOG算子对监控摄像图像进行处理得到对应时刻的LOG值，包括：通过高斯滤波器对摄像头获取的实时图像进行第一降噪处理；将降噪处理后的图像进行Laplacian算子计算，得出所述LOG值。
结合第一方面第一种可能的实现方式，在第一方面第二种可能的实现方式中，所述通过高斯滤波器对摄像头获取的实时图像进行第一降噪处理，包括：利用高斯核的一个二维的卷积算子对图像模糊化，去除细节和噪声。
结合第一方面第二种可能的实现方式，在第一方面第三种可能的实现方式中，所述将降噪处理后的图像进行Laplacian算子计算，得出所述LOG值包括：将Laplacian算子公式定义如下：
在x方向上为：
在y方向上为：
在x与y方向上的离散计算公式：
结合第一方面，在第一方面第四种可能的实现方式中，所述通过基于加权密度自适应A-DBSCAN算法从所述LOG值中筛序出有效LOG值，包括：输入LOG值组成的数据数组S；选择数据集合中的相同每分钟降雨量的LOG值作为原始数据数组S1；随机选择原始数据数组S1中的未遍历点a，计算出a与S1所有数据的欧氏距离，保留最小的欧氏距离加入到密度数组D中；统计密度数组D中的各密度数据出现的评率，获得数据密度Eps；采用传统DBSCAN聚类算法，将所述Eps数据密度作为设置密度，簇的最小个数MinPts设置为2；将拥有最多样本点的簇作为有效数据集合保留，将其余簇作为噪声舍弃，如果有相同个数样本点的簇存在，将方差较小的一组作为有效数据集合最终保留。
结合第一方面，在第一方面第五种可能的实现方式中，所述根据所述有效LOG值与对应时刻降雨数据的回归关系对暴雨天气进行检测包括：根据所述有效LOG值与对应时刻降雨数据确定非线性回归多项式；根据所述非线性回归多项式进行回归对暴雨天气进行检测。
第二方面，本申请实施例提供了一种暴雨天气检测系统，基于加权密度自适应A-DBSCAN算法，所述系统包括：获取模块，用于通过使用高斯-拉普拉斯LOG算子对监控摄像图像进行处理得到对应时刻的LOG值；筛选模块，用于通过基于加权密度自适应A-DBSCAN算法从所述LOG值中筛序出有效LOG值；检测模块，用于根据所述有效LOG值与对应时刻降雨数据的回归关系对暴雨天气进行检测。
结合第二方面，在第二方面第一种可能的实现方式中，所述获取模块包括：降噪单元，用于通过高斯滤波器对摄像头获取的实时图像进行第一降噪处理；计算单元，用于将降噪处理后的图像进行Laplacian算子计算，得出所述LOG值。
结合第二方面，在第二方面第二种可能的实现方式中，所述筛选模块包括：输入单元，用于输入LOG值组成的数据数组S；选择单元，用于选择数据集合中的相同每分钟降雨量的LOG值作为原始数据数组S1；随机选择单元，用于随机选择原始数据数组S1中的未遍历点a，计算出a与S1所有数据的欧氏距离，保留最小的欧氏距离加入到密度数组D中；获取单元，用于统计密度数组D中的各密度数据出现的评率，获得数据密度Eps；设置单元，用于采用传统DBSCAN聚类算法，将所述Eps数据密度作为设置密度，簇的最小个数MinPts设置为2；确定单元，用于将拥有最多样本点的簇作为有效数据集合保留，将其余簇作为噪声舍弃，如果有相同个数样本点的簇存在，将方差较小的一组作为有效数据集合最终保留。
第三方面，本申请实施例提供了一种终端，包括：处理器；用于存储所述处理器处理可执行指令的存储器；所述处理器执行第一方面或第一方面任一可能实现方式所述的暴雨天气检测方法，对暴雨天气进行检测。
附图说明
图1为本申请实施例提供的一种暴雨天气检测方法的流程示意图；
图2为本申请实施例提供的晴朗天气状况的城市图像；
图3为本申请实施例提供的晴朗天气状况的高速公路图像；
图4为本申请实施例提供的暴雨天气状况的城市图像；
图5为本申请实施例提供的暴雨天气状况的高速公路图像；
图6为本申请实施例提供的突变区域极值图；
图7本申请实施例提供的突变区域二阶导数图；
图8为本申请实施例提供的标注LOG值的晴朗天气状况城市图像；
图9为本申请实施例提供的标注LOG值的晴朗天气状况高速公路图像；
图10为本申请实施例提供的标注LOG值的暴雨天气状况城市图像；
图11为本申请实施例提供的标注LOG值的暴雨天气状况高速公路图像；
图12为本申请实施例提供的晴朗天气与降雨天气LOG值对比图；
图13为本申请实施例提供的A市分钟降雨量与对应LOG值数据；
图14为本申请实施例提供的DBSCAN聚类示例图；
图15为本申请实施例提供的每分钟降雨量0.0与LOG值原始数据；
图16为本申请实施例提供的改进DBSCAN算法处理结果图；
图17为本申请实施例提供的每分钟降雨量与对应LOG值的处理数据图；
图18为本申请实施例提供的A市降雨量与LOG回归线图；
图19为本申请实施例提供的一种暴雨天气检测系统的示意图；
图20为本申请实施例提供的一种终端的结构示意图。
具体实施方式
下面结合附图与具体实施方式对本方案进行阐述。
图1为本申请实施例提供的一种暴雨天气检测方法的流程示意图，参见图1，本实施例中的暴雨天气检测方法包括：
S101，通过使用高斯-拉普拉斯LOG算子对监控摄像图像进行处理得到对应时刻的LOG值。
在出现暴雨天气的地区，通过摄像头拍摄下来的图像是不一样的，在晴朗天气状况的城市如图2和高速公路如图3，以及在暴雨天气状况下的城市如图4和高速公路如图5。
由图像可以很直观的看出在不同的天气状况下，同一个地区图像的清晰程度(可见度)是不一样的，因此可以判断图像的“模糊程度”和暴雨天气是有联系的。图像的“模糊程度”又可以理解为图像边缘的特征模糊，而检测图像的“模糊程度”就可以转换为图像的边缘检测。
图像的边缘地区像素值会发生“突变”，而对于这些“突变”的区域进行求导时会看到极值的出现，如图6所示。而对其求二阶导数时就会发现“突变”区域会通过坐标系原点，也就是其二阶导数为0，如图7所示。因此可以用这个特点来作为检测图像边缘的方法。即：Laplacian算子。
由于Laplacian算子对噪声敏感度较高，因此使用Laplacian算子进行“模糊程度”计算时通常需要在之前进行降噪处理，而经常使用的降噪方法为结合高斯滤波器降噪。
高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器，对于抑制服从正态分布的噪声非常有效。对于图像来说，高斯滤波器是利用高斯核的一个二维的卷积算子，用于图像模糊化(去除细节和噪声)。由于图像是二维的，因此采用二维高斯分布公式：
高斯滤波后图像被平滑的程度取决于标准差。输出是领域像素的加权平均，同时离中心越近的像素权重越高。因此，相对于均值滤波的平滑效果更柔和，而且边缘保留的也更好。
将降噪处理后的图像进行Laplacian算子计算，得出所述LOG值，具体地由于图像是二维的，需要在x和y两个方向进行求导，所以Laplacian算子公式定义如下：
在图像处理的计算中经常采用公式的近似式，在x方向上为：
在y方向上为：
进一步可得出在x与y方向上的离散计算公式：
将图2-5使用LOG算子进行计算，将对应的LOG值标注在图像中，得到图8、图9、图10和图11。由图8、图9、图10和图11的对比可以看出在不同天气状况下相同场景的LOG值是不一样的，将同一地区1小时的降雨天气LOG值与晴朗天气LOG值进行对比，得到如图12结果。
由图可以看出，晴朗天气下图像的LOG值比暴雨天气下的图像大，这是因为晴朗天气下的图像特征边缘多导致像素点之间的“突变”情况也多；而暴雨天气下的图像特征边缘同化情况严重导致像素点之间的“突变”情况变少，所以LOG值小。即：晴朗天气下，LOG值较大，“模糊程度”较小；暴雨天气下，LOG值较小，“模糊程度”较大。因此只要能够得出暴雨天气下，监控区域的图像LOG值就能找出两者之间的数据关系。
S102，通过基于加权密度自适应A-DBSCAN算法从所述LOG值中筛序出有效LOG值。
根据气象降雨强度定义，24小时降雨量为50毫米以上的雨为“暴雨”，而根据Y省气象局提供的“A市”、“B市”、“C市”和“D市”四个气象观测站提供的分钟雨量数据得出每分钟降雨量与降雨天气之间的关系表。如表1所示。
表1每分钟降雨量与降雨天气关系表
| 每分钟降雨量(mm/min) | 天气种类 |
| 0.0-0.4 | 小雨 |
| 0.5-0.9 | 中雨 |
| 1.0-1.4 | 大雨 |
| 1.5-1.9 | 暴雨 |
| 2.0及以上 | 特大暴雨 |
本实施例使用Y省气象局提供的“A市”、“B市”、“C市”和“D市”四个气象观测站的监控影像数据以及雨量监测数据作为实施例原始数据。筛选出监控影像较为清楚的雨季数据，通过FFmpeg对监控影像数据进行逐帧剪切，采用在设定时间内每隔6秒剪切一帧，每分钟截取10帧，取10帧的LOG均值作为这一分钟的LOG值，共获取“A市”截图39480张，得到3948个LOG值、获取“B市”截图41400张，得到4140个LOG值、获取“C市”截图38260张，得到3826个LOG值、获取“D市”截图40240张，得到4024个LOG值。以及遍布所有分钟降雨量至1.9mm/min的雨量监控数据(2.0mm/min及以上数据过于稀少)，最终得到数据如表2所示。
表2各城市每分钟降雨量数据数目表
将每分钟雨量作为二维坐标系的X轴，将对应的截图LOG值作为二维坐标系的Y轴，最终获得以A市为例的A市每分钟降雨与对应截图LOG值的二维坐标系。如图12所示。由图可看出，对于不同每分钟降雨量有着大量的LOG值，说明在截图信息中出现了大量的噪声信息。因此，需要找出一个方法能够将这些噪声数据点进行筛除。
通过对其中截图的人工查阅，发现噪声为行人、车辆在某些固定时刻经过监控摄像区域以及部分鸟类动物经过监控摄像区域，造成该区域的边缘信息增加和减少，LOG值出现异常。从图13可以看出，每分钟降雨量下的LOG值跨度区域大，但是却有很强的密度关联，呈现部分区域稀疏，部分区域紧密的特点。因此基于这一特性，决定使用DBSCAN聚类算法进行辅助“去噪”。
DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)聚类算法是Martin Ester,Hans-PeterKriegel等人于1996年提出的基于密度的空间的数据聚类算法。与划分和层次聚类不同，DBSCAN聚类算法将簇定义为密度相连的点的最大集合，能够将足够高密度的区域划分为簇，并且可以在噪声空间数据中发现任意形状的聚类。
DBSCAN聚类算法中有5个重要的定义：E邻域：将对象半径为E的区域称为对象的E邻域(Eps)。核心对象：在对象的E邻域内的样本点数大于或等于规定最少样本数(MinPts)的对象称为核心对象。直接密度可达：对于数据样本集合S，如果对象a点在b点的E邻域内，并且b点为核心对象，那么对象a点从对象b点直接密度可达。密度可达：对于数据样本集合S，给定一串样本点a1,a2,…an,a＝a1,b＝an，假如对象ai从ai-1直接密度可达，那么对象b从对象a密度可达。密度相连：存在样本集合S中的一点O，如果对象O到对象a和对象b都是密度可达，那么a和b密度相连。
如图14示例图所示，样本集合S中有A、B、C、D、E、N,6个样本点，以对象A为核心对象举例。其中对象B和对象C与位于对象A的邻域中，因此对象B和对象C与对象A为直接密度可达；而对象D与对象E不在对象A的邻域中，但是对象D在对象C的邻域中，对象E又在对象D的邻域中，因此根据定义可知，对象D与对象E是核心对象A的密度可达，并且对象D与对象E是密度相连的。而对象N点在邻域中不存在直接密度可达的对象点，因此N点自成一簇，如果MinPts设定大于1，那么N点就为噪声点。
传统DBSCAN聚类算法的过程：Step 1:输入数据集合S；Step 2:输入预设定的密度Eps和簇的最小个数MinPts；Step 3:随机选出集合S中的一个点作为核心对象；Step 4:找出核心对象点在密度Eps内的直接密度可达点以及密度可达点，将其组合为新的集合；Step5:判断每个集合内的样本个数是否超过设定个数MinPts，超过则标记为簇，如果低于则为无关点；Step 6:重复Step3、Step4与Step5,直到遍历完集合S中所有的样本点。
通过对传统DBSCAN聚类算法的过程研究，传统的DBSCAN聚类算法需要输入数据集合S、数据密度Eps和簇的最小个数MinPts；Eps与MinPts对数据集合S的影响大，而作为最决定性的影响的是Eps。Eps的大小决定了每一个簇的“紧密”程度，也就反映着簇类数据的相关性。对于这一方面，Yue等提出一种基于数据统计信息确定Eps参数的算法，Jahirabadkar等根据数据集各维度的密度分布，提出了动态设置Eps的算法,Khan等提出了应用于空间数据聚类自适应ADDBSCAN算法，但是需要指定簇的数量。以上方法都是对多维度数据的传统DBSCAN聚类算法的改进，而对于本文研究的二维数据的Eps确定没有太多帮助，因此针对二维数据的特殊性，提出了一个利用数据密度分布服从“真实数据量”多于“噪声数据量”特点的加权密度自适应A-DBSCAN去噪算法。
传统DBSCAN聚类算法的数据密度Eps是人为设置多次实施例得到的满足条件的值，那么从数据集合本身的角度来理解，即是数据集合中的数据本身就有“趋向于”形成簇的关系存在。而在DBSCAN聚类算法中，数据的“趋向”则是体现在“数据密度”上。根据DBSCAN聚类算法的思想：距离相近的数据相似性越高。找到每个数据集合中数据点与其他所有数据点的“最近距离”，单一的“最近距离”可以得到每个数据点最相似的数据点，而所有“最近距离”组成的集合L就可以代表整个数据集合最佳数据密度Eps的“备选值”。为了找出最佳的数据密度Eps，采用对所有“最近距离”进行加权求和的办法，将所有“最近距离”作为权数分母记为M，将每个“最近距离”出现的次数作为权数分子记为Ni，然后将每个“最近距离”Li乘以权数并将其累加就可以得到能够体现整个数据集合最佳的DBSCAN数据密度Eps。公式如下：
将数据集合分为多个簇之后，簇中数据个数最大的作为“真实”数据集，将其它簇作为“噪声”数据集排除，这就完成了A-DBSCAN聚类算法的加权密度自适应去噪算法。
改进后算法在Python3.5环境下的实现步骤如下：Step 1:输入数据数组S；Step2:选择数据集合中的相同每分钟降雨量的LOG值数据作为原始数据数组S1；Step 3:使用Numpy科学包随机选择原始数据数组S1中的未遍历点a，计算出a与S1所有数据的欧氏距离，保留最小的欧氏距离加入到密度数组D中；Step 4:重复Step3，直到遍历完S1的所有原始数据；Step 5:使用Numpy科学包统计密度数组D中的各密度数据出现的评率，再使用改进的最佳DBSCAN数据密度Eps公式得出最优密度Eps；Step 6:调用Scikit-learn科学包中的传统DBSCAN聚类算法，将步骤5得出的Eps作为设置密度，MinPts设置为2；Step 7:将拥有最多样本点的簇作为“有效数据”集合保留，将其余簇作为噪声舍弃，如果有相同个数样本点的簇存在，将方差较小的一组作为“有效数据”集合最终保留。
根据上述算法步骤，以“A市”降雨数据中“每分钟降雨量0.0mm”对应LOG值为例，未处理的数据如图15所示。
将数据使用A-DBSCAN算法进行计算，最终算出最优密度Eps为0.1，并且筛选出86个簇，最多样本点的簇有32个样本点，最终得到结果如图16所示。将“A市”的所有数据进行算法去噪处理后得到如图17所示的每分钟降雨量与对于LOG值的处理数据图以及表3“A市”的所有数据前后数量与方差对比表。
表3 A市每分钟降雨量数据变化表
通过对“A市”每分钟降雨量数据前后方差的变化可以看出，加权密度自适应A-DBSCAN去噪算法对于分布范围广、具有密度特性、方差大的数据去噪有显著效果，而去噪后的数据准确度将在暴雨天气检测算法实施例中进行验证。
S103，根据所述有效LOG值与对应时刻降雨数据的回归关系对暴雨天气进行检测。
通过观察图17中“A市”每分钟降雨量与对应LOG值的数据排布，本实施例将采用非线性回归形式的多项式回归，多项式回归相较于线性回归有更好体现非线性数据的相关性以及拥有更好的回归拟合性。
本实施例在Python3.5语言环境下Sciki-tlearn科学包中的多项式回归函数包进行，将经过A-DBSCAN算法处理的数据导入到sklearn.preprocessing的PolynomialFeatures函数中，得到回归曲线如图18所示。
根据每分钟降雨量与LOG值的关系实施例，将“A市”、“B市”、“C市”和“D市”四地较为清晰、无人为遮挡的监控摄像视频中各选择100个每分钟降雨量与LOG值点作为测试点，最终得出结果，采用R-Squared系数来验证A-DBSCAN算法的准确度。R-Squared系数又被称为“决定系数”，常用来反映模型拟合优度的重要统计量，其表达式为：
其中SSresidual代表了残差平方和，SStotal代表了总平方和，通过1减去残差平方和与总平方和之比，得到“决定系数”，变换式为：
R-Squared系数通过使用1减去SSresidual与SStotal之比所代表的不能解释的残差部分，留下能够解释的部分，即得到自变量解释因变量变动的百分比。因此R-Squared系数的取值范围为0到1，当R-Squared系数越接近1，证明该模型越准确。通过计算原始数据及A-DBSCAN去噪算法处理的数据得到的R-Squared系数，结果如表4所示。
表4A-DBSCAN处理前后R-Squared表
由表4可以看出经过改进的A-DBSCAN算法处理的数据在R-Squared方法下得到了较高的准确度，说明加权自适应密度的A-DBSCAN的算法对密度相关的数据起到了非常有效的去噪效果。
由上述实施例可知，本实施例提供的一种暴雨天气检测方法，通过使用高斯-拉普拉斯(LOG)算子对监控摄像图像进行处理得到对应时刻的LOG值，拟找到LOG值与对应时刻降雨数据的回归关系对暴雨天气进行检测。采用改进的A-DBSCAN聚类算法进行去噪处理，经过对比去噪前与去噪后的R-Squared系数得出基于加权密度自适应A-DBSCAN算法对密度相关数据的去噪效果明显，从而在保持原设施基础上对监控摄像区域暴雨天气的检测准确度有大幅提升。
与上述实施例提供的一种暴雨天气检测方法相对应，本申请还提供了一种暴雨天气检测系统的实施例，参见图19，暴雨天气检测系统20包括：获取模块201、筛选模块202和检测模块203。
所述获取模块201，用于通过使用高斯-拉普拉斯LOG算子对监控摄像图像进行处理得到对应时刻的LOG值。所述筛选模块202，用于通过基于加权密度自适应A-DBSCAN算法从所述LOG值中筛序出有效LOG值。所述检测模块203，用于根据所述有效LOG值与对应时刻降雨数据的回归关系对暴雨天气进行检测。
其中，所述获取模块201包括：降噪单元和计算单元。
降噪单元，用于通过高斯滤波器对摄像头获取的实时图像进行第一降噪处理。其中，利用高斯核的一个二维的卷积算子对图像模糊化，去除细节和噪声。
计算单元，用于将降噪处理后的图像进行Laplacian算子计算，得出所述LOG值。将Laplacian算子公式定义如下：
在x方向上为：
在y方向上为：
在x与y方向上的离散计算公式：
所述筛选模块202包括：输入单元、选择单元、随机选择单元、获取单元、设置单元和确定单元。
输入单元，用于输入LOG值组成的数据数组S；选择单元，用于选择数据集合中的相同每分钟降雨量的LOG值作为原始数据数组S1；随机选择单元，用于随机选择原始数据数组S1中的未遍历点a，计算出a与S1所有数据的欧氏距离，保留最小的欧氏距离加入到密度数组D中；获取单元，用于统计密度数组D中的各密度数据出现的评率，获得数据密度Eps；设置单元，用于采用传统DBSCAN聚类算法，将所述Eps数据密度作为设置密度，簇的最小个数MinPts设置为2；确定单元，用于将拥有最多样本点的簇作为有效数据集合保留，将其余簇作为噪声舍弃，如果有相同个数样本点的簇存在，将方差较小的一组作为有效数据集合最终保留。
本申请实施例还提供了一种终端，参见图20，终端30包括：处理器301、存储器302和通信接口303。
在图20中，处理器301、存储器302和通信接口303可以通过总线相互连接；总线可以分为地址总线、数据总线、控制总线等。为便于表示，图20中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器301通常是控制终端30的整体功能，例如终端30的启动、以及终端启动后通过使用高斯-拉普拉斯LOG算子对监控摄像图像进行处理得到对应时刻的LOG值；通过基于加权密度自适应A-DBSCAN算法从所述LOG值中筛序出有效LOG值；根据所述有效LOG值与对应时刻降雨数据的回归关系对暴雨天气进行检测。。
处理器301可以是通用处理器，例如，中央处理器(英文：central processingunit，缩写：CPU)，网络处理器(英文：networkprocessor，缩写：NP)或者CPU和NP的组合。处理器也可以是微处理器(MCU)。处理器还可以包括硬件芯片。上述硬件芯片可以是专用集成电路(ASIC)，可编程逻辑器件(PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(CPLD)，现场可编程逻辑门阵列(FPGA)等。
存储器302被配置为存储计算机可执行指令以支持终端30数据的操作。存储器301可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
启动终端30后，处理器301和存储器302上电，处理器301读取并执行存储在存储器302内的计算机可执行指令，以完成上述的暴雨天气检测方法实施例中的全部或部分步骤。
通信接口303用于终端30传输数据，例如实现与客户端和服务端之间的通信等。通信接口303包括有线通信接口，还可以包括无线通信接口。其中，有线通信接口包括USB接口、Micro USB接口，还可以包括以太网接口。无线通信接口可以为WLAN接口，蜂窝网络通信接口或其组合等。
在一个示意性实施例中，本申请实施例提供的终端30还包括电源组件，电源组件为终端30的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为终端30生成、管理和分配电力相关联的组件。
通信组件，通信组件被配置为便于终端30和其他设备之间有线或无线方式的通信。终端30可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。通信组件还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在一个示意性实施例中，终端30可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)或其他电子元件实现。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
当然，上述说明也并不仅限于上述举例，本申请未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述；以上实施例及附图仅用于说明本申请的技术方案并非是对本申请的限制，如来替代，本申请仅结合并参照优选的实施方式进行了详细说明，本领域的普通技术人员应当理解，本技术领域的普通技术人员在本申请的实质范围内所做出的变化、改型、添加或替换都不脱离本申请的宗旨，也应属于本申请的权利要求保护范围。
Claims (10)
1.一种暴雨天气检测方法，其特征在于，基于加权密度自适应A-DBSCAN算法，所述方法包括：
通过使用高斯-拉普拉斯LOG算子对监控摄像图像进行处理得到对应时刻的LOG值；
通过基于加权密度自适应A-DBSCAN算法从所述LOG值中筛序出有效LOG值；
根据所述有效LOG值与对应时刻降雨数据的回归关系对暴雨天气进行检测。
2.根据权利要求1所述的暴雨天气检测方法，其特征在于，所述通过使用高斯-拉普拉斯LOG算子对监控摄像图像进行处理得到对应时刻的LOG值，包括：
通过高斯滤波器对摄像头获取的实时图像进行第一降噪处理；
将降噪处理后的图像进行Laplacian算子计算，得出所述LOG值。
3.根据权利要求2所述的暴雨天气检测方法，其特征在于，所述通过高斯滤波器对摄像头获取的实时图像进行第一降噪处理，包括：利用高斯核的一个二维的卷积算子对图像模糊化，去除细节和噪声。
4.根据权利要求3所述的暴雨天气检测方法，其特征在于，所述将降噪处理后的图像进行Laplacian算子计算，得出所述LOG值包括：
将Laplacian算子公式定义如下：
在x方向上为：
在y方向上为：
在x与y方向上的离散计算公式：
5.根据权利要求1所述的暴雨天气检测方法，其特征在于，所述通过基于加权密度自适应A-DBSCAN算法从所述LOG值中筛序出有效LOG值，包括：
输入LOG值组成的数据数组S；
选择数据集合中的相同每分钟降雨量的LOG值作为原始数据数组S1；
随机选择原始数据数组S1中的未遍历点a，计算出a与S1所有数据的欧氏距离，保留最小的欧氏距离加入到密度数组D中；
统计密度数组D中的各密度数据出现的评率，获得数据密度Eps；
采用传统DBSCAN聚类算法，将所述Eps数据密度作为设置密度，簇的最小个数MinPts设置为2；
将拥有最多样本点的簇作为有效数据集合保留，将其余簇作为噪声舍弃，如果有相同个数样本点的簇存在，将方差较小的一组作为有效数据集合最终保留。
6.根据权利要求1所述的暴雨天气检测方法，其特征在于，所述根据所述有效LOG值与对应时刻降雨数据的回归关系对暴雨天气进行检测包括：
根据所述有效LOG值与对应时刻降雨数据确定非线性回归多项式；
根据所述非线性回归多项式进行回归对暴雨天气进行检测。
7.一种暴雨天气检测系统，其特征在于，基于加权密度自适应A-DBSCAN算法，所述系统包括：
获取模块，用于通过使用高斯-拉普拉斯LOG算子对监控摄像图像进行处理得到对应时刻的LOG值；
筛选模块，用于通过基于加权密度自适应A-DBSCAN算法从所述LOG值中筛序出有效LOG值；
检测模块，用于根据所述有效LOG值与对应时刻降雨数据的回归关系对暴雨天气进行检测。
8.根据权利要求7所述的暴雨天气检测系统，其特征在于，所述获取模块包括：
降噪单元，用于通过高斯滤波器对摄像头获取的实时图像进行第一降噪处理；
计算单元，用于将降噪处理后的图像进行Laplacian算子计算，得出所述LOG值。
9.根据权利要求7所述的暴雨天气检测系统，其特征在于，所述筛选模块包括：
输入单元，用于输入LOG值组成的数据数组S；
选择单元，用于选择数据集合中的相同每分钟降雨量的LOG值作为原始数据数组S1；
随机选择单元，用于随机选择原始数据数组S1中的未遍历点a，计算出a与S1所有数据的欧氏距离，保留最小的欧氏距离加入到密度数组D中；
获取单元，用于统计密度数组D中的各密度数据出现的评率，获得数据密度Eps；
设置单元，用于采用传统DBSCAN聚类算法，将所述Eps数据密度作为设置密度，簇的最小个数MinPts设置为2；
确定单元，用于将拥有最多样本点的簇作为有效数据集合保留，将其余簇作为噪声舍弃，如果有相同个数样本点的簇存在，将方差较小的一组作为有效数据集合最终保留。
10.一种终端，其特征在于，包括：
处理器；
用于存储所述处理器处理可执行指令的存储器；
所述处理器执行如权利要求1-6任一项所述的暴雨天气检测方法，对暴雨天气进行检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010250736.XA CN111310739A (zh) | 2020-04-01 | 2020-04-01 | 一种暴雨天气检测方法、系统及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010250736.XA CN111310739A (zh) | 2020-04-01 | 2020-04-01 | 一种暴雨天气检测方法、系统及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111310739A true CN111310739A (zh) | 2020-06-19 |
Family
ID=71147395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010250736.XA Pending CN111310739A (zh) | 2020-04-01 | 2020-04-01 | 一种暴雨天气检测方法、系统及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310739A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112363020A (zh) * | 2020-11-11 | 2021-02-12 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于不同天气的输配电线路声音异常检测方法 |
| CN116952943A (zh) * | 2023-09-19 | 2023-10-27 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于倾斜摄影的林地坡面土壤侵蚀测量系统 |
| CN117349611A (zh) * | 2023-12-06 | 2024-01-05 | 山东清控生态环境产业发展有限公司 | 一种基于大数据分析的水质波动仪监测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194415A (zh) * | 2017-04-28 | 2017-09-22 | 浙江工业大学 | 一种基于拉普拉斯中心性的峰值聚类方法 |
| CN108520023A (zh) * | 2018-03-22 | 2018-09-11 | 合肥佳讯科技有限公司 | 一种基于混合聚类算法的雷暴核识别及追踪方法 |
| CN109374986A (zh) * | 2018-09-19 | 2019-02-22 | 中国气象局气象探测中心 | 一种基于聚类分析与网格搜索的雷电定位方法及系统 |
| US20190064346A1 (en) * | 2017-08-30 | 2019-02-28 | Weather Analytics Llc | Radar Artifact Reduction System for the Detection of Hydrometeors |
| CN109710754A (zh) * | 2018-11-12 | 2019-05-03 | 中国科学院信息工程研究所 | 一种基于深度结构学习的群体异常行为检测方法 |
| CN110309704A (zh) * | 2019-04-30 | 2019-10-08 | 泸州市气象局 | 一种极端天气实时检测方法、系统及终端 |
| CN110852245A (zh) * | 2019-11-07 | 2020-02-28 | 中国民航大学 | 基于离散属性bnt的双偏振气象雷达降水粒子分类方法 |
-
2020
- 2020-04-01 CN CN202010250736.XA patent/CN111310739A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194415A (zh) * | 2017-04-28 | 2017-09-22 | 浙江工业大学 | 一种基于拉普拉斯中心性的峰值聚类方法 |
| US20190064346A1 (en) * | 2017-08-30 | 2019-02-28 | Weather Analytics Llc | Radar Artifact Reduction System for the Detection of Hydrometeors |
| CN108520023A (zh) * | 2018-03-22 | 2018-09-11 | 合肥佳讯科技有限公司 | 一种基于混合聚类算法的雷暴核识别及追踪方法 |
| CN109374986A (zh) * | 2018-09-19 | 2019-02-22 | 中国气象局气象探测中心 | 一种基于聚类分析与网格搜索的雷电定位方法及系统 |
| CN109710754A (zh) * | 2018-11-12 | 2019-05-03 | 中国科学院信息工程研究所 | 一种基于深度结构学习的群体异常行为检测方法 |
| CN110309704A (zh) * | 2019-04-30 | 2019-10-08 | 泸州市气象局 | 一种极端天气实时检测方法、系统及终端 |
| CN110852245A (zh) * | 2019-11-07 | 2020-02-28 | 中国民航大学 | 基于离散属性bnt的双偏振气象雷达降水粒子分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| CHEN TANG: "《Research on Rainstorm Weather Detection Method Based on Weighted Density Adaptive A-DBSCAN Algorithm》" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112363020A (zh) * | 2020-11-11 | 2021-02-12 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于不同天气的输配电线路声音异常检测方法 |
| CN116952943A (zh) * | 2023-09-19 | 2023-10-27 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于倾斜摄影的林地坡面土壤侵蚀测量系统 |
| CN116952943B (zh) * | 2023-09-19 | 2023-12-08 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于倾斜摄影的林地坡面土壤侵蚀测量系统 |
| CN117349611A (zh) * | 2023-12-06 | 2024-01-05 | 山东清控生态环境产业发展有限公司 | 一种基于大数据分析的水质波动仪监测方法 |
| CN117349611B (zh) * | 2023-12-06 | 2024-03-08 | 山东清控生态环境产业发展有限公司 | 一种基于大数据分析的水质波动仪监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310739A (zh) | 一种暴雨天气检测方法、系统及终端 | |
| US10839212B2 (en) | Systems and methods for detecting imaged clouds | |
| US20160260306A1 (en) | Method and device for automated early detection of forest fires by means of optical detection of smoke clouds | |
| CN109145848B (zh) | 一种麦穗计数方法 | |
| DE102018129251A1 (de) | Adaptive Verarbeitung räumlicher Bilderfassungsdaten | |
| CN112149476A (zh) | 目标检测方法、装置、设备和存储介质 | |
| KR101874968B1 (ko) | 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법 | |
| Tayfur et al. | Meteorological Drought Analysis for Helmand River Basin, Afghanistan | |
| CN113269175B (zh) | 一种火情监测方法和装置 | |
| JP4225807B2 (ja) | 路面状況判定方法および装置 | |
| CN110309704B (zh) | 一种极端天气实时检测方法、系统及终端 | |
| CN116761049B (zh) | 一种家用智能安防监控方法及系统 | |
| CN116243273B (zh) | 一种针对植被冠层提取的光子计数激光雷达数据滤波方法 | |
| CN116612103B (zh) | 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统 | |
| CN107782259B (zh) | 一种基于无线传感器网络的叶面积指数测量系统 | |
| CN112906594B (zh) | 一种布防区域生成方法、装置、设备及存储介质 | |
| CN113183919A (zh) | 基于车路协同的雨刮控制方法、系统、设备及存储介质 | |
| Tang et al. | Research on Rainstorm Weather Detection Method Based on Weighted Density Adaptive A-DBSCAN Algorithm | |
| CN113688958A (zh) | 适用于目标识别数据的过滤方法、装置及系统 | |
| CN114623768B (zh) | 一种基于线阵ccd的自适应调光方法及系统 | |
| Yue et al. | Optimizing the urban thermal environment at local scale: a case study in Wuhan, China | |
| CN116778696B (zh) | 一种基于视觉的城市内涝智能预警方法及系统 | |
| CN110866639B (zh) | 一种热带气旋降雨预报方法、系统及电子设备 | |
| CN115147461B (zh) | 一种灾害实时预警方法、系统及设备 | |
| CN111882170B (zh) | 一种多传感器融合的电力系统物联监测方法及系统 |
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 |