CN113129408A - 一种基于大数据的团雾监测方法 - Google Patents
一种基于大数据的团雾监测方法 Download PDFInfo
- Publication number
- CN113129408A CN113129408A CN202110376252.4A CN202110376252A CN113129408A CN 113129408 A CN113129408 A CN 113129408A CN 202110376252 A CN202110376252 A CN 202110376252A CN 113129408 A CN113129408 A CN 113129408A
- Authority
- CN
- China
- Prior art keywords
- data
- camera
- monitoring
- big data
- big
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005315 distribution function Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000003595 mist Substances 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 206010039203 Road traffic accident Diseases 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 3
- 239000004925 Acrylic resin Substances 0.000 description 1
- 229920000178 Acrylic resin Polymers 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/14—Error detection or correction of the data by redundancy in operation
- G06F11/1402—Saving, restoring, recovering or retrying
- G06F11/1446—Point-in-time backing up or restoration of persistent data
- G06F11/1448—Management of the data involved in backup or backup restore
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于大数据的团雾监测方法,包括步骤一,摄像头监测;步骤二,图片处理;步骤三,大数据判断;步骤四,监测预警;步骤五,数据存储;其中在上述步骤一中,人工将需要监测的地区绘制地图,并将需要监测的地区每隔一端距离安装摄像头;通过摄像头获取监测地区图像,连续获取1‑2个月,随后将图像收集整理;该基于大数据的团雾监测方法操作方便,省时省力,采用摄像头拍摄,通过高斯分布函数与大数据对图像进行处理,预测团雾走向,及时提出预警,有利于清理团雾,避免团雾影响视线造成交通事故,有利于用户使用,同时该基于大数据的团雾监测方法成本低,检测范围大,方便用户操作,增加监测的可靠性。
Description
技术领域
本发明涉及丙烯酸树脂加工技术领域,具体为一种基于大数据的团雾监测方法。
背景技术
团雾又名坨坨雾,其本质上也是雾,是受局部地区微气候环境的影响,在大雾中数十米到上百米的局部范围内,出现的更浓、能见度更低的雾,对高速公路交通安全极具危害性,容易酿成重大交通事故;传统团雾监测需要人工勘测,不能预测团雾走向,导致无法及时提出预警,不利于清理团雾,极易使团雾影响视线造成交通事故,同时传统团雾监测成本高,检测范围小,用户操作麻烦,降低监测的可靠性;针对这些缺陷,设计一种基于大数据的团雾监测方法是很有必要的。
发明内容
本发明的目的在于提供一种基于大数据的团雾监测方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据的团雾监测方法,包括步骤一,摄像头监测;步骤二,图片处理;步骤三,大数据判断;步骤四,监测预警;步骤五,数据存储;
其中在上述步骤一中,摄像头监测包括以下步骤:
1)人工将需要监测的地区绘制地图,并将需要监测的地区每隔一端距离安装摄像头;
2)通过摄像头获取监测地区图像,连续获取1-2个月,随后将图像收集整理;
其中在上述步骤二中,图片处理包括以下步骤:
1)人工将步骤一2)中摄像头获取的图片进行选取,随后将图片传输至电脑中备份存储;
2)通过电脑将图片进行锐化,随后对摄像头捕获的图片进行动态时间序列,利用高斯混合模型,剔除运动目标,提取图片信息;
其中在上述步骤三中,大数据判断包括以下步骤:
1)通过大数据分析高斯分布函数f1(x,y)=(K,j=1)∑wjη(μj,σj),将步骤二2)中时间序列图像的第一帧f1做为初始背景,使用K个高斯模型来表征本图像中各个像素点f1(x,y)的特征;
2)由图像灰度直方图的分布确定每个高斯模型的均值μj和标准差σj,j∈[1,K],每个像素点灰度值可表示成K个高斯分布函数的叠加,即其中,η(μj,σj)是第j个高斯分布,从第二帧图像fi(x ,y),i>1开始,估计每个像素点是否属于背景,即判断|fi(x ,y)-μj|≤2.5σj公式是否成立;
3)若公式|fi(x ,y)-μj|≤2.5σj成立,则像素点fi(x ,y)是背景点,否则是前景点,根据前景点生成新的高斯模型;按公式ЩK,i=(1-α)ЩK,i-1+αMK,i,更新当前图像中每个模型权重,其中α是学习速率,若当前点是背景,则MK,i=1,否则MK,i=0,ЩK,i-1为更新前的模型权重,ЩK,i为更新后的模型权重,前景点的高斯模型均值和标准差保持不变,背景点的高斯模型均值和标准差按当前图像进行更新,即可得出团雾运行轨迹;
其中在上述步骤四中,监测预警包括以下步骤:
1)若一个摄像头捕捉到团雾,将捕捉图像传输至电脑,通过步骤二中大数据判断团雾运行轨迹,并将数据反馈至云端;
2)人工查询云端数据,检测其余摄像头团雾状况,判断团雾状态,进行清理与预警;
其中在上述步骤五中,每次团雾状态图像与数据处理后,将其备份存储在档案室,并将其绘制图像以备后续对比。
根据上述技术方案,所述步骤一1)中摄像头相隔距离为10-20m。
根据上述技术方案,所述步骤二2)中人工将动态时间序列图片制成坐标系。
根据上述技术方案,所述步骤三1)中K的取值范围为3~5。
根据上述技术方案,所述步骤四2)中预警时提醒司机慢行,开启雾灯。
根据上述技术方案,所述步骤五中定期检查数据,删除无用数据。
与现有技术相比,本发明所达到的有益效果是:该基于大数据的团雾监测方法采用摄像头拍摄,通过高斯分布函数与大数据对图像进行处理,预测团雾走向,及时提出预警,有利于清理团雾,避免团雾影响视线造成交通事故,有利于用户使用,同时该基于大数据的团雾监测方法成本低,检测范围大,方便用户操作,增加监测的可靠性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
请参阅图1,本发明提供一种技术方案:一种基于大数据的团雾监测方法,包括步骤一,摄像头监测;步骤二,图片处理;步骤三,大数据判断;步骤四,监测预警;步骤五,数据存储;
其中在上述步骤一中,摄像头监测包括以下步骤:
1)人工将需要监测的地区绘制地图,并将需要监测的地区每隔一端距离安装摄像头,摄像头相隔距离为10-20m;
2)通过摄像头获取监测地区图像,连续获取1-2个月,随后将图像收集整理;
其中在上述步骤二中,图片处理包括以下步骤:
1)人工将步骤一2)中摄像头获取的图片进行选取,随后将图片传输至电脑中备份存储;
2)通过电脑将图片进行锐化,随后对摄像头捕获的图片进行动态时间序列,人工将动态时间序列图片制成坐标系,利用高斯混合模型,剔除运动目标,提取图片信息;
其中在上述步骤三中,大数据判断包括以下步骤:
1)通过大数据分析高斯分布函数f1(x,y)=(K,j=1)∑wjη(μj,σj),将步骤二2)中时间序列图像的第一帧f1做为初始背景,使用K个高斯模型来表征本图像中各个像素点f1(x,y)的特征,K的取值范围为3~5;
2)由图像灰度直方图的分布确定每个高斯模型的均值μj和标准差σj,j∈[1,K],每个像素点灰度值可表示成K个高斯分布函数的叠加,即其中,η(μj,σj)是第j个高斯分布,从第二帧图像fi(x ,y),i>1开始,估计每个像素点是否属于背景,即判断|fi(x ,y)-μj|≤2.5σj公式是否成立;
3)若公式|fi(x ,y)-μj|≤2.5σj成立,则像素点fi(x ,y)是背景点,否则是前景点,根据前景点生成新的高斯模型;按公式ЩK,i=(1-α)ЩK,i-1+αMK,i,更新当前图像中每个模型权重,其中α是学习速率,若当前点是背景,则MK,i=1,否则MK,i=0,ЩK,i-1为更新前的模型权重,ЩK,i为更新后的模型权重,前景点的高斯模型均值和标准差保持不变,背景点的高斯模型均值和标准差按当前图像进行更新,即可得出团雾运行轨迹;
其中在上述步骤四中,监测预警包括以下步骤:
1)若一个摄像头捕捉到团雾,将捕捉图像传输至电脑,通过步骤二中大数据判断团雾运行轨迹,并将数据反馈至云端;
2)人工查询云端数据,检测其余摄像头团雾状况,判断团雾状态,进行清理与预警,预警时提醒司机慢行,开启雾灯;
其中在上述步骤五中,每次团雾状态图像与数据处理后,将其备份存储在档案室,并将其绘制图像以备后续对比,定期检查数据,删除无用数据。
基于上述,本发明的优点在于,该基于大数据的团雾监测方法采用摄像头拍摄,通过高斯分布函数与大数据对图像进行处理,预测团雾走向,及时提出预警,有利于清理团雾,避免团雾影响视线造成交通事故,有利于用户使用,同时该基于大数据的团雾监测方法成本低,检测范围大,方便用户操作,增加监测的可靠性。
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。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于大数据的团雾监测方法,包括步骤一,摄像头监测;步骤二,图片处理;步骤三,大数据判断;步骤四,监测预警;步骤五,数据存储;其特征在于:
其中在上述步骤一中,摄像头监测包括以下步骤:
1)人工将需要监测的地区绘制地图,并将需要监测的地区每隔一端距离安装摄像头;
2)通过摄像头获取监测地区图像,连续获取1-2个月,随后将图像收集整理;
其中在上述步骤二中,图片处理包括以下步骤:
1)人工将步骤一2)中摄像头获取的图片进行选取,随后将图片传输至电脑中备份存储;
2)通过电脑将图片进行锐化,随后对摄像头捕获的图片进行动态时间序列,利用高斯混合模型,剔除运动目标,提取图片信息;
其中在上述步骤三中,大数据判断包括以下步骤:
1)通过大数据分析高斯分布函数f1(x,y)=(K,j=1)∑wjη(μj,σj),将步骤二2)中时间序列图像的第一帧f1做为初始背景,使用K个高斯模型来表征本图像中各个像素点f1(x,y)的特征;
2)由图像灰度直方图的分布确定每个高斯模型的均值μj和标准差σj,j∈[1,K],每个像素点灰度值可表示成K个高斯分布函数的叠加,即其中,η(μj,σj)是第j个高斯分布,从第二帧图像fi(x ,y),i>1开始,估计每个像素点是否属于背景,即判断|fi(x ,y)-μj|≤2.5σj公式是否成立;
3)若公式|fi(x ,y)-μj|≤2.5σj成立,则像素点fi(x ,y)是背景点,否则是前景点,根据前景点生成新的高斯模型;按公式ЩK,i=(1-α)ЩK,i-1+αMK,i,更新当前图像中每个模型权重,其中α是学习速率,若当前点是背景,则MK,i=1,否则MK,i=0,ЩK,i-1为更新前的模型权重,ЩK,i为更新后的模型权重,前景点的高斯模型均值和标准差保持不变,背景点的高斯模型均值和标准差按当前图像进行更新,即可得出团雾运行轨迹;
其中在上述步骤四中,监测预警包括以下步骤:
1)若一个摄像头捕捉到团雾,将捕捉图像传输至电脑,通过步骤二中大数据判断团雾运行轨迹,并将数据反馈至云端;
2)人工查询云端数据,检测其余摄像头团雾状况,判断团雾状态,进行清理与预警;
其中在上述步骤五中,每次团雾状态图像与数据处理后,将其备份存储在档案室,并将其绘制图像以备后续对比。
2.根据权利要求1所述的一种基于大数据的团雾监测方法,其特征在于:所述步骤一1)中摄像头相隔距离为10-20m。
3.根据权利要求1所述的一种基于大数据的团雾监测方法,其特征在于:所述步骤二2)中人工将动态时间序列图片制成坐标系。
4.根据权利要求1所述的一种基于大数据的团雾监测方法,其特征在于:所述步骤三1)中K的取值范围为3~5。
5.根据权利要求1所述的一种基于大数据的团雾监测方法,其特征在于:所述步骤四2)中预警时提醒司机慢行,开启雾灯。
6.根据权利要求1所述的一种基于大数据的团雾监测方法,其特征在于:所述步骤五中定期检查数据,删除无用数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110376252.4A CN113129408A (zh) | 2021-04-08 | 2021-04-08 | 一种基于大数据的团雾监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110376252.4A CN113129408A (zh) | 2021-04-08 | 2021-04-08 | 一种基于大数据的团雾监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113129408A true CN113129408A (zh) | 2021-07-16 |
Family
ID=76775275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110376252.4A Pending CN113129408A (zh) | 2021-04-08 | 2021-04-08 | 一种基于大数据的团雾监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129408A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130138392A (ko) * | 2012-06-11 | 2013-12-19 | 휴앤에스(주) | 돌발검지 시스템 |
CN108735000A (zh) * | 2018-06-22 | 2018-11-02 | 南京慧尔视智能科技有限公司 | 一种能预防团雾导致高速公路交通事故的方法及系统 |
CN109448397A (zh) * | 2018-11-20 | 2019-03-08 | 山东交通学院 | 一种基于大数据的团雾监测方法 |
CN110598613A (zh) * | 2019-09-03 | 2019-12-20 | 长安大学 | 一种高速公路团雾监测方法 |
-
2021
- 2021-04-08 CN CN202110376252.4A patent/CN113129408A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130138392A (ko) * | 2012-06-11 | 2013-12-19 | 휴앤에스(주) | 돌발검지 시스템 |
CN108735000A (zh) * | 2018-06-22 | 2018-11-02 | 南京慧尔视智能科技有限公司 | 一种能预防团雾导致高速公路交通事故的方法及系统 |
CN109448397A (zh) * | 2018-11-20 | 2019-03-08 | 山东交通学院 | 一种基于大数据的团雾监测方法 |
CN110598613A (zh) * | 2019-09-03 | 2019-12-20 | 长安大学 | 一种高速公路团雾监测方法 |
Non-Patent Citations (1)
Title |
---|
石胜华等: "杭州绕城西复线交通气象预警与服务技术研究", 《公路交通科技(应用技术版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112037266B (zh) | 一种下落物体的识别方法、装置、终端设备及存储介质 | |
CN112669349B (zh) | 一种客流统计方法、电子设备及存储介质 | |
CN109977782B (zh) | 基于目标位置信息推理的跨店经营行为检测方法 | |
US9323991B2 (en) | Method and system for video-based vehicle tracking adaptable to traffic conditions | |
CN109359563B (zh) | 一种基于数字图像处理的占道现象实时检测方法 | |
CN109086682B (zh) | 一种基于多特征融合的智能视频黑烟车检测方法 | |
CN111310592B (zh) | 一种基于场景分析和深度学习的检测方法 | |
CN113505638B (zh) | 车流量的监测方法、监测装置及计算机可读存储介质 | |
CN111723773A (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
CN111881322B (zh) | 一种目标搜索方法、装置、电子设备及存储介质 | |
CN103886609A (zh) | 基于粒子滤波和lbp特征的车辆跟踪方法 | |
CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
CN115994901A (zh) | 一种道路病害自动检测方法与系统 | |
WO2018209470A1 (zh) | 一种车牌辨识方法和系统 | |
CN113052125B (zh) | 一种施工现场违章图像识别告警方法 | |
CN114170295A (zh) | 一种基于混合视觉的高空抛物检测方法及装置 | |
CN112562315B (zh) | 一种获取车流信息的方法、终端及存储介质 | |
Yuliandoko et al. | Automatic vehicle counting using Raspberry pi and background subtractions method in the sidoarjo toll road | |
CN117372629A (zh) | 一种基于数字孪生的水库可视化数据监管控制系统及方法 | |
CN113255697A (zh) | 复杂场景下的高精度高空抛物检测系统及方法 | |
CN111597992B (zh) | 一种基于视频监控的场景物体异常的识别方法 | |
CN113112479A (zh) | 基于关键区块提取的渐进式目标检测方法和装置 | |
CN116229396B (zh) | 高速路面病害识别及告警方法 | |
CN113129408A (zh) | 一种基于大数据的团雾监测方法 | |
CN115131826B (zh) | 物品检测识别方法、网络模型的训练方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210716 |