CN114170327A - 识别方法和电子设备 - Google Patents
识别方法和电子设备 Download PDFInfo
- Publication number
- CN114170327A CN114170327A CN202010845442.1A CN202010845442A CN114170327A CN 114170327 A CN114170327 A CN 114170327A CN 202010845442 A CN202010845442 A CN 202010845442A CN 114170327 A CN114170327 A CN 114170327A
- Authority
- CN
- China
- Prior art keywords
- picture
- acquiring
- fog
- features
- channel
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例涉及识别方法和电子设备。所述识别方法包括:获取第一图片的特征,所述第一图片的特征包括光学特征和/或形态学特征;将所述第一图片的特征输入至识别模型中,以通过所述识别模型识别所述第一图片是否为有雾图片。
Description
技术领域
本公开涉及图像处理技术,尤其涉及识别方法和电子设备。
背景技术
在引发交通事故的因素中,恶劣天气因素占据较大比例。特别是在有雾的天气下,驾驶员的视线受到极大影响,使得发生事故的机率明显增大。目前,已经可以根据气象图片识别天气情况,但是对于有雾天气的识别的准确率并不高。因此,有必要提出一种新的识别方法,可以对有雾天气进行识别。
发明内容
本公开的实施例提供识别方法和电子设备,可以对有雾天气进行识别。
根据本公开的实施例的第一方面,提供了识别方法,包括:
获取第一图片的特征,所述第一图片的特征包括光学特征和/或形态学特征;
将所述第一图片的特征输入至识别模型中,以通过所述识别模型识别所述第一图片是否为有雾图片。
可选地,所述光学特征至少包括以下光学特征之一:像素均值、像素方差、像素值分布。
可选地,所述形态学特征至少包括以下形态学特征之一:熵特征、能量特征、目标分布。
可选地,所述形态学特征至少包括目标分布;
所述获取第一图片的特征,包括:
在所述第一图片中确定表征雾区的感兴趣区域;
将所述感兴趣区域作为目标,获取所述目标在所述第一图片中的目标分布。
可选地,所述获取第一图片的特征,包括:
将所述第一图片转换为YUV格式,以获取Y通道图、U通道图和V通道图;
针对每一个通道图,分别进行特征获取。
可选地,所述方法还包括:
将所述第一图片的特征映射到高维空间,以得到所述第一图片的高维特征数据;
所述将第一图片的特征输入至识别模型,包括:将所述第一图片的高维特征数据输入至所述识别模型中。
可选地,所述识别模型采用支持向量机分类算法。
可选地,所述方法还包括:在通过所述识别模型识别所述第一图片为有雾图片的情况下,对所述第一图片进行复检;在所述复检结果为所述第一图片为有雾图片的情况下,确认所述第一图片为有效有雾图片;
所述对第一图片进行复检,包括:
对所述第一图片进行去雾处理,得到第二图片;
获取所述第二图片的特征;
获取所述第一图片的特征和所述第二图片的对应的特征的差异,根据所述差异确定复检结果。
可选地,所述方法还包括:在所述复检结果为所述第一图片为无雾图片的情况下,确定所述第一图片为无效图片。
可选地,所述方法还包括:
获取多张所述第一图片以及获取每张所述第一图片的地理位置;
在同一地理位置的多张所述第一图片为有雾图片的情况下,生成与该地理位置有关的雾警信息。
可选地,所述方法还包括:
获取多张所述第一图片以及获取每张所述第一图片的地理位置;
在同一地理位置的多张所述第一图片为有效有雾图片的情况下,生成与该地理位置有关的雾警信息。
根据本公开的实施例的第二方面,提供了电子设备,包括存储器和处理器,所述存储器用于存储计算机指令,所述计算机指令在所述处理器执行时,实现采用本公开第一方面提供的识别方法。
本公开的实施例提供的识别方法和电子设备,可以提升对有雾天气进行识别的准确率。
通过以下参照附图对本公开的实施例示例性实施例的详细描述,本公开的实施例其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例,并且连同其说明一起用于解释本公开的实施例原理。
图1为本公开的实施例的预警系统的示意图;
图2为本公开的第一实施例的识别方法的流程图;
图3为本公开的实施例提供的无雾图片的示意图;
图4为本公开的实施例提供的有雾图片的示意图。
具体实施方式
现在将参照附图来详细描述本公开的实施例各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的实施例范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开的实施例及其应用或使用的任何限制。
对于相关领域普通技术人物已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
<预警系统实施例>
图1示出了可以实现本公开的实施例的预警系统的示意图。
如图1所示,本实施例的预警系统1000可以包括图像采集设备1200和服务器1100。图像采集设备1200可以通过通信网络1300与服务器1100进行通信。通信网络1300可以是无线网络也可以是有线网络,可以是局域网也可以是广域网。
服务器1100例如可以是刀片服务器、机架式服务器等,服务器1100也可以是部署在云端的服务器集群,在此不做限定。
服务器1100可以包括处理器1110、存储器1120、接口装置1130、通信装置1140、显示装置1150和输入装置1160。处理器1110用于执行计算机程序。该计算机程序可以采用比如x86、Arm、RISC、MIPS、SSE等架构的指令集编写。存储器1120例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1130例如包括USB接口、串行接口等。通信装置1140例如能够进行有线或无线通信。显示装置1150例如是液晶显示屏。输入装置1160例如可以包括触摸屏、键盘等。
图像采集设备1200可以是设置在现场的图像采集装置(例如电子眼、违章摄像头等、监控摄像头、气象摄像头等),或者可以是用户持有的具有拍照功能的移动电子设备(例如智能手机、相机等)。图像采集设备1200可以包括处理器1210、存储器1220、接口装置1230、通信装置1240、显示装置1250、摄像头1260、输入装置1270、输出装置1280等等。处理器1210可以是中央处理器CPU、微处理器MCU等,处理器1210用于执行计算机程序。该计算机程序可以采用比如x86、Arm、RISC、MIPS、SSE等架构的指令集编写。存储器1220例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1230例如包括USB接口、耳机接口等。通信装置1240例如能够进行有线或无线通信。通信装置1240可以包括短距离通信装置,例如是基于WiFi(IEEE 802.11协议)、蓝牙等短距离无线通信协议进行短距离无线通信的任意装置,通信装置1240也可以包括远程通信装置,例如是进行WLAN、GPRS、2G/3G/4G/5G远程通信的任意装置。显示装置1250例如是液晶显示屏、触摸显示屏等。输入装置1260例如可以是触摸屏、键盘、鼠标等。音频装置1280可以包括扬声器和麦克风。
应用于本公开的实施例中,服务器1100可以接收图像采集设备1200提交的图片,对图片进行识别以确定天气情况。
服务器1100的存储器1120用于存储计算机指令,所述计算机指令用于控制处理器1110进行操作以支持实现本公开的任意实施例的识别方法。技术人员可以根据本公开的实施例的方案设计指令,指令如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
图1所示的预警系统1000仅是解释性的,并且决不是为了要限制本公开的实施例以及其用途。例如,尽管图1仅示出一个服务器1100和一个图像采集设备1200,但不意味着限制各自的数量,预警系统1000中可以包含多个服务器1100、多个图像采集设备1200。本领域技术人员应当理解,尽管在图1中示出了服务器1100的多个装置和图像采集设备1200的多个装置,但是,本公开的实施例的服务器1100和图像采集设备1200也可以仅涉及其中的部分装置。
<识别方法实施例>
<第一实施例>
参见图2所示,对本公开第一实施例提供的识别方法进行说明。
第一实施例提供的识别方法包括步骤S102-S104。
S102、获取第一图片的特征,第一图片的特征包括光学特征和/或形态学特征。
S104、将第一图片的特征输入至识别模型中,以通过识别模型识别第一图片是否为有雾图片。
本公开实施例中,光学特征至少包括以下光学特征之一:像素均值、像素方差、像素值分布。本公开实施例中,形态学特征至少包括以下形态学特征之一:熵特征、能量特征、目标分布。
如图3和图4所示,图3展示的是无雾图的原图、灰度图、热力图、直方图,图4展示的是有雾图的原图、灰度图、热力图、直方图。其中直方图可以体现相应图片中的像素值分布,横轴为像素值(范围在0~255之间),纵轴为图片中对应于像素值的像素的数量。
从图3和图4中可以看出,无雾图的热力图分布能展示原图很多细节,可以很好的将原图的具体对象清晰的还原出来。而有雾图的热力图分布均衡,无法分割出具体对象。因此,利用图像的热力图可以量化图像中物体的清晰度,侧面反映雾的情况。
从图3和图4中可以看出,无雾图的直方图的像素值分布相对分散,没有较为陡峭的峰值;而从有雾图的直方图可以看出,在像素值200左右有一个比较陡峭的峰值,也就是说有雾图的像素值分布比较集中,而且基本集中在200左右。因此,利用图像的直方图可以区分有雾图和无雾图。
图像直方图可反映光学特征(像素均值、像素方差、像素值分布),热力图可以反映形态学特征(熵特征、能量特征、目标分布),本公开实施例可以利用这些特征进行有雾天气识别。
下面一个具体的例子说明如何获取第一图片的特征,包括步骤S202-S204。
S202、将第一图片转换为YUV格式,以获取Y通道图、U通道图和V通道图。
RGB颜色空间是根据红绿蓝按照一定的比例混合得到的彩色信息表达方式,而YUV色彩空间由亮度信息(Y)与色彩信息(U和V)组成,其中,“U”和“V”表示色度(Chrominance或Chroma),作用是描述影像色彩及饱和度,用于指定像素的颜色。对于识别有雾图而言,YUV色彩空间更适合分析识别,可以从亮度、色彩、饱和度方面分别提取相关特征,获取到更丰富的信息,提升识别结果的准确性。
将RGB图转为YUV格式,转化方式如下。
Y=0.299R+0.587G+0.114B
U=(B-Y)/1.772
V=(R-Y)/1.402
S204、针对每一个通道图,分别进行光学特征提取,也就是得到每个通道图的光学特征。
获取第一图片的特征还可以包括步骤S206。
S206、针对每一个通道图,分别进行形态学特征获取,也就是得到每个通道图的形态学特征。
在一个具体的例子中,提取出的第一图片的特征包括:
Y通道图的像素均值、Y通道图的像素方差、Y通道图的像素值分布、Y通道图的熵值特征、Y通道图的能量特征、Y通道图的目标分布;
U通道图的像素均值、U通道图的像素方差、U通道图的像素值分布、U通道图的熵值特征、U通道图的能量特征、U通道图的目标分布;
V通道图的像素均值、V通道图的像素方差、V通道图的像素值分布、V通道图的熵值特征、V通道图的能量特征、V通道图的目标分布。
在该例子中,同时利用Y通道图、U通道图和V通道图中的光学特征和形态学特征进行有雾识别,可以提升识别准确率。
在另一个具体的例子中,雾对于环境亮度的影响比较大,Y通道图可以反映第一图片的亮度信息,在获取与雾有关的目标分布时具有重要作用,可以只利用Y通道图获取目标分布特征。在这种情况下,提取出的第一图片的特征包括:
Y通道图的像素均值、Y通道图的像素方差、Y通道图的像素值分布、Y通道图的熵值特征、Y通道图的能量特征、Y通道图的目标分布;
U通道图的像素均值、U通道图的像素方差、U通道图的像素值分布、U通道图的熵值特征、U通道图的能量特征;
V通道图的像素均值、V通道图的像素方差、V通道图的像素值分布、V通道图的熵值特征、V通道图的能量特征。
在另一个具体的例子中,由于雾对于环境亮度的影响比较大,Y通道图可以反映第一图片的亮度信息,可以只利用Y通道图进行有雾识别。也就是只针对Y通道图提取光学特征和形态学特征,利用Y通道图提取出的光学特征和形态学特征进行有雾识别。这种方式可以减少识别时间,在识别速度和识别准确率之间取得平衡。
下面说明如何获取像素均值:
对于同一个场景来说,雾的出现会屏蔽一些景深目标点,一定程度增加整幅图像的像素值,使用像素均值特征的可以将这一现象表示出来。可以根据以下公式获取像素均值。
其中,c为通道标识,c∈{Y,U,V}。m表示图像的行数,n表示图像的列数,mn为m和n的乘积,表示图像中像素的个数。表示在该通道标识为c的通道图片中,处于第i行j列位置的像素的像素值。表示该通道标识为c的通道图片中的全部像素点的像素值的和值。表示该通道标识为c的通道图片的像素均值。
下面说明如何获取像素方差:
当雾出现时,雾的颗粒会将光线反射/散射,导致整个图片变得模糊,像素方差可以很好的反映这一现象。当整个图片变得模糊时,有雾区域的像素值方差会变小。可以根据以下公式获取像素方差。
其中,c为通道标识,c∈{Y,U,V}。m表示图像的行数,n表示图像的列数,mn为m和n的乘积,表示图像中像素的个数。表示在该通道标识为c的通道图片中,处于第i行j列位置的像素的像素值。表示该通道标识为c的通道图片的像素均值。表示该通道标识为c的通道图片的像素方差。
下面说明如何获取像素值分布:
随着雾的出现,图像中的具体目标将慢慢消失,像素值的分布将变得集中,因此从统计学的角度,像素值分布可以反映雾的情况。可以根据以下公式获取像素值分布。
其中,c为通道标识,c∈{Y,U,V}。m表示图像的行数,n表示图像的列数,mn为m和n的乘积,表示图像中像素的个数。表示在该通道标识为c的通道图片中,处于第i行j列位置的像素的像素值。P表示像素值,P∈(0,255)。的含义是,对于像素值P来说,如果和它相等,则统计值加1。表示表示该通道标识为c的通道图片中,像素值为P的像素的个数。
下面说明如何获取熵特征:
从形态学的角度来看,纹理特征可以很好的反映雾的信息。用信息熵来表示像素分布的均匀性,雾越大,像素分布更加均匀,熵值越小。可以根据以下公式获取熵特征。
其中,c为通道标识,c∈{Y,U,V}。m表示图像的行数,n表示图像的列数,mn为m和n的乘积,表示图像中像素的个数。tc表示在该通道标识为c的通道图片中,所含有的不同像素值的个数。pi表示tc个像素值中的第i个像素值。表示在该通道标识为c的通道图片中,像素值为pi的像素的个数。为该通道标识为c的通道图片的熵。
下面说明如何获取能量特征:
能量特征也称之为二阶中心不变矩,可以反映图像的景深效应,也就是图片的清晰度,可以用于判别有雾图和无雾图。可以根据以下公式获取能量特征。
其中,c为通道标识,c∈{Y,U,V}。m表示图像的行数,n表示图像的列数,mn为m和n的乘积,表示图像中像素的个数。表示在该通道标识为c的通道图片中,处于第i行j列位置的像素的像素值。(x,y)表示图像中的质心的位置,在该通道标识为c的通道图片中,第x行第y列位置的像素为其质心。表示该通道标识为c的通道图片的质心位置(x,y)的像素值。质心位置(x,y)可以通过根据像素值的分布确定。为该通道标识为c的通道图片的能量特征。
下面说明如何获取目标分布:
在一张图片中,雾可能只出现在图片中的一部分,有雾的这一部分就是需要获取的感兴趣区域,也就是目标。在获取第一图片的目标分布时,首先需要在第一图片中确定表征雾区的感兴趣区域,然后将感兴趣区域作为目标,获取目标在第一图片中的目标分布。在一个具体的例子中,可以通过对第一图片进行二值化处理的方式确定感兴趣区域。
有雾的部分是偏白色并且模糊的,可以先对Y通道图片进行二值化分割处理,分割出白色区域和黑色区域,然后在白色区域中去掉可见物体,得到感兴趣区域。将感兴趣区域作为目标,获取目标在该Y通道图片中的目标分布。在进行二值化分割的时候,可以采用自适应阈值分割算法。
在将第一图片的特征输入至识别模型之前,可以将第一图片的特征映射到高维空间,以得到第一图片的高维特征数据。然后再将第一图片的高维特征数据输入至识别模型中。
在一个具体的例子中,可以采用高斯核函数对特征进行高维映射,使用高维特征数据进行识别可以使得识别结果更为准确。
在一个具体的例子中,识别模型采用支持向量机(Support Vector Machine,SVM)分类算法。对于支持向量机分类问题中,不存在一个有效线性可分的超平面,需要一个非线性的映射将数据变换到一个更高维的特征空间,使得其线性可分。这里可以采用高斯核函数对特征进行高维映射。
下面对本公开一个实施例的识别模型的训练过程进行说明,该识别模型可以采用支持向量机分类算法。
首先,获取样本图片集,样本图片集中的样本图片包括正样本图片和负样本图片。正样本图片为有雾图,标签值为“1”。负样本图片为有雾图,标签值为“0”,该标签可以是人工标注的。对样本图片集中的样本图片进行随机划分,其中75%的样本图片被划分为训练样本,25%的样本图片被划分为测试样本。
采用和前述一样的提取方式,提取样本图片的特征。将样本图片的特征数据输入至模型中,以标签值作为监督,对模型进行迭代训练。训练过程中,可以采用参数网格寻优的方式进行模型调优,采用留一验证法对训练模型验证。
然后,利用测试样本评估模型的能力,利用图片的真实值(也就是标签值)与预测值(模型输出值)的均方根误差来判别识别模型的性能。
在模型的性能达标后,该模型就可以被作为识别模型使用。
在一个具体的例子中,可以获取多张第一图片并且获取每张第一图片的地理位置。对每一张第一图片分别进行识别,在同一地理位置的多张第一图片被识别为有雾图片的情况下,生成与该地理位置有关的雾警信息。预警系统可以将预警信息发送给正处于或者将要经过该地理位置的车载终端或者手机等智能设备,也可以将预警信息在广播、电视中播报出来。
<第二实施例>
为了更精确的识别图片是否为有雾图片,本公开第二实施例提供了一种识别方法。
本公开第二实施例提供了一种识别方法,包括步骤S302-S304。
S302、获取第一图片的特征,第一图片的特征包括光学特征和/或形态学特征。
S304、将第一图片的特征输入至识别模型中,以通过识别模型识别第一图片是否为有雾图片。
S306、对第一图片进行复检,得到复检结果。
S308、在复检结果为第一图片为有雾图片的情况下,确认第一图片为有效有雾图片。基于有效有雾图片进行预警。
可以看出,第二实施例的步骤S302-S304和第一实施例步骤S102-S104相同,具体细节可以参见第一实施例,这里不再重复说明。
在复检结果为第一图片为无雾图片的情况下,确认第一图片为无效图片,将无效图片从预警系统中过滤排除掉,也就是不基于无效图片进行预警。或者,在复检结果为第一图片为无雾图片的情况下,引入人工判断,由人工对第一图片是否为有雾图片进行判断,在人工判断第一图片为有雾图片的情况下,确认第一图片为有效有雾图片。
对第一图片进行复检,得到复检结果的过程,可以包括步骤S402-S406。
S402、对第一图片进行去雾处理,得到第二图片。在步骤S402中,可以基于暗通道的去雾算法进行去雾处理。
S404、获取第二图片的特征。在步骤S404中,采用和第一图片一样的特征提取方式,提取第二图片的特征。
S406、获取第一图片的特征和第二图片的对应的特征的差异,根据差异确定复检结果。
如果一张图片为真实有雾的图片,在去雾处理后,图片的特征往往会变化很大,因此可以根据第一图片的特征和第二图片的对应的特征的差异,对第一图片是否为有雾图进行二次判断。
在一个具体的例子中,为每一项特征分别设置差异阈值。对于任一项特征来说,如果第一图片的该项特征和第二图片的该项特征的差值大于差异阈值,将该项特征作为一项差异特征。本公开实施例中可以基于统计学设置每项特征的差值阈值,这里不做具体限定。
在一个具体的例子中,设置比例阈值,统计差异特征占全部特征项的比例,在所述比例小于等于比例阈值的情况下,复检结果为“有雾图片”,在所述比例大于比例阈值的情况下,复检结果为“无雾图片”。本公开实施例中可以基于统计学设置比例阈值,这里不做具体限定。
例如,特征包括像素均值、像素方差、像素值分布、熵特征、能量特征、目标分布这六项特征,比例阈值为50%。如果其中有1-3项特征为差异特征,则复检结果为“有雾图片”。如果其中有4-6项特征为差异特征,则复检结果为“无雾图片”。
在第二实施例中,利用复检步骤进行二次识别,可以提升对有雾天气进行识别的准确率。此外,在面对雪地,大海,白墙,天空等特殊场景的图片时,不管图片中有雾无雾的实际情况如何,识别模型有可能将其识别为有雾图片。在复检时,雪地,大海,白墙,天空这些特殊场景的图片,去雾前后的特征差异不大,复检结果为“无雾图片”。通过这种方式可以将这些特殊场景的图片过滤排除掉,或者引入人工判断,以避免预警系统做出错误预警。
在一个具体的例子中,在一个具体的例子中,可以获取多张第一图片并且获取每张第一图片的地理位置。对每一张第一图片分别进行识别,在同一地理位置的多张第一图片被识别为有效有雾图片的情况下,生成与该地理位置有关的雾警信息。预警系统可以将预警信息发送给正处于或者将要经过该地理位置的车载终端或者手机等智能设备,也可以将预警信息在广播、电视中播报出来。
本公开的实施例提供的识别方法,采用了多个光学特征与多个形态学特征融合的方法,来识别图片是否为有雾图片,识别结果更为准确。
本公开的实施例提供的识别方法,采用支持向量机分类算法,提高了识别模型的鲁棒性。
本公开的实施例提供的识别方法,可以增加复检步骤,从而进一步提高识别准确率。
本公开的实施例提供的识别方法,可以排除掉雪地,大海,白墙,天空等特殊场景的影响。
<电子设备实施例>
本公开的实施例还提供电子设备。该电子设备包括以下模块:
获取模块,用于获取第一图片的特征,第一图片的特征包括光学特征和/或形态学特征。
识别模块,用于将第一图片的特征输入至识别模型中,以通过识别模型识别第一图片是否为有雾图片。
在一个具体的例子中,光学特征至少包括以下光学特征之一:像素均值、像素方差、像素值分布。
在一个具体的例子中,形态学特征至少包括以下形态学特征之一:熵特征、能量特征、目标分布。
在一个具体的例子中,获取模块获取第一图片的特征,包括:在第一图片中确定表征雾区的感兴趣区域;将感兴趣区域作为目标,获取目标在第一图片中的目标分布。
在一个具体的例子中,获取模块获取第一图片的特征,包括:将第一图片转换为YUV格式,以获取Y通道图、U通道图和V通道图;针对每一个通道图,分别进行特征获取。
在一个具体的例子中,还包括映射模块。映射模块,用于在将第一图片的特征输入至识别模型之前,将第一图片的特征映射到高维空间,以得到第一图片的高维特征数据。识别模块用于将第一图片的高维特征数据输入至识别模型中,以通过识别模型识别第一图片是否为有雾图片。
在一个具体的例子中,识别模型采用支持向量机分类算法。
电子设备还包括复检模块。
复检模块,在通过识别模型识别第一图片为有雾图片的情况下,对第一图片进行复检;对第一图片进行复检,包括:对第一图片进行去雾处理,得到第二图片;获取第二图片的特征;获取第一图片的特征和第二图片的对应的特征的差异,根据差异确定复检结果。
复检模块,还用于在复检结果为第一图片为有雾图片的情况下,确认第一图片为有效有雾图片。
复检模块,还用于在复检结果为第一图片为无雾图片的情况下,确定第一图片为无效图片。
在一个具体的例子中,电子设备还包括接收模块和第一告警模块。
接收模块,用于获取多张第一图片并且获取每张第一图片的地理位置。
告警模块,用于在同一地理位置的多张第一图片为有雾图片的情况下,生成与该地理位置有关的雾警信息。
在一个具体的例子中,电子设备还包括接收模块和第二告警模块。
接收模块,用于获取多张第一图片并且获取每张第一图片的地理位置。
告警模块,用于在同一地理位置的多张第一图片为有效有雾图片的情况下,生成与该地理位置有关的雾警信息。
本公开的实施例还提供电子设备。该电子设备包括存储器和处理器,存储器用于存储计算机指令,计算机指令在处理器执行时,实现本公开的任一实施例提供的识别方法。
在本公开的实施例中,电子设备可以是服务器,该服务器例如可以是如图1所示的服务器1100。
<计算机可读存储介质实施例>
本公开的实施例还提供计算机可读存储介质,其上存储有计算机指令,计算机指令在被处理器执行时,实现本公开的任一实施例提供的识别方法。
本公开中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例即可。
上述对本公开特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本公开的实施例可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的实施例各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开的实施例操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的实施例各个方面。
这里参照根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的实施例各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的实施例多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人物来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本公开的实施例各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人物来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人物能理解本文披露的各实施例。本公开的实施例范围由所附权利要求来限定。
Claims (11)
1.一种识别方法,其特征在于,包括:
获取第一图片的特征,所述第一图片的特征包括光学特征和/或形态学特征;
将所述第一图片的特征输入至识别模型中,以通过所述识别模型识别所述第一图片是否为有雾图片。
2.根据权利要求1所述的方法,其特征在于,
所述光学特征至少包括以下光学特征之一:像素均值、像素方差、像素值分布;
所述形态学特征至少包括以下形态学特征之一:熵特征、能量特征、目标分布。
3.根据权利要求1所述的方法,其特征在于,所述形态学特征至少包括目标分布;
所述获取第一图片的特征,包括:
在所述第一图片中确定表征雾区的感兴趣区域;
将所述感兴趣区域作为目标,获取所述目标在所述第一图片中的目标分布。
4.根据权利要求1所述的方法,其特征在于,所述获取第一图片的特征,包括:
将所述第一图片转换为YUV格式,以获取Y通道图、U通道图和V通道图;
针对每一个通道图,分别进行特征获取。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述第一图片的特征映射到高维空间,以得到所述第一图片的高维特征数据;
所述将第一图片的特征输入至识别模型,包括:将所述第一图片的高维特征数据输入至所述识别模型中。
6.根据权利要求1所述的方法,其特征在于,所述识别模型采用支持向量机分类算法。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:在通过所述识别模型识别所述第一图片为有雾图片的情况下,对所述第一图片进行复检;在所述复检结果为所述第一图片为有雾图片的情况下,确认所述第一图片为有效有雾图片;
所述对第一图片进行复检,包括:
对所述第一图片进行去雾处理,得到第二图片;
获取所述第二图片的特征;
获取所述第一图片的特征和所述第二图片的对应的特征的差异,根据所述差异确定复检结果。
8.根据权利要求7任一项所述的方法,所述方法还包括:在所述复检结果为所述第一图片为无雾图片的情况下,确定所述第一图片为无效图片。
9.根据权利要求1-6所述的方法,所述方法还包括:
获取多张所述第一图片以及获取每张所述第一图片的地理位置;
在同一地理位置的多张所述第一图片为有雾图片的情况下,生成与该地理位置有关的雾警信息。
10.根据权利要求7或8所述的方法,所述方法还包括:
获取多张所述第一图片以及获取每张所述第一图片的地理位置;
在同一地理位置的多张所述第一图片为有效有雾图片的情况下,生成与该地理位置有关的雾警信息。
11.一种电子设备,包括存储器和处理器,所述存储器用于存储计算机指令,所述计算机指令在所述处理器执行时,实现执行权利要求1-10中任一项所述的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010845442.1A CN114170327A (zh) | 2020-08-20 | 2020-08-20 | 识别方法和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010845442.1A CN114170327A (zh) | 2020-08-20 | 2020-08-20 | 识别方法和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170327A true CN114170327A (zh) | 2022-03-11 |
Family
ID=80475347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010845442.1A Pending CN114170327A (zh) | 2020-08-20 | 2020-08-20 | 识别方法和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170327A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115225810A (zh) * | 2022-05-24 | 2022-10-21 | 浙江大华技术股份有限公司 | 摄像模式切换方法、摄像器件和计算机可读存储介质 |
-
2020
- 2020-08-20 CN CN202010845442.1A patent/CN114170327A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115225810A (zh) * | 2022-05-24 | 2022-10-21 | 浙江大华技术股份有限公司 | 摄像模式切换方法、摄像器件和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544258B (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
Negru et al. | Exponential contrast restoration in fog conditions for driving assistance | |
WO2017092431A1 (zh) | 基于肤色的人手检测方法及装置 | |
CN112241714B (zh) | 图像中指定区域的识别方法、装置、可读介质和电子设备 | |
US10382712B1 (en) | Automatic removal of lens flares from images | |
CN109308711B (zh) | 目标检测方法、装置及图像处理设备 | |
Ajmal et al. | A comparison of RGB and HSV colour spaces for visual attention models | |
CN108489996B (zh) | 一种绝缘子的缺陷检测方法、系统及终端设备 | |
CN107480676B (zh) | 一种车辆颜色识别方法、装置和电子设备 | |
CN109116129B (zh) | 终端检测方法、检测设备、系统及存储介质 | |
CN116188808B (zh) | 图像特征提取方法和系统、存储介质及电子设备 | |
WO2020259416A1 (zh) | 图像采集控制方法、装置、电子设备及存储介质 | |
CN111311481A (zh) | 背景虚化方法、装置、终端设备及存储介质 | |
CN108805838B (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN114170327A (zh) | 识别方法和电子设备 | |
CN111311500A (zh) | 一种对图像进行颜色还原的方法和装置 | |
CN113313115A (zh) | 车牌属性识别方法及装置、电子设备和存储介质 | |
CN116958582A (zh) | 一种数据处理方法和相关装置 | |
CN108961357B (zh) | 一种交通信号灯过爆图像强化方法及装置 | |
CN114283087A (zh) | 一种图像去噪方法及相关设备 | |
CN110647898B (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
CN112258556A (zh) | 视频中指定区域的跟踪方法、装置、可读介质和电子设备 | |
CN110910379A (zh) | 一种残缺检测方法及装置 | |
US20240177316A1 (en) | Method for segmenting roads in images, electronic device, and storage medium | |
CN112995666B (zh) | 一种结合场景切换检测的视频横竖屏转换方法及装置 |
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 |