CN116597343A - 基于集成学习算法的高速公路气象识别方法及装置 - Google Patents
基于集成学习算法的高速公路气象识别方法及装置 Download PDFInfo
- Publication number
- CN116597343A CN116597343A CN202310416419.4A CN202310416419A CN116597343A CN 116597343 A CN116597343 A CN 116597343A CN 202310416419 A CN202310416419 A CN 202310416419A CN 116597343 A CN116597343 A CN 116597343A
- Authority
- CN
- China
- Prior art keywords
- days
- weather
- sunny
- road surface
- cloudy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 38
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 23
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 238000007635 classification algorithm Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 10
- 240000003173 Drymaria cordata Species 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 239000002352 surface water Substances 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于集成学习算法的高速公路气象识别方法及装置,方法包括:获取真实视频数据;利用图像分类算法对标注后的图像进行特征提取,识别图像中的天气类别,输出阴天、晴天、雾天、雨天及雪天的概率;使用阴晴二分类模型对阴天、晴天图像进行再识别,提高阴晴识别准确率;则利用路面分割模型对雨天、雪天图像进行处理,当路面区域检测出白色雪状时判断路面积雪,当路面区域出现反光且车辆行驶溅起水花判断路面积水,通过温度传感器或天气预报得到当前温度,若温度低于阈值,则判断为路面结冰,否则路面积水;基于识别的结果,输出图片天气识别结果及路面状态检测结果。本发明集成多种算法可准确识别高速公路的气象情况。
Description
技术领域
本发明属于图像视觉处理的技术领域,具体涉及一种基于集成学习算法的高速公路气象识别方法及装置。
背景技术
气象与交通有密不可分的联系,恶劣天气会影响公众出行的视野、可见度等,造成高速公路的通行效率降低,增加交通事故发生的概率,为高速公路通行安全、畅通的运行带来不稳定性。现有技术中,通过气象传感器进行检测是比较常见的方法,但是由于其检测精度高,价格昂贵难以大范围推广。而随着路网可视化的逐步实现,基于视频图像实现天气识别成为研究热点,为高速公路气象监测技术大范围推广使用提供了新的途径。因此,如何利用图像识别算法对视频图像进行处理从而准确判断高速公路天气情况是本领域技术人员亟待解决的技术问题之一。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基基于集成学习算法的高速公路气象识别方法及装置,本发明通过图像分类算法的决策融合,实现通过视频图像进行晴天、阴天、雾天、雪天、雨天五类天气的识别,推进低成本、实时性强的气象识别方法应用推广,保障高速公路运行安全。
为了达到上述目的,本发明采用以下技术方案:
第一方面,本发明提供了一种基于集成学习算法的高速公路气象识别方法,包括下述步骤:
获取真实视频数据,将所述真实视频数据预处理成设定的图像格式后进行标注;
利用预先设立的图像分类算法对标注后的图像进行特征提取,识别图像中的天气类别,输出阴天、晴天、雾天、雨天及雪天的概率;
判断阴天、晴天的概率是否为前2,如果是,则使用阴晴二分类模型对阴天、晴天图像进行再识别,提高阴晴识别准确率;如果否,则识别天气是否有雨天、雪天;
如果识别天气是雨天、雪天,则利用预先设立的路面分割模型对雨天、雪天图像进行处理,得到道路可行驶区域面积并通过特征提取判断路面是否积雪或积水;当路面区域检测出白色雪状时判断路面积雪,当路面区域出现反光且车辆行驶溅起水花判断路面积水,通过温度传感器或天气预报得到当前温度,若温度低于阈值,则判断为路面结冰,否则路面积水;如果判断不属于阴天、晴天、雨天及雪天,则为雾天;
基于识别的结果,输出图片天气识别结果及路面状态检测结果。
作为优选的技术方案,所示真实视频数据为高速公路视频监控系统所拍摄到的视频数据。
作为优选的技术方案,所述视频数据选择不同地理地域省份的路面摄像头视频,选取其中阴天、雾天、雨天、雪天、晴天的图片,作为训练集与测试集。
作为优选的技术方案,所述图像分类算法采用DenseNet121图像分类算法,并利用度量学习MS-Loss提高识别准确率;利用DenseNet121进行五种天气识别,得到结果矩阵。
作为优选的技术方案,所述阴晴二分类模型采用ResNet-18模型,对于一个batch里ResNet-18输出的特征向量,计算阴天、晴天图像样本对的自身间的相似度、自身与正样本对的相似差异性、自身与负样本对的相似差异性这三种相似度,基于相似度输出图像为阴天还是晴天。
作为优选的技术方案,在阴天晴天的识别过程中,采用集成学习策略进行处理,利用densenet121模型输出概率向量a,晴阴二分类模型输出概率向量b,ResNet-18模型输出概率向量c,densenet121模型汲取晴阴二分类模型输的晴阴二分类优势,并与ResNet-18模型进行决策融合,改善了晴阴二分类的准确率,最终的概率加权平均计算公式如下所示:
p=γ*a+(1-γ)*c。
作为优选的技术方案,所述路面分割模型采用DeepLabv3+网络,是在DeepLabv3的基础上增加了一个Decoder模块,Backbone是Xception,并对Xception进行了如下修改:(1)所有最大池化操作都被带步幅的深度可分离卷积替换;(2)在每个3×3深度卷积之后添加ReLU和批量归一化。
第二方面,本发明提供了一种基于集成学习算法的高速公路气象识别系统,应用于所述的基于集成学习算法的高速公路气象识别方法,包括数据获取模块、特征提取模块、第一分类模块、第二分类模块、结果输出模块;
所述数据获取模块,用于获取真实视频数据,将所述真实视频数据预处理成设定的图像格式后进行标注;
所述特征提取模块,用于利用预先设立的图像分类算法对标注后的图像进行特征提取,识别图像中的天气类别,输出阴天、晴天、雾天、雨天及雪天的概率;
所述第一分类模块,用于判断阴天、晴天的概率是否为前2,如果是,则使用阴晴二分类模型对阴天、晴天图像进行再识别,提高阴晴识别准确率;如果否,则识别天气是否有雨天、雪天;
所述第二分类模块,如果识别天气是雨天、雪天,则利用预先设立的路面分割模型对雨天、雪天图像进行处理,得到道路可行驶区域面积并通过特征提取判断路面是否积雪或积水;当路面区域检测出白色雪状时判断路面积雪,当路面区域出现反光且车辆行驶溅起水花判断路面积水,通过温度传感器或天气预报得到当前温度,若温度低于阈值,则判断为路面结冰,否则路面积水;
所述结果输出模块,用于基于识别的结果,输出图片天气识别结果及路面状态检测结果。
第三方面,本发明提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行所述的基于集成学习算法的高速公路气象识别方法。
第四方面,本发明提供了一种计算机可读存储介质,存储有程序,所述程序被处理器执行时,实现所述的基于集成学习算法的高速公路气象识别方法。
本发明与现有技术相比,具有如下优点和有益效果:
与现有方法相比,本发明提供的是一种通过视频图像进行高速公路气象识别的方法及系统。根据五分类天气识别模型,提取图像特征,输出气象类别概率,再使用阴晴二分类模型进行分类,提高阴晴识别准确率,最后通过决策融合,输出气象结果。本发明有效解决了在训练样本特征不明显易混淆的情况下识别准确率低的难题,在提升高速公路天气识别方面获得了不错的成果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于集成学习算法的高速公路气象识别方法的流程图;
图2为本发明实施例DenseNet121网络示意图;
图3为本发明实施例ResNet-18网络示意图;
图4为本发明实施例MS-loss计算过程示意图;
图5为本发明DeepLabv3+网络结构示意图;
图6为本发明实施例基于集成学习算法的高速公路气象识别系统的结构示意图;
图7为本发明实施例电子设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
请参阅图1,本发明提供的基于集成学习算法的高速公路气象识别方法,包括下述步骤:
S1、获取真实视频数据,将所述真实视频数据预处理成设定的图像格式后进行标注;
示例性的,所述真实视频数据是从高速公路监控视频中获取的视频数据,将获取的视频数据做截取筛选和预处理,将数据转化为RGB格式,再进行归一化和缩放操作。
所述视频数据是选择不同地理地域省份的路面摄像头视频,选取其中阴天、雾天、雨天、雪天、晴天的图片,作为训练集与测试集,然后利用DenseNet121进行五种天气识别,能够得到结果矩阵。
S2、利用预先设立的图像分类算法对标注后的图像进行特征提取,识别图像中的天气类别,输出阴天、晴天、雾天、雨天及雪天的概率。
如图2所示,在一个实施例中,所述图像分类算法采用DenseNet121图像分类算法,对图像数据进行天气五分类识别,ResNet主要包含5种深度的网络结构,这5种结构大致可以分为两类:一种是BasicBlock,主要用在ResNet-18、ResNet-34这些浅层网络上;第二种就是Bottleneck,主要用在RseNet-50、101和152甚至更深层的网络结构。本发明采用ResNet-18结构网络,主要包含4层,其结构如图3为本发明实施例ResNet-18网络示意图;使用ResNet-18进行晴阴二分类训练后的测试可以得到阴晴二分类测试结果混淆矩阵。
进一步的,DenseNet121网络在前向反馈模式中,每一层都连接它之后的层,所以DenseNet121每一层的输入包含当前层之前的其他所有层的输入,加强了特征在层之间的传播和特征复用。DenseNet121主体结构是dense block,本实施例中包括3个dense block。
S3、判断阴天、晴天的概率是否为前2,如果是,则使用阴晴二分类模型对阴天、晴天图像进行再识别,提高阴晴识别准确率;如果否,则识别天气是否有雨天、雪天;
请参阅图3,本实施例使用ResNet-18针对晴阴易混淆的类别再识别,提高阴晴识别准确率,具体的:
对于一个batch里ResNet-18输出的特征向量,计算样本对的自身间的相似度、自身与正样本对的相似差异性、自身与负样本对的相似差异性这三种相似度,(1)样本筛选,选择样本对的自身间的相似度较大的样本;(2)样本加权,将自身与正样本对的相似差异性和自身与负样本对的相似差异性对样本加权。
请参阅图2,所述ResNet-18网络包括17个卷积层(conv)和1个全连接层,利用ResNet-18网络的特性,可以对阴天、晴天图像进行再识别。
进一步的,利用MS-loss进一步提高识别的准确率。
在其中一个实施例中,单一模型只关注于一种特征,识别精度达不到要求,所以对上述模型采用集成学习策略(投票法),模型1(densenet121模型)输出概率向量a,模型2(晴阴二分类模型)输出概率向量b,模型3(ResNet-18模型)输出概率向量c。模型1汲取模型2的晴阴二分类优势,并与模型3进行决策融合,较好的改善了晴阴二分类的准确率,最终的概率加权平均计算公式如下所示:
p=γ*a+(1-γ)*c
S3、如果识别天气是雨天、雪天,则利用预先设立的路面分割模型对雨天、雪天图像进行处理,得到道路可行驶区域面积并通过特征提取判断路面是否积雪或积水;当路面区域检测出白色雪状时判断路面积雪,当路面区域出现反光且车辆行驶溅起水花判断路面积水,通过温度传感器或天气预报得到当前温度,若温度低于阈值,则判断为路面结冰,否则路面积水。
请参阅图5,在一个实施例中,所述路面分割模型采用DeepLabv3+网络,Deeplabv3+是一个语义分割网络,是在DeepLabv3的基础上增加了一个Decoder模块,本发明的Backbone是Xception,本发明对Xception进行了如下修改:(1)所有最大池化操作都被带步幅的深度可分离卷积替换;(2)在每个3×3深度卷积之后添加ReLU和批量归一化。
本次采用DeepLabv3+网络对路面状况进行分割,从天气识别构建的数据集中挑选有积水和积雪的图片数据,并从网络上收集部分图片数据构成训练和测试数据集。
S4、基于识别的结果,输出图片天气识别结果及路面状态检测结果。当识别的结构既不是阴天、晴天,也不是雨天及雪天,则输出检测结构为雾天,从而完成对5种天气情况的识别。
需要说明的是,对于前述的各方法实施例,为了简便描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的基于集成学习算法的高速公路气象识别方法相同的思想,本发明还提供了基于集成学习算法的高速公路气象识别系统,该系统可用于执行上述基于集成学习算法的高速公路气象识别方法。为了便于说明,基于集成学习算法的高速公路气象识别系统实施例的结构示意图中,仅仅示出了与本发明实施例相关的部分,本领域技术人员可以理解,图示结构并不构成对装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
请参阅图6,在本申请的另一个实施例中,提供了一种基于集成学习算法的高速公路气象识别系统100,该系统包括数据获取模块101、特征提取模块102、第一分类模块103、第二分类模块104和结果输出模块105;
所述数据获取模块101,用于获取真实视频数据,将所述真实视频数据预处理成设定的图像格式后进行标注;
所述特征提取模块102,用于利用预先设立的图像分类算法对标注后的图像进行特征提取,识别图像中的天气类别,输出阴天、晴天、雾天、雨天及雪天的概率;
所述第一分类模块103,用于判断阴天、晴天的概率是否为前2,如果是,则使用阴晴二分类模型对阴天、晴天图像进行再识别,提高阴晴识别准确率;如果否,则识别天气是否有雨天、雪天;
所述第二分类模块104,如果识别天气是雨天、雪天,则利用预先设立的路面分割模型对雨天、雪天图像进行处理,得到道路可行驶区域面积并通过特征提取判断路面是否积雪或积水;当路面区域检测出白色雪状时判断路面积雪,当路面区域出现反光且车辆行驶溅起水花判断路面积水,通过温度传感器或天气预报得到当前温度,若温度低于阈值,则判断为路面结冰,否则路面积水;
所述结果输出模块105,用于基于识别的结果,输出图片天气识别结果及路面状态检测结果。
需要说明的是,本发明的基于集成学习算法的高速公路气象识别系统与本发明的基于集成学习算法的高速公路气象识别方法一一对应,在上述基于集成学习算法的高速公路气象识别方法的实施例阐述的技术特征及其有益效果均适用于基于集成学习算法的高速公路气象识别的实施例中,具体内容可参见本发明方法实施例中的叙述,此处不再赘述,特此声明。
此外,上述实施例的基于集成学习算法的高速公路气象识别系统的实施方式中,各程序模块的逻辑划分仅是举例说明,实际应用中可以根据需要,例如出于相应硬件的配置要求或者软件的实现的便利考虑,将上述功能分配由不同的程序模块完成,即将所述基于集成学习算法的高速公路气象识别系统的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分功能。
请参阅图7,在一个实施例中,提供了一种实现基于集成学习算法的高速公路气象识别方法的电子设备,所述电子设备200可以包括第一处理器201、第一存储器202和总线,还可以包括存储在所述第一存储器202中并可在所述第一处理器201上运行的计算机程序,如高速公路气象识别程序203。
其中,所述第一存储器202至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述第一存储器202在一些实施例中可以是电子设备200的内部存储单元,例如该电子设备200的移动硬盘。所述第一存储器202在另一些实施例中也可以是电子设备200的外部存储设备,例如电子设备200上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述第一存储器202还可以既包括电子设备200的内部存储单元也包括外部存储设备。所述第一存储器202不仅可以用于存储安装于电子设备200的应用软件及各类数据,例如高速公路气象识别程序203的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述第一处理器201在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述第一处理器201是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述第一存储器202内的程序或者模块,以及调用存储在所述第一存储器202内的数据,以执行电子设备200的各种功能和处理数据。
图7仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图7示出的结构并不构成对所述电子设备200的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
所述电子设备200中的所述第一存储器202存储的高速公路气象识别程序203是多个指令的组合,在所述第一处理器201中运行时,可以实现:
获取真实视频数据,将所述真实视频数据预处理成设定的图像格式后进行标注;
利用预先设立的图像分类算法对标注后的图像进行特征提取,识别图像中的天气类别,输出阴天、晴天、雾天、雨天及雪天的概率;
判断阴天、晴天的概率是否为前2,如果是,则使用阴晴二分类模型对阴天、晴天图像进行再识别,提高阴晴识别准确率;如果否,则识别天气是否有雨天、雪天;
如果识别天气是雨天、雪天,则利用预先设立的路面分割模型对雨天、雪天图像进行处理,得到道路可行驶区域面积并通过特征提取判断路面是否积雪或积水;当路面区域检测出白色雪状时判断路面积雪,当路面区域出现反光且车辆行驶溅起水花判断路面积水,通过温度传感器或天气预报得到当前温度,若温度低于阈值,则判断为路面结冰,否则路面积水;
基于识别的结果,输出图片天气识别结果及路面状态检测结果。
进一步地,所述电子设备200集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.基于集成学习算法的高速公路气象识别方法,其特征在于,包括下述步骤:
获取真实视频数据,将所述真实视频数据预处理成设定的图像格式后进行标注;
利用预先设立的图像分类算法对标注后的图像进行特征提取,识别图像中的天气类别,输出阴天、晴天、雾天、雨天及雪天的概率;
判断阴天、晴天的概率是否为前2,如果是,则使用阴晴二分类模型对阴天、晴天图像进行再识别,提高阴晴识别准确率;如果否,则识别天气是否有雨天、雪天;
如果识别天气是雨天、雪天,则利用预先设立的路面分割模型对雨天、雪天图像进行处理,得到道路可行驶区域面积并通过特征提取判断路面是否积雪或积水;当路面区域检测出白色雪状时判断路面积雪,当路面区域出现反光且车辆行驶溅起水花判断路面积水,通过温度传感器或天气预报得到当前温度,若温度低于阈值,则判断为路面结冰,否则路面积水;如果判断不属于阴天、晴天、雨天及雪天,则为雾天;
基于识别的结果,输出图片天气识别结果及路面状态检测结果。
2.根据权利要求1所述基于集成学习算法的高速公路气象识别方法,其特征在于,所示真实视频数据为高速公路视频监控系统所拍摄到的视频数据。
3.根据权利要求1或2所述基于集成学习算法的高速公路气象识别方法,其特征在于,,所述视频数据选择不同地理地域省份的路面摄像头视频,选取其中阴天、雾天、雨天、雪天、晴天的图片,作为训练集与测试集。
4.根据权利要求1所述基于集成学习算法的高速公路气象识别方法,其特征在于,所述图像分类算法采用DenseNet121图像分类算法,并利用度量学习MS-Loss提高识别准确率;利用DenseNet121进行五种天气识别,得到结果矩阵。
5.根据权利要求1所述基于集成学习算法的高速公路气象识别方法,其特征在于,所述阴晴二分类模型采用ResNet-18模型,对于一个batch里ResNet-18输出的特征向量,计算阴天、晴天图像样本对的自身间的相似度、自身与正样本对的相似差异性、自身与负样本对的相似差异性这三种相似度,基于相似度输出图像为阴天还是晴天。
6.根据权利要求1所述基于集成学习算法的高速公路气象识别方法,其特征在于,在阴天晴天的识别过程中,采用集成学习策略进行处理,利用densenet121模型输出概率向量a,晴阴二分类模型输出概率向量b,ResNet-18模型输出概率向量c,densenet121模型汲取晴阴二分类模型输的晴阴二分类优势,并与ResNet-18模型进行决策融合,改善了晴阴二分类的准确率,最终的概率加权平均计算公式如下所示:
p=γ*a+(1-γ)*c。
7.根据权利要求1所述基于集成学习算法的高速公路气象识别方法,其特征在于,所述路面分割模型采用DeepLabv3+网络,是在DeepLabv3的基础上增加了一个Decoder模块,Backbone是Xception,并对Xception进行了如下修改:(1)所有最大池化操作都被带步幅的深度可分离卷积替换;(2)在每个3×3深度卷积之后添加ReLU和批量归一化。
8.基于集成学习算法的高速公路气象识别系统,其特征在于,应用于权利要求1-7中任一项所述的基于集成学习算法的高速公路气象识别方法,包括数据获取模块、特征提取模块、第一分类模块、第二分类模块、结果输出模块;
所述数据获取模块,用于获取真实视频数据,将所述真实视频数据预处理成设定的图像格式后进行标注;
所述特征提取模块,用于利用预先设立的图像分类算法对标注后的图像进行特征提取,识别图像中的天气类别,输出阴天、晴天、雾天、雨天及雪天的概率;
所述第一分类模块,用于判断阴天、晴天的概率是否为前2,如果是,则使用阴晴二分类模型对阴天、晴天图像进行再识别,提高阴晴识别准确率;如果否,则识别天气是否有雨天、雪天;
所述第二分类模块,如果识别天气是雨天、雪天,则利用预先设立的路面分割模型对雨天、雪天图像进行处理,得到道路可行驶区域面积并通过特征提取判断路面是否积雪或积水;当路面区域检测出白色雪状时判断路面积雪,当路面区域出现反光且车辆行驶溅起水花判断路面积水,通过温度传感器或天气预报得到当前温度,若温度低于阈值,则判断为路面结冰,否则路面积水;
所述结果输出模块,用于基于识别的结果,输出图片天气识别结果及路面状态检测结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-7中任意一项所述的基于集成学习算法的高速公路气象识别方法。
10.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-7任一项所述的基于集成学习算法的高速公路气象识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310416419.4A CN116597343A (zh) | 2023-04-18 | 2023-04-18 | 基于集成学习算法的高速公路气象识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310416419.4A CN116597343A (zh) | 2023-04-18 | 2023-04-18 | 基于集成学习算法的高速公路气象识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116597343A true CN116597343A (zh) | 2023-08-15 |
Family
ID=87606913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310416419.4A Pending CN116597343A (zh) | 2023-04-18 | 2023-04-18 | 基于集成学习算法的高速公路气象识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597343A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117104237A (zh) * | 2023-10-19 | 2023-11-24 | 之江实验室 | 一种用于自动驾驶车辆的主动防滑控制方法以及系统 |
CN117612115A (zh) * | 2024-01-24 | 2024-02-27 | 山东高速信息集团有限公司 | 一种基于高速公路的车辆识别方法 |
-
2023
- 2023-04-18 CN CN202310416419.4A patent/CN116597343A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117104237A (zh) * | 2023-10-19 | 2023-11-24 | 之江实验室 | 一种用于自动驾驶车辆的主动防滑控制方法以及系统 |
CN117104237B (zh) * | 2023-10-19 | 2024-01-23 | 之江实验室 | 一种用于自动驾驶车辆的主动防滑控制方法以及系统 |
CN117612115A (zh) * | 2024-01-24 | 2024-02-27 | 山东高速信息集团有限公司 | 一种基于高速公路的车辆识别方法 |
CN117612115B (zh) * | 2024-01-24 | 2024-05-03 | 山东高速信息集团有限公司 | 一种基于高速公路的车辆识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN116597343A (zh) | 基于集成学习算法的高速公路气象识别方法及装置 | |
CN111611905B (zh) | 一种可见光与红外融合的目标识别方法 | |
CN112801008B (zh) | 行人重识别方法、装置、电子设备及可读存储介质 | |
CN108268867B (zh) | 一种车牌定位方法及装置 | |
CN110866430B (zh) | 一种车牌识别方法及装置 | |
CN109460704B (zh) | 一种基于深度学习的疲劳检测方法、系统和计算机设备 | |
CN108416316B (zh) | 一种黑烟车的检测方法及系统 | |
CN110659550A (zh) | 交通标志牌识别方法、装置、计算机设备和存储介质 | |
CN111582126A (zh) | 基于多尺度行人轮廓分割融合的行人重识别方法 | |
CN113326846B (zh) | 一种基于机器视觉的桥梁表观病害快速检测方法 | |
CN113888754B (zh) | 一种基于雷达视觉融合的车辆多属性识别方法 | |
CN113221750A (zh) | 车辆追踪方法、装置、设备及存储介质 | |
CN117197763A (zh) | 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统 | |
CN111199255A (zh) | 基于darknet53网络的小目标检测网络模型及检测方法 | |
CN110866435B (zh) | 一种自相似性梯度朝向直方图的远红外行人训练方法 | |
CN114882469A (zh) | 一种基于dl-ssd模型的交通标志检测方法及系统 | |
CN117677969A (zh) | 一种缺陷检测的方法和装置 | |
CN115147702A (zh) | 一种基于yolact++的车辆损伤识别方法、装置、设备及介质 | |
CN113673332A (zh) | 对象识别方法、装置以及计算机可读存储介质 | |
CN112949731A (zh) | 基于多专家模型的目标检测方法、装置、存储介质及设备 | |
CN113761987A (zh) | 一种行人重识别的方法、装置、计算机设备和存储介质 | |
CN114882449B (zh) | 一种基于Car-Det网络模型的车辆检测方法及装置 | |
CN116434151B (zh) | 路面异物识别方法、装置、计算机设备及存储介质 | |
CN115050028B (zh) | 一种恶劣天气下小样本车牌检测方法 |
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 |