【技術實現步驟摘要】
本專利技術涉及環境污染物預測技術，尤其涉及一種基于街景視頻的污染物濃度預測方法，屬于圖像處理與環境污染物預測交叉。
技術介紹
1、污染物預測是環境科學中的一個重要分支，與人們的日常生活息息相關。空氣污染分析和預測具有復雜性和動態性，對空氣污染進行準確的預測，需要處理大量與之相關的環境數據和環境信息。人工智能的崛起為處理大量信息提供了技術手段，深度學習方法的提出使污染物濃度預測能夠達到較好的預測效果。目前，基于深度學習進行空氣污染物濃度預測的方法可以分為兩類：基于環境指標的預測和基于街景圖像的預測。
2、在基于環境指標的空氣污染物濃度預測方法中，通過監測一系列環境數值及污染物濃度，建立經緯度、風向、風速、溫度、海拔等指標和污染物濃度之間的相關關系，通過深度學習的方法提取環境指標的特征，進而對污染物濃度進行預測。
3、在基于街景圖像數據的預測污染物分析中，通過計算機技術對街景圖像進行處理和分析，從而實現圖像的增強、恢復、轉換和圖像分割等操作。通過深度學習方法分析環境圖像中的特征，得到環境中的綠植、道路、車輛、天空、建筑等的分布情況，從而與空氣中污染物的濃度建立聯系。
4、目前已有的基于深度學習進行污染物預測的算法，大多使用環境指標或將街景圖像本身輸入深度學習算法進行分析。然而，使用環境指標進行分析，不能將綠植、道路、車輛、天空、建筑等空氣質量密切相關的街景信息與該地的污染物數值進行一一對應。例如，傳統的機器學習方法：決策樹、支持向量機、隨機森林等，以及深度學習方法：循環神經網絡、長短期記憶網絡、門
技術實現思路
1、為了克服上述現有技術的不足，本專利技術提供一種基于街景視頻的空氣污染物濃度預測方法，通過將街景視頻分幀轉化為圖像，采用特征提取方法提取圖像的頻率直方圖特征，然后基于深度學習模型進行污染物濃度預測，可大大降低計算成本，提升污染物濃度預測的效果。
2、本專利技術提供的技術方案是：
3、一種基于街景視頻的污染物濃度預測方法，通過圖像特征選擇選取圖像中出現頻率高的色調，構建基于深度學習的污染物濃度預測神經網絡模型，以色調的頻率值作為模型的輸入，進行基于深度學習的污染物濃度預測；包括以下步驟：
4、步驟1：數據收集
5、通過推動數據采集車，收集街景影像視頻數據，同時采集其對應的同時段、同地點污染物數據。
6、步驟2：視頻數據分幀
7、對于一段視頻，需要將其分幀為序列圖像。為將原視頻得到的分幀圖像與其對應的污染物數值匹配，需從視頻錄制和污染物檢測的時間開始，每監測間隔時間得到一張分幀圖像，使其與監測污染物數值的時間頻率對應，這樣就得到了一系列的圖像和此圖像對應的污染物數值。
8、步驟3：提取圖像頻率直方圖特征，得到每幅圖像在hsv三個通道的頻率分布；
9、首先提取每幅圖像顏色空間hsv三個通道的像素值，得到三個像素值矩陣，三個矩陣的大小都與原圖像相等。在色調hue通道中，所有像素點包括180種色調，需要統計每種色調的頻率分布，以確定哪些色調為關鍵色調。通過繪制頻率直方圖，分析得到每幅圖像在hsv三個通道的頻率分布。
10、步驟4：對每幅圖像進行特征選擇，得到色調的頻率值，作為預測模型的輸入變量；
11、由于一張圖像中包含像素點個數龐大，信息量較多，因此選取圖像中的重要像素信息進行分析。一張圖像的顏色分布由色調hue通道決定，每種顏色的頻率就代表了圖像中這種顏色的物體所占面積的多少。而污染物濃度正是由街景中各種物體所決定的，因此可以選取圖像中出現頻率高的色調作為這幅圖像的特征，輸入模型。
12、特征選擇方法包括如下過程：
13、41)對視頻分幀得到的n幅時間序列圖像，得到每幅圖像通道h的色調頻率分布；用hk表示其中第k幅圖像的色調通道h的頻率分布，包括通道h每種色調在圖像中出現的次數；
14、42)根據每幅圖像的色調頻率分布計算得到每幅圖像中色調出現頻率的最大值；
15、43)將n幅圖像色調出現頻率最大值對應的色調表示為一個集合，記為s；
16、44)統計s中每個色調值出現的次數，記為{h.i—h.inumber}，并按次數對色調排序，其中h.i代表所有n張圖像中的其中一種色調i，h.inumber代表該色調出現的次數；
17、45)設置相鄰色調；色調選擇方法表示為：
18、h.i←max{h.inumber}①
19、h.j←max{h.jnumber\h.inumber}且|i-j|<10??②
20、i←j③
21、其中，h.i代表選擇出來的第一個色調，h.j代表選擇出來的第二個及之后的色調，max{h.inumber}代表最大色調出現次數的最大值，max{h.jnumber\h.inumber}代表除去已選色調后的色調出現次數的最大值，|i-j|代表相鄰兩個色調的位置差，←代表賦值操作；
22、步驟5：分別建立三種深度學習神經網絡模型，以色調的頻率值作為模型的輸入，進行基于深度學習的污染物濃度預測，得到污染物濃度。
23、特征選擇后，每幅圖像得到6種色調的頻率值，即為自變量，對應圖像的污染物數值即為因變量。分別建立循環神經網絡(recurrent?neural?network,rnn)、長短期記憶網絡(long?short-term?memory，lstm)、門控循環單元(gate?recurrent?unit，gru)時間序列模型，從時間維度對污染物濃度進行預測。
24、與現有技術相比，本專利技術的有益效果是：
25、本專利技術公開了一種使用街景視頻預測污染物的方法，通過采集街景視頻并實時監測空氣質量數據，將視頻分幀為圖像后對應于空氣質量數據。提取每幅圖像的hsv三個通道，統計每幅圖像在色調hue通道中的最高頻率色調，并在時間序列圖像(街景視頻幀)中，統計最高頻率色調的出現次數。選取出現次數較多的高頻率色調，用這些色調作為輸入特征，即用這些色調的頻率值作為自變量進行污染物濃度預測。本專利技術的方法通過街景圖像的色調對污染物數值進行預測，能夠得到高擬合度的預測結果，預測精度較高。本專利技術可以直接提取圖像信息，而不使用環境指標，對污染物濃度進行預測。降低模型計算成本的同時，也可以實現污染物濃度與圖像之間的聯系。
本文檔來自技高網...【技術保護點】
1.一種基于街景視頻的污染物濃度預測方法，其特征是，通過對街景視頻進行圖像特征選擇，選取得到圖像中出現頻率高的色調特征，構建基于深度學習的污染物濃度預測神經網絡模型并以色調頻率值作為預測模型的輸入，對街景視頻實現基于深度學習的污染物濃度預測；包括以下步驟：
2.如權利要求1所述基于街景視頻的污染物濃度預測方法，其特征是，通過繪制圖像色調的頻率直方圖，分析每幅圖像在HSV三個通道的頻率分布。
3.如權利要求1所述基于街景視頻的污染物濃度預測方法，其特征是，步驟1具體是通過推動數據采集車采集數據；采集車裝置包括：位置記錄設備、實時錄像設備和污染物濃度監測儀。
4.如權利要求1所述基于街景視頻的污染物濃度預測方法，其特征是，步驟2具體是：采集視頻幀率為60幀/秒，將其分幀為時間序列圖像；為每1秒監測一次污染物數值并記錄；從每秒視頻的60幀中選取一幀作為代表圖像，使其與該時刻的監測污染物數值對應，即得到圖像系列及與圖像對應的污染物數值。
5.如權利要求1所述基于街景視頻的污染物濃度預測方法，其特征是，步驟4中，記錄圖像中的色調共180種，對
6.如權利要求5所述基于街景視頻的污染物濃度預測方法，其特征是，對視頻分幀的n幅時間序列圖像，得到第k幅圖像的色調通道H的頻率分布，表示為Hk，包括通道H每種色調在圖像中出現的次數Hki；第k幅圖像中色調出現頻率的最大值記為Hkmax，表示為Hkmax＝max{Hk1,Hk2,…,Hki,…,Hk180}；集合S＝{H1max,H2max,…,Himax,…,Hnmax}。
7.如權利要求1所述基于街景視頻的污染物濃度預測方法，其特征是，步驟4特征選擇后，每幅圖像得到6種色調的頻率值，作為輸入模型的自變量。
...【技術特征摘要】
1.一種基于街景視頻的污染物濃度預測方法，其特征是，通過對街景視頻進行圖像特征選擇，選取得到圖像中出現頻率高的色調特征，構建基于深度學習的污染物濃度預測神經網絡模型并以色調頻率值作為預測模型的輸入，對街景視頻實現基于深度學習的污染物濃度預測；包括以下步驟：
2.如權利要求1所述基于街景視頻的污染物濃度預測方法，其特征是，通過繪制圖像色調的頻率直方圖，分析每幅圖像在hsv三個通道的頻率分布。
3.如權利要求1所述基于街景視頻的污染物濃度預測方法，其特征是，步驟1具體是通過推動數據采集車采集數據；采集車裝置包括：位置記錄設備、實時錄像設備和污染物濃度監測儀。
4.如權利要求1所述基于街景視頻的污染物濃度預測方法，其特征是，步驟2具體是：采集視頻幀率為60幀/秒，將其分幀為時間序列圖像；為每1秒監測一次污染物數值并記錄；從每秒視頻的60幀中選取...
【專利技術屬性】
技術研發人員：萬玉釵，王睿，張珣，劉迎，劉憲圣，
申請(專利權)人：北京工商大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。