【技術實現步驟摘要】
本專利技術屬于交通氣象領域，涉及計算機視覺、深度學習技術，具體涉及一種基于監控圖像的高速公路夜間能見度檢測方法。
技術介紹
1、隨著我國高速公路總里程數和機動車保有量的快速增加，對交通運輸的安全保障提出了更高的要求。其中氣象災害作為視程障礙物，能夠迅速降低大氣能見度，在高速極易釀成重大交通事故；研究表明，夜間駕駛比白天危險性高，影響夜間行車安全的主要原因包括人工光源眩目，行車燈照射范圍有限、視距較短、存在盲區，能見度低，駕駛人不利于觀察道路交通情況，同時駕駛人駕駛熟練程度、駕駛人心理狀態也會導致駕駛人對駕駛環境的誤判，所以對夜間能見度的檢測與能見度等級劃分，對于減少和預防交通事故，實時制定交通安全措施、保障交通安全具有重要意義。
2、目前，能見度監測方法大體可分為三類：目測法、能見度儀器檢測法和基于視頻圖像檢測法。目測法受判別人員主觀經驗影響較大，規范性、客觀性相對較差；能見度儀存在價格昂貴、維護困難、稀疏布置等問題，且對于非均勻條件的能見度檢測準確性較低；而基于圖像處理的能見度監測，由于攝像頭成本的快速下降，使得監控設備布設密度高且無需架設其他儀器，已經成為最經濟、快速能見度監測方法。當前針對白天的道路能見度檢測相對已經有比較多的研究，而針對夜間條件下能見度的檢測卻是現階段較少被提及。實際上，由霧引起的能見度低通常發生在黎明前后，夜間本身光線不足，有霧情況下，更加會因為能見度低的原因引起嚴重的交通事故，造成不可挽回的后果。從技術角度而言，夜間圖像特征與白天自然光條件下顯著不同，因此，基于白天圖像構建的能見度分級模型
技術實現思路
1、本專利技術所要解決的技術問題是提供一種基于監控圖像的高速公路夜間能見度檢測方法，用于檢測夜間場景下高速公路的道路能見度，依次包括：構建夜間道路圖像數據集、提取夜間道路圖像特征、訓練并構建夜間道路能見度檢測模型、檢測待分析路段實現能見度狀況。具體步驟如下：
2、(1)在監測道路選取不同的相機點位、不同的典型路況、不同的能見度狀況下的監控相機視頻，對視頻流預處理，每隔1s間隔提取一幅圖像，構成隨時間形成序列的圖像集，根據高速公路霧天道路能見度等級分類標準分為不同等級的圖像標簽，構建不同能見度等級的夜間道路圖像數據集；
3、(2)對夜間道路圖像數據集中的圖像進行下采樣，得到含有空間特征的下采樣特征圖，之后利用離散余弦變換、香農熵對下采樣特征圖進行處理，提取離散余弦變換dct系數和香農熵特征，得到夜間道路能見度圖像的頻率域特征圖和空間域特征圖，減小夜間光照對模型影響，充分學習特征；
4、(3)將下采樣特征圖與頻率域特征圖、空間域特征圖進行疊加，得到夜間道路圖像的srgb特征向量；
5、(4)考慮夜間道路圖像特征，改進深度殘差網絡模型，構成待訓練網絡；
6、(5)將以上夜間道路圖像的srgb特征向量輸入網絡進行特征提取與分類，以能見度等級標簽為目標函數，進行模型訓練、驗證并反饋給模型以更新網絡權重、優化模型參數，構建夜間道路能見度檢測模型；
7、(6)將待測圖像輸入夜間道路能見度檢測模型，進行特征提取與分類，輸出檢測得到的能見度等級。將能見度模型推廣至系統中所有攝像頭圖像數據的能見度判定，以此達到道路能見度監測的效果；
8、進一步地，所述步驟(1)中分別針對各類夜間道路場景，基于監控相機獲得目標道路的監控視頻序列，構成各類夜間道路能見度狀況，結合霧天能見度標準獲得夜間道路對應的能見度視頻。分類后的四個類別的圖像能見度等級對應的能見度范圍劃分合理，構建的基礎圖像數據集中各等級圖像的數量均衡。
9、進一步地，所述步驟(2)中提取dct系數的計算步驟為：
10、
11、
12、其中c(u,v)是變換后的頻域系數，表示圖像在頻域中的能量分布，α(u)α(v)為歸一化系數，(x,y)表示圖像的像素位置，f(x,y)為圖像的像素值。(u,v)表示頻域中的坐標，表示水平和垂直方向上的頻率分量，(w,h)表示圖像的寬度和高度。
13、進一步地，所述步驟(2)中提取香農熵特征的計算步驟為：
14、對于圖像每個局部區域，計算每個灰度級的概率分布p(i)，其計算公式為：
15、
16、其中，count(i)表示在該局部區域內具有灰度級i的像素的數量，n為該局部區域內的總像素數。
17、基于香農熵的定義，對每個局部區域的香農熵h(w)進行計算，具體公式如下：
18、
19、其中，l為圖像的灰度級。
20、進一步地，所述步驟(3)將下采樣后的特征圖與頻率域特征圖、空間域特征圖進行融合處理通過concatenate函數進行融合，具體步驟為：
21、將通過下采樣操作得到的特征圖與通過離散余弦變換(dct)提取的頻域系數特征圖、以及通過香農熵計算得到的空間域特征圖尺寸歸一化，進行逐像素疊加，生成夜間道路圖像的srgb特征向量。所述srgb特征向量不僅包含頻域中的低頻特征信息，還包含空間域內的復雜度信息，從而能夠全面反映夜間道路圖像在不同光照和能見度條件下的特征。其中，尺寸歸一化后，通過concatenate函數連接起來，得到融合特征xfusion：
22、xfusion＝concat(x1,x2,x3)。
23、進一步地，所述步驟(4)中模型改進的過程為：以resnet50為例，以多層次卷積序列塊替換首層卷積塊，除了攝影頭圖像數據外，結合計算的頻率域特征、空間域特征去輔助網絡分級，調整原始模型通道數從而匹配融合特征，添加批歸一化層以增強模型的穩定性，刪除最后一層全連接層，然后添加一個新的全連接層，其輸出節點數等于能見度的級別數，同時降低參數量并防止模型過擬合。
24、進一步地，所述步驟(5)中神經網絡進行深度學習的具體過程為：
25、進行網絡訓練：將訓練集按8:2比例劃分為訓練集和驗證集，將劃分好的訓練集再劃分，進行4折交叉驗證；將圖像進行數據增廣，方法是：進行了水平的圖像隨機翻轉，亮度、飽和度的隨機變換；設置相關超參數，一次訓練選取的樣本數設置為16，學習率設置為0.001、最大迭代次數設置為80、l2正則系數、采用adam優化方法，使用mse?loss作為損失函數監督網絡學習；進行迭代訓練，每訓練完一個epoch會用驗證集和測試集進行精度計算，保存訓練過程中最好的那一次。
26、進一步地，所述步驟(6)中模型特征提取與分類的具體過程為：
27、深度卷積網絡提取輸入圖像的能見度特征向量，并將其輸入softmax函數中：
28、
29、其中，pi(img)表示輸入圖像為第i類的概率，k表示圖像的類別數，i(img)表示圖像在第i類上的未歸一化得分；j(img)表示圖像在第j類上的未歸一化得分；soft本文檔來自技高網...
【技術保護點】
1.一種基于監控圖像的高速公路夜間能見度檢測方法，其特征在于，用于檢測夜間場景下高速公路的道路能見度，依次包括：構建夜間道路圖像數據集、提取夜間道路圖像特征、訓練并構建夜間道路能見度檢測模型、檢測待分析路段實現能見度狀況；具體步驟如下：
2.根據權利要求1所述的一種基于監控圖像的高速公路夜間能見度檢測方法，其特征在于，步驟S1中，分別針對各類夜間道路場景，基于監控相機獲得目標道路的監控視頻序列，構成各類夜間道路能見度狀況，結合霧天能見度標準獲得夜間道路對應的能見度視頻。
3.根據權利要求1所述的一種基于監控圖像的高速公路夜間能見度檢測方法，其特征在于，步驟S2中，提取離散余弦變換DCT系數和香農熵特征的步驟包括：
4.根據權利要求3所述的一種基于監控圖像的高速公路夜間能見度檢測方法，其特征在于，步驟S3的具體步驟為：將步驟S2的最終輸出結果X1和X2、X3進行尺寸歸一化，再通過concatenate函數連接起來，得到融合特征Xfusion：
5.根據權利要求1所述的一種基于監控圖像的高速公路夜間能見度檢測方法，其特征在于，所述步驟S
6.根據權利要求1所述的一種基于監控圖像的高速公路夜間能見度檢測方法，其特征在于，步驟S5中，模型訓練的步驟包括：
7.根據權利要求1所述的一種基于監控圖像的高速公路夜間能見度檢測方法，其特征在于，步驟S6中，模型特征提取與分類的具體過程為：深度卷積網絡提取輸入圖像的能見度特征向量，并將其輸入softmax函數中：
...【技術特征摘要】
1.一種基于監控圖像的高速公路夜間能見度檢測方法，其特征在于，用于檢測夜間場景下高速公路的道路能見度，依次包括：構建夜間道路圖像數據集、提取夜間道路圖像特征、訓練并構建夜間道路能見度檢測模型、檢測待分析路段實現能見度狀況；具體步驟如下：
2.根據權利要求1所述的一種基于監控圖像的高速公路夜間能見度檢測方法，其特征在于，步驟s1中，分別針對各類夜間道路場景，基于監控相機獲得目標道路的監控視頻序列，構成各類夜間道路能見度狀況，結合霧天能見度標準獲得夜間道路對應的能見度視頻。
3.根據權利要求1所述的一種基于監控圖像的高速公路夜間能見度檢測方法，其特征在于，步驟s2中，提取離散余弦變換dct系數和香農熵特征的步驟包括：
4.根據權利要求3所述的一種基于監控圖像的高速公路夜間能見度檢測方法，其特征在于，步驟s3的具體步驟為：將步驟s2的最終輸出結果x1和x2、x3進行尺寸歸一化，再通過conc...
【專利技術屬性】
技術研發人員：王美珍，張俊達，王自然，劉學軍，
申請(專利權)人：南京師范大學，
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。