[發(fā)明專利]一種基于遷移學(xué)習(xí)的圖像能見(jiàn)度檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810515767.6
• 申請(qǐng)日: 2018-05-25
• 公開(kāi)（公告）號(hào): CN108875794B
• 公開(kāi)（公告）日: 2020-12-04
• 發(fā)明（設(shè)計(jì)）人: 李騫;唐紹恩;馬強(qiáng);馬爍
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍國(guó)防科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04
• 代理公司: 江蘇圣典律師事務(wù)所 32237
• 代理人: 胡建華;于瀚文

本發(fā)明公開(kāi)了一種基于遷移學(xué)習(xí)的圖像能見(jiàn)度檢測(cè)方法，包括：能見(jiàn)度檢測(cè)模型訓(xùn)練：對(duì)訓(xùn)練集圖像區(qū)域劃分，通過(guò)預(yù)訓(xùn)練的VGG?16深度神經(jīng)網(wǎng)絡(luò)編碼，提取各子區(qū)域圖像特征，利用各子區(qū)域圖像特征和能見(jiàn)度標(biāo)注值訓(xùn)練支持向量回歸機(jī)，得到能見(jiàn)度的回歸模型。能見(jiàn)度檢測(cè)模型測(cè)試：對(duì)測(cè)試圖像區(qū)域劃分，通過(guò)預(yù)訓(xùn)練的VGG?16深度神經(jīng)網(wǎng)絡(luò)編碼，提取各子區(qū)域圖像特征，利用子區(qū)域圖像特征和回歸模型計(jì)算子區(qū)域能見(jiàn)度估計(jì)值，融合各子區(qū)域能見(jiàn)度估計(jì)值，得到整幅圖像能見(jiàn)度檢測(cè)值。

技術(shù)領(lǐng)域

本發(fā)明屬于大氣探測(cè)中地面氣象觀測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于遷移學(xué)習(xí)的圖像能見(jiàn)度檢測(cè)方法。

背景技術(shù)

能見(jiàn)度是指在當(dāng)時(shí)天氣下，正常人能從背景中識(shí)別出目標(biāo)物的最大距離，是反映大氣透明程度的一個(gè)重要指標(biāo)。目前能見(jiàn)度測(cè)量方法主要包括目測(cè)法、器測(cè)法和基于圖像視頻的測(cè)量方法等。目測(cè)法觀測(cè)值受觀測(cè)人員主觀經(jīng)驗(yàn)、視力情況和目標(biāo)物選取影響較大。器測(cè)法主要利用透射式能見(jiàn)度儀或散射式能見(jiàn)度儀進(jìn)行測(cè)量，然而檢測(cè)儀器均以采樣空間數(shù)據(jù)代表大氣全程范圍的能見(jiàn)度，檢測(cè)精度易受采樣空間的大氣質(zhì)量影響，且普遍比較昂貴，難以滿足能見(jiàn)度檢測(cè)的實(shí)際應(yīng)用需求。

基于圖像視頻的能見(jiàn)度檢測(cè)方法主要分為模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)兩類。模型驅(qū)動(dòng)法結(jié)合能見(jiàn)度定義，通過(guò)分析光傳播過(guò)程中大氣衰減對(duì)圖像成像的影響，建立光在大氣中傳播的物理模型，估計(jì)模型中參數(shù)，以此反推能見(jiàn)度。模型驅(qū)動(dòng)法的估計(jì)精度與物理模型定義、參數(shù)設(shè)置緊密相關(guān)，然而大氣中影響光傳播的懸浮粒子種類較多，且粒子分布不均勻，因此光傳播物理模型通常難以準(zhǔn)確定義。數(shù)據(jù)驅(qū)動(dòng)法主要根據(jù)低能見(jiàn)度天氣對(duì)圖像造成的模糊和退化效果，從圖像或視頻中提取有效的視覺(jué)特征，并通過(guò)累積的歷史數(shù)據(jù)訓(xùn)練特征與能見(jiàn)度的關(guān)系模型，以計(jì)算能見(jiàn)度。現(xiàn)有數(shù)據(jù)驅(qū)動(dòng)法提取一種或多種明確的圖像特征進(jìn)行能見(jiàn)度估計(jì)，然而明確的圖像特征不能完全表征圖像所有的潛在信息，導(dǎo)致圖像信息利用不充分，無(wú)法進(jìn)一步提高檢測(cè)精度。

發(fā)明內(nèi)容

發(fā)明目的：本發(fā)明所要解決的技術(shù)問(wèn)題是針對(duì)現(xiàn)有基于圖像的能見(jiàn)度檢測(cè)方法對(duì)圖

像信息利用不充分，模型魯棒性差，提出了一種基于遷移學(xué)習(xí)的能見(jiàn)度檢測(cè)模型，

實(shí)現(xiàn)利用攝像機(jī)對(duì)能見(jiàn)度的實(shí)時(shí)檢測(cè)，包括以下步驟：

步驟1，訓(xùn)練能見(jiàn)度檢測(cè)模型：輸入訓(xùn)練集圖像，對(duì)訓(xùn)練集中每幅圖像進(jìn)行子區(qū)域圖像劃分；通過(guò)預(yù)訓(xùn)練的VGG-16深度神經(jīng)網(wǎng)絡(luò)編碼，提取各子區(qū)域圖像對(duì)應(yīng)的N(一般取值為1000)維特征向量；利用各子區(qū)域圖像特征向量和能見(jiàn)度標(biāo)注值訓(xùn)練支持向量回歸機(jī)，得到能見(jiàn)度檢測(cè)模型；

步驟2，能見(jiàn)度檢測(cè)模型測(cè)試：輸入測(cè)試圖像，對(duì)測(cè)試圖像進(jìn)行子區(qū)域圖像劃分；通過(guò)預(yù)訓(xùn)練的VGG-16深度神經(jīng)網(wǎng)絡(luò)編碼，提取各子區(qū)域圖像對(duì)應(yīng)的N維特征向量；將各子區(qū)域圖像特征向量代入步驟1訓(xùn)練的能見(jiàn)度檢測(cè)模型，經(jīng)回歸預(yù)測(cè)得到各子區(qū)域能見(jiàn)度估計(jì)值；融合各子區(qū)域能見(jiàn)度估計(jì)值，輸出整幅圖像能見(jiàn)度檢測(cè)值。

步驟1包括以下步驟：

步驟1-1，對(duì)訓(xùn)練集中每幅圖像進(jìn)行子區(qū)域圖像劃分：將訓(xùn)練集中每幅圖像劃分為RegionNum個(gè)子區(qū)域，每個(gè)子區(qū)域分辨率為224×224，其中，ImageWidth表示訓(xùn)練集圖像的寬度，ImageHeight表示訓(xùn)練集圖像的高度，表示向上取整；子區(qū)域Region_(i,j)的左上角像素橫坐標(biāo)和縱坐標(biāo)分別為：

i、j分別表示子區(qū)域Region_(i,j)在圖像子區(qū)域集合中的行數(shù)和列數(shù)，表示向下取整；子區(qū)域Region_(i,j)的右上角像素橫坐標(biāo)和縱坐標(biāo)分別為子區(qū)域Region_(i,j)的左下角像素橫坐標(biāo)和縱坐標(biāo)分別為子區(qū)域Region_(i,j)的右下角像素橫坐標(biāo)和縱坐標(biāo)分別為