[發(fā)明專利]一種基于編碼網(wǎng)絡(luò)微調(diào)的圖像能見度檢測方法

有效

• 申請?zhí)枺?/td>: 201811249423.1
• 申請日: 2018-10-25
• 公開（公告）號: CN109214470B
• 公開（公告）日: 2020-11-03
• 發(fā)明（設(shè)計）人: 李騫;唐紹恩;馬強(qiáng)
• 申請（專利權(quán)）人: 中國人民解放軍國防科技大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/34;G06N3/08
• 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)明公開了一種基于編碼網(wǎng)絡(luò)微調(diào)的圖像能見度檢測方法，包括：訓(xùn)練能見度檢測模型：對訓(xùn)練集圖像劃分區(qū)域，并通過修改后的網(wǎng)絡(luò)編碼，提取各子區(qū)域圖像特征向量，利用各子區(qū)域圖像特征向量和能見度標(biāo)注值訓(xùn)練支持向量回歸機(jī)，并估計子區(qū)域能見度值，通過微調(diào)后的網(wǎng)絡(luò)對各子區(qū)域圖像重新編碼，利用新的各子區(qū)域圖像特征向量和能見度標(biāo)注值重新訓(xùn)練支持向量回歸機(jī)，得到新的能見度與特征向量的回歸模型。測試能見度檢測模型：對測試圖像劃分區(qū)域，利用微調(diào)后的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行編碼，提取各子區(qū)域圖像特征向量，利用子區(qū)域圖像特征和重新訓(xùn)練的回歸模型計算子區(qū)域能見度估計值，按權(quán)重融合各子區(qū)域能見度估計值，得到整幅圖像能見度檢測值。

技術(shù)領(lǐng)域

本發(fā)明屬于大氣探測中地面氣象觀測技術(shù)領(lǐng)域，尤其涉及一種基于編碼網(wǎng)絡(luò)微調(diào)的圖像能見度檢測方法。

背景技術(shù)

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

基于圖像視頻的能見度檢測方法主要分為模型驅(qū)動和數(shù)據(jù)驅(qū)動兩類。模型驅(qū)動法結(jié)合能見度定義，通過分析光傳播過程中大氣衰減對圖像成像的影響，建立光在大氣中傳播的物理模型，估計模型中參數(shù)，以此反推能見度。模型驅(qū)動法的估計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)動法主要根據(jù)低能見度天氣對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特征，并通過累積的歷史數(shù)據(jù)訓(xùn)練特征與能見度的關(guān)系模型，以計算能見度。現(xiàn)有數(shù)據(jù)驅(qū)動法提取一種或多種明確的圖像特征進(jìn)行能見度估計，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，無法進(jìn)一步提高檢測精度。

發(fā)明內(nèi)容

發(fā)明目的：本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有基于圖像的能見度檢測方法對圖像信息利用不充分，魯棒性差，提出了一種基于編碼網(wǎng)絡(luò)微調(diào)的能見度檢測模型，實現(xiàn)利用攝像機(jī)對能見度的檢測，包括以下步驟：

步驟1，訓(xùn)練能見度檢測模型：輸入訓(xùn)練集圖像，對訓(xùn)練集中每幅圖像進(jìn)行子區(qū)域圖像劃分；利用全局池化層替換預(yù)訓(xùn)練網(wǎng)絡(luò)DIQaM-NR(無參考圖像質(zhì)量評估領(lǐng)域的深度神經(jīng)網(wǎng)絡(luò))末端的池化層，利用替換修改后的網(wǎng)絡(luò)對各子區(qū)域圖像編碼，提取各子區(qū)域圖像對應(yīng)的N(此處取值為512)維特征向量；利用各子區(qū)域圖像特征向量和能見度標(biāo)注值訓(xùn)練支持向量回歸機(jī)，并估計子區(qū)域能見度值；根據(jù)支持向量誤差分析計算各子區(qū)域融合權(quán)重，并按權(quán)重融合子區(qū)域能見度估計值，得到整幅圖像能見度估計值；結(jié)合估計結(jié)果對深度神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)；通過微調(diào)后的網(wǎng)絡(luò)對各子區(qū)域圖像重新編碼，利用新的各子區(qū)域圖像特征向量和能見度標(biāo)注值重新訓(xùn)練支持向量回歸機(jī)，得到新的能見度與特征向量的回歸模型；

步驟2，測試能見度檢測模型：輸入測試圖像，對測試圖像進(jìn)行子區(qū)域圖像劃分；利用微調(diào)后的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行編碼，提取各子區(qū)域圖像對應(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最后訓(xùn)練的新回歸模型，得到各子區(qū)域能見度估計值；計算各子區(qū)域融合權(quán)重，按權(quán)重融合各子區(qū)域能見度估計值，輸出整幅圖像能見度檢測值。

步驟1包括以下步驟：

步驟1-1，輸入訓(xùn)練集圖像，對訓(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個子區(qū)域，每個子區(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：