[發明專利]一種基于機器學習的能見度測量方法

在審

• 申請號: 201910016056.9
• 申請日: 2019-01-08
• 公開（公告）號: CN109741322A
• 公開（公告）日: 2019-05-10
• 發明（設計）人: 鄒修國;邱新法;鄭乃山;張世凱;姚和陽;吳佳鴻
• 申請（專利權）人: 南京藍綠物聯科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06K9/62;G06T5/30
• 代理公司: 上海精晟知識產權代理有限公司 31253
• 代理人: 馮子玲

本發明公開了一種基于機器學習的能見度測量方法，屬于圖像處理技術領域，包括提取ROI圖像、預處理圖像、建立基于二叉樹的多分類支持向量機模型，并對樣品圖像進行處理，解決了傳統的采用提取圖像的ROI的方法對空氣質量良好、輕度污染、中度污染、重度污染4種等級的識別準確率低的技術問題，利用基于圖像頻域獲取的顯著圖像，在提取中根據顯著區域提取出的興趣窗格在圖片中具有代表性，能充分反映圖像的特征，使在興趣窗格中提取的特征值具有較高的區分性；對于能見度較低的圖像需增強邊緣信息特征來提高匹配準確率，本發明采用對比度線性展寬增強邊緣信息特征，本發明安裝簡便、價格低廉、靈敏度高、操作簡便。

技術領域

本發明屬于圖像處理技術領域，特別涉及一種基于機器學習的能見度測量方法。

背景技術

大氣能見度對于人們生活中的安全出行影響很大，由于霧霾、沙塵等惡劣天氣而導致的道路能見度等級過低從而引起的交通事故時有發生，高速公路上團霧的存在也大大增加了人們出行安全的不確定性。因此，及時檢測道路能見度等級對于交通安全有著重要的意義，國內外的許多學者也對此進行著深入的研究。器測法和目測法是目前測量能見度等級常用的兩種方法，其中利用光學原理中的透射法或散射法的能見度等級儀器測量法應用較為廣泛，但這些光學監測器械存在著安裝復雜、設備昂貴、靈敏度要求高、操作復雜等不足之處。目測法則存在主觀性強、規范性差的問題，其嚴重限制了氣象觀測的全面自動化發展。

許茜等通過提取圖像的ROI(region of interest)，應用SVR的監督學習方法進行能見度等級檢測。Su,Rez S,NchezA等根據城市Avilés的SO2、NO、NO2、CO、PM10、O3的數據構建了基于支持向量機的回歸模型，該模型能夠很好的預測出城市中主要污染物的依賴性，并且該模型適用于其他城市。

上述方法中存在著較為依賴ROI提取的準確性、受到采集模板圖的限制、當大氣能見度較差時難以區分天空與道路導致魯棒性較差等問題。

發明內容

本發明的目的是提供一種基于機器學習的能見度測量方法，解決了傳統的采用提取圖像的ROI的方法對空氣質量良好、輕度污染、中度污染、重度污染4種等級的識別準確率低的技術問題。

為實現上述目的，本發明采用以下技術方案：

一種基于機器學習的能見度測量方法，包括如下步驟：

步驟1：通過圖像拍攝設備采集樣本圖像，圖像拍攝設備將樣本圖像發送給中心服務器進行處理；

步驟2：中心服務器通過基于顯著區域的ROI提取方式對樣本圖像的ROI圖像進行提取；

步驟3：中心服務器對樣本圖像進行預處理，在樣本圖像中設定一個目標區域作為檢測區域，填充樣本圖像的小凹陷部分，消除目標區域的小顆粒噪聲和增強對比度線性展寬增強邊緣信息特征；

步驟4：中心服務器對預處理后的樣本圖像進行特征值提取，特征值包括圖像邊緣特征、局部對比度特征和全圖透射率，圖像邊緣特征和局部對比度特征是在ROI圖像中進行提取，全圖透射率是在樣本圖像的全局圖像中進行提取；

步驟5：中心服務器建立基于二叉樹的多分類支持向量機模型，具體包括如下步驟：

步驟S1：選取數個樣本圖像，提取這些樣本圖像的特征后，通過支持向量機訓練建立能見度檢測模型；

步驟S2：將能見度等級分為4類，將選取的樣本圖像按照能見度等級分為4組圖集，每一組圖集保存75幅圖像；

步驟S3：從每一組圖集中隨機選取50幅圖像，即，一共200幅圖像，作為訓練樣本；將每一組圖集中剩余的25幅圖像，即，一共100幅圖像，作為測試樣本；

步驟S4：通過步驟2到步驟4的方法提取所有訓練樣本和所有測試樣本的特征值；