[發(fā)明專利]基于圖像多特征融合的公路能見度檢測方法、系統(tǒng)及裝置

有效

• 申請?zhí)枺?/td>: 202010974664.3
• 申請日: 2020-09-16
• 公開（公告）號: CN112052822B
• 公開（公告）日: 2022-07-12
• 發(fā)明（設計）人: 要義勇;朱繼東;趙麗萍
• 申請（專利權）人: 西安交通大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/44;G06V10/50;G06V10/764;G06V10/80;G06K9/62
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 朱海臨

1.一種基于圖像多特征融合的公路能見度檢測方法，其特征在于，包括以下步驟：

S1，從公路實時監(jiān)控視頻中按預設時間間隔截取監(jiān)控畫面，得到多幅截取圖像；

S2，對各截取圖像進行預處理；

S3，提取經步驟S2處理后的截取圖像的三種特征，所述三種特征包括圖像暗像素直方圖分布中心特征、圖像平均梯度特征和圖像相關性特征；

提取圖像暗像素直方圖分布中心特征具體為：通過下式計算像素點處的暗像素值

其中，為以像素點為中心的鄰域，c∈(R,G,B)為RGB三通道，為RGB三通道中任一通道的像素值；

根據(jù)各像素點處的得到圖像暗像素直方圖；

通過下式計算圖像零階矩m₀₀、圖像暗像素直方圖y方向分布區(qū)域總和m₀₁、圖像暗像素直方圖x方向分布區(qū)域總和m₁₀：

其中，x為像素值，y為分布頻率，I(x,y)為分布密度；

通過下式計算得到圖像暗像素直方圖分布中心C：

提取圖像平均梯度特征具體為：

通過下式計算圖像點(i,j)處的梯度值：

其中，G_x和G_y分別為水平方向圖像梯度和豎直方向圖像梯度；

則，圖像平均梯度A_grad為：

其中，M為圖像的寬度，N為圖像的高度；

提取圖像相關性特征具體為：

采取人工選擇的方式，選取一張景物清晰度最好的截取圖像作為模板圖像，使用ORB算法計算當前畫面與模板圖像之間的相關性，獲取相關性系數(shù)；

S4，根據(jù)步驟S3提取的所述三種特征，構建能見度等級評價模型。

2.根據(jù)權利要求1所述一種基于圖像多特征融合的公路能見度檢測方法，其特征在于，所述步驟S2具體為：調整各截取圖像尺寸，再進行灰度化處理和濾波處理。

3.根據(jù)權利要求2所述一種基于圖像多特征融合的公路能見度檢測方法，其特征在于，所述調整各截取圖像尺寸具體為將截取圖像的寬度和高度均調整為二分之一；

所述進行灰度化處理具體為將圖像處理為單通道的灰度圖像；

所以濾波處理具體為進行雙邊濾波處理。

4.根據(jù)權利要求1所述一種基于圖像多特征融合的公路能見度檢測方法，其特征在于，步驟S4具體為：

S4.1，設能見度等級評價模型的輸入特征向量X為X＝[x₁,x₂,x₃,x₄,x₅]，其中，x₁、x₂為圖像暗像素直方圖分布中心的像素值及對應的頻率，x₃為圖像暗像素直方圖最大分布頻率，x₄代入圖像平均梯度，x₅為圖像相關性系數(shù)；

S4.2，設輸出向量Y為Y＝[y₀,y₁,y₂,y₃,y₄]；其中，[1,0,0,0,0]表示能見度為好；[0,1,0,0,0]表示能見度為較好，[0,0,1,0,0]表示能見度為一般，[0,0,0,1,0]表示能見度為較差，[0,0,0,0,1]表示能見度為差；

S4.3，構建基于支持向量機的團霧能見度等級分類器，輸入輸出向量結構具體如步驟S4.1和S4.2所示，根據(jù)歷史圖像數(shù)據(jù)進行模型參數(shù)訓練，進而完成分類器的構建。