[發(fā)明專利]一種離散標簽下基于深度相對學習的霧天能見度估計方法

在審

• 申請?zhí)枺?/td>: 202110261116.0
• 申請日: 2021-03-10
• 公開（公告）號: CN112989994A
• 公開（公告）日: 2021-06-18
• 發(fā)明（設計）人: 章軍;胡濤;陳鵬;王兵;夏懿
• 申請（專利權）人: 安徽大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 合肥四閱專利代理事務所(普通合伙) 34182
• 代理人: 李蘇

本發(fā)明涉及圖像識別技術領域，公開了一種離散標簽下基于深度相對學習的霧天能見度估計方法，它是利用圖像的順序信息和相對關系來估計能見度，通過將有序信息編碼成一組圖像對的相對排序，這樣，VISOR?NET就可以有效地學習一個全局排序函數。本發(fā)明通過采集真實監(jiān)控場景拍攝的大規(guī)模霧天高速公路能見度圖像數據集，通過對現有深度學習方法的綜合實驗，證明了該方法在準確度、有效性、穩(wěn)定性等方面具有更好的性能，此外，該方法可以將類別間擴展到類別內進行可見性估計，實現離散層標簽下的近似回歸估計，也就是能夠實現對級別內能見度距離的估計。

技術領域

本發(fā)明涉及圖像識別技術領域，具體是一種離散標簽下基于深度相對學習的霧天能見度估計方法。

背景技術

由于霧天能見度的降低，給人們的出行帶來不便，尤其是高速公路上的車輛高速行駛，交通部分需要快速監(jiān)測霧天的能見度級別，來對來往車輛進行適當的交通管控，以往，一般都是采用目測法或通過儀器設備法來檢測能見度的級別，這些方法的效率低、成本高、識別準確率也不高，然而，隨著人工智能技術的興起，尤其是深度學習在計算機視覺上的快速發(fā)展和應用，讓我們開始通過深度學習方法對于高速公路攝像機拍攝的霧天圖像進行能見度分類；

然而，目前實際應用的主要標注方法還是目測法和儀器設備測量法，但是存在以下缺點：

(1)目測法，還是需要專業(yè)的氣象學家或從事相關工作的研究人員，但是判別效率低，判斷還是取于人的意識，主觀性較強，不同的人對同一個霧天圖像可能會得到不同的結果。

(2)儀器設備測量法需要昂貴的設備且設備在公路上部署間隔遠，一般相距20km左右，且是以點之間的間距作為測量到能見度，而實際拍攝到的圖片信息更側重于整個霧平面，很難拍攝到的圖片與能見度儀測到的能見度值匹配起來，而且設備成本很高；

因此，本領域技術人員提供了一種離散標簽下基于深度相對學習的霧天能見度估計方法，以解決上述背景技術中提出的問題。

發(fā)明內容

本發(fā)明的目的在于提供一種離散標簽下基于深度相對學習的霧天能見度估計方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發(fā)明提供如下技術方案：一種離散標簽下基于深度相對學習的霧天能見度估計方法，通過利用圖像的順序信息和相對關系來估計能見度，即VISOR-NET，具體操作如下：

步驟1：首先，將所有的數據集，按照比例分為訓練集和測試集，在所有的數據集上，隨機選取30％的圖像作為測試集，其余部分作為訓練集；

步驟2：將訓練集圖像輸入到該方法的特征提取和回歸模型中，其中，特征提取和回歸模型前半部分的霧卷積神經網絡可以視為一個特征提取器，圖像通過這里就可以得到霧天圖像的特征圖，再通過特征提取和回歸模型后半部分的一個全連接的回歸網絡，可以視為一個估計函數，通過特征來圖得到一個相對的回歸值；

步驟3：再將所有訓練集圖像得到的相對的回歸值，提取序數信息來兩兩配對，再進行比較，此外，比較的結果是由損失函數來體現，排序錯誤的越多，損失函數越大；排序錯誤越少，損失函數越小；

步驟4：該方法的第一個損失函數是本發(fā)明的目標就是通過不斷的學習，迭代更新排序信息，讓損失函數L_s越小越好，最好減為0；并且，為了防止配對圖像的差值太大，使得值太過分散而不利于預測，這里還在加入一個聚類損失L_c，最終將L＝L_s+λ*L_c作為本方法最終的損失函數；

步驟5：當一次迭代過程結束，最終預測是通過最近鄰算法，判斷樣本的最終的能見度級別；

步驟6：最后就是不斷迭代，更新損失，重復上述過程，使得復合損失函數L減的越來越小，通過訓練集樣本的預測值和真實值的比較，就可以得到訓練準確率；