[发明专利]基于道路摄像头的能见度智能估测方法

说明书

本发明提供一种基于道路摄像头的能见度智能估测方法，包括数据采集步骤、失真图像过滤步骤和分析模型构建步骤。实现对道路图像区域内图像特征分析以及能见度值估测，覆盖面广，并减少设备和人力成本，充分利用道路摄像头监控视频图像，实现了过滤失真图像和测算图像中能见度值，弥补了能见度仪器覆盖面不足和因仪器故障偶有数据失真等问题，从另外一方面验证能见度仪器坏损问题。

技术领域

本发明涉及气象领域、图像识别领域和深度学习技术领域，具体涉及一种基于道路摄像头的能见度智能估测方法。

背景技术

气象领域依据能见度值进行大雾监测和预警，能见度值来源于气象观测站点以及高速公路各个路段能见度仪器采集，由于设备费用高昂，能见度仪器覆盖面有限，比如安徽省高速公路上一般每隔15KM安装一个，随着高速路段因大雾(尤其是小范围的团雾)等天气造成交通事故频发，交通部门对能见度测量站点的密度、大雾预警的准确性和时效性提出了更高的要求。

发明内容

本发明提供一种基于道路摄像头的能见度智能估测方法，实现对道路视频图像区域内图像特征分析以及能见度估测，覆盖面广，并减少设备和人力成本，充分利用道路摄像头监控视频图像，实现了过滤失真图像和估测出图像中能见度值，弥补了能见度仪器覆盖面不足和由于能见度仪器故障等原因偶有数据失真等问题，从另外一方面验证能见度仪器坏损问题。

为解决上述技术问题，本发明采用如下技术方案：

基于道路摄像头的能见度智能估测方法，包括如下方法：

数据采集步骤：在道路摄像头采集视频图像时，同步调取附近站点能见度仪采集历史数据；

失真图像过滤步骤：视频传输过程中，通过YCbCr分量函数和RGB分量函数，提取特征变量，并进行量化分析，得到衡量图像失真偏差值，对图像进行过滤处理；

分析模型构建步骤：分析历史图像中特征变量的变化情况，利用深度学习和卷积神经网络构建图像能见度值分析模型，估测出图像中能见度值。

进一步地，在分析模型构建步骤之前还包括移动图像去噪步骤，该步骤具体为：

使用计算位移向量来初始化基于轮廓的跟踪算法，捕获图像中移动的目标；

根据YCbCr分量函数和RGB分量函数提取的特征变量，并基于OpenCV图像修补函数，对图像移动目标进行背景差异化分析，利用颜色分量的填充和修补进行图像去噪。

进一步地，失真图像过滤步骤中，YCbCr分量函数和RGB分量函数提取的特征变量为图像亮度、红色分量、蓝色分量、R分量、G分量和B分量，所述衡量图像失真偏差值D_t通过以下公式计算得到：

D_t＝[(L_后-L_前)*W_L]+[(R_后-R_前)*W_r]+[(G_后-G_前)*W_g]+[(B_后-B_前)*W_b]

其中，L_后与L_前分别表示后一帧与前一帧图像亮度，G_后与G_前分别表示前一帧和后一帧图像G分量，R_后与R_前分别表示前一帧和后一帧图像R分量，B_后与B_前分别表示前一帧和后一帧B分量，W_L表示亮度权重，W_r表示R分量权重，W_g表示G分量权重，W_b表示B分量权重。

进一步地，所述分析模型构建步骤具体包括如下步骤：