[发明专利]一种基于机器学习的晴雨检测与处理方法

说明书

本发明公开了一种基于机器学习的晴雨检测与处理方法，包括以下步骤：搜集N张无雨图像，同时搜集H张雨滴模板，利用图像合成的方法合成包含N张有雨图像及N张无雨图像构成的数据集，并根据类别设置标签，划分成训练图像与测试图像。将训练图像输入晴雨分类卷积神经网络，进行晴雨分类，并用测试图像进行训练效果检验；构造支持向量机晴雨图像分类器；构建宽度学习神经网络，输入训练图像到该网络，进行宽度学习训练，并使用测试图像检验训练效果；使用集成学习方法组合所述的晴雨分类卷积神经网络、SVM晴雨图像分类器和宽度学习神经网络，形成并行联合判别测试模型；使用该模型检测图像是否有雨，若无雨直接输出；若有雨则进行去雨处理。

技术领域

本发明属于机器学习与图像去噪领域，涉及一种基于机器学习的晴雨检测与处理方法。

背景技术

近年来随着人工智能与机器学习领域的迅猛发展，许多图像处理与目标识别算法相继涌出，并被大量用在自动驾驶、智能机器人的应用设计中。但是现有的图像处理算法大都是都是基于清晰图像来设计，但是在实际使用环境中物体景象会因为各种干扰而无法保证成像质量，雨是工作于室外环境中常见的不可忽略的干扰，在多雨的地方影响尤其大。图像处理已经广泛运用在生活的各个方面，如果在室外工作时无法有效排除雨点噪声干扰，将有可能导致识别错误的结果，甚至造成生命财产损失，势必影响其在室外环境的进一步运用。比如高度依赖图像识别的自动驾驶技术，错误的识别结果可能导致驾驶系统无法正确分析路况并规避危险，进而导致车毁人亡。去雨去雾应用可用于自动驾驶及航空业，能帮助我们去除不良天气的影响，提升交通行驶的安全性。同时也可用于各种摄像头，可消除雨对摄像头拍摄清晰度的影响，获得更好的拍摄效果。然而，当前大部分去雨算法，如ShuhangGu，Joint Convolutional Analysis and Synthesis Sparse Representation forSingle Image Layer Separation，ICCV,2017中所提出的图层分离去雨算法、WenhanYang，Joint Rain Detection and Removal from a Single Image with ContextualizedDeep Networks中的深度网络去雨算法以及He Zhang，Image De-raining Using aConditional Generative Adversarial Network中的对抗生成神经网络去雨算法，都需要耗费较多时间进行去雨。当一张无雨图像输入去雨系统时，若对该图像进行去雨处理，则会浪费大量时间，还可能导致输出图像质量降低。

发明内容

本发明的目的是构建一个能够自动识别图像是否有雨且自动进行去雨处理的模型，作为单独的图像优化方法或者用于其他图像处理方法的预处理步骤。本发明所提出的晴雨分类器可以对图像完成晴雨分类，以使系统只对有雨图像进行处理，提高系统处理速度和处理效率。

本发明至少通过如下技术方案之一实现。

一种基于机器学习的晴雨检测与处理方法所述包括以下步骤：

(1)搜集N张无雨图像，同时搜集H张雨滴模板，利用图像合成的方法合成包含N张有雨图像及N张无雨图像的数据集，对该数据集中的有雨图像和无雨图像设置对应标签，并分为训练图像与测试图像；

(2)将训练图像与对应标签输入晴雨分类卷积神经网络(Clear-Rainclassification Convolutional Neural Network,CRCNN)，进行晴雨识别检测，并用测试图像进行训练效果检验；

(3)构造基于HOG特征和LBP特征的支持向量机(SVM)晴雨图像分类器；

(4)构建宽度学习神经网络，输入训练图像与其对应标签到宽度学习神经网络，进行宽度学习训练，并使用测试图像检验训练效果；

(5)使用集成学习方法组合所述的CRCNN、SVM晴雨图像分类器和宽度学习神经网络，构成并行联合判别测试模型；