[发明专利]联合行道线几何先验的高速公路雾天能见度检测方法

说明书

本申请涉及一种联合行道线几何先验的高速公路雾天能见度检测方法。该方法包括：实时获取高速公路上的摄像头拍摄的高速公路雾天情况的图像数据；将高速公路雾天情况的图像数据输入到训练好的双分支分类网络模型的行道线检测分支和深度神经网络视觉特征提取分支，对应输出行道线检测标签和道路区域的视觉特征；训练好的双分支分类网络模型的融合分类模块根据行道线检测标签计算高速公路可见区域的长度特征，并融合道路区域的视觉特征进行分类，确定摄像头拍摄的高速公路对应的雾天能见度等级，联合行道线长度特征进行分类，分类准确度高，从而提高了高速公路雾天能见度检测的准确率。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种联合行道线几何先验的高速公路雾天能见度检测方法。

背景技术

高速公路雾天能见度检测对于交通预警、安全行车具有重要意义。目前，对雾天图像可见度预测问题的关注较少，解决这一问题的方法很少，大致可以分为两类：基于物理模型的方法和基于深度学习的方法。基于物理模型的方法主要是基于Koschmieder定律和大气散射模型来设计预测规则。基于深度学习的方法主要是利用深度网络直接学习雾图像到雾密度的映射。虽然深度网络具有很好的学习能力，但它们的预测主要依赖该黑盒模式下所学习的视觉特征，然而由于不同监控设备的不同成像时段以及光照条件影响等因素影响导致视觉特征具有广泛的差异性，仅仅依赖视觉特征往往并不能形成好的预测结果，因此，目前的高速公路雾天能见度检测的准确率较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高高速公路雾天能见度检测的准确率的联合行道线几何先验的高速公路雾天能见度检测方法。

一种联合行道线几何先验的高速公路雾天能见度检测方法，所述方法包括：

实时获取高速公路上的摄像头拍摄的高速公路雾天情况的图像数据；

将所述高速公路雾天情况的图像数据输入到训练好的双分支分类网络模型的行道线检测分支和深度神经网络视觉特征提取分支，对应输出行道线检测标签和道路区域的视觉特征；

所述训练好的双分支分类网络模型的融合分类模块根据所述行道线检测标签计算高速公路可见区域的长度特征，并融合所述道路区域的视觉特征进行分类，确定所述摄像头拍摄的高速公路对应的雾天能见度等级；

所述双分支分类网络模型的训练方式为：

获取不同时段、不同角度摄像头下的高速公路雾天情况监控图像集；

根据能见度距离将所述高速公路雾天情况监控图像集中的图像数据分为4个能见度等级，并将每个能见度等级中的图像数据按照预设比例划分出训练集和测试集；

构建结合行道线检测算法的双分支分类网络模型，所述双分支分类网络模型包括行道线检测分支、深度神经网络视觉特征提取分支以及融合分类模块；

采用损失函数优化所述双分支分类网络模型；

预设所述双分支网络模型的训练超参数，并导入行道线检测分支预先训练好的权重参数；

将所述训练集中的图像数据输入所述双分支分类网络模型中，根据损失函数，采用Adam优化器实现所述深度神经网络视觉特征提取分支的权重参数的迭代优化与更新，直至双分支分类网络模型收敛，获得初步双分支分类网络模型；

将所述测试集中的图像数据输入所述初步双分支分类网络模型中进行测试，确定所述初步双分支分类网络模型的精度，当精度达到预设值时，获得训练好的双分支分类网络模型。

在其中一个实施例中，所述行道线检测分支包括resnet18、第一全连接层和第二全连接层；

图像数据输入resnet18进行行道线深度视觉特征提取，获得行道线深度视觉特征；