[发明专利]基于神经网络的能见度识别方法及系统、电子设备、存储介质

权利要求书

1.一种基于神经网络的能见度识别方法，其特征在于，所述方法包括：

采集历史视频；

对历史视频进行分帧处理，得到分帧图片，作为训练数据集；

对训练数据集进行标注能见度，得到标注能见度后的训练数据集；

对标注能见度后的训练数据集进行神经网络训练，得到能见度神经网络模型；

将待测视频的分帧图片通过能见度神经网络模型计算，得到待测视频的能见度。

2.根据权利要求1所述的方法，其特征在于，在将待测视频的分帧图片能见度通过神经网络模型计算，得到待测视频的能见度前，还包括：

对能见度神经网络模型进行测试。

3.根据权利要求2所述的方法，其特征在于，对能见度神经网络模型进行测试，包括：

获取测试视频的分帧图片，作为测试数据集；

测试数据集通过测量消光系数计算能见度，或者通过暗通道先验理论计算能见度，来对能见度神经网络模型进行测试。

4.根据权利要求3所述的方法，其特征在于，通过测量消光系数计算能见度，包括：

以天空为背景，水平观测自身亮度为L₀的目标物时，物体视亮度L与观测距离d的关系表示为

L＝L₀exp(-βd)+L_f[1-exp(-βd)] (1)

式中，β为大气消光系数，L_f为大气光亮度；

根据式(1)，推导出基于大气亮度的对比度衰减规律为

C＝C₀exp(-βd) (2)

式中，C为目标物在d处的固有视亮度对比，C₀为目标物相对于背景的固有亮度对比；

设ε为对比感阈，则当C＝ε时，人眼将无法把目标物从背景中分辨出来；

采用气象光学视程作为能见度V的特征量，取ε＝0.05，则

5.根据权利要求3所述的方法，其特征在于，通过暗通道先验理论计算能见度，包括：

雾霾图像物理模型表示为

I(x)＝J(x)t(x)+A[1-t(x)] (4)

式中，x表示目标物的平面坐标，I(x)为观测到的雾霾图像值，J(x)为原无雾霾图像值，t(x)为传输透射率，A为大气光强度；

假设大气光是均匀分布的，传输透射率可以表示为

t(x)＝exp[-αd(x)] (5)

式中，α是散射系数，d(x)是目标物到摄像头的距离；忽略大气对光的吸收作用，则消光系数等于散射系数；

对图像进行分窗口处理，设每一个窗口内透射率t(x)为常数，记作则对(4)式两边求两次最小值，为

式中，c表示原无雾霾图像的RGB颜色通道中的一个通道；r、g、b分别表示图像中RGB三个颜色通道，Ω(x)表示以像素x为中心的一个窗口；

根据暗原色理论，设至少一个颜色通道的灰度值为0，即带入公式(6)，则得透射率为

引入去雾参数μ，则透射率为

6.根据权利要求1所述的方法，其特征在于，在对历史视频进行分帧处理，得到分帧图片，作为训练数据集前，还包括：

对历史视频进行预处理。

7.根据权利要求6所述的方法，其特征在于，对历史视频进行预处理，包括：

对历史视频进行降噪处理，和/或去隔行处理。