基于暗通道先验和深度学习的高速公路雾天能见度检测方法技术
【技术实现步骤摘要】
基于暗通道先验和深度学习的高速公路雾天能见度检测方法
本专利技术涉及一种高速公路雾天能见度检测方法，具体的为一种基于暗通道先验知识和深度学习的高速公路雾天能见度检测方法，可以根据高速公路视频信息，实现高速公路雾天情况下的能见度检测。
技术介绍
高速公路在实际运行中，容易受恶劣天气的影响。其中，雾天是一种典型的恶劣天气，大雾使得高速公路能见度大幅下降，这一方面使得道路整体车速降低，道路通行能力随之下降；另一方面低能见度影响驾驶员视野，极易造成交通事故。因此，如何利用高速公路视频实现雾天能见度检测，及时发现低能见度的大雾天气并对其进行告警，是提升高速公路行车安全的有力措施。现有技术中，基于视频的高速公路雾天能见度检测方法主要有以下三类：1)基于图像对比度的方法：如公开号为CN101936900A的中国专利申请公开的一种基于视频的能见度检测系统，这类方法提取车道线边缘信息并计算对比度，然后拟合得到能见度值。但是由于图像边缘信息的无规则变化，使得检测值波动很大，实用性较低。2)基于区域增长的方法：如公开号为CN102175613A的中国专利公开的一种基于图像亮度特征的pt...
【技术保护点】
一种基于暗通道先验和深度学习的高速公路雾天能见度检测方法，其特征在于：包括如下步骤：步骤1：采集高速公路摄像头获取的视频图像，建立背景模型；步骤2：获取初步透射率图；步骤21：构建一个六层的卷积神经网络模拟图像透射率计算过程，并使用大量样本训练得到网络模型；步骤22：加载卷积神经网络模型，并使用原始图片的长和宽对网络进行初始化；步骤23：把原始雾天图像送入该网络进行计算，得到对应的透射率图；步骤3：透射率图优化：采用导向滤波函数处理透射率图，得到更加精细的透射率图；步骤4：求取平均大气消光系数；步骤41：在原始图像中指定至少两条车道白线以选取道路关键点；步骤42：对于每一条...
【技术特征摘要】
1.一种基于暗通道先验和深度学习的高速公路雾天能见度检测方法，其特征在于：包括如下步骤：步骤1：采集高速公路摄像头获取的视频图像，建立背景模型；步骤2：获取初步透射率图；步骤21：构建一个六层的卷积神经网络模拟图像透射率计算过程，并使用大量样本训练得到网络模型；步骤22：加载卷积神经网络模型，并使用原始图片的长和宽对网络进行初始化；步骤23：把原始雾天图像送入该网络进行计算，得到对应的透射率图；步骤3：透射率图优化：采用导向滤波函数处理透射率图，得到更加精细的透射率图；步骤4：求取平均大气消光系数；步骤41：在原始图像中指定至少两条车道白线以选取道路关键点；步骤42：对于每一条车道线，获取车道线两端位置的透射率，分别计算出对应的大气消光系数；步骤43：对所有大气消光系数求平均值，得到平均大气消光系数；步骤5：能见度估计：采用平均大气消光系数，计算大气能见度。2.根据权利要求1所述的基于暗通道先验和深度学习的高速公路雾天能见度检测方法，其特征在于：所述步骤1中，建立背景模型的方法如下：步骤11：从高速公路摄像头获取视频图像，然后利用视频图像序列，建立背景模型；步骤12：对背景模型实时更新。3.根据权利要求1所述的基于暗通道先验和深度学习的高速公路雾天能见度检测方法，其特征在于：所述卷积神经网络包括三部分：第一部分：卷积层加上Maxout计算，用于提取特征；第二部分：多尺度映射和局部极值；第三部分：非线性回归。4.根据权利要求1所述的基于暗通道先验和深度学习的高速公路雾天能见度检测方法，其特征在于：所述卷积神经网络中的透射率计算方法如下：对于任意的输入图像，其暗通道表述为：其中，Jc是彩色图像的像素，Jdark是暗通道图像的像素，Ω(x)是以像素x为中心的一个窗口；根据观测结果，无雾图像的暗通道先验表示方程如下：在计算机视觉中，雾天模型方程为：I(x)＝J(x)t(x)+A(1-t(x))其中，I(x)是雾化图像的像素，J(x)是无雾图像的像素，t(x)是透射率，A是全局大气光值；将雾天模型方程等式两边同时除以A，并分别计算暗通道，可得：
【专利技术属性】
技术研发人员：赵敏，孙棣华，郑林江，贾建，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。