一种基于场景分类的高速公路积雪图像识别与订正方法技术

本发明专利技术涉及一种基于场景分类的高速公路积雪图像识别与订正方法，具体步骤如下：((1)对高速公路路面进行图像采集；(2)将采集的图像按照图像光照条件分为不同场景，挑选一部分包含不同场景的图像，并对挑选的图像进行场景类型标注，形成场景识别数据集；(3)对积雪覆盖进行等级划分，并对采集图像进行积雪覆盖等级标注；(4)构建深度神经网络模型并对网络参数进行训练；(5)对积雪图像识别结果订正。本发明专利技术能够利用交通摄像头采集的视频图像准确识别高速公路路面积雪覆盖程度，相比传统积雪监测设备，具有低成本、高精度的优势。高精度的优势。高精度的优势。

【技术实现步骤摘要】
一种基于场景分类的高速公路积雪图像识别与订正方法


[0001]本专利技术涉及道路积雪监测
，具体涉及一种基于场景分类的高速公路积雪图像识别与订正方法。

技术介绍

[0002]积雪是对道路交通影响最为显著的交通气象灾害之一。积雪改变了道路路面状态，导致路面湿滑、结冰，路面摩擦系数明显下降，对交通安全通行构成严重影响，因积雪导致的大范围交通阻断甚至重特大交通事故也屡见报道。
[0003]随着智能交通系统的发展势头渐猛，作为其重要组成部分的道路监控视频系统逐步普及，利用视频或图像数据来识别道路表面状态将发展成为主流技术。国内外研究人员针对视频图像识别路面积雪技术进行了大量研究。加拿大滑铁卢大学的Raqib Omer团队利用车载相机获得路面图像，提取RGB颜色直方图作为特征并使用SVM对其进行训练，可达到80％以上的分类正确率。日本富士山大学的研究者针对夜晚照明条件不足的情况，通过组合颜色、亮度、纹理三种特征，使用K
‑
最近邻算法分类，使路面积雪识别率达到了90％以上。国内方面，孙中华等提出了一种基于朴素贝叶斯分类的路面积雪状态检测方法；武洪强对基于支持向量机的路面积雪视频图像识别技术进行了研究。
[0004]传统图像识别方法检测路面积雪时，对于一些简单的输入图像进行识别和分类，有比较好的效果，但由于路面的干扰特征多，噪声处理、去除等较复杂，并且由于有些图片在语义上相似度高或者需要在子类上继续分类时，图像的特征不够，导致在画面复杂的情况下，传统方法难以正确分类，识别效果不尽理想。/>[0005]近年来，随着深度卷积神经网络研究和技术的突破，深度学习技术在图像分类、识别、检测、分割等领域取得了令人瞩目的成就。深度学习模型能够自动对数据进行高层抽象，解决了传统机器学习方法手动设计特征的繁琐、泛化能力差的问题，是路面积雪识别技术在算法选择上的重大突破。因此，利用深度神经网络来对复杂场景下的路面积雪进行识别成为最有前景的技术手段。

技术实现思路

[0006]本专利技术的目的在于提供基于场景分类的高速公路积雪图像识别与订正方法，能够利用交通摄像头采集的视频图像准确识别高速公路路面积雪覆盖程度，相比传统积雪监测设备，具有低成本、高精度的优势。
[0007]为实现上述目的，本专利技术采用了以下技术方案：
[0008]一种基于场景分类的高速公路积雪图像识别与订正方法，具体包括如下步骤：
[0009](1)对高速公路路面进行图像采集；
[0010](2)将采集的图像按照图像光照条件分为不同场景，挑选一部分包含不同场景的图像，并对挑选的图像进行场景类型标注，形成场景识别数据集；
[0011](3)对积雪覆盖进行等级划分，并对采集图像进行积雪覆盖等级标注；
[0012](4)构建深度神经网络模型并对网络参数进行训练；
[0013](5)对积雪图像识别结果订正。
[0014]上述方案中，步骤(1)，具体利用高速公路监控摄像头采集路面图像，包括不同路段、不同季节、不同积雪覆盖程度的图像。
[0015]进一步的，步骤(2)，具体为：
[0016]按照图像光照条件把图像分为三种场景：白天可见光场景、夜晚可见光场景和夜晚红外光场景；从采集的高速公路路面图像中挑选一部分包含不同场景的图像，对图像进行场景类型标注，形成场景识别数据集；基于KNN(K
‑
Nearest Neighbor)算法在场景识别数据集上训练场景识别模型，利用模型对未进行场景分类的图像进行场景自动识别与分类；
[0017]上述方案中，步骤(3)中，对积雪覆盖进行等级划分之前，先制定积雪覆盖等级划分标准，路面全部被积雪覆盖，记为1级；路面部分被积雪覆盖，记为2级；路面无积雪，记为3级；
[0018]然后进行样本标注，按照积雪覆盖等级划分标准，分场景对高速公路路面图像进行积雪覆盖等级标注，分别形成白天可见光场景、夜晚可见光场景和夜晚红外光场景的积雪识别数据集。
[0019]上述方案中，步骤(4)，具体包括如下步骤：
[0020](a)建卷积神经网络，网络包含输入层，3
‑
20层卷积层、3
‑
10层池化层、全连接层和输出层,卷积层的激活函数使用ReLu函数，网络输出层使用softmax函数进行分类；
[0021](b)确定损失函数，分别在不同场景的数据集上，使用优化算法对网络参数进行训练，得到高速公路积雪识别模型。
[0022]步骤(5)中，对积雪图像识别结果订正，具体如下：
[0023]通过网络实时获取高速公路监控摄像头图像，首先使用场景识别模型对图像场景进行识别；
[0024]确定图像场景后，调用相应场景的积雪图像识别模型对图像进行识别；
[0025]获取摄像头所在位置的24小时最低气温数据，如果24小时最低气温不高于特定值，不对图像识别结果做订正；如果24小时最低气温高于特定值，若图像识别结果为1级或2级，则订正为3级。
[0026]由上述技术方案可知，本专利技术所述的基于场景分类的高速公路积雪图像识别与订正方法，能够利用交通摄像头采集的视频图像准确识别高速公路路面积雪覆盖程度，相比传统积雪监测设备，具有低成本、高精度的优势。该方法用于实时监测高速公路积雪状况，为交通管理部门提供决策支持，防止因积雪造成交通事故，保障高速行车安全。
附图说明
[0027]图1是图像场景分类情况；
[0028]图2是积雪覆盖等级分类情况；
[0029]图3是本专利技术的方法流程图。
具体实施方式
[0030]下面结合附图对本专利技术做进一步说明：
[0031]本实施例的基于场景分类的高速公路积雪图像识别与订正方法，具体包括如下步骤：
[0032]S1：对高速公路路面进行图像采集
[0033]S11：通过专线接入交通监控视频平台，采集2000路摄像头1年以上的高速公路路面图像。为实现正负样本均衡，冬季降雪期间提高图像采集频率，每个摄像头10分钟采集一次图像；
[0034]S12：对采集的低质量图像(模糊、失真)进行特征分析，提取图像的颜色、纹理等特征量，基于k近邻算法实现低质量图像的检测和剔除；
[0035]S13：基于颜色直方图对图像进行相似度分析和相似图像检索，清理冗余图像；
[0036]S14：通过负样本(无积雪图像)采样和正样本(积雪图像)增强，实现正负样本均衡。
[0037]S2：将采集的图像按照图像光照条件分为不同场景，挑选一部分包含不同场景的图像，并对挑选的图像进行场景类型标注，形成场景识别数据集
[0038]1、交通视摄像头图像场景分类
[0039]原始视频图像资料经过低质量图像剔除、相似图像清理及样本均衡化处理后，基于RGB和YUV颜色模型，实现图像亮度和颜色分量等多维特征提取，基于K近邻算法进行无监督学习，实现白天、夜晚可见光和夜晚红外光三种不同光照条件图像的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于场景分类的高速公路积雪图像识别与订正方法，其特征在于，包括如下步骤：(1)对高速公路路面进行图像采集；(2)将采集的图像按照图像光照条件分为不同场景，挑选一部分包含不同场景的图像，并对挑选的图像进行场景类型标注，形成场景识别数据集；(3)对积雪覆盖进行等级划分，并对采集图像进行积雪覆盖等级标注；(4)构建深度神经网络模型并对网络参数进行训练；(5)对积雪图像识别结果订正。2.根据权利要求1所述的基于场景分类的高速公路积雪图像识别与订正方法，其特征在于：步骤(1)中，利用高速公路监控摄像头采集路面图像，包括不同路段、不同季节、不同积雪覆盖程度的图像。3.根据权利要求1所述的基于场景分类的高速公路积雪图像识别与订正方法，其特征在于：步骤(2)中，将采集的图像按照图像光照条件分为不同场景具体包括白天可见光场景、夜晚可见光场景和夜晚红...

【专利技术属性】
技术研发人员：杨彬，罗希昌，张亚，陈浩，江春，姚叶青，周建平，张亚力，汪翔，姚振海，
申请(专利权)人：安徽省公共气象服务中心，
类型：发明
国别省市：