[发明专利]基于迁移学习技术的室外天气图像分类方法

说明书

本发明公开了一种基于迁移学习技术的室外天气图像分类方法。该方法首先建立深度网络模型，接着将训练好的checkpoint格式的深度网络模型转换为pb格式的深度网络模型；最后只需将待判别的图像输入pb格式的深度网络模型即可快速自动判别图像的天气类别，且分类准确率较高，同时本发明所述的室外天气图像分类方法可以对天气类别进行分类，即分为雾、雨、晴、雪，同时还可以针对雪天天气进行细分，即细分为小雪、中雪、大雪，同时本发明基于迁移学习技术，具有训练数据需求量少，模型训练时间更少、优化速度更快的优势，本发明迁移在ImageNet数据集上表现优异的深度网络ResNet到我们的天气图像数据集上，取得了较高的分类准确率。适合在图像处理技术领域推广应用。

技术领域

本发明涉及图像处理技术领域，尤其是一种基于迁移学习技术的室外天气图像分类方法。

背景技术

天气信息对于我们日常生活、交通出行和工业生产等都具有很重要的意义。传统的天气信息获取方法依赖于各种昂贵的天气数据采集传感器,还需要通过人工观测判别。近年来，随着图像识别技术的快速发展，利用普通摄像头获取图像进行天气判别已成为当前流行的方法。

自动驾驶、智能监控和视频图像理解等技术的高速发展也带动了室外天气状况识别技术的发展，使其成为当前的研究热点之一。在自动驾驶系统中，车辆周围的天气环境对驾驶系统做出的决策有很大影响，系统需要实时获取天气状况。在智能监控和图像理解领域，我们都是基于清晰的图像进行图像分类、目标检测和跟踪、语义分割，然而在实际情况中，相机拍摄的照片会受到雨、雪、雾等恶劣天气的影响而引入噪声，因此，自动检测图像中所表示的天气情况是很有必要的。

目前，天气图像分类的方法主要包括两大类：基于特征工程和传统机器学习的分类方法、基于卷积神经网络(CNN)和深度学习的分类方法。前者需要将从图像中提取的各种特征融合成特征向量，再传给分类器(机器学习算法)用于训练；后者是一种端到端的图像分类方法。

与一般的图像分类任务相比，天气图像分类的难点在于不同类别的天气图像中可能存在相同的目标物体，这使得一些传统的特征提取方法(如SIFT、SURF、HOG)无法提取到有效的特征。因此，基于特征工程的天气图像分类方法需要人工去设计适用于天气图像分类的特征及其组合方式，这就要求研究者具备较强的专业知识，而且设计一种有效特征的难度很大。天气图像分类中常用的特征有天空、阴影、暗通道、雨线、功率谱斜率、色相、亮度、对比度、饱和度、锐度等，针对不同的任务还需要调整特征组合方式以实现最佳的分类效果。常用的机器学习算法包括SVM、KNN、随机森林等。

与人工设计特征相比，CNN能够自动提取图像的有效特征，因此基于CNN和深度学习的方法成为现在流行的方法。从2012年开始，深度学习方法得到了快速的发展与应用，各种强大的深度网络模型被设计出来(如VGG、GoogleNet、ResNet)，目前利用深度学习技术已经能够较好地解决通用图像分类问题。但是，深度学习模型在训练时依赖于大规模标记好的图像数据，这也导致模型训练时间较长，模型推广泛化能力较弱。

发明内容

本发明所要解决的技术问题是提供一种能够能对雾、雨、晴、小雪、中雪、大雪6类天气进行快速自动判别、且分类准确率较高的基于迁移学习技术的室外天气图像分类方法。

本发明解决其技术问题所采用的技术方案为：该基于迁移学习技术的室外天气图像分类方法，包括以下步骤：

1)、建立深度网络模型；

A、在不同的地点布置相机，以固定时间间隔拍取照片图像，然后将获取的图像上传到服务器存储；

B、将获取的图像按照雾、雨、晴、小雪、中雪、大雪分成六类天气候选数据集；