[发明专利]一种基于深度学习的适用于道路能见度的监测方法与系统

权利要求书

1.一种基于深度学习的适用于道路能见度的监测方法，其特征在于，包括以下步骤：

S1.数据收集：在监测道路选择不同的典型路况、不同的天气状况下的摄像头捕捉图像，获取对应的天气数据、环境状况数据；

S2.利用深度学习方法构建能见度模型：

数据预处理，获取监测路段摄像头的视频数据，对视频数据进行预处理，每隔t秒提取一幅图像，所提取的摄像图像随时间形成动态的时间序列图像，其中1≤t≤10；

计算图像的对比度、边缘特征、POLC指标；

将以上数据一一对应，进行深度学习；

利用训练数据对构建能见度模型训练网络，优化网络，构建能见度模型；

S3.构建道路所有摄影头数据的能见度监测系统：

将道路所有的摄影头利用GIS技术，建立数据库，构建道路能见度的监测系统，实现道路沿线所有摄影头图像的处理、地图显示；

S4.将能见度模型推广至系统中所有摄像头图像数据的能见度判定；

S5.能见度显示、分级预警，并通过显示屏预警提示。

2.如权利要求1所述的方法，其特征在于，步骤S2所述对比度的计算步骤为：

其中C_x,xi(f)为行向对应像素点的对比度值，f(x)为对应像素点的灰度值，为像素相邻位置的右边像素值，G为图像最大灰度值，min{f(x),f(xi)}为相邻像素最小值；

同理可求出列向对比度；

所述边缘特征的计算步骤为：

通过考察图像的每个像素点，在某个领域内的灰度变化进行梯度值计算，利用边缘临近一阶或者二阶方向导数变化规律，使用边缘检测算子计算出局部梯度值，采用3x3 sobel算子(一阶)，其计算出来的局部梯度值可作为梯度幅值

其中F(G_mean)为图像的全局平均梯度，M,N为图像分辨率大小，G_s(i,j)为对应像素的梯度值，能见度高时边缘响应很强烈，反之很弱；

所述POLC指标的计算步骤为：

先将图像划分成m×n的区域，然后计算每一个区域的对比度和图像LAB颜色空间的L通道值作为明度，最后每个区域取均值作商得到POLC

其中Ω(x)是划分区域的大小，m×n是窗口总数，m≤M,n≤N，C(y)是对比度，L(y)是明度。

3.如权利要求1所述的方法，其特征在于，其中所述深度学习包括步骤：

选择深度残差网络ResNet模型，选择ResNet50作为网络设计；

网络架构调整与确定：除了摄影头图像数据外，通过天气数据、环境状况数据，以及计算的对比度、边缘特征、POLC指标去辅助网络拟合能见度数据，因此移除最后linear，再重新加入三层linear，在第一层linear时会将辅助信息与网络前面4层layer提取的图像信息融合，再经过一层linear拟合，最后一层linear的神经元依为1代表能见度；

进行网络训练：

S01)、将训练集按8:2比例划分为训练集合验证集，将划分好的训练集再划分，进行4折交叉验证；

S02)、将图像进行数据增广，再将其转换位4-D Tensor，做归一化处理。然后再计算所需的辅助特征。对于辅助的天气数据、环境状况数据做编码转换和归一化；

S03)、将能见度数据归一化后作为标签数据；

S04)、设置相关超参数，包括最大迭代次数、学习率、L2正则系数、学习率衰减系数，使用学习率热启动+余弦退火学习率策略；

S05)、使用Adam作为优化器，为防止网络过拟合加入L2正则作为惩罚项；

S06)、使用MSE Loss作为损失函数监督网络学习；

S07)、迭代训练，每训练完一个epoch会用验证集和测试集进行精度计算，保存训练过程中最好的那一次。

4.一种基于深度学习的适用于道路能见度的监测的系统，其特征在于，包括：

道路摄像头，用于数据收集；

能见度模型；

数据处理中心，分别与道路摄像头和能见度模型无线传输连接，用于构建道路所有摄影头数据的能见度监测系统和将能见度模型推广至系统中所有摄像头图像数据的能见度判定；

预警信息展示器，与数据处理中心无线传输连接，用于能见度显示、分级预警，并通过显示屏预警提示。