[发明专利]一种用于辅助车辆自动驾驶的天气现象识别系统和方法

说明书

本发明公开了一种用于辅助车辆自动驾驶的天气现象识别系统，包括ARM处理器，以及与ARM处理器分别连接的车载摄像头、远程服务器、车载LCD显示屏和通信模块；车载摄像头实时拍摄车辆所处场景的天气图像；ARM处理器将天气图像分割成两部分：包含天空区域天气信息的天空图像和包括地面区域天气信息的地面图像；远程服务器将接收到的天气图像、天空图像和地面图像导入天气现象识别模型，识别得到当前天气图像对应的天气现象类型。本发明分别提取天空局部特征、地面局部特征和全局特征，融合后导入分类器以识别晴天、阴天、雪天、雨天、雾天和沙尘六种天气现象，减少了对样本数量的依赖性，基于中型天气图像数据集即可实现高准确度的天气现象识别结果。

技术领域

本发明涉及图像识别技术领域，具体而言涉及一种用于辅助车辆自动驾驶的天气现象识别系统和方法。

背景技术

恶劣的天气条件会对汽车行驶产生很大的影响。雨、雪、雾、沙尘等恶劣天气条件会导致能见度和道路摩擦系数降低，从而可能会造成交通堵塞和严重的交通事故，具有巨大的潜在危险。一种用于辅助汽车自动驾驶的天气现象识别系统通过对天气环境的实时监测，以及对交通信息的综合利用，可以有效地避免严重交通事故的产生，并且提高恶劣天气条件下的行驶效率。例如在恶劣天气条件下可以设置限速，提示保持车距，在雨天自动打开雨刷等等。因此，天气状况的自动识别在交通状况预警、汽车辅助驾驶、智能交通系统等方面都具有重要的应用价值。

天气识别的传统方法主要是基于多传感器的，气象数据由多种传感器获取，包括激光雷达、仪表、相机等，通过融合多个传感器和图像的数据，得到天气识别结果。然而，传感器的安装和维护将耗费大量的人力和物力。此外，复杂的外界环境会影响各类传感器的识别精度，并且天气状况在空间和时间上经常发生变化，这使得传感器设备无法实时识别任何地方的天气。

近年来，随着智能交通系统的发展，道路上安装了各种监控设备，因此，基于图像处理和机器视觉的天气识别方法已逐渐发展起来。并且随着深度学习领域的快速发展，卷积神经网络（CNN）在图像分类、目标检测、语义分割等各种机器视觉任务中表现出了惊人的性能，由于卷积神经网络能够提取天气图像中丰富、抽象、深层次的语义信息，它们在很大程度上优于传统的天气识别方法。然而这些深度学习方法通常需要很大规模的数据集作为支撑，并且只能在高端GPU上进行有效的训练，这使得它们在天气条件识别方面非常昂贵，此外，由于天气图像中的背景信息过于复杂，目前存在的CNN模型对于抽象的天气信息判别存在一定的缺陷。因此，目前很难将这些方法广泛应用于交通领域的终端设备。

发明内容

本发明目的在于提供一种用于辅助车辆自动驾驶的天气现象识别系统和方法，采用三通道卷积神经网络分别提取天空局部特征、地面局部特征和全局特征，融合后导入分类器以识别晴天、阴天、雪天、雨天、雾天和沙尘六种天气现象，并将识别结果传输给汽车自动驾驶伺服系统，用于汽车根据天气现象自动设置车辆行驶的参数。

为达成上述目的，结合图1，本发明提出一种用于辅助车辆自动驾驶的天气现象识别系统，所述识别系统包括ARM处理器，以及与ARM处理器分别连接的车载摄像头、远程服务器、车载LCD显示屏和通信模块；所述ARM处理器、车载摄像头、车载LCD显示屏和通信模块搭载在车辆上；

所述车载摄像头根据ARM处理器的控制指令实时拍摄车辆所处场景的天气图像，将拍摄图像传输至ARM处理器；

所述ARM处理器对所述天气图像进行预处理后，将天气图像分割成两部分：包含天空区域天气信息的天空图像和包括地面区域天气信息的地面图像，再将天空图像、地面图像和天气图像通过通信模块传输至远程服务器；