[发明专利]一种离散标签下基于深度相对学习的雾天能见度估计方法

说明书

本发明涉及图像识别技术领域，公开了一种离散标签下基于深度相对学习的雾天能见度估计方法，它是利用图像的顺序信息和相对关系来估计能见度，通过将有序信息编码成一组图像对的相对排序，这样，VISOR‑NET就可以有效地学习一个全局排序函数。本发明通过采集真实监控场景拍摄的大规模雾天高速公路能见度图像数据集，通过对现有深度学习方法的综合实验，证明了该方法在准确度、有效性、稳定性等方面具有更好的性能，此外，该方法可以将类别间扩展到类别内进行可见性估计，实现离散层标签下的近似回归估计，也就是能够实现对级别内能见度距离的估计。

技术领域

本发明涉及图像识别技术领域，具体是一种离散标签下基于深度相对学习的雾天能见度估计方法。

背景技术

由于雾天能见度的降低，给人们的出行带来不便，尤其是高速公路上的车辆高速行驶，交通部分需要快速监测雾天的能见度级别，来对来往车辆进行适当的交通管控，以往，一般都是采用目测法或通过仪器设备法来检测能见度的级别，这些方法的效率低、成本高、识别准确率也不高，然而，随着人工智能技术的兴起，尤其是深度学习在计算机视觉上的快速发展和应用，让我们开始通过深度学习方法对于高速公路摄像机拍摄的雾天图像进行能见度分类；

然而，目前实际应用的主要标注方法还是目测法和仪器设备测量法，但是存在以下缺点：

(1)目测法，还是需要专业的气象学家或从事相关工作的研究人员，但是判别效率低，判断还是取于人的意识，主观性较强，不同的人对同一个雾天图像可能会得到不同的结果。

(2)仪器设备测量法需要昂贵的设备且设备在公路上部署间隔远，一般相距20km左右，且是以点之间的间距作为测量到能见度，而实际拍摄到的图片信息更侧重于整个雾平面，很难拍摄到的图片与能见度仪测到的能见度值匹配起来，而且设备成本很高；

因此，本领域技术人员提供了一种离散标签下基于深度相对学习的雾天能见度估计方法，以解决上述背景技术中提出的问题。

发明内容

本发明的目的在于提供一种离散标签下基于深度相对学习的雾天能见度估计方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种离散标签下基于深度相对学习的雾天能见度估计方法，通过利用图像的顺序信息和相对关系来估计能见度，即VISOR-NET，具体操作如下：

步骤1：首先，将所有的数据集，按照比例分为训练集和测试集，在所有的数据集上，随机选取30％的图像作为测试集，其余部分作为训练集；

步骤2：将训练集图像输入到该方法的特征提取和回归模型中，其中，特征提取和回归模型前半部分的雾卷积神经网络可以视为一个特征提取器，图像通过这里就可以得到雾天图像的特征图，再通过特征提取和回归模型后半部分的一个全连接的回归网络，可以视为一个估计函数，通过特征来图得到一个相对的回归值；

步骤3：再将所有训练集图像得到的相对的回归值，提取序数信息来两两配对，再进行比较，此外，比较的结果是由损失函数来体现，排序错误的越多，损失函数越大；排序错误越少，损失函数越小；

步骤4：该方法的第一个损失函数是本发明的目标就是通过不断的学习，迭代更新排序信息，让损失函数L_s越小越好，最好减为0；并且，为了防止配对图像的差值太大，使得值太过分散而不利于预测，这里还在加入一个聚类损失L_c，最终将L＝L_s+λ*L_c作为本方法最终的损失函数；

步骤5：当一次迭代过程结束，最终预测是通过最近邻算法，判断样本的最终的能见度级别；

步骤6：最后就是不断迭代，更新损失，重复上述过程，使得复合损失函数L减的越来越小，通过训练集样本的预测值和真实值的比较，就可以得到训练准确率；