[发明专利]基于机器学习的能见度检测方法、装置、系统和存储介质

权利要求书

1.一种基于机器学习的能见度检测方法，其特征在于，包括：

采集历史图像和能见度等级值；

提取所述历史图像的暗通道图像特征、图像梯度幅度特征和图像对比度幅度特征；

将提取到的所述暗通道图像特征、所述图像梯度幅度特征和所述图像对比度幅度特征根据所述能见度等级值进行标注分类，得到多组训练样本；

构建支持向量机算法模型，并选取高斯核函数作为所述支持向量机算法的核函数；

使用所述训练样本训练并优化所述支持向量机算法模型，得到能见度等级检测模型；

获取实时图像；

将提取到的所述实时图像的暗通道图像特征、图像梯度幅度特征和图像对比度幅度特征输入所述能见度等级检测模型，得到能见度等级检测值。

2.根据权利要求1所述的基于机器学习的能见度检测方法，其特征在于，还包括：输出所述能见度等级检测值。

3.根据权利要求1所述的基于机器学习的能见度检测方法，其特征在于，在提取所述历史图像的暗通道图像特征、图像梯度幅度特征和图像对比度幅度特征之前，还包括：对所述历史图像进行预处理。

4.根据权利要求1所述的基于机器学习的能见度检测方法，其特征在于，构建支持向量机算法模型，具体包括：

根据支持向量机核函数分类原理，建立如下优化模型和约束条件：

其中，k(x_i,x_j)为核函数，C为正则化参数；高斯核函数公式如下：

其中σ为高斯核的带宽，且σ0。

5.根据权利要求1所述的基于机器学习的能见度检测方法，其特征在于，提取所述历史图像的暗通道图像特征，具体包括：

将所述历史图像划分为若干个w*h的窗格，每个窗格记为w(x)；

对每个窗格按照如下公式，计算所述历史图像的暗通道图特征：

其中，J^c(y)为图像，J^dark(x)为图像的暗通道；

采用导向滤波对暗通道图像进行细化，计算公式如下：

其中，为变换后的图像，S_k为原图像某一窗口，(a_k，b_k)为窗口区域恒定不变的线性系数，I(i)为引导图像。

6.根据权利要求1所述的基于机器学习的能见度检测方法，其特征在于，提取所述历史图像的图像梯度幅度特征，具体包括：

通过sobel算子获取图像梯度特征：使用n*n的窗口区域，根据如下公式计算边缘特征值：

其中，G(x,y)代表像素点x，y的边缘特征值，G_x代表了像素点x的行方向的特征分量，G_y代表了像素点x的列方向的特征分量；

根据如下公式计算梯度幅度特征：

其中，V代表图像的梯度幅值，H，W代表图像大小,G(x,y)代表像素点对应梯度值。

7.根据权利要求1所述的基于机器学习的能见度检测方法，其特征在于，提取所述历史图像的图像对比度幅度特征，具体包括：

根据如下公式采集图像韦伯定律对比度特征：

其中C(x,y)为像素点行对比度，f(x₁,y₁)为计算像素点的灰度值，f(x₂,y₂)为其相邻左侧像素点的像素值，M为图片最大灰度值，min取相邻像素与本像素的灰度值的最小值；

根据如下公式计算图像对比度幅度特征：

其中，C_mean代表图像的对比度幅值，H，W代表图像大小，C(x,y)代表像素点对应的横向韦伯定律对比度值。