[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

说明书

本申请涉及一种基于机器学习的能见度检测方法，包括采集历史图像和能见度等级值；提取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根据能见度等级值进行标注分类，得到多组训练样本；构建核函数为高斯核函数的支持向量机算法模型；使用训练样本训练并优化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能见度等级检测模型，得到能见度等级检测值。该方法大大降低了模型对样本数量的要求，采用小样本集也能得到较为精准的能见度等级检测结果。

技术领域

本申请涉及气象检测技术领域，尤其涉及一种基于机器学习的能见度检测方法装置、系统和存储介质。

背景技术

能见度检测在交通运输、航海运输、以及运输过程中的作业安全中起着重要的作用。低能见度下，交通、航海以及运输作业发生事故的可能性大大的增加。

目前，能见度检测主要有以下三种方式：(1)物理硬件检测法，主要分为投射式和散射式两种。此方法不仅硬件设备价格昂贵，而且多点布设，不易维护。因此此类方法检测能见度具有局部性，不能全面实时检测能见度；(2)目测法：通过训练专业的人员来人为地判断能见度情况，此类方法判断结果与人眼特性相关，具有很强的人为主观性，且耗时耗力；(3)摄像法：通过摄像机模拟人眼进行能见度检测，此方法较为灵活，可实现全面部署，检测结果准确客观。

国内外学者提出了多种通过摄像法检测能见度的方法。1949年，Steffens提出利用图像的视觉特征来测量能见度的思路，通过手工拍照，冲洗照片，人工计算目标物与背景的对比度，推算出能见度值。此方法准确度低，且过程繁琐。近些年来，利用卷积神经网络进行端到端学习的算法在能见度检测方面取得了一定的应用。Li等首次将卷积神经网络用于能见度检测方面,并训练基于AlexNe的能见度等级检测模型，提取特征进行能见度等级的分类。Giyenko等通过搭建一个浅层的CNN(shallow CNN，SCNN)实现对图像的能见度检测.Palvanov等将传统图像预处理方法和卷积神经网络相结合，通过学习原始图像和经过快速傅里叶变换或光谱滤波处理的图像，得到了对雾图像中能见度等级的综合分类。

现有技术中的能见度检测算法都是将CNN和逻辑回归函数的结合，然而，此类算法性能在很大程度上依赖于数据集的大小和训练样本标注的质量，而目前具有准确能见度标注的雾图像很难获取。

发明内容

为了解决上述背景技术提到的现有摄像检测能见度的方法过程繁琐，且依赖于大量的数据集的技术问题或者至少部分地解决上述技术问题，本申请提供一种基于机器学习的能见度检测方法、装置、系统和存储介质，该检测方法基于机器学习中的支持向量机算法，提取与雾浓度相关的显著性特征，构建和优化能见度等级检测模型，大大降低了模型对样本数量的要求。

第一方面，本申请提供了一种基于机器学习的能见度检测方法，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。

优选的，基于机器学习的能见度检测方法还包括：输出所述能见度等级检测值。