[发明专利]一种基于联合投票网络的交通场景天气分类方法

说明书

本发明公开了一种基于联合投票网络的交通场景天气分类方法，该方法不同于任意的场景分类方法或人工智能方法，提出的方法在特征提取阶段和特征融合阶段使用了其他创新机制，使得模型能有更好的分类边界，包括构建交通场景天气分类数据集，提取基于注意力机制的天气分类特征，提取基于二阶特征机制的天气分类特征，基于联合投票机制的分类结果融合四个步骤。本发明通过对在交通场景的监控图像做图像天气分类，获取图像天气分类的不同形式的特征，最后选取基于注意力机制的特征提取方法和基于二阶特征提取方法；然后，使用基于投票机制将不同形式的特征结果相结合，获得高效率、高精度的交通场景的天气分类结果。

技术领域

本发明涉及深度学习智能监控技术领域，具体涉及一种基于联合投票网络的交通场景天气分类方法。

背景技术

恶劣的天气条件严重威胁着交通道路上行驶的车辆的安全，这些天气会带来能见度低，路面积水结冰等现象，这可能会导致交通事故的发生，带来昂贵的损失。因此，如何准确的判断各类交通环境中的气象状况是至关重要的。恶劣天气会严重影响交通道路的安全，尤其是雨雪雾，路面摩擦减小和期间低能见度的情况，这些现象会降低车流速度，降低道路容量并增加碰撞风险。据《中华人民共和国道路交通事故统计年报（2010年度）》统计数据，全国发生21.95万起交通事故，其中高达29.79%的事故由恶劣天气导致。恶劣天气的检测对交通管理部门至关重要。

监控摄像机广泛安装交通路网上，相关人员可以通过摄像机直观判断道路天气。然而，手动监控大量的摄像机对于管理部门来说是一种昂贵且低效的方式。为了解决这个问题，交通场景的天气检测系统成了管理部门的迫切需求，它应该具有提供高灵敏度报警的能力，并通天气检测的结果进行适当的预防措施。

一种能够自动检测交通道路天气环境的智能检测系统，可以有效对交通道路的天气状况进行监测，很好的满足智能交通系统的需求。然而，在交通监控视频中，道路环境差异很大，天气条件（雾，雨和雪）多样，照明变化复杂，摄像机视角不同，这使得交通道路的天气检测成为一项具有挑战性的任务。

从现有技术成果来看，关于恶劣天气检测，目前的主流方法是基于视觉的方法以及基于传感器、雷达等设备的方法。由于有些恶劣天气的视觉属性弱，且交通道路摄像头采集数据时，由于摄像头视角远，角度多变，导致天气状况很难辨别，现有的基于视觉的方法难以取得令人满意的效果。基于传感器、雷达等方法能取得精确的检测效果，但存在设备昂贵，操作复杂的问题。

鉴于深度学习方法具有良好的性能，已广泛应用于智能交通系统（ITS），监控视频分析和自动驾驶领域。本发明基于深度学习的方法，提出了一种新的天气识别网络（JVNet），并与注意力机制和二阶特征机制相结合，可以高效率、高精度的进行交通道路天气检测，可在交通道路天气检测上取得很好的应用效果。

发明内容

为解决现有技术中存在的问题，本发明提供了一种基于联合投票网络的交通场景天气分类方法，解决了上述背景技术中提到的问题。

为实现上述目的，本发明提供如下技术方案：一种基于联合投票网络的交通场景天气分类方法，包括如下步骤：

S1、构建交通场景天气分类数据集：通过数据采集设备采集交通道路视频数据，再加入在互联网上搜集交通场景的天气图片，根据天气类型整理成交通场景天气分类数据集；

S2、提取基于注意力机制的天气分类特征：根据交通场景天气分类数据集，对天气分类特征进行提取，得到基于注意力机制网络的检测结果；

S3、提取基于二阶特征机制的天气分类特征：根据交通场景天气分类数据集，对天气分类特征进行提取，得到基于二阶特征机制网络的检测结果；

S4、基于联合投票机制的分类结果融合，得到最终的交通场景天气分类结果。

优选的，所述提取基于注意力机制的天气分类特征的具体步骤如下：

S21、提取原始分类特征：将交通场景天气分类数据集输入到原始分类检测模型中，对数据集进行学习和训练，得到原始分类特征；