[发明专利]一种基于特征提取的夜间能见度等级识别方法

说明书

本发明公开一种基于特征提取的夜间能见度等级识别方法，包括：获取夜间彩色图像；提取夜间彩色图像的亮度直方图数据，经过三层MLP处理得到亮度特征向量；提取夜间彩色图像的饱和度图像数据S，将饱和度图像数据S与夜间彩色图像数据RGB合并形成四通道数据，经过卷积神经网络处理，得到SRGB的特征向量；将夜间彩色图像的亮度特征向量和SRGB特征向量合并连接后，通过判别器进行类别判断，实现夜间能见度等级识别。本发明使用特征融合的方法，提取多种特征进行分类器训练，实现特征互补，实现有雾的情况下，夜间能见度等级的识别。由于夜间本身能见度不高，图像退化严重，通过有效地提取夜间雾图像的不同特征，对于能见度等级分类的准确率会有较大的提升。

技术领域

本发明涉及道路能见度检测领域，更具体地，涉及一种基于特征提取的夜间能见度等级识别方法。

背景技术

随着经济建设的快速发展，道路交通运输日益繁忙，道路交通安全问题已成为社会问题，给人们生命财产带来严重损失，因能见度下降引发的重大道路交通事故频频发生，已引起各国政府的高度重视。

目前国内外基于视频图像的能见度检测方法包括相机模型标定法、模板匹配法、暗通道先验法、双亮度差法、深度学习法等。常用暗通道先验法根据暗通道先验理论获得目标物到摄像点的透射率，利用透射率推导出大气消光系数，进而估算能见度。目前的研究显示用该方法得到的透射还不够精确，优化算法的实时性也不太好。双亮度差法利用地平线附近两个不同距离的目标物和其对应水平天空的背景亮度差的比值计算能见度，该方法的优点是即使在夜间也可以进行能见的检测，缺点是需要搭建人工目标。雾场景图像是指在雾天情况下拍摄的自然景图片，而从图像频谱看，退化后的雾天图像失去了大量的高频信号，因此通过人为设计的特征工程获取上述类似的图像特征，可作为判断是否有雾的重要指标，但此类方法在鲁棒性上存在较大缺陷，容易受到不均匀雾和动目标的影响。并且，针对白天的雾天能见度检测相对已经有比较多的研究，而针对夜间的雾天能见度检测却是现阶段较少被提及的一个方面。实际上，夜间本身大气的可视度不高，当有雾的情况下，更加会因为能见度低的原因引起严重的交通事故，造成不可挽回的后果。近年来，随着人工智能算法、5G、大数据等新一代技术的推动下，基于深度学习算法图像感知与理解技术被广泛的应用在各个领域。

现有技术中公开一种夜间能见度检测与能见度等级划分预警方法，属于智能车辆安全辅助驾驶技术领域，该方法构建了夜间彩色图像分类器、不同夜间能见度分类器、基于奥拉德定律的全黑夜间彩色图像能见度检测模型、基于监督学习的非全黑夜间能见度预警等级分类器模型，计算能见度并且结合行驶车速和前方车辆距离进行预警。在实际行车过程中，采集车辆行进过程中的道路视频图像，根据离线训练的图像分类库，实时判断图像是否为夜间并且为全黑图像、如果是全黑图像实时计算夜间能见度，如果是非全黑图像则采用基于监督学习的夜间能见度预警等级划分，并且结合行驶车速和前方车辆距离进行预警，实现对夜间能见度预警，减弱夜间能见度低对驾驶人视觉产生的影响。该方案无法很好的应对夜间有雾与夜间无雾的能见度评估问题。

发明内容

本发明提供一种基于特征提取的夜间能见度等级识别方法，实现了夜间能见度等级的识别。

为解决上述技术问题，本发明的技术方案如下：

一种基于特征提取的夜间能见度等级识别方法，包括以下步骤：

获取夜间彩色图像；

提取夜间彩色图像的亮度直方图数据，处理得到夜间彩色图像的亮度特征向量；

提取夜间彩色图像的饱和度图像数据S，将饱和度图像数据S与夜间彩色图像数据一起处理，得到夜间彩色图像的SRGB特征向量，其中SRGB特征向量指饱和度S+彩色RGB特征向量；

将夜间彩色图像的亮度特征向量和SRGB特征向量合并连接后，通过判别器进行类别判断，实现夜间能见度等级识别。