基于车道线检测与图像拐点的道路能见度估计

为了解决传统的能见度仪价格昂贵、采样有限,以及现有的一些视频测量手段需人工标记物、稳定性差等问题,基于车道线检测与图像拐点提出一种通过固定摄像机识别雾天天气并计算道路能见度的算法。与以往研究不同,在交通模型增加了均质雾天因素。该算法主要分为三步:首先,计算场景活动图,利用区域搜索算法(ASA)结合纹理特征提取待识别区域,如果在待识别区域内像素自顶向下以双曲线形式变化则判断当前天气为雾天,同时计算区域内图像亮度曲线的拐点;其次,基于可伸缩窗算法检测车道线,提取车道线端点并标定摄像机;最后,结合图像拐点以及摄像机参数计算大气消光系数,根据国际气象组织给出的能见度定义计算能见度。通过三种场景下的能见度检测,实验结果表明,该算法与人眼观测效果一致,准确率高于86%,检测误差在20 m以内,鲁棒性好。

基于多尺度融合网络的高速公路能见度估计

为了实现近实时公里级的高速公路能见度监测,提出了一种基于多尺度融合网络的能见度估计方法。首先,从道路监控视频中提取道路场景图像,并对图像进行质量控制;分别采用引导滤波、光谱滤波、景深估计模型从路面场景图像中提取细节结构特征、光谱特征与场景深度特征;然后,构建多尺度融合网络自适应融合结构特征、光谱特征与场景深度特征,并从中提取能见度特征;最后在网络末端输出图像场景所对应的能见度等级。此外,为了训练与测试模型,构建了真实道路场景图像数据集,共包含18 000张标注图像。实验结果表明,多尺度融合网络可显著提升高速公路能见度估计的准确性,能见度等级分类准确率可达81.76%。

基于卷积神经网络的能见度估计方法

大气能见度是公共交通安全领域的重要指标,也是评估空气质量的重要方式。论文提出一种利用雾气图片估计能见度的方法,可以在不借助专业设备的情况下,从寻常的监控图片中端到端地直接获取大气能见度。该网络在分类网络的基础上,结合现有去雾算法的优点,生成雾气图,并将雾气图作为神经网络的输入,使神经网络在提取图像中的场景特征时,更多地关注雾气的自身特征,最终得到能见度估计。该方法在公开雾气图像数据集上取得良好表现。

基于VGG卷积神经网络的机场能见度预测

阐述在雾霾天气下,基于图像处理的能见度检测方法仍然在不断研究中,对能见度估算值的精度依然具有提升的空间。鉴于传统图像识别方法存在准确率低、泛化能力差、且耗费时间长等问题,探讨视频数据与能见度估计的VGG卷积神经网络深度学习模型,并选取测试集对模型效果进行评估,精度达到88.3%,从而证明模型估计能见度的准确性。

大雾演化规律探究及变化趋势预测

能见度是气象、公路行车、飞机飞行中常见指标,影响能见度的因素主要是雾和霾,研究针对大雾天气能见度做了如下研究.首先,以单个气象指标与能见度的非线性拟合方程为依据建立多元非线性回归模型,导出气象数据与能见度之间的具体关系式;建立了基于视频数据的精度高、自适应性好的能见度估计卷积神经网络模型;并且采用了暗通道先验法和基于ASG与DCR的估计算法对图片进行能见度估计;最后本文采用灰色预测模型对大雾变化趋势和消散时间进行预测.