基于孪生网络的高速公路雾天能见度识别方法

从监控视频中准确识别高速公路雾天能见度等级,对于高速公路智能监管具有重要意义。针对当前高速公路能见度识别方法存在的精度低、速率慢、泛化性弱等问题,研究了基于孪生网络的能见度识别方法,重点关注于图像特征提取模块和等级识别主干模块的优化。图像特征提取模块采用改进的VGG16网络作为骨干网络,为增强网络从图像全局信息中提取重要特征的能力,在VGG16网络的5个block中增加卷积块注意力机制,达到强调有效特征和抑制无用特征的作用;为提升网络的泛化能力和训练速率,在网络卷积层之后添加滤波器响应归一化层来消除各维数据之间的差别;为解决网络权重参数冗余问题、防止过拟合,采用全局平均池化将输出特征图直接压缩为1×1向量,代替VGG16网络中前2层全连接层。等级识别主干模块采用孪生网络作为主体框架,将图像特征提取模块提取的有效特征进行前向传播,使用对比损失函数的距离测量方法在高维空间中对比输入图像对的相似程度来进行雾能见度等级识别。实验以2022年8月—2023年1月通过高速公路摄像机采集的陕西省部分高速公路雾天真实图像作为测试集对模型进行验证,结果表明:所提方法的识别准确率为90.3%,相比于单一网络AlexNet,ResNet50,VGG16在准确率上分别提高20.4%,18.9%,18.0%,相比于以单一网络为基准构建的孪生网络模型Simaese-AlexNet,Simaese-ResNet50,Simaese-VGG16在准确率上分别提高16.2%,11.0%,5.4%。所提出的方法对高速公路雾天能见度识别具备较高的准确率,有助于提升高速公路雾天的智能监管能力。

基于多通路融合网络的高速公路雾天能见度等级识别

雾天是影响高速公路交通安全的重要因素。研究从监控图像进行高速公路雾天能见度的自动识别方法可以为交通管理部门的智能管理和决策提供技术支持。根据大气散射模型分析出与雾浓度相关的多个物理因素,提出了综合这些物理因素的多通路融合识别网络。该网络使用三个通路联合学习深度视觉特征、传输矩阵特征和场景深度特征,并设计注意力融合模块来自适应地融合这三类特征以进行能见度等级识别。同时构建了一个合成数据集和一个真实的高速公路场景数据集,用于网络参数学习和性能评估。实景数据集中的图像是从中国多条高速公路的监控视频中收集的。在这两个数据集上的实验表明,所提方法可以适应不同的监控拍摄场景,能够比现有方法更准确地识别能见度等级,有效提升了识别精度。

一种支持向量机和数字图像相结合的能见度检测算法

现在,随着气候的变化以及工业废弃的排放,雾霾天气出现的频率很高,给生活和社会发展带来了很多不便,特别是交通运输方面,科学的能见度检测方法是缓解雾霾天气影响交通运输问题的重要方法。因此,从支持向量机相关概念、原理、用法着手,本文提出了一种支持向量机和数字图像相结合的能见度检测算法,为能见度检测提供一种合理的算法。