基于气象观测、道路摄像能见度识别的系统及应用方法专利检索-色彩表图形技术专利检索查询-专利查询网

基于气象观测、道路摄像能见度识别的系统及应用方法

阅读：1031发布：2020-07-05

专利汇可以提供基于气象观测、道路摄像能见度识别的系统及应用方法专利检索，专利查询，专利分析的服务。并且基于气象观测、道路摄像能见度识别的系统，包括用户交互模块、高速公路监控图像数据采集模块、高速公路摄像头的位置信息提取模块、摄像头与气象站观测数据关联模块、能见度观测数据采集模块、高速公路监控图像与能见度大数据分析模块、基于深度卷积神经网格的能见度识别训练模块、实时作业调度模块、能见度估算检验模块、接口服务模块。本发明以高速公路摄像资料为对象，通过机器学习和人工智能技术，经相关软件共同作用，全自动从高速监控图像中提取道路能见度信息，能实现对局突发性团雾实现有效监测，为道路大雾天气通行提供监测信息，增加了监控摄像头的利用价值，为降低大雾诱发的交通气象灾害提供了有利的信息保障。，下面是基于气象观测、道路摄像能见度识别的系统及应用方法专利的具体信息内容。

权利要求

1.基于气象观测、道路摄像能见度识别的系统，其特征在于包括用户交互模块、高速公路监控图像数据采集模块、高速公路摄像头的位置信息提取模块、摄像头与气象站观测数据关联模块、能见度观测数据采集模块、高速公路监控图像与能见度大数据分析模块、基于深度卷积神经网格的能见度识别训练模块、实时作业调度模块、能见度估算检验模块、接口服务模块。
2.根据权利要求1所述的基于气象观测、道路摄像能见度识别的系统，其特征在于高速公路监控图像数据采集模块，允许导入不同视频压缩编码和不同格式存储的视频文件，以设定的拍摄时间间隔抽取出图像数据，识别图像的拍摄时间；允许进行不同图像格式间的转换，支持主流的JPG、BMP、PNG、TIFF等图像格式；支持对图像的大小进行裁剪和分辨率调整；支持对图像进行色彩拉伸和对比度调整。
3.根据权利要求1所述的基于气象观测、道路摄像能见度识别的系统，其特征在于高速公路摄像头的位置信息提取模块，以道路桩号来代表高速公路摄像头的拍摄位置，根据高速公路的桩号信息，提取出每个摄像头位置的经纬度信息，以高速公路编号、桩号、拍摄日期和时间建立图像命名规范，按规范对所有图像进行统一命名，将所有图像输入到图像数据库中，除了图像数据，还有高速公路编号、摄像头经纬度信息，日期信息包括年、月、日、时、分。
4.根据权利要求1所述的基于气象观测、道路摄像能见度识别的系统，其特征在于摄像头与气象站观测数据关联模块，功能如下：A,以设定的可变的距离，根据高速公路桩号坐标文件生成缓冲区；B,根据气象观测站的地理坐标，自动将位于缓冲区内的气象站提取出来；
C,根据摄像头的位置与气象站的坐标，计算每一个摄像头距离气象站的空间距离，取距离最小的气象站作为摄像头的空间关联能见度观测站。
5.根据权利要求1所述的基于气象观测、道路摄像能见度识别的系统，其特征在于能见度观测数据采集模块，获取摄像头所关联的高速公路气象观测站或周边气象台站所观测的能见度、温度、相对温度、风速、风向信息；提取出每个气象台站的经纬度信息，以站点编号、观测日期和时间来对观测的气象数据文件进行命名规范，按规范对所有缓冲区内的气象观测数据文件进行统一命名，将所有输入到数据库中，除了气象要素数据，还有气象观测站经纬度信息，日期信息包括年、月、日、时、分，道路气象灾害风险评估模型，对周边气象站30年整编历史气象观测数据进行处理，分别统计冰冻雨雪、低能见度、大风和强降水发生的频次，依据相关分级标准进行灾害风险等级划分。
6.根据权利要求1所述的基于气象观测、道路摄像能见度识别的系统，其特征在于高速公路监控图像与能见度大数据分析模块，主要由分布式存储系统、分布式资源调度框架、大数据计算框架、科研样本生成、样本预处理五部分组成。
7.根据权利要求1所述的基于气象观测、道路摄像能见度识别的系统，其特征在于基于深度卷积神经网格的能见度识别训练模块，在智能算法库的支持下，实现基于深度卷积神经网格的监控照片天空识别功能；提供能见度识别模型的搭建、参数调整和训练；训练参数文件的更新。
8.根据权利要求1所述的基于气象观测、道路摄像能见度识别的系统，其特征在于实时作业调度模块，提供历史数据处理功能，实现过去照片和气象观测资料的处理和入库；提供能见度模型训练功能；设置实时作业参数文件，实现后台自动处理实时资料，实时读取监控图片并给出能见度估计值。
9.根据权利要求1所述的基于气象观测、道路摄像能见度识别的系统，其特征在于应用方法如下几个步骤：1，通过高速公路摄像头的位置信息提取模块、高速公路监控图像数据采集模块对高速公路监控图像及相关数据进行采集处理；2，通过高速公路摄像头的位置信息提取模块、能见度观测数据采集模块对高速公路气象观测站数据进行采集；3，通过能见度观测数据采集模块对气象台站能见度数据进行处理；4，通过摄像头与气象站观测数据关联模块进行摄像头与气象观测站空间匹配；5，通过高速公路监控图像与能见度大数据分析模块，实现基于深度卷积神经网络（DCN）的天空检测；6，通过基于深度卷积神经网格的能见度识别训练模块，实现基于深度卷积神经网络（DCN）的能见度识别。

说明书全文

基于气象观测、道路摄像能见度识别的系统及应用方法

技术领域

[0001] 本发明涉及数据分析系统和分析方法领域，特别是一种基于气象观测、道路摄像能见度识别的系统及应用方法。

背景技术

[0002] 气象领域中，大雾是指大量微小水滴浮游空中，水平能见度小于1.0km的天气现象。大雾 (或浓雾)是比较常见的灾害性天气之一。其具有出现几率高、发生范围广、危害程度大的特点。我国一年四季都有它的踪影，都可体察到它的危害。随着我国高速公路的迅速发展，大雾对高速公路的影响更加突出，由于大雾造成的高速公路交通事故屡见不鲜、大雾导致能见度下降，容易引发的多车首尾相撞严重交通事故。

[0003] 在大雾情况下，由于受主观周围环境误导，会出现“人在雾中迷”现象，驾驶员总认为自己离大雾还有一段距离，这样主观认为的安全速度及间距与实际需要的安全速度及间距相差较大，而恰好在这时可视距离小于绝对安全间距，只要前车的减速度大于一定值，就会发生追尾事故。大雾引发高速公路交通事故的另一个原因是有些高速公路所经过的区域气候条件比较复杂、多变，不同的区段可视距离相差较大，驾驶员很难及时调整速度及间距而发生追尾事故。一般在追尾事故发生的开始，由于前车在完全停止前会行驶一段距离，因此后车的制动距离较长，相应碰撞的严重程度相对不是很大。当相撞的车辆较多时，前面这些相撞的车辆已基本为静止物，这样后面尾随上来的车辆不但更容易继续相撞，而且相撞时的速度更高，后果更严重，这就是为什么在大雾气候条件下，一旦高速公路发生交通事故，一般都比较严重的原因。

[0004] 虽然关闭高速公路可以防止大雾引发的高速公路交通事故，但其代价是显而易见的。因此，近几年有些发达国家在一些重要的高速公路上实验安装大雾自动警告及速度控制系统，即在原有交通监控系统的基础上每隔400-1000m安装能见度检测器，同时每隔300-500m安装可变限速标志，交通控制系统根据不同路段能见度检测器检测的能见距离，实时控制各限速标志的限速值，同时还显示限速的原因，这样系统不但可及时提醒驾驶员注意前方大雾，还可向驾驶员推荐安全速度。西欧有些国家的实践表明：这种系统对于减少大雾引发的高速公路交通事故很有效，特别是对于能见距离不小于50m的大雾，仍能保持高速公路的正常运行，而没必要关闭高速公路。当然，要安装这种全自动大雾警告及速度控制系统，费用是相当昂贵的。目前我国只能在交通量较大，大雾多发的高速公路上考虑实验这种系统。基于上述，通过高速公路气象观测站的能见度仪观测数据，为交通部门实现雾天对高速公路的有效监控，继而制定雾天车辆通行方案，减少交通事故的发生显得尤为必要，但是，我国目前只有1300 多个高速公路气象观测站能监测能见度数据，难以满足大雾天气下高速公路安全通行保障的需求。另一方面，目前我国大部分高速公路都安装了数字与模拟混合视频监控系统，全国高速公路摄像监控系统的数量在1万以上，摄像头除了拍摄了道路和车辆的情况，还记录了天气现象甚至反映了大气能见度的信息，而且能在分钟级间隔内记录，这些资料可以用来对高速公路能见度进行实时监测分析。但是现有的应用技术对摄像头获得数据无法有效进行分析利用，因而远远不能达到实际需要。

发明内容

[0005] 为了克服现有高速公路交通气象观测站无法进行有效雾天监测，以及公路摄像头获得的数据效果不好，无法为有关部门制定相应措施提供有效帮助的弊端，本发明提供了一种以高速公路摄像资料为对象，通过机器学习和人工智能技术，全自动从高速监控图像中提取道路能见度信息，能实现对局突发性团雾实现有效监测，为道路大雾天气通行提供监测信息，为有关部门制定相关应对措施提供了有理数据支撑，并由此减少了交通事故发生的基于气象观测、道路摄像能见度识别的系统及应用方法。

[0006] 本发明解决其技术问题所采用的技术方案是：

[0007] 基于气象观测、道路摄像能见度识别的系统，其特征在于包括用户交互模块、高速公路监控图像数据采集模块、高速公路摄像头的位置信息提取模块、摄像头与气象站观测数据关联模块、能见度观测数据采集模块、高速公路监控图像与能见度大数据分析模块、基于深度卷积神经网格的能见度识别训练模块、实时作业调度模块、能见度估算检验模块、接口服务模块。

[0008] 所述用户交互模块，主要完成分析平台与用户的输入输出、参数设置、智能法算库、阈值库等的交互。

[0009] 所述高速公路监控图像数据采集模块，允许导入不同视频压缩编码和不同格式存储的视频文件，以设定的拍摄时间间隔抽取出图像数据，识别图像的拍摄时间；允许进行不同图像格式间的转换，支持主流的JPG、BMP、PNG、TIFF等图像格式；支持对图像的大小进行裁剪和分辨率调整；支持对图像进行色彩拉伸和对比度调整。

[0010] 所述高速公路摄像头的位置信息提取模块，以道路桩号来代表高速公路摄像头的拍摄位置，根据高速公路的桩号信息，提取出每个摄像头位置的经纬度信息，以高速公路编号、桩号、拍摄日期和时间建立图像命名规范，按规范对所有图像进行统一命名，将所有图像输入到图像数据库中，除了图像数据，还有高速公路编号、摄像头经纬度信息，日期信息包括年、月、日、时、分。

[0011] 所述摄像头与气象站观测数据关联模块，功能如下：A,以设定的可变的距离，根据高速公路桩号坐标文件生成缓冲区；B,根据气象观测站的地理坐标，自动将位于缓冲区内的气象站提取出来；C,根据摄像头的位置与气象站的坐标，计算每一个摄像头距离气象站的空间距离，取距离最小的气象站作为摄像头的空间关联能见度观测站。

[0012] 所述能见度观测数据采集模块，获取摄像头所关联的高速公路气象观测站或周边气象台站所观测的能见度、温度、相对温度、风速、风向信息。提取出每个气象台站的经纬度信息。以站点编号、观测日期和时间来对观测的气象数据文件进行命名规范，按规范对所有缓冲区内的气象观测数据文件进行统一命名，将所有输入到数据库中，除了气象要素数据，还有气象观测站经纬度信息，日期信息包括年、月、日、时、分，道路气象灾害风险评估模型，对周边气象站30年整编历史气象观测数据进行处理，分别统计冰冻雨雪、低能见度、大风和强降水发生的频次，依据相关分级标准进行灾害风险等级划分。

[0013] 所述高速公路监控图像与能见度大数据分析模块，主要由分布式存储系统、分布式资源调度框架、大数据计算框架、科研样本生成、样本预处理五部分组成。

[0014] 所述基于深度卷积神经网格的能见度识别训练模块，在智能算法库的支持下，实现基于深度卷积神经网格的监控照片天空识别功能；提供能见度识别模型的搭建、参数调整和训练；训练参数文件的更新。

[0015] 所述实时作业调度模块，提供历史数据处理功能，实现过去照片和气象观测资料的处理和入库；提供能见度模型训练功能；设置实时作业参数文件，实现后台自动处理实时资料，实时读取监控图片并给出能见度估计值。

[0016] 所述能见度估算检验模块，计算能见度估算的均方根误差和TS评分。

[0017] 所述接口服务，实现基于机器学习的调整公路摄像头拍摄照片的能见度估算程序调用功能，提供接口服务，输入图片，返回能见度估算值。

[0018] 基于气象观测、道路摄像能见度识别的系统应用方法如下几个步骤：1，通过高速公路摄像头的位置信息提取模块、高速公路监控图像数据采集模块对高速公路监控图像及相关数据进行采集处理；2，通过高速公路摄像头的位置信息提取模块、能见度观测数据采集模块对高速公路气象观测站数据进行采集；3，通过能见度观测数据采集模块对气象台站能见度数据进行处理；4，通过摄像头与气象站观测数据关联模块进行摄像头与气象观测站空间匹配；5，通过高速公路监控图像与能见度大数据分析模块，实现基于深度卷积神经网络(DCN)的天空检测；6，通过基于深度卷积神经网格的能见度识别训练模块，实现基于深度卷积神经网络 (DCN)的能见度识别。

[0019] 本发明有益效果是：本发明以高速公路摄像资料为对象，通过机器学习和人工智能技术，经用户交互模块、高速公路监控图像数据采集模块、高速公路摄像头的位置信息提取模块、摄像头与气象站观测数据关联模块、能见度观测数据采集模块、高速公路监控图像与能见度大数据分析模块、基于深度卷积神经网格的能见度识别训练模块、实时作业调度模块、能见度估算检验模块、接口服务模块共同作用，全自动从高速监控图像中提取道路能见度信息，能实现对局突发性团雾实现有效监测，为道路大雾天气通行提供监测信息，为有关部门制定相关应对措施提供了有效数据支撑。未来全国高速公路规划要实现全路和全网摄像监控，根据本发明技术，一个摄像头就相当于一个能见度观测仪，相当于在2-10km的间隔上实现全国高速公路能见度实时监测，可以减少能见度仪布设的巨额成本，同时增加监控摄像头的利用价值，更能为降低大雾诱发的交通气象灾害提供了有利的信息保障。基于上述，所以本发明具有好的应用前景。附图说明

[0020] 下面结合附图和实施例对本发明做进一步说明。

[0021] 图1是本发明基于气象观测、道路摄像能见度识别的系统构成框图。

[0022] 图2是本发明基于气象观测、道路摄像能见度识别的系统应用方法工作流程框图。

[0023] 图3是本发明使用方法操作流程框图。

[0024] 图4是本发明使用的模块单元架构框图。

[0025] 图5是天空识别的深度卷积神经网格图.

[0026] 图6是能见度识别的深度卷积神经网格图。

具体实施方式

[0027] 图1中所示，基于气象观测、道路摄像能见度识别系统，包括用户交互模块、高速公路监控图像数据采集模块、高速公路摄像头的位置信息提取模块、摄像头与气象站观测数据关联模块、能见度观测数据采集模块、高速公路监控图像与能见度大数据分析模块、基于深度卷积神经网格的能见度识别训练模块、实时作业调度模块、能见度估算检验模块、接口服务模块。

[0028] 图1、2、3、4中所示，用户交互模块，主要完成分析平台与用户的输入输出、参数设置、智能法算库、阈值库等的交互。高速公路监控图像数据采集模块，允许导入不同视频压缩编码和不同格式存储的视频文件，以设定的拍摄时间间隔抽取出图像数据，识别图像的拍摄时间；允许进行不同图像格式间的转换，支持主流的JPG、BMP、PNG、TIFF等图像格式；支持对图像的大小进行裁剪和分辨率调整；支持对图像进行色彩拉伸和对比度调整。高速公路摄像头的位置信息提取模块，以道路桩号来代表高速公路摄像头的拍摄位置，根据高速公路的桩号信息，提取出每个摄像头位置的经纬度信息，以高速公路编号、桩号、拍摄日期和时间建立图像命名规范，按规范对所有图像进行统一命名，将所有图像输入到图像数据库中，除了图像数据，还有高速公路编号、摄像头经纬度信息，日期信息包括年、月、日、时、分。

[0029] 图1、2、3、4中所示，摄像头与气象站观测数据关联模块，功能如下：A，以设定的可变的距离，根据高速公路桩号坐标文件生成缓冲区；B，根据气象观测站的地理坐标，自动将位于缓冲区内的气象站提取出来；C，根据摄像头的位置与气象站的坐标，计算每一个摄像头距离气象站的空间距离，取距离最小的气象站作为摄像头的空间关联能见度观测站。能见度观测数据采集模块，获取摄像头所关联的高速公路气象观测站或周边气象台站所观测的能见度、温度、相对温度、风速、风向信息，提取出每个气象台站的经纬度信息，以站点编号、观测日期和时间来对观测的气象数据文件进行命名规范，按规范对所有缓冲区内的气象观测数据文件进行统一命名，将所有输入到数据库中，除了气象要素数据，还有气象观测站经纬度信息，日期信息包括年、月、日、时、分，道路气象灾害风险评估模型，对周边气象站30年整编历史气象观测数据进行处理，分别统计冰冻雨雪、低能见度、大风和强降水发生的频次，依据相关分级标准进行灾害风险等级划分。

[0030] 图1、2、3、4中所示，高速公路监控图像与能见度大数据分析模块，主要由分布式存储系统、分布式资源调度框架、大数据计算框架、科研样本生成、样本预处理等五部分组成。1，分布式存储系统：为了解决单机存储所存在的容量、性能等瓶颈，以及可用性、扩展性等方面的问题，通过把数据分散存储在多台存储设备上，为大规模的存储应用提供大容量、高性能、高可用、扩展性好的存储服务；由于分布式存储系统架构设计之初是解决大体积文件存储的，同时考虑到气象数据具有文件数量多与文件总体积大的特点，因此需要在现有分布式存储系统(HDFS)的基础上进行改造与扩展，设计合理的数据存储结构以解决海量气象数据的存储问题。2，分布式资源调度框架：通过利用YARN作为大数据及机器学习示范平台的分布式资源调度框架；YARN是下一代MapReduce框架，该框架主要从MRvl资源管理框架中解耦出来，并为每个应用组件提供调度功能；YARN主要由三部分组成：ResourceManager、 NodeManager、ApplicationMaster；ResourceManager是一个全局的资源管理器，负责整个系统的资源管理和分配，它是YARN框架最核心的模块；它主要由调度器和应用管理器组成； NodeManager是每个节点上的资源和任务管理器；一方面，它会定时向ResourceManager汇报本节点的资源使用情况和各个Container(资源分配单位的抽象概念)的运行状态；另一方面, 它会接收并处理来自ApplicationMaster的任务启动/停止等各种请求；用户提交的每个应用程序均包含一个AM，它实际上是一个简化版的JobTracker，主要功能包括：与ResourceManager 调度器协商以获取资源、与NodeManager通信以启动/停止任务、监控所有任务的运行状态，并在任务运巧失败时重新为任务申请资源以重启任务；利用YARN的集群资源管理功能，可以有效的提高集群计算资源的利用率，降低任务分发、数据共享的成本。3，大数据计算框架：选取Spark作为大数据及机器学习示范平台的大数据计算框架；
Spark是由UC Berkeley AMP 实验室开发的开源通用并行云计算平台，Spark基于MapReduce思想实现的分布式计算，拥有Hadoop MapReduce所具有的优点；但不同地方是运算中间输出结果能存储在内存中，从而不再需要读写HDFS，因此Spark能更好地运行数据挖掘与机器学习等需要迭代的 MapReduce算法。4，科研样本快速生成：根据科研人员提交的数据处理请求，利用前三层构建的大数据计算基础设施，并利用JNI技术，快速高效的处理大数据及机器学习示范平台中所涉及到的原始气象数据，以及根据样本生成的实际需求进行数据提取与组合完成初始样本的快速生成工作。5，样本预处理：根据科研人员提交的样本处理请求，利用大数据计算基础设施，对样本进行特征选择并将原始样本分割为训练样本与测试样本，以用于模型训练、模型参数调优以及模型选择。

[0031] 图1、2、3、4中所示，基于深度卷积神经网格的能见度识别训练模块，在智能算法库的支持下，实现基于深度卷积神经网格的监控照片天空识别功能；提供能见度识别模型的搭建、参数调整和训练；训练参数文件的更新。实时作业调度模块，提供历史数据处理功能，实现过去照片和气象观测资料的处理和入库；提供能见度模型训练功能；设置实时作业参数文件，实现后台自动处理实时资料，实时读取监控图片并给出能见度估计值。能见度估算检验模块，计算能见度估算的均方根误差和TS评分。接口服务模块，实现基于机器学习的调整公路摄像头拍摄照片的能见度估算程序调用功能，提供接口服务，输入图片，返回能见度估算值。

[0032] 图2中所示，本实施例以安徽省高速公路摄像头能见度识别为例，将基于气象观测、道路摄像能见度识别的系统应用方法做具体说明。1，通过高速公路摄像头的位置信息提取模块、高速公路监控图像数据采集模块对高速公路监控图像及相关数据进行采集处理；将收集的安徽全省高速公路摄像数据文件进行处理，按照60分钟的时间间隔从视频流文件中抽取出图像数据；对高速公路摄像头的位置信息进行分析提取，以道路桩号来代表高速公路摄像头的拍摄位置；根据高速公路的桩号信息，提取出每个摄像头位置的经纬度信息；以高速公路编号、桩号、拍摄日期和时间建立图像命名规范，按规范对所有图像进行统一命名，将所有图像输入到图像数据库中，除了图像数据，还有高速公路编号、摄像头经纬度信息，日期信息包括年、月、日、时、分。2，通过高速公路摄像头的位置信息提取模块、能见度观测数据采集模块对高速公路气象观测站数据进行采集；采集安徽省高速公路上气象观测站观测的能见度数据，对高速公路气象观测站的位置信息进行分析提取，以道路桩号来代表高速公路气象站位置；根据高速公路的桩号信息，提取出每个高速公路气象观测站的经纬度信息；以高速公路编号、桩号、观测日期和时间来对观测的气象数据文件进行命名规范，按规范对所有高速公路气象观测数据文件进行统一命名；将所有输入到数据库中，除了气象要素数据，还有高速公路编号、高速公路气象观测站经纬度信息，日期信息包括年、月、日、时、分。3，通过能见度观测数据采集模块对气象台站能见度进行处理；以距离高速公路50km为缓冲区，确定位于缓冲区内有能见度观测的气象台站的编号，获取这些气象观测台站每10分钟间隔观测的能见度、温度、相对温度、风速、风向信息；提取出每个气象台站的经纬度信息；以站点编号、观测日期和时间来对观测的气象数据文件进行命名规范，按规范对所有缓冲区内的气象观测数据文件进行统一命名；将所有数据输入到数据库中，除了气象要素数据，还有气象观测站经纬度信息，日期信息包括年、月、日、时、分。4，通过摄像头与气象站观测数据关联模块进行摄像头与气象观测站空间匹配；利用摄像头所在经纬度与气象观测站的经纬度，进行空间距离计算，以距摄像头最近的气象台站来代表摄像头所在位置的气象观测；在气象观测资料缺失的情况下利用次近的气象站来代替；完成匹配后，就可以针对每一个监控照片，根据其拍摄日期，将与拍摄时间对应的最近的气象观测站观测到的能见度资料与照片进行一一对应，以照片数据为X，以对应的能见度观测数据为Y。

[0033] 图2、5中所示，基于气象观测、道路摄像能见度识别的系统应用方法5，通过高速公路监控图像与能见度大数据分析模块，实现基于深度卷积神经网络(DCN)的天空检测；能见度是大气物理状态的光学反馈，只有当图像中有1/4以上天空存在时，图像才适合用于识别能见度，通过人工标注天空样本，搭建深度卷积神经网络进行天空的训练和分类；具体过程如下：

[0034] Step1：照片数据的随机抽样；

[0035] Step2：人工标识，照片中有1/4以上天空则标识为天空照片，否则标识为非天空照片；

[0036] Step3：建立以下深度卷积神经网络：

[0037] Step4：设定目标函数和搜索算法；

[0038] Step5：进行迭代训练；

[0039] Step6：基于训练参数，对所有图片进行天空识别；

[0040] Step7：去除没有识别出天空的摄像头数据。

[0041] 图2、6中所示，基于气象观测、道路摄像能见度识别的系统应用方法6，通过基于深度卷积神经网格的能见度识别训练模块，实现基于深度卷积神经网络(DCN)的能见度识别；以照片数据为X，以对应的能见度观测数据为Y，目前高速拍摄的照片多为彩色模式，照片的红、绿、蓝通道可以当作第3维度，这样一张照片就相当于一个三维数据，数组的内容是照片
0-255的灰度值，按上步操作当图像中有1/4以上天空存在时，图像被留下来用于识别能见度，能见度是连续的物理量，所以搭建深度卷积神经网络回归模型直接从照片中识别能见度数值(实际操作中是3层有向循环网络)，具体过程如下：

[0042] Step1：照片数据(X)和能见度观测(Y)的随机抽样，一部分用于训练，一部分用于检验；

[0043] Step2：深度卷积神经网络对计算机的性能有非常巨大的需求，实际工作过程中需要针对已有的计算机资源对照片数据进行降分辨率操作，利用图像处理工具的重采样，对图像数据进行抽粗；

[0044] Step3：样本清洗，晴空样本偏多会影响能见度的识别准确性，需要根据气象观测的能见度，对大于1km的样本进行抽选；

[0045] Step4：建立以下深度卷积神经网络，以高速公路拍摄的三维图片(第3维是r,g,b对应的色彩通道)为X，以能见度观测值为Y，通过卷积、池化的3次循环，最后以全连接层输出能见度数值。

[0046] Step5：设定目标函数和搜索算法；

[0047] Step6：进行迭代训练；

[0048] Step7：基于训练参数，对所有图片进行能见度识别；

[0049] Step8：在测试集上对能见度进行估计，并依据估计值和实测值进行识别准确率评价。

[0050] 图2中所示，本发明在训练模式下操作过程如下：A高速公路摄像数据采集，按固定时间间隔抽取图像文件，转存为统一格式并按照规范进行命名；B获取高速公路摄像头地理位置，通过桩号信息进行转换，生成经纬度坐标信息；C摄像头与气象观测站空间关联，根据摄像头和气象观测站地理位置，计算球面距离，通过最小距离法则进行关联；D能见度观测数据采集，获取与高速公路摄像头拍照起止时间相对应的气象观测站采集的能见度仪器观测数据； E高速公路监控图像与能见度大数据分析,生成用于深度卷积神经网络训练的样本并进行样本预处理；F基于深度卷积神经网格的能见度识别训练，保存训练结果；G能见度训练效果检验。

[0051] 图2中所示，本发明在业务模式操作过程如下：A高速公路摄像数据实时采集和预处理，以固定的时间间隔抽取照片，进行格式转换和分辨率调整，进行图像拉伸；B调用后台程序对实时的监控照片进行能见度估算；C输出能见度估算结果。

[0052] 图2中所示，本发明在接口服务模式操作过程如下：A收到服务请求，请求消息中提供了图片信息和空间位置信息；B下载图像数据，对图像进行格式转换和分辨率调整，进行图像拉伸；C获取图片的位置信息，调用相应区域的训练参数文件，将预处理后的图片做为输出，运行能见度识别模块；D对能见度值进行质量控制和调整，返回能见度值。

[0053] 图2中所示，本发明使用计算机软件流程操作步骤如下:1，启动计算机，并启动系统；2，打开高速公路摄像图片采集模块，从高速公路摄像头拍摄的资料中按60分钟间隔提取出图片，统一为JPG格式；3，打开气象观测能见度采集模块，将高速公路气象观测站和安徽省气象局气象观测台站观测的能见度资料按照60分钟间隔提取出来；4，根据摄像头所在位置的桩号信息分析出摄像头所在的地理坐标，根据气象观测站位置的地理坐标，计算摄像头与气象观测站的空间距离，按照距离最近的原则给每一个摄像关联一个有能见度观测的气象观测站；5，启动大数据分析模块，按照摄像头与气象观测站的关联信息，将高速监控图片与能见度值进行处理，生成用于机器学习的样本库；6，启动能见度识别训练模块，对根据上一步生成的样本文件对模型进行训练，保存训练参数文件；7，在测试集上对能见度训练结果进行检验；8针对新的监控照片数据，调用机器学习模型进行能见度估计；9，启动接口服务程序，根据能见度估算消息，获取消息中的图片数据，调用能见度估算模型给出能见度值的估测，并返回能见度值。

[0054] 本发明以高速公路摄像资料为对象，通过机器学习和人工智能技术，经用户交互模块、高速公路监控图像数据采集模块、高速公路摄像头的位置信息提取模块、摄像头与气象站观测数据关联模块、能见度观测数据采集模块、高速公路监控图像与能见度大数据分析模块、基于深度卷积神经网格的能见度识别训练模块、实时作业调度模块、能见度估算检验模块、接口服务模块共同作用，全自动从高速监控图像中提取道路能见度信息，能实现对局突发性团雾实现有效监测，为道路大雾天气通行提供监测信息，为有关部门制定相关应对措施提供了有效数据支撑。未来全国高速公路规划要实现全路和全网摄像监控，根据本发明技术，一个摄像头就相当于一个能见度观测仪，相当于在2-10km的间隔上实现全国高速公路能见度实时监测，可以减少能见度仪布设的巨额成本，同时增加监控摄像头的利用价值，更能为降低大雾诱发的交通气象灾害提供了有利的信息保障。基于上述，所以本发明具有好的应用前景。

[0055] 以上显示和描述了本发明的基本原理和主要特征及本发明的优点，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

[0056] 此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

标题	发布/更新时间	阅读量
一种测量碳纳米管手性的方法及装置	2020-05-11	186
基于Zynq平台的电脑鼠智能车控制系统及控制方法	2020-05-11	378
基于温差检测的加热控制平台	2020-05-11	981
一种基于脑-机接口系统辅助评估视觉定位的方法	2020-05-11	516
一种图像处理方法、图像处理装置、电子设备和存储介质	2020-05-08	278
一种基于多种数据类型融合的三维人脸识别方法	2020-05-08	981
一种红外和可见光的融合方法	2020-05-08	261
一种潮汐绿化带	2020-05-08	1023
一种基材表面抗氧化抗菌抗霉的涂层结构	2020-05-08	988
一种背景光源量子点液晶显示器	2020-05-08	88

基于气象观测、道路摄像能见度识别的系统及应用方法

基于气象观测、道路摄像能见度识别的系统及应用方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：