一种基于摄像头视频图像智能识别能见度的方法与流程

一种基于摄像头视频图像智能识别能见度的方法
【技术领域】
1.本发明涉及摄像领域，尤其涉及一种基于摄像头视频图像智能识别能见度的方法。


背景技术：

2.多年来，我国高速公路持续快速发展，推动交通基础设施总体水平实现了历史性跨越。在高速路网迅速发展的现阶段，人们在享受高速公路带来快速便捷的同时，也愈发关注高速公路的交通安全问题。恶劣天气是影响高速公路交通安全的关键因素，据统计大雾、暴雨、暴雪、道路结冰等恶劣天气下造成的交通事故，大约占总事故的1/4左右，尤其是大雾造成的事故及其引发的次生灾害频发，大雾几乎成了高速公路安全的头号“杀手”。
3.大雾是我国常见的气象灾害之一，尤其以秋冬季为大雾多发季节，由于雾天能见度低，遇到突发事件很多时候来不及做出正确处理，所以在雾天发生交通事故的概率比平常要高出几倍，甚至几十倍，因此加强高速公路大雾天气的安全管控是摆在眼前的迫切需求。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种基于摄像头视频图像智能识别能见度的方法，用以对不同的能见度进行识别，加强高速公路严苛环境下的安全管控。
5.本发明实施例提供了一种基于摄像头视频图像智能识别能见度的方法，包括：
6.按照一定的周期获取原始数据；
7.将原始数据按照预设标准划分为多个等级；
8.在每个等级中按照预设比例将原始数据划分为训练集、验证集与测试集；
9.将训练集中的数据输入第一模型进行训练，当第一模型输出数据的等级与测试集之间的等级的差值满足阈值时停止训练并将此时的第一模型进行输出；
10.根据输出的模型对能见度进行识别。
11.可选地，还包括：
12.在根据模型对能见度进行识别之前，方法还包括：
13.对输出的第一模型进行进一步训练。
14.可选地，对输出的模型进一步训练包括：
15.将输出的第一模型输出的数据输入第二模型进行训练；
16.当第二模型输出数据值与验证集中的数据值的差值小于阈值时，将第一模型与第二模型进行合并，并将模型进行输出。
17.可选地，在将原始数据按照预设标准划分为多个等级之前，方法还包括：
18.将原始数据进行筛选。
19.可选地，原始数据包括图片。
20.可选地，多个等级包括7个等级。
21.可选地，预设比例包括7:2:1。
22.可选地，将此时的第一模型进行输出包括：
23.将此时第一模型中的权重保存，并将第一模型输出。
24.本发明实施例提供的基于摄像头视频图像智能识别能见度的方法中，按照一定的周期获取原始数据，将原始数据按照预设标准划分为多个等级，在每个等级中按照预设比例将原始数据划分为训练集、验证集与测试集，将训练集中的数据输入第一模型进行训练，当第一模型输出数据的等级与测试集之间的等级的差值满足阈值时停止训练并将此时的第一模型进行输出，根据输出的模型对能见度进行识别，对不同的能见度进行识别，加强高速公路严苛环境下的安全管控。
【附图说明】
25.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
26.图1为本发明一实施例提供的一种基于摄像头视频图像智能识别能见度的拟合方法的流程图；
27.图2为本发明又一实施例提供的一种基于摄像头视频图像智能识别能见度的拟合方法的流程图；
28.图3为本发明一实施例提供的一种基于摄像头视频图像智能识别能见度的拟合装置的结构示意图；
29.图4为本发明实施例提供的一种计算机设备的示意图。
【具体实施方式】
30.为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
31.应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
32.在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、
“”
和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
33.应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，甲和/或乙，可以表示：单独存在甲，同时存在甲和乙，单独存在乙这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
34.目前气象部门对大雾及团雾的监测预警主要依靠高速沿线的气象能见度监测设备，全国以安徽、江苏两省在高速沿线布设监测站点最密，平均监测密度达到10
‑
15km，气象部门一般通过能见度仪监测大雾实况，发布大雾预警信息；由于设备价格和维护成本昂贵，布设的较少，其他省份主要依赖人工经验进行主观判断。由于雾的发生以及消散存在较大
不确定性，尤其是团雾的生成具有突发性和局地性等特征，团雾短时间出现会造成小范围能见度急剧下降，能见度监测设备布设稀疏的路段无法有效监测，其中团雾易发路段和盲区监测尤为困难，高速公路大雾天气监测服务任重道远。近几年，高速公路视频监控的发展，沿线安装的高清摄像头数量越来越多，基本达到每2公里建设一个高清摄像头，每10公里建设一个高空瞭望塔，如何将这些数据汇聚有效地利用并挖掘其潜在价值成为业内许多学者关注的重要课题。随着人工智能技术的飞速发展和计算能力的提高，为这一切提供了实现的基础。本发明实施例提供了一种基于摄像头视频图像智能识别能见度的方法，提供以分钟级频率展示高速公路沿线摄像头视频图片的能见度，并根据交通气象服务规范建立大雾预警指标，为交通和气象部门提供实时、高效的大雾监测预警服务。
35.图1为本发明实施例提供的一实施例提供的一种基于摄像头视频图像智能识别能见度的方法，如图1所示，该方法包括：
36.101、按照一定的周期获取原始数据。
37.102、将原始数据按照预设标准划分为多个等级。
38.103、在每个等级中按照预设比例将原始数据划分为训练集、验证集与测试集。
39.104、将训练集中的数据输入第一模型进行训练，当第一模型输出数据的等级与测试集之间的等级的差值满足阈值时停止训练并将此时的第一模型进行输出。
40.105、根据输出的模型对能见度进行识别。
41.本发明实施例提供的基于摄像头视频图像智能识别能见度的方法中，按照一定的周期获取原始数据，将原始数据按照预设标准划分为多个等级，在每个等级中按照预设比例将原始数据划分为训练集、验证集与测试集，将训练集中的数据输入第一模型进行训练，当第一模型输出数据的等级与测试集之间的等级的差值满足阈值时停止训练并将此时的第一模型进行输出，根据输出的模型对能见度进行识别，对不同的能见度进行识别，加强高速公路严苛环境下的安全管控。
42.图2为本发明又一实施例提供的一种基于摄像头视频图像智能识别能见度的方法，如图2所示，该方法包括：
43.201、按照一定的周期获取原始数据。
44.其中，在步骤201之后，该方法还包括将原始数据进行筛选。
45.在一些实施例中，按照一定的周期包括按照分钟、小时、天和周对原始数据进行获取。
46.在一些实施例中，原始数据包括图片数据。
47.在一些实施例中，包括用摄像头对图片数据进行采集。
48.在一些实施例中，将摄像头采集的图片数据进行筛选包括将马赛克以及画质较差的数据进行过滤。
49.202、将原始数据按照预设标准划分为多个等级。
50.在一些实施例中，将原始数据按照预设标准划分为多个等级包括将图片按照能见度分为0
‑
5m、5
‑
50m、50
‑
200m、200
‑
500m、500
‑
1000m、1000
‑
3000m、以及3000
‑
6000m七个等级。
51.203、在每个等级中按照预设比例将原始数据划分为训练集、验证集与测试集。
52.在一些实施例中，在每个等级中按照预设比例将原始数据划分为训练集、验证集
与测试集包括：在七个等级中将每个等级中的图片按照7:2:1的比例将图片划分为训练集、验证集与测试集。
53.204、将训练集中的数据输入第一模型进行训练，当第一模型输出数据的等级与测试集之间的等级的差值满足阈值时停止训练并将此时的第一模型进行输出。
54.在一些实施例中，采用卷积神经网络(convolutional neural network,cnn)对图片的特征进行提取，包括采用vgg神经网络、googlenet以及renet模型，优选地，本申请实施例采用vgg神经网络模型。
55.在一些实施例中，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。
56.卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。
57.在一些实施例中，将模型输出类别分为7类。
58.在一些实施例中，使用adam优化器对模型进行训练。
59.在一些实施例中，收集模型的输出结果，当输出结果中的分类与测试集中图片分类的误差在百分之五以内时，停止训练。
60.在一些实施例中，在停止训练之后，将训练好的第一模型进行保存。
61.205、将输出的第一模型输出的数据输入第二模型进行训练。
62.在一些实施例中，将神经网络尾端的分类层修改为卷积
‑
池化
‑
全连接层，固化前面的特征提取层的权重结合数值样本进行训练。
63.在一些实施例中，第一模型是对模型的分类进行训练，第二模型是对可见度的具体数值进行训练。
64.在一些实施例中，将第一模型已经分类完毕的输出结果输入第二模型，通过第二模型对模型的数值分类。
65.206、当第二模型输出数据值与验证集中的数据值的差值小于阈值时，将第一模型与第二模型进行合并，并将模型进行输出。
66.在一些实施例中，当第二模型输出的数据与验证集中的数据的误差在百分之五以内，则停止训练。
67.207、根据输出的模型对能见度进行识别。
68.在一些实施例中，输出的模型包括放开前面网络层的训练限制，对整个神经网络进行训练。
69.在一些实施例中，获取原始数据包括大量高速公路沿线摄像头视频的图片数据，对不同省份、不同高速、不同时间的图片。
70.本发明实施例提供的基于摄像头视频图像智能识别能见度的方法中，按照一定的周期获取原始数据，将原始数据按照预设标准划分为多个等级，在每个等级中按照预设比例将原始数据划分为训练集、验证集与测试集，将训练集中的数据输入第一模型进行训练，当第一模型输出数据的等级与测试集之间的等级的差值满足阈值时停止训练并将此时的
第一模型进行输出，将输出的第一模型输出的数据输入第二模型进行训练，当第二模型输出数据值与验证集中的数据值的差值小于阈值时，将第一模型与第二模型进行合并，根据输出的模型对能见度进行识别，对不同的能见度进行识别，加强高速公路严苛环境下的安全管控。
71.图3为本发明实施例提供的一种基于摄像头视频图像智能识别能见度的装置，如图3所示，该装置包括：
72.获取模块301用于按照一定的周期获取原始数据。
73.划分模块302用于将原始数据按照预设标准划分为多个等级。
74.划分模块302还用于在每个等级中按照预设比例将原始数据划分为训练集、验证集与测试集。
75.训练模块303用于将训练集中的数据输入第一模型进行训练，当第一模型输出数据的等级与测试集之间的等级的差值满足阈值时停止训练并将此时的第一模型进行输出。
76.识别模块304用于根据输出的模型对能见度进行识别。
77.训练模块303还用于对输出的第一模型进行进一步训练。
78.其中，训练模块303具体用于将输出的第一模型输出的数据输入第二模型进行训练，当第二模型输出数据值与验证集中的数据值的差值小于阈值时，将第一模型与第二模型进行合并，并将模型进行输出。
79.装置还包括：筛选模块305用于将原始数据进行筛选。
80.本发明实施例提供的基于摄像头视频图像智能识别能见度的装置中，按照一定的周期获取原始数据，将原始数据按照预设标准划分为多个等级，在每个等级中按照预设比例将原始数据划分为训练集、验证集与测试集，将训练集中的数据输入第一模型进行训练，当第一模型输出数据的等级与测试集之间的等级的差值满足阈值时停止训练并将此时的第一模型进行输出，根据输出的模型对能见度进行识别，对不同的能见度进行识别，加强高速公路严苛环境下的安全管控。
81.图4是本发明实施例中基于摄像头视频图像智能识别能见度的设备的示例性硬件架构的结构图。
82.如图4所示，基于摄像头视频图像智能识别能见度的设备400包括输入设备401、输入接口402、中央处理器403、存储器404、输出接口405、以及输出设备404。其中，输入接口402、中央处理器403、存储器404、以及输出接口405通过总线10相互连接，输入设备401和输出设备404分别通过输入接口402和输出接口405与总线410连接，进而与基于摄像头视频图像智能识别能见度的设备400的其他组件连接。
83.具体地，输入设备401接收来自外部的输入信息，并通过输入接口402将输入信息传送到中央处理器403；中央处理器403基于存储器404中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器404中，然后通过输出接口405将输出信息传送到输出设备404；输出设备404将输出信息输出到基于摄像头视频图像智能识别能见度的设备400的外部供用户使用。
84.也就是说，图4所示的基于摄像头视频图像智能识别能见度的设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图1至图2描述的基于摄像头视频图像智能识别能见度的设备的方法。
85.在一个实施例中，图4所示的基于摄像头视频图像智能识别能见度的设备400可以被实现为一种设备，该设备可以包括：存储器，用于存储程序；处理器，用于运行存储器中存储的程序，以执行本发明实施例的基于摄像头视频图像智能识别能见度的方法。
86.本发明实施例还提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现本发明实施例的基于摄像头视频图像智能识别能见度的方法。
87.需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
88.以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd
‑
rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
89.还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
90.以上，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。