一种基于视觉的夜间PM2.5监测方法及系统与流程

本发明涉及夜间大气环境监测，更具体的说是涉及一种基于视觉的夜间pm2.5监测方法及系统。

背景技术：

1、目前市面上较为常见的是基于传感器网络的监测方式，通过在检测区域内的多个节点位置部署传感器来实现广域的大气环境监测。如专利申请号为cn202021353526.5的设计方案，利用中心无线通信模块与各个节点无线通信模块无线组网通信能够便于将各个传感节点设备采集的数据上传至中心控制设备，从而实现数据采集。此类方案需要在多节点位置承担设备的购置、供电、通信、维护等成本，一定程度上限制了实际的应用范围。

2、另一方面，基于夜光灯光遥感数据的夜间pm2.5浓度监测方法被提出，通过分析遥感传感器接收的夜间灯光辐射与pm2.5浓度之间的关系对夜间大气环境进行监测。如专利申请号为cn202110949698.1的设计方案，提取传感器接收的dnb辐射亮度、云覆盖、月相角、卫星天顶角和卫星过境时间数据，并基于辐射传输理论分析卫星过境时刻的pm2.5浓度。此类方案由于遥感数据的局限性，实现性较差，在空间细粒度和监测精度上尚不能令人满意。

3、随着计算机视觉技术的成熟，目前学术界上较为常见的基于视觉的方法主要处理日间场景获取的图像，即通过日间图像的先验特征或其他要素对环境空气质量进行评估。但是通过视觉途径在夜间场景进行pm2.5检测的方法上尚属空缺。

4、因此，提出一种基于视觉的夜间pm2.5监测方法及系统，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于视觉的夜间pm2.5监测方法及系统，用于解决现有技术中存在的问题。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种基于视觉的夜间pm2.5监测方法，包括以下步骤：

4、s1.通过摄像设备获取原始图像imageraw，进行有效帧检测，从而获得有效图像；

5、s2.根据s1中获得的有效图像通过图像处理算法提取目标场景中的辉光特征图imageglow，同时通过自行部署的传感器或环境监测站获取目标场景真实大气环境中的pm2.5环境读数；

6、s3.将s2中提取目标场景中的辉光特征图imageglow调整为固定大小，并将辉光特征图作为神经网络的输入，真实大气环境中的pm2.5环境读数作为标签，进行端到端的神经网络学习；

7、s4.根据s3中神经网络的输入进行训练，通过训练后的神经网络推断pm2.5的值。

8、可选的，s1中进行有效帧检测的具体方法为：为验证摄像设备获取的原始图像是否有效，需要将原始图像与前一有效帧进行比较，综合考虑摄像设备摆动和目标场景变化导致的画面差异，计算有效帧概率，根据计算的有效帧概率，判断后续是丢弃原始图像，还是保留原始图像作为有效图像并进行后续步骤。

9、可选的，s1中获取有效图像的步骤具体为：

10、s11.根据原始图像imageraw和有效值图像imagevalid，计算画面差异图：

11、

12、其中x是图像像素的索引，ω(x)是以x为中心的图块，x'是以x为中心的图块中像素的索引；

13、s12.根据画面差异图imagediff，计算有效帧概率：

14、

15、

16、其中，n是图像中像素的个数，ε是设置的阈值，f函数被用于计算有效帧概率，x是图像像素的索引；

17、s13.比较求得的有效帧概率与预先设置的阈值，若低于阈值则进行后续步骤，否则丢弃原始图像并重新执行步骤s11。

18、可选的，s2中提取辉光特征图的具体方法为：

19、从有效图像中获得每个像素位置的亮度信息和每个像素位置的亮度衰减速率，得到两张特征图，即亮度特征图和强度衰减特征图，特征图中像素点的值分别代表对应像素是否属于光源区域概率以及以该像素为中心的图块的强度衰减速度，在亮度特征图和强度衰减特征图的基础上，结合膨胀操作后的原图，逐像素位置进行卷积运算，得到辉光特征图。

20、可选的，s2中提取图像辉光特征图的步骤具体为：

21、s21.计算亮度特征图：

22、

23、其中，γ是伽马矫正系数，是输入图像，是输入图像的指定通道，{r,g,b}是rgb色彩模式下图像的不同通道，x是图像像素的索引；

24、s22.计算强度衰减特征图：

25、

26、attenuation(x)＝guidefilter(t(x),imageraw)

27、其中，ac(y)是大气亮度，attenuation(x)是强度衰减特征图，guidefilter是导向滤波器，是输入图像，是输入图像的指定通道，{r,g,b}是rgb色彩模式下图像的不同通道，x是图像像素的索引；

28、s23.将原始图像分为rgb三个通道，即三张特征图，分别进行扩张操作以增加曝光度的效果；

29、glowc＝dilate(x)*attenuation(x)*bright(x)

30、

31、其中，glowc是辉光特征图的不同通道，dilate(x)是图像膨胀处理函数，attenuation(x)是强度衰减特征图，bright(x)是亮度特征图，x'是图块中图像像素索引，是以x为中心的图块中特定通道的像素值的最大值；

32、s24.将s23中膨胀后的特定通道分别逐像素地与亮度特征图、强度衰减特征图相乘；

33、s25.将得到的通道合并为新的rgb图片，即辉光特征图。

34、可选的，s3中进行端到端的神经网络学习的具体步骤为：

35、s31.对原始图像进行降采样使其分辨率为108×192；

36、s32.端到端的神经网络包含以下设置：神经网络包含3个连续的卷积-池化-激活块，卷积核的大小为3×3，池化核的大小是2×2，激活函数是leaky-relu函数。

37、可选的，s4中通过训练后的神经网络推断pm2.5的值具体为：

38、s41.通过摄像设备获取原始图像imageraw，根据s2和s3进行辉光特征图的提取以及图像的降采样操作；

39、s42.将获取的图像作为训练好的神经网络的输入，网络的输出即为对应夜间环境pm2.5的推断值。

40、一种基于视觉的夜间pm2.5监测系统，应用上述任一项所述的一种基于视觉的夜间pm2.5监测方法，包括依次连接的获取有效图像模块、辉光特征图提取模块、神经网络学习模块、pm2.5监测模块；

41、获取有效图像模块：通过摄像设备获取原始图像imageraw，进行有效帧检测，从而获得有效图像；

42、辉光特征图提取模块：根据获取有效图像模块中获得的有效图像通过图像处理算法提取目标场景中的辉光特征图imageglow，同时通过自行部署的传感器或环境监测站获取目标场景真实大气环境中的pm2.5环境读数；

43、神经网络学习模块：将辉光特征图提取模块中提取的目标场景中的辉光特征图imageglow调整为固定大小，并将辉光特征图作为神经网络的输入，真实大气环境中的pm2.5环境读数作为标签，进行端到端的神经网络学习；

44、pm2.5监测模块：根据神经网络学习模块中神经网络的输入进行训练，通过训练后的神经网络推断pm2.5的值。

45、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于视觉的夜间pm2.5监测方法及系统，其有益效果为：

46、1)本发明可以使用广泛部署监控摄像头获取图像，并估计目标场景中的大气pm2.5浓度；

47、2)本发明具有通用性，图像的获取是可以通过普通监控摄像头或其他摄像头(例如手机摄像头等)获取，并不依赖于特定型号的设备；

48、3)本发明提出了基于视觉的夜间pm2.5监测方法，依据图像中亮度和强度衰减两个属性，提取原图中人造光源的辉光特征图，通过神经网络拟合大气环境中pm2.5的浓度。