CN109448397A - 一种基于大数据的团雾监测方法 - Google Patents

Abstract

本发明公开一种基于大数据的团雾监测方法，利用大数据技术对海量视频数据（多个摄像头连续时间段内的数据）进行处理和分析，建立基于时间序列的团雾监测方法，此方法充分利用了海量图像信息及团雾突发时背景像元的变化规律，使监测结果更加准备，也更具备工程实用性。

Description

一种基于大数据的团雾监测方法

技术领域

本发明涉及一种基于大数据的团雾监测方法，属于交通监测技术领域。

背景技术

团雾被称为交通安全的“杀手”，尤其是在高速公路上，更容易造成重大安全事故。2017年11月15日滁新高速颍上段因团雾引发多车追尾，共造成18人死亡，21人受伤。2017年11月8日永登高速周口太康段因团雾发生18起交通事故。2016年公安部交管局网站公布的数据显示：年均发生3次以上团雾的高速公路路段2567处，其中年均发生10次以上团雾的路段920处，沈海高速某段以及京港澳高速某段年均发生120次以上团雾。

国内外团雾的监测与预警***大体分为两类：一类基于能见度仪的监测数据，另一类是基于图像数据，目前以第一类为主。美国绝大数州都针对高速公路雾建立了监测***，这些***基本以能见度仪的数据为基础，如加州在加州第99号高速公路的13英里路段内安置了一套雾预警***，沿着公路每隔800米安置一台可变信息标志和一台能见度仪；田纳西州建设的雾预警统，在5公里的雾检测区域内有9个前向散射型能见度仪，14个微波雷达车辆检测器。国内各地也开始尝试建立高速公路的气象监测***，安徽省在高速公路布设196个气象监测站，每个气象站配备能见度仪，15公里为间距。气象能见度设备监测距离过大，目前布设最密集的沪宁高速也在10km，而团雾发生范围小，能见度仪数据无法满足团雾的检测的。另一类基于图像数据建立的团雾监测***，这类***的核心技术是基于图像处理的快速雾检测算法，目前的基于图像(视频)的雾检测算法以基于单幅图像为主，且多以提取图像的对比度为基础。陈钟正等借助高速公路上的摄像机研究了一种视频能见度检测方法，并在高速公路上测试获得了不错的效果；李勃等利用图像总四邻域的对比度，实现了无限人工标记的能见度测量；张潇等通过提取路面的兴趣域ROI，提取反映路面亮度变化获取能见度监测方法；路小波等研究了一种图像颜色空间特征的用于大雾天气的能见度检测方法；朱昀等人申请了“一种基于视频的道路气象检测***”、冯海霞等申请的专利“一种基于GIS***的高速公路团雾实时监测***及方法”、张萌等申请的“基于数字摄像的团雾实时预警***及方法”等专利也是以单幅图像数据处理为基础的，

这类监测***目前多处于研究阶段，没有对摄像头提供的海量视频数据进行充分应用，在生产中运行的还较少见。

发明内容

本发明要解决的技术问题是提供一种基于大数据的团雾监测方法，通过监测路段内多个摄像头连续时间段内的视频图像监测团雾突发的情况，更具有工程实用性。

为了解决所述技术问题，本发明采用的技术方案是：一种基于大数据的团雾监测方法，包括以下步骤：S01)、获取监测路段每个摄像头的视频数据，对视频数据进行预处理；S02)、对每个摄像头提供的图像数据都建立一个动态的时间序列，摄影图的图像随时间形成动态的时间序列图像；S03)、利用运动目标监测的高斯混合模型，剔除运动目标，提取图像的背景信息，建立背景图片的时间序列模型；S04)、分析团雾突发时背景图片的变化规律，建立基于背景像元时间序列的雾监测模型，并使用雾监测模型对摄像头传输的实时数据进行判断；S05)、一个摄像头判读为有雾后，立即启动团雾判读，如果N1个相邻的摄像头都监测到雾，判读为雾，启动雾预警；如存在N2个以上相邻的摄像头监测到非雾的情况，判断为团雾，分析预测团雾的流动方向，启动团雾预警；N1、N2均为正整数，且N1>N2。

进一步的，S31)、将时间序列图像的第一帧f₁做为初始背景，使用K个高斯模型来表征本图像中各个像素点f₁(x,y)的特征，K的取值范围为3～5，由图像灰度直方图的分布确定每个高斯模型的均值μ_j和标准差σ_j，j∈[1，K]，每个像素点灰度值可表示成K个高斯分布函数的叠加，即其中，η(μ_j，σ_j)是第j个高斯分布，ωj是其权重；S32)、从第二帧图像f_i(x,y)，i>1开始，估计每个像素点是否属于背景，即判断公式2否成立：|f_i(x,y)-μ_j|≤2.5σ_j (公式2)，若公式2成立，则像素点f_i(x，y)是背景点，否则是前景点，根据前景点生成新的高斯模型；S33)、按公式3更新当前图像中每个模型权重，其中α是学习速率，若当前点是背景，则M_K,i＝1，否则M_K,i＝0，为更新前的模型权重，为更新后的模型权重；S34)、前景点的高斯模型均值和标准差保持不变，背景点的高斯模型均值和标准差按当前图像进行更新；S35)、对所有高斯模型进行排序，权重大、标准差小的模型排在前面，排序在K之后的模型被舍去，从而得到更新后的背景图像；S36)、重复步骤S32-S35，得到每一帧图像的背景图，建立背景图像的动态时间序列图像,；S37)、基于背景图像的时间序列图像，将背景图片化分成4个区域，建立4个区域对比度的时间变化变化曲线。

进一步的，建立基于背景像元时间序列的雾监测模型综合考虑当前影像的对比度X1、当前影像的模糊度X2、时间序列中上帧图像的对比度X3、时间序列中上帧图像的模糊度X4，团雾突发时，背景图像中像元值的对比度急剧X1降低，当前影像全图有75％以上区域为模糊区域，4个分区中有3个区的X3与X1下降幅度超过300％，时间序列中上帧图像全图有25％以下区域为模糊区域。

进一步的，对视频数据进行的预处理包括：对图像数据进行快速审查和校验，删除重复信息，纠正存在的错误，将所有摄像头的图像格式统一。

进一步的，监测路段的摄像头按照特定方向及距离布置，根据摄像头监测到雾的先后顺序预测分析团雾的流动方向和速度。

进一步的，一个摄像头判读为有雾后，立即启动团雾判读对前后相邻的5个摄像头进行综合判断，如果4个以上的相邻摄像头判定为有雾，则启动雾预警；如存在2个以上相邻的摄像头监测到非雾的情况，判断为团雾。

本发明的有益效果：本发明利用大数据技术对海量视频数据(多个摄像头连续时间段内的数据)进行处理和分析，建立基于时间序列的团雾监测方法，此方法充分利用了海量图像信息及团雾突发时背景像元的变化规律，使监测结果更加准备，也更具备工程实用性。

附图说明

图1为实施例1所述方法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的限定。

实施例1

本实施例公开一种基于大数据的团雾监测方法，如图1所示，包括以下步骤：

S01)、获取监测路段每个摄像头的视频数据，对视频数据进行预处理；

本实施例中，对视频数据进行的预处理包括：对图像数据进行快速审查和校验，删除重复信息，剔除因摄像头有斑点等问题引起的图像错误，将所有摄像头的图像格式统一为通用的jpg格式；

本实施例中，每个摄像头的实时数据进行分布式存储、并行计算。

S02)、将摄像头的视频图像每隔5秒提取一幅图像，连续5幅图像形成一个时间序列；摄影图的图像随时间形成动态的时间序列图像；

S03)、利用运动目标监测的高斯混合模型，剔除运动目标，提取图像的背景信息，建立背景图片的时间序列模型，具体如下：

首先将时间序列图像的第一帧f1做为初始背景，使用K个高斯模型来表征本图像中各个像素点f₁(x,y)的特征，K的取值范围为3～5。由图像灰度直方图的分布确定每个高斯模型的均值μ_j和标准差σ_j，j∈[1，K]，每个像素点灰度值可表示成K个高斯分布函数的叠加，即

其中，η(μ_j，σ_j)是第j个高斯分布，ω_j是其权重。

从第二帧图像f_i(x,y)，i>1开始，估计每个像素点是否属于背景，即判断公式2否成立：

|f_i(x,y)-μ_j|≤2.5σ_j (公式2)，

若公式2成立，则像素点f_i(x，y)是背景点，否则是前景点。根据前景点生成新的高斯模型。

按公式3更新当前图像中每个模型权重，

其中α是学习速率，若当前点是背景，则M_K,i＝1，否则M_K,i＝0，为更新前的模型权重，为更新后的模型权重；

前景点的高斯模型均值和标准差保持不变，背景点的高斯模型均值和标准差按当前图像进行更新。

对所有高斯模型进行排序，权重大、标准差小的模型排在前面，排序在K之后的模型被舍去，从而得到更新后的背景图像。

重复以上操作，得到每一帧图像的背景图，建立背景图像的动态时间序列图像。

基于背景图像的时间序列图像，将背景图片化分成4个区域，建立4个区域对比度的时间变化变化曲线。

S04)、分析团雾突发时背景像元的变化规律，建立基于背景像元时间序列的雾监测模型；建立基于背景像元时间序列的雾监测模型综合考虑了4个变量：

A、当前影像的对比度X1，团雾突发时，会造成背景图像中像元值的对比度急剧X1降低；

B、当前影像的模糊度X2，对当前进行模糊度识别，团雾突发时，全图有75％以上区域为模糊区域；

C、时间序列中上帧图像的对比度X3，团雾突发时，4个分区中有3个区的X3与X1下降幅度超过300％；

D、时间序列中上帧图像的模糊度X4，在模糊度识别中，团雾突发时，全图有25％以下区域为模糊区域。

综合考虑上述4个变量，建立基于背景像元时间序列的雾监测模型，并使用雾监测模型对摄像头传来的实时图像进行判断；

S05)、一个摄像头判读为有雾后，立即启动团雾判读对前后相邻的5个摄像头进行综合判断，如果4个以上的相邻摄像头判定为有雾，则启动雾预警；如存在2个以上相邻的摄像头监测到非雾的情况，判断为团雾，分析预测团雾的流动方向，启动团雾预警。

本实施例中，根据摄像头检测到雾的先后顺序预测分析团雾的流动方向和速度，因为摄像头是按照特定方向和距离布置的，如果一个摄像头检测到有雾，位于其南方的摄像头依次检测到有雾，则可以判定团雾的流动方向是从北向南，根据摄像头之间的距离和时间可以计算出团雾的流动方向和速度。

以上描述的仅是本发明的基本原理和优选实施例，本领域技术人员根据本发明做出的改进和替换，属于本发明的保护范围。

Claims (6)

1.一种基于大数据的团雾监测方法，其特征在于：包括以下步骤：S01)、获取监测路段每个摄像头的视频数据，对视频数据进行预处理；S02)、对每个摄像头提供的图像数据都建立一个动态的时间序列，摄影图的图像随时间形成动态的时间序列图像；S03)、利用运动目标监测的高斯混合模型，剔除运动目标，提取图像的背景信息，建立背景图片的时间序列模型；S04)、分析团雾突发时背景图片的变化规律，建立基于背景图片时间序列的雾监测模型，并使用雾监测模型对摄像头传输的实时数据进行判断；S05)、一个摄像头判读为有雾后，立即启动团雾判读，如果N1个相邻的摄像头都监测到雾，判读为雾，启动雾预警；如存在N2个以上相邻的摄像头监测到非雾的情况，判断为团雾，分析预测团雾的流动方向，启动团雾预警；N1、N2均为正整数，且N1>N2。

2.根据权利要求1所述的基于大数据的团雾监测方法，其特征在于：步骤S03具体为：S31)、将时间序列图像的第一帧f₁做为初始背景，使用K个高斯模型来表征本图像中各个像素点f₁(x,y)的特征，K的取值范围为3～5，由图像灰度直方图的分布确定每个高斯模型的均值μ_j和标准差σ_j，j∈[1，K]，每个像素点灰度值可表示成K个高斯分布函数的叠加，即其中，η(μ_j，σ_j)是第j个高斯分布，ωj是其权重；S32)、从第二帧图像f_i(x,y)，i>1开始，估计每个像素点是否属于背景，即判断公式2否成立：|f_i(x,y)-μ_j|≤2.5σ_j (公式2)，若公式2成立，则像素点f_i(x，y)是背景点，否则是前景点，根据前景点生成新的高斯模型；S33)、按公式3更新当前图像中每个模型权重，其中α是学习速率，若当前点是背景，则M_K,i＝1，否则M_K,i＝0，为更新前的模型权重，为更新后的模型权重；S34)、前景点的高斯模型均值和标准差保持不变，背景点的高斯模型均值和标准差按当前图像进行更新；S35)、对所有高斯模型进行排序，权重大、标准差小的模型排在前面，排序在K之后的模型被舍去，从而得到更新后的背景图像；S36)、重复步骤S32-S35，得到每一帧图像的背景图，建立背景图像的动态时间序列图像,；S37)、基于背景图像的时间序列图像，将背景图片化分成4个区域，建立4个区域对比度的时间变化变化曲线。

3.根据权利要求2所述的基于大数据的团雾监测方法，其特征在于：建立基于背景像元时间序列的雾监测模型综合考虑当前影像的对比度X1、当前影像的模糊度X2、时间序列中上帧图像的对比度X3、时间序列中上帧图像的模糊度X4，团雾突发时，背景图像中像元值的对比度X1急剧降低，当前影像全图有75％以上区域为模糊区域，4个分区中有3个区的X3与X1下降幅度超过300％，时间序列中上帧图像全图有25％以下区域为模糊区域。

4.根据权利要求1所述的基于大数据的团雾监测方法，其特征在于：对视频数据进行的处理包括：对图像数据进行快速审查和校验，删除重复信息，纠正存在的错误，将所有摄像头的图像格式统一，对每个摄影头的视频数据进行快速的雾监测、团雾判断处理。

5.根据权利要求1所述的基于大数据的团雾监测方法，其特征在于：监测路段的摄像头按照特定方向及距离布置，根据摄像头监测到雾的先后顺序预测分析团雾的流动方向和速度。

6.根据权利要求1所述的基于大数据的团雾监测方法，其特征在于：一个摄像头判读为有雾后，立即启动团雾判读对前后相邻的5个摄像头进行综合判断，如果4个以上的相邻摄像头判定为有雾，则启动雾预警；如存在2个以上相邻的摄像头监测到非雾的情况，判断为团雾。