CN111598885A - 高速公路团雾图片能见度等级自动标注方法 - Google Patents
高速公路团雾图片能见度等级自动标注方法 Download PDFInfo
- Publication number
- CN111598885A CN111598885A CN202010437766.1A CN202010437766A CN111598885A CN 111598885 A CN111598885 A CN 111598885A CN 202010437766 A CN202010437766 A CN 202010437766A CN 111598885 A CN111598885 A CN 111598885A
- Authority
- CN
- China
- Prior art keywords
- visibility
- pictures
- fog
- foggy
- group fog
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
- G06T2207/30208—Marker matrix
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种高速公路团雾图片能见度等级自动标注方法,包括以下步骤:步骤S1,利用已标注的团雾图片测试样本集,对多个已知的团雾检测算法进行测试,得到多个已知的团雾检测算法的识别准确率矩阵A;步骤S2,利用所述多个已知的团雾检测算法对待标注团雾图片进行识别得到相应的识别结果矩阵P;步骤S3,通过公式F=A*P得到投票结果矩阵F;步骤S4,在投票结果矩阵中计算最大投票值;步骤S5,将最大投票值对应的能见度等级自动标注待标注团雾图片;步骤S6,重复上述步骤S2~S5,对待标注团雾图片集中所有的待标注团雾图片进行能见度等级自动标注。本发明避免了人工标注带来标注结果不一致的问题,且标注效率更高。
Description
技术领域
本发明属于图像识别技术领域,尤其是一种高速公路团雾图片能见度等级自动标注方法。
背景技术
深度学习领域近来发展迅猛,尤其在图像识别方面应用已经较为成熟,基于高速公路监控图像的团雾识别也开始应用深度学习技术。深度学习技术的关键在于大量训练样本图片的采集与标注,而高速公路团雾识别的难点在于样本图片能见度等级的标注,以下原因导致能见度检测仪能见度值与监控图像难以匹配:
1、能见度检测仪部署密度较低
高速公路能见度检测仪平均约10公里1套,完好的设备数量更少,而高速公路监控摄像机平均达1公里1套。
2、能见度检测仪与监控摄像机并非同点部署存在相当距离
3、路侧遮挡的问题
能见度检测仪一般安装在高速公路路侧,安装高度仅1.5米左右,难以避免被路侧的树木、标志标杆等遮挡,影响能见度的准确性。
4、点监控与面监控的区别
能见度检测仪为点监控,得到的能见度值仅代表一个点,而监控图像则是面监控,代表有效监控距离(如100米)内的整个路段的能见度情况。团雾是受局部地区微气候环境的影响,在大雾中数十米到上百米的局部范围内,出现的更“浓”、能见度更低的雾。由于团雾的区域性特点,很可能未覆盖能见度检测仪区域。
因而团雾样本图片能见度等级的标注无法仅依靠能见度检测仪获得的能见度值,必须有其他标注方法。
深度学习在视觉应用方面,主要有目标分类、目标检测和语义分割三种,在团雾识别上,只有目标分类适用,无法获得连续的能见度值。
参考公安和气象部门的标准,可将团雾图像分为六个等级:
(1)能见度一级
代表能见度50米以下。
(2)能见度二级
代表能见度50到100米。
(3)能见度三级
代表能见度100到200米。
(4)能见度四级
代表能见度200到500米。
(5)能见度五级
代表能见度500到1000米。
(6)无雾
能见度1000米以上视为无雾。
公安与交通部门主要依据团雾的风险等级进行相应的道路管控,采用深度学习算法区分团雾能见度等级即可满足业务需求。
但是基于深度学习的能见度等级检测算法需要大量已标注的样本图片,大量人工标注不仅人工成本高昂,而且标注人员对于能见度的判断非常主观,即使同一标注人员两次标注都可能出现标注结果不一致的情况。亟需一种客观性较高、自动化的标注方法。
发明内容
本发明的目的在于克服现有技术中存在的不足,提供一种高速公路团雾图片能见度等级自动标注方法,避免了人工标注带来标注结果不一致的问题,采用多个团雾检测算法投票,选择得票最多的能见度等级作为标记结果,实现了科学的自动标注。本发明采用的技术方案是:
一种高速公路团雾图片能见度等级自动标注方法,包括以下步骤:
步骤S1,利用已标注的团雾图片测试样本集,对多个已知的团雾检测算法进行测试,得到多个已知的团雾检测算法的识别准确率矩阵A;
步骤S2,利用所述多个已知的团雾检测算法对待标注团雾图片进行识别得到相应的识别结果矩阵P;
步骤S3,通过公式F=A*P得到投票结果矩阵F;
步骤S4,在投票结果矩阵中计算最大投票值;
步骤S5,将最大投票值对应的能见度等级自动标注待标注团雾图片;
步骤S6,重复上述步骤S2~S5,对待标注团雾图片集中所有的待标注团雾图片进行能见度等级自动标注。
进一步地,步骤S5中,若最大投票值存在多个相等或者小于设定阈值的情况,则放弃标注。
进一步地,步骤S1具体包括:
步骤S101,挑选多个已知的团雾检测算法;挑选时选择不同原理的算法;
步骤S102,准备已标注的团雾图片测试样本集;
团雾图片测试样本集中的团雾图片测试样本采用与能见度检测仪数据相印证的团雾图片;
步骤S103,用已标注的团雾图片测试样本集测试多个已知的团雾检测算法得到相应的准确率矩阵A。
进一步地,能见度等级分为五级;
(1)能见度一级,代表能见度50米以下;
(2)能见度二级,代表能见度50到100米;
(3)能见度三级,代表能见度100到200米;
(4)能见度四级,代表能见度200到500米;
(5)能见度五级,代表能见度500到1000米。
本发明的优点在于:
1)相较于人工标注,大大提高了标注效率。
2)相较于人工标注的不确定性,本发明提出的方法通过各团雾检测算法进行识别,多次结果趋于一致时,可以消除标注的不确定性。
3)采用算法识别准确率作为投票权重计票,客观性和准确性均得到了提高。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
本发明实施例提出一种高速公路团雾图片能见度等级自动标注方法,包括以下步骤:
步骤S1,利用已标注的团雾图片测试样本集,对多个已知的团雾检测算法进行测试,得到多个已知的团雾检测算法的识别准确率矩阵A;
步骤S1具体包括:
步骤S101,挑选多个已知的团雾检测算法;
传统的团雾检测算法有基于对比度的团雾识别算法、暗通道先验算法等,挑选时应当选择准确率较高的算法,同时选择的不同原理的算法应当平衡,避免单一原理的算法占比过多;
步骤S102,准备已标注的团雾图片测试样本集;
团雾图片测试样本集中的团雾图片测试样本,是得到各算法识别准确率的关键,最好采用与能见度检测仪数据相印证的团雾图片;
步骤S103,用已标注的团雾图片测试样本集测试多个已知的团雾检测算法得到相应的准确率矩阵A;
高速公路团雾图片能见度人工标注的重要缺点在于缺乏客观的标准,每个人对于能见度的判断非常主观,同一标注人员对于同一张图片的两次标注都可能出现标注结果不一致的情况;而采用传统的团雾检测算法,虽然在识别精度上有待提供,但是如果多次识别结果趋于一致,则可以消除标注的不确定性;
假设有n个算法,5个能见度等级,测试得到的识别准确率矩阵A如下:
其中,第i个团雾识别算法对第j个能见度等级的识别准确率Aij即第i个团雾识别算法对第j个能见度等级的的投票权重;
步骤S2,利用所述多个已知的团雾检测算法对待标注团雾图片进行识别得到相应的识别结果矩阵P;
此步骤中,首先准备待标注团雾图片构成待标注团雾图片集;然后用所述多个已知的团雾检测算法对待标注团雾图片进行识别,得到识别结果矩阵P;例如:
步骤S3,通过公式F=A*P计算得到投票结果矩阵F;例如,得到投票结果矩阵F如下:
步骤S4,在投票结果矩阵中计算最大投票值;例如,上述投票结果矩阵中,最大投票值为F2=0.65+0.56=1.21;
步骤S5,将最大投票值对应的能见度等级自动标注待标注团雾图片;
此步骤中,若最大投票值存在多个相等或者小于设定阈值的情况,则放弃标注;
步骤S6,重复上述步骤S2~S5,对待标注团雾图片集中所有的待标注团雾图片进行能见度等级自动标注。
现有传统能见度检测算法即团雾检测算法比较成熟,但能见度等级的识别准确率不是很高,通过多个团雾检测算法投票,选择得票最多的能见度等级作为标记结果,实现了科学的自动标注。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种高速公路团雾图片能见度等级自动标注方法,包括以下步骤:
步骤S1,利用已标注的团雾图片测试样本集,对多个已知的团雾检测算法进行测试,得到多个已知的团雾检测算法的识别准确率矩阵A;
步骤S2,利用所述多个已知的团雾检测算法对待标注团雾图片进行识别得到相应的识别结果矩阵P;
步骤S3,通过公式F=A*P 得到投票结果矩阵F;
步骤S4,在投票结果矩阵中计算最大投票值;
步骤S5,将最大投票值对应的能见度等级自动标注待标注团雾图片;
步骤S6,重复上述步骤S2~S5,对待标注团雾图片集中所有的待标注团雾图片进行能见度等级自动标注。
2.如权利要求1所述的高速公路团雾图片能见度等级自动标注方法,其特征在于,
步骤S5中,若最大投票值存在多个相等或者小于设定阈值的情况,则放弃标注。
3.如权利要求1或2所述的高速公路团雾图片能见度等级自动标注方法,其特征在于,
步骤S1具体包括:
步骤S101,挑选多个已知的团雾检测算法;挑选时选择不同原理的算法;
步骤S102,准备已标注的团雾图片测试样本集;
团雾图片测试样本集中的团雾图片测试样本采用与能见度检测仪数据相印证的团雾图片;
步骤S103,用已标注的团雾图片测试样本集测试多个已知的团雾检测算法得到相应的准确率矩阵A。
4.如权利要求1或2所述的高速公路团雾图片能见度等级自动标注方法,其特征在于,
能见度等级分为五级;
(1)能见度一级,代表能见度50米以下;
(2)能见度二级,代表能见度50到100米;
(3)能见度三级,代表能见度100到200米;
(4)能见度四级,代表能见度200到500米;
(5)能见度五级,代表能见度500到1000米。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010437766.1A CN111598885B (zh) | 2020-05-21 | 2020-05-21 | 高速公路团雾图片能见度等级自动标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010437766.1A CN111598885B (zh) | 2020-05-21 | 2020-05-21 | 高速公路团雾图片能见度等级自动标注方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598885A true CN111598885A (zh) | 2020-08-28 |
CN111598885B CN111598885B (zh) | 2022-02-11 |
Family
ID=72187457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010437766.1A Active CN111598885B (zh) | 2020-05-21 | 2020-05-21 | 高速公路团雾图片能见度等级自动标注方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598885B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784880A (zh) * | 2021-01-04 | 2021-05-11 | 安徽大学 | 基于自然特征统计方法标注高速公路雾天能见度等级 |
CN114627382A (zh) * | 2022-05-11 | 2022-06-14 | 南京信息工程大学 | 联合行道线几何先验的高速公路雾天能见度检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463196A (zh) * | 2014-11-11 | 2015-03-25 | 中国人民解放军理工大学 | 一种基于视频的天气现象识别方法 |
US20160313349A1 (en) * | 2013-12-16 | 2016-10-27 | Paranta Biosciences Limited | Method of diagnosis and treatment |
CN109165676A (zh) * | 2018-07-27 | 2019-01-08 | 北京以萨技术股份有限公司 | 一种基于视频分析的全天候高速公路雾气等级监测方法 |
CN109242038A (zh) * | 2018-09-25 | 2019-01-18 | 安徽果力智能科技有限公司 | 一种用于标签不足情况的机器人地形分类器训练方法 |
CN111178405A (zh) * | 2019-12-18 | 2020-05-19 | 浙江工业大学 | 一种融合多种神经网络的相似物体识别方法 |
-
2020
- 2020-05-21 CN CN202010437766.1A patent/CN111598885B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160313349A1 (en) * | 2013-12-16 | 2016-10-27 | Paranta Biosciences Limited | Method of diagnosis and treatment |
CN104463196A (zh) * | 2014-11-11 | 2015-03-25 | 中国人民解放军理工大学 | 一种基于视频的天气现象识别方法 |
CN109165676A (zh) * | 2018-07-27 | 2019-01-08 | 北京以萨技术股份有限公司 | 一种基于视频分析的全天候高速公路雾气等级监测方法 |
CN109242038A (zh) * | 2018-09-25 | 2019-01-18 | 安徽果力智能科技有限公司 | 一种用于标签不足情况的机器人地形分类器训练方法 |
CN111178405A (zh) * | 2019-12-18 | 2020-05-19 | 浙江工业大学 | 一种融合多种神经网络的相似物体识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784880A (zh) * | 2021-01-04 | 2021-05-11 | 安徽大学 | 基于自然特征统计方法标注高速公路雾天能见度等级 |
CN112784880B (zh) * | 2021-01-04 | 2023-04-07 | 安徽大学 | 基于自然特征统计方法标注高速公路雾天能见度等级 |
CN114627382A (zh) * | 2022-05-11 | 2022-06-14 | 南京信息工程大学 | 联合行道线几何先验的高速公路雾天能见度检测方法 |
CN114627382B (zh) * | 2022-05-11 | 2022-07-22 | 南京信息工程大学 | 联合行道线几何先验的高速公路雾天能见度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111598885B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220196459A1 (en) | Real-time vehicle overload detection method based on convolutional neural network | |
CN108765404A (zh) | 一种基于深度学习图像分类的道路破损检测方法及装置 | |
CN104700099A (zh) | 识别交通标志的方法和装置 | |
CN111784657A (zh) | 一种基于数字图像的水泥路面病害自动识别的***及方法 | |
CN111598885B (zh) | 高速公路团雾图片能见度等级自动标注方法 | |
CN113327248B (zh) | 一种基于视频的隧道车流量统计方法 | |
CN115201218A (zh) | 一种车载路面病害智能检测方法及*** | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
Li et al. | Automated classification and detection of multiple pavement distress images based on deep learning | |
Kim et al. | Framework for machine learning-based pavement marking inspection and Geohash-based monitoring | |
CN117474870B (zh) | 一种基于大数据筛选的公路路面裂缝识别决策方法及*** | |
CN114494845A (zh) | 一种用于施工项目现场人工智能隐患排查***及其排查方法 | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
CN116229396B (zh) | 高速路面病害识别及告警方法 | |
CN113256978A (zh) | 一种城市拥堵地区的诊断方法、***及储存介质 | |
CN117037449A (zh) | 一种基于边缘计算的团雾监测方法及监测*** | |
CN116363088A (zh) | 基于无人机的高速公路混凝土路面裂缝检测方法、电子设备及存储介质 | |
CN110163081A (zh) | 基于ssd的实时区域入侵检测方法、***及存储介质 | |
CN116434525A (zh) | 一种高速公路智能管理预警*** | |
CN115170783A (zh) | 一种使用街景图像的快速公路路面裂缝检测方法 | |
CN114743168A (zh) | 基于深度学习的行车风险源识别评估方法及*** | |
CN113284340A (zh) | 道路交通安全分级*** | |
Manjusha et al. | A review of advanced pavement distress evaluation techniques using unmanned aerial vehicles | |
CN116739357B (zh) | 多模态融合感知的城市既有建筑广域监测预警方法及装置 | |
CN118172721A (zh) | 一种基于深度学习的油管排上是否站人的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |