CN111783732A - 团雾识别方法、装置、电子设备及存储介质 - Google Patents

团雾识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111783732A
CN111783732A CN202010699922.1A CN202010699922A CN111783732A CN 111783732 A CN111783732 A CN 111783732A CN 202010699922 A CN202010699922 A CN 202010699922A CN 111783732 A CN111783732 A CN 111783732A
Authority
CN
China
Prior art keywords
image
cloud
group
fog
scene image
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.)
Pending
Application number
CN202010699922.1A
Other languages
English (en)
Inventor
赵永磊
朱铖恺
洪依君
李军
武伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202010699922.1A priority Critical patent/CN111783732A/zh
Publication of CN111783732A publication Critical patent/CN111783732A/zh
Priority to KR1020227006772A priority patent/KR20220041892A/ko
Priority to JP2022513667A priority patent/JP2022545962A/ja
Priority to PCT/CN2021/094385 priority patent/WO2022012149A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种团雾识别方法、装置、电子设备及存储介质，方法包括：获取目标场景的场景图像；对场景图像进行特征提取，得到全局特征信息；对全局特征信息进行分类处理，确定出场景图像中的团雾以及团雾对应的团雾级别。

Description

团雾识别方法、装置、电子设备及存储介质
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种团雾识别方法、装置、电子设备及存储介质。
背景技术
“团雾”，又称坨坨雾，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，出现的能见度更低的雾。团雾具有区域性强，预测预报难度大的特点，在高速公路上，团雾会导致能见度的突然变化，对高速公路交通安全极具危害性，容易导致重大的交通事故。
目前，可以利用光电传感器等专用硬件，或者，摄像头进行团雾的识别。其中，相比于成本高昂，难以大规模推广的利用专用硬件的方案，利用摄像头获取图像信息，从而识别团雾，具有更高的可行性。
然而，利用摄像头实现团雾识别的方案，多采用暗通道先验或者人工选取特征等方法，从摄像头采集的图像中获取图像浅层特征，易受光线摄像头角度等因素影响，从而导致识别效果较差。
发明内容
本公开实施例期望提供一种团雾识别方法及装置、电子设备、存储介质。
本公开实施例的技术方案是这样实现的：
本公开实施例提供了一种团雾识别方法，所述方法包括：
获取目标场景的场景图像；
对所述场景图像进行特征提取，得到全局特征信息；
对所述全局特征信息进行分类处理，确定出所述场景图像中的团雾以及所述团雾对应的团雾级别。
在上述团雾识别方法中，所述对所述场景图像进行特征提取，得到全局特征信息之前，所述方法还包括：
对所述场景图像进行图像预处理，得到已处理图像；
相应的，所述对所述场景图像进行特征提取，得到全局特征信息，包括：
对所述已处理图像进行特征提取，得到所述全局特征信息。
在上述团雾识别方法中，所述对所述场景图像进行图像预处理，得到已处理图像，包括：
对所述场景图像进行像素采样，得到目标尺寸的采样图像；
对所述采样图像进行归一化处理，得到所述已处理图像。
在上述团雾识别方法中，所述对所述全局特征信息进行分类处理，确定出所述场景图像中的团雾以及所述团雾对应的团雾级别，包括：
对所述全局特征信息进行平均池化，得到全局平均特征信息；
对所述全局平均特征信息进行分类，确定出所述团雾和所述团雾级别。
在上述团雾识别方法中，所述确定出所述场景图像中的团雾以及所述团雾对应的团雾级别之后，所述方法还包括：
根据预设团雾等级与能见度范围的对应关系，获取所述团雾级别对应的第一能见度范围；
在所述第一能见度范围低于预设能见度范围的情况下，获取所述团雾级别对应的第一预警信息；
输出所述第一预警信息。
在上述团雾识别方法中，所述场景图像包括多个时刻下的多个图像，所述团雾级别包括与所述多个图像对应的多个级别，所述确定出所述场景图像中的团雾以及所述团雾对应的团雾级别之后，所述方法还包括：
在所述多个级别与所述多个时刻正相关的情况下，获取第二预警信息；
获取所述目标场景内的预警提醒设备；
将所述第二预警信息传输至所述预警提醒设备。
在上述团雾识别方法中，所述场景图像包括多个时刻下的多个图像，所述团雾级别包括与所述多个图像对应的多个级别，所述确定出所述场景图像中的团雾以及所述团雾对应的团雾级别之后，所述方法还包括：
对所述多个级别进行统计，得到统计结果；
根据所述统计结果，确定所述目标场景的团雾发生频率。
本公开实施例提供了一种团雾识别装置，所述团雾识别装置包括：
图像获取模块，用于获取目标场景的场景图像；
特征提取模块，用于对所述场景图像进行特征提取，得到全局特征信息；
分类处理模块，用于对所述全局特征信息进行分类处理，确定出所述场景图像中的团雾以及所述团雾对应的团雾级别。
在上述团雾识别装置中，还包括所述图像处理模块，
所述图像处理模块，用于对所述场景图像进行图像预处理，得到已处理图像；
相应的，所述特征提取模块，具体用于对所述已处理图像进行特征提取，得到所述全局特征信息。
在上述团雾识别装置中，所述图像处理模块，具体用于对所述场景图像进行像素采样，得到目标尺寸的采样图像；对所述采样图像进行归一化处理，得到所述已处理图像。
在上述团雾识别装置中，所述分类处理模块，具体用于对所述全局特征信息进行平均池化，得到全局平均特征信息；对所述全局平均特征信息进行分类，确定出所述团雾和所述团雾级别。
在上述团雾识别装置中，还包括信息输出模块，
所述信息输出模块，用于根据预设团雾等级与能见度范围的对应关系，获取所述团雾级别对应的第一能见度范围；在所述第一能见度范围低于预设能见度范围的情况下，获取所述团雾级别对应的第一预警信息；输出所述第一预警信息。
在上述团雾识别装置中，还包括信息输出模块，所述场景图像包括多个时刻下的多个图像，所述团雾级别包括与所述多个图像对应的多个级别，
所述信息输出模块，用于在所述多个级别与所述多个时刻正相关的情况下，获取第二预警信息；获取所述目标场景内的预警提醒设备；将所述第二预警信息传输至所述预警提醒设备。
在上述团雾识别装置中，还包括统计处理模块，所述场景图像包括多个时刻下的多个图像，所述团雾级别包括与所述多个图像对应的多个级别，
所述统计处理模块，用于对所述多个级别进行统计，得到统计结果；根据所述统计结果，确定所述目标场景的团雾发生频率。
本公开实施例提供了一种电子设备，其特征在于，所述电子设备包括：处理器、存储器和通信总线；其中，
所述通信总线，用于实现所述处理器和所述存储器之间的连接通信；
所述处理器，用于执行所述存储器中存储的团雾识别程序，以实现上述团雾识别方法。
本公开实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可以被一个或者多个处理器执行，以实现上述团雾识别方法。
本公开实施例提供了一种团雾识别方法、装置、电子设备及存储介质，方法包括：获取目标场景的场景图像，对场景图像进行特征提取，得到全局特征信息；对全局特征信息进行分类处理，确定出场景图像中的团雾以及团雾对应的团雾级别。本公开实施例提供的技术方案，对图像进行全局深层次特征的提取，提高了团雾信息表征的有效性，降低了图像中与团雾识别无关的信息的干扰，从而提高了团雾识别的准确性。
附图说明
图1为本公开实施例提供的一种团雾识别方法的流程示意图；
图2为本公开实施例提供的一种示例性的图像处理过程示意图；
图3为本公开实施例提供的一种团雾识别装置的结构示意图一；
图4为本公开实施例提供的一种团雾识别装置的结构示意图二；
图5为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
本公开实施例提供了一种团雾识别方法，其执行主体可以是团雾识别装置，例如，团雾识别方法可以由终端设备或服务器或其它电子设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该团雾识别方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本公开实施例提供了一种团雾识别方法。图1为本公开实施例提供的一种团雾识别方法的流程示意图。如图1所示，团雾识别方法主要包括以下步骤：
S101、获取目标场景的场景图像。
在本公开的实施例中，团雾识别装置可以获取到目标场景的场景图像。
需要说明的是，在本公开的实施例中，场景图像为需要进行团雾识别的场景，即目标场景所对应的图像。其中，在将团雾识别方法应用于高速公路监控的场景中的情况下，场景图像实际上就是高速公路监控图像，进行后续团雾识别不受专用硬件的限制，便于大规模的应用。具体的目标场景和目标场景的场景图像本公开实施例不作限定。
需要说明的是，在本公开的实施例中，场景图像可以是团雾识别装置采集到的，也可以是独立的摄像头、服务器或者云端等设备获取到，并传输给团雾识别装置的图像。具体的场景图像的来源本公开实施例不作限定。
S102、对场景图像进行特征提取，得到全局特征信息。
在本公开的实施例中，团雾识别装置在获得场景图像之后，即可对场景图像进行特征提取，从而得到场景图像中的全局特征信息。
需要说明的是，在本公开的实施例中，团雾识别装置在对场景图像进行特征提取，得到全局特征信息之前，还可以执行以下步骤：对场景图像进行图像预处理，得到已处理图像；相应的，团雾识别装置对场景图像进行特征提取，得到全局特征信息，包括：对已处理图像进行特征提取，得到全局特征信息。
具体地，在本公开的实施例中，团雾识别装置对场景图像进行图像预处理，得到已处理图像，包括：对场景图像进行像素采样，得到目标尺寸的采样图像；对采样图像进行归一化处理，得到已处理图像。
需要说明的是，在本公开的实施例中，团雾识别装置对场景图像进行像素采样，其实质是将场景图像的尺寸重塑到特定的大小，即目标尺寸，从而将得到的图像确定为采样图像。其中，团雾识别装置可以采用双线性插值算法对场景图像的像素进行采样，当然，也可以采用其它的采样算法实现像素的采样，以得到采样图像。具体的目标尺寸，以及像素采样的方式可以根据实际需求选择，本公开实施例不作限定。
需要说明的是，在本公开的实施例中，团雾识别装置对采样图像进行归一化处理，其实质是将采样图像中每个像素点的像素值转换成0-1之间的数值，从而将不同像素点的像素值映射到同一固定范围内。
可以理解的是，在本公开的实施例中，团雾识别装置对场景图像进行像素采样和归一化处理，得到的已处理图像，其在尺寸以及像素的表征方式上都能够符合一定的标准，从而能够便于后续进行特征提取，提高特征提取的效率。
需要说明的是，在本公开的实施例中，团雾识别装置中存储有预设深度神经网络。预设深度神经网络能够实现图像中全局深层次特征的提取，具体的预设深度神经网络可以为利用大量的样本图像进行特征提取训练得到的，本申请实施例不作限定。
需要说明的是，在本公开的实施例中，预设深度神经网络可以包括：按照特征提取深度由浅至深依次连接的多组卷积层，团雾识别装置可以利用多组卷积层，对已处理图像进行多次迭代卷积处理，得到特征图像，之后，将特征图像确定为全局特征信息。
图2为本公开实施例提供的一种示例性的图像处理过程示意图。如图2所示，预设深度神经网络包括5组卷积层，分别为第一组卷积层、第二组卷积层、第三组卷积层、第四组卷积层和第五组卷积层。其中，第一组卷积层采用7×7大小的滤波器，可以将输入的2通道的已处理图像卷积得到64通道的图像，同时图像尺寸下采样到1/2；第二组至第五组卷积层，每组包含1-3层卷积层，卷积核尺寸为3×3，且卷积输出通道数依次为64、128、256和512，每组卷积层输出的卷积结果，即输出的图像可以变为已处理图像的1/4、1/8、1/16和1/32，已处理图像经过5组卷积层处理之后，图像尺寸逐渐缩小，通到逐步加深，特征层次愈加高级。
需要说明的是，在本公开的实施例中，多组卷积层的每组卷积层，在输出卷积处理得到的图像至相连的下一组卷积层之前，可以对其进行最大池化，即下采样，具体的，将图像中每四个像素为一组，仅将其中像素值最大的保留，从而下采样得到的图像的长和宽实际上为输入图像的1/2。
需要说明的是，在本公开的实施例中，预设深度神经网络中包括的卷积层的组数，以及每组卷积层中的相关参数，例如，卷积核的尺寸，可以根据实际需求设置，本公开实施例不作限定。
可以理解的是，在本公开的实施例中，利用预设深度神经网络可以实现已处理图像的全局特征提取，相比于传统提取图像局部特征的方案，能够更有效的表征图像中的团雾信息，从而提高团雾识别的准确性。
S103、对全局特征信息进行分类处理，确定出场景图像中的团雾以及团雾对应的团雾级别。
在本公开的实施例中，团雾识别装置在场景图像的全局特征信息之后，可以对全局特征信息进行分类处理，确定出场景图像中的团雾以及团雾对应的团雾级别。
具体地，在本公开的实施例中，团雾识别装置对全局特征信息进行分类处理，确定出场景图像中的团雾以及团雾对应的团雾级别，包括：对全局特征信息进行平均池化，得到全局平均特征信息；对全局平均特征信息进行分类，确定出团雾和团雾级别。
需要说明的是，在本公开的实施例中，如图2所示，团雾识别装置中可以存储有全局池化层和预设分类器，团雾识别装置可以利用全局池化层实现全局特征信息的平均池化。全局池化层可以设置在预设分类器中，实际上也可以设置在预设深度神经网络中，其实现的功能是不变的。
需要说明的是，在本公开的实施例中，如图2所示，预设分类器可以包括第一全连接层、第二全连接层和归一化层，用于实现全局平均特征信息的分类。其中，全连接层可以是两个，当然，也可以是一个或者两个以上。具体的全连接层的数量可以根据实际需求设置，本公开实施例不作限定。
可以理解的是，在本公开的实施例中，由于全局特征信息实际上是卷积处理得到的特征图像，团雾识别装置利用全局池化层对全局特征信息进行全局平均池化，即对特征图像中每个通道取平均，从而避免由于成像时局部光线不佳，导致图像中局部区域干扰因素对团雾识别的影响，能够提高团雾识别的准确性。
需要说明的是，在本公开的实施例中，团雾识别装置可以对全局平均特征信息进行分类，从而确定出场景图像中的团雾以及团雾对应的团雾级别。全局平均特征信息表征了场景图像的平均特征，团雾级别实际上就是表征场景图像的团雾情况。
需要说明的是，在本公开的实施例中，团雾识别装置实际上是对全局平均特征信息识别出团雾，并对团雾进行了团雾级别的分类，从而得到了不同团雾级别的占比，如图2所示，全局平均特征信息与团雾等级中的三级匹配的信息最多，因此，最终确定的团雾级别即为三级。此外，输出的团雾级别与能见度对应，相比于目前的团雾识别方案中，输出的均为有无团雾，或者团雾浓度的结果，可以更明显和灵活的的反映出团雾的程度。
示例性的，在本公开的实施例中，在预设团雾等级与能见度范围的对应关系中，团雾级别为一级对应的能见度为0-50米，团雾级别二级对应的能见度为50-100米，团雾级别三级对应的能见度为100-200米，团雾级别四级对应的能见度为200-500米，团雾级别五级对应的能见度为500-1000米，团雾级别为无雾对应的能见度为1000米以上。
在本公开的实施例中，团雾识别装置在确定出场景图像中的团雾以及团雾对应的团雾级别之后，还可以执行以下步骤：根据预设团雾等级与能见度范围的对应关系，获取团雾级别对应的第一能见度范围；在第一能见度范围低于预设能见度范围的情况下，获取团雾级别对应的第一预警信息；输出第一预警信息。
需要说明的是，在本公开的实施例中，存储有预设团雾等级与能见度范围的对应关系，不同的团雾级别与不同的能见度范围对应，具体的团雾等级与能见度范围的对应关系可以根据实际情况预先设置，本公开实施例不作限定。
可以理解的是，在本公开的实施例中，团雾识别装置可以根据得到的团雾级别，从预设团雾等级与能见度范围的对应关系中查找相对应的能见度范围，将查找到的能见度范围确定为第一能见度范围。
需要说明的是，在本公开的实施例中，团雾识别装置中存储有预设能见度范围，例如，500米以上，在团雾识别装置得到的团雾级别，处于四级至一级之间的情况下，则其表征的能见度低于500米，因此，需要确定相应的预警信息。具体的预警信息，可以是根据预设的团雾等级与预警信息之间的对应关系确定，本公开实施例不作限定。
需要说明的是，在本公开的实施例中，不同的团雾级别与不同的能见度对应，因此，在团雾级别对应的能见度范围低于预设能见度范围的情况下，可以及时确定相应的预警信息，并输出预警信息以进行提示，为团雾的处理提供预警和科学依据。
在本公开的实施例中，场景图像包括多个时刻下的多个图像，团雾级别包括与多个图像对应的多个级别，团雾识别装置确定出场景图像中的团雾以及团雾对应的团雾级别之后，还可以执行以下步骤：在多个级别与多个时刻正相关的情况下，获取第二预警信息；获取目标场景内的预警提醒设备；将第二预警信息传输至预警提醒设备。
可以理解的是，在本公开的实施例中，团雾识别装置可以获取目标场景在一段时间内大量的图像，例如，一天内高速公路上的多张图像，得到的图像均为场景图像，即场景图像可以包括多个时刻下的多个图像。针对每个图像，团雾识别装置可以分别进行团雾识别，从而得到相应的团雾级别，即多个级别。如果随着时刻的递增，多个级别也呈现提升的情况，也就是多个级别与多个时刻正相关，则表征目标场景的团雾在加重。团雾识别装置可以获取目标场景内的预警提醒设备，例如，车辆，从而将提示团雾加重的第二预警信息传输至预警提醒设备。
在本公开的实施例中，场景图像包括多个时刻下的多个图像，团雾级别包括与多个图像对应的多个级别，团雾识别装置确定出场景图像中的团雾以及团雾对应的团雾级别之后，还可以执行以下步骤：对多个级别进行统计，得到统计结果；根据统计结果，确定目标场景的团雾发生频率。
可以理解的是，在本公开的实施例中，团雾识别装置对得到的多个图像对应的多个级别进行统计分析，可以根据统计结果确定出目标场景的团雾发生频率，此外，还可以分析团雾多发点和多发时段，总结归纳团雾发生的规律，生成团雾预防图，从而可以在多发点和多发时段提前进行预防，减少团雾造成的损失。
本公开实施例提供了一种团雾识别方法，包括：获取目标场景的场景图像，；对场景图像进行特征提取，得到全局特征信息；对全局特征信息进行分类处理，确定出场景图像中的团雾以及团雾对应的团雾级别。本公开实施例提供的团雾识别方法，采用深度神经网络对图像进行全局特征的提取，提高了团雾信息表征的有效性，降低了图像中与团雾识别无关的信息的干扰，从而提高了团雾识别的准确性。
本公开实施例提供了一种团雾识别装置，图3为本公开实施例提供的一种团雾识别装置的结构示意图一。如图3所示，团雾识别装置包括：
图像获取模块201，用于获取目标场景的场景图像；
特征提取模块202，用于对所述场景图像进行特征提取，得到全局特征信息；
分类处理模块203，用于对所述全局特征信息进行分类处理，确定出所述场景图像中的团雾以及所述团雾对应的团雾级别。
图4为本申请实施例提供的一种团雾识别装置的结构示意图二。如图4所示，在本公开一实施例中，所述团雾识别装置还包括：图像处理模块204，
所述图像处理模块204，用于对所述场景图像进行图像预处理，得到已处理图像；
相应的，所述特征提取模块202，具体用于对所述已处理图像进行特征提取，得到所述全局特征信息。
在本公开一实施例中，所述图像处理模块204，具体用于对所述场景图像进行像素采样，得到目标尺寸的采样图像；对所述采样图像进行归一化处理，得到所述已处理图像。
在本公开一实施例中，所述分类处理模块203，具体用于对所述全局特征信息进行平均池化，得到全局平均特征信息；对所述全局平均特征信息进行分类，确定出所述团雾和所述团雾级别。
在本公开一实施例中，如图4所示，所述团雾识别装置还包括：信息输出模块205，所述信息输出模块205，用于根据预设团雾等级与能见度范围的对应关系，获取所述团雾级别对应的第一能见度范围；在所述第一能见度范围低于预设能见度范围的情况下，获取所述团雾级别对应的第一预警信息；输出所述第一预警信息。
在本公开一实施例中，所述场景图像包括多个时刻下的多个图像，所述团雾级别包括与所述多个图像对应的多个级别，
所述信息输出模块205，用于在所述多个级别与所述多个时刻正相关的情况下，获取第二预警信息；获取所述目标场景内的预警提醒设备；将所述第二预警信息传输至所述预警提醒设备。
在本公开一实施例中，如图4所示，所述团雾识别装置还包括：统计处理模块206，所述场景图像包括多个时刻下的多个图像，所述团雾级别包括与所述多个图像对应的多个级别，
所述统计处理模块206，用于对所述多个级别进行统计，得到统计结果；根据所述统计结果，确定所述目标场景的团雾发生频率。
本公开实施例提供了一种团雾识别装置，获取目标场景的场景图像；对场景图像进行提取提取，得到全局特征信息；对全局特征信息进行分类处理，确定出场景图像中的团雾以及对应的团雾级别。本公开实施例提供的团雾识别装置，采用深度神经网络对图像进行全局特征的提取，提高了团雾信息表征的有效性，降低了图像中与团雾识别无关的信息的干扰，从而提高了团雾识别的准确性。
本公开实施例提供了一种电子设备。图5为本公开实施例提供的一种电子设备的结构示意图。如图5所示，电子设备包括：处理器301、存储器302和通信总线303；其中，
所述通信总线303，用于实现所述处理器301和所述存储器302之间的连接通信；
所述处理器301，用于执行所述存储器302中存储的团雾识别程序，以实现上述团雾识别方法。
本公开实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可以被一个或者多个处理器执行，以实现上述团雾识别方法。计算机可读存储介质可以是是易失性存储器(volatile memory)，例如随机存取存储器(Random-Access Memory，RAM)；或者非易失性存储器(non-volatile memory)，例如只读存储器(Read-Only Memory，ROM)，快闪存储器(flash memory)，硬盘(Hard DiskDrive，HDD)或固态硬盘(Solid-State Drive，SSD)；也可以是包括上述存储器之一或任意组合的各自设备，如移动电话、计算机、平板设备、个人数字助理等。
本领域内的技术人员应明白，本公开的实施例可提供为方法、***、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程信号处理设备的处理器以产生一个机器，使得通过计算机或其他可编程信号处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程信号处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程信号处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本公开的较佳实施例而已，并非用于限定本公开的保护范围。

Claims (10)

1.一种团雾识别方法，其特征在于，所述方法包括：
获取目标场景的场景图像；
对所述场景图像进行特征提取，得到全局特征信息；
对所述全局特征信息进行分类处理，确定出所述场景图像中的团雾以及所述团雾对应的团雾级别。
2.根据权利要求1所述的方法，其特征在于，所述对所述场景图像进行特征提取，得到全局特征信息之前，所述方法还包括：
对所述场景图像进行图像预处理，得到已处理图像；
相应的，所述对所述场景图像进行特征提取，得到全局特征信息，包括：
对所述已处理图像进行特征提取，得到所述全局特征信息。
3.根据权利要求2所述的团雾识别方法，其特征在于，所述对所述场景图像进行图像预处理，得到已处理图像，包括：
对所述场景图像进行像素采样，得到目标尺寸的采样图像；
对所述采样图像进行归一化处理，得到所述已处理图像。
4.根据权利要求1至3任一项所述的团雾识别方法，其特征在于，所述对所述全局特征信息进行分类处理，确定出所述场景图像中的团雾以及所述团雾对应的团雾级别，包括：
对所述全局特征信息进行平均池化，得到全局平均特征信息；
对所述全局平均特征信息进行分类，确定出所述团雾和所述团雾级别。
5.根据权利要求1至4任一项所述的团雾识别方法，其特征在于，所述确定出所述场景图像中的团雾以及所述团雾对应的团雾级别之后，所述方法还包括：
根据预设团雾等级与能见度范围的对应关系，获取所述团雾级别对应的第一能见度范围；
在所述第一能见度范围低于预设能见度范围的情况下，获取所述团雾级别对应的第一预警信息；
输出所述第一预警信息。
6.根据权利要求1至5任一项所述的团雾识别方法，其特征在于，所述场景图像包括多个时刻下的多个图像，所述团雾级别包括与所述多个图像对应的多个级别，所述确定出所述场景图像中的团雾以及所述团雾对应的团雾级别之后，所述方法还包括：
在所述多个级别与所述多个时刻正相关的情况下，获取第二预警信息；
获取所述目标场景内的预警提醒设备；
将所述第二预警信息传输至所述预警提醒设备。
7.根据权利要求1至5任一项所述的团雾识别方法，其特征在于，所述场景图像包括多个时刻下的多个图像，所述团雾级别包括与所述多个图像对应的多个级别，所述确定出所述场景图像中的团雾以及所述团雾对应的团雾级别之后，所述方法还包括：
对所述多个级别进行统计，得到统计结果；
根据所述统计结果，确定所述目标场景的团雾发生频率。
8.一种团雾识别装置，其特征在于，所述团雾识别装置包括：
图像获取模块，用于获取目标场景的场景图像；
特征提取模块，用于对所述场景图像进行特征提取，得到全局特征信息；
分类处理模块，用于对所述全局特征信息进行分类处理，确定出所述场景图像中的团雾以及所述团雾对应的团雾级别。
9.一种电子设备，其特征在于，所述电子设备包括：处理器、存储器和通信总线；其中，
所述通信总线，用于实现所述处理器和所述存储器之间的连接通信；
所述处理器，用于执行所述存储器中存储的团雾识别程序，以实现权利要求1-7任一项所述的团雾识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可以被一个或者多个处理器执行，以实现权利要求1-7任一项所述的团雾识别方法。
CN202010699922.1A 2020-07-17 2020-07-17 团雾识别方法、装置、电子设备及存储介质 Pending CN111783732A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010699922.1A CN111783732A (zh) 2020-07-17 2020-07-17 团雾识别方法、装置、电子设备及存储介质
KR1020227006772A KR20220041892A (ko) 2020-07-17 2021-05-18 덩어리안개 식별 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 제품
JP2022513667A JP2022545962A (ja) 2020-07-17 2021-05-18 団霧認識方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム製品
PCT/CN2021/094385 WO2022012149A1 (zh) 2020-07-17 2021-05-18 团雾识别方法、装置、电子设备、存储介质及计算机程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010699922.1A CN111783732A (zh) 2020-07-17 2020-07-17 团雾识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111783732A true CN111783732A (zh) 2020-10-16

Family

ID=72763612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010699922.1A Pending CN111783732A (zh) 2020-07-17 2020-07-17 团雾识别方法、装置、电子设备及存储介质

Country Status (4)

Country Link
JP (1) JP2022545962A (zh)
KR (1) KR20220041892A (zh)
CN (1) CN111783732A (zh)
WO (1) WO2022012149A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686105A (zh) * 2020-12-18 2021-04-20 云南省交通规划设计研究院有限公司 一种基于视频图像多特征融合的雾浓度等级识别方法
CN112816483A (zh) * 2021-03-05 2021-05-18 北京文安智能技术股份有限公司 基于雾值分析的团雾识别预警方法、***和电子设备
WO2022012149A1 (zh) * 2020-07-17 2022-01-20 上海商汤智能科技有限公司 团雾识别方法、装置、电子设备、存储介质及计算机程序产品

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102779349B (zh) * 2012-06-30 2015-02-18 东南大学 一种基于图像颜色空间特征的雾天检测方法
JP2014164375A (ja) * 2013-02-22 2014-09-08 Pioneer Electronic Corp 情報処理装置、情報処理システム並びに情報処理方法及び情報処理装置用プログラム
US9305339B2 (en) * 2014-07-01 2016-04-05 Adobe Systems Incorporated Multi-feature image haze removal
CN105303844B (zh) * 2015-10-26 2017-09-12 南京本来信息技术有限公司 基于激光的夜间高速公路团雾自动检测装置及其检测方法
CN108846324B (zh) * 2018-05-28 2020-06-30 中用科技有限公司 一种基于图像的道路团雾检测方法
CN109683209A (zh) * 2018-12-27 2019-04-26 吉林省气象服务中心 团雾的监测方法和监测***
CN109961070A (zh) * 2019-03-22 2019-07-02 国网河北省电力有限公司电力科学研究院 一种输电线路智能化图像监测中区分雾体浓度的方法
CN110378865A (zh) * 2019-04-28 2019-10-25 湖南师范大学 一种复杂背景下的雾天能见度智能分级识别方法及***
CN110598613B (zh) * 2019-09-03 2022-10-25 长安大学 一种高速公路团雾监测方法
CN111783732A (zh) * 2020-07-17 2020-10-16 上海商汤智能科技有限公司 团雾识别方法、装置、电子设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022012149A1 (zh) * 2020-07-17 2022-01-20 上海商汤智能科技有限公司 团雾识别方法、装置、电子设备、存储介质及计算机程序产品
CN112686105A (zh) * 2020-12-18 2021-04-20 云南省交通规划设计研究院有限公司 一种基于视频图像多特征融合的雾浓度等级识别方法
CN112816483A (zh) * 2021-03-05 2021-05-18 北京文安智能技术股份有限公司 基于雾值分析的团雾识别预警方法、***和电子设备

Also Published As

Publication number Publication date
WO2022012149A1 (zh) 2022-01-20
JP2022545962A (ja) 2022-11-01
KR20220041892A (ko) 2022-04-01

Similar Documents

Publication Publication Date Title
CN112528878B (zh) 检测车道线的方法、装置、终端设备及可读存储介质
CN110276767B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
CN110473185B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
CN109711264B (zh) 一种公交车道占道检测方法及装置
CN111783732A (zh) 团雾识别方法、装置、电子设备及存储介质
CN108268867B (zh) 一种车牌定位方法及装置
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
CN110580428A (zh) 图像处理方法、装置、计算机可读存储介质和电子设备
CN111046880A (zh) 一种红外目标图像分割方法、***、电子设备及存储介质
CN111461170A (zh) 车辆图像检测方法、装置、计算机设备及存储介质
CN112487848B (zh) 文字识别方法和终端设备
CN110176024B (zh) 在视频中对目标进行检测的方法、装置、设备和存储介质
CN108734684B (zh) 动态照明场景的图像背景减除
CN111259783A (zh) 视频行为检测方法与***、精彩视频回播***及存储介质
CN107704797B (zh) 基于安防视频中行人和车辆的实时检测方法和***及设备
CN113781510B (zh) 边缘检测方法、装置及电子设备
CN113887472A (zh) 基于级联颜色及纹理特征注意力的遥感图像云检测方法
CN114332702A (zh) 目标区域的检测方法和装置、存储介质及电子设备
CN111627057A (zh) 一种距离测量方法、装置及服务器
CN111881984A (zh) 一种基于深度学习的目标检测方法和装置
CN110991414A (zh) 一种交通要素高精度分割方法、电子设备及存储介质
CN114581664A (zh) 一种道路场景分割方法、装置、电子设备及存储介质
CN113963438A (zh) 行为识别方法及装置、设备和存储介质
CN113014876A (zh) 视频监控方法、装置、电子设备及可读存储介质
CN110428402B (zh) 图像篡改识别方法、装置、计算机设备及存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40039167

Country of ref document: HK