CN113793373B - 一种能见度检测方法、装置、设备及介质 - Google Patents
一种能见度检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113793373B CN113793373B CN202110892943.XA CN202110892943A CN113793373B CN 113793373 B CN113793373 B CN 113793373B CN 202110892943 A CN202110892943 A CN 202110892943A CN 113793373 B CN113793373 B CN 113793373B
- Authority
- CN
- China
- Prior art keywords
- image
- scene
- area
- sampling
- region
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 165
- 238000005070 sampling Methods 0.000 claims abstract description 228
- 238000002834 transmittance Methods 0.000 claims abstract description 60
- 230000011218 segmentation Effects 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 15
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000008033 biological extinction Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种能见度检测方法、装置、设备及介质,应用于图像处理技术领域,用以解决现有技术中的能见度检测的准确度较低的问题。具体为:对待检测区域的无雾图像进行场景分割,得到无雾图像的场景分割结果,基于场景分割结果确定无雾图像中与道路位于同一平面的非灰色区域为无雾图像中的采样区域;基于无雾图像中的采样区域确定场景图像中的采样区域;基于场景图像中的采样区域的场景深度值和大气透射率,确定场景图像中的采样区域的能见度。这样,以待检测区域的无雾图像中与道路位于同一平面的非灰色区域为参考确定场景图像中采样区域,可以降低将采样区域定位到场景图像中灰色区域上的概率,从而可以提高能见度检测的准确性。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种能见度检测方法、装置、设备及介质。
背景技术
能见度是反映大气透明度的一个重要指标,通常是在确定待检测区域的场景图像中的采样区域后,利用采样区域内的大气透射率和场景深度值,确定待检测区域的能见度。
然而,目前的能见度检测方法中,在确定场景图像中的采样区域时,很可能会将采样区域定位到场景图像中的水面、灰色路面等灰色区域,从而导致大气透射率和场景深度值的准确度较低,进而影响能见度检测的准确度。
发明内容
有鉴于此,本申请实施例提供了一种能见度检测方法、装置、设备及介质,用以解决现有技术存在的能见度检测的准确度较低的问题。
一方面,本申请实施例提供了一种能见度检测方法,包括:
获取摄像头采集的待检测区域的场景图像;
基于待检测区域的无雾图像中的采样区域,确定场景图像中的采样区域和场景图像中的采样区域的场景深度值;其中,无雾图像中的采样区域是根据对无雾图像的场景分割结果获得的;无雾图像中的采样区域是无雾图像中与道路位于同一平面的非灰色区域;
确定场景图像中的采样区域的大气透射率;
基于场景图像中的采样区域的场景深度值和大气透射率,确定场景图像中的采样区域的能见度。
另一方面,本申请实施例提供了一种能见度检测装置,包括:
图像获取单元,用于获取摄像头采集的待检测区域的场景图像;
第一确定单元,用于基于待检测区域的无雾图像中的采样区域,确定场景图像中的采样区域和场景图像中的采样区域的场景深度值;其中,无雾图像中的采样区域是根据对无雾图像的场景分割结果获得的;无雾图像中的采样区域是无雾图像中与道路位于同一平面的非灰色区域;
第二确定单元,用于确定场景图像中的采样区域的大气透射率;
能见度确定单元,用于基于场景图像中的采样区域的场景深度值和大气透射率,确定场景图像中的采样区域的能见度。
另一方面,本申请实施例提供了一种能见度检测设备,包括:存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现本申请实施例提供的能见度检测方法。
另一方面,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,该计算机指令被处理器执行时实现本申请实施例提供的能见度检测方法。
本申请实施例的有益效果如下:
本申请实施例中,以待检测区域的无雾图像中与道路位于同一平面的非灰色区域为无雾图像中的采样区域,并以无雾图像中的采样区域为参考确定场景图像中采样区域,可以降低将采样区域定位到场景图像中水面、灰色路面等灰色区域的概率,从而可以有效地避免场景图像中水面、灰色路面等灰色区域对大气透射率和场景深度值计算的干扰,提高大气透射率和场景深度值的准确度,进而在大气透射率和场景深度值确定能见度时,可以提高确定出的能见度的准确性。
本申请的其它特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者,通过实施本申请公开的上述技术即可得知。为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。在附图中:
图1为本申请实施例中能见度检测***的***框架示意图;
图2为本申请实施例中能见度检测方法的概况流程示意图;
图3为本申请实施例中能见度检测方法的具体流程示意图;
图4为本申请实施例中能见度检测装置的功能结构示意图;
图5为本申请实施例中能见度检测设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及有益效果更加清楚明白,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,并不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为便于本领域技术人员更好地理解本申请,下面先对本申请涉及的技术用语进行简单介绍。
1、无雾图像,是指摄像头拍摄的待检测区域的晴天图像,可理解为能见度检测过程中的基准图像,表征待检测区域的能见度处于高水平,本申请中,无雾图像是RGB图像。
2、场景图像,是指摄像头拍摄的待检测区域的实时图像,场景图像中可能包含大雾、团雾等天气现象,可以参考无雾图像进行能见度检测,本申请中,场景图像也是RGB图像。
3、场景分割,是指将图像中的各个场景区域分割出来。本申请中,可以利用场景分割模型,对无雾图像进行场景分割,得到无雾图像中的天空区域、道路平面区域和颜色鲜艳区域等场景区域。
4、场景分割模型,为基于各个样本无雾图像,对第一神经网络模型进行训练获得的,用于分割出无雾图像中的天空区域、道路平面区域和颜色鲜艳区域的模型。本申请中,颜色鲜艳区域包括但不限于绿植区域等。
5、文字区域识别模型,为基于各个样本场景图像,对第二神经网络模型进行训练获得的,用于识别出场景图像中的文字区域的模型。
需要说明的是,本申请中提及的“第一”、“第二”、“第三”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样的用语在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。
在介绍了本申请涉及的技术用语后,接下来,对本申请实施例的应用场景和设计思想进行简单介绍。
目前,在道路安全预警等场景中,通常会利用摄像头拍摄的待检测区域的场景图像,对待检测区域的能见度进行检测,具体的,参阅图1所示,摄像头101与能见度检测设备102之间通过通信网络建立通信连接,实际应用中,摄像头101会采集待检测区域的场景图像;能见度检测设备102获取摄像头101采集的待检测区域的场景图像后,确定场景图像中的采样区域,并利用采样区域内的大气透射率和场景深度值,确定待检测区域的能见度。然而,目前的能见度检测方法中,能见度检测设备102在确定场景图像中的采样区域时,很可能会将采样区域定位到场景图像中的水面、灰色路面等灰色区域,从而导致大气透射率和场景深度值的准确度较低,进而影响能见度检测的准确度。
为此,本申请实施例中,摄像头101会在晴天时采集一张待检测区域的无雾图像;能见度检测设备102获取摄像头101采集的待检测区域的无雾图像后,对待检测区域的无雾图像进行场景分割,得到无雾图像的场景分割结果,基于无雾图像的场景分割结果,确定无雾图像中与道路位于同一平面的非灰色区域作为的无雾图像中采样区域并保存,在对待检测区域进行能见度检测时,获取摄像头101采集的待检测区域的场景图像后,基于保存的待检测区域的无雾图像中的采样区域,确定待检测区域的场景图像中的采样区域,并基于场景图像中的采样区域的场景深度值和大气透射率,确定场景图像中的采样区域的能见度。这样,以待检测区域的无雾图像中与道路位于同一平面的非灰色区域为无雾图像中的采样区域,并以无雾图像中的采样区域为参考确定场景图像中采样区域,可以降低将采样区域定位到场景图像中的水面、灰色路面等灰色区域的概率,从而可以有效地避免场景图像中的水面、灰色路面等灰色区域对大气透射率和场景深度值计算的干扰,提高大气透射率和场景深度值的准确度,进而在大气透射率和场景深度值确定能见度时,可以提高确定出的能见度的准确性。
在介绍了本申请实施例的应用场景和设计思想之后,下面对本申请实施例提供的技术方案进行说明。
本申请实施例中,为了提高能见度检测的准确度,能见度检测设备102以待检测区域的无雾图像为参考,对待检测区域的场景图像进行能见度检测,实际应用中,待检测区域的无雾图像可以通过部署在待检测区域的摄像头101进行采集,具体的,在一个实施例中,可以通过摄像头101预先拍摄一张待检测区域的晴天图像,能见度检测设备102获取摄像头101拍摄的晴天图像作为待检测区域的无雾图像;在另一个实施例中,还可以通过摄像头101预先在晴天时拍摄一段待检测区域的监控视频,能见度检测设备102获取摄像头101拍摄的待检测区域的监控视频后,从待检测区域的监控视频中截取一帧晴天图像作为待检测区域的无雾图像。
进一步的,能见度检测设备102获得待检测区域的无雾图像后,还可以获取无雾图像中的采样区域,具体的,能见度检测设备102获取无雾图像中的采样区域时,可以采用但不限于以下方式:
首先,能见度检测设备102利用场景分割模型,对无雾图像进行场景分割,得到无雾图像的场景分割结果;其中,无雾图像的场景分割结果至少包括无雾图像中的道路平面区域。
值得说的是,本申请实施例中,无雾图像的场景分割结果还可以包括无雾图像中的天空区域、颜色鲜艳区域等,进一步的,能见度检测设备102获得无雾图像中的道路平面区域、天空区域和颜色鲜艳区域后,还可以对无雾图像中的道路平面区域、天空区域和颜色鲜艳区域进行自由组合,例如获取无雾图像中的道路平面区域与颜色鲜艳区域的交集,得到道路平面区域内的颜色鲜艳区域等,此外,能见度检测设备102还可以对无雾图像中的道路平面区域、天空区域、颜色鲜艳区域和道路平面区域内的颜色鲜艳区域等各个场景区域进行保存,以便后续操作。可选的,在一个实施例中,能见度检测设备102可以基于无雾图像中的各个场景区域各自对应的区域边界的像素点坐标,对无雾图像中的各个场景区域进行保存;在另一个实施例中,能见度检测设备102也可以基于无雾图像中的各个场景区域各自对应的掩码图像,对无雾图像中的各个场景区域进行保存。
然后,能见度检测设备102基于场景分割结果包含的无雾图像中的道路平面区域,确定无雾图像中的采样区域。
在具体实施时,能见度检测设备102基于场景分割结果包含的无雾图像中的道路平面区域,确定无雾图像中的采样区域时,可以采用但不限于以下方式:
第一种方式:能见度检测设备102确定无雾图像中的道路平面区域内的各个像素点的暗通道值,并基于无雾图像中的道路平面区域内对应的暗通道值不大于第一阈值的各个像素点所组成的区域,确定无雾图像中的采样区域。
第二种方式:能见度检测设备102基于无雾图像中的道路平面区域内的颜色鲜艳区域,确定无雾图像中的采样区域。例如,能见度检测设备102基于无雾图像中的道路平面区域内的绿植区域,确定无雾图像中的采样区域。
第三种方式:能见度检测设备102基于无雾图像中的道路平面区域内目标车辆的车辆行驶轨迹,确定无雾图像中的采样区域。
值得说的是,实际应用中,上述三种方式可以单独使用,也可以结合使用,例如,当场景图像中的非天空区域的亮度为灰色,近似于天空区域的大气光的亮度且无阴影时,上述基于无雾图像的各个像素点的暗通道值确定无雾图像中的采样区域的第一种方式可能会失效,从而导致能见度检测设备102无法获得无雾图像中的道路平面区域内对应的暗通道值不大于第一阈值的各个像素点所组成的区域,进而导致无雾图像中的采样区域获取失败,此种情况下,能见度检测设备102可以采用上述第二种方式或上述第三种方式获取无雾图像中的采样区域。
进一步的,能见度检测设备102获得无雾图像中的采样区域后,还可以对无雾图像中的采样区域进行保存,具体保存方式与上述对无雾图像中的各个场景区域的保存方式相同,在此不再赘述。
实际应用中,能见度检测设备102对待检测区域的无雾图像中的各个场景区域、无雾图像中的采样区域进行保存后,即可以待检测区域的无雾图像为参考,对待检测区域的场景图像进行能见度检测,具体的,参阅图2所示,本申请实施例提供的能见度检测方法的概况流程如下:
步骤201:获取摄像头101采集的待检测区域的场景图像。
实际应用中,待检测区域的场景图像可通过部署在待检测区域的摄像头101进行采集,具体的,在一个实施例中,可以通过摄像头101直接拍摄待检测区域的场景图像,能见度检测设备102获取摄像头101拍摄的待检测区域的场景图像;在另一个实施例中,也可以通过摄像头101拍摄待检测区域的监控视频,能见度检测设备102获取摄像头101拍摄的待检测区域的监控视频后,从待检测区域的监控视频中,获取待检测区域的场景图像。
步骤202:基于待检测区域的无雾图像中的采样区域,确定场景图像中的采样区域和场景图像中的采样区域的场景深度值;其中,无雾图像中的采样区域是根据对无雾图像的场景分割结果获得的;无雾图像中的采样区域是无雾图像中与道路位于同一平面的非灰色区域。
实际应用中,能见度检测设备102基于待检测区域的无雾图像中的采样区域,确定场景图像中的采样区域和场景图像中的采样区域的场景深度值时,可以采用但不限于以下方式:
首先,能见度检测设备102基于待检测区域的无雾图像中的采样区域,确定场景图像中的候选采样区域。可选的,在一个实施例中,能见度检测设备102可以基于预先保存的无雾图像中的采样区域的区域边界的像素点坐标,确定场景图像中的候选采样区域。在另一实施例中,能见度检测设备102也可以对场景图像和预先保存的无雾图像中的采样区域的掩码图像进行与运算,得到场景图像中的候选采样区域。
其次,能见度检测设备102确定场景图像中的候选采样区域的场景深度值。具体的,能见度检测设备102可以采用但不限于以下方式:将场景图像中的候选采样区域反投影至待检测区域的道路平面上,得到场景图像中的候选采样区域的场景深度值。
实际应用中,为了能够获得场景图像中的候选采样区域的场景深度值,在能见度检测之前,能见度检测设备102可以预先以摄像头101在待检测区域的道路平面上的垂直投影点为坐标原点,在待检测区域的道路平面上建立世界坐标系,并基于世界坐标系以及摄像头101拍摄的场景图像的像素坐标系,对摄像头的内参和外参进行标定,得到表征世界坐标系与摄像头101拍摄的场景图像的像素坐标系的坐标转换关系的摄像头投影矩阵并保存,这样,能见度检测设备102在能见度检测过程中,在将场景图像中的候选采样区域反投影至待检测区域的道路平面上时,可以基于预先保存的摄像头投影矩阵,将场景图像中的候选采样区域内各个像素点的图像坐标分别转换为待检测区域的道路平面上相应场景点的实体坐标,并基于待检测区域的道路平面上各个场景点的实体坐标以及摄像头距离待检测区域的道路平面的高度,确定场景图像中的候选采样区域内各个像素点的场景深度值。
然后,能见度检测设备102基于场景图像中的候选采样区域,确定场景图像中的采样区域。具体的,能见度检测设备102可以采用但不限于以下方式:
第一种方式:能见度检测设备102将场景图像中的候选采样区域确定为场景图像中的采样区域。
第二种方式:能见度检测设备102基于场景图像中的候选采样区域内场景深度值不大于第二阈值的区域,确定场景图像中的采样区域。
最后,能见度检测设备102基于场景图像中的候选采样区域的场景深度值,确定场景图像中的采样区域的场景深度值。
步骤203:确定场景图像中的采样区域的大气透射率。
实际应用中,能见度检测设备102确定场景图像中的采样区域的大气透射率时,可以采用但不限于以下方式:
首先,能见度检测设备102基于场景分割结果包含的无雾图像中的天空区域,确定场景图像中的天空区域。具体的,能见度检测设备102可以基于预先保存的无雾图像中的天空区域的区域边界的像素点坐标,确定场景图像中的天空区域。
然后,能见度检测设备102基于场景图像中的天空区域的平均亮度值,确定场景图像中的采样区域的大气透射率。
实际应用中,场景图像中可能会存在用于指示该摄像头位置、当前时间等信息的文字区域,这些文字区域可能会对天空区域的平均亮度值的计算带来误差,继而对大气透射率的计算带来误差。基于此,本申请实施例中,能见度检测设备102基于场景图像中的天空区域的平均亮度值,确定场景图像中的采样区域的大气透射率之前,还可以利用文字区域识别模型,识别出场景图像中的文字区域,并进一步确定场景图像中的天空区域内的文字区域后,去除场景图像中的天空区域内的文字区域。
进一步的,能见度检测设备102去除场景图像中的天空区域内的文字区域之后,即可基于场景图像中的天空区域的平均亮度值,确定场景图像中的采样区域的大气透射率,具体的,能见度检测设备102可以基于场景图像中的天空区域的平均亮度值,确定场景图像的各个像素点的大气光强度值,并基于场景图像的各个像素点的大气光强度值,确定场景图像的各个像素点的大气透射率后,基于场景图像的各个像素点的大气透射率,确定场景图像中的采样区域内各个像素点的大气透射率。
步骤204:基于场景图像中的采样区域的场景深度值和大气透射率,确定场景图像中的采样区域的能见度。
在具体实施时,能见度检测设备102可以基于场景图像中的采样区域内各个像素点的场景深度值和大气透射率,确定场景图像中的采样区域内各个像素点的消光系数,并基于场景图像中的采样区域内各个像素点的消光系数,确定场景图像中的采样区域内各个像素点的能见度后,基于场景图像中的采样区域内各个像素点的能见度,确定场景图像中的采样区域的能见度。具体的,可以将场景图像中的采样区域内各个像素点的能见度的平均值确定为场景图像中的采样区域的能见度。
值得说的是,为了进一步提高能见度的精准度,本申请实施例中,能见度检测设备102基于场景图像中的采样区域的场景深度值和大气透射率,确定场景图像中的采样区域的能见度之后,还可以获取待检测区域的多帧场景图像,并基于该多帧场景图像,获得多个能见度,确定该多个能见度中的离群能见度后,基于多个能见度中除离群能见度之外的各个能见度,对场景图像中的采样区域的能见度进行优化,得到场景图像中的采样区域的目标能见度。
实际应用中,当待检测区域的雾浓度不均匀时,在摄像头近处的雾浓度低,能见度高,在摄像头远处的雾浓度高(即团雾),能见度低,而摄像头远处的团雾可能会转移到近处,从而影响摄像头近处的能见度,基于此,本申请实施例中,能见度检测设备102在对待检测区域的能见度进行检测的过程中,还可以对待检测区域中摄像头远处的团雾进行预警,具体的,能见度检测设备102对待检测区域中摄像头远处的团雾进行预警时,可以采用但不限于以下方式:
首先,能见度检测设备102基于无雾图像中的团雾检测区域,确定场景图像中的团雾检测区域;其中,无雾图像中的团雾检测区域是基于无雾图像中的天际线确定的非灰色区域。
本申请实施例中,为了能够以无雾图像中的团雾检测区域为参考,确定场景图像中的团雾检测区域,能见度检测设备102还可以预先基于场景分割结果包含的无雾图像中的天空区域,确定无雾图像中的天际线,并基于无雾图像中的天际线,确定无雾图像中的团雾检测区域,具体的,可以采用但不限于以下方式:
第一种方式:能见度检测设备102基于场景分割结果包含的无雾图像中的颜色鲜艳区域,确定在无雾图像中天际线下方的颜色鲜艳区域为无雾图像中的团雾检测区域。
第二种方式:能见度检测设备102基于无雾图像的各个像素点的暗通道值,确定无雾图像中在天际线下方的暗通道值不大于第一阈值的各个像素点所组成的区域为无雾图像中的团雾检测区域。
第三种方式:能见度检测设备102基于无雾图像的各个像素点的暗通道值,确定无雾图像中在天际线下方且在地平线上方的暗通道值不大于第一阈值的各个像素点所组成的区域为无雾图像中的团雾检测区域。
进一步的,能见度检测设备102获得无雾图像中的团雾检测区域之后,还可以基于无雾图像中的团雾检测区域的区域边界的像素点坐标,对无雾图像中的团雾检测区域进行保存,以便在能见度检测过程中,能见度检测设备102可以基于预先保存的无雾图像中的团雾检测区域的区域边界的像素点坐标,确定场景图像中的团雾检测区域。
然后,能见度检测设备102基于无雾图像中的团雾检测区域的平均大气透射率以及场景图像中的团雾检测区域的平均大气透射率,确定场景图像中的团雾检测区域内存在团雾时,对团雾进行预警。
具体的,能见度检测设备102可以获取无雾图像中的团雾检测区域的平均大气透射率与场景图像中的团雾检测区域的平均大气透射率的比值,确定比值不大于第三阈值时,确定场景图像中的团雾检测区域内存在团雾,并对团雾进行预警。
实际应用中,由雾霾、雨雪或沙尘等恶劣天气造成能见度偏低,是导致道路交通事故的重要原因,特别是在高速公路中,由于车速快、车流量大且全封闭,要求车辆行驶过程中不得随意减速和停车,当遇到能见度偏低的情况时极易发生多车追尾的重大交通事故,而且,高速公路白天时的路面温度高,昼夜温差大,极易形成突发性雾气(即团雾),造成局部能见度急剧降低,因此,及时准确地检测高速公路的能见度,并在高速公路上出现团雾时迅速作出相应预警,对高速公路的安全高效运营、减少或避免道路交通事故的意义重大,而采用本申请实施例提供的能见度检测方法检测高速公路的能见度,可以提高能见度检测的准度,实现团雾预警功能。具体的,下面采用“对高速公路进行能见度检测”为具体应用场景,对本申请实施例提供的能见度检测方法作进一步详细说明,参阅图3所示,本申请实施例提供的能见度检测方法的具体流程如下:
步骤301:能见度检测设备102以高速公路旁的摄像头在高速公路的道路平面上的垂直投影点为坐标原点,在高速公路的道路平面上建立世界坐标系。
步骤302:能见度检测设备102基于世界坐标系以及摄像头拍摄的图像的像素坐标系,对摄像头的内参和外参进行标定,得到表征世界坐标系与像素坐标系的坐标转换关系的摄像头投影矩阵并保存。
其中,摄像头投影矩阵满足以下关系:P=K[R|T],其中,P表征摄像头的摄像头投影矩阵,K表征摄像头的内参,R和T表征摄像头的外参,R表征旋转矩阵,T表征平移矩阵。
步骤303:能见度检测设备102获取摄像头在晴天时拍摄的高速公路的晴天图像作为无雾图像并保存。
步骤304:能见度检测设备102利用场景分割模型,对高速公路的无雾图像进行场景分割,得到无雾图像中的道路平面区域、天空区域和颜色鲜艳区域并保存。
步骤305:能见度检测设备102计算无雾图像的各个像素点的暗通道值,并基于无雾图像的各个像素点的暗通道值,确定无雾图像中的道路平面区域内的各个像素点的暗通道值。
步骤306:能见度检测设备102基于无雾图像中的道路平面区域内对应的暗通道值不大于第一阈值的各个像素点所组成的区域,获得无雾图像中的采样区域并保存。
实际应用中,能见度检测设备102基于无雾图像中的道路平面区域内对应的暗通道值不大于第一阈值的各个像素点所组成的区域,未获得无雾图像中的采样区域时,在一个实施例中,可以基于无雾图像中的道路平面区域内目标车辆的车辆行驶轨迹,确定无雾图像中的采样区域并保存,在另一个实施例中,还可以基于无雾图像中的道路平面区域内的颜色鲜艳区域,确定无雾图像中的采样区域。
步骤307:能见度检测设备102基于无雾图像中的天空区域,确定无雾图像中的天际线,并基于无雾图像中天际线下方的颜色鲜艳区域,确定无雾图像中的团雾检测区域并保存。
步骤308:能见度检测设备102获取摄像头拍摄的高速公路的场景图像,并基于预先保存的高速公路的无雾图像中的采样区域,确定场景图像中的候选采样区域。
步骤309:能见度检测设备102基于预先保存的摄像头投影矩阵,将场景图像中的候选采样区域内各个像素点的图像坐标分别转换为高速公路的道路平面上相应场景点的实体坐标。
步骤310:能见度检测设备102基于高速公路的道路平面上各个场景点的实体坐标以及摄像头距离待检测区域的道路平面的高度,确定场景图像中的候选采样区域内各个像素点的场景深度值。
具体的,能见度检测设备102针对场景图像中的候选采样区域内各个像素点,可以采用以下公式确定该像素点的场景深度值:
其中,d表征像素点的场景深度值;x表征像素点投影到的高速公路的道路平面上的场景点的横坐标;y表征像素点投影到的高速公路的道路平面上的场景点的纵坐标;h表征摄像头距离高速公路的道路平面上的高度,也即摄像头投影矩阵中平移矩阵T的第三个元素。
步骤311:能见度检测设备102基于场景图像中的候选采样区域内对应的场景深度值不大于第二阈值的各个像素点所组成的区域,确定场景图像中的采样区域。
步骤312:能见度检测设备102场景图像中的候选采样区域内各个像素点的场景深度值,确定场景图像中的采样区域内各个像素点的场景深度值。
步骤313:能见度检测设备102基于无雾图像中的天空区域,确定场景图像中的天空区域。
步骤314:能见度检测设备102利用文字区域识别模型,确定场景图像中的文字区域,并基于场景图像中的文字区域,确定场景图像中的天空区域内的文字区域后,去除场景图像中的天空区域内的文字区域。
步骤315:能见度检测设备102基于场景图像中的天空区域的平均亮度值,确定场景图像的各个像素点的大气光强度值;其中,场景图像的各个像素点的大气光强度值相同。
步骤316:能见度检测设备102基于场景图像的各个像素点的大气光强度值,确定场景图像的各个像素点的大气透射率。
具体的,能见度检测设备102针对场景图像的各个像素点,可以采用以下公式确定该像素点的大气透射率:
其中,x表征场景图像中的某一像素点;表征场景图像中的像素点x的大气透射率;ω表征调整参数;C表征R、G、B三通道中某一通道;Ω(x)表征以场景图像中的像素点x为中心的窗口图像;IC(y)表征窗口图像Ω(x)中的像素点y的暗通道值;AC表征场景图像中的像素点x的大气光强度值;/>表征R、B、G三通道在窗口图像Ω(x)内各自对应的大气透射率最小值;/>表征R、B、G三通道各自对应的大气透射率最小值中的最小值。
步骤317:能见度检测设备102基于场景图像的各个像素点的大气透射率,确定场景图像中的采样区域内各个像素点的大气透射率。
步骤318:能见度检测设备102基于场景图像中的采样区域内各个像素点的场景深度值和大气透射率,确定场景图像中的采样区域内各个像素点的消光系数,并基于场景图像中的采样区域内各个像素点的消光系数,确定场景图像中的采样区域内各个像素点的能见度。
具体的,能见度检测设备102针对场景图像中的采样区域内各个像素点,可以采用以下公式确定该像素点的能见度:
t(i)=e-β(i)d(i)
其中,i表征场景图像中的采样区域内的某一像素点,t(i)表征像素点i的大气透射率;β(i)表征像素点i的消光系数;d(i)表征像素点i的场景深度值,Vmet(i)表征像素点i的能见度。
步骤319:能见度检测设备102确定场景图像中的采样区域内各个像素点的能见度的平均值为场景图像中的采样区域的能见度。
步骤320:能见度检测设备102获取摄像头采集的高速公路的多帧场景图像,并基于该多帧场景图像,获得多个能见度。
步骤321:能见度检测设备102确定该多个能见度中的离群能见度,并基于多个能见度中除离群能见度之外的各个能见度,对场景图像中的采样区域的能见度进行优化,得到场景图像中的采样区域的目标能见度。
具体的,能见度检测设备102可以采用平均绝对差算法(Median AbsoluteDeviation,MAD)去除多个能见度中的离群点。
步骤322:能见度检测设备102在对高速公路进行能见度检测的过程中,基于预先保存的无雾图像中的团雾检测区域,确定场景图像中的团雾检测区域。
步骤323:能见度检测设备102获取无雾图像中的团雾检测区域的平均大气透射率与场景图像中的团雾检测区域的平均大气透射率的比值。
步骤324:能见度检测设备102确定该比值不大于第三阈值时,确定场景图像中的团雾检测区域内存在团雾,并对团雾进行预警。
本申请实施例中,一方面,由于场景图像中的采样区域是与道路位于同一平面的区域,因此,在以道路平面为xy平面建立世界坐标系时,道路平面在世界坐标系中的z坐标为0,从而在将场景图像中的采样区域内的像素点的图像坐标反投影至道路平面上计算像素点的场景深度值时,能够对场景深度值进行准确估计,从而可以保证场景深度值的准确计算。另一方面,由于场景图像中的采样区域是与道路位于同一平面的非灰色区域,从而可以保证大气透射率的准确计算。这样,在保证了场景深度值和大气透射率的准确计算的基础上,可以提高场景图像中的采样区域的能见度的检测精准度。
基于上述实施例,本申请实施例提供了一种能见度检测装置,参阅图4所示,本申请实施例提供的能见度检测装置400至少包括:
图像获取单元410,用于获取摄像头采集的待检测区域的场景图像;
第一确定单元420,用于基于待检测区域的无雾图像中的采样区域,确定场景图像中的采样区域和场景图像中的采样区域的场景深度值;其中,无雾图像中的采样区域是根据对无雾图像的场景分割结果获得的;无雾图像中的采样区域是无雾图像中与道路位于同一平面的非灰色区域;
第二确定单元430,用于确定场景图像中的采样区域的大气透射率;
能见度确定单元440,用于基于场景图像中的采样区域的场景深度值和大气透射率,确定场景图像中的采样区域的能见度。
在一种可能的实施方式中,本申请实施例提供的能见度检测装置400还包括:
第三确定单元450,用于利用场景分割模型,对无雾图像进行场景分割,获得无雾图像的场景分割结果;基于场景分割结果包含的无雾图像中的道路平面区域,确定无雾图像中的采样区域。
在一种可能的实施方式中,基于场景分割结果包含的无雾图像中的道路平面区域,确定无雾图像中的采样区域时,第三确定单元450具体用于:
确定无雾图像中的道路平面区域内的各个像素点的暗通道值,并基于无雾图像中的道路平面区域内对应的暗通道值不大于第一阈值的各个像素点所组成的区域,确定无雾图像中的采样区域;或者,
若场景分割结果还包括无雾图像中的颜色鲜艳区域,基于将无雾图像中的道路平面区域内的颜色鲜艳区域,确定无雾图像中的采样区域;或者,
基于无雾图像中的道路平面区域内目标车辆的车辆行驶轨迹,确定无雾图像中的采样区域。
在一种可能的实施方式中,基于待检测区域的无雾图像中的采样区域,确定场景图像中的采样区域和场景图像中的采样区域的场景深度值时,第一确定单元420具体用于:
基于待检测区域的无雾图像中的采样区域,确定场景图像中的候选采样区域;
确定场景图像中的候选采样区域的场景深度值;
基于场景图像中的候选采样区域,确定场景图像中的采样区域;
基于场景图像中的候选采样区域的场景深度值,确定场景图像中的采样区域的场景深度值。
在一种可能的实施方式中,确定场景图像中的候选采样区域的场景深度值时,第一确定单元420具体用于:
将场景图像中的候选采样区域反投影至待检测区域的道路平面上,得到场景图像中的候选采样区域的场景深度值。
在一种可能的实施方式中,将场景图像中的候选采样区域反投影至待检测区域的道路平面上,得到场景图像中的候选采样区域的场景深度值时,第一确定单元420具体用于:
基于摄像头投影矩阵,将场景图像中的候选采样区域内各个像素点的图像坐标分别转换为待检测区域的道路平面上相应场景点的实体坐标;其中,摄像头投影矩阵是表征建立在待检测区域的道路平面上的世界坐标系与摄像头拍摄的场景图像的像素坐标系的坐标转换关系的矩阵;
基于待检测区域的道路平面上各个场景点的实体坐标以及摄像头距离待检测区域的道路平面的高度,确定场景图像中的候选采样区域内各个像素点的场景深度值。
在一种可能的实施方式中,基于场景图像中的候选采样区域,确定场景图像中的采样区域时,第一确定单元420具体用于:
将场景图像中的候选采样区域确定为场景图像中的采样区域;或者,
基于场景图像中的候选采样区域内场景深度值不大于第二阈值的区域,确定场景图像中的采样区域。
在一种可能的实施方式中,场景分割结果还包含无雾图像中的天空区域;确定场景图像中的采样区域的大气透射率时,第二确定单元430具体用于:
基于场景分割结果包含的无雾图像中的天空区域,确定场景图像中的天空区域;
基于场景图像中的天空区域的平均亮度值,确定场景图像中的采样区域的大气透射率。
在一种可能的实施方式中,基于场景图像中的天空区域的平均亮度值,确定场景图像中的采样区域的大气透射率之前,第二确定单元430还用于:
确定场景图像中的天空区域内的文字区域,并去除场景图像中的天空区域内的文字区域。
在一种可能的实施方式中,本申请实施例提供的能见度检测装置400还包括:
团雾预警单元460,用于基于无雾图像中的团雾检测区域,确定场景图像中的团雾检测区域;其中,无雾图像中的团雾检测区域是基于无雾图像中的天际线确定的非灰色区域;基于无雾图像中的团雾检测区域的平均大气透射率以及场景图像中的团雾检测区域的平均大气透射率,确定场景图像中的团雾检测区域内存在团雾时,对团雾进行预警。
在一种可能的实施方式中,基于无雾图像中的团雾检测区域,确定场景图像中的团雾检测区域之前,团雾预警单元460还用于:
基于场景分割结果包含的无雾图像中的天空区域,确定无雾图像中的天际线;
基于无雾图像中的天际线,确定无雾图像中的团雾检测区域。
在一种可能的实施方式中,基于无雾图像中的天际线,确定无雾图像中的团雾检测区域时,团雾预警单元460具体用于:
基于场景分割结果包含的无雾图像中的颜色鲜艳区域,确定在无雾图像中天际线下方的颜色鲜艳区域为无雾图像中的团雾检测区域;或者,
基于无雾图像的各个像素点的暗通道值,确定无雾图像中在天际线下方的暗通道值不大于第一阈值的各个像素点所组成的区域为无雾图像中的团雾检测区域;或者,
基于无雾图像的各个像素点的暗通道值,确定无雾图像中在天际线下方且在地平线上方的暗通道值不大于第一阈值的各个像素点所组成的区域为无雾图像中的团雾检测区域。
需要说明的是,由于本申请实施例提供的能见度检测装置400解决技术问题的原理与本申请实施例提供的能见度检测方法相似,因此,本申请实施例提供的能见度检测装置400的实施可以参见本申请实施例提供的能见度检测方法的实施,重复之处不再赘述。
在介绍了本申请实施例提供的能见度检测方法和装置之后,接下来,对本申请实施例提供的能见度检测设备进行简单介绍。
参阅图5所示,本申请实施例提供的能见度检测设备102至少包括:处理器501、存储器502和存储在存储器502上并可在处理器501上运行的计算机程序,处理器501执行计算机程序时实现本申请实施例提供的能见度检测方法。
本申请实施例提供的能见度检测设备102还可以包括连接不同组件(包括处理器501和存储器502)的总线503。其中,总线503表示几类总线结构中的一种或多种,包括存储器总线、***总线、局域总线等。
存储器502可以包括易失性存储器形式的可读介质,例如随机存储器(RandomAccess Memory,RAM)521和/或高速缓存存储器522,还可以进一步包括只读存储器(ReadOnly Memory,ROM)523。存储器52还可以包括具有一组(至少一个)程序模块524的程序工具525,程序模块524包括但不限于:操作子***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
能见度检测设备102也可以与一个或多个外部设备504(例如键盘、遥控器等)通信,还可以与一个或者多个使得用户能与能见度检测设备102交互的设备通信(例如手机、电脑等),和/或,与使得能见度检测设备102与一个或多个其它能见度检测设备102进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(Input/Output,I/O)接口505进行。并且,能见度检测设备102还可以通过网络适配器506与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网(Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图5所示,网络适配器506通过总线503与能见度检测设备102的其它模块通信。应当理解,尽管图5中未示出,可以结合能见度检测设备102使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)子***、磁带驱动器以及数据备份存储子***等。
需要说明的是,图5所示的能见度检测设备102仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
下面对本申请实施例提供的计算机可读存储介质进行介绍。本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,该计算机指令被处理器执行时实现本申请实施例提供的能见度检测方法。具体地,该可执行程序可以内置或者安装在能见度检测设备102中,这样,能见度检测设备102就可以通过执行内置或者安装的可执行程序实现本申请实施例提供的能见度检测方法。
此外,本申请实施例提供的能见度检测方法还可以实现为一种程序产品,该程序产品包括程序代码,当该程序产品可以在能见度检测设备102上运行时,该程序代码用于使能见度检测设备102执行本申请实施例提供的能见度检测方法。
本申请实施例提供的程序产品可以采用一个或多个可读介质的任意组合,其中,可读介质可以是可读信号介质或者可读存储介质,而可读存储介质可以是但不限于是电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合,具体地,可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、RAM、ROM、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、光纤、便携式紧凑盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请实施例提供的程序产品可以采用CD-ROM并包括程序代码,还可以在计算设备上运行。然而,本申请实施例提供的程序产品不限于此,在本申请实施例中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例的精神和范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (14)
1.一种能见度检测方法,其特征在于,包括:
获取待检测区域的场景图像;
基于所述待检测区域的无雾图像中的采样区域,确定所述场景图像中的采样区域和所述场景图像中的采样区域的场景深度值;所述无雾图像中的采样区域是所述无雾图像中与道路位于同一平面的非灰色区域;
确定所述场景图像中的采样区域的大气透射率;
基于所述场景图像中的采样区域的场景深度值和所述大气透射率,确定所述场景图像中的采样区域的能见度;
基于所述待检测区域的无雾图像中的采样区域,确定所述场景图像中的采样区域和所述场景图像中的采样区域的场景深度值,包括:
基于所述待检测区域的无雾图像中的采样区域,确定所述场景图像中的候选采样区域;
确定所述场景图像中的候选采样区域的场景深度值;
基于所述场景图像中的候选采样区域,确定所述场景图像中的采样区域;
基于所述场景图像中的候选采样区域的场景深度值,确定所述场景图像中的采样区域的场景深度值。
2.如权利要求1所述的能见度检测方法,其特征在于,所述无雾图像中的采样区域是根据对所述无雾图像的场景分割结果获得的;所述能见度检测方法还包括:
利用场景分割模型,对所述无雾图像进行场景分割,获得所述无雾图像的场景分割结果;
基于所述场景分割结果包含的所述无雾图像中的道路平面区域,确定所述无雾图像中的采样区域。
3.如权利要求2所述的能见度检测方法,其特征在于,基于所述场景分割结果包含的所述无雾图像中的道路平面区域,确定所述无雾图像中的采样区域,包括:
确定所述无雾图像中的道路平面区域内的各个像素点的暗通道值,并基于所述无雾图像中的道路平面区域内暗通道值不大于第一阈值的各个像素点所组成的区域,确定所述无雾图像中的采样区域;或者,
若所述场景分割结果还包括所述无雾图像中的颜色鲜艳区域,基于所述无雾图像中的道路平面区域内的颜色鲜艳区域,确定所述无雾图像中的采样区域;或者,
基于所述无雾图像中的道路平面区域内目标车辆的车辆行驶轨迹,确定所述无雾图像中的采样区域。
4.如权利要求1所述的能见度检测方法,其特征在于,确定所述场景图像中的候选采样区域的场景深度值,包括:
基于所述场景图像中的候选采样区域反投影至所述待检测区域的道路平面上的反投影结果,得到所述场景图像中的候选采样区域的场景深度值。
5.如权利要求4所述的能见度检测方法,其特征在于,基于所述场景图像中的候选采样区域反投影至所述待检测区域的道路平面上的反投影结果,得到所述场景图像中的候选采样区域的场景深度值,包括:
基于摄像头投影矩阵,将所述场景图像中的候选采样区域内各个像素点的图像坐标分别转换为所述待检测区域的道路平面上相应场景点的实体坐标;其中,所述摄像头投影矩阵是表征建立在所述待检测区域的道路平面上的世界坐标系与所述摄像头拍摄的场景图像的像素坐标系的坐标转换关系的矩阵;
基于所述待检测区域的道路平面上各个场景点的实体坐标以及所述摄像头距离所述待检测区域的道路平面的高度,确定所述场景图像中的候选采样区域内各个像素点的场景深度值。
6.如权利要求5所述的能见度检测方法,其特征在于,基于所述场景图像中的候选采样区域,确定所述场景图像中的采样区域,包括:
将所述场景图像中的候选采样区域确定为所述场景图像中的采样区域;或者,
基于所述场景图像中的候选采样区域内场景深度值不大于第二阈值的区域,确定所述场景图像中的采样区域。
7.如权利要求6所述的能见度检测方法,其特征在于,场景分割结果还包含所述无雾图像中的天空区域;确定所述场景图像中的采样区域的大气透射率,包括:
基于所述场景分割结果包含的所述无雾图像中的天空区域,确定所述场景图像中的天空区域;
基于所述场景图像中的天空区域的平均亮度值,确定所述场景图像中的采样区域的大气透射率。
8.如权利要求7所述的能见度检测方法,其特征在于,基于所述场景图像中的天空区域的平均亮度值,确定所述场景图像中的采样区域的大气透射率之前,还包括:
确定所述场景图像中的天空区域内的文字区域,并去除所述场景图像中的天空区域内的所述文字区域。
9.如权利要求2-7任一项所述的能见度检测方法,其特征在于,还包括:
基于所述无雾图像中的团雾检测区域,确定所述场景图像中的团雾检测区域;其中,所述无雾图像中的团雾检测区域是基于所述无雾图像中的天际线确定的非灰色区域;
基于所述无雾图像中的团雾检测区域的平均大气透射率以及所述场景图像中的团雾检测区域的平均大气透射率,对所述场景图像中的团雾检测区域内是否存在团雾进行检测;
检测出所述场景图像中的团雾检测区域内存在团雾时,对所述团雾进行预警。
10.如权利要求9所述的能见度检测方法,其特征在于,所述场景分割结果还包含所述无雾图像中的天空区域;基于所述无雾图像中的团雾检测区域,确定所述场景图像中的团雾检测区域之前,还包括:
基于所述场景分割结果包含的所述无雾图像中的天空区域,确定所述无雾图像中的天际线;
基于所述无雾图像中的天际线,确定所述无雾图像中的团雾检测区域。
11.如权利要求10所述的能见度检测方法,其特征在于,基于所述无雾图像中的天际线,确定所述无雾图像中的团雾检测区域,包括:
基于所述场景分割结果包含的所述无雾图像中的颜色鲜艳区域,将所述无雾图像中在天际线下方的颜色鲜艳区域确定为所述无雾图像中的团雾检测区域;或者,
基于所述无雾图像中的各个像素点的暗通道值,将所述无雾图像中在天际线下方的暗通道值不大于第一阈值的各个像素点所组成的区域确定为所述无雾图像中的团雾检测区域;或者,
基于所述无雾图像的各个像素点的暗通道值,将所述无雾图像中在天际线下方且在地平线上方的暗通道值不大于第一阈值的各个像素点所组成的区域确定为所述无雾图像中的团雾检测区域。
12.一种能见度检测装置,其特征在于,包括:
图像获取单元,用于获取摄像头采集的待检测区域的场景图像;
第一确定单元,用于基于所述待检测区域的无雾图像中的采样区域,确定所述场景图像中的采样区域和所述场景图像中的采样区域的场景深度值;其中,所述无雾图像中的采样区域是所述无雾图像中与道路位于同一平面的非灰色区域;
第二确定单元,用于确定所述场景图像中的采样区域的大气透射率;
能见度确定单元,用于基于所述场景图像中的采样区域的场景深度值和大气透射率,确定所述场景图像中的采样区域的能见度;
所述第一确定单元,还用于:基于所述待检测区域的无雾图像中的采样区域,确定所述场景图像中的候选采样区域;确定所述场景图像中的候选采样区域的场景深度值;基于所述场景图像中的候选采样区域,确定所述场景图像中的采样区域;基于所述场景图像中的候选采样区域的场景深度值,确定所述场景图像中的采样区域的场景深度值。
13.一种能见度检测设备,其特征在于,包括:存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-11任一项所述的能见度检测方法。
14.一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上存储有计算机程序,所述计算机程序被处理器运行时实现如权利要求1-11任一项所述的能见度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110892943.XA CN113793373B (zh) | 2021-08-04 | 2021-08-04 | 一种能见度检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110892943.XA CN113793373B (zh) | 2021-08-04 | 2021-08-04 | 一种能见度检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113793373A CN113793373A (zh) | 2021-12-14 |
CN113793373B true CN113793373B (zh) | 2024-05-24 |
Family
ID=78877117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110892943.XA Active CN113793373B (zh) | 2021-08-04 | 2021-08-04 | 一种能见度检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113793373B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115617A (zh) * | 2022-07-26 | 2022-09-27 | 安徽气象信息有限公司 | 一种应用于气象能见度检测仪的能见度检测*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003069275A1 (fr) * | 2002-02-14 | 2003-08-21 | Laboratoire Central Des Ponts Et Chaussees | Procede de determination de la distance de visibilite et procede de determination de la presence d'un brouillard |
KR100715140B1 (ko) * | 2006-05-23 | 2007-05-08 | (주)비알유 | 시정 측정 장치 및 그 방법 |
CN104809707A (zh) * | 2015-04-28 | 2015-07-29 | 西南科技大学 | 一种单幅雾天图像能见度估计方法 |
CN105424655A (zh) * | 2015-11-04 | 2016-03-23 | 北京交通大学 | 一种基于视频图像的能见度检测方法 |
CN106204572A (zh) * | 2016-07-06 | 2016-12-07 | 合肥工业大学 | 基于场景深度映射的道路目标深度估计方法 |
CN107194924A (zh) * | 2017-05-23 | 2017-09-22 | 重庆大学 | 基于暗通道先验和深度学习的高速公路雾天能见度检测方法 |
CN110458815A (zh) * | 2019-08-01 | 2019-11-15 | 北京百度网讯科技有限公司 | 有雾场景检测的方法及装置 |
CN111191629A (zh) * | 2020-01-07 | 2020-05-22 | 中国人民解放军国防科技大学 | 一种基于多目标的图像能见度检测方法 |
CN112288736A (zh) * | 2020-11-09 | 2021-01-29 | 浙江大学 | 一种基于图像的能见度估测方法 |
CN112419272A (zh) * | 2020-11-24 | 2021-02-26 | 湖北工业大学 | 一种雾天高速公路能见度快速估计方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170178297A1 (en) * | 2014-02-19 | 2017-06-22 | Yissum Research Development Company Of The Hebrew University Of Jerusalem Ltd. | Method and system for dehazing natural images using color-lines |
-
2021
- 2021-08-04 CN CN202110892943.XA patent/CN113793373B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003069275A1 (fr) * | 2002-02-14 | 2003-08-21 | Laboratoire Central Des Ponts Et Chaussees | Procede de determination de la distance de visibilite et procede de determination de la presence d'un brouillard |
KR100715140B1 (ko) * | 2006-05-23 | 2007-05-08 | (주)비알유 | 시정 측정 장치 및 그 방법 |
CN104809707A (zh) * | 2015-04-28 | 2015-07-29 | 西南科技大学 | 一种单幅雾天图像能见度估计方法 |
CN105424655A (zh) * | 2015-11-04 | 2016-03-23 | 北京交通大学 | 一种基于视频图像的能见度检测方法 |
CN106204572A (zh) * | 2016-07-06 | 2016-12-07 | 合肥工业大学 | 基于场景深度映射的道路目标深度估计方法 |
CN107194924A (zh) * | 2017-05-23 | 2017-09-22 | 重庆大学 | 基于暗通道先验和深度学习的高速公路雾天能见度检测方法 |
CN110458815A (zh) * | 2019-08-01 | 2019-11-15 | 北京百度网讯科技有限公司 | 有雾场景检测的方法及装置 |
CN111191629A (zh) * | 2020-01-07 | 2020-05-22 | 中国人民解放军国防科技大学 | 一种基于多目标的图像能见度检测方法 |
CN112288736A (zh) * | 2020-11-09 | 2021-01-29 | 浙江大学 | 一种基于图像的能见度估测方法 |
CN112419272A (zh) * | 2020-11-24 | 2021-02-26 | 湖北工业大学 | 一种雾天高速公路能见度快速估计方法及*** |
Non-Patent Citations (4)
Title |
---|
Mitigation of Visibility Loss for Advanced Camera-Based Driver Assistance;Nicolas Hautiere, etal.;《IEEE Transactions on Intelligent Transportion Systems》;第11卷(第2期);全文 * |
一种消除halo效应的去雾算法;李可;刘辉;汪丹;周威;;电脑与信息技术(06);全文 * |
基于全视野数字图像的能见度估算方法;陆天舒;杨俊;邓敏;杜传耀;;应用气象学报(06);全文 * |
基于场景深度的雾天图像能见度检测算法;徐敏;张红英;吴亚东;;自动化仪表(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113793373A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582117A (zh) | 一种无人机违章建筑物巡检方法、设备及存储介质 | |
CN107909012B (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
US20210192745A1 (en) | Technologies for detection of occlusions on a camera | |
CN107346547B (zh) | 基于单目平台的实时前景提取方法及装置 | |
WO2023124442A1 (zh) | 积水深度检测方法及装置 | |
CN103679167A (zh) | 一种ccd图像处理的方法 | |
CN113793373B (zh) | 一种能见度检测方法、装置、设备及介质 | |
CN115761668A (zh) | 摄像头的污渍识别方法、装置、车辆及存储介质 | |
CN113963314A (zh) | 降雨量监测方法、装置、计算机设备及存储介质 | |
CN113496182B (zh) | 基于遥感影像的道路提取方法及装置、存储介质及设备 | |
CN113763397A (zh) | 复合绝缘子故障检测方法及*** | |
CN113570554A (zh) | 一种基于场景深度的单幅图像能见度检测方法 | |
CN110942026A (zh) | 基于深度学习的胶囊机器人排水管病害检测方法及*** | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
CN111611942B (zh) | 一种透视自适应车道骨架提取建库的方法 | |
CN113269745A (zh) | 一种基于OpenCv的航拍汽车计数法 | |
Dong et al. | Damage recognition of road auxiliary facilities based on deep convolution network for segmentation and image region correction | |
JPH11175736A (ja) | 物体領域追跡装置および物体領域追跡方法 | |
CN115984221B (zh) | 一种道路标线修复识别方法、装置、设备及其存储介质 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN114283167B (zh) | 一种基于视觉的清扫区域检测方法 | |
CN113362236B (zh) | 点云增强方法、点云增强装置、存储介质与电子设备 | |
Dong et al. | Missing recognition of highway shading board based on deep convolution segmentation and correction | |
CN114037933A (zh) | 隧道抛洒物检测的方法、装置、电子设备及存储介质 | |
CN114119545A (zh) | 一种高速公路能见度估算方法、***、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |