首页 > 论文范文 > 自然科学论文 > 气象学论文 > 大气探测论文 > 浅谈利用视频监控进行能见度测量

浅谈利用视频监控进行能见度测量

2020-02-15 342 上传者：管理员

摘要：基于视频监控的能见度测量是结合白天气象能见度观测的方法之上提出的。同时，还提出一种由边缘特征及神经网络相结合的视频图像能见度监测算法，采用监督学习的方式利用神经网络对提取的特征值进行回归，最终得到能见度值。有利于利用分布较广的多点监控视频补充前向散射能见度仪的单点测量的实现，使所得的能见度测量结果更加精准。

关键词：
应用气象
白天
能见度观测
视频监控
加入收藏

大气能见度是地面气象观测的要素之一，它对人类的生产、生活有着重要的影响。由低能见度所带来的恶劣天气往往会导致交通事故，妨碍海陆空交通运输，从而造成人们生命财产损失［1－2］。因此，对能见度进行实时监测及大雾预警显得尤为重要［3－4］。目前国内气象台站已普遍采用能见度仪开展大气能见度的测量［5］，且多以前向散射能见度仪为主要自动化测量设备。但由于能见度观测仪的造价高，限制了观测点的部署密度［6］。

随着计算机视觉技术及人工智能科学的发展，以监控摄像机代替能见度观测仪，并以仿人类视觉的方式进行能见度实时监测及大雾预警成为了有效的解决方案。基于视频图像理解的能见度测量方法具有速度快、成本低、观测图像数据易获取等优点，王京丽等［7］就数字摄像能见度观测阐述了系统基本原理、组成以及软件流程；杨玲等［8］着重介绍了实现能见度观测的硬件实现；许茜等［9］提出了基于梯度及对比度定义特征两种方法进行能见度测量，但该方法须选择场景中某一特定远景区域作为观察窗口；VarjoSami等［10］提出了一种对滤波图像进行投影获取特征向量的方法，该方法针对能见度日夜全天候测量，但其结果只能在一定的区间上对能见度进行分类。在算法实现上，相关研究对不同特定应用场景也提出了一些有针对性的测量方法，韩静等［11］采用路面作为标志物，提出了高速路雾天能见度监测方法；战勇强等［12］针对海上能见度观测的应用，提出了最小二乘法建立目标饱和度同能见度的最优模型。本研究主要针对白天大雾能见度观测提出一种由边缘特征及神经网络相结合的视频图像能见度监测算法。

1、基于图像理解的能见度测量算法

1.1 测量原理

根据Koschmieder定律［1］，大气能见度V（m）与大气消光系数σ存在式（1）所描述的关系为V＝lnεσ（1）其中，ε为视觉对比阈值，一般可取002～005。根据式（1）可知，得到消光系数σ便可计得大气能见度。根据该定律，目前广泛使用的大气能见度探测仪主要集中在如何获得大气消光系数上。但是，根据能见度测量规范，大气能见度指通过视力正常的人观察，能够在当时的天气条件下从天空背景中看到和辨认的目标物的最大水平距离［13］。可见对于能见度的观察最基本的原理仍是人的直观判断，因此本研究提出基于图像理解的能见度测量算法从仿照人眼观察习惯的角度展开研究。

1.2 能见度计算

基于计算机视觉技术的白天能见度测量方法以人的直接观察为算法设计基础。本研究提出的算法主要分两步实现；首先对待观测图像进行纹理特征的提取；其次为深度神经网络模型回归学习，采用监督学习的方式利用神经网络对提取的特征值进行回归，最终得到能见度值。

1）基于边缘信息的特征提取。一般情况下，由雾气引起的能见度变化给予人直观的感觉是视场内物体清晰与模糊的变化。观察图1中两幅不同能见度图像可知，场景的模糊与否体现在是否存在丰富的细节。在图像处理与理解技术中，这些细节在空域上体现为相邻像素的灰度值梯度，在能见度越低的图像中梯度越小，边缘越不明显。因此，通过对图像进行边缘检测，可以把场景中的纹理细节提取出来，得到与能见度相关的图像特征本研究首先使用Canny边缘检测器对待测图像样本进行边缘提取［14］。Canny边缘检测器对输入图像进行平滑预处理后使用公式（2）计算图像f（x，y）的梯度幅度，使用式（3）计算图像f（x，y）的梯度方向。M（x，y）＝g2x＋g2槡y（2）α（x，y）＝arctan［gygx］（3）其中，gx与gy分别为f（x，y）在x方向和y方向的灰度梯度值，然后通过非最大值抑制细化得到边缘，最后用双阈值处理和连接分析来检测并连接边缘。图2显示了3种能见度下的Canny边缘提取结果。由图2可知，随着能见度下降图像的边缘也相应减少，即纹理细节被雾气掩盖而逐渐消失，这说明了提取的特征与能见度存在相关性。

2）基于边缘存量的神经网络能见度分析。在获得了与能见度相关的特征图像后，进一步将特征数值化，把边缘存量看成是雾浓淡的指标。设C（x，y）为输入图像f（x，y）经Canny边缘提取后的特征图像。为了提高鲁棒性，防止视频拍摄中的微小抖动造成的误差，对C（x，y）采用平均池化操作，每个区块为25×25，即对每个分格块求平均边缘存量并输出为P（x，y），再通过式（4）求得该图最后边缘存量Sc值。Sc＝∑my＝1∑mx＝1P（x，y）（4）其中，m和n为P（x，y）的行数和列数。本研究应用神经网络模型预测能见度［15］，模型采用有监督学习的方法对能见度进行回归，训练一个全连接神经网络，网络包括2个隐藏层，每个隐藏由512个神经元组成，输入输出层为1个神经元，激活函数为ReLU，网络训练时输入为样本的边缘存量值Sc，输出标签正确值为训练样本对应的标准能见度值，该值是遂溪县国家气象观测站使用前向散射能见度仪测得值，损失函数定义如式（5）所示，为标签值与输出值的均方误差为LMSE（v，v′）＝∑ki＝1（vi－v′i）2k（5）其中，v为一个训练批次中第i个数据对应的真实能见度值（km）；v′为神经网络输出的预测结果（km）；k为每批个数。当网络训练完毕后，直接输入测试样本的边缘存量值，即可得到预测的能见度值。

2、实验与结果及分析

对于提出的基于图像理解的能见度测量算法，本研究通过实际采集的视频图像进行能见度的检测，并与遂溪县国家气象观测站前向散射能见度仪测得的标准值进行比较以分析算法的有效性。

2.1实验数据

实验使用的数据采集于遂溪县国家气象观测站架设的高清视频监控设备，选择典型的雾天天气，共录得3个时段实验视频，具体参数如表1所示，其中时间为北京时，下同。实验将2016年10月23日和11月14日2个时间段的数据作为模型的训练集，将11月15日时段的数据作为测试集验证算法。3段实验视频共抽取图片样本1957张、训练集样本1104张、测试集样本853张，每批训练数量为480张，学习率设置为0.0001。测试所用设备为i5－3320M，2.60GHz主频CPU，8Gb内存的台式计算机，平均能够达到每秒50帧的速度，因此算法能满足实时性要求。

表1实验数据参数表

2.2 实验结果及分析

实验结果以遂溪县国家气象观测站提供的前向散射能见度仪测得值作为标准数据与本研究高清视频监控设备算法的测得值进行验证比较。测试集视频（2016年11月15日07：00—08：10）共70min，本研究算法的测得值与标准能见度值的对比曲线如图3所示，从图3可以看出，在一个连续的时间段内，算法测得值能很好的拟合标准值的结果。对标准能见度值与本研究算法测得结果的误差对比分析，实验显示其结果接近于前向散射能见度仪的测量值，其平均误差为96％，整体测量效果较好。实验表明本研究提出的基于边缘存量的神经网络能见度检测算法能有效测量气象能见度值。

图3视频算法与能见度标准值的结果

针对白天能见度测量的问题，本研究提出了一种基于图像理解的能见度检测算法，并通过实验验证了算法的可行性与准确率，实验结果显示本研究检测算法可用于雾天能见度的实际测量。系统的设计对补充目前能见度测量手段有一定的实用性，可解决能见度观测点少问题。本研究提出的算法充分考虑利用现有视频资源，实现成本低、简单和灵活，可作为目前气象能见度测量的一种补充。

参考文献：

[1]傅刚,李晓岚,魏娜.大气能见度研究[J].中国海洋大学学报,2009,39(5):855-862.

[2]杨杰颜,郭浩鑫.湛江市一次持续性大雾天气过程的特征分析[J].广东气象,2016,38(6):55-58.

[3]梁敏妍,林卓宏,黄晓东,等.江门地区初春大雾的预报预警业务系统[J].广东气象,2009,31(3):13-15.

[4]刘桂兴,周炳辉,庞志梅,等.实现“大应急”的遂溪县气象防灾减灾体系构建[J].广东气象,2016,38(6):67-69.

[5]杨召琼,陈慧娴,付哲,等.能见度人工观测与能见度仪遥测资料的差异[J].广东气象,2008,30(SII):11-12.

[6]程倩倩,梁春荣,唐国敏,等.前向散射能见度仪故障实例分析[J].气象研究与应用,2016,37(4):99-101.

张琼雄,庞志梅,宋迪灵,等.基于视频监控的能见度测量[J].广东气象,2019,41(5):62-65