【摘要】：現(xiàn)實生活中人類的各項活動都受到天氣的影響,無論是農(nóng)業(yè),養(yǎng)殖業(yè)還是交通運輸業(yè)。尤其是極端天氣總給駕駛帶來潛在風險,導致人們的生命和財產(chǎn)陷入極大危險。近年來,各國政府和消費者都深刻認識到降低事故頻率、減輕事故傷害的重要性,消費者對汽車安全性的重視度也越來越高。因此,實時及密集地獲取當下天氣信息,對天氣進行識別在交通預警,汽車輔助駕駛,氣候分析等應(yīng)用中起著重要作用。為了提高在惡劣天氣下機器視覺的準確率,可靠的天氣識別系統(tǒng)是必要的。天氣圖像識別是計算機視覺中的一個新課題,不同于目標及場景識別問題,天氣識別需要學習更多物體和場景表面的光照、反射等復雜現(xiàn)象。且由于天氣特征的多樣性,多變性和彼此高度依賴的特點,使得課題研究一直極具挑戰(zhàn)性。目前,該課題都是在基于天氣圖像清晰且有明確天氣特征的假設(shè)下進行的,造成了現(xiàn)有天氣分類模型在更加復雜的天氣圖像上分類性能的局限性。本文針對在多類別天氣圖像分類算法研究中現(xiàn)有天氣圖像庫的不足及提取更加具有辨識度的天氣特征的難點,主要工作和貢獻如下:首先,構(gòu)建了更接近實際情況的多類別天氣圖像庫(AMWI),包含晴天、多云、陰天、雨天、雪天和霧霾天六類天氣,包含天氣圖像對應(yīng)的實時天氣指數(shù)特征;針對天氣圖像庫中不同類別間圖像數(shù)量不平衡的問題,我們利用循環(huán)一致對抗神經(jīng)網(wǎng)絡(luò)(Cycle-Consistent Adversarial Networks)使用圖片數(shù)量多且背景更加多樣化的晴天天氣圖像進行天氣圖像類別轉(zhuǎn)換,擴充其他天氣類別圖像的樣本,以避免造成天氣圖像背景單一的問題�？紤]到基于天氣圖像分類研究的駕駛輔助系統(tǒng)中列車軌道天氣圖像庫的缺失,本文還構(gòu)建了從視頻中獲得的包含晴天和陰天兩類天氣的列車軌道天氣圖像庫(RTWI)。其次,提出了兩個天氣圖像分類模型以提取出更具有辨識度的天氣圖像特征,本文首先提出了一種融合天氣圖像特征和實時天氣指數(shù)特征的多類別天氣圖像分類算法,結(jié)合天氣圖像特征的實時性及天氣指數(shù)特征的準確性用以提高天氣圖像分類的準確率。此外,進一步提出了一種基于組套索結(jié)構(gòu)的多任務(wù)天氣分類算法,將每類天氣視為一個任務(wù),并通過組套索正則項獲取天氣特征的組關(guān)系,以進行特征選擇,提高天氣分類的準確率,為檢驗本文提出的多任務(wù)學習天氣分類框架在交通場景中的應(yīng)用效果,我們還在軌道天氣圖像庫上進行了對比實驗,實驗結(jié)果驗證了所提框架的有效性。
【圖文】：

等人使用卷積神經(jīng)網(wǎng)絡(luò)解決天氣分類問題，并與傳統(tǒng)方法進行了性能比較，證明逡逑了神經(jīng)網(wǎng)絡(luò)應(yīng)用在天氣分類研究上的優(yōu)越性能。基于深度學習的天氣分類方法框逡逑架如圖２－３所示，首先使用天氣圖像庫訓練現(xiàn)有的深度框架，或是先對深度框架逡逑按需進行改進再使用天氣圖像庫對框架進行訓練；然后使用訓練好的框架對新的逡逑天氣圖像進行分類。逡逑邐邐、邐晴天逡逑ｆ深度學習框架）ｔ逡逑，■邋■邋■邐逡逑圖２－３基于深度學習的天氣分類框架示例逡逑Ｆｉｇｕｒｅ邋２－３邋Ｔｈｅ邋ｃｌａｓｓｉｆｉｃａｔｉｏｎ邋ｆｒａｍｅｗｏｒｋ邋ｂａｓｅｄ邋ｏｎ邋ｄｅｅｐ邋ｌｅａｒｎｉｎｇ逡逑由于該算法利用的也是不同類別天氣圖像中物體所表現(xiàn)出來的特征來進行逡逑天氣分類，，而天氣圖像大比例區(qū)域?qū)τ谔鞖夥诸愂菬o效的，而有效區(qū)域卻占圖像逡逑的小部分比例，影響框架對天氣圖像的分類效果。針對這一問題，Ｌｉｎ［３４ｌ等人首逡逑先利用顯著性模型找出在同一天氣下共存的特有區(qū)域，再使用深卷積神經(jīng)網(wǎng)絡(luò)完逡逑成對特定區(qū)域的特征提取及天氣圖像分類工作，去除冗余區(qū)域特征的影響，以達逡逑到更好的天氣分類效果；實驗結(jié)果也證明了對天氣圖像特征選擇的重要性。且現(xiàn)逡逑１０逡逑

天氣圖像分類中常被用作邊緣檢測的特征為Ｓｏｂｅｌ算子。逡逑Ｓｏｂｅｌ主要用作邊緣檢測，是一個離散的一階差分算子，用來計算圖像灰度逡逑函數(shù)的近似梯度。Ｓｏｂｅｌ的卷積因子如圖２－４所示：逡逑－ｌ0－ｌ邐＋１＋２＋１逡逑￣￣０￣＾２邐￣０￣￣０￣￣０￣逡逑￣￣０￣邐－１邋－２邋－１逡逑６邐Ｇｙ逡逑圖２－４邋Ｓｏｂｅｌ卷積因子逡逑Ｆｉｇｕｒｅ邋２－４邋Ｔｈｅ邋ｃｏｎｖｏｌｕｔｉｏｎａｌ邋ｆａｃｔｏｒ邋ｏｆ邋Ｓｏｂｅｌ逡逑該算子包含兩組３ｘ３的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，逡逑即可分別得出橫向及縱向的亮度差分近似值。如果以ｄ代表原始圖像，Ｇｘ＆Ｇｙ逡逑分別代表經(jīng)橫向及縱向邊緣檢測的圖像ｌ６Ｑｌ，如公式（２－１）所示：逡逑＂＋ｉ邋＋２邋＋ｉｉ邐「－１邋0邋＋ｒ逡逑Ｇｖ邋＝邋０邐０邐０邋＊Ａ邋Ｇｘ＝邋－２邋０邋＋２邋＊邋Ａ逡逑Ｈ邋－２邋－１」邐０邋＋１」邐⑴）逡逑圖像的每一個像素的橫向及縱向梯度近似值可用公式（２－２），來計算梯度的逡逑大�。哄义希清澹藉澹蓿玻牵贿姡ǎ玻玻╁义希保卞义�
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;P409

【參考文獻】

相關(guān)期刊論文 前1條

1 馬鈞;曹靜;;基于中國市場特定需求的汽車先進駕駛輔助系統(tǒng)發(fā)展趨勢研究[J];上海汽車;2012年04期

相關(guān)碩士學位論文 前1條

1 張?zhí)炖?基于機器視覺的天氣識別研究與實現(xiàn)[D];武漢理工大學;2014年

本文編號：2629473