基于機器學習的白天能見度檢測方法

沈岳峰，殷海濤，史得道，王慶武

（1.天津濱海新區氣象局，天津 300457；2.天津海洋中心氣象臺，天津300074；3.天津酷云網絡科技有限公司，天津 300461）

能見度檢測在交通運輸、航海運輸、以及運輸過程中的作業安全中起著重要的作用。 低能見度下，交通、航海以及運輸作業發生事故的可能性大大的增加。 因此，及時準確的檢測能見度顯得尤為重要。

目前，能見度檢測主要有以下3 種方式：①物理硬件檢測法，主要分為投射式和散射式2 種。 此方法不僅硬件設備價格昂貴，而且不易維護和多點布設。 因此此類方法檢測能見度具有局部性，不能全面實時檢測能見度；②目測法：通過訓練專業的人員來人為地判斷能見度情況，此類方法判斷結果與人眼特性相關，具有很強的人為主觀性，且耗時耗力；③攝像法：通過攝像機模擬人眼進行能見度檢測，此方法較為靈活，可實現全面部署，檢測結果準確客觀。 因此，本文采用攝像法與機器學習相結合的方法進行能見度檢測。

國內外學者提出了多種通過攝像法檢測能見度的方法。 文獻[1]提出利用圖像的視覺特征來測量能見度的思路，通過手工拍照，沖洗照片，人工計算目標物與背景的對比度，推算出能見度值。 此方法準確度低，且過程繁瑣。 文獻[2]提出了根據攝像機是否可觀測到高速公路不同距離的目標物，來進行能見度檢測， 但由于此方法需要設置多個目標物，且目標物的間距精度直接影響了檢測結果。 文獻[3]提出平均梯度算法和透射率比率法，但計算準確性容易受到噪聲影響，且時效性差；文獻[4]通過動態標定攝像機內外放入參數，分析活動圖中感興趣區域的平均像素擬合曲線對霧天進行判斷。 但該方法中自標定模型較為復雜，且對公路能見度監測的實時性較差。 文獻[5]通過對監控攝像頭設定嚴格的參數，基于圖像的平均灰度值與曝光時間檢測大氣能見度。 但該方法易受天氣狀況影響，并且對道路標志信息的完整性要求較高。 文獻[6]基于圖像增強方法對MSR 代數模型的權重進行了修正，但是該方法并不是基于大氣成像原理，故該類方法不能估計圖像能見度。 近些年來，利用卷積神經網絡進行端到端學習的算法在能見度檢測方面取得了一定的應用[7]。 文獻[8]首次將卷積神經網絡用于能見度檢測方面，并訓練基于文獻[9]的能見度檢測模型，提取特征進行能見度等級的分類。 文獻[10]通過搭建一個淺層的CNN 實現對圖像的能見度檢測。 文獻[11]將傳統圖像預處理方法和卷積神經網絡相結合，通過學習原始圖像和經過快速傅里葉變換或光譜濾波處理的圖像，得到了對霧圖像中能見度等級的綜合分類。 這些能見度檢測算法都是將CNN 和邏輯回歸函數的結合，但此類算法性能在很大程度上嚴重依賴于數據集的大小和訓練樣本標注的質量，而目前具有準確能見度標注的霧圖像很難獲取。

本文提出了一種利用暗通道特征、圖像梯度幅度和圖像對比度幅度作為支持向量機算法的輸入特征。 通過支持向量機算法進行模型訓練，此方法無需進行特殊的圖片標注，無需設置標志物，對小樣本的訓練數據也十分友好。

1 理論基礎

1.1 暗通道先驗法以及導向濾波獲取精細暗通道圖像

暗通道先驗法是由He 最早提出的， 是基于大量的統計經驗所得。 其基本思想為對于室外無霧圖像的任一除天空之外的局部區域，總存在一些像素點，在r，g，b 中的某一通道像素值非常小，幾乎趨近于0。 其定義如公式（1）所示：

式中：Jdark（x）為圖像的暗通道；w（x）是包含像素x的局部區域。

經過上述方法得到的暗通道圖像會較為模糊，直接采用效果較差，因此采用導向濾波器對暗通道圖像進行細化。 導向濾波可以很好地保留圖片的邊緣。 其引導關系如公式（2）所示：

1.2 圖像梯度特征

邊緣特征即梯度特征。 可通過Sobel 算子提取圖像梯度特征。 可使用n×n 的窗口區域，計算其邊緣特征值，計算方法如公式（5）所示：

式中：G（x，y）代表像素點x，y 的邊緣特征值；Gx代表像素點x 的行方向的特征分量；Gy代表像素點x的列方向的特征分量。

1.3 韋伯定律對比度

韋伯定律對比度可以很好地表示各個像素點與相鄰像素的對比度。 計算韋伯定律對比度時需獲取計算像素點相鄰上下或左右像素點的像素值。 因此，首先通過復制的外插方式擴充圖像邊緣。 然后通過公式（6）計算即可。

式中：G（x，y）為像素點行對比度；f（x1，y1）為計算像素點的灰度值；f（x2，y2）為其相鄰左側像素點的像素值；M 為圖片最大灰度值；min 取相鄰像素與本像素的灰度值的最小值。

2 能見度檢測模型

能見度檢測的及時性和準確性對需依賴交通運輸、航海運輸以及沿海作業有重要的影響。 各地氣象局也會定期更新當日的能見度等級。 行業內以及氣象局一般不使用具體的能見度數值來作為評判依據。 因此本文主要通過機器學習來估算能見度等級。 能見度等級劃分如表1 所示。

表1 能見度等級劃分Tab.1 Visibility classification

本文的能見度檢測方案如圖1 所示。

圖1 能見度檢測方案Fig.1 Visibility detection scheme

2.1 暗通道圖像特征

暗通道圖像能很好地反映出霧濃度情況。 當霧濃度較高時，暗通道圖整體偏灰；當霧濃度較低時，暗通道圖整體偏白；因此本文采用原圖的灰度圖作為導向濾波引導圖，采用2.1 章方法采集暗通道圖像特征。

濃霧時采集的暗通道精細圖特征如圖2 所示，無霧時采集的暗通道精細圖特征如圖3 所示。

圖2 濃霧暗通道精細圖Fig.2 Detailed drawing of dense fog and dark channel

圖3 無霧暗通道精細圖Fig.3 Detailed diagram of fog free dark channel

2.2 梯度幅度特征

當霧濃度較大時，物體的邊緣輪廓較為模糊，梯度值較低；當霧濃度較小時，物體的邊緣輪廓較為清晰，梯度值較高；因此本文通過2.2 章方法計算各個像素點邊緣梯度特征后，計算梯度幅度來作為反映霧濃度的特征之一。 梯度幅度計算公式見公式（7）：

式中：V代表圖像的梯度幅值；H，W 代表圖像大?。籊（x，y）代表像素點對應梯度值。

2.3 對比度幅度特征

圖片像素與相鄰像素灰度值的對比度，與霧濃度有一定的相關性。 當霧濃度較高時，對比度值較低；反之對比度較高。 因此將圖片對比度幅度作為支持向量機輸入特征之一。 對比度幅度特征計算公式見公式（8）：

式中：Cmean代表圖像的對比度幅值；H，W 代表圖像大??；C（x，y）代表像素點對應的橫向韋伯定律對比度值，可通過2.3 章節方法計算得到。

3 實驗結果

本方法采集了110 張不同能見度等級的圖片進行訓練。 使用五折隨機交叉驗證作為模型訓練評估標準，采用網格搜索不斷調整參數。 最終隨機交叉驗證得分均值最高可達95%。調參過程如圖4所示，其中gamma 為高斯核參數，C 為正則化參數，score 為隨機交叉驗證得分。

圖4 模型調參過程圖Fig.4 Process diagram of model parameter adjustment

為極大地保證模型的泛化能力，本文選擇在得分最高的前提下最小的C，即C=0.85，gamma 選擇為5.963623316594637×10-6。

為分析本文的實驗效果，共采集了不同等級的能見度圖片108 張，進行模型預測分析。 分析結果表示，本模型單張圖片（分辨率為1920×1080）預測速度為605 ms，整體準確率可達89.1%。

4 結語

本文提出一種基于機器學習的能見度分類算法?？衫迷械谋O控設備，成本低。同時使用支持向量機作為模型訓練的算法，在小樣本的情況下也可得到較好的結果，可大大縮短訓練周期，且本文算法準確率較高，時效性高，可用于氣象監控，交通運輸等行業，發展前景較好。