基于機(jī)器學(xué)習(xí)的白天能見度檢測(cè)方法

沈岳峰，殷海濤，史得道，王慶武

（1.天津?yàn)I海新區(qū)氣象局，天津 300457；2.天津海洋中心氣象臺(tái)，天津300074；3.天津酷云網(wǎng)絡(luò)科技有限公司，天津 300461）

能見度檢測(cè)在交通運(yùn)輸、航海運(yùn)輸、以及運(yùn)輸過(guò)程中的作業(yè)安全中起著重要的作用。 低能見度下，交通、航海以及運(yùn)輸作業(yè)發(fā)生事故的可能性大大的增加。 因此，及時(shí)準(zhǔn)確的檢測(cè)能見度顯得尤為重要。

目前，能見度檢測(cè)主要有以下3 種方式：①物理硬件檢測(cè)法，主要分為投射式和散射式2 種。 此方法不僅硬件設(shè)備價(jià)格昂貴，而且不易維護(hù)和多點(diǎn)布設(shè)。 因此此類方法檢測(cè)能見度具有局部性，不能全面實(shí)時(shí)檢測(cè)能見度；②目測(cè)法：通過(guò)訓(xùn)練專業(yè)的人員來(lái)人為地判斷能見度情況，此類方法判斷結(jié)果與人眼特性相關(guān)，具有很強(qiáng)的人為主觀性，且耗時(shí)耗力；③攝像法：通過(guò)攝像機(jī)模擬人眼進(jìn)行能見度檢測(cè)，此方法較為靈活，可實(shí)現(xiàn)全面部署，檢測(cè)結(jié)果準(zhǔn)確客觀。 因此，本文采用攝像法與機(jī)器學(xué)習(xí)相結(jié)合的方法進(jìn)行能見度檢測(cè)。

國(guó)內(nèi)外學(xué)者提出了多種通過(guò)攝像法檢測(cè)能見度的方法。 文獻(xiàn)[1]提出利用圖像的視覺特征來(lái)測(cè)量能見度的思路，通過(guò)手工拍照，沖洗照片，人工計(jì)算目標(biāo)物與背景的對(duì)比度，推算出能見度值。 此方法準(zhǔn)確度低，且過(guò)程繁瑣。 文獻(xiàn)[2]提出了根據(jù)攝像機(jī)是否可觀測(cè)到高速公路不同距離的目標(biāo)物，來(lái)進(jìn)行能見度檢測(cè)， 但由于此方法需要設(shè)置多個(gè)目標(biāo)物，且目標(biāo)物的間距精度直接影響了檢測(cè)結(jié)果。 文獻(xiàn)[3]提出平均梯度算法和透射率比率法，但計(jì)算準(zhǔn)確性容易受到噪聲影響，且時(shí)效性差；文獻(xiàn)[4]通過(guò)動(dòng)態(tài)標(biāo)定攝像機(jī)內(nèi)外放入?yún)?shù)，分析活動(dòng)圖中感興趣區(qū)域的平均像素?cái)M合曲線對(duì)霧天進(jìn)行判斷。 但該方法中自標(biāo)定模型較為復(fù)雜，且對(duì)公路能見度監(jiān)測(cè)的實(shí)時(shí)性較差。 文獻(xiàn)[5]通過(guò)對(duì)監(jiān)控?cái)z像頭設(shè)定嚴(yán)格的參數(shù)，基于圖像的平均灰度值與曝光時(shí)間檢測(cè)大氣能見度。 但該方法易受天氣狀況影響，并且對(duì)道路標(biāo)志信息的完整性要求較高。 文獻(xiàn)[6]基于圖像增強(qiáng)方法對(duì)MSR 代數(shù)模型的權(quán)重進(jìn)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(jì)圖像能見度。 近些年來(lái)，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行端到端學(xué)習(xí)的算法在能見度檢測(cè)方面取得了一定的應(yīng)用[7]。 文獻(xiàn)[8]首次將卷積神經(jīng)網(wǎng)絡(luò)用于能見度檢測(cè)方面，并訓(xùn)練基于文獻(xiàn)[9]的能見度檢測(cè)模型，提取特征進(jìn)行能見度等級(jí)的分類。 文獻(xiàn)[10]通過(guò)搭建一個(gè)淺層的CNN 實(shí)現(xiàn)對(duì)圖像的能見度檢測(cè)。 文獻(xiàn)[11]將傳統(tǒng)圖像預(yù)處理方法和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，通過(guò)學(xué)習(xí)原始圖像和經(jīng)過(guò)快速傅里葉變換或光譜濾波處理的圖像，得到了對(duì)霧圖像中能見度等級(jí)的綜合分類。 這些能見度檢測(cè)算法都是將CNN 和邏輯回歸函數(shù)的結(jié)合，但此類算法性能在很大程度上嚴(yán)重依賴于數(shù)據(jù)集的大小和訓(xùn)練樣本標(biāo)注的質(zhì)量，而目前具有準(zhǔn)確能見度標(biāo)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(duì)比度幅度作為支持向量機(jī)算法的輸入特征。 通過(guò)支持向量機(jī)算法進(jìn)行模型訓(xùn)練，此方法無(wú)需進(jìn)行特殊的圖片標(biāo)注，無(wú)需設(shè)置標(biāo)志物，對(duì)小樣本的訓(xùn)練數(shù)據(jù)也十分友好。

1 理論基礎(chǔ)

1.1 暗通道先驗(yàn)法以及導(dǎo)向?yàn)V波獲取精細(xì)暗通道圖像

暗通道先驗(yàn)法是由He 最早提出的， 是基于大量的統(tǒng)計(jì)經(jīng)驗(yàn)所得。 其基本思想為對(duì)于室外無(wú)霧圖像的任一除天空之外的局部區(qū)域，總存在一些像素點(diǎn)，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(qū)域。

經(jīng)過(guò)上述方法得到的暗通道圖像會(huì)較為模糊，直接采用效果較差，因此采用導(dǎo)向?yàn)V波器對(duì)暗通道圖像進(jìn)行細(xì)化。 導(dǎo)向?yàn)V波可以很好地保留圖片的邊緣。 其引導(dǎo)關(guān)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(guò)Sobel 算子提取圖像梯度特征。 可使用n×n 的窗口區(qū)域，計(jì)算其邊緣特征值，計(jì)算方法如公式（5）所示：

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

1.3 韋伯定律對(duì)比度

韋伯定律對(duì)比度可以很好地表示各個(gè)像素點(diǎn)與相鄰像素的對(duì)比度。 計(jì)算韋伯定律對(duì)比度時(shí)需獲取計(jì)算像素點(diǎn)相鄰上下或左右像素點(diǎn)的像素值。 因此，首先通過(guò)復(fù)制的外插方式擴(kuò)充圖像邊緣。 然后通過(guò)公式（6）計(jì)算即可。

式中：G（x，y）為像素點(diǎn)行對(duì)比度；f（x1，y1）為計(jì)算像素點(diǎn)的灰度值；f（x2，y2）為其相鄰左側(cè)像素點(diǎn)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(cè)模型

能見度檢測(cè)的及時(shí)性和準(zhǔn)確性對(duì)需依賴交通運(yùn)輸、航海運(yùn)輸以及沿海作業(yè)有重要的影響。 各地氣象局也會(huì)定期更新當(dāng)日的能見度等級(jí)。 行業(yè)內(nèi)以及氣象局一般不使用具體的能見度數(shù)值來(lái)作為評(píng)判依據(jù)。 因此本文主要通過(guò)機(jī)器學(xué)習(xí)來(lái)估算能見度等級(jí)。 能見度等級(jí)劃分如表1 所示。

表1 能見度等級(jí)劃分Tab.1 Visibility classification

本文的能見度檢測(cè)方案如圖1 所示。

圖1 能見度檢測(cè)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(dāng)霧濃度較高時(shí)，暗通道圖整體偏灰；當(dāng)霧濃度較低時(shí)，暗通道圖整體偏白；因此本文采用原圖的灰度圖作為導(dǎo)向?yàn)V波引導(dǎo)圖，采用2.1 章方法采集暗通道圖像特征。

濃霧時(shí)采集的暗通道精細(xì)圖特征如圖2 所示，無(wú)霧時(shí)采集的暗通道精細(xì)圖特征如圖3 所示。

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

圖3 無(wú)霧暗通道精細(xì)圖Fig.3 Detailed diagram of fog free dark channel

2.2 梯度幅度特征

當(dāng)霧濃度較大時(shí)，物體的邊緣輪廓較為模糊，梯度值較低；當(dāng)霧濃度較小時(shí)，物體的邊緣輪廓較為清晰，梯度值較高；因此本文通過(guò)2.2 章方法計(jì)算各個(gè)像素點(diǎn)邊緣梯度特征后，計(jì)算梯度幅度來(lái)作為反映霧濃度的特征之一。 梯度幅度計(jì)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??；G（x，y）代表像素點(diǎn)對(duì)應(yīng)梯度值。

2.3 對(duì)比度幅度特征

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

式中：Cmean代表圖像的對(duì)比度幅值；H，W 代表圖像大?。籆（x，y）代表像素點(diǎn)對(duì)應(yīng)的橫向韋伯定律對(duì)比度值，可通過(guò)2.3 章節(jié)方法計(jì)算得到。

3 實(shí)驗(yàn)結(jié)果

本方法采集了110 張不同能見度等級(jí)的圖片進(jìn)行訓(xùn)練。 使用五折隨機(jī)交叉驗(yàn)證作為模型訓(xùn)練評(píng)估標(biāo)準(zhǔn)，采用網(wǎng)格搜索不斷調(diào)整參數(shù)。 最終隨機(jī)交叉驗(yàn)證得分均值最高可達(dá)95%。調(diào)參過(guò)程如圖4所示，其中g(shù)amma 為高斯核參數(shù)，C 為正則化參數(shù)，score 為隨機(jī)交叉驗(yàn)證得分。

圖4 模型調(diào)參過(guò)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(shí)驗(yàn)效果，共采集了不同等級(jí)的能見度圖片108 張，進(jìn)行模型預(yù)測(cè)分析。 分析結(jié)果表示，本模型單張圖片（分辨率為1920×1080）預(yù)測(cè)速度為605 ms，整體準(zhǔn)確率可達(dá)89.1%。

4 結(jié)語(yǔ)

本文提出一種基于機(jī)器學(xué)習(xí)的能見度分類算法?？衫迷械谋O(jiān)控設(shè)備，成本低。同時(shí)使用支持向量機(jī)作為模型訓(xùn)練的算法，在小樣本的情況下也可得到較好的結(jié)果，可大大縮短訓(xùn)練周期，且本文算法準(zhǔn)確率較高，時(shí)效性高，可用于氣象監(jiān)控，交通運(yùn)輸?shù)刃袠I(yè)，發(fā)展前景較好。