申请/专利权人：南京信息工程大学

申请日：2023-12-26

公开（公告）日：2024-03-22

公开（公告）号：CN117746374A

主分类号：G06V20/56

分类号：G06V20/56;G06V10/20;G06V10/74;G06V10/80;G06V10/764;G06V10/82;G06N3/0464;G06N3/084;G06N3/096

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明公开了一种暗光条件下天气现象自动识别方法。首先，对夜间驾驶场景下拍摄到的暗光图像识别分类，得到道路区域增强图像和整体增强图像，学习原始图像和增强图像的共通特征，通过双通道之间的损失函数限制噪声影响。然后，在图像深层信息处理中使用通道注意力机制，关注图像的重要信息，利用迁移学习搭建辅助通道，在训练前期帮助模型拟合，还融合气象要素，生成气象数据权重向量融合进模型，提升模型的识别能力。最后，设计Result机制进行三通道的多尺度数据融合，损失函数采用交叉熵损失、分支差异损失以及亮暗双通道损失的组合函数，采用Adam优化器进行学习率优化，通过回调函数适时调整学习率，实现在夜间驾驶这种暗光条件下的天气识别。

主权项：1.一种暗光条件下天气现象自动识别方法，其特征在于，包括以下步骤：S1、获取车辆夜间驾驶暗光条件下拍摄到的道路原始图像，通过车辆GPS和ERA5数据集获取原始图像对应位置的气象数据；S2、对原始图像进行道路区域增强的预处理，通过区域生长算法和HSV色彩空间转换的方法进行道路区域增强，得到道路区域增强图像；S3、使用基于深度学习的暗光图像增强算法对原始图像进行整体增强，得到整体增强图像；S4、构建夜间驾驶天气识别模型，包括三个通道，分别为：WR通道、DW通道和EN通道；将道路区域增强图像输入WR通道，将整体增强图像输入DW通道和EN通道；S5、将气象数据进行经纬度匹配，获取原始图像对应位置的气象要素，将气象要素进行特征重组和缩放处理，生成气象要素权重向量；S6、在DW通道中，使用基于迁移学习轻量化模型，分开提取整体增强图像中天空和地面的特征信息，结合整体特征信息，对整体增强图像按照白天模式进行天气图像分类识别，输出包含分类信息的DW通道特征向量pAi；S7、在EN通道和WR通道中，基于通道注意力机制，分别对整体增强图像和道路区域增强图像提取浅层和深层特征，将两个通道的浅层特征图拼接融合后，得到融合特征图，将其输入深层特征提取模块，获取融合后的EN通道特征向量pBi；S8、在WR通道中，将气象要素权重向量融入步骤S7融合后的融合特征图中，将其输入深层特征提取模块，生成融合后的WR通道特征向量pCi；S9、将三个通道的特征向量pAi、pBi和pCi，输入Result模块，进行融合处理并计算夜间驾驶天气识别模型的损失函数，以进行反向传播更新模型参数，输出得到的天气现象识别结果。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种暗光条件下天气现象自动识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD