基于AOD-Net的交通道路图像大气能见度检测系统

陈勇 王绎凯 王振宇

摘要：针对目前应用较为广泛的传统交通道路大气能见度检测设备价格昂贵、未能满足覆盖大面积路网等问题，基于AOD-Net及道路监控设备，提出一种新型能见度检测系统。 系统采用AOD-Net对道路图像信息进行处理，并通过算法构建模型给出相对准确的大气能见度数据。采用PyQt创建GUI程序平台，方便用户使用图像资料完成对交通道路大气能见度的检测。

关键词：能见度检测;深度学习;AOD-Net;PyQt;图像识别;交通管理

中图分类号：TP391          文献标识码：A

文章编号：1009-3044（2021）18-0199-02

开放科学（资源服务）标识码（OSID）：

Traffic Road Image Atmospheric Visibility Detection System Based on AOD-NET

CHEN Yong，WANG Yi-kai，WANG Zhen-yu

（Nanchang Institute of Technology， Nanchang 330099， China）

Abstract：Aiming at the problems of high price of traditional road atmospheric visibility detection equipment， which is widely used at present， and can not cover a large area of road network， a new visibility detection system is proposed based on AOD net and road monitoring equipment. The system uses AOD net to process the road image information， and constructs the model through the algorithm to give the relatively accurate atmospheric visibility data. Pyqt is used to create GUI program platform， which is convenient for users to use image data to complete the detection of atmospheric visibility on traffic roads.

Key words： visibility detection; deep learning; AOD-Net; PyQt; image recognition; traffic control

1概述

在低能見度中行驶是造成事故的巨大隐患，近年来常有雾天交通事故的发生，许多生命因此而逝。随着近年来国内城市化建设的开展，国内交通运输领域也随之迅速发展，人们在物质生活上的需求不断提升，国内使用私家车的用户群体不断扩张，造成国内尤其是城市道路的交通流量明显增加。伴随工业发展的同时，雾霾也频繁出现于城市之中，在城区车流量巨大的今天，倘若对于城市能见度的检测不能做到及时而准确，就很可能在雾天发生重大交通事故，威胁人民群众的生命安全。而目前应用较为广泛的能见度检测设备造价昂贵，检测成本较高，同时在检测大面积路网方面存在劣势，尚且需要补充一种能够涵盖大面积路网的检测系统，方能比较全面地知晓交通道路能见度情况，为各路段的交通通行提供合理建议和管理方案。目前，已经有利用图像检测得到拍摄时大气能见度信息的研究，为大气能见度检测的方法提供了参考[1-2]。

基于目前道路上广为分布的安全监控设备网络，以及在一体化除雾网络（AOD-Net）方面的研究，本项目提出一种大气能见度检测的新思路，实现了基于AOD-Net的交通道路图像大气能见度检测系统。该系统能够根据路网中道路监控设备拍摄的图像，快速计算出设备所在区域大气能见度数据，实时反映各道路能见度情况并将其反馈给用户作为出行参考，也便于工作人员及时对交通进行调控与管理，尽可能避免由于信息延迟而导致的雾天交通事故。

2交通道路图像大气能见度检测系统的设计

本项目所设计的检测系统基于AOD-Net算法。AOD-Net是一种基于深度学习以及大气散射模型构建出的优质去雾模型，其利用K值估计模型可得到监控设备所提供图片的清晰去雾图像。利用NYU2数据集和Middlebury数据集对模型进行训练，利用训练后得到的模型处理所给出的带雾图像，采用网格对初始图像以及去雾图像进行分割，利用算法识别、计算出图像中能见度的级别信息，得到道路能见度分析结果。

项目中检测系统的GUI程序平台利用PyQt创建，操作界面简洁。系统允许用户通过窗口完成图像上传，然后利用用户所给定的带雾图像，考虑拍摄角度的不同以及视线延伸的效果，对图片进行网格化分块处理，并通过分析和计算各网格间相似度的标准方差，给出精确度较高的大气能见度参考信息。

3交通道路图像大气能见度检测系统的功能

3.1信息获取

随着现代科技水平的进步，交通道路的监控设备所拍摄到的图像清晰度也越来越高，与此同时，监控设备布设密度高、分布范围广，已经形成了巨大的交通监控网络，这对于本项目大气能见度信息的获取十分有利，无须再购进昂贵的检测设备，只需通过交通监控网络便可实现实时的图像传输与分析。相较于传统的大气检测设备，道路监控设备覆盖整个道路网络，利用这种优势进行检测工作，在扩大检测范围的同时，也使得对各道路大气能见度的检测更具有针对性。系统检测各个路段监控设备提供的图像信息，通过处理后将分析数据呈现，可以对比突出不同路段大气能见度的差异，使道路交通的管理调控内容更加具体化，依据各道路不同的大气能见度情况采取更为有效的调整措施。另外，还可以根据不同道路能见度数据的实时变化情况，提前对部分道路进行交通管制，预防车辆在道路行驶过程中遭遇低能见度天气的情况，减少因雾霾天气影响而引发的交通事故。

3.2 雾霾识别

本大气能见度检测系统的关键组成部分，是基于深度学习而实现的大气能见度识别系统：将交通道路监控设备所拍摄到的图像信息输入到检测系统中，系统会利用训练后的AOD-Net算法，将所拍摄到的原始图像转换为清晰的去雾图像，该去雾图像能够保留并突出图像中的细节信息，使图像的识别特征更加明显，有利于后续对图像进行对比、分析与计算[3]。考虑到不同监控设备的拍摄角度不尽相同，会导致同一图像中不同区域的雾霾浓度计算结果有所差异，因此采用对原始图像和去雾图像进行网格式划分的方法，根据图像特征对比、检测并计算各个网格的雾霾数据，对网格进行雾霾识别，得到各网格数据，为后续的检测工作做准备。

3.3 能见度检测

从雾霾识别功能中可以得出各网格的雾霾数据，通过汇总计算网格间相似度的标准方差，减小不同拍摄角度等因素对图像能见度检测所产生的影响，得到更为准确的雾霾数据，进而判断出图像中的雾霾等级，输出目标道路区域的大气能见度信息。该能见度检测系统利用道路监控网络所提供的图像材料，可以全天候任意时刻对图像数据进行分析与识别;基于深度学习理论的构建，使得系统的识别检测功能随着使用时长的增加而更加准确可靠，并可通过人工进行校正，在保证能见度识别效率的同时也能提高能见度识别的准确率。

4交通道路图像大气能见度检测系统的展示

该交通道路图像大气能见度检测系统可通过基于深度学习的城市交通道路图像处理平台进入，用戶可以通过注册、登录进入平台首页，在左侧模块中选择道路能见度模块，即可使用交通道路图像大气能见度检测系统。选取给定的交通道路图像从左侧上传窗口处上传，检测系统会对图像进行去雾、划分、对比、计算等步骤，完成后将会在窗口右侧区域显示处理后的去雾图像以及能见度等级信息。

利用系统所输出的能见度等级信息，工作人员可以实时调整道路交通状况，或者提前对部分道路进行交通管制，及时避免车辆驶入低能见度区域。使用者也可根据实际情况对检测系统进行校对，利用大数据使系统的识别与判断更加准确。

5结束语

低能见度对于车辆的行驶十分不利，能见度检测的工作仍将是长期的需要。伴随当今科技的发展进步，能见度检测工作如果能与更加快速准确的识别方法相结合，做到随时传递能见度信息，及时通知相关部门采取交通管制等措施，就能为雾天道路交通行驶提供更稳固的安全保障。运用现今发展成熟的交通监控网络进行大气能见度检测，展现出多种科技共同协作所产生的用途多样化、广泛化，一方面大幅降低了人工和设备成本，另一方面通过大数据确保了系统识别的准确性和实时性，提高工作效率。检测系统基于深度学习理论开发，系统对于能见度特征识别的准确度会随着检测数据的增多而提高。当出现系统漏洞、识别不准等情况时，可以进行人工校核以及算法优化，与传统的人工研发、维修检测设备相比，能够更加快速高效地解决问题，为未来交通道路能见度检测提供更加精确可靠的信息数据。

参考文献：

[1] 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.

[2] 姚镇海，周建平，邱新法.基于高速公路视频图像的能见度计算[J].南京信息工程大学学报（自然科学版），2019，11（1）：85-90.

[3] 陈琼红，冀杰，种一帆，等.基于AOD-Net和SSD的雾天车辆和行人检测[J/OL].重庆理工大学学报（自然科学）：1-9[2021-01-24].http：//kns.cnki.net/kcms/detail/50.1205.T.20200 610.1010.004.html.

[4] 唐绍恩，李骞，胡磊，等.一种基于迁移学习的能见度检测方法[J].计算机工程，2019，45（9）：242-247.

[5] 宋洪军，郜园园，陈阳舟.基于摄像机动态标定的交通能见度估计[J].计算机学报，2015，38（6）：1172-1187.

[6] 刘建磊，刘晓亮.基于拐点线的大雾能见度检测算法[J].计算机应用，2015，35（2）：528-530，534.

【通联编辑：梁书】