基于双路神经网络融合模型的高速公路雾天检测

摘要：

高速公路天气状况实时监察对于高速行车安全具备重要意义,然而气象检测只能对大范围区域的气象情况进行预报,不能满足高速行车各个路段气象情况实时检测的需求.为此,提出一种基于双路神经网络融合模型的高速公路雾天检测算法.该算法基于双路深度神经网络融合模型,提取雾天图像的可视深度图以及暗通道图像两种视觉特征,并利用深度神经网络进行建模,获得初步分类结果;然后,再利用均值融合层进行分数融合.为了全面评测该算法的性能,构建了一个覆盖多个省份高速公路的视频监控雾天数据集(express way fog detectiondataset,EWFD),该数据集能够全面涵盖国内高速公路的天气情况,并在该数据集上做了全面的分析对比实验.实验结果显示,本文所提出的双路神经网络融合模型的雾天监测算法取得了93.7％的准确率,与国际前沿的检测分类算法101层残差网络(ResNet-101)相比,本文提出的算法准确率提高了10％以上.

关键词：图像处理、雾天检测、深度图、暗通道先验、深度学习

所属期刊栏目：54

分类号：V221.3(飞机构造与设计)

在线出版日期：2019-08-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：173-179