[发明专利]一种基于机器学习的晴雨检测与处理方法

权利要求书

1.一种基于机器学习的晴雨检测与处理方法，其特征在于，所述包括以下步骤：

(1)搜集N张无雨图像，同时搜集H张雨滴模板，利用图像合成的方法合成包含N张有雨图像及N张无雨图像的数据集，对该数据集中的有雨图像和无雨图像设置对应标签，并分为训练图像与测试图像；

(2)将训练图像与对应标签输入晴雨分类卷积神经网络(CRCNN)，进行晴雨识别检测，并用测试图像进行训练效果检验；

(3)构造基于HOG特征和LBP特征的支持向量机(SVM)晴雨图像分类器；

(4)构建宽度学习神经网络，输入训练图像与其对应标签到宽度学习神经网络，进行宽度学习训练，并使用测试图像检验训练效果；

(5)使用集成学习方法组合所述的CRCNN、SVM晴雨图像分类器和宽度学习神经网络，构成并行联合判别测试模型；

(6)使用步骤(5)构建的并行联合判别测试模型检测图像是否有雨，若无雨直接输出；若有雨则进行去雨处理。

2.根据权利要求书1所述的一种基于机器学习的晴雨检测与处理方法，其特征在于，所述步骤(1)构建总共包含2N张图两个种类的数据集，其中包含N张无雨的图像，N张有雨的图像，并对其打上相应的标签；利用原始无雨的图像和如下光学模型公式生成有雨的图像：

I(x)＝(J(x)+∑s(x))

式中：x为图像像素索引，I(x)为输入图像，J(x)为无雨图像，s(x)为雨滴蒙板，利用该雨滴蒙板合成有雨的图像。

3.根据权利要求书1所述的一种基于机器学习的晴雨检测与处理方法，其特征在于，步骤(2)所述的CRCNN为6层的卷积神经网络，具体每层构成为：

(3-1)、卷积层，卷积层一共有三层，第一层为n₁个大小为M₁×M₁,步长为m₁×m₁的卷积核构成；第二层为n₂个大小为M₂×M₂，步长为m₂×m₂的卷积核构成；第三层为n₃个大小为M₃×M₃，步长为m₃×m₃的卷积核构成；

(3-2)、池化层，采用平均池化的方法，池化层采用大小为M₄×M₄，步长为m₄×m₄；

(3-3)、Relu层，激活函数采用是线性整流函数(Relu函数)；

(3-4)、全连接层一共有两层，第一层为n₄个神经元，第二层为n₅个神经元；

(3-5)、Softmax层，包括Softmax函数，Softmax函数的作用为将得到的结果归一化；

在训练卷积神经网络时，选择训练的代数为r，学习率lr。

4.根据权利要求书1所述的一种基于机器学习的晴雨检测与处理方法，其特征在于，所述步骤(3)构造基于HOG特征和LBP特征的支持向量机(SVM)晴雨图像分类器，包括以下步骤：

(4-1)从步骤(1)构建的数据集中选取若干张训练图像作为SVM晴雨图像分类器的训练样本；

(4-2)对步骤(4-1)中的训练样本进行LBP和HOG特征提取；

(4-3)计算样本图像的HOG特征均值，并将HOG特征均值与LBP特征一起作为图像特征输入SVM进行训练，得到训练好的SVM晴雨分类器，SVM的目标函数为

s.t.y_i(ω^Tx_i+b)≥1,i＝1,2,…,m.

其中ω^Tx+b＝0为样本空间中划分的超平面，x为样本特征向量，ω为法向量，b为位移项，y_i是x_i所对应的标志项，m为特征向量x的最大维度；

(4-4)使用测试图像检验SVM晴雨分类器效果。