论文下载
  • 首页
  • 论文发表
  • 论文宝库
  • 期刊大全
  • 新闻中心
  • 著作出书
  • 发表流程
  • 关于我们
  • 诚心通道
  • 联系我们
  • 当前位置:主页 ->论文下载 ->计算机论文 ->计算机网络
  • 提取天气类别动态特征的算法研究

    2016年8月20日 09:49 作者:彭旭东1,夏士明1,孙吉明2

    彭旭东1,夏士明1,孙吉明2

    (1. 解放军理工大学气象海洋学院,南京,211101 ;2. 空军航空大学航理系,长春,130022)

    摘要:现有的用于天气类别识别的动态特征存在一定不足,本文进行了相应改进,提高了整体的识别率。现有的相关性特征提取依赖于人工选取天气现象明显的区域进行,基于本文的改进算法能实现天气现象的自动识别。

    关键词:天气;动态特征;相关性特征

    Development of a Weather Recognition Algorithm Based on Dynamic Characteristics

    Peng Xudong1,Xia Shiming1,Sun Jiming2

    (1.Institute of Meteorology and Oceanography,PLA University of Science and Technology,Nanjing, 211101;

    2.Department of Aviation Theory,Aviation University Air Force,Changchun,130022)

    Abstract :Existing dynamic characteristics used to weather recognition is lack of accuracy,this study have made some modifications to increase the overall recognition rate.Existing correlation feature extraction depends on artificial select a region where weather phenomenon is obviously,however based on an improved algorithm in this paper can realized identify weather events automatically.

    Keywords :Weather;Dynamic characteristics;Correlation feature extraction


    与静态天气(晴、阴、雾)相比,动态天气(雨、雪)的图像序列存在运动的颗粒(雨雪粒子)。目前仅从单帧图像进行动态天气识别的准确率偏低,难以满足实际需求。而视频包含场景随时间变化信息,因此可采用视频中的图像序列进行特征提取。

    本文动态特征提取流程如下:首先,从视频中等间隔采样图像序列。然后对于图像序列提取相关性特征得到时间平均自相关特征。

    1 相关性特征提取

    为区分动态天气和静态天气,Zhao 提取了视频帧的短时相关性和时间平均自相关特征。但其方法需要人工选择现象明显的区域,无法实现天气类别的自动识别。为克服该问题,本文将图像划分成多个子区域,分别提取每个子区域的特征,最终提取所有子区域的相关性特征的均值作为改进后相关性特征。首先介绍提取相关性特征的一般步骤,对于图像序列,为中第帧图像,T 为的长度,计算图像各像素点的像素值在不同时刻的相关性特征,位置处的相关性特征计算公式为:

    (1)

    式中和分别表示在序列中的当前帧数和间隔帧数, 取值范围为,为帧数时位置处的像素值, 代表序列的均值。

    提取短时自相关和时间平均自相关两个特征:

    (2)

    式中为图像的所有像素位置, 为的二次多项式拟合,为取均值函数。

    为了说明不同区域的选取对所提特征的影响,将图像划分成的小区域,每个区域都是。分别计算每个区域的相关性特征值,效果如图1(a)、(b)、(c)。可以看出,动态天气的图

    (a)动态天气 (b)动态天气 (c)动态天气

    图1 每个区域的相关性特征分布情况39

    理论与算法

    2016.10


    像序列中大部分的区域相关性特征处于红线下面,因此可以考虑采用所有区域的相关性特征的均值作为特征值。

    2 提取结果

    为了验证本文改进相关性特征的有效性,进行改进前后相关性特征分布对比,从晴、雾、阴、雨、雪这五类天气类别中选取少量视觉效果较好的样本。图2(a)为改进前的特征分布,图2(b)为改进后的特征分布,可以看出改进后的特征效果明显好于改进前的效果。

    为了验证改进后的相关性特征是否对大量样本数据的分布有效,本文将五类天气的所有场景的样本都显示出来,如图3 所示为对所有数据进行相关性特征提取的效果。

    3 结论

    现有的相关性特征提取依赖于人工选取天气现象明显的区域进行特征提取,因此本文对现有相关性特征进行改进。将本文的天气类别识别特征与现有的天气类别识别特征进行比较,可以看出本文的特征更有优势,能够更有效地区分不同天气类别。

    参考文献

    [1] Zhao X, Liu P, Liu J, et al. Feature extraction for classification of different weather conditions[J]. Frontiers of Electrical and Electronic Engineering in China, 2011, 6(2): 339-346.

    [2] Zhao X, Liu P, Liu J, et al. A time, space and color-based classification of different weather conditions[C]//Visual Communications and Image Processing (VCIP), 2011 IEEE. IEEE, 2011: 1-4.

    图3 相关性特征分布情况

    (a)动态天气 (b)动态天气

    图2 改进前后的相关性特征分布情况40

  • 上一篇             下一篇
发给朋友 分享到朋友圈
  • 回顶部
中国权威论文发表|微信客服:lunww2015
本站提供论文发表发表论文核心论文发表
免费论文发表资源,文章只代表作者观点,并不意味着本站认同,部分作品系转载,版权归原作者或相应的机构;若某篇作品侵犯您的权利,请来信告知:lunww@126.com