基于视频的天气现象自动识别方法研究

The weather phenomena is atmospheric physical process occurring in the ground or above ground which is an important content of the surface meteorological observations. To recognition the present weather automatically is becoming one of research hotspots of surface meteorological observation automation, because it mainly observed by human being at present. To overcome the high cost and low accuracy for the current methods, we try to do some research on the classification of common weather situations by extracting useful visual feature from outdoor surveillance videos captured by the fixed camera. The research topics include: (1) Extracting visual features from the video which can be used to identify the present, especially the static features such as contrast, saturation and hue extracted from the sampling frame images and the temporal features such as the autocorrelations and the appearance of moving particles extracted from the videos. (2) The classification methods based on supervised learning will be considered, and the research will focus on designing and training of a set of sequential AdaBoost classifiers suitable for weather classification using the features extracted above. (3) To reduce the generated recognition error due to the factors such as changes in ambient lighting, time and so on, the problem of decision fusion for multi-video classification results is addressed, in which a weighted majority decision fusion method based on the belief state of the visual features will be explored emphatically.

天气现象是地面气象观测的重要内容，对其自动检测与识别方法研究，已成为大气科学基础研究的热点之一。针对当前天气现象器测能力弱，识别准确性较低等问题，本项目尝试从固定摄像机所捕获的室外可见光监控视频中提取有效视觉信息，实现对晴、阴、雨、雪、雾、霾和尘等常见天气进行分类识别。主要研究内容包括：（1）研究可用于当前天气识别的视觉特征。重点研究各类天气对图像与视频成像的影响，从中提取采样帧图像中对比度、饱和度、色调等静态特征和视频中具有时序属性的自相关函数和运动粒子的形态速度等动态特征。（2）研究基于监督学习的天气现象分类方法。重点研究针对提取的视觉特征，设计和训练合适的序列AdaBoost分类器，实现常见天气现象的分类及识别。（3）研究同一时段内多段视频识别结果融合方法。重点研究基于带权投票机制的识别结果融合，降低因单段视频受环境、时间等因素影响而产生的识别误差。

天气现象是地面气象观测的重要内容，对其自动检测与识别方法研究，已成为大气科学基础研究的热点之一。针对当前天气现象器测能力弱，识别准确性较低等问题，本项目尝试从固定摄像机所捕获的室外可见光监控视频中提取有效视觉信息，实现对雨、雪、雾等常见天气进行分类识别。.根据项目计划书的安排，研究内容与研究结果主要集中在：. （1）研究面向天气现象识别的视觉特征提取与分析。项目从视频中提取并分析了视觉特征，包括功率谱能量、色度纹理同质性和饱和度纹理同质性等静态特征，以及相关性特征中的时间短时自相关、运动纹理相关性和运动颜色等动态特征。实验表明本研究所提特征在特征分布集中度和有效性等方面优于已有特征，且特征提取算法易于实现，具有实际的应用价值。. （2）研究面向天气现象识别的有监督分类器设计。项目提出了在固定场景环境下采用SVM导向无环图多分类器对视频样本进行天气现象分类识别，在非固定场景采用AdaBoost分类器对天气现象进行识别。实验表明在背景相对稳定的场景环境下SVM具有较高的识别准确率，而在观测背景发生变化的情况下采用弱分类器为随机森林的AdaBoost分类器具有更高的分类稳定性和准确率。. （3）研究分类结果融合与观测网络摄像机节点的动态管理。项目提出了基于增强学习的观测网络摄像机节点动态选择方法，一方面对网络中多个摄像机节点的识别结果进行决策融合，另一方面根据融合观测结果动态选择最优摄像机，在保证天气现象识别结果的准确率有效提高。. （4）开展了天气现象视频数据库和识别软件原型系统的建设和研制。部署摄像机完成了单一场景、多视角场景的室外视频捕获与标注，并完成了所研究算法的软件原型系统实现，为后续研究工作打下了坚实基础。. 项目发表学术论文13篇，其中SCI检索论文2篇，EI检索论文8篇，核心3篇；参加国际会议与学术交流3次；培养硕士研究生2名，在读3名；申请发明专利3项，软件著作权3项。完成了项目研究目标。