项目名称: 基于视频的天气现象自动识别方法研究

项目编号: No.41305138

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 天文学、地球科学

项目作者: 李骞

作者单位: 中国人民解放军理工大学

项目金额: 24万元

中文摘要: 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。

中文关键词: 天气现象;视频;视觉特征;自动识别;监督学习

英文摘要: 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 o

英文关键词: Weather phenomena;Video;Visual Feature;Automatic classification;Supervised Learning

成为VIP会员查看完整内容
0

相关内容

从视频到语言: 视频标题生成与描述研究综述
专知会员服务
19+阅读 · 2022年1月8日
专知会员服务
91+阅读 · 2021年8月29日
基于深度学习的视频目标检测综述
专知会员服务
81+阅读 · 2021年5月19日
基于深度学习的行人检测方法综述
专知会员服务
68+阅读 · 2021年4月14日
基于机器学习的数据库技术综述
专知会员服务
53+阅读 · 2021年1月2日
深度学习目标检测方法综述
专知会员服务
273+阅读 · 2020年8月1日
基于深度学习的手语识别综述
专知会员服务
46+阅读 · 2020年5月18日
最新《深度学习行人重识别》综述论文,24页pdf
专知会员服务
80+阅读 · 2020年5月5日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
YOLO 实现吸烟行为监测
极市平台
1+阅读 · 2021年10月30日
基于深度学习的流行度预测研究综述
专知
0+阅读 · 2021年3月24日
BERT模型进军视频领域,看你和面就知会做蛋糕
机器之心
10+阅读 · 2019年9月20日
竞赛方案|VideoNet视频内容识别挑战赛
极市平台
14+阅读 · 2019年9月8日
基于视频的目标检测的发展【附PPT与视频资料】
人工智能前沿讲习班
19+阅读 · 2018年12月14日
视频中的多目标跟踪【附PPT与视频资料】
人工智能前沿讲习班
30+阅读 · 2018年11月29日
人脸检测与识别总结
计算机视觉战队
21+阅读 · 2017年11月29日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月20日
Adaptive Synthetic Characters for Military Training
Arxiv
46+阅读 · 2021年1月6日
小贴士
相关VIP内容
从视频到语言: 视频标题生成与描述研究综述
专知会员服务
19+阅读 · 2022年1月8日
专知会员服务
91+阅读 · 2021年8月29日
基于深度学习的视频目标检测综述
专知会员服务
81+阅读 · 2021年5月19日
基于深度学习的行人检测方法综述
专知会员服务
68+阅读 · 2021年4月14日
基于机器学习的数据库技术综述
专知会员服务
53+阅读 · 2021年1月2日
深度学习目标检测方法综述
专知会员服务
273+阅读 · 2020年8月1日
基于深度学习的手语识别综述
专知会员服务
46+阅读 · 2020年5月18日
最新《深度学习行人重识别》综述论文,24页pdf
专知会员服务
80+阅读 · 2020年5月5日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
YOLO 实现吸烟行为监测
极市平台
1+阅读 · 2021年10月30日
基于深度学习的流行度预测研究综述
专知
0+阅读 · 2021年3月24日
BERT模型进军视频领域,看你和面就知会做蛋糕
机器之心
10+阅读 · 2019年9月20日
竞赛方案|VideoNet视频内容识别挑战赛
极市平台
14+阅读 · 2019年9月8日
基于视频的目标检测的发展【附PPT与视频资料】
人工智能前沿讲习班
19+阅读 · 2018年12月14日
视频中的多目标跟踪【附PPT与视频资料】
人工智能前沿讲习班
30+阅读 · 2018年11月29日
人脸检测与识别总结
计算机视觉战队
21+阅读 · 2017年11月29日
相关基金
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员