基于CNN-SVM的“團霧”檢測方法研究

摘要：“團霧”是一種突發性強、能見度極低的惡劣氣象現象，常見于高速公路路段。通過研究\"團霧\"檢測方法，可以有效進行預警，減少由“團霧”引發的交通事故，并為自動駕駛技術提供關鍵的環境感知技術支持。因此，本研究提出了一種基于卷積神經網絡（CNN） 和支持向量機（SVM） 的“團霧”檢測方法。該方法保留了CNN在特征提取方面的優勢，同時引入了SVM在分類任務上的強大性能，用SVM替代SoftMax分類器進行“團霧”圖像的分類。通過對準確率、精確率、召回率和F1值的綜合評估，驗證了本研究改進的算法在高速公路“團霧”檢測性能上有顯著提升，為智慧警務提供了有價值的借鑒，并更好地應用于公安實戰中。

關鍵詞：高速公路“團霧”；“團霧”檢測方法；卷積神經網絡；支持向量機；智慧警務

中圖分類號：TP311" "文獻標識碼：A

文章編號：1009-3044（2025）08-0001-04

開放科學（資源服務） 標識碼（OSID） ：

0" 引言

隨著我國高速公路交通網絡的不斷建設和發展，車輛行駛安全問題日益突出。深入研究“團霧”檢測方法，對于提升國家智能交通系統的安全性和運行效率具有重要意義。

“團霧”檢測技術受到了國內外學者的廣泛關注。在深度學習技術的推動下，國內研究者金小飛[1]深入研究了智慧高速公路場景中的“團霧”檢測技術。他們運用卷積神經網絡（CNN） 對霧天公路視頻圖像進行霧濃度級別的精準分類，創新性地結合了ResNet50和VGG16卷積網絡，并引入自適應模塊，顯著提升了模型的收斂速度和識別精度，實現了對五個級別能見度的穩定識別，準確率均超過0.8。

王琦[2]等人提出了一種基于時間序列圖像處理技術的“團霧”檢測方法。他們從大量視頻監控數據中提取信息，運用高斯混合模型獲取背景序列圖像，通過觀察圖像的對比度、灰度值及邊緣特性，研究“團霧”產生時背景像素的變化趨勢，并將這些特性值與能見度匹配，構建基于背景像素序列的能見度模型，比較相鄰攝像頭的數據以確定“團霧”的存在。

劉建磊[3]等人提出了一種利用彩色視頻圖像對比度模型和支持向量機區分“團霧”的檢測算法。常榮[4]等人則提出了一種利用混合特征向量矩和SoftMax分類器對“團霧”圖像進行分類的算法，通過優化訓練后的分類器，實現對“團霧”圖像的精準分類。

在國際上，早期研究已開始關注利用固定目標物的視頻圖像進行能見度檢測。例如，李靜[5]等人通過分析目標物亮度與距離的關系，成功實現了能見度的檢測。KIM Y H[6]等人利用數碼全景攝像機拍攝的時間序列圖像，檢測最遠目標物以估算氣象能見度。Li LI L L[7]等人提出了一種用于圖像“團霧”檢測的淺層卷積神經網絡，詳細設計了網絡的框架和各組成部分。

1 卷積神經網絡

卷積神經網絡（Convolutional Neural Network， CNN） 在深度學習領域占據了重要地位。CNN的局部連接和權重共享等特性，使其具備平移、縮放和旋轉等不變性，從而大大減少了模型的參數量[8-10]。本研究利用CNN構建“團霧”檢測識別系統，這對于“團霧”檢測具有重大意義。CNN的優勢主要體現在以下幾個方面：

1） 無須復雜預處理。CNN可直接對原始輸入數據進行表征學習，無需進行去噪等預處理步驟。

2） 多層次特征提取。CNN能夠從低級到高級提取特征，實現目標的全面表示。

3） 參數共享與稀疏連接。卷積核參數共享和層間連接的稀疏性大大降低了模型參數量，減少了過擬合風險。

4） 端到端學習。CNN采用“端到端”學習方式，輸入數據信息后，根據任務需求直接輸出預測結果。

1.1 卷積層

卷積層的核心功能在于多維特征信息的精準提取。每個卷積層由多個神經元組成，每個神經元與前一層中相鄰的多個神經元相互連接，形成所謂的“感受野”。感受野的大小由卷積核的尺寸決定。卷積核在輸入圖像上有序地滑動，有效捕捉局部信息。卷積層的關鍵參數包括卷積核大小、步長和填充層數，這些參數的優化配置對提升模型性能至關重要。

1.2 激活函數

激活函數是非線性映射層的關鍵組成部分。其引入顯著增強了網絡的非線性建模能力，使網絡能夠表達更復雜的映射關系，從而提升網絡的表征能力。

1.3 池化層

池化層的主要功能是簡化卷積層輸出的特征信息。在保持原有重要特征信息空間不變性的基礎上，池化層實現了特征數量的顯著減少，進而有效減少了網絡參數量。池化操作使模型更關注于特征的存在性而非具體位置，賦予特征一定的不變性。圖1展示了池化操作的整個流程，池化層內無參數。

在圖1中，對于一個4×4的特征圖，采用2×2的濾波器，步長（stride） 為2，無填充（padding） 進行池化操作。最大池化選擇2×2區域內的最大激活值；均值池化則計算每個2×2區域內神經元激活值的平均值。通常，濾波器大小為2×2，步長為2。

1.4 全連接層

全連接層（fully-connected layer） 通常出現在模型的后幾層，充當“分類器”的角色。全連接層存在一些局限性：1） 輸入尺寸固定。全連接層要求輸入圖像的尺寸固定。2） 參數量大。隨著網絡深度增加，全連接層的參數數量急劇增加，容易導致過擬合并增加計算成本。3） 空間結構破壞。全連接層直接將三維特征圖拉平處理，破壞了特征的原始空間結構。

為克服這些不足，全連接層可由1×1的卷積操作替代，以保留特征的原始空間結構。同時，全局平均池化（Global Average Pooling， GAP） 也是一種有效的替代方案，它支持任意大小的圖像輸入，參數量少，有助于避免過擬合并減少計算量。

1.5 輸出層

輸出層與最后一層全連接層緊密相連，通常采用歸一化指數函數（softmax function） 或邏輯函數來輸出分類標簽，因此也被稱為softmax層。

2 基于CNN-SVM的“團霧”檢測方法

2.1 支持向量機（SVM） 分類器

支持向量機（SVM） 是一種強大的監督學習算法，廣泛應用于分類和回歸分析任務中。在“團霧”圖像檢測領域，SVM通過訓練能夠檢測圖像中的關鍵特征，實現“團霧”與“非團霧”圖像的準確區分。

1） 特征提取。在應用SVM進行“團霧”圖像檢測之前，特征提取是關鍵的預處理步驟。此步驟涉及從“團霧”圖像中提取能夠表征其獨特屬性的關鍵特征，例如顏色直方圖、紋理特征和形狀描述符。通過提取這些特征，可以顯著提高SVM模型對“團霧”圖像的識別準確性。

2） 核技巧。SVM的核技巧是一種高級技術，允許算法在高維空間中自動尋找最優超平面，而無需顯式地將輸入特征映射到高維空間。根據不同任務需求和數據特性，選擇合適的核函數可以優化SVM模型的性能。

3） 模型訓練與驗證。為了訓練一個性能優良的SVM模型，需要使用帶有標簽的“團霧”與“非團霧”圖像數據集。通過這些數據集，SVM可以學習如何根據圖像特征進行分類。訓練完成后，通過交叉驗證等方法評估模型的泛化能力，確保模型在實際應用中的實用性。

2.2 卷積神經網絡模型設計

為了有效檢測“團霧”圖像，本文設計了一個專門的卷積神經網絡（CNN） 模型。該模型旨在捕捉圖像中的局部特征，并逐層構建更為復雜和抽象的特征表示。

1） 網絡架構。CNN作為深度學習模型，特別適用于處理圖像數據。設計一個適用于“團霧”圖像檢測的CNN模型，需要考慮如何有效地捕捉局部特征，并通過多層次的網絡結構構建高級特征表示。

2） 卷積層。卷積層負責提取圖像中的局部特征。通過使用多個卷積核，網絡可以學習到不同的特征，如邊緣、紋理等。這些特征是后續分類任務的基礎。

3） 池化層。池化操作通常緊跟在卷積層之后，用于降低特征的空間維度，從而減少計算量。同時，池化使特征檢測更加魯棒，增強模型的泛化能力。

4） 全連接層。在網絡的深層，卷積層的輸出被展平并通過全連接層，生成用于分類的高維特征向量。全連接層將學習到的特征映射到樣本標記空間。

5） 激活函數。如ReLU（Rectified Linear Unit） 激活函數，能夠在網絡中引入非線性，使模型能夠學習更復雜的特征。ReLU激活函數的使用能夠賦予網絡一定的稀疏性，減少參數間的相互影響，有助于緩解過擬合現象。

6） 損失函數與優化器。選擇合適的損失函數和優化算法（如Adam） 對于網絡的訓練至關重要。損失函數用于衡量預測誤差，優化器則用于最小化損失，提高網絡的性能。

7） 數據增強。為了提高模型的泛化能力，采用數據增強技術，如旋轉、縮放和裁剪，豐富訓練數據的多樣性，防止模型過擬合。

8） 模型調優。通過調整網絡的深度、卷積核的數量和大小、池化層的策略等，進行模型調優，以達到最佳的識別效果。

9） 性能評估。使用測試集評估CNN模型的性能，關注精確率、準確率、召回率和F1分數等指標，確保模型在實際應用中的有效性。

2.3 基于CNN-SVM的“團霧”圖像檢測與分類流程

本研究所構建的CNN-SVM網絡結構如圖2所示。其中，C1和C2代表卷積層，P1和P2代表池化操作，FC代表全連接操作。

基于CNN-SVM的“團霧”圖像檢測與分類流程如下。

1） 數據輸入。將“團霧”圖像數據有效傳輸至系統輸入層，為后續處理奠定基礎。

2） 特征提取與轉換。圖像數據通過設計精良的CNN進行深度處理，利用卷積和池化操作精準提取關鍵特征。隨后，這些特征通過全連接層高效轉換，映射為一維數據格式，便于后續分類器處理。

3） SVM分類器輸入。將全連接層輸出的一維數據無縫對接至支持向量機（SVM） 分類器，利用SVM強大的分類能力進行進一步分析。

4） 分類結果輸出。經過SVM分類器的精準計算與判定，最終得出“團霧”圖像的分類結果，實現高效、準確的圖像檢測與分類流程。

3 實驗設計

3.1 數據集

目前尚無公開的“團霧”圖像可供使用，因此，本研究的數據主要來源于視頻提取及網絡爬取“團霧”圖像。為確保數據質量，采用了人工篩選的方式，將不符合條件的圖像剔除，獲得了“團霧”天氣圖像和正常天氣圖像各250張，共計500張圖像。圖3展示了本實驗數據集中部分“團霧”天氣圖像。為了確保數據的統一性和標準化，所有圖像均被調整為30×30像素，并以JPG格式存儲，其中訓練集350張（“團霧”175張，正常天氣175張） ，測試集150張（“團霧”75張，正常天氣75張） 。

3.2 實驗環境

本實驗的操作系統為 Ubuntu 16.04，GPU為NVIDIA GTX 2080Ti * 1，CPU為Inter（R） Xeon（R） E5-2620 v4，內存 9 GB，Python 版本 3.7.0，深度學習框架TensorFlow 2.4.1，輔助庫NumPy 1.19.5、OpenCV 4.5.1、 scikit-learn 0.24.1。

3.3 實驗性能評價指標

為了精準地對“團霧”圖像進行分類，利用CNN技術提取“團霧”的關鍵特征，隨后借助SVM進行精確的分類。準確率、精確率、召回率和F1值都是衡量模型性能的重要標準。根據具體的應用場景和需求，可以選擇適合的指標來評估模型的性能，以便更好地優化模型并提高其實用性。

4" 實驗結果及分析

本節分別對卷積神經網絡（CNN） 模型、支持向量機（SVM） 模型以及兩者結合的CNN-SVM模型進行性能評估。通過計算準確率、精確率、召回率和F1值，比較不同模型的表現。

4.1 準確率（Accuracy）

分別對CNN、SVM和CNN-SVM模型在10次迭代中的準確率進行計算，結果如表1所示。從表中可以發現：CNN模型的準確率逐步提升，最終達到80%；SVM模型的準確率相對較低，波動在63%至72%之間；CNN-SVM模型在所有迭代中均表現出高準確率，穩定在88%至92%。

CNN模型在經過多次迭代后，其準確率明顯高于SVM模型。而結合CNN和SVM的CNN-SVM模型不僅繼承了CNN的特征提取能力，還利用了SVM在分類任務中的優勢，顯著提升了整體準確率，分別較SVM和CNN模型提升了約20%和12%。

4.2 精確率（Precision）

精確率的計算結果如表2所示。具體表現為：SVM模型的精確率在61%至69%波動；CNN模型的精確率逐步提升，最終穩定在70%至72%之間；CNN-SVM模型的精確率高達85%至89%，明顯優于其他兩種模型。

CNN模型的精確率優于SVM模型，顯示出在正樣本預測上的更高可靠性。CNN-SVM模型進一步提升了精確率，證明了融合模型在減少假正例方面的有效性，分別較SVM和CNN模型提升了約20%和17%。

4.3 召回率（Recall）

召回率的計算結果如表3所示。具體表現為：SVM模型的召回率在62%至71%；CNN模型的召回率逐步提升，最高達到78%；CNN-SVM模型的召回率高達74%至83%，顯著優于其他兩種模型。

CNN模型在召回率上優于SVM模型，表明其在識別正樣本方面表現更佳。融合后的CNN-SVM模型進一步提升了召回率，體現了其在減少漏報方面的優勢，分別較SVM和CNN模型提升了約12%和5%。

4.4 F1值（F1 Score）

F1值的計算結果如表4所示。具體表現為：SVM模型的F1值在67%至80%；CNN模型的F1值在69%至79%；CNN-SVM模型的F1值高達86%至90%，顯著優于其他兩種模型。

F1值綜合考慮了精確率和召回率，反映了模型在分類任務中的整體性能。CNN模型的F1值優于SVM模型，而CNN-SVM模型則在F1值上表現最佳，較SVM和CNN模型分別提升了10%和11%。這進一步證明了融合模型在綜合評價指標上的優勢。

5 總結

基于CNN-SVM的“團霧”圖像檢測方法在準確率、精確率、召回率和F1值等多個指標上均優于單獨使用CNN或SVM模型。這說明融合卷積神經網絡與支持向量機的優勢可以有效提升模型的整體性能和分類準確性。特別是在處理復雜的圖像分類任務時，CNN-SVM模型表現出更強的魯棒性和泛化能力。

本研究深入探討了“團霧”檢測方法，結合卷積神經網絡（CNN） 與支持向量機（SVM） 模型，提出了一種創新的CNN-SVM融合模型用于“團霧”圖像的檢測與分類，為“團霧”檢測提供了新的視角和實踐路徑，并有望在未來智能交通和自動駕駛領域發揮重要作用。

參考文獻：

[1] 金小飛.基于深度學習的單幅圖像去霧算法研究[D].南京：南京郵電大學，2023.

[2] 王琦，馮海霞，田俊，等.基于時間序列的團霧監測與預警系統[J].天津理工大學學報，2021，37（6）：58-64.

[3] 劉建磊，劉曉亮.基于視頻圖像對比度的團霧檢測算法[J].光電子技術，2015，35（2）：91-95.

[4] 常榮，陳松，徐德保，等.基于多特征團霧圖像分類算法[J].滁州學院學報，2020，22（5）：25-29.

[5] 李靜，郝衛東，朱劍芳.基于顏色和區域面積的目標識別算法研究[C]//Intelligent Information Technology Application Association.Proceedings of the 2011 International Conference on Future Computer Science and Application （FCSA 2011 V2）. 桂林： 桂林電子科技大學，2011：4.

[6] KIM Y H，MOON S H，YOON Y.Detection of precipitation and fog using machine learning on backscatter data from lidar ceilometer[J].Applied Sciences，2020，10（18）：6452.

[7] LI L L，YANG B，CHEN S H.Detection of agglomerate fog based on a shallow convolutional neural network[J].Multimedia Tools and Applications，2022，81（2）：2841-2857.

[8] 陳雅.基于卷積神經網絡的大數據圖像智能識別方法研究[J].信息與電腦（理論版）， 2024，36（6）：137-139.

[9] 王燕.基于深度卷積神經網絡的垃圾分類算法研究[J].造紙裝備及材料，2024，53（1）：104-106.

[10] 史騰飛，尚家秀，吳宗航.基于卷積神經網絡的圖像分類改進方法研究[J].現代信息科技，2023，7（5）：109-112.

【通聯編輯：唐一東】