基于视频的天气类别识别系统

1 系统功能

基于视频的天气类别识别系统包含数据库管理、特征库管理和训练识别三部分，如图1 所示。数据库管理包括天气类别视频数据的采集、天气类别数据库的构建和对数据库的操作（增加新的数据、删除数据、查询数据）；特征库管理包括对静态特征的提取、动态特征的提取和特征库的操作；训练识别模块主要对分类器进行训练并对测试数据进行识别训练。

2 天气类别数据库

本文采用海康威视主动摄像机（高清型号DS-2DF7286-A/D/ AF 网络红外智能球）进行天气类别视频数据采集。相机在每天6 时、7 时、8 时、10 时、12 时、14 时、16 时和18 时这8 个时刻开始拍摄半个小时的视频数据。

本文采用C++.Net 和OpenCV.2.4.4 编写程序将视频转化为图像序列。为了较少数据量，同时不丢失视频的动态信息，本文每隔一分钟采样连续的100 帧图像作为一组图像序列。每组图像序列包含100 帧连续的图像、一个txt 格式的信息文件。信息文件为该组图像序列的说明文件，包含时间、天气现象、场景信息以及气象六要素信息。

目前网上可用于天气类别识别的数据库较少，典型的是wild 和panorama 天气类别数据库。这两个数据库都是采用固定相机对单一场景进行拍摄，每隔一定时间采样一帧图像作为研究对象。

表1 所示为不同数据库的比较，主要比较天气类别数目、场景数目以及处理的数据类型。本文数据库可研究的天气类别数明显多于wild、panorama 数据库，本文数据库包含多个场景，可以研究不同场景下的天气类别识别问题，另外本文采用视频作为研究对象，相比图像数据库，包含更多的信息，尤其适合动态天气的识别。

表1 不同数据库的比较

3 天气类别特征库

为了区分不同天气类别，需要提取反映天气类别的有效视觉特征，确保来自同一天气类别样本的特征非常接近，来自不同天气类别样本的特征差异较大。

现有的天气类别的特征提取大多基于图像，单帧图像特征对于动态天气（雨雪等）的识别效果不佳，而视频包含着丰富的运动信息，因此本文基于视频进行了天气类别的自动识别观测，提取了静态特征和动态特征，流程如图2 所示。本文所提的静态特征包括功率谱能量、NTSC 空间的色度纹理和HSV 空间的饱和度纹理特征；动态特征包括短时自相关、运动检测后的纹理和运动检测后的颜色特征。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，实验发现本文的特征更有优势，能够更有效地区分不同天气类别。

4 分类识别