基于CNN-SVM的“团雾”检测方法研究

摘要：“团雾”是一种突发性强、能见度极低的恶劣气象现象，常见于高速公路路段。通过研究"团雾"检测方法，可以有效进行预警，减少由“团雾”引发的交通事故，并为自动驾驶技术提供关键的环境感知技术支持。因此，本研究提出了一种基于卷积神经网络（CNN） 和支持向量机（SVM） 的“团雾”检测方法。该方法保留了CNN在特征提取方面的优势，同时引入了SVM在分类任务上的强大性能，用SVM替代SoftMax分类器进行“团雾”图像的分类。通过对准确率、精确率、召回率和F1值的综合评估，验证了本研究改进的算法在高速公路“团雾”检测性能上有显著提升，为智慧警务提供了有价值的借鉴，并更好地应用于公安实战中。

关键词：高速公路“团雾”；“团雾”检测方法；卷积神经网络；支持向量机；智慧警务

中图分类号：TP311   文献标识码：A

文章编号：1009-3044（2025）08-0001-04

开放科学（资源服务） 标识码（OSID） ：

0  引言

随着我国高速公路交通网络的不断建设和发展，车辆行驶安全问题日益突出。深入研究“团雾”检测方法，对于提升国家智能交通系统的安全性和运行效率具有重要意义。

“团雾”检测技术受到了国内外学者的广泛关注。在深度学习技术的推动下，国内研究者金小飞[1]深入研究了智慧高速公路场景中的“团雾”检测技术。他们运用卷积神经网络（CNN） 对雾天公路视频图像进行雾浓度级别的精准分类，创新性地结合了ResNet50和VGG16卷积网络，并引入自适应模块，显著提升了模型的收敛速度和识别精度，实现了对五个级别能见度的稳定识别，准确率均超过0.8。

王琦[2]等人提出了一种基于时间序列图像处理技术的“团雾”检测方法。他们从大量视频监控数据中提取信息，运用高斯混合模型获取背景序列图像，通过观察图像的对比度、灰度值及边缘特性，研究“团雾”产生时背景像素的变化趋势，并将这些特性值与能见度匹配，构建基于背景像素序列的能见度模型，比较相邻摄像头的数据以确定“团雾”的存在。

刘建磊[3]等人提出了一种利用彩色视频图像对比度模型和支持向量机区分“团雾”的检测算法。常荣[4]等人则提出了一种利用混合特征向量矩和SoftMax分类器对“团雾”图像进行分类的算法，通过优化训练后的分类器，实现对“团雾”图像的精准分类。

在国际上，早期研究已开始关注利用固定目标物的视频图像进行能见度检测。例如，李静[5]等人通过分析目标物亮度与距离的关系，成功实现了能见度的检测。KIM Y H[6]等人利用数码全景摄像机拍摄的时间序列图像，检测最远目标物以估算气象能见度。Li LI L L[7]等人提出了一种用于图像“团雾”检测的浅层卷积神经网络，详细设计了网络的框架和各组成部分。

1 卷积神经网络

卷积神经网络（Convolutional Neural Network， CNN） 在深度学习领域占据了重要地位。CNN的局部连接和权重共享等特性，使其具备平移、缩放和旋转等不变性，从而大大减少了模型的参数量[8-10]。本研究利用CNN构建“团雾”检测识别系统，这对于“团雾”检测具有重大意义。CNN的优势主要体现在以下几个方面：

1） 无须复杂预处理。CNN可直接对原始输入数据进行表征学习，无需进行去噪等预处理步骤。

2） 多层次特征提取。CNN能够从低级到高级提取特征，实现目标的全面表示。

3） 参数共享与稀疏连接。卷积核参数共享和层间连接的稀疏性大大降低了模型参数量，减少了过拟合风险。

4） 端到端学习。CNN采用“端到端”学习方式，输入数据信息后，根据任务需求直接输出预测结果。

1.1 卷积层

卷积层的核心功能在于多维特征信息的精准提取。每个卷积层由多个神经元组成，每个神经元与前一层中相邻的多个神经元相互连接，形成所谓的“感受野”。感受野的大小由卷积核的尺寸决定。卷积核在输入图像上有序地滑动，有效捕捉局部信息。卷积层的关键参数包括卷积核大小、步长和填充层数，这些参数的优化配置对提升模型性能至关重要。

1.2 激活函数

激活函数是非线性映射层的关键组成部分。其引入显著增强了网络的非线性建模能力，使网络能够表达更复杂的映射关系，从而提升网络的表征能力。

1.3 池化层

池化层的主要功能是简化卷积层输出的特征信息。在保持原有重要特征信息空间不变性的基础上，池化层实现了特征数量的显著减少，进而有效减少了网络参数量。池化操作使模型更关注于特征的存在性而非具体位置，赋予特征一定的不变性。图1展示了池化操作的整个流程，池化层内无参数。

在图1中，对于一个4×4的特征图，采用2×2的滤波器，步长（stride） 为2，无填充（padding） 进行池化操作。最大池化选择2×2区域内的最大激活值；均值池化则计算每个2×2区域内神经元激活值的平均值。通常，滤波器大小为2×2，步长为2。

1.4 全连接层

全连接层（fully-connected layer） 通常出现在模型的后几层，充当“分类器”的角色。全连接层存在一些局限性：1） 输入尺寸固定。全连接层要求输入图像的尺寸固定。2） 参数量大。随着网络深度增加，全连接层的参数数量急剧增加，容易导致过拟合并增加计算成本。3） 空间结构破坏。全连接层直接将三维特征图拉平处理，破坏了特征的原始空间结构。

为克服这些不足，全连接层可由1×1的卷积操作替代，以保留特征的原始空间结构。同时，全局平均池化（Global Average Pooling， GAP） 也是一种有效的替代方案，它支持任意大小的图像输入，参数量少，有助于避免过拟合并减少计算量。

1.5 输出层

输出层与最后一层全连接层紧密相连，通常采用归一化指数函数（softmax function） 或逻辑函数来输出分类标签，因此也被称为softmax层。

2 基于CNN-SVM的“团雾”检测方法

2.1 支持向量机（SVM） 分类器

支持向量机（SVM） 是一种强大的监督学习算法，广泛应用于分类和回归分析任务中。在“团雾”图像检测领域，SVM通过训练能够检测图像中的关键特征，实现“团雾”与“非团雾”图像的准确区分。

1） 特征提取。在应用SVM进行“团雾”图像检测之前，特征提取是关键的预处理步骤。此步骤涉及从“团雾”图像中提取能够表征其独特属性的关键特征，例如颜色直方图、纹理特征和形状描述符。通过提取这些特征，可以显著提高SVM模型对“团雾”图像的识别准确性。

2） 核技巧。SVM的核技巧是一种高级技术，允许算法在高维空间中自动寻找最优超平面，而无需显式地将输入特征映射到高维空间。根据不同任务需求和数据特性，选择合适的核函数可以优化SVM模型的性能。

3） 模型训练与验证。为了训练一个性能优良的SVM模型，需要使用带有标签的“团雾”与“非团雾”图像数据集。通过这些数据集，SVM可以学习如何根据图像特征进行分类。训练完成后，通过交叉验证等方法评估模型的泛化能力，确保模型在实际应用中的实用性。

2.2 卷积神经网络模型设计

为了有效检测“团雾”图像，本文设计了一个专门的卷积神经网络（CNN） 模型。该模型旨在捕捉图像中的局部特征，并逐层构建更为复杂和抽象的特征表示。

1） 网络架构。CNN作为深度学习模型，特别适用于处理图像数据。设计一个适用于“团雾”图像检测的CNN模型，需要考虑如何有效地捕捉局部特征，并通过多层次的网络结构构建高级特征表示。

2） 卷积层。卷积层负责提取图像中的局部特征。通过使用多个卷积核，网络可以学习到不同的特征，如边缘、纹理等。这些特征是后续分类任务的基础。

3） 池化层。池化操作通常紧跟在卷积层之后，用于降低特征的空间维度，从而减少计算量。同时，池化使特征检测更加鲁棒，增强模型的泛化能力。

4） 全连接层。在网络的深层，卷积层的输出被展平并通过全连接层，生成用于分类的高维特征向量。全连接层将学习到的特征映射到样本标记空间。

5） 激活函数。如ReLU（Rectified Linear Unit） 激活函数，能够在网络中引入非线性，使模型能够学习更复杂的特征。ReLU激活函数的使用能够赋予网络一定的稀疏性，减少参数间的相互影响，有助于缓解过拟合现象。

6） 损失函数与优化器。选择合适的损失函数和优化算法（如Adam） 对于网络的训练至关重要。损失函数用于衡量预测误差，优化器则用于最小化损失，提高网络的性能。

7） 数据增强。为了提高模型的泛化能力，采用数据增强技术，如旋转、缩放和裁剪，丰富训练数据的多样性，防止模型过拟合。

8） 模型调优。通过调整网络的深度、卷积核的数量和大小、池化层的策略等，进行模型调优，以达到最佳的识别效果。

9） 性能评估。使用测试集评估CNN模型的性能，关注精确率、准确率、召回率和F1分数等指标，确保模型在实际应用中的有效性。

2.3 基于CNN-SVM的“团雾”图像检测与分类流程

本研究所构建的CNN-SVM网络结构如图2所示。其中，C1和C2代表卷积层，P1和P2代表池化操作，FC代表全连接操作。

基于CNN-SVM的“团雾”图像检测与分类流程如下。

1） 数据输入。将“团雾”图像数据有效传输至系统输入层，为后续处理奠定基础。

2） 特征提取与转换。图像数据通过设计精良的CNN进行深度处理，利用卷积和池化操作精准提取关键特征。随后，这些特征通过全连接层高效转换，映射为一维数据格式，便于后续分类器处理。

3） SVM分类器输入。将全连接层输出的一维数据无缝对接至支持向量机（SVM） 分类器，利用SVM强大的分类能力进行进一步分析。

4） 分类结果输出。经过SVM分类器的精准计算与判定，最终得出“团雾”图像的分类结果，实现高效、准确的图像检测与分类流程。

3 实验设计

3.1 数据集

目前尚无公开的“团雾”图像可供使用，因此，本研究的数据主要来源于视频提取及网络爬取“团雾”图像。为确保数据质量，采用了人工筛选的方式，将不符合条件的图像剔除，获得了“团雾”天气图像和正常天气图像各250张，共计500张图像。图3展示了本实验数据集中部分“团雾”天气图像。为了确保数据的统一性和标准化，所有图像均被调整为30×30像素，并以JPG格式存储，其中训练集350张（“团雾”175张，正常天气175张） ，测试集150张（“团雾”75张，正常天气75张） 。

3.2 实验环境

本实验的操作系统为 Ubuntu 16.04，GPU为NVIDIA GTX 2080Ti * 1，CPU为Inter（R） Xeon（R） E5-2620 v4，内存 9 GB，Python 版本 3.7.0，深度学习框架TensorFlow 2.4.1，辅助库NumPy 1.19.5、OpenCV 4.5.1、 scikit-learn 0.24.1。

3.3 实验性能评价指标

为了精准地对“团雾”图像进行分类，利用CNN技术提取“团雾”的关键特征，随后借助SVM进行精确的分类。准确率、精确率、召回率和F1值都是衡量模型性能的重要标准。根据具体的应用场景和需求，可以选择适合的指标来评估模型的性能，以便更好地优化模型并提高其实用性。