我在需要确定飞行员能见度条件的机场工作。
为此，我们在跑道上每隔 200 米放置一个标志，以便我们确定能见度的距离。我们有多条跑道，需要每小时检查一次能见度。
目前，能见度检查是由人工手动完成的，人工查看来自每条跑道末端的摄像头的照片。所以它可能很乏味。
我是一名程序员，对机器学习几乎没有经验，但这听起来是一个很容易实现自动化的问题。我应该如何解决这个问题？我应该学习哪些算法？ OpenCV 会帮助我吗？
谢谢！
【问题讨论】：
标签： opencv machine-learning computer-vision computer-science
我认为这可以使用计算机视觉技术实现自动化。 openCV 可以使实现更容易。如果所有标志都相似，那么我们可以训练我们的程序在特定条件（灯光）下识别标志。然后，我们可以使用经过训练的分类器，使用简单的脚本每隔一小时检查一次标志的可见性。 openCV 中已经有类似 harr 的特征提取。您可以使用训练分类器，该分类器将输出 .xml 文件并使用该 .xml 文件定期检测标志。 我使用 openCV 完成了一个类似的项目 RTVTR（实时车辆跟踪和识别），效果很好。 http://www.youtube.com/watch?v=xJwBT76VEZ4
【讨论】：
回答您的问题：
我应该如何解决这个问题？
这取决于您想要/需要获得的结果。这是一个“爱好”项目（即使与工作相关）还是您需要构建机器视觉系统来解决问题，它是否应该符合某些法规或标准？
我应该学习哪些算法？
我对你的问题很感兴趣，但我不是气象学领域的专家，所以搜索相关文献对我来说是一项耗时的任务......所以我保留更新这部分答案将来。我认为在解决问题时会涉及到不同的算法，有些非常通用，例如image segmentation 的算法，有些非常具体，例如如何测量可见性。
更新：文献中搜索的关键词之一是Meteorological Visibility，例如
LENOR、斯蒂芬等人。从路面亮度曲线估计气象能见度的改进模型。在：模式识别。施普林格柏林海德堡，2013。 184-193。
OpenCV 会帮助我吗？
是的，我认为 OpenCV 可以为您提供一个起点。
一个朴素算法的想法：
如果符号始终位于图像内相同的固定和已知位置，则分割可以大大简化。
可见性的度量显然是算法的核心，它可以通过多种方式执行......
您可以采用一种简单的方法，根据标志和背景区域的平均灰度级，使用数学公式计算可见度。
您可以采用一种更复杂且面向机器学习的方法，在这种方法中，您可以实施一种模仿当前基于人类的程序的算法。在这种情况下，您的问题可以定义为supervised learning 任务：您有一组训练示例，每个训练示例都是由 a) 跑道照片（输入）和b）与该照片相关并由人类计算的可见性（期望的输出）。然后通过训练集对系统进行训练，当你输入一张新照片作为输入时，它会给你返回可见度测量值。我认为您有过去的可见性测量（METAR？）的日志，如果您也保存了相关图像，您将已经拥有相关数量的数据，以便构建 training set 和 test set。
卷积神经网络时代的更新：
你，杨等人。相对 CNN-RNN：从图像中学习相对大气能见度。 IEEE 图像处理汇刊，2018 年。
【讨论】：
Tensor 和 uvts_cvs 的回复都非常有帮助。虽然 opencv 主要旨在识别符号模式甚至将其从背景中分割出来，但当您提取问题中的核心特征：可见性时，您可能仍需要在训练集中包含背景信号。我假设手动检查可见性是基于图像对比度，如果是这样，那么信噪比 (SNR) 或对比度噪声比 (CNR) 是学习中的一个很好的特征。定义了一个阈值来分类“可见-1”和“不可见-0”。 SNR/CNR 可以自动获取，特别是如果您的标志位置和大小在您的相机图像中是固定的。
【讨论】：
收集一大堆照片和视频，并在Kaggle 上提出挑战。我相信很多人都想尝试解决它，即使奖励不会很高。
【讨论】：
您可以使用openCV的模板匹配功能： http://docs.opencv.org/doc/tutorials/imgproc/histograms/template_matching/template_matching.html
模板在哪里是标志。如果您设法找到正确的匹配项，则该标志是可见的。我认为您还可以从该代码中了解图像中符号的比例。
【讨论】：
由于这是一个非常受控且静态的环境，因此您有完美的条件来使用基于视觉的方法来估计能见度。尽管如此，要决定采用哪种方法并不容易。在我的论文中，我正在深入审查这个主题，以解决道路交通控制不佳的环境。请参阅：LENOR, Stephan. Model-Based Estimation of Meteorological Visibility in the Context of Automotive Camera Systems. 2016. Doktorarbeit. (https://archiv.ub.uni-heidelberg.de/volltextserver/20855/1/20160509_lenor_thesis_final_print.pdf)。
我看到你可以跟进的两个主要方向：
您也可以将两者结合，等等。如果您仍然对解决方案感兴趣，可以再次与我联系，我很乐意进行更深入的咨询。
【讨论】：