基于联合投票网络的交通场景天气分类方法

文章编号：0258-2724(2021)03-0579-08 DOI: 10.3969/j.issn.0258-2724.20200084
基于联合投票网络的交通场景天气分类方法
崔洪涛 1
，曹　科 2
，张　虎 1
，崔　潇
1
（1. 河南省高速公路联网监控收费通信服务有限公司，河南 郑州 450016；2. 西南交通大学信息科学与技术学院，四川 成都 611756）
摘　要：基于交通视频监控图像的天气识别已经成为智能交通系统中重要的研究课题. 虽然卷积神经网络（convolutional neural network ，CNN ）在图像识别技术获得了巨大的发展，但是针对复杂交通场景的天气识别问题，现有的模型在特征表达方面仍然面临着巨大的挑战. 为了提取丰富的语义特征，提出了基于联合投票机制的深度神经网络（deep neural network ，DNN ）模型. 所提出的模型包括两个核心模块：基于通道和空间注意力机制的二阶特征模块和基于复合特征结果联合投票机制的分类模块, 用以提取不同天气图像中的判别性信息，提高在复杂交通场景下的天气识别性能. 最后，在两个基准天气分类数据集上进行了验证试验，结果表明：对于复杂场景条件下的天气识别问题，所提出的基于联合投票机制的深度神经网络模型的识别正确率优于目前最好的天气识别方法的1.97%.
关键词：智能交通；天气识别；卷积神经网络；联合投票；天气分类；深度神经网络中图分类号：TP389.1 文献标志码：A
Weather Classification in Traffic Scene Based on Joint Voting Network
CUI Hongtao 1
, CAO Ke 2
, ZHANG Hu 1
, CUI Xiao
1
(1. Henan Expressway Network Monitoring Toll Communication Service Co.，Ltd.，Zhengzhou 450016，China; 2. College of Information Science and Technology ，Southwest Jiaotong University ，Chengdu 611756，China)
Abstract : Weather classification based on road monitoring images has become an important research topic in intelligent traffic system. With the application of convolutional neural network (CNN)，image recognition has been greatly developed. However ，the existing deep learning methods still face great challenges in weather recognition of complex traffic scenarios. A novel deep neural network (DNN) model based on joint voting framework is proposed to extract rich semantic features. The proposed model consists of two core modules: the second-order feature module based on channel and spatial attention mechanism and the joint voting classification module based on composite features, which can extract discriminant information from different weather images and improve the weather recognition performance in complex scenarios. Extensive experiments conducted on two benchmark weather classification datasets demonstrate that the proposed joint voting DNN outperforms the existing weather recognition method by 1.97%.
Key words : intelligent transportation; weather recognition; convolutional neural network (CNN); joint voting; weather classification; deep neural network (DNN)
目前，智能交通系统中重要的研究课题之一是如何高效和正确地利用广泛的视频监控图像来识别各类交通环境中的气象状况. 无论是城市交通还是
道路交通无时无刻不与天气状况有着紧密的联系，天气的好坏对交通运输有着直接的影响. 特别是恶劣的天气不仅会大大削弱交通运输效率，还会直接
收稿日期：2020-03-11 修回日期：2020-05-11 网络首发日期：2020-06-18基金项目：河南省交通运输厅科技计划（2019J-2-2）
第一作者：崔洪涛（1974—），男，高级工程师，研究方向为交通信息化，E-mail ：*****************
引文格式：崔洪涛，曹科，张虎，等. 基于联合投票网络的交通场景天气分类方法[J]. 西南交通大学学报，2021，56(3)： 579-586．
CUI Hongtao ， CAO Ke ， ZHANG Hu ， et al. Weather classification in traffic scene based on joint voting network[J]. Journal of Southwest Jiaotong University ， 2021， 56(3)： 579-586．
第 56 卷　第 3 期西　南　交　通　大　学　学　报
Vol. 56 No. 32021 年 6 月
JOURNAL OF SOUTHWEST JIAOTONG UNIVERSITY
Jun. 2021
导致交通事故，危及人们的生命财产安全. 据《中华人民共和国道路交通事故统计年报（2010年度）》[1]统计数据，全国发生21.95万起交通事故，其中高达29.79%的事故由恶劣天气导致. 所以，城市交通运营、高速公路管理、航班时刻制定等，都需要以准确掌握交通环境中的天气状况为前提. 例如：暴雨将影响驾驶可见度，这种情况下高车流量容易引发交通事故，而如果能及时捕捉到局部暴雨情况，便可以通过疏导和限制车流达到降低交通事故发生概率的目的；航空运输对低空天气状况更加敏感，造成事故的往往为低空事故，因此及时监测低空天气环境更为重要，并以此为依据对即将起飞或降落的飞机进行管理.
虽然可以从气象台获取天气信息，但这往往是大范围的天气信息. 利用气象传感器监测局部天气状况，则存在价格昂贵，难以应用于巨大的交通网络的困境. 于是，基于视觉的天气检测方法逐渐受到关注. 然而，基于视觉的方法普遍存在准确度不足的问题，这个问题在复杂的交通场景下尤为突出. 总的来说，目前交通路网天气检测主要面临三方面的挑战，即局部天气监测困难、气象传感器昂贵、基于视觉的天气识别方法效果差.
对于已普遍建立在交通路网中的道路监控系统，研究人员更青睐通过采集监控图像来完成局部天气精准分类检测. 基于图像完成天气识别任务，需要通过模型提取分类特征. 有通过直方图特征来提取天气信息[2-3]的方法，但适用范围过于局限. 有用场景理解来做分类的方式[4-5]，还有用尺度不变特征变换（scale-invariant feature transform，SIFT）[6]或方向梯度直方图（histogram of oriented gradient，HOG）[7]等特征信息来做分类的方式，但这些方法提取的特征对于明暗变化剧烈的天气图片很难适用. 因此，传统特征提取的方法并不适用于天气检测任务.
近几年，卷积神经网络（convolutional neural network，CNN）[8]在计算机视觉方面取得了巨大的发展，并在广泛的图像分类任务中展示了强大的优势.但对于复杂交通场景下的天气识别任务，现有CNN 普遍存在准确率不足的问题. 最近的研究表明，通过将注意力机制和二阶特征处理方法集成到网络之中，可以增强特征的表达能力. 基于此，本文提出融合多种优化机制的联合投票网络（joint voting network，JVNet），该网络能显著提高在复杂交通场景下的天气识别精度，使基于交通路网监控图像的天气分类成为可能，大大增加交通智能化程度.
因此，针对交通应用任务的有效性，本文构建了一个新的天气识别数据集，该数据集包含3 820张彩色图片，覆盖6种天气类型（包括晴、雨、小雾、中雾、大雾、雪）. 图像来源于网络，采集内容为各类交通场景.为体现数据集的详细分布信息，分别统计了不同天气图像的数量分布、亮度分布以及图像尺寸分布，具体见附加材料图S1～S3. 相较于以往提出的数据集，该数据集倾向于交通应用，覆盖更多天气类型，类别数量分布不均，亮度分布相似，这都表明了在该数据集上的分类任务难度大，能充分满足对实际交通场景天气分类任务的验证需求.
1 相关工作
1.1 传统的天气识别方法
将计算机视觉方法应用于图像的天气分类任务上，很多学者做了努力. 早期的做法是：利用图像中的一些先验信息来做分类[2-3]. 他们在图像上划分不同的兴趣区域（region of interest，ROI），然后在设计的先验信息域（例如锐利度、明亮度、饱和度等）上提取HOG[7]特征，再将不同信息域的特征组合成多维特征送入支持向量机（support vector machine，SVM）中进行分类判断. 但这种方法依赖于特定的先验信息，所以不具有广泛应用的能力.
另外的做法是，通过设计各种天气特征（比如天空、阴影、反射等）提取器用于区分天气情况. 但这种方法在图片中没有任何之前设计的天气特征的情况下，将无法判断天气情况. Lu等[9]使用了投票人的协作学习框架：将有着相同天气特征的图像分在一组，然后在同一组图像中构建SVM分类器，最后联合各组的不同分类器对图像进行判断，这种方法取得了76.6%的正确率.
虽然这些工作为天气分类任务提供了不少的解决方案，但这些方法取得的效果并不理想. 与典型的图像分类任务相比，天气图像受到光照、反射、场景和阴影等多种因素的影响，这些因素高度耦合，使得图像的天气分类边界高度非线性，以往的工程方法已经无法捕捉这种分类边界.
1.2 基于深度学习的图像识别方法
AlexNet是第一次在大规模图像分类任务中被提出的卷积神经网络，它将ImageNet错误率降至16.4%[10]. 随后，Inception和ResNet相继被提出，并取得提升效果[11-13]. 自2012年以来，CNN的方法便
580西 南 交 通 大 学 学 报第 56 卷
广泛应用于图像识别领域.
文献[14]的研究证明了CNN在天气分类任务上的有效性，将AlexNet的输出层变成2类，在Lu等[9]的数据集上作训练，对CNN逐层分析其分类效果并与之前方法比较，CNN更善于发现天气分类任务中的非线性映射关系，并取得了提高的分类结果（91.1%）.
另外，延续Lu等[9]利用多种区域特征来区分天气的思想，文献[15]提出了区域选择和并发模型的深度学习模型，通过对图像语义分割后得到不同的语义区域，然后将原始的分类器替换为网络模型，利用不同区域的特征表达得到区域天气指示，最后综合成全图天气判断. 在多属性天气判断上取得了不错的效果.
从分类效果可以清晰地看出：相比于传统方法，CNN在天气分类任务上同样有着较大的优势. 为了提高天气分类模型的效果，如何提升CNN对复杂交通场景下天气特征的有效提取成为了任务的关键.
有研究工作[16]发现：卷积网络在逐步降低分辨率时会降低空间结构的辨识度，这限制了图像分类的准确性. 文献[16]提出了扩展卷积来缓解这些问题，在不减少单个神经元接受域的情况下提高输出特征图的分辨率，并且提高了网络的分类效果.
在之前的工作[17-18]中，特征的各通道相关性通常独立于空间结构，主要目的在于减少模型参数量和计算复杂度. 与此相反，Hu等[19]为特征的通道相关性提供了一种注意力机制，用以学习特征通道之间的非线性依赖关系，这样显著增强了网络的表示能力. 之后，Woo等[20]还在空间层面引入注意力机制，对通道和空间进行有区别的特征学习，有效地帮助网络提取优秀特征.
另一方面，现有多数网络只专注于设计更广或更深的结构，Li等[21]在探索高阶信息上做出了努力.作者对提取出的特征信息进行协方差池化，产生的协方差矩阵作为全局图像的特征表示，并在Image-Net 2012数据集[22]上进行了全面的评估，证实了二阶特征网络分类效果优于一阶特征网络.
1.3 本文思路
受以上工作启发，本文将在复杂交通场景下的监控图像上，使用现有经典图像识别CNN的基础上，加入注意力机制的二阶特征方法和联合投票分类机制，综合特征可视化方法改进通用CNN，为更加适合复杂交通场景天气分类的网络模型，解决目前基于监控图像的城市交通天气检测面临的识别准确率不足的难题.
2 本文提出的方法
2.1 基于注意力机制的二阶特征模块
2.1.1 现有天气特征提取方法的不足
虽然现在有许多针对通用图像识别任务提出的网络模型，这些通用网络能提取部分有效分类特征，但对于复杂交通场景的天气图像信息，是无法捕获准确判断所需要的更多信息，主要原因是现有的通用网络没有针对具体应用对分类特征进行有区别的关注和学习，且没有利用高阶信息来进行筛选特征.
在网络中加入的注意力机制，能告诉网络注意的重心，提高重心的代表性. 在网络的信息流中，通过混合信道和空间的信息来提取特征，能同时兼顾两个维度上的特征. 因此，网络通过加入通道和空间的注意力机制，能有效地帮助网络提升判断力.
2.1.2 通道注意力的特征提取方法
以简化的普通浅层卷积网络为例，基于通道注意力机制的天气分类网络结构如图1.
卷积
卷积
特征
压缩激励
通道
特征
全连接层
图 1 特征通道注意力机制网络结构示意Fig. 1 Schematic diagram of channel attention network
对输入图像提取到特征图后，首先是将特征图每个通道中的二维特征图转换成一个实数，然后再通过学习为每个特征通道生成权重，最后将生成的权重通过乘法运算逐层通道加权到先前的特征上，完成在通道维度上对原始特征的重标定.
2.1.3 通道和空间注意力机制的特征提取方法
在网络中，加入通道和空间轴上的注意力机制后，每个部分便分别在通道和空间轴上学习“什么”和“哪里”需要加大学习力度，简化的网络结构如图2.
卷积
卷积特征通道特征
通道
空间
特征
全连接层
压缩激励压缩激励
图 2 特征通道和空间注意力机制结构示意
Fig. 2 Schematic diagram of channel and
spatial attention network
第 3 期崔洪涛，等：基于联合投票网络的交通场景天气分类方法581
类似的，对输入图像提取到特征图后，注意
力机制分别从通道和空间两个独立的维度处理得到权重，然后将权重点乘特征图进行自适应特征细化.
2.1.4 二阶特征方法的设计
Li 等[21]
提出的MPN-COV （matrix power norma-lized covariance ）法是对二阶特征信息的有效处理手段，图3为MPN-COV 法的正向和反向传播过程，图中：p 为输入特征的样本协方差矩阵；u 、a 分别为正交、对角矩阵；q 为特征值的幂矩阵；f eig (p )、f pow (u ,a )分别为特征值分解函数、矩阵幂转换函数；x 为模型初始化参数； l 为损失值. 对于一个输入的图像特征，MPN-COV 法产生一个归一化的协方差矩阵作为二阶特征表示，表征了特征空间的相关性.
(u , a ) = f eig (p )q = f pow (u , a ),( )
MPN-COV
l ∂x
∂l ∂l ∂l ∂l
∂p
∂u ∂a ∂q
∂图 3 MPN-COV 方法的前向和后向传播过程Fig. 3 Forward and backward propagation of MPN-COV
MPN-COV 方法作为一个网络层插入到最后一层卷积层和全连接层（fully connected layer ，FC ）之间，可端到端训练.
MPN-COV 方法其实相当于稳健的协方差估计.样本协方差等于正态分布随机向量的极大似然估计的解. 该方法非常符合收缩原理，即缩小最大的样本特征值，拉伸最小的特征值，为每个特征值提供个性化的收缩强度. 将与目标结果不相关的特征和相关的特征分离，进一步提高全连接层分类精确度.
2.2 基于联合投票的复合网络
2.2.1 现有单一神经网络无法捕捉全面特征
神经网络不同的结构可以带来不同的分类效果，因为结构也隐含了某种特征设计. 较早的AlexNet 网络结构比较浅，所以关注的是浅层特征，而后的ResNet 网络能达到1 000层，所以网络学习到的是高层特征. 通过在网络中增加通道和空间注意力机制，网络会倾向于在通道和空间部分进行特征选择，所以，网络的设计会带来特征选择的倾向性. 但对于复杂交通场景的天气特征信息，现有单一网络仍然无法全面学习.
2.2.2 网络方法的设计
单一网络无法全面学习到所有特征，提出综合
网络判断结果的联合推断方法将融合各网络的选择结果. 由于每个网络对图像输入都有输出的判断结果，所以将每个网络的输出判断结果进行比较，多数的投票结果即为最终复合网络的输出结果. 联合投票复合网络方法的设计如图4所示.
卷积
卷积
特征
通道特征
二阶特征
全连接层
全连接层
全连接层
权重 1
权重 2
投票
天气
权重 3
卷积
卷积
卷积
卷积
图 4 联合投票的复合网络结构示意
Fig. 4 Schematic diagram of joint voting network
2.2.3 网络方法的原理
G ={g 1,g 2,···,g M }T ={(x 1,y 1),(x 2,y 2),···,
(x N ,y N )}k =1,2,···,C j =1,2,···,M 假定联合投票网络复合的是M 个不同类型的单一模型集合 中的模型, 并且给定的含有N 张图像的训练集 . 每个图像x i （i = 1,2,···,N ）的真实标签y i 对
应C 个天气类别序号k （ ）. 假设对于每个单一模型g j （ ），图像x i 通过其最终的FC 层对天气类别k 的输出值为V ijk
，那么模型g j 对图像x i 判断为天气类别k 的置信度s ijk 的如式（1）所示.
W ={w 1,w
2,···,w M }在给定的组合权重 下，最终联合投票网络对图像x i 推断为天气类别k 的结果b ik 表示为
最终，复合模型对图像x i 的判断结果h i 为
式中：I ndex 为b ik 对应的索引序号.
对于通过交通场景图像进行的天气识别任务，其最终目的是使联合投票网络的所有输出结果h i 与训练集给定的真实标签y i 尽可能的相符合，如果将
582西 南 交 通 大 学 学 报
第 56 卷
期望概率P(y i|x i)和模型概率P(h i|x i)分别用p(x i)和q(x i)来表示：
则可以用相对熵，也称KL (Kullback-Leibler)散度来衡量这两个分布的距离：
展开可得
由于p(x i)是确定不变的，所以相对熵H(p,q)最小化等价于将式（7
）第二项最小化，即
而联合投票网络就通过式（8）约束，达到拟合对天气类别的综合判断.
2.2.4 网络方法所具有的优势
复合多个深度神经网络，在单一网络后加入投票机制，能够在提取丰富多样的特征信息后，融合判断输出最终结果，实际上是所有网络特征的组合表达，所以复合网络能综合各网络学习到的极具表达力的分类特征，形成对复杂交通场景下天气图像精确分类的能力.
3 试　验
3.1 试验数据集
虽然研究者提出了很多相关数据集，但对公路天气分类任务针对性不强，例如：Lu等[9]提出了一个包含有1.0万张2类天气（晴天、阴天）的数据集，用来评估天气分类检测任务相关工作的有效性，但天气类别单一；Lin等[15]提出了多类别天气数据集，其中包含6个天气类别（晴天、多云、下雨、下雪、薄雾和雷雨）的6.5万张图像，但该数据集多为自然场景图片，且没有对雾天程度进行区分，但这对交通管理十分重要.
试验在两个数据集上作验证，一个是Lu等[9]建立的天气分类数据集，简称为2CWD，一个是本文建立的包含3 820张6种天气类别的数据集，简称为6CWD.
两个数据集的训练集、验证集和测试集都是采用互不重叠的随机分配方法按6∶2∶2的比例组合，训练集和验证集一起参与训练，测试集用于最后模型测试，所有试验数据集固定不变.
3.2 试验评估测度
本文从模型在测试集上的推断准确度来评估模型的性能. 测度参考ImageNet图像识别任务的评价标准[22]，以与现有广泛的模型结果作比较. 在训练过程中，对图像进行随机剪裁并改变尺度到224像素，应用随机水平翻转；在测试过程中，对图像先改变尺度到256像素，然后中心剪裁到224像素.
除了客观指标外，同样观察了模型分类的主观结果，主要包括模型的混淆矩阵和误判结果，综合主观和客观结果，全面地分析每个模型的分类效果. 3.3 试验细节
试验测试了9种网络模型，分别是8种候选模型AlexNet、Inception_v3、ResNet-101、SE-ResNet-101、CBAM-ResNet-101、DRN_D_105、MPN-COV-ResNet-101以及优化模型MPN-COV-512-ResNet-101和1种最终优化的联合投票的复合模型JVNet.在8种候选模型中，前3种为经典分类网络，后5种候选模型都是在ResNet-101上的改进模型：SE-ResNet-101、CBAM-ResNet-101加入了注意力机制，DRN_D_105加入了空洞卷积机制，MPN-COV-ResNet-101和MPN-COV-512-ResNet-101加入了二阶特征机制. 测试8种候选网络模型的目的是在于探究加入不同优化模块对任务的提升效果，以此为依据为最终的复合模型提供优秀的优化模块.
为了能真实反映各模型在天气分类任务上的效果，分别在2个数据集和9种模型之间交叉进行了18组试验，每组试验包含3次独立试验，模型正确率取3次试验的平均值，每组中的每次独立试验都采用了相同的试验配置.
试验配置如下：网络加载ImageNet预训练权重；训练批次设置为64，梯度下降策略使用随机梯度下降法（stochastic gradient descent，SGD），初始学习率设为0.001，学习率改变步长为40，学习率变化因子0.1，最大迭代次数为100个epoch. 训练用的GPU是NVIDIA公司的Titan X Pascal （12 GB）. 训练环境基于Python 3.7，Pytorch 1.0，CUDA 9.0.
3.4 试验结果比较
表1为模型在6CWD上的分类正确率和包括传统模型在内的模型在2CWD上的分类正确率.
第 3 期崔洪涛，等：基于联合投票网络的交通场景天气分类方法583
表 1 试验测试模型在6CWD和
2CWD数据集上的正确率
Tab. 1 Model accuracy on 6CWD and 2CWD%网络模型6CWD2CWD VSM with Voters[8]76.60
Weather-CNN[13]91.10
AlexNet[9]77.4093.30 Inception_v3[10]79.5093.25
ResNet-101[11]81.3494.40
SE-ResNet-101[18]81.4794.50
DRN_D_105[15]81.6094.65 CBAM-ResNet-101[19]82.0094.65
MPN-COV-ResNet-101[20]83.1894.65
*MPN-COV-512-ResNet-10182.3995.05
*JVNet85.1595.50注：*表示本文提出的优化模型.
从表1数据中可以看出，通过增加通道和空间注意力机制的网络CBAM-ResNet-101有着较好的表现，而二阶特征优化的网络MPN-COV-ResNet-101则显示出更强的分类能力. 而在这两个数据集上，最终优化的网络JVNet都有着最佳的分类效果.
JVNet模型在6CWD上的测试混淆矩阵和模型主观判断结果的部分展示分别见附加材料图S4～图S6.
JVNet模型在2CWD上的测试混淆矩阵和模型主观判断结果的部分展示分别见附加材料图S7～图S9.
最后，从所有测试模型的主观和客观结果，可以得出结论：本文提出的联合投票的复合模型JVNet 在两个数据集上都有着最好的识别效果，在6CWD 数据集上，JVNet的正确率为85.15%，比原有最好模型MPN-COV-ResNet-101的83.18%高出1.97%，该模型可以很好地应用于复杂交通场景的天气识别任务.
3.5 特征可视化评价
根据文献[23]的工作，对5种测试模型（ResNet-101、SE-ResNet-101、CBAM-ResNet-101、MPN-COV-ResNet-101以及JVNet）进行了可视化的网络特征研究. 通过对6CWD测试集上的图像进行推断，提取文献[23]的分类结果，以此显示网络所学习到的特征响应. 部分特征可视化结果如表2.
表 2 6CWD数据集下不同网络特征的可视化结果
Tab. 2 Visualization results of different network on 6CWD
584西 南 交 通 大 学 学 报第 56 卷
通过可视化结果的分析，可以得到与客观结果相符合的结论. 第一，使用注意力机制和二阶特征方法能带来更好的特征学习结果. 第二，联合投票机制使得复合网络带来了更平滑的特征学习结果.
3.6 联合投票优化方法
对于提出的基于联合投票机制的复合模型JVNet，有2个方面的参数需要确定：一个是复合模型数的确定；一个是投票方式的确定. 于是依次通过两组对比试验确定最优方式：一组是在置信度投票方式下，对比不同复合模型数量的测试结果；一组是在直接结果投票方式下，对比不同复合模型数量的测试结果.
3.6.1 基于模型置信度的复合模型方法
对复合模型在置信度上联合投票的方式做了研究，依次复合了3～6种模型，并对各模型的投票置信度做了加权处理，所有加权置信度相加后的结果为最终复合网络判断结果. 平均加权处理（A）的测试结果和不等加权处理（NA，给正确率高的模型赋予较大权重）的测试结果如表3所示.
表 3 平均置信度加权和不等置信度加权复合模型在
6CWD数据集上的试验结果
Tab. 3 Experimental results of weighted composite model with equal confidence and unequal
confidence on 6CWD%
网络模型正确率网络模型正确率JVNet-6-A83.23JVNet-6-NA83.21 JVNet-5-A83.44JVNet-5-NA83.31 JVNet-4-A83.18JVNet-4-NA83.44 JVNet-3-A83.71JVNet-3-NA84.10
注：JVNet-6-A和JVNet-6-NA分别表示对复合了6种模型的复合模型做平均加权处理和不等加
权处理；其余类推.
从表3的数据中可以看出：基于置信度的复合方法中，3种模型的复合结构JVNet-3有较好表现，而且不等置信度的加权方式的结果更优.
3.6.2 基于模型结果的复合模型方法
另外，在模型的复合方法上，还考虑了直接基于模型结果的复合方法. 类似的，依次复合了3～6种模型，后续直接根据模型的识别结果进行综合投票.对于模型的投票结果都不相同的特殊情况，考虑了两种方式：一种是取正确率最佳单模型的识别结果，称为模式G；一种是取正确率最差单模型的识别结果，称为模式B. 测试结果如表4所示.
从表4的数据中可以看出：在基于模型结果联合投票方式上，复合模型个数相同的情况下，模式B的效果都要优于模式G；模型复合的种数从3到5的过程中，正确率在逐渐升高，证明综合有不同特性的天气识别模型的方法是可行的，但在复合6种模型的结果开始下降，证明低识别率模型的加入不会一直带来正确率的提升，因为低识别率的模型结果带来的边际效应在逐渐降低.
表 4 模式G和模式B结果投票复合方法在
6CWD数据集上的试验结果
Tab. 4 Experimental results of composite model
with model G and model B on 6CWD%网络模型正确率网络模型正确率JVNet-6-V-G83.72JVNet-6-V-B84.36 JVNet-5-V-G84.63JVNet-5-V-B85.15 JVNet-4-V-G84.36JVNet-4-V-B84.89 JVNet-3-V-G83.84JVNet-3-V-B83.97
注：JVNet-6-V-G和JVNet-6-V-B分别表示复合了6种模型的模式G和模式B的复合模型；其余
类推.
综合试验结果可以看到：综合5种模型的模式B结果投票的复合模型达到最好效果.
4 结　论
针对复杂交通场景下的天气识别问题，本文主要的工作和贡献如下：
1） 将现在主流的CNN应用于该任务，肯定了CNN比传统方法更适应于复杂天气特征的提取；
2） 构建了一个新的类型丰富并且样本充足的天气分类数据集；
3） 综合分析了现有不同模型的效果，展示了各模型学习到的分类特征，从视觉上验证了客观结果；
4） 提出了基于联合投票机制的复合深度神经网络模型，该模型能提取更丰富且具表达力的特征，显著提升了识别准确度，效果优于最好单一模型；
5） 对联合投票机制做了进一步优化，在验证了所提出方法的有效性的同时，也实现了更高精度的天气识别效果.
相比之前的天气识别方法，本文所提出的方法能为智能交通系统提供更准确有效的天气识别结果，为后续智能交通系统的稳定运行和正确决策提供有力支撑. 接下来的工作，将会对复杂特征有效提取的问题上作进一步的研究.
备注：附加材料在中国知网本文的详情页中获取.
参考文献：
公安部交通管理局. 中华人民共和国道路交通事故[ 1 ]
第 3 期崔洪涛，等：基于联合投票网络的交通场景天气分类方法585。