本發(fā)明涉及天氣預測技術(shù)領(lǐng)域，特別涉及一種基于時景照片的實時天氣探測方法及系統(tǒng)。

背景技術(shù)：

目前主流的氣象預測還是基于衛(wèi)星定位技術(shù)，通過識別衛(wèi)星圖片，分析氣流變化和應用氣象學知識，對天氣進行預測。這種技術(shù)存在著造價高、識別率低，往往不能做到全覆蓋，因此精度和實時性都無法保證。比如今天有陣雨，早上離開時沒有下雨，人們希望智能窗戶在雨來臨前再關(guān)閉，那么目前天氣預報技術(shù)就無法滿足這樣的需求。

為了解決衛(wèi)星存在的問題，墨跡風云公司部署了雷達，通過分析雷達照片進行氣象預測，但同樣存在著造價和覆蓋率的問題。目前，人們對天氣預測提出了新的要求，希望知道當前時刻某個特定位置周邊(500米～5公里)的天氣情況，比如室外運動需要了解球場是否下雨或者智能衣架是否應該推到窗外等。但現(xiàn)有的技術(shù)顯然無法滿足這種實時的較小的目標區(qū)域內(nèi)的天氣探測。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于時景照片的實時天氣探測方法及系統(tǒng)，針對具體位置的實時探測要求，利用網(wǎng)絡(luò)上攝影愛好者上傳的時景照片，提出了基于互聯(lián)網(wǎng)時景照片的實時天氣探測方法，以解決現(xiàn)有的技術(shù)不能進行實時目標區(qū)域內(nèi)天氣預測的問題，以及解決現(xiàn)有技術(shù)預測頻率低、覆蓋率低及成本高的問題。

為實現(xiàn)上述目的，本發(fā)明提供了一種基于時景照片的實時天氣探測方法，包括以下步驟：

s1：收集帶有天氣背景的照片；

s2：標注所有照片以建立訓練庫；

s3：基于所述訓練庫建立天氣預測模型；

s4：獲取目標區(qū)域的時景照片；

s5：將所述時景照片輸入所述天氣預測模型，進行預測得到天氣信息。

較佳地，所述步驟s2中，具體包括，將所有照片依次標注預設(shè)分類的天氣信息中的一種，以得到包含天氣信息的訓練庫。

較佳地，所述步驟s3進一步包括：

對所述訓練庫內(nèi)的照片進行尺寸及比例調(diào)整，得到尺寸及比例統(tǒng)一的圖像；

將所述訓練庫內(nèi)的照片進行灰度處理，轉(zhuǎn)換為灰度圖像；

將尺寸及比例調(diào)整及灰度處理后的圖像作為訓練樣本，建立識別不同天氣信息的混合高斯模型作為所述天氣預測模型。

較佳地，所述步驟s4進一步包括：

獲取時景照片后提取所述時景照片中的gps信息；

將所述gps信息轉(zhuǎn)換為gis信息；

基于所述gis信息尋找位置處于目標區(qū)域內(nèi)的所有時景照片；

提取目標區(qū)域內(nèi)的所有時景照片中距離當前時間最近的n個時景照片或預設(shè)時間段內(nèi)的時景照片，其中，n為正整數(shù)。

較佳地，所述步驟s5進一步包括：

s51：從所述時景照片中提取m個備選照片，具體包括：

s511：將所述時景照片調(diào)整為尺寸及比例統(tǒng)一的照片，以及進行灰度處理為灰度圖像；

s512：將時景照片輸入所述天氣預測模型得到近似概率；

s513：將所述近似概率組成與天氣類型數(shù)量對應的數(shù)組；

s514：提取數(shù)組元素中最大值，如最大值大于0，則將該值對應的天氣作為該備選照片的天氣信息，否則，跳過該時景照片，返回步驟s512進行下一個時景照片的處理，直至找出m個數(shù)組元素最大值大于0的備選照片；

s52：對所述備選照片進行投票，選取票數(shù)最高的天氣作為預測得到的天氣信息，其中，如兩個天氣的票數(shù)相同，則選擇近似概率高的天氣作為預測得到的天氣信息。

本發(fā)明還提供了一種基于時景照片的實時天氣探測系統(tǒng)，包括：

信息交互單元，執(zhí)行在網(wǎng)絡(luò)上收集帶有天氣背景的照片的操作及收集時景照片的操作；

標注單元，執(zhí)行標注照片以建立訓練庫的操作；

模型訓練單元，執(zhí)行基于所述訓練庫建立天氣預測模型的操作；

照片處理單元，執(zhí)行對收集的時景照片進行處理以得到目標區(qū)域的時景照片的操作；

預測單元，執(zhí)行將目標區(qū)域的時景照片輸入所述模型訓練單元得到的天氣預測模型，進行預測得到天氣信息的操作。

本發(fā)明具有以下有益效果：

(1)通過基于現(xiàn)有的帶有天氣背景的照片進行標注和訓練，建立一個天氣預測模型，然后基于模板區(qū)域的時景照片，輸入天氣預測模型即可預測得到目標區(qū)域的天氣信息，自動化程度高、預測范圍及時間靈活、預測結(jié)果準確；

(2)可充分利用網(wǎng)絡(luò)上攝影愛好者、社交網(wǎng)絡(luò)用戶等上傳至網(wǎng)絡(luò)的時景照片，利用大數(shù)據(jù)的處理方式，實現(xiàn)實時的天氣預測得到最新的天氣信息，適應性較好；

(3)便于使用者及時了解當?shù)啬壳暗奶鞖鉅顩r，以及為依賴于實時天氣的智能家居提供準確的天氣預測；

(4)實時性好，因此預測頻率高、覆蓋率高且成本低廉。

附圖說明

圖1為本發(fā)明方法流程圖；

圖2為本發(fā)明具體實施例的照片信息截圖；

圖3為本發(fā)明系統(tǒng)結(jié)構(gòu)示意圖。

具體實施方式

以下將結(jié)合本發(fā)明的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整的描述和討論，顯然，這里所描述的僅僅是本發(fā)明的一部分實例，并不是全部的實例，基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明的保護范圍。

為了便于對本發(fā)明實施例的理解，下面將結(jié)合附圖以具體實施例為例作進一步的解釋說明，且各個實施例不構(gòu)成對本發(fā)明實施例的限定。

本發(fā)明針對具體位置的實時探測要求，利用攝影愛好者、社交網(wǎng)絡(luò)用戶等上傳至網(wǎng)絡(luò)的時景照片，提出了基于互聯(lián)網(wǎng)時景照片的實時天氣探測方法，實現(xiàn)對天氣的實時預測和小范圍區(qū)域的預測。下面以具體實施例對本發(fā)明進行詳細說明：

如圖1所示，本實施例提供的一種基于時景照片的實時天氣探測方法，具體包括以下幾個步驟：

s1：收集帶有天氣背景的照片；

s2：標注所有照片以建立訓練庫；

s3：基于所述訓練庫建立天氣預測模型；

s4：獲取目標區(qū)域的時景照片；

s5：將所述時景照片輸入所述天氣預測模型，進行預測得到天氣信息。

該方法通過基于現(xiàn)有的帶有天氣背景的照片進行標注和訓練，建立一個天氣預測模型，然后基于模板區(qū)域的時景照片，輸入天氣預測模型即可預測得到目標區(qū)域的天氣信息。該方法可充分利用網(wǎng)絡(luò)上攝影愛好者、社交網(wǎng)絡(luò)用戶等上傳至網(wǎng)絡(luò)的時景照片，對該些照片進行處理、分析，采用圖像處理的手段，利用大數(shù)據(jù)的處理方式，實現(xiàn)實時的天氣預測得到最新的天氣信息，進而便于人們外出時，及時了解當?shù)啬壳暗奶鞖鉅顩r，以及為依賴于實時天氣的智能家居提供準確的天氣預測。例如手機需要實時了解家里周邊的天氣情況，進行提前控制關(guān)閉門窗，避免雨水進入房間等。

優(yōu)選的，上述的步驟s2中，具體包括，將所有照片依次標注預設(shè)分類的天氣信息中的一種，以得到包含天氣信息的訓練庫。

而上述的步驟s3進一步包括：

對所述訓練庫內(nèi)的照片進行尺寸及比例調(diào)整，得到尺寸及比例統(tǒng)一的圖像；

將所述訓練庫內(nèi)的照片進行灰度處理，轉(zhuǎn)換為灰度圖像；

將尺寸及比例調(diào)整及灰度處理后的圖像作為訓練樣本，建立識別不同天氣信息的混合高斯模型作為所述天氣預測模型。

上述的步驟s4進一步包括：

獲取時景照片后提取所述時景照片中的gps信息；

將所述gps信息轉(zhuǎn)換為gis信息；

基于所述gis信息尋找位置處于目標區(qū)域內(nèi)的所有時景照片；

提取目標區(qū)域內(nèi)的所有時景照片中距離當前時間最近的n個時景照片或預設(shè)時間段內(nèi)的時景照片，其中，n為正整數(shù)。

對應地，上述的步驟s5進一步包括：

s51：從所述時景照片中提取m個備選照片，具體包括：

s511：將所述時景照片調(diào)整為尺寸及比例統(tǒng)一的照片，以及進行灰度處理為灰度圖像；

s512：將時景照片輸入所述天氣預測模型得到近似概率；

s513：將所述近似概率組成與天氣類型數(shù)量對應的數(shù)組；

s514：提取數(shù)組元素中最大值，如最大值大于0，則將該值對應的天氣作為該備選照片的天氣信息，否則，跳過該時景照片，返回步驟s512進行下一個時景照片的處理，直至找出m個數(shù)組元素最大值大于0的備選照片；

s52：對所述備選照片進行投票，選取票數(shù)最高的天氣作為預測得到的天氣信息，其中，如兩個天氣的票數(shù)相同，則選擇近似概率高的天氣作為預測得到的天氣信息。

下面結(jié)合具體應用例對上述方法做詳細的說明：

首先收集帶有天氣背景的照片，標注所有照片以建立訓練庫；

這里通過網(wǎng)絡(luò)獲取具有天氣背景的圖片即可，然后根據(jù)天氣背景所表示的天氣狀況進行標注，將所有照片依次標注常用5種天氣分類的天氣信息中的一種，以得到包含天氣信息的訓練庫。也即該訓練庫中的各個照片已標好其所對應的天氣。

然后訓練天氣預測模型。模型訓練主要包含3個步驟：

(1)對訓練庫內(nèi)的照片進行尺寸及比例調(diào)整。

這里主要是指進行圖像壓縮，以去除圖像的細節(jié)，只保留結(jié)構(gòu)/明暗等基本信息，摒棄不同尺寸/比例帶來的圖像差異。此處具體可以使用opencv的resize方法，把常見的照片尺寸4032*3024壓縮成8*8的圖片。對訓練庫中的全部照片都進行圖像壓縮處理，得到規(guī)格統(tǒng)一的圖像。

(2)將訓練庫內(nèi)的照片進行灰度處理。

進行灰度處理后，把訓練庫內(nèi)的彩色照片轉(zhuǎn)化為灰度圖象，這里可以使用opencv的cvtcolo方法，減少色彩變化引入的噪聲。

(3)建立混合高斯模型

獲取經(jīng)由步驟(1)的圖像壓縮和步驟(2)的灰度化處理后的圖片，把圖片的8*8的矩陣以及標簽作為訓練樣本，建立識別五種不同天氣的混合高斯模型。

建立模型后，在需要預測天氣時，再獲取目標區(qū)域的時景照片。

具體為：首先，通過網(wǎng)絡(luò)獲取攝影愛好者或社交媒體用戶所上傳的時景照片后，提取獲取的時景照片中的gps信息。如圖2所示，時景照片遵循exif格式，帶有拍攝時間和位置信息。在拍攝中上傳的時景照片中，上傳者未刪除位置和拍攝時間的情況下，照片是包含了完整的gps位置信息及拍攝日期及時間的。然后將gps信息轉(zhuǎn)換為gis信息。gis信息包含經(jīng)度及緯度，例如，經(jīng)度為120°29’10.32”，緯度為31°13’21.23”。再基于gis信息尋找位置處于目標區(qū)域內(nèi)的所有時景照片。這里的目標區(qū)域是指進行天氣預測的設(shè)備所處的位置區(qū)域，如以該設(shè)備的位置為基準點，距離為500米～5公里區(qū)域內(nèi)。也即，時景照片的位置距離基準點在500米～5公里區(qū)域內(nèi)均可作為參考照片，用于預測該處的天氣。最后依賴照片exif信息，篩選出照片拍攝時間在最近一分鐘并且照片gis位置在指定位置的一定距離范圍內(nèi)的n張照片，其中，n為正整數(shù)。本實施例中n的值設(shè)為100。這里距離值根據(jù)需要，一般應為500米～5公里。

再找出m(m<＝n，比如10)個備選照片。

具體為對于每個照片，經(jīng)過圖像壓縮和灰度化，應用混合高斯模型后，得到一個近似概率。比如用一個五維數(shù)組代表五種天氣可能性，有(0.6,-0.1,-0.1,0,0.01)，計算數(shù)組元素的最大值后，可以判定照片天氣為晴朗。同時，也需要過濾掉不符合要求的照片。比如概率為(-0.1，-0.2,-0.3,-0.1,-0.1)，最大值為-0.1，也就是說照片不符合要求，應該跳過這個照片，進行下一個時景照片的處理，直至找出m個數(shù)組元素最大值大于0的備選照片。最終得到m個備選照片后，終止處理轉(zhuǎn)下一步。

投票決定最終天氣。

首先標注每個圖片為概率最大的天氣。比如概率數(shù)組為(0.6,-0.1,-0.1,0,0.01)，0.6是晴朗的概率，那么標注該圖片天氣為晴朗。然后在m個已標注照片中選取票數(shù)最高的天氣。比如有2/3*m個圖片標注為晴朗、1/3*m標注為陰天，那么最終天氣判定為晴朗。如果有兩個天氣票數(shù)相等，選擇概率更高的天氣。如果仍然相同，隨機挑選一個。

如圖3所示，本實施例還提供了一種基于時景照片的實時天氣探測系統(tǒng)，該系統(tǒng)包括：

信息交互單元301，執(zhí)行在網(wǎng)絡(luò)上收集帶有天氣背景的照片的操作及收集時景照片的操作；

標注單元302，執(zhí)行標注照片以建立訓練庫的操作；

模型訓練單元303，執(zhí)行基于所述訓練庫建立天氣預測模型的操作；

照片處理單元304，執(zhí)行對收集的時景照片進行處理以得到目標區(qū)域的時景照片的操作；

預測單元305，執(zhí)行將目標區(qū)域的時景照片輸入所述模型訓練單元得到的天氣預測模型，進行預測得到天氣信息的操作。

應當理解，該系統(tǒng)及方法的模型可以為一次訓練完后作為后續(xù)預測時的照片處理單元使用，也可以在進行預測過程中根據(jù)需要進行模型的更新訓練。而照片處理單元中的對照片的處理過程，也可用于模型訓練單元使用，以提高照片處理方法對應程序的重復利用率。

該系統(tǒng)及方法可以根據(jù)需要設(shè)置于移動終端設(shè)備上，例如手機、pda等，也可根據(jù)需要設(shè)置于固定的計算設(shè)備，如臺式計算機等。此外，該系統(tǒng)具體可以以軟件的形式或?qū)懭胗嬎銠C等具有數(shù)據(jù)處理能力的設(shè)備的存儲介質(zhì)內(nèi)的程序的形式體現(xiàn)。當然，各單元可依據(jù)執(zhí)行的程序進行合并或進一步拆分，在其基本執(zhí)行的流程與上述內(nèi)容相同時，其任何一種單元劃分方式均屬于本發(fā)明范圍內(nèi)。此外，在不脫離上述的方法執(zhí)行過程的情況下，其具體的任何一種實現(xiàn)形式均屬于本發(fā)明的保護范圍內(nèi)。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何本領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，對本發(fā)明所做的變形或替換，都應涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應以所述的權(quán)利要求的保護范圍為準。