王 琦，馮海霞*，田 俊，張興梓，王帥琦，趙軍學(xué)，柴耀焜

（1.山東交通學(xué)院交通與物流工程學(xué)院，濟(jì)南 250023；2.山東省公安廳交通管理局，濟(jì)南 250000；3.北京合眾偉奇科技股份有限公司，北京 100192）

團(tuán)霧是我國(guó)冬春季多發(fā)的一種交通氣象災(zāi)害，具有發(fā)生快、區(qū)域性強(qiáng)和預(yù)測(cè)預(yù)報(bào)難等特征，被稱(chēng)為交通安全的“流動(dòng)殺手”。團(tuán)霧的發(fā)生會(huì)引起能見(jiàn)度突然降低、路面附著系數(shù)減小以及駕駛?cè)诵睦碡?fù)擔(dān)增加，極易發(fā)生車(chē)輛打滑、追尾等現(xiàn)象，對(duì)高速公路交通安全極具危害性，容易釀成重大交通事故。2019年10月3日6時(shí)30分許，G36寧洛高速下行線(xiàn)196 K路段，因突發(fā)團(tuán)霧相繼發(fā)生4起交通事故[1]，共造成10人死亡，17輛車(chē)不同程度受損。高速公路“團(tuán)霧”多發(fā)的路段每年都在增加，團(tuán)霧的監(jiān)測(cè)預(yù)警成為交通安全亟須解決的重要問(wèn)題。

目前，器測(cè)法和圖像檢測(cè)法是團(tuán)霧的主要監(jiān)測(cè)方法。器測(cè)法分為透射法和散射法，利用儀器來(lái)測(cè)量一個(gè)區(qū)域范圍內(nèi)的氣象光學(xué)數(shù)據(jù)，通過(guò)對(duì)數(shù)據(jù)進(jìn)行科學(xué)分析得到較為精準(zhǔn)的能見(jiàn)度，但能見(jiàn)度儀本身成本高、布設(shè)維修都較麻煩，且不能全方位布設(shè)，無(wú)法有效實(shí)時(shí)檢測(cè)團(tuán)霧的發(fā)生，雖然利用傳感器檢測(cè)準(zhǔn)確性較高，但容易受外界因素（排放物、煙塵等）干擾。圖像檢測(cè)法則利用計(jì)算機(jī)圖像處理技術(shù)有效避免了器測(cè)法的缺點(diǎn)，減輕了設(shè)備處理的負(fù)擔(dān)[2]。HAUTIERE等[3]提出使用單個(gè)攝像頭監(jiān)測(cè)道路與天空，以此估算能見(jiàn)度距離。許志成[4]、郭尚書(shū)[5]等基于圖像暗通道理論，提出一種團(tuán)霧檢測(cè)預(yù)報(bào)的算法。苗苗[6]提出一種基于高清視頻的能見(jiàn)度檢測(cè)算法。竇菲等[7]利用OpenCV實(shí)驗(yàn)提出了嵌入式硬件平臺(tái)的搭建方案，著重對(duì)視頻圖像進(jìn)行分析并對(duì)跟蹤算法進(jìn)行優(yōu)化。許倩[8]在能見(jiàn)度檢測(cè)相關(guān)理論基礎(chǔ)上分析了高速公路對(duì)能見(jiàn)度的檢測(cè)需求與檢測(cè)可行性。劉建磊和劉曉亮[9]提出了一種基于視頻圖像對(duì)比度的團(tuán)霧檢測(cè)算法。此類(lèi)研究方法大多基于單幅圖像、算法復(fù)雜程度較高或需要提取車(chē)道標(biāo)志、標(biāo)線(xiàn)等為參照物，容易導(dǎo)致圖像特征信息不明顯、能見(jiàn)度測(cè)量效率不高和不夠精準(zhǔn)等問(wèn)題，從而降低了實(shí)用性。同時(shí)，各類(lèi)基于視頻圖像的團(tuán)霧監(jiān)測(cè)和預(yù)警系統(tǒng)也層出不窮，楊安博等[10]基于云計(jì)算平臺(tái)設(shè)計(jì)了團(tuán)霧監(jiān)測(cè)與預(yù)警系統(tǒng)。孫良恒[11]基于A(yíng)ndroid設(shè)計(jì)了團(tuán)霧預(yù)警系統(tǒng)并加以實(shí)現(xiàn)。王健等[12]針對(duì)霧氣的消光性原理，提出高速公路團(tuán)霧實(shí)時(shí)檢測(cè)與預(yù)警系統(tǒng)。龔芳[13]將氣象學(xué)技術(shù)、嵌入式系統(tǒng)技術(shù)、數(shù)字傳感器技術(shù)等領(lǐng)域進(jìn)行了系統(tǒng)集成，對(duì)高速公路團(tuán)霧預(yù)警系統(tǒng)進(jìn)行了設(shè)計(jì)研究。馮民學(xué)[14]基于ITS技術(shù)研究了低能見(jiàn)度濃霧監(jiān)測(cè)與預(yù)警系統(tǒng)。李易潤(rùn)[15]基于視頻分析技術(shù)，設(shè)計(jì)了高速公路團(tuán)霧預(yù)警車(chē)載終端系統(tǒng)。徐放[16]提出了一種基于圖像分析的團(tuán)霧檢測(cè)預(yù)警系統(tǒng)。以上系統(tǒng)利用較多技術(shù)融合，數(shù)據(jù)處理準(zhǔn)確，但過(guò)程繁雜，容易導(dǎo)致漏洞的出現(xiàn)或運(yùn)行速度較慢等問(wèn)題。目前，基于視頻的團(tuán)霧檢測(cè)系統(tǒng)仍是針對(duì)能見(jiàn)度的監(jiān)測(cè)居多，經(jīng)濟(jì)實(shí)用的道路團(tuán)霧監(jiān)測(cè)系統(tǒng)仍然較少。針對(duì)當(dāng)前問(wèn)題，研建高效的團(tuán)霧監(jiān)測(cè)與預(yù)警模型，構(gòu)建快速、準(zhǔn)確、實(shí)時(shí)和經(jīng)濟(jì)的團(tuán)霧監(jiān)測(cè)與預(yù)警系統(tǒng)，已成為當(dāng)前迫切需要解決的問(wèn)題，本文引入時(shí)間序列的概念，固定時(shí)間間隔，將提取的背景圖像做成動(dòng)態(tài)的背景序列，按時(shí)間前后進(jìn)行對(duì)比，分析道路背景圖像特征突變情況，構(gòu)建監(jiān)測(cè)模型，搭建監(jiān)測(cè)與預(yù)警平臺(tái)，實(shí)現(xiàn)不同路段、道路全程的團(tuán)霧監(jiān)測(cè)。

1 系統(tǒng)構(gòu)成

目前團(tuán)霧檢測(cè)預(yù)警系統(tǒng)主要依托于互聯(lián)網(wǎng)，通過(guò)海量信息的搜集傳輸和歸納分析以達(dá)到團(tuán)霧監(jiān)測(cè)與警報(bào)的目的。本文提出的系統(tǒng)利用傳感技術(shù)達(dá)到監(jiān)測(cè)信息的傳輸與發(fā)布，無(wú)需過(guò)多復(fù)雜端口，有效保證了信息發(fā)布的便捷性、時(shí)效性和準(zhǔn)確性。

1.1 系統(tǒng)架構(gòu)

1）總體架構(gòu)設(shè)計(jì)。團(tuán)霧檢測(cè)與預(yù)警系統(tǒng)由傳感器技術(shù)設(shè)備，包括攝像頭、全球定位系統(tǒng)（global positioning system，GPS）；數(shù)據(jù)在線(xiàn)處理平臺(tái)，包括數(shù)據(jù)處理、結(jié)果判定和信息留存管理等；信息應(yīng)用層，包括信息發(fā)布、趨勢(shì)預(yù)測(cè)等部分功能。團(tuán)霧檢測(cè)預(yù)警系統(tǒng)總體架構(gòu)如圖1所示。

圖1 團(tuán)霧監(jiān)測(cè)預(yù)警系統(tǒng)總體架構(gòu)Fig.1 Overall structure of fog monitoring and early warning system

2）功能設(shè)計(jì)。數(shù)據(jù)采集利用高速監(jiān)控、氣象站、高速監(jiān)測(cè)站及駕駛員反饋等多方渠道獲取實(shí)時(shí)準(zhǔn)確數(shù)據(jù)，將搜集到的數(shù)據(jù)初步分類(lèi)匯總上傳至數(shù)據(jù)庫(kù)，由專(zhuān)用云端接收，通過(guò)團(tuán)霧監(jiān)測(cè)模型分析計(jì)算，從而對(duì)道路實(shí)況和能見(jiàn)度變化進(jìn)行實(shí)時(shí)掌握。當(dāng)團(tuán)霧發(fā)生時(shí)，及時(shí)通過(guò)高速燈牌、廣播等途徑發(fā)出警報(bào)。在實(shí)際應(yīng)用中，可以通過(guò)位置信息整合出團(tuán)霧多發(fā)地，對(duì)該點(diǎn)加大監(jiān)控力度，如：路面狀況、大氣溫度與濕度等氣象數(shù)據(jù)。當(dāng)臨近團(tuán)霧突發(fā)時(shí)，增多單位時(shí)間內(nèi)圖像分析的幀數(shù)，第一時(shí)間檢測(cè)出團(tuán)霧并發(fā)出警報(bào)。

3）管理員模塊。在此系統(tǒng)中，視頻信息的接收是整個(gè)流程的重點(diǎn)，當(dāng)某地視頻設(shè)備或文件發(fā)生損壞，需及時(shí)報(bào)備修整，避免監(jiān)控力度不到位而影響監(jiān)測(cè)系統(tǒng)的運(yùn)行效率。管理員模塊的實(shí)現(xiàn)主要在于兩方面：第一系統(tǒng)故障的排除與系統(tǒng)維護(hù)，保證系統(tǒng)的正常運(yùn)行，及時(shí)發(fā)現(xiàn)流程中容易報(bào)錯(cuò)的點(diǎn)并加以記錄，生成系統(tǒng)運(yùn)作日志。第二系統(tǒng)權(quán)限的設(shè)定，系統(tǒng)每個(gè)模塊需要不同的專(zhuān)業(yè)人員操作，保證系統(tǒng)不被惡意篡改或非專(zhuān)業(yè)人員操作。

1.2 團(tuán)霧系統(tǒng)監(jiān)測(cè)步驟

1）數(shù)據(jù)采集與傳輸。高速實(shí)時(shí)監(jiān)控視頻、氣象等信息進(jìn)行采集，傳輸至云端。

2）數(shù)據(jù)預(yù)處理。對(duì)視頻圖像進(jìn)行預(yù)處理（排除不清晰、殘缺時(shí)段的視頻等），將視頻每間隔10 s截取為一段，利用高斯模型剔除運(yùn)動(dòng)目標(biāo)，得到相應(yīng)時(shí)段背景圖像；按相應(yīng)時(shí)序?qū)⒈尘皥D像排列成動(dòng)態(tài)的時(shí)間序列組，計(jì)算每張背景圖像的對(duì)比度、熵值、灰度值和邊緣特征等圖像參數(shù)。

3）監(jiān)測(cè)模型構(gòu)建?；跁r(shí)間序列的背景圖像特征，構(gòu)建基于時(shí)間序列的能見(jiàn)度監(jiān)測(cè)模型。

4）依據(jù)實(shí)驗(yàn)結(jié)果設(shè)置團(tuán)霧判斷條件。當(dāng)N1攝像頭數(shù)據(jù)滿(mǎn)足對(duì)比度小于215且灰度值小于95時(shí)，將該背景直方圖劃分為64個(gè)區(qū)，每個(gè)區(qū)有4個(gè)灰度等級(jí)，通過(guò)線(xiàn)條弧度、角度及余弦值等計(jì)算該背景圖與團(tuán)霧狀態(tài)下即能見(jiàn)度小于0.11 km時(shí)背景圖的邊緣曲線(xiàn)相似度，若高于95%則調(diào)取N2攝像頭的視頻數(shù)據(jù)，若讀取結(jié)果與N1相似，則立刻發(fā)出警報(bào)并利用N3、N4等多個(gè)攝像頭數(shù)據(jù)判斷團(tuán)霧大致范圍。團(tuán)霧判斷流程圖如圖2所示。（注：Ni攝像頭的i為攝像頭編號(hào)，N1為路段中隨機(jī)挑選的第一個(gè)攝像頭，N2為順應(yīng)車(chē)流方向的第2個(gè)臨近攝像頭，以此類(lèi)推Ni的第i個(gè)攝像頭）。

圖2 團(tuán)霧判定流程圖Fig.2 Fog determination flow chart

2 數(shù)據(jù)與方法

基于時(shí)間序列的能見(jiàn)度監(jiān)測(cè)模型的構(gòu)建是本監(jiān)測(cè)系統(tǒng)的關(guān)鍵。本文以濟(jì)南繞城高速路段為例，對(duì)系統(tǒng)的運(yùn)行、監(jiān)測(cè)模型的構(gòu)建、結(jié)果分析等進(jìn)行說(shuō)明。

2.1 研究區(qū)和數(shù)據(jù)

1）研究區(qū)簡(jiǎn)介圖。研究區(qū)處于京滬、膠濟(jì)鐵路十字交叉點(diǎn)，是濟(jì)南繞城高速G2001線(xiàn)K3+0.20 km處攝像頭及前后相鄰攝影頭覆蓋區(qū)域，G2001線(xiàn)是國(guó)道主干線(xiàn)北京至上海、北京至福州和青島銀川在山東省會(huì)濟(jì)南外圍聯(lián)網(wǎng)形成的繞城高速公路。

2）數(shù)據(jù)。使用的數(shù)據(jù)采集于濟(jì)南市氣象觀(guān)測(cè)站架設(shè)的高清視頻監(jiān)控設(shè)備，選擇霧天（包含團(tuán)霧）、陰天、晴天和雨天4種常見(jiàn)天氣，共錄得4個(gè)時(shí)段實(shí)驗(yàn)視頻，并取得該時(shí)段視頻路段對(duì)應(yīng)的能見(jiàn)度數(shù)據(jù)，實(shí)驗(yàn)視頻數(shù)據(jù)如表1所示，其中時(shí)間為北京時(shí)間。

表1 實(shí)驗(yàn)視頻數(shù)據(jù)Tab.1 Experimental video data

2.2 監(jiān)測(cè)模型構(gòu)建

高效的能見(jiàn)度監(jiān)測(cè)模型是團(tuán)霧監(jiān)測(cè)系統(tǒng)的核心，模型構(gòu)建主要利用高斯混合模型與時(shí)間序列圖像特征分析擬合，本節(jié)介紹各類(lèi)方法的選取及用途，并通過(guò)模型構(gòu)建、輸出結(jié)果比較等證明本文提出的模型的有效性和可行性。

1）高斯混合模型。利用文獻(xiàn)[17]中高斯混合模型（gaussian mixture model，GMM）對(duì)運(yùn)動(dòng)目標(biāo)的背景提取建模，背景圖像的各個(gè)像素點(diǎn)分別用K個(gè)高斯成分組成的高斯模型來(lái)建模，獲取當(dāng)前幀圖像后更新模型參數(shù)，用當(dāng)前像素與混合高斯模型匹配，剔除運(yùn)動(dòng)目標(biāo)，得到更新后的背景圖像。

2）基于時(shí)間序列的圖像特征提取。按時(shí)間順序排列的圖像經(jīng)處理后得到各類(lèi)特征值，這些特征值所構(gòu)成的一組數(shù)據(jù)序列即為時(shí)間序列。本文參照?qǐng)D像的特征值主要包括：邊緣特征、對(duì)比度和灰度值。由霧氣引起的能見(jiàn)度變化給予人直觀(guān)的感覺(jué)是視場(chǎng)內(nèi)物體清晰與模糊的變化。場(chǎng)景的模糊與否體現(xiàn)在是否存在豐富的細(xì)節(jié)。在圖像處理與理解技術(shù)中，這些細(xì)節(jié)在空域上體現(xiàn)為相鄰像素的灰度值梯度，在能見(jiàn)度越低的圖像中梯度越小，邊緣越不明顯。

（1）邊緣特征。邊緣是描述圖像的最直觀(guān)最基礎(chǔ)的特征。本文采用了索貝爾算子（Sobel）[18]提取邊緣特征，Sobel算子是計(jì)算機(jī)視覺(jué)領(lǐng)域的一種重要處理方法，利用梯度信息對(duì)圖像進(jìn)行邊緣檢測(cè)，通過(guò)計(jì)算每個(gè)像素的梯度，同時(shí)給出不同方向從明到暗的最大變化及其變化率，得到圖像的邊緣特征。不同能見(jiàn)度邊緣圖像如圖3所示，其能見(jiàn)度依次為0.113 km、0.203 km、0.310 km、0.405 km、0.520 km、0.601 km、0.705 km、0.805 km和0.960 km。每幅圖能見(jiàn)度相差約為0.100 km左右，邊緣顯示程度明顯不同，紋理特征明顯增強(qiáng)。能見(jiàn)度越高的背景圖中，紋理延伸越遠(yuǎn)，近距離線(xiàn)條也更為清晰流暢。

圖3 不同能見(jiàn)度邊緣圖像Fig.3 Different visibility edge image

（2）圖像灰度值的提取。不同能見(jiàn)度圖像所對(duì)應(yīng)灰度值不同，各類(lèi)色塊的灰度均有一定程度的變化。色塊顏色越接近全白或全黑，變化幅度越大。空氣質(zhì)量越差（即能見(jiàn)度越低），變化幅度越大。同一背景不同能見(jiàn)度的灰度直方圖，如圖4所示。能見(jiàn)度分別為0.103 km、0.520 km和0.960 km，能見(jiàn)度越高，灰度值在50～130左右的數(shù)量越少，降低幅度明顯。說(shuō)明不同能見(jiàn)度情況下，對(duì)灰度值影響較大。

圖4 不同能見(jiàn)度的灰度直方圖Fig.4 Gray histogram of different visibility

（3）圖像對(duì)比度的提取。對(duì)比度即亮暗程度的對(duì)比，通常表現(xiàn)了圖像畫(huà)質(zhì)的清晰程度。有霧視頻圖像和無(wú)霧視頻圖像最主要的區(qū)別在于對(duì)比度的不同。在霧天中懸浮顆粒對(duì)大氣光散射和吸收的影響，使得有霧視頻圖像的對(duì)比度遠(yuǎn)遠(yuǎn)低于無(wú)霧視頻圖像。其計(jì)算公式為：

式中，δ(i,j)=| |i-j，即相鄰像素間灰度差；Pδ(i,j)為相鄰像素間的灰度差δ的像素分布概率。

團(tuán)霧具有突發(fā)性，其發(fā)生會(huì)使能見(jiàn)度迅速下降，圖中兩端散點(diǎn)較為密集，能見(jiàn)度距離主要集中于0.080～0.300 km、0.900～0.980 km之間，從輕霧到團(tuán)霧的變化時(shí)間較短，也驗(yàn)證了團(tuán)霧的突發(fā)性。能見(jiàn)度與對(duì)比度的相關(guān)性，如圖5所示，能見(jiàn)度與對(duì)比度相關(guān)系數(shù)為0.955 8，不同能見(jiàn)度下，對(duì)比度特征明顯不同，對(duì)比度隨能見(jiàn)度的升高呈增長(zhǎng)趨勢(shì)。

圖5 能見(jiàn)度與對(duì)比度的相關(guān)性Fig.5 Correlation between visibility and contrast

3）基于時(shí)間序列圖像的能見(jiàn)度監(jiān)測(cè)模型構(gòu)建。通過(guò)上節(jié)對(duì)圖像進(jìn)行數(shù)據(jù)化處理，將特征值提取并進(jìn)行綜合分析，可知特征值與能見(jiàn)度具有較強(qiáng)相關(guān)性，其中對(duì)比度線(xiàn)性相關(guān)系數(shù)可達(dá)0.9558，呈正相關(guān)，熵值與均值的相關(guān)系數(shù)分別為0.967 4和0.967 8，能見(jiàn)度與熵值/均值的相關(guān)性，如圖6所示。同樣考慮計(jì)算量大等因素，擬利用收斂速度較快、魯棒性強(qiáng)的差分進(jìn)化算法進(jìn)行線(xiàn)性擬合。

圖6 能見(jiàn)度與熵值/均值的相關(guān)性Fig.6 Correlation between visibility and mean/entropy

將2018年11月16日5個(gè)小時(shí)霧天數(shù)據(jù)分為兩段，前3小時(shí)用于擬合公式，后兩小時(shí)及10月9日數(shù)據(jù)用于驗(yàn)證。利用改進(jìn)差分進(jìn)化算法擬合出4個(gè)自變量與能見(jiàn)度之間的關(guān)系，擬合相關(guān)數(shù)據(jù)如表2所示，共迭代1 437次。計(jì)算達(dá)到收斂標(biāo)準(zhǔn)后停止。設(shè)能見(jiàn)度為Y，均值為X1，對(duì)比度為X2，熵值為X3，灰度值為X4。擬合公式模型為：

表2 擬合相關(guān)數(shù)據(jù)Tab.2 Fit the relevant data

經(jīng)計(jì)算，beta0為-436.80，beta1為85 291.60，beta2為3.22，beta3為-170.67，beta4為-79.88，誤差小于10 m。

由表2中相關(guān)系數(shù)值大于0.95可知，變量間關(guān)系相關(guān)性較強(qiáng)，該擬合公式所得結(jié)果與實(shí)際數(shù)據(jù)基本吻合，擬合計(jì)算值與實(shí)測(cè)值顯著性均小于0.05，通過(guò)顯著性檢驗(yàn)。

3 結(jié)果分析

3.1 基于時(shí)間序列圖像的能見(jiàn)度監(jiān)測(cè)模型驗(yàn)證

將霧分為4種類(lèi)型，每類(lèi)樣本數(shù)量為200。無(wú)霧狀況下可視距離為1.000 km以上；輕霧狀況下可視距離為0.300～1.000 km；中霧狀況下可視距離為0.100～0.300 km；團(tuán)霧狀況下可視距離為0.100 km以下。其中，有霧樣本為11月16日預(yù)留2 h數(shù)據(jù)，無(wú)霧樣本為10月9日預(yù)留部分?jǐn)?shù)據(jù)。能見(jiàn)度差異檢驗(yàn)如表3所示，P值大于0.050，計(jì)算值與實(shí)測(cè)值通過(guò)顯著性檢驗(yàn)。

表3 能見(jiàn)度差異檢驗(yàn)Tab.3 Visibility difference test

3.2 能見(jiàn)度監(jiān)測(cè)檢測(cè)準(zhǔn)確率比較

針對(duì)能見(jiàn)度檢測(cè)，定量分析本文模型準(zhǔn)確率，根據(jù)實(shí)驗(yàn)結(jié)果可以看出，本文模型檢測(cè)團(tuán)霧效果明顯優(yōu)于文獻(xiàn)[10]，本文準(zhǔn)確率平均值約為95.8%，文獻(xiàn)[10]約為94%，多特征值分析及時(shí)間序列背景像元分析效果準(zhǔn)確率更高。

3.3 團(tuán)霧監(jiān)測(cè)與預(yù)警

團(tuán)霧監(jiān)測(cè)。據(jù)當(dāng)前數(shù)據(jù)統(tǒng)計(jì)顯示，團(tuán)霧發(fā)生范圍約為1～5 km之間。利用擬合公式對(duì)預(yù)處理的圖像進(jìn)行初步篩選，當(dāng)能見(jiàn)度低于0.110 km時(shí)，首先調(diào)取相鄰時(shí)間背景圖像，觀(guān)察圖像特征值數(shù)據(jù)是否發(fā)生突變，由實(shí)驗(yàn)數(shù)據(jù)計(jì)算可得：當(dāng)背景圖像對(duì)比度差值大于10，灰度值差值大于5時(shí)，能見(jiàn)度浮動(dòng)范圍約為0.150 km；對(duì)比度小于215時(shí)，95.65%的能見(jiàn)度是小于0.110 km的；灰度值小于95時(shí)，96.08%的能見(jiàn)度時(shí)小于0.110 km。其次，假設(shè)當(dāng)前攝像頭為N0，調(diào)用相鄰10 km內(nèi)攝像頭N1、N2...的監(jiān)控?cái)?shù)據(jù)，觀(guān)察能見(jiàn)度低于0.110 km的霧范圍是否在6 km之內(nèi)，進(jìn)行輔助判讀。

以此判定條件進(jìn)行篩選檢測(cè)，結(jié)果有效監(jiān)測(cè)到了預(yù)留驗(yàn)證數(shù)據(jù)時(shí)間發(fā)生的團(tuán)霧。

預(yù)警。通過(guò)判定條件進(jìn)行監(jiān)測(cè)，再通過(guò)邊緣特征圖像檢測(cè)圖像輪廓曲線(xiàn)，若該圖像與低能見(jiàn)度狀態(tài)下圖像邊緣曲線(xiàn)相似度高于95%，則需通過(guò)各類(lèi)渠道進(jìn)行團(tuán)霧預(yù)警；反之，則進(jìn)行霧預(yù)警。

4 結(jié)論

本文針對(duì)目前團(tuán)霧監(jiān)測(cè)存在的問(wèn)題，構(gòu)建了基于時(shí)間序列圖像的能見(jiàn)度監(jiān)測(cè)模型，搭建了基于時(shí)間序列的團(tuán)霧監(jiān)測(cè)與預(yù)警系統(tǒng)。本文利用混合高斯模型剔除運(yùn)動(dòng)目標(biāo)，建立視頻圖像的背景時(shí)間序列，利用多圖像特征構(gòu)建了基于時(shí)間序列背景圖像的能見(jiàn)度監(jiān)測(cè)模型，極大地提高了能見(jiàn)度的監(jiān)測(cè)精度。相鄰攝影頭數(shù)據(jù)的對(duì)比分析，提高了團(tuán)霧監(jiān)測(cè)精度。系統(tǒng)主要利用海量的監(jiān)控視頻數(shù)據(jù)，系統(tǒng)不需要額外增加昂貴的儀器，即可實(shí)現(xiàn)不同路段、道路全程的團(tuán)霧監(jiān)測(cè)，有效降低系統(tǒng)運(yùn)行的成本，降低了維護(hù)難度，經(jīng)濟(jì)效益顯著，對(duì)保障道路交通安全、減少交通事故、降低傷亡率和減少經(jīng)濟(jì)損失有著重要意義，應(yīng)用市場(chǎng)廣闊。