基于監控視頻的高速公路能見度檢測方法及系統

張昌利， 孟 穎， 李鵬超， 孫 婷

(長安大學信息工程學院，陜西西安710064)

能見度是影響高速公路行車安全的重要氣象因素，霧霾、沙塵、降水、強光等惡劣天氣通常會導致高速公路的能見度降低，影響到駕駛員的行車視線，使高速公路的交通事故風險顯著增大［1-2］.因此，對高速公路的干道或雨霧多發路段進行全天候的能見度監測，并實施合理的限速與預警措施，對于高速公路行車安全與運營效率提升具有重要意義［3-4］.

視頻監控一直都是我國高速公路機電系統建設的重要內容.目前，全國高速公路各路段、收費站、服務區、隧道等都安裝了一定規模的視頻監控設備，部分新修公路甚至實現了全線無盲點覆蓋.高速公路的路況視頻包含了豐富的現場能見度信息，通過路況視頻的分析處理來計算高速公路沿線能見度，不僅能夠達到能見度的全面實時監測，還能夠充分復用已建設的視頻監控機電系統，使視頻監控更好地服務于高速公路運營管理工作［5-6］.

目前，國內外機構或學者針對視頻能見度檢測形成了一定的研究成果.Kwon等較早提出了一種利用視頻攝像頭測量大氣能見度的檢測方法［7］，但需人為預置多個視頻檢測目標，成本較高，操作煩瑣，并容易受到地形等環境因素制約.Babari等提出了一種基于采集圖像梯度分析來計算道路能見度的方法［6，8］，對于 1 km 以上能見度具有較好的測量效果，該方法無需其它輔助設施，但需要標定圖像灰度幅值與能見距離之間的指數關系，且易受到場景變化、運動物體遮擋等影響.Wang等針對氣象領域的能見度測量，設計了一種基于數字攝像的大氣能見度測量系統［9］，在強降雨等復雜氣象條件下其測量結果更接近人工觀測，但同樣需要在攝像頭視線內設置多個固定位置和形式的參照目標.在國內，關可等通過大氣能見度理論分析，證明用圖像處理技術測量大氣能見度的可行性，并設計了一種基于圖像處理的能見度檢測硬件系統［5］，但需要替代已部署的攝像頭設備，且仍需要大范圍安裝，也存在造價、維護等一系列問題.陳文兵等通過計算采集圖像的亮度、對比度、邊緣梯度3個指標，對比了3個指標與空氣透射能力之間的同步變化關系［10］，但其計算結果并非能見距離，且未解決參照圖像的問題，尚無法達到應用級別.安明偉等選擇了監控視頻中歸一化對比度大于一定閾值的點，通過幾何轉換計算其距離，以最大距離作為能見距離［11-12］，但由于環境復雜性，某些像素可能會起到干擾作用，且由于攝像頭傾角關系，只能看到近距離的目標，因此只能用于檢測短距離的能見度.特別地，現有研究成果均側重于前端設備研發或氣象能見度測量，缺乏對高速公路沿線視頻監控環境及特殊需求的充分考慮，并且如何將對應成果與高速公路路況監測、能見度預警處置等智能交通業務相融合，亦缺乏充分的研究.

本文針對高速公路的能見度實時監測問題，在借鑒已有研究成果的基礎上，提出了一種全新的基于監控視頻的高速公路能見度檢測方法，并圍繞該方法設計和開發了對應的能見度監測與預警處置信息化系統.該方法通過分析從監控攝像頭獲取的固定距離參照物圖像，以理論計算與數據融合的手段得到高速公路現場的能見度信息.對應系統則可以從局部、宏觀兩個方面，根據獲取的實時能見度信息，向上支撐能見度預警、應急處置、交通流調控、信息發布等智能交通業務.

1 能見度計算模型

1.1 問題分析

在氣象學上，能見度是表征大氣透明程度的一個重要物理量，一般定義為在天空散射光背景下，觀測安置于地面附近、適當尺度的黑色目標物，能看到且能辨識出的最大距離［13-14］.在公路交通領域，能見度則主要用于指代駕駛員的視線距離，大氣透明程度是其主要的影響因素.現有能見度的測量方法主要有目測法和器測法兩種.目測法是由具有正常視力且受過適當訓練的觀測員以人工目測的方式來確定能見距離，該方法多用于公路交通領域，受主觀因素影響較多，且無法實現全天候無人值守監測;器測法主要采用透射型、散射型和激光雷達等類型的測量儀進行能見度的測量，存在儀器造價高、使用壽命短、維護成本高等問題，不適宜在高速公路沿線密集架設［1，14］.

相比于傳統的檢測方法，基于路況視頻的能見度檢測方法不但可以利用實時視頻流實現高速公路沿線能見度的不間斷監測，而且能夠復用密集布設于高速公路沿線的監控攝像頭，實現路網級的全方位能見度監測.但是，由于高速公路沿線環境的復雜性，這一方法的設計與實施需要解決如下3個問題:(1)觀測背景.常規的能見度測量需要選擇天空作為觀測背景，但是監控攝像頭的視野主要集中于高速公路道路，無法利用天空背景.并且由于野外環境與天氣的多變性，無法保證總有一致的觀測背景.(2)參照物.常規測量方法通常選擇黑色參照物，而監控攝像頭視野內幾乎為偏暗色調，選擇黑色參照物無法達到顯著的對比效果.并且，參照物只能安裝路邊、隔離帶等不影響車輛通行的位置，并需確保在攝像頭的視野范圍內.(3)觀測結果的置信度.攝像頭的分辨率、俯仰角度、參照物距離等因素都會對觀測結果的置信度產生影響，觀測結果的融合需要充分考慮這些因素.

1.2 檢測裝置模型

參考氣象學能見度定義，本文提出一種基于路況視頻的高速公路能見度(能見距離)檢測方法.該方法利用密集布設于高速公路沿線的監控攝像頭，在攝像頭視野內的路邊或隔離帶安裝固定規格與顏色模式的參照物擋板，根據攝像頭所采集參照物圖像的失真程度來計算實時能見度值.

圖1所示為本方法的檢測裝置模型，其中監控攝像頭與道路路面間所形成的幾何關系是能見度值計算的基礎.

圖1 高速公路能見度檢測裝置示意Fig.1 Diagram of highway visibility detection equipment

圖 1 中，{Xr，Yr，Zr}為路面坐標系，其{Xr，Yr}平面代表路面，原點Or位于攝像頭正下方;{Xc，Yc，Zc}為攝像頭坐標系，其坐標軸Zc指向參照物擋板中心，{Xc，Yc}平面與參照物擋板相平行，原點Oc為攝像頭光心;Hc為攝像頭架設高度，mm;Dc為攝像頭在Xr方向距道路邊界的距離，mm;Hb、Db分別為參照物擋板中心的高度及距道路邊界的距離，mm;Dr為攝像頭光心與參照物擋板中心在Yr方向的距離mm;L0為攝像頭光心距參照物擋板中心的距離，mm.顯然有如下幾何關系:

圖2所示為參照物擋板的圖像內容設計.該圖像由90個純色的正方形灰度色塊按照9x10的方式排列組成，色塊按照向右、向下的順序從純白(代碼0xFF)到純黑(代碼0x00)依次漸變，漸變幅度為0x0F.此處選擇灰度色塊的原因，是因為圖像灰度不連續點所組成的基原圖攜帶了原始圖像絕大部分的有用信息，如圖像的亮度、對比度及邊緣特征等.多種灰度色塊的選擇及其顏色漸變方式的設定，則用于模擬實際景物的顏色比例及組合特征.

圖2 參照物擋板的圖像內容設計Fig.2 Design of image content in reference board

1.3 理論模型

引理1(比爾-朗伯定律) 可見光在長度為L的空氣氣柱輻射傳輸，其光照強度的變化滿足

式中:Iλ(·)代表光照強度，Iλ(0)為入射強度，Iλ(L)為出射強度;Kλ為消光系數，均勻介質下Kλ與空氣中光的傳輸距離無關，但與空氣的能見度(能見距離)有關［15］.

根據該引理，可得空氣透過率Tλ(·)的計算式為

一般人的正常視覺反應閾值為0.02.因此，假設空氣的最大能見距離為 V，顯然有 Tλ(V)=0.02，則

利用圖1所示的檢測裝置，根據式(1)可以計算出攝像頭光心距參照物擋板中心的距離L0，假設對應的空氣透過率為T0，根據式(3)有

從而由式(4)、(5)推算出空氣最大能見距離(即能見度)為

因此，若通過分析監控攝像頭實時拍攝的參照圖像，得到L0下的T0，由式(6)即可推算出給定道路位置的實時能見度.以圖2所示的參照物圖像為例，每個色塊的圖像透過空氣進入攝像頭后所發生的失真情況(即所有像素的灰度變化)，就是L0距離下空氣對能見度影響的綜合反映.色塊顏色越偏于全黑或全白，像素灰度的變化勢必會更大.因此，可以用色塊的像素灰度偏離情況來推算T0，進而得到能見度值.

具體而言，假設通過標定，圖2所示的參照圖像在攝像頭圖像幀中的長寬分別為9x和10x個像素，其中x為每個色塊的像素寬度.對于任意一個像素點(i，j)，其中 1≤i≤9x、1≤j≤10x，所對應的原始灰度值應為

式(7)首先根據(i，j)計算得到對應色塊在整個參照圖像中的縱橫位置，然后根據色塊排列規律計算像素的灰度值.

假設通過圖像分析，得到像素點(i，j)的實際灰度值為g(i，j)，該像素的失真情況如式(8).

式中:255為灰度差的最大值.

整個參照物擋板圖像的失真狀況可以表示為所有像素失真狀況的平均，即

在給定空氣狀況條件下，參照物擋板距離監控攝像頭光心的距離越大，圖像失真的程度也會隨之變大.實驗發現，在L0下，圖像失真的程度δL0與T0之間近似呈線性關系，如式(10).

式中:a、b為線性關系系數.

因此，綜合式(6)和式(10)，得到最終的能見距離計算式為

2 能見度檢測方法

1.2 、1.3節模型給出了針對單個攝像頭計算能見度值的方法.通常，高速公路的主路段或收費站、服務區、隧道等關鍵區域都同時安裝有多個監控攝像頭，均可用于能見度計算.并且，不同攝像頭因為鏡頭俯仰、攝像頭分辨率等特性的差異，通過計算獲取道路能見度結果的置信度勢必也互不相同.因此，從實用性考慮，應當綜合運用或優選部署于監測路段或區域的監控攝像頭，利用其采集圖像進行能見度計算;并以所得的多個能見度計算結果為基礎，通過基于置信度數據融合的手段計算最終的能見度值.

圖3所示為該方法的關鍵流程.首先，針對所選監控攝像頭，按照圖1所示的方式為其架設參照物擋板，參照物擋板的設計見圖2.并在后臺計算程序中設置針對該攝像頭的檢測參數，如式(1)中出現的 Hc、Dc、Hb、Db及 Dr等距離參數，式(10)、(11)中的a、b系數，鏡頭俯仰角與分辨率，以及監控圖像中參照圖像的像素邊界.其中，鏡頭俯仰角為鏡頭中線與道路水平行駛方向的夾角，分辨率為攝像頭的標稱參數.其次，針對每個攝像頭，提取實時監控圖像，在灰度化、降噪等圖像預處理的基礎上，分離出參照物圖像，利用式(7)～(10)計算對應的能見度值.最后，以各監控攝像頭的鏡頭俯仰角和分辨率作為置信度因子，以加權平均的方式對檢測結果進行數據融合，得到最終的能見度值，并進入下一次檢測周期.

圖3 能見度檢測方法流程Fig.3 Process flow of visibility detection method

基于置信度的數據融合是上述過程的關鍵步驟，其中攝像頭的鏡頭俯仰角、分辨率是影響計算結果的兩大主要因素.具體而言，鏡頭俯仰角越大，參照物擋板離攝像頭越近，其成像在采集圖像中所占的比例也越大，因此其結果越可信.分辨率越大，參照物圖像所占的像素量就越大，計算結果也更為可信.因此，假設有N個監控攝像頭用來測量道路能見度，第i個攝像頭的測量值為Vi(i=1，2，…，N)，對應的鏡頭俯仰角、分辨率分別為 θi和 αi.根據鏡頭俯仰角和分辨率對測量結果的影響機理，按照

式(12)計算各個攝像頭在加權數據融合中的權值.

式中:wθi、wαi分別為第 i個攝像頭在鏡頭俯仰角和分辨率上的權值分量;因為 θi非常小，所以有cos θi≈1－θi成立;wi為攝像頭 i的綜合權值，由上述兩個權值分量的歐式距離計算得到.

從而，假設數據融合后的最終能見度值為V^，根據總均方誤差最小的優化條件，顯然有

3 能見度檢測與預警處置系統

3.1 系統總體架構

高速公路視頻能見度檢測與預警處置系統旨在利用高速公路已有的聯網視頻監控系統，提取現場路況監控視頻幀，通過圖像處理的手段分析高速公路沿線能見度的實時變化情況，并向上支撐能見度預警、應急處置、交通流調控、信息發布等一系列智能交通業務.具體而言，本系統的總體架構如圖4所示.

圖4 高速公路視頻能見度檢測與預警處置系統總體框架Fig.4 Framework of visibility detection，alarm and emergency disposal system for highways in China

該系統主要由現場下位機子系統和中心服務器子系統兩部分組成.下位機子系統部署于高速公路沿線的重點監控路段或區域，在已有的視頻監控機電系統的基礎上，利用運行于小型工控機之上的下位機程序，從硬盤錄像機(digital video recorder，DVR)等視頻存儲設備中讀取監控視頻幀，通過圖像分析、數據融合等手段計算實時能見度值，并及時利用現場的可變情報板發布能見度預警.下位機子系統按照一定的周期向路網信息中心提交現場能見度數據，其數傳通信方式可以根據實際現場的進行選擇.中心服務器子系統搭建于路網信息中心，可以結合交通 GIS(geographic information system)綜合展示高速公路的路網級能見度變化情況，并通過集成第三方智能交通系統，向各級用戶提供多樣化的智能交通服務.

3.2 上/下位機子系統

首先，現場下位機子系統主要用于現場能見度信息采集及現場信息發布，運行于現場的嵌入式工控機之上，其模塊化系統結構如圖5所示.該子系統由一系列負責不同任務的獨立組件所組成，可以通過靜態配置文件來設置各類組件的數量及參數，組件之間通過共享數據進行交互.例如，數采組件通過DVR(digital video recorder)驅動模塊(封裝硬盤錄像機訪問功能，針對具體設備定制)周期性讀取相應監控攝像頭的實時視頻幀，將能見度計算結果寫入共享數據區;數據融合組件周期性地從共享數據中讀取所有攝像頭的能見度數據，數據融合計算后寫回共享數據區;VMS(variable message sign)組件周期性輪詢當前能見度值，根據一定的預設規則、通過定制的VMS驅動向可變情報板發布信息;數傳組件則按照一定周期將采集數據發送到遠端的上位機數據服務器當中.

其次，上位機服務子系統基于Java EE(java enterprise edition)架構研發，封裝了能見度數據遠程接收、海量數據存儲、統計分析與查詢等基礎性服務，并向上支持能見度預警、低能見度應急處置、公眾信息發布等一系列智能交通業務.例如，圖6所示為某區域高速公路能見度監控的Web頁面截圖.

圖5 下位機數采子系統模塊化體系結構Fig.5 Modular structure of lower-end data collection subsystem

圖6 高速公路能見度監控Web頁面截圖Fig.6 Snapshot of highway visibility monitoring Web page

該頁面以在線GIS地圖為載體，綜合展示了區域高速公路網內各監控路段的實時能見度狀況.各監測位置圖標的顏色根據實時能見度級別在紅、桔、黃、藍、綠色之間動態變化，下位機系統通信異常時圖標則變灰并閃爍.利用右側的浮動窗口，管理人員不但可以選擇特定的監控位置，詳細察看該位置的當日能見度變化趨勢曲線，還能夠快速了解區域高速公路網內近期的能見度預警事件.

4 實驗分析

針對上述基于路況視頻的能見度檢測方法，本文設計并搭建了相應的實驗環境，從能見度檢測精度、下位機系統性能兩個方面，對該方法的可行性進行了驗證.

4.1 實驗環境搭建

該實驗環境的內部結構如圖7所示.其主體為一個長約3 m的小型霧室，使用1個大功率的加濕器作為起霧裝置，可以產生極細粒度的小霧滴，通過控制加濕器工作檔位來調節霧室內霧的濃度.使用1個內循環風扇來加速霧室內的氣體循環流動，使得加濕器產生的霧能更好遍布霧室的各個位置.為了控制小霧室的環境，避免產生過多的水滴，在霧室尾端裝設了1個排氣風扇，用于抽氣和降低霧室內的濕度.使用日光燈作為霧室內部照明，并模擬實際環境中的自然光.為了便于實驗操控，本文還專門研發了PLC控制面板，可以統一對加濕器檔位、風扇關斷及日光燈亮度等進行調節.

圖7 能見度檢測實驗系統示意Fig.7 Diagram of visibility detection experimental system

在霧室內的兩端分別安裝有45 cm×50 cm規格的參照物擋板及支持網絡訪問的監控攝像頭，二者間距設定為3 m.在PC機上實現本文的基于路況視頻的能見度檢測方法，讀取監控攝像頭的視頻幀并進行能見度計算.作為比較，同時在霧室底部安裝了一款高精度能見度檢測儀(型號Vaisala PWD10).該型能見度檢測儀的工作原理為對比接收端光強與發送端光強計算大氣散射系數，進而推算出大氣的能見距離，其測量范圍為 10～2 000 m［16-17］.

4.2 能見度檢測精度實驗

依次改變霧室中霧的濃度，可以改變霧室內的能見度.當參照能見度檢測儀的能見度讀數趨于穩定時，利用監控攝像頭讀取視頻幀來計算能見度值并分析檢測精度.

首先，從檢測范圍內選取了6個典型的能見度值，在其讀數下采集到參照物擋板圖像，如圖8所示.

圖8 典型能見距離下的參照物圖像Fig.8 Images of reference board under typical visibility distances

從圖8可以看出，隨著噴霧濃度增加，霧室能見度急劇下降，參照物擋板的色塊灰度也逐漸發生變化.

隨后，利用系統PC機讀取監控攝像頭獲取的視頻幀，并通過本文的檢測方法對能見度和檢測精度進行計算分析.根據本文方法，得到6個典型能見度距離下，每幅參照物擋板圖像的18種灰度色塊的平均灰度偏差和平均失真程度.

據此分別作出了各典型能見度下，色塊平均灰度、平均失真程度與色塊原始灰度的關系曲線圖，如圖9和圖10所示.

圖9 典型能見度下的色塊灰度均值變化Fig.9 Greyscale variations of colour areas under typical visibilities

從圖9可以看出，參照圖像經過霧室空氣氣柱傳輸，各類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;空氣質量越差(即能見度越低)，變化幅度越大.從圖10可以看出，大多數色塊圖像失真程度與能見度距離之間均存在嚴格的單調遞減關系;存在某一個灰度顏色(灰度值約為0x75)，在不同的能見度狀況下均只有微量的像素失真;以該灰度值為中心，色塊顏色越趨近于全白或者全黑，像素失真情況就越為嚴重，并且失真程度具有一定的對稱性.

圖10 典型能見距離下色塊圖像失真情況Fig.10 Image distortions of colour areas under typical visibilities

進而，按照上述辦法采集更多圖像與參考能見度數據，根據式(9)計算所各組圖像的平均像素失真，并根據式(4)及式(3)反推消光系數Kλ及3 m下的空氣透過率Tλ(3.0)，從而得到不同能見距離下的平均像素失真 δ3.0與空氣透過率 Tλ(3.0)之間的關系，如圖11所示.

圖11 平均失真程度和空氣透過率的線性關系Fig.11 Linear relation between average distortion and air transmittance

由圖11可見，兩個參數之間的確存在較為理想的線性關系.

為了分析本文能見度檢測方法的檢測精度，將本文檢測方法計算得到的能見度值(檢測能見度)與參照檢測儀輸出的能見度值(參考能見度)進行對比，并對不同能見度下的能見度檢測誤差進行分析，繪制了能見度計算結果對比及誤差分布圖，如圖12所示.

圖12 能見度計算結果對比及誤差分布Fig.12 Visibility value comparison and error distribution

圖12 中，檢測誤差按照國內常用的交通氣象分級標準(＞500 m、200～500 m、100～200 m、50～100 m、≤50 m)［14］進行逐段統計.

可見，本文檢測方法得到的能見度值與參考檢測儀得到的能見度值具有較好的一致性，隨著能見度的增大，檢測誤差逐漸減小;本文檢測方法的檢測誤差為13.4%，且高能見度場合下誤差相對更小.

4.3 下位機性能實驗

如上文所示，通過下位機對多攝像頭檢測結果進行數據融合，可以提升總體檢測結果的精度.但是，這一做法同樣也會為下位機系統的處理能力帶來考驗.

為了驗證下位機系統的性能能夠滿足對多攝像頭檢測結果進行數據融合的要求，本實驗將監控PC替換為某型ARM 9嵌入式系統，模擬實際場合下的嵌入式下位機系統，并針對160×120、360×240、640×480、960×720 像素幾種常見的視頻幀大小，通過并行運行圖5所示的多個輸入視頻幀計算插件，對比分析下位機系統運行的平均耗時.不同視頻幀下，系統同時運行1～10個計算插件所對應的平均耗時(單位:s)，如圖13所示.

圖13 不同視頻幀大小的下位機平均耗時Fig.13 Average time consumption of lower-end subsystem for different video frame sizes

從圖13可以看出，下位機的運行效率與輸入視頻幀的大小密切相關.對于單攝像頭輸入而言，基本可以保證每次數據處理在1.0 s時間之內，對640×480像素大小的視頻幀數據而言，其處理耗時約為0.7 s.隨著并行執行的輸入計算插件的增多(相當于引入多個攝像頭)，下位機每輪計算的總耗時逐漸上升，并且上升趨勢隨著并行計算模塊的增多而逐漸趨于明顯.以960×720像素大小的視頻幀處理為例，并行10個計算插件的處理耗時超過20.0 s.

由上述實驗可知，能見度檢測下位機子系統的處理耗時與接入攝像頭個數及視頻幀大小密切相關.因此，在實際應用當中，必須按照能見度檢測的實時性需求和下位機設備計算能力，確定接入攝像頭的數目.

對本實驗所選用的ARM嵌入式設備而言，假設出于異常值濾波的需要，每次需要有至少5個采集數據，方可實施濾波計算并向上位機子系統提交能見度數據.若要求的數據提交周期為5 min，則下位機有至少1 min執行一輪數據計算，根據圖13所示，該ARM設備的計算能力能夠達到要求，可以接入10個甚至以上的攝像頭.而假設要求的數據提交周期為1 min，則下位機最多20.0 s必須執行一輪計算，顯然不能接入10個或以上分辨率大于等于960×720像素的攝像頭.但是，考慮到交通氣象變化速度較為緩慢，道路能見度監控對實時性要求并不很高，所以根據該實驗分析，常規的嵌入式工控機設備即可滿足大多數下位機子系統的性能要求.

5 結束語

(1)針對高速公路的能見度實時檢測與預警處置需求，從實用性角度出發，提出了一種基于路況視頻的能見度檢測方法.該方法通過采集假設于高速公路沿線監控攝像頭的實時視頻幀，以圖像處理的手段分析參照圖像的灰度失真情況，進而通過理論推算和數據融合得到道路現場的實時能見度.實驗結果表明，該方法的支撐數學模型正確，其精度和下位機計算能力要求均能達到交通行業需求，具有較高的應用價值.

(2)相比于常見的能見度檢測儀器等精密設備，本方法的精確度相對較低.但是，該方法具有有效重用已有的攝像頭設備、快速在高速公路網范圍形成能見度監測與預警系統的優勢.并且，現有能見度檢測儀器備主要面向氣象領域，重點監測由于空氣透射能力所表征的能見度級別，而本文方法根據圖像失真狀況分析能見度，實際上還隱含捕獲了由于光線明暗變化等因素所導致的能見度改變.

(3)基于當前我國高速公路監控機電系統的建設與管理現狀，提出了多監控攝像頭下能見度計算結果的數據融合方法，并搭建了高速公路視頻能見度檢測與預警處置信息系統.該系統可以實現高速公路沿線能見度的全面實時監測與預警處置，并能充分復用已建成的視頻監控機電系統，使視頻監控更好地服務于我國高速公路的運營管理工作，具有很好的應用推廣價值.

致謝:西安市科技計劃資助項目(CXY1125-9).

［1］ 包左軍，湯筠筠，李長城，等.道路交通安全技術叢書:公路交通安全與氣象影響［M］.1版.北京:人民交通出版社，2008:1-15.

［2］ THEOFILATOS A，YANNIS G.The review of the effect of the traffic and weather characteristics on road safety［J］.Accident Analysis ＆ Prevention，2014，72:244-256.

［3］ 趙慧霞，王維國，李澤椿，等.霧對我國交通運輸的不利影響及對策［J］.氣象與環境學報，2010，26(2):58-62.ZHAO Huixia，WANG Weiguo，LI Zechun，et al.Effects of fog on traffic and transportation and the counterm easures in China［J］.JournalOfMeteorology And Enveronment，2010，26(2):58-62.

［4］ ABDEL-ATY M，EKRAM A，HUANG H，et al.A study on crashes related to visibility obstruction due to fog and smoke［J］.Accident Analysis ＆ Prevention，2011，43(5):1730-1737.

［5］ 關可，亓淑敏，梁佳.基于數字圖像處理技術的高速公路能見度檢測［J］.長安大學學報:自然科學版，2010，30(5):89-92.GUAN Ke， QI Shumin， LIANG Jia.Visibility measurementofhighway based on digitalimage processing technology［J］. Journal of Chang'an University:Natural Science Edition，2010，30(5):89-92.

［6］ BABARI R，HAUTIERE N，DUMONT E，et al.A model- driven approach to estimate atmospheric visibility with ordinary cameras［J］. Atmospheric Environment，2011，45(30):5316-5324.

［7］ KWON T M.Atmospheric visibility measurements using video cameras: relative visibility［R］. Americas:University of Minnesota Duluth，2004.

［8］ BABARI R， HAUTIERE N， DUMONT E， et al.Visibility monitoring using conventional roadside cameras［J］.Transportation Research Part C:Emerging Technologies，2012，22:17-28.

［9］ WANG J，LIU X，YANG X，et al.Development and evaluation of a new digital photography visio-meter system for automated visibility observation［J］.Atmospheric Environment，2014，87:19-25.

［10］ 陳文兵，楊建偉，張小磊.能見度自動化計算方法［J］.計算機工程與應用，2010，46(30):181-183.CHEN Wenbing，YANG Jianwei，ZHANG Xiaolei.Visibility auto- calculating method［J］.Computer Engineering and Applications，2010，46(30):181-183.

［11］ 安明偉，陳啟美，郭宗良.基于路況視頻的氣象能見度檢測方法與系統設計［J］.儀器儀表學報，2010，31(5):1148-1153.AN Mingwei，CHEN Qimei，GUO Zongliang.Visibility dete-ction method and system based on traffic video［J］.Chinese Journal of Scientific Instrument，2010，31(5):1148-1153.

［12］ AN M，GUO Z，LI J，et al.Visibility detection based on traffic camera imagery［C］∥ IEEE: 3rd International Conference on Information Sciences and Interaction Sciences(ICIS).Xiamen:IEEE，2010:411-414.

［13］ 韓永，謝晨波，饒瑞中，等.基于光散射技術的兩種能見度探測方法的比較與分析［J］.紅外與激光工程，2006，35(2):173-176.HAN Yong， XIE Chenbo， RAO Ruizhong，et al.Comparison and analysis of two visibility detecting methodsbased on opticalscattertechnology［J］.Infrared and Laser Engineering，2006，35(2):173-176.

［14］ 中國氣象局.QXT 76—2007中華人民共和國氣象行業標準:高速公路能見度監測及濃霧的預警預報［S］.北京:氣象出版社，2007.

［15］ 王炳忠，莫月琴，楊云.現代氣象輻射測量技術［M］.北京:氣象出版社，2008:17-22.

［16］ 李孟麟，段發階，歐陽濤，等.前向散射式能見度測量技術研究［J］.傳感技術學報，2008，21(7):1281-1285.LI Menglin， DUAN Fajie， OUYANG Tao， et al.Research on the foreword scattering visibility detection［J］. Chinese Journal of Sensors and Actuators，2008，21(7):1281-1285.

［17］ VAISALA Corporation.PWD10，PWD12，PWD20 and PWD22:present weather and visibility sensors［DB/OL］.(2013-11-15)［2015-03-10］.http://www.vaisala.com.