多数据源融合的高速公路气象识别方法

须民健，习 燕，廖 强，李文锋

(招商局重庆交通科研设计院有限公司， 重庆 400067)



多数据源融合的高速公路气象识别方法

须民健，习 燕，廖 强，李文锋

(招商局重庆交通科研设计院有限公司， 重庆 400067)

对与高速公路行车安全有重要影响的雨、雪、雾、路面结冰、路面霜冻、路面高温等环境气象和路面状况进行实时监测与预报。通过现场多传感器及摄像机获取监测点气象环境原始数据，对摄像机图像进行灰度变换、二值化处理、形态学运算，并将图像处理结果与多传感器数据融合，进行加权平均运算，分析得出气象识别结果；在处理中心，将气象识别结果和当地气象特征相结合，对每一种气象识别结果再进行成因推理、分析，得出现场检测点处的环境气象和路面状况。给出了雨、雪、雾天气识别的图像处理方法和气象特征综合识别方法，实现以较少的传感器数量获取更准确、更详细、更完整的道路气象特征的目标。

公路运输；气象检测；图像处理；数据融合；路面状况

随着高速公路里程数及车辆拥有量的不断增加，公路运输安全问题已引起社会及交通运营、管理部门的高度重视，其中高速公路沿线的天气情况对行车安全有着重要影响，恶劣的天气现象极易导致交通事故的发生，因此实时、准确地获取道路沿线气象信息对于公路运管部门有着重要的作用。我国高速公路在建设阶段按设计要求在道路特殊地段安装了气象站，可监测雨、雪、风、能见度等气象信息，但这些气象站设置间距较大，难以全面了解整条高速公路的关键气象信息。另外，对于路面气象状况的检测需要埋设专门的传感器于路面之下。现有高速公路气象检测设施具有体积大、施工及维护成本较高等缺点。本文研究结合了图像处理技术和多传感器数据融合技术以获取高速公路环境气象信息(如雨、雪、雾等)，同时结合各种路面气象形成的条件分析得出监测点路面状况信息(如路面结冰、路面霜冻等)，以较少的传感器获取更详细的道路环境气象信息和路面状况信息。

1 多数据源获取

数据源包括现场传感器数据和气象特征数据，其中现场传感器用于获取监测点实时气象信息，气象特征数据由人工录入数据库系统，作为气象识别分析处理的重要支撑数据。

1.1 现场数据

常见的高速公路环境气象检测要素主要包括风速、风向、温度、湿度、能见度、雨量、气压、光强等。为减小现场气象站的体积和能耗，采用微型摄像机、超声波风速风向仪、气压传感器、温湿度传感器、日照辐射强度传感器等测量雨、雪、雾、风速、风向、环境温度、环境湿度、日照强度等现场气象数据。

现场数据的获取采用嵌入式系统实现，由微处理器、存储器、传感器、接口电路及外围电路构成，包括数据采集、数据处理和数据输出3部分，其结构如图1所示。

图1 现场数据采集系统结构

除图像数据外，现场传感器采集的气象数据经预处理后直接传输至路段监控中心，在现场不做数据分析与处理。现场摄像机图像数据经图像处理、分析后得出雨天指数、雪天指数和雾天数据3种气象源数据。

1.2 气象特征库数据

地势特征数据库描述不同地势(高原、平原、山区、盆地等)对应的气象特征；季节特征数据库描述不同季节和时间对应的气象特征；区域特征数据库描述区域内(干旱地区、青藏等高寒地区、四川盆地、华北地区、沿海地区等)的气象特征；历史特征数据库描述当地气象特征的历史经验。气象特征数据库构成如图2所示。

图2 气象特征数据库构成

2 多数据源融合与计算模型

2.1 现场传感器的数据融合

现场数据的处理主要针对雨、雪、雾3种天气进行识别，其数据源包括摄像机图像数据、温湿度传感器数据，并引入温度、湿度等数据作为影响因子。

根据人体视角感知原理，在雨、雪、雾3种天气条件下，液态物质的颗粒尺寸及形态呈现不同的特征。通过摄像机获取高清图像，依次对图像进行灰度变换、平滑、修正、二值化、形态学提取等处理，获得典型天气条件下的图像特征。

1) 图像灰度变换。由于采集到的图像是彩色图像，所以需要将其转变为灰度图。彩色图像中每个像素的颜色由R，G，B三个分量决定[1]，而每个分量有255个值可取，这样一个像素点就有1600多万的颜色变化范围。而灰度图像是R，G，B三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为255，所以采用灰度图像能减少图像处理的计算量。灰度图像的描述与彩色图像一样，仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。摄像机彩色图像中的红、绿、蓝分量用R，G，B表示，则图像灰度值g1的计算公式为

g1=0.3R+0.59G+0.11B

(1)

2) 图像二值化。图像二值化的方法包括全局阈值和局部阈值两种[1]。使用全局阈值得到的二值化图像常常不能很好地对图像进行分割，阈值过大会导致图像二值化处理后的白点过多，形态学运算后图像区域容易被淹没[2]。为了更好地突出图像区域，根据图像的局部方差确定阈值t，将图像分为m×n大小的方块，则有

(2)

式中：M为局部均值，σ为局部方差；设图像中大于阈值的像素为255,反之为0，则二值化处理的计算公式如下：

(3)

3) 图像形态学运算。采用形态学滤波方法，用k×k大小的图形结构元素对图像作腐蚀运算，k的取值通过系统调试决定，但k应根据噪声颗粒和非噪声颗粒的半径大小选取，以消除细小干扰。用图像二值化处理结果g3作为输入，则图像腐蚀运算结果g4为

(4)

式中B为k×k结构元素。使用B作腐蚀运算后，再用l×l大小的图形结构元素作膨胀运算， l的取值通过系统调试决定，但应根据噪声颗粒和非噪声颗粒的半径大小选取，其膨胀运算结果为g5，计算公式如下：

(5)

在膨胀运算的基础上，再次使用l×l大小的图形结构元素作腐蚀运算，得到最终的腐蚀运算结果g6，即为形态学最终滤波输出值，其计算公式如下：

(6)

4) 加权平均运算。雨、雪、雾3种天气现象的识别由现场嵌入式系统实现，其硬件资源有限。因此，为提高处理速度，采用加权平均算法，对和天气识别结果有重要影响的传感器数据和图像处理结果进行加权平均，得出气象识别结果。

长期以来的观测结果表明，雨、雪、雾等天气现象与环境参数有密切联系。例如在Vaisala公司的FD12P 天气现象传感器所采用的天气现象降水现象识别模型中，正是利用温度来粗分降水类型，以提高判断准确度。T>8 ℃不会降雪，T<0 ℃ 不会下雨，这一关系是Vaisala 公司通过长期试验得到的[3]。由于温度与降水类型的对应关系并不是完全固定的，因此利用温度数据作为降水类型识别的重要辅助手段，可进一步提高气象识别的速度和结果的准确性。同时，日照辐射强度、湿度、风速等环境参数也作为识别结果的影响因子，参与加权平均运算。

2.2 数据中心的数据融合

传感器数据经现场嵌入式系统预处理后，传输至数据处理中心进行二次处理。在数据中心建立气象特征数据库作为先验知识，视同数据信息，赋予对气象识别的支持程度，参与数据融合运算。

在数据中心，采用证据组合法进行数据融合运算。赋予每一数据作为支持某种气象特征决策证据的支持程度，并将不同数据的支持程度进行组合，即证据组合，分析得出现有组合证据支持程度最大的决策作为信息融合的结果和气象识别结果。

3 气象成因分析与识别

气象状况与环境参数有密切联系，每一种气象状况均可通过现场气象传感器结合其形成原因、当地的气象特征进行分析、判断，以获取气象检测结果。

1) 路面霜冻。当大气湿度较大，路面温度等于或低于露点，同时路面潮气温度等于或低于冰点(0 ℃)时，潮湿空气不断凝结成霜，在路面便结成霜冻，其中露点温度由空气温度和湿度计算得出[4]。

获取到相对湿度以及实际气温时，露点温度可以通过式(7)求得近似值[4]。

(7)

式中的γ的值为

(8)

其中：温度T和露点Td单位为摄氏度; 相对湿度RH为百分比; ln代表自然对数；常数a和b分别为a=17.27，b=237.7 ℃ 。此公式基于Magnus-Tetens 近似法( Magnus-Tetens Approximation)，式中把饱和水气压视为温度的函数[5]。该计算公式主要应用于0 ℃

2) 路面结冰。地面结冰是在外界大气温度低于0 ℃，存在可见的潮气(如雨、雪、雨夹雪、冰晶、有雾等)或者在路面上出现积水、雪水或雪的气象条件下形成的。当在冰点或低于冰点时，路面持续存在一层冰水混合物，如含有的融雪剂不足，则混合物结冰[5]。

当环境温度在冰点或低于冰点(≤0 ℃)时，路面可能存在薄层或斑点潮湿膜，若有降水即可能结冰；或大气湿度较大时，潮气不断凝结成露，最终在路面形成冰冻[5]。

3) 路面积水。当环境温度在冰点以上，并且有持续的降水或大降水量发生时，会出现路面积水情况。对于降水类型，可通过环境参数进行辅助判断。例如在Vaisala公司的FD12P 天气现象传感器所采用的天气现象降水现象识别模型中，正是利用温度来粗分降水类型，以提高判断准确度。T>8 ℃不会降雪，T<0 ℃不会下雨，这一关系是Vaisala 公司通过长期试验得到的[6]。由于温度与降水类型的对应关系并不是完全固定的，因此利用温度数据作为降水类型识别的重要辅助手段可进一步提高气象识别的速度和结果的准确性。

4) 路面积雪。积雪是由降雪形成的覆盖在公路路面的雪层，它是路面气温低于冰点的寒冷地区或寒冷季节的特殊天下现象。积雪一般分为稳定积雪和不稳定积雪两类。能连续维持一个月以上的称为稳定积雪。但高速公路因其交通运输的特殊需求，不会选线于常年积雪区域，所以在高速公路沿线会发生不稳定的季节性或区域性积雪。

综上，气象状况与环境参数有密切联系，各种路面气象信息均不需要使用专门的传感器监测，可通过对环境气象的检测间接获得路面气象信息[8-15]。气象监测识别流程与方法如图3所示。

图3 气象监测识别流程与方法

4 结束语

实时道路气象监测是高速公路科学运营的一个重要依据，雨、雪、雾等天气改变了道路交通运行环境，对车辆的正常行驶形成障碍，路面积水(湿滑)、结霜、积雪、结冰、高温等情况改变了路面的物理性质，对高速公路的安全运营有直接的影响。通过将现场环境数据与当地气象特征相结合，对每一种路面气象状况的成因进行推理、分析，得出现场检测点处的环境气象和路面状况，是一种低成本、易维护、准确度高的气象检测方法。

[1] 伍兹.数字图像处理[M].北京：电子工业出版社，2011.

[2] 陈炳权,刘宏立.数字图像处理技术的现状及其发展方向[J].吉首大学学报，2009，30(1):63-66.

[3] 刘西川,高太长.基于多传感器的天气现象综合识别方法初探[C]//第十二届中国科学技术协会年会(第二卷).北京：出版者不详，2010.

[4] 蒋贤才,裴玉龙.冰雪道路交通安全管理措施及其成效分析[J].公路交通科技,2008,25(4):127-140.

[5] 魏凤英.现代气候统计诊断与预测技术[M].北京：气象出版社,2008.

[6] 许一飞,叶林,许丹丹.基于多传感器技术的机场地面结冰检测系统[J].仪表技术与传感器，2012(9):40-42.

[7] 石磊.冰雪条件下高速公路气象检测与预警系统研究[J].公路交通科技：应用技术版,2012(9):311-314.

[8] 乐佳琪,殳国华.基于ZigBee的高速公路气象信息采集系统设计[J].电气自动化,2014,36(4):26-27.

[9] 唐亚平，张晋广，张凯，等.北方公路交通气象环境识别及安全管理策略研究[J].气象科学，2012，32(4):466-471.

[10]邓英姿，黎颖智.广西高速公路沿线较大范围雾的天气形势特征和成因浅析[J].气象研究与应用,2014,35(A02):109-110.

[11]孙书诚，郎朗， 苏长杰.带有时间/地理标签无线传感器网络的农业环境远程实时监测系统[J]. 重庆理工大学学报:自然科学版，2013(3)：104-108，112.

[12]李献礼.基于多目标优化的无线传感器网络覆盖控制算法[J]. 西南大学学报:自然科学版,2013(1):155-159.

[13]李婧,李艳萍,王华奎,等.基于加权虚拟力的无线传感器网络定位算法[J]. 太原理工大学学报,2014(3):334-338.

[14]蒲金涌，蒲禹君，姚小英，等.影响宝天高速公路视程障碍的天气现象分布特征[J].中国农学通报,2011,27(29):296-300.

[15]苏振华.道路冰雪分类与结构特性研究 [J].内蒙古公路与运输,2014(1):43-44.

(责任编辑 杨黎丽)

Highway Meteorological Recognition Research of Multiple Data Fusion

XU Min-jian, XI Yan, LIAO Qiang, LI Wen-feng

(China Merchants Chongqing Communications Technology Reserch &Design Institute Co., LTD, Chongqing 400067, China)

Real-time monitoring and forecasting the environmental weather such as rain, snow, fog, icy, etc and road conditions such as road frost, road temperature and other meteorological elements for the highway have a major impact on highway traffic safety. We got the original data for meteorological environment of monitoring points through the multi-sensor and camera at the scene, and then we did the camera image gray-scale transformation, binary processing, and morphological operations. And we merged the result of image processing with multi-sensor data to have the weighted average calculation, and then we got the the meteorological recognition result. In the dealing centers, we combined the recognition results of weather with local meteorological characteristics and then analyzed the recognition results for each meteorological causes and did further reasoning, at last we got the weather and road surface conditions of testing point. The comprehensive identification method of meteorological characteristics and the image processing method of the identification of rain, snow, and fog were put forward, which achieves the result of obtaining more accurate, more detailed, more complete road meteorological characteristics with less number of sensors.

highway transportation; meteorological detection; image processing; data fusion; state of the road surface

2014-11-06 基金项目：重庆市科技攻关项目(cstc2012gg-yyjs0607)

须民健(1984—)，男，重庆人，硕士研究生，工程师，主要从事环境气象检测研究。

须民健，习燕，廖强，等.多数据源融合的高速公路气象识别方法[J].重庆理工大学学报：自然科学版，2015(3):78-82.

format：XU Min-jian, XI Yan, LIAO Qiang, et al.Highway Meteorological Recognition Research of Multiple Data Fusion [J].Journal of Chongqing University of Technology:Natural Science,2015(3):78-82.

10.3969/j.issn.1674-8425(z).2015.03.015

TP393；U491.5

A

1674-8425(2015)03-0078-05