基于监控视频的高速公路能见度检测方法及系统

张昌利， 孟 颖， 李鹏超， 孙 婷

(长安大学信息工程学院，陕西西安710064)

能见度是影响高速公路行车安全的重要气象因素，雾霾、沙尘、降水、强光等恶劣天气通常会导致高速公路的能见度降低，影响到驾驶员的行车视线，使高速公路的交通事故风险显著增大［1-2］.因此，对高速公路的干道或雨雾多发路段进行全天候的能见度监测，并实施合理的限速与预警措施，对于高速公路行车安全与运营效率提升具有重要意义［3-4］.

视频监控一直都是我国高速公路机电系统建设的重要内容.目前，全国高速公路各路段、收费站、服务区、隧道等都安装了一定规模的视频监控设备，部分新修公路甚至实现了全线无盲点覆盖.高速公路的路况视频包含了丰富的现场能见度信息，通过路况视频的分析处理来计算高速公路沿线能见度，不仅能够达到能见度的全面实时监测，还能够充分复用已建设的视频监控机电系统，使视频监控更好地服务于高速公路运营管理工作［5-6］.

目前，国内外机构或学者针对视频能见度检测形成了一定的研究成果.Kwon等较早提出了一种利用视频摄像头测量大气能见度的检测方法［7］，但需人为预置多个视频检测目标，成本较高，操作烦琐，并容易受到地形等环境因素制约.Babari等提出了一种基于采集图像梯度分析来计算道路能见度的方法［6，8］，对于 1 km 以上能见度具有较好的测量效果，该方法无需其它辅助设施，但需要标定图像灰度幅值与能见距离之间的指数关系，且易受到场景变化、运动物体遮挡等影响.Wang等针对气象领域的能见度测量，设计了一种基于数字摄像的大气能见度测量系统［9］，在强降雨等复杂气象条件下其测量结果更接近人工观测，但同样需要在摄像头视线内设置多个固定位置和形式的参照目标.在国内，关可等通过大气能见度理论分析，证明用图像处理技术测量大气能见度的可行性，并设计了一种基于图像处理的能见度检测硬件系统［5］，但需要替代已部署的摄像头设备，且仍需要大范围安装，也存在造价、维护等一系列问题.陈文兵等通过计算采集图像的亮度、对比度、边缘梯度3个指标，对比了3个指标与空气透射能力之间的同步变化关系［10］，但其计算结果并非能见距离，且未解决参照图像的问题，尚无法达到应用级别.安明伟等选择了监控视频中归一化对比度大于一定阈值的点，通过几何转换计算其距离，以最大距离作为能见距离［11-12］，但由于环境复杂性，某些像素可能会起到干扰作用，且由于摄像头倾角关系，只能看到近距离的目标，因此只能用于检测短距离的能见度.特别地，现有研究成果均侧重于前端设备研发或气象能见度测量，缺乏对高速公路沿线视频监控环境及特殊需求的充分考虑，并且如何将对应成果与高速公路路况监测、能见度预警处置等智能交通业务相融合，亦缺乏充分的研究.

本文针对高速公路的能见度实时监测问题，在借鉴已有研究成果的基础上，提出了一种全新的基于监控视频的高速公路能见度检测方法，并围绕该方法设计和开发了对应的能见度监测与预警处置信息化系统.该方法通过分析从监控摄像头获取的固定距离参照物图像，以理论计算与数据融合的手段得到高速公路现场的能见度信息.对应系统则可以从局部、宏观两个方面，根据获取的实时能见度信息，向上支撑能见度预警、应急处置、交通流调控、信息发布等智能交通业务.

1 能见度计算模型

1.1 问题分析

在气象学上，能见度是表征大气透明程度的一个重要物理量，一般定义为在天空散射光背景下，观测安置于地面附近、适当尺度的黑色目标物，能看到且能辨识出的最大距离［13-14］.在公路交通领域，能见度则主要用于指代驾驶员的视线距离，大气透明程度是其主要的影响因素.现有能见度的测量方法主要有目测法和器测法两种.目测法是由具有正常视力且受过适当训练的观测员以人工目测的方式来确定能见距离，该方法多用于公路交通领域，受主观因素影响较多，且无法实现全天候无人值守监测;器测法主要采用透射型、散射型和激光雷达等类型的测量仪进行能见度的测量，存在仪器造价高、使用寿命短、维护成本高等问题，不适宜在高速公路沿线密集架设［1，14］.

相比于传统的检测方法，基于路况视频的能见度检测方法不但可以利用实时视频流实现高速公路沿线能见度的不间断监测，而且能够复用密集布设于高速公路沿线的监控摄像头，实现路网级的全方位能见度监测.但是，由于高速公路沿线环境的复杂性，这一方法的设计与实施需要解决如下3个问题:(1)观测背景.常规的能见度测量需要选择天空作为观测背景，但是监控摄像头的视野主要集中于高速公路道路，无法利用天空背景.并且由于野外环境与天气的多变性，无法保证总有一致的观测背景.(2)参照物.常规测量方法通常选择黑色参照物，而监控摄像头视野内几乎为偏暗色调，选择黑色参照物无法达到显著的对比效果.并且，参照物只能安装路边、隔离带等不影响车辆通行的位置，并需确保在摄像头的视野范围内.(3)观测结果的置信度.摄像头的分辨率、俯仰角度、参照物距离等因素都会对观测结果的置信度产生影响，观测结果的融合需要充分考虑这些因素.

1.2 检测装置模型

参考气象学能见度定义，本文提出一种基于路况视频的高速公路能见度(能见距离)检测方法.该方法利用密集布设于高速公路沿线的监控摄像头，在摄像头视野内的路边或隔离带安装固定规格与颜色模式的参照物挡板，根据摄像头所采集参照物图像的失真程度来计算实时能见度值.

图1所示为本方法的检测装置模型，其中监控摄像头与道路路面间所形成的几何关系是能见度值计算的基础.

图1 高速公路能见度检测装置示意Fig.1 Diagram of highway visibility detection equipment

图 1 中，{Xr，Yr，Zr}为路面坐标系，其{Xr，Yr}平面代表路面，原点Or位于摄像头正下方;{Xc，Yc，Zc}为摄像头坐标系，其坐标轴Zc指向参照物挡板中心，{Xc，Yc}平面与参照物挡板相平行，原点Oc为摄像头光心;Hc为摄像头架设高度，mm;Dc为摄像头在Xr方向距道路边界的距离，mm;Hb、Db分别为参照物挡板中心的高度及距道路边界的距离，mm;Dr为摄像头光心与参照物挡板中心在Yr方向的距离mm;L0为摄像头光心距参照物挡板中心的距离，mm.显然有如下几何关系:

图2所示为参照物挡板的图像内容设计.该图像由90个纯色的正方形灰度色块按照9x10的方式排列组成，色块按照向右、向下的顺序从纯白(代码0xFF)到纯黑(代码0x00)依次渐变，渐变幅度为0x0F.此处选择灰度色块的原因，是因为图像灰度不连续点所组成的基原图携带了原始图像绝大部分的有用信息，如图像的亮度、对比度及边缘特征等.多种灰度色块的选择及其颜色渐变方式的设定，则用于模拟实际景物的颜色比例及组合特征.

图2 参照物挡板的图像内容设计Fig.2 Design of image content in reference board

1.3 理论模型

引理1(比尔-朗伯定律) 可见光在长度为L的空气气柱辐射传输，其光照强度的变化满足

式中:Iλ(·)代表光照强度，Iλ(0)为入射强度，Iλ(L)为出射强度;Kλ为消光系数，均匀介质下Kλ与空气中光的传输距离无关，但与空气的能见度(能见距离)有关［15］.

根据该引理，可得空气透过率Tλ(·)的计算式为

一般人的正常视觉反应阈值为0.02.因此，假设空气的最大能见距离为 V，显然有 Tλ(V)=0.02，则

利用图1所示的检测装置，根据式(1)可以计算出摄像头光心距参照物挡板中心的距离L0，假设对应的空气透过率为T0，根据式(3)有

从而由式(4)、(5)推算出空气最大能见距离(即能见度)为

因此，若通过分析监控摄像头实时拍摄的参照图像，得到L0下的T0，由式(6)即可推算出给定道路位置的实时能见度.以图2所示的参照物图像为例，每个色块的图像透过空气进入摄像头后所发生的失真情况(即所有像素的灰度变化)，就是L0距离下空气对能见度影响的综合反映.色块颜色越偏于全黑或全白，像素灰度的变化势必会更大.因此，可以用色块的像素灰度偏离情况来推算T0，进而得到能见度值.

具体而言，假设通过标定，图2所示的参照图像在摄像头图像帧中的长宽分别为9x和10x个像素，其中x为每个色块的像素宽度.对于任意一个像素点(i，j)，其中 1≤i≤9x、1≤j≤10x，所对应的原始灰度值应为

式(7)首先根据(i，j)计算得到对应色块在整个参照图像中的纵横位置，然后根据色块排列规律计算像素的灰度值.

假设通过图像分析，得到像素点(i，j)的实际灰度值为g(i，j)，该像素的失真情况如式(8).

式中:255为灰度差的最大值.

整个参照物挡板图像的失真状况可以表示为所有像素失真状况的平均，即

在给定空气状况条件下，参照物挡板距离监控摄像头光心的距离越大，图像失真的程度也会随之变大.实验发现，在L0下，图像失真的程度δL0与T0之间近似呈线性关系，如式(10).

式中:a、b为线性关系系数.

因此，综合式(6)和式(10)，得到最终的能见距离计算式为

2 能见度检测方法

1.2 、1.3节模型给出了针对单个摄像头计算能见度值的方法.通常，高速公路的主路段或收费站、服务区、隧道等关键区域都同时安装有多个监控摄像头，均可用于能见度计算.并且，不同摄像头因为镜头俯仰、摄像头分辨率等特性的差异，通过计算获取道路能见度结果的置信度势必也互不相同.因此，从实用性考虑，应当综合运用或优选部署于监测路段或区域的监控摄像头，利用其采集图像进行能见度计算;并以所得的多个能见度计算结果为基础，通过基于置信度数据融合的手段计算最终的能见度值.

图3所示为该方法的关键流程.首先，针对所选监控摄像头，按照图1所示的方式为其架设参照物挡板，参照物挡板的设计见图2.并在后台计算程序中设置针对该摄像头的检测参数，如式(1)中出现的 Hc、Dc、Hb、Db及 Dr等距离参数，式(10)、(11)中的a、b系数，镜头俯仰角与分辨率，以及监控图像中参照图像的像素边界.其中，镜头俯仰角为镜头中线与道路水平行驶方向的夹角，分辨率为摄像头的标称参数.其次，针对每个摄像头，提取实时监控图像，在灰度化、降噪等图像预处理的基础上，分离出参照物图像，利用式(7)～(10)计算对应的能见度值.最后，以各监控摄像头的镜头俯仰角和分辨率作为置信度因子，以加权平均的方式对检测结果进行数据融合，得到最终的能见度值，并进入下一次检测周期.

图3 能见度检测方法流程Fig.3 Process flow of visibility detection method

基于置信度的数据融合是上述过程的关键步骤，其中摄像头的镜头俯仰角、分辨率是影响计算结果的两大主要因素.具体而言，镜头俯仰角越大，参照物挡板离摄像头越近，其成像在采集图像中所占的比例也越大，因此其结果越可信.分辨率越大，参照物图像所占的像素量就越大，计算结果也更为可信.因此，假设有N个监控摄像头用来测量道路能见度，第i个摄像头的测量值为Vi(i=1，2，…，N)，对应的镜头俯仰角、分辨率分别为 θi和 αi.根据镜头俯仰角和分辨率对测量结果的影响机理，按照

式(12)计算各个摄像头在加权数据融合中的权值.

式中:wθi、wαi分别为第 i个摄像头在镜头俯仰角和分辨率上的权值分量;因为 θi非常小，所以有cos θi≈1－θi成立;wi为摄像头 i的综合权值，由上述两个权值分量的欧式距离计算得到.

从而，假设数据融合后的最终能见度值为V^，根据总均方误差最小的优化条件，显然有

3 能见度检测与预警处置系统

3.1 系统总体架构

高速公路视频能见度检测与预警处置系统旨在利用高速公路已有的联网视频监控系统，提取现场路况监控视频帧，通过图像处理的手段分析高速公路沿线能见度的实时变化情况，并向上支撑能见度预警、应急处置、交通流调控、信息发布等一系列智能交通业务.具体而言，本系统的总体架构如图4所示.

图4 高速公路视频能见度检测与预警处置系统总体框架Fig.4 Framework of visibility detection，alarm and emergency disposal system for highways in China

该系统主要由现场下位机子系统和中心服务器子系统两部分组成.下位机子系统部署于高速公路沿线的重点监控路段或区域，在已有的视频监控机电系统的基础上，利用运行于小型工控机之上的下位机程序，从硬盘录像机(digital video recorder，DVR)等视频存储设备中读取监控视频帧，通过图像分析、数据融合等手段计算实时能见度值，并及时利用现场的可变情报板发布能见度预警.下位机子系统按照一定的周期向路网信息中心提交现场能见度数据，其数传通信方式可以根据实际现场的进行选择.中心服务器子系统搭建于路网信息中心，可以结合交通 GIS(geographic information system)综合展示高速公路的路网级能见度变化情况，并通过集成第三方智能交通系统，向各级用户提供多样化的智能交通服务.

3.2 上/下位机子系统

首先，现场下位机子系统主要用于现场能见度信息采集及现场信息发布，运行于现场的嵌入式工控机之上，其模块化系统结构如图5所示.该子系统由一系列负责不同任务的独立组件所组成，可以通过静态配置文件来设置各类组件的数量及参数，组件之间通过共享数据进行交互.例如，数采组件通过DVR(digital video recorder)驱动模块(封装硬盘录像机访问功能，针对具体设备定制)周期性读取相应监控摄像头的实时视频帧，将能见度计算结果写入共享数据区;数据融合组件周期性地从共享数据中读取所有摄像头的能见度数据，数据融合计算后写回共享数据区;VMS(variable message sign)组件周期性轮询当前能见度值，根据一定的预设规则、通过定制的VMS驱动向可变情报板发布信息;数传组件则按照一定周期将采集数据发送到远端的上位机数据服务器当中.

其次，上位机服务子系统基于Java EE(java enterprise edition)架构研发，封装了能见度数据远程接收、海量数据存储、统计分析与查询等基础性服务，并向上支持能见度预警、低能见度应急处置、公众信息发布等一系列智能交通业务.例如，图6所示为某区域高速公路能见度监控的Web页面截图.

图5 下位机数采子系统模块化体系结构Fig.5 Modular structure of lower-end data collection subsystem

图6 高速公路能见度监控Web页面截图Fig.6 Snapshot of highway visibility monitoring Web page

该页面以在线GIS地图为载体，综合展示了区域高速公路网内各监控路段的实时能见度状况.各监测位置图标的颜色根据实时能见度级别在红、桔、黄、蓝、绿色之间动态变化，下位机系统通信异常时图标则变灰并闪烁.利用右侧的浮动窗口，管理人员不但可以选择特定的监控位置，详细察看该位置的当日能见度变化趋势曲线，还能够快速了解区域高速公路网内近期的能见度预警事件.

4 实验分析

针对上述基于路况视频的能见度检测方法，本文设计并搭建了相应的实验环境，从能见度检测精度、下位机系统性能两个方面，对该方法的可行性进行了验证.

4.1 实验环境搭建

该实验环境的内部结构如图7所示.其主体为一个长约3 m的小型雾室，使用1个大功率的加湿器作为起雾装置，可以产生极细粒度的小雾滴，通过控制加湿器工作档位来调节雾室内雾的浓度.使用1个内循环风扇来加速雾室内的气体循环流动，使得加湿器产生的雾能更好遍布雾室的各个位置.为了控制小雾室的环境，避免产生过多的水滴，在雾室尾端装设了1个排气风扇，用于抽气和降低雾室内的湿度.使用日光灯作为雾室内部照明，并模拟实际环境中的自然光.为了便于实验操控，本文还专门研发了PLC控制面板，可以统一对加湿器档位、风扇关断及日光灯亮度等进行调节.

图7 能见度检测实验系统示意Fig.7 Diagram of visibility detection experimental system

在雾室内的两端分别安装有45 cm×50 cm规格的参照物挡板及支持网络访问的监控摄像头，二者间距设定为3 m.在PC机上实现本文的基于路况视频的能见度检测方法，读取监控摄像头的视频帧并进行能见度计算.作为比较，同时在雾室底部安装了一款高精度能见度检测仪(型号Vaisala PWD10).该型能见度检测仪的工作原理为对比接收端光强与发送端光强计算大气散射系数，进而推算出大气的能见距离，其测量范围为 10～2 000 m［16-17］.

4.2 能见度检测精度实验

依次改变雾室中雾的浓度，可以改变雾室内的能见度.当参照能见度检测仪的能见度读数趋于稳定时，利用监控摄像头读取视频帧来计算能见度值并分析检测精度.

首先，从检测范围内选取了6个典型的能见度值，在其读数下采集到参照物挡板图像，如图8所示.

图8 典型能见距离下的参照物图像Fig.8 Images of reference board under typical visibility distances

从图8可以看出，随着喷雾浓度增加，雾室能见度急剧下降，参照物挡板的色块灰度也逐渐发生变化.

随后，利用系统PC机读取监控摄像头获取的视频帧，并通过本文的检测方法对能见度和检测精度进行计算分析.根据本文方法，得到6个典型能见度距离下，每幅参照物挡板图像的18种灰度色块的平均灰度偏差和平均失真程度.

据此分别作出了各典型能见度下，色块平均灰度、平均失真程度与色块原始灰度的关系曲线图，如图9和图10所示.

图9 典型能见度下的色块灰度均值变化Fig.9 Greyscale variations of colour areas under typical visibilities

从图9可以看出，参照图像经过雾室空气气柱传输，各类色块的灰度均有一定程度的变化;色块颜色越接近全白或全黑，变化幅度越大;空气质量越差(即能见度越低)，变化幅度越大.从图10可以看出，大多数色块图像失真程度与能见度距离之间均存在严格的单调递减关系;存在某一个灰度颜色(灰度值约为0x75)，在不同的能见度状况下均只有微量的像素失真;以该灰度值为中心，色块颜色越趋近于全白或者全黑，像素失真情况就越为严重，并且失真程度具有一定的对称性.

图10 典型能见距离下色块图像失真情况Fig.10 Image distortions of colour areas under typical visibilities

进而，按照上述办法采集更多图像与参考能见度数据，根据式(9)计算所各组图像的平均像素失真，并根据式(4)及式(3)反推消光系数Kλ及3 m下的空气透过率Tλ(3.0)，从而得到不同能见距离下的平均像素失真 δ3.0与空气透过率 Tλ(3.0)之间的关系，如图11所示.

图11 平均失真程度和空气透过率的线性关系Fig.11 Linear relation between average distortion and air transmittance

由图11可见，两个参数之间的确存在较为理想的线性关系.

为了分析本文能见度检测方法的检测精度，将本文检测方法计算得到的能见度值(检测能见度)与参照检测仪输出的能见度值(参考能见度)进行对比，并对不同能见度下的能见度检测误差进行分析，绘制了能见度计算结果对比及误差分布图，如图12所示.

图12 能见度计算结果对比及误差分布Fig.12 Visibility value comparison and error distribution

图12 中，检测误差按照国内常用的交通气象分级标准(＞500 m、200～500 m、100～200 m、50～100 m、≤50 m)［14］进行逐段统计.

可见，本文检测方法得到的能见度值与参考检测仪得到的能见度值具有较好的一致性，随着能见度的增大，检测误差逐渐减小;本文检测方法的检测误差为13.4%，且高能见度场合下误差相对更小.

4.3 下位机性能实验

如上文所示，通过下位机对多摄像头检测结果进行数据融合，可以提升总体检测结果的精度.但是，这一做法同样也会为下位机系统的处理能力带来考验.

为了验证下位机系统的性能能够满足对多摄像头检测结果进行数据融合的要求，本实验将监控PC替换为某型ARM 9嵌入式系统，模拟实际场合下的嵌入式下位机系统，并针对160×120、360×240、640×480、960×720 像素几种常见的视频帧大小，通过并行运行图5所示的多个输入视频帧计算插件，对比分析下位机系统运行的平均耗时.不同视频帧下，系统同时运行1～10个计算插件所对应的平均耗时(单位:s)，如图13所示.

图13 不同视频帧大小的下位机平均耗时Fig.13 Average time consumption of lower-end subsystem for different video frame sizes

从图13可以看出，下位机的运行效率与输入视频帧的大小密切相关.对于单摄像头输入而言，基本可以保证每次数据处理在1.0 s时间之内，对640×480像素大小的视频帧数据而言，其处理耗时约为0.7 s.随着并行执行的输入计算插件的增多(相当于引入多个摄像头)，下位机每轮计算的总耗时逐渐上升，并且上升趋势随着并行计算模块的增多而逐渐趋于明显.以960×720像素大小的视频帧处理为例，并行10个计算插件的处理耗时超过20.0 s.

由上述实验可知，能见度检测下位机子系统的处理耗时与接入摄像头个数及视频帧大小密切相关.因此，在实际应用当中，必须按照能见度检测的实时性需求和下位机设备计算能力，确定接入摄像头的数目.

对本实验所选用的ARM嵌入式设备而言，假设出于异常值滤波的需要，每次需要有至少5个采集数据，方可实施滤波计算并向上位机子系统提交能见度数据.若要求的数据提交周期为5 min，则下位机有至少1 min执行一轮数据计算，根据图13所示，该ARM设备的计算能力能够达到要求，可以接入10个甚至以上的摄像头.而假设要求的数据提交周期为1 min，则下位机最多20.0 s必须执行一轮计算，显然不能接入10个或以上分辨率大于等于960×720像素的摄像头.但是，考虑到交通气象变化速度较为缓慢，道路能见度监控对实时性要求并不很高，所以根据该实验分析，常规的嵌入式工控机设备即可满足大多数下位机子系统的性能要求.

5 结束语

(1)针对高速公路的能见度实时检测与预警处置需求，从实用性角度出发，提出了一种基于路况视频的能见度检测方法.该方法通过采集假设于高速公路沿线监控摄像头的实时视频帧，以图像处理的手段分析参照图像的灰度失真情况，进而通过理论推算和数据融合得到道路现场的实时能见度.实验结果表明，该方法的支撑数学模型正确，其精度和下位机计算能力要求均能达到交通行业需求，具有较高的应用价值.

(2)相比于常见的能见度检测仪器等精密设备，本方法的精确度相对较低.但是，该方法具有有效重用已有的摄像头设备、快速在高速公路网范围形成能见度监测与预警系统的优势.并且，现有能见度检测仪器备主要面向气象领域，重点监测由于空气透射能力所表征的能见度级别，而本文方法根据图像失真状况分析能见度，实际上还隐含捕获了由于光线明暗变化等因素所导致的能见度改变.

(3)基于当前我国高速公路监控机电系统的建设与管理现状，提出了多监控摄像头下能见度计算结果的数据融合方法，并搭建了高速公路视频能见度检测与预警处置信息系统.该系统可以实现高速公路沿线能见度的全面实时监测与预警处置，并能充分复用已建成的视频监控机电系统，使视频监控更好地服务于我国高速公路的运营管理工作，具有很好的应用推广价值.

致谢:西安市科技计划资助项目(CXY1125-9).

［1］ 包左军，汤筠筠，李长城，等.道路交通安全技术丛书:公路交通安全与气象影响［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］ 赵慧霞，王维国，李泽椿，等.雾对我国交通运输的不利影响及对策［J］.气象与环境学报，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］ 关可，亓淑敏，梁佳.基于数字图像处理技术的高速公路能见度检测［J］.长安大学学报:自然科学版，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］ 陈文兵，杨建伟，张小磊.能见度自动化计算方法［J］.计算机工程与应用，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］ 安明伟，陈启美，郭宗良.基于路况视频的气象能见度检测方法与系统设计［J］.仪器仪表学报，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］ 韩永，谢晨波，饶瑞中，等.基于光散射技术的两种能见度探测方法的比较与分析［J］.红外与激光工程，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］ 中国气象局.QXT 76—2007中华人民共和国气象行业标准:高速公路能见度监测及浓雾的预警预报［S］.北京:气象出版社，2007.

［15］ 王炳忠，莫月琴，杨云.现代气象辐射测量技术［M］.北京:气象出版社，2008:17-22.

［16］ 李孟麟，段发阶，欧阳涛，等.前向散射式能见度测量技术研究［J］.传感技术学报，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.