基于時間序列的團霧監測與預警系統

王 琦，馮海霞*，田 俊，張興梓，王帥琦，趙軍學，柴耀焜

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

團霧是我國冬春季多發的一種交通氣象災害，具有發生快、區域性強和預測預報難等特征，被稱為交通安全的“流動殺手”。團霧的發生會引起能見度突然降低、路面附著系數減小以及駕駛人心理負擔增加，極易發生車輛打滑、追尾等現象，對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30分許，G36寧洛高速下行線196 K路段，因突發團霧相繼發生4起交通事故[1]，共造成10人死亡，17輛車不同程度受損。高速公路“團霧”多發的路段每年都在增加，團霧的監測預警成為交通安全亟須解決的重要問題。

目前，器測法和圖像檢測法是團霧的主要監測方法。器測法分為透射法和散射法，利用儀器來測量一個區域范圍內的氣象光學數據，通過對數據進行科學分析得到較為精準的能見度，但能見度儀本身成本高、布設維修都較麻煩，且不能全方位布設，無法有效實時檢測團霧的發生，雖然利用傳感器檢測準確性較高，但容易受外界因素（排放物、煙塵等）干擾。圖像檢測法則利用計算機圖像處理技術有效避免了器測法的缺點，減輕了設備處理的負擔[2]。HAUTIERE等[3]提出使用單個攝像頭監測道路與天空，以此估算能見度距離。許志成[4]、郭尚書[5]等基于圖像暗通道理論，提出一種團霧檢測預報的算法。苗苗[6]提出一種基于高清視頻的能見度檢測算法。竇菲等[7]利用OpenCV實驗提出了嵌入式硬件平臺的搭建方案，著重對視頻圖像進行分析并對跟蹤算法進行優化。許倩[8]在能見度檢測相關理論基礎上分析了高速公路對能見度的檢測需求與檢測可行性。劉建磊和劉曉亮[9]提出了一種基于視頻圖像對比度的團霧檢測算法。此類研究方法大多基于單幅圖像、算法復雜程度較高或需要提取車道標志、標線等為參照物，容易導致圖像特征信息不明顯、能見度測量效率不高和不夠精準等問題，從而降低了實用性。同時，各類基于視頻圖像的團霧監測和預警系統也層出不窮，楊安博等[10]基于云計算平臺設計了團霧監測與預警系統。孫良恒[11]基于Android設計了團霧預警系統并加以實現。王健等[12]針對霧氣的消光性原理，提出高速公路團霧實時檢測與預警系統。龔芳[13]將氣象學技術、嵌入式系統技術、數字傳感器技術等領域進行了系統集成，對高速公路團霧預警系統進行了設計研究。馮民學[14]基于ITS技術研究了低能見度濃霧監測與預警系統。李易潤[15]基于視頻分析技術，設計了高速公路團霧預警車載終端系統。徐放[16]提出了一種基于圖像分析的團霧檢測預警系統。以上系統利用較多技術融合，數據處理準確，但過程繁雜，容易導致漏洞的出現或運行速度較慢等問題。目前，基于視頻的團霧檢測系統仍是針對能見度的監測居多，經濟實用的道路團霧監測系統仍然較少。針對當前問題，研建高效的團霧監測與預警模型，構建快速、準確、實時和經濟的團霧監測與預警系統，已成為當前迫切需要解決的問題，本文引入時間序列的概念，固定時間間隔，將提取的背景圖像做成動態的背景序列，按時間前后進行對比，分析道路背景圖像特征突變情況，構建監測模型，搭建監測與預警平臺，實現不同路段、道路全程的團霧監測。

1 系統構成

目前團霧檢測預警系統主要依托于互聯網，通過海量信息的搜集傳輸和歸納分析以達到團霧監測與警報的目的。本文提出的系統利用傳感技術達到監測信息的傳輸與發布，無需過多復雜端口，有效保證了信息發布的便捷性、時效性和準確性。

1.1 系統架構

1）總體架構設計。團霧檢測與預警系統由傳感器技術設備，包括攝像頭、全球定位系統（global positioning system，GPS）；數據在線處理平臺，包括數據處理、結果判定和信息留存管理等；信息應用層，包括信息發布、趨勢預測等部分功能。團霧檢測預警系統總體架構如圖1所示。

圖1 團霧監測預警系統總體架構Fig.1 Overall structure of fog monitoring and early warning system

2）功能設計。數據采集利用高速監控、氣象站、高速監測站及駕駛員反饋等多方渠道獲取實時準確數據，將搜集到的數據初步分類匯總上傳至數據庫，由專用云端接收，通過團霧監測模型分析計算，從而對道路實況和能見度變化進行實時掌握。當團霧發生時，及時通過高速燈牌、廣播等途徑發出警報。在實際應用中，可以通過位置信息整合出團霧多發地，對該點加大監控力度，如：路面狀況、大氣溫度與濕度等氣象數據。當臨近團霧突發時，增多單位時間內圖像分析的幀數，第一時間檢測出團霧并發出警報。

3）管理員模塊。在此系統中，視頻信息的接收是整個流程的重點，當某地視頻設備或文件發生損壞，需及時報備修整，避免監控力度不到位而影響監測系統的運行效率。管理員模塊的實現主要在于兩方面：第一系統故障的排除與系統維護，保證系統的正常運行，及時發現流程中容易報錯的點并加以記錄，生成系統運作日志。第二系統權限的設定，系統每個模塊需要不同的專業人員操作，保證系統不被惡意篡改或非專業人員操作。

1.2 團霧系統監測步驟

1）數據采集與傳輸。高速實時監控視頻、氣象等信息進行采集，傳輸至云端。

2）數據預處理。對視頻圖像進行預處理（排除不清晰、殘缺時段的視頻等），將視頻每間隔10 s截取為一段，利用高斯模型剔除運動目標，得到相應時段背景圖像；按相應時序將背景圖像排列成動態的時間序列組，計算每張背景圖像的對比度、熵值、灰度值和邊緣特征等圖像參數。

3）監測模型構建?；跁r間序列的背景圖像特征，構建基于時間序列的能見度監測模型。

4）依據實驗結果設置團霧判斷條件。當N1攝像頭數據滿足對比度小于215且灰度值小于95時，將該背景直方圖劃分為64個區，每個區有4個灰度等級，通過線條弧度、角度及余弦值等計算該背景圖與團霧狀態下即能見度小于0.11 km時背景圖的邊緣曲線相似度，若高于95%則調取N2攝像頭的視頻數據，若讀取結果與N1相似，則立刻發出警報并利用N3、N4等多個攝像頭數據判斷團霧大致范圍。團霧判斷流程圖如圖2所示。（注：Ni攝像頭的i為攝像頭編號，N1為路段中隨機挑選的第一個攝像頭，N2為順應車流方向的第2個臨近攝像頭，以此類推Ni的第i個攝像頭）。

圖2 團霧判定流程圖Fig.2 Fog determination flow chart

2 數據與方法

基于時間序列的能見度監測模型的構建是本監測系統的關鍵。本文以濟南繞城高速路段為例，對系統的運行、監測模型的構建、結果分析等進行說明。

2.1 研究區和數據

1）研究區簡介圖。研究區處于京滬、膠濟鐵路十字交叉點，是濟南繞城高速G2001線K3+0.20 km處攝像頭及前后相鄰攝影頭覆蓋區域，G2001線是國道主干線北京至上海、北京至福州和青島銀川在山東省會濟南外圍聯網形成的繞城高速公路。

2）數據。使用的數據采集于濟南市氣象觀測站架設的高清視頻監控設備，選擇霧天（包含團霧）、陰天、晴天和雨天4種常見天氣，共錄得4個時段實驗視頻，并取得該時段視頻路段對應的能見度數據，實驗視頻數據如表1所示，其中時間為北京時間。

表1 實驗視頻數據Tab.1 Experimental video data

2.2 監測模型構建

高效的能見度監測模型是團霧監測系統的核心，模型構建主要利用高斯混合模型與時間序列圖像特征分析擬合，本節介紹各類方法的選取及用途，并通過模型構建、輸出結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[17]中高斯混合模型（gaussian mixture model，GMM）對運動目標的背景提取建模，背景圖像的各個像素點分別用K個高斯成分組成的高斯模型來建模，獲取當前幀圖像后更新模型參數，用當前像素與混合高斯模型匹配，剔除運動目標，得到更新后的背景圖像。

2）基于時間序列的圖像特征提取。按時間順序排列的圖像經處理后得到各類特征值，這些特征值所構成的一組數據序列即為時間序列。本文參照圖像的特征值主要包括：邊緣特征、對比度和灰度值。由霧氣引起的能見度變化給予人直觀的感覺是視場內物體清晰與模糊的變化。場景的模糊與否體現在是否存在豐富的細節。在圖像處理與理解技術中，這些細節在空域上體現為相鄰像素的灰度值梯度，在能見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最基礎的特征。本文采用了索貝爾算子（Sobel）[18]提取邊緣特征，Sobel算子是計算機視覺領域的一種重要處理方法，利用梯度信息對圖像進行邊緣檢測，通過計算每個像素的梯度，同時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。不同能見度邊緣圖像如圖3所示，其能見度依次為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。能見度越高的背景圖中，紋理延伸越遠，近距離線條也更為清晰流暢。

圖3 不同能見度邊緣圖像Fig.3 Different visibility edge image

（2）圖像灰度值的提取。不同能見度圖像所對應灰度值不同，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?？諝赓|量越差（即能見度越低），變化幅度越大。同一背景不同能見度的灰度直方圖，如圖4所示。能見度分別為0.103 km、0.520 km和0.960 km，能見度越高，灰度值在50～130左右的數量越少，降低幅度明顯。說明不同能見度情況下，對灰度值影響較大。

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

（3）圖像對比度的提取。對比度即亮暗程度的對比，通常表現了圖像畫質的清晰程度。有霧視頻圖像和無霧視頻圖像最主要的區別在于對比度的不同。在霧天中懸浮顆粒對大氣光散射和吸收的影響，使得有霧視頻圖像的對比度遠遠低于無霧視頻圖像。其計算公式為：

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。

團霧具有突發性，其發生會使能見度迅速下降，圖中兩端散點較為密集，能見度距離主要集中于0.080～0.300 km、0.900～0.980 km之間，從輕霧到團霧的變化時間較短，也驗證了團霧的突發性。能見度與對比度的相關性，如圖5所示，能見度與對比度相關系數為0.955 8，不同能見度下，對比度特征明顯不同，對比度隨能見度的升高呈增長趨勢。

圖5 能見度與對比度的相關性Fig.5 Correlation between visibility and contrast

3）基于時間序列圖像的能見度監測模型構建。通過上節對圖像進行數據化處理，將特征值提取并進行綜合分析，可知特征值與能見度具有較強相關性，其中對比度線性相關系數可達0.9558，呈正相關，熵值與均值的相關系數分別為0.967 4和0.967 8，能見度與熵值/均值的相關性，如圖6所示。同樣考慮計算量大等因素，擬利用收斂速度較快、魯棒性強的差分進化算法進行線性擬合。

圖6 能見度與熵值/均值的相關性Fig.6 Correlation between visibility and mean/entropy

將2018年11月16日5個小時霧天數據分為兩段，前3小時用于擬合公式，后兩小時及10月9日數據用于驗證。利用改進差分進化算法擬合出4個自變量與能見度之間的關系，擬合相關數據如表2所示，共迭代1 437次。計算達到收斂標準后停止。設能見度為Y，均值為X1，對比度為X2，熵值為X3，灰度值為X4。擬合公式模型為：

表2 擬合相關數據Tab.2 Fit the relevant data

經計算，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中相關系數值大于0.95可知，變量間關系相關性較強，該擬合公式所得結果與實際數據基本吻合，擬合計算值與實測值顯著性均小于0.05，通過顯著性檢驗。

3 結果分析

3.1 基于時間序列圖像的能見度監測模型驗證

將霧分為4種類型，每類樣本數量為200。無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日預留2 h數據，無霧樣本為10月9日預留部分數據。能見度差異檢驗如表3所示，P值大于0.050，計算值與實測值通過顯著性檢驗。

表3 能見度差異檢驗Tab.3 Visibility difference test

3.2 能見度監測檢測準確率比較

針對能見度檢測，定量分析本文模型準確率，根據實驗結果可以看出，本文模型檢測團霧效果明顯優于文獻[10]，本文準確率平均值約為95.8%，文獻[10]約為94%，多特征值分析及時間序列背景像元分析效果準確率更高。

3.3 團霧監測與預警

團霧監測。據當前數據統計顯示，團霧發生范圍約為1～5 km之間。利用擬合公式對預處理的圖像進行初步篩選，當能見度低于0.110 km時，首先調取相鄰時間背景圖像，觀察圖像特征值數據是否發生突變，由實驗數據計算可得：當背景圖像對比度差值大于10，灰度值差值大于5時，能見度浮動范圍約為0.150 km；對比度小于215時，95.65%的能見度是小于0.110 km的；灰度值小于95時，96.08%的能見度時小于0.110 km。其次，假設當前攝像頭為N0，調用相鄰10 km內攝像頭N1、N2...的監控數據，觀察能見度低于0.110 km的霧范圍是否在6 km之內，進行輔助判讀。

以此判定條件進行篩選檢測，結果有效監測到了預留驗證數據時間發生的團霧。

預警。通過判定條件進行監測，再通過邊緣特征圖像檢測圖像輪廓曲線，若該圖像與低能見度狀態下圖像邊緣曲線相似度高于95%，則需通過各類渠道進行團霧預警；反之，則進行霧預警。

4 結論

本文針對目前團霧監測存在的問題，構建了基于時間序列圖像的能見度監測模型，搭建了基于時間序列的團霧監測與預警系統。本文利用混合高斯模型剔除運動目標，建立視頻圖像的背景時間序列，利用多圖像特征構建了基于時間序列背景圖像的能見度監測模型，極大地提高了能見度的監測精度。相鄰攝影頭數據的對比分析，提高了團霧監測精度。系統主要利用海量的監控視頻數據，系統不需要額外增加昂貴的儀器，即可實現不同路段、道路全程的團霧監測，有效降低系統運行的成本，降低了維護難度，經濟效益顯著，對保障道路交通安全、減少交通事故、降低傷亡率和減少經濟損失有著重要意義，應用市場廣闊。