摘 要：

随着人工智能技术的进步，近年来基于视频的路况能见度检测方法有了较大的创新，
该方法可以克服传统激光能见度仪耗资巨大和探测范围小等问题，然而现有方法大多是只
选取少量视频、截取图像中的某些固有特征进行能见度数值的间接估计。事实上，大雾的
形成和消散有其自身的规律，视频资料中蕴含了丰富的大雾变化过程信息， 充分利用这些
信息，不仅可以提高能见度估计精度，也可以对大雾的消散进行预测。这对我国的高速公
路管理和航空飞行具有重要的意义。

基于此， 本文旨在通过收集和分析与能见度相关的气象因子信息和图像特征信息， 评
估各变量特征与能见度之间的相关性程度， 并以此为基础在构建地面气象观测与能见度之
间的多变量非线性回归模型； 同时， 充分利用视频的连续信息建立基于视频数据的能见度
估计深度学习模型。然后利用图像中不同景深的物体在不同能见度下的亮度差异构建不依
赖实测数据的能见度估计模型； 最后运用时间序列分析模型量化能见度随时间的变化规
律， 建立数学模型预测大雾变化趋势以及其消散时间。

针对问题一， 要求建立地面气象观测数据与能见度的具体关系式。为此，需要寻找出
影响能见度的气象因子，从而建立能见度和气象因子的多元非线性回归模型。研究中结合
文献调研， 初步选取地面气象观测数据中可能影响能见度的因子，进而运用相关性分析评
估各因子之间的内在关联，最终确定回归模型的变量因子。然后运用 SPSS 和 Matlab 软件
对历史实测数据进行时空变化趋势做统计分析研究能见度与各气象因子的数学关系，以此
构建出不同气候模式下估计能见度的多元非线性回归模型；在求解参数时， 利用遗传算法
得到多变量非线性回归模型的最优解并检验参数合理性。 结果表明， 利用该方法可以从定
量和定性两个角度建立能见度和气象因子的回归方程，具有一定的可靠性和正确性。

针对问题二， 要求建立基于视频数据与实测能见度数据的深度学习反演模型。为此，
需要寻找出影响能见度的图像特征因子，从而构建能见度与视频数据的深度学习模型。首
先，通过已有研究初步选取影响能见度的图像特征，然后运用相关性分析筛选最能影响雾
天能见度的图像特征向量以及图像特征的窗格大小，同时评估各窗格区域内的特征值与能
见度的关系，选取最优兴趣窗口，进而构建回归模型的参数向量；然后以多元线性回归方
程建立参数向量与能见度之间的统计关系，并利用 BP 神经网络对线性拟合的残差进行估
计修正多元线性回归的预测结果。结果表明，该模型能够同时兼顾线性和非线性的特点，
反演精度较高，可以实现对能见度的精准估计。

针对问题三， 要求建立非直接测量能见度的能见度估计算法。 为此，需要获取图片深
度信息估计能见度。 从图像数据来看，近点有较清晰的道路信息， 所以可借助道路线进行
梯度检测求得边缘信息； 已知车道线的长度 6m， 利用亮度对比法结合光学模型的传播可
以求出摄像机参数； 远点因为大雾而看不到道路的尽头，因此我们利用求定的相机参数来获取离相机最远可分辨的像素，即人眼可分辨的亮度差异；然后使用暗原色先验原理获得
目标点的透射率，求出大气折光系数， 进而对能见度进行估计。 结果表明其中 2016 年 4
月 14 日 6 点 30 分至 7 点 39 分时段能见度变化趋势较缓，集中在 47m 附近，波动范围±10m。

针对问题四，要求根据能见度随时间的变化规律，建立数学模型预测大雾变化趋势以
及何时消散。为此，需要对能见度变化序列进行时序分析，主要包括倾向变化率、平稳性、
周期性、偏相关和自相关，进而通过线性回归模型、 灰色预测模型和 ARIMA 模型模拟大
雾的变化趋势以及消散过程。结果表明，问题三等到的能见度随时间变化具有一定的周期
性，且整体上保持恒定，上下波动不大；线性回归模型的结果显示下一时刻的大雾变化趋
势逐渐减弱，且在 8 点 50 分 56 秒大雾开始消散即达到能见度为 150m 以上； ARIMA 时序
预测模型和灰色预测模型的结果显示大雾的变化趋势在短时间内逐渐加重，但速率较缓。

关键词： BP 神经网络、多元非线性回归模型、相关性分析、亮度差异、暗原色先验、时间序列预测、灰色预测、 ARIMA 时间序列模型

链接：https://pan.baidu.com/s/1wmLICwW0ozQb31OA9aHPwA
提取码：1554