摘 要：

当今社会衣食住行， 出行对人们的生活可谓是非常的重要， 而影响交通出行的一个重
要因素便是能见度。 能见度差往往意味着恶略天气， 而恶略天气又极易导致交通事故的发
生， 从而严重影响交通运输条件， 给我们的出行造成困扰， 极易形成严重的交通事故， 对
人们的生命和财产造成损失。 近些年来， 雾霾天气在我国各大城市愈演愈劣， 如何对交通
运输条件进行准确的判断就非常的重要了， 其中最为重要的便是准确快速的进行能见度检
测。

传统的大气能见度检测方法分为人眼目测法和仪器测量法， 人眼目测法主要是指： 在
人眼没有任何帮助的条件下， 所能识别物体的最大距离[1][2]。 这往往会引入很多的人为误
差， 给测量结果带来不确定性， 而且人眼目测客观性相对较差； 仪器测量法主要是指： 使
用一些光学器件来对大气条件中的能见度值进行检测， 这种设备通常比较昂贵， 且在雨、
雾等低能见度天气中， 会因水汽吸收等复杂条件造成较大的测量误差。

针对本项目问题一， 本文利用某机场气象测量点监测到的能见度、 气压、 温度等相关
数据， 用 Pearson 相关系数法找出影响能见度的主要因子， 并构建能见度与气象学因子的
模型， 用多元回归分析对模型求解， 得到两类不同的能见度模型。 经过比较， 两类模型均
能很好的符合能见度观测数据， 可以利用模型做短时预测。 最后， 通过能见度与各因子的
散布分析， 验证了模型的准确性， 并给出能见度与湿度、 温度、 风速、 气压之间的经验关
系： 在低温、 低压、 底风速， 高湿度的情况下， 低能见度的概率较高。

针对本项目问题二， 本文针对机场视频数据设计了一种基于改进的卷积神经网络
（CNN） 的雾霾能见度检测方法， 首先根据视频流数据截取对应图片， 然后得到机场交通
雾霾图像库， 然后分为训练数据集和测试数据集， 将训练数据集首先进行分类， 按照能见
度的不同动态的划分为 9 类， 之后进行预处理然后送入深度卷积神经网络提取雾霾特征向
量， 最后根据总的特征向量利用 Softmax 函数进行分类输出， 得到每一类能见度值的概率，
最终输出概念值最大的能见度值。 本文在分析现有数据的情况下， 对分类做了动态的划分，
将能见度较为低的情况划分了足够的类别， 最终在有限条件下取得了 77.8%的模型识别率。

针对问题三、 四， 图像中的能见度估计， 本文使用大气散射模型将能见度的求取问题
转化为大气消光系数的求取问题， 而大气消光系数可以利用暗通道先验理论求出大气透射
率和几何条件进行建模求出目标距离代入公式求出。 利用这些信息创建了基于特定目标点
透射率的能见度估计模型， 通过对图片进行暗通道处理和去雾处理得到透射率图和去雾后
的图像， 在去雾后的较清晰图像中准确定位设定目标点， 找到该点的透射率值， 并根据交
比不变性原理找到灭点和灭线， 求出目标点到观测点即摄像机的距离， 最后代入经推导得
到的能见度公式求出能见度估计值。 通过对问题三、 问题四求解出的能见度估计和预测进
行分析， 发现估计的能见度值在实际允许的可靠范围内， 预测的能见度变化趋势与实际变
化趋势相符。

关键字: 气象学因子, 多元回归分析, 机器视觉, 卷积神经网络, 暗通道先验

链接：https://pan.baidu.com/s/1DqpwFSnxUVzpeTjFRaRjYQ
提取码：tcru