高速公路低能见度估计的总有界变化方法

由大雾和霾引起的高速公路低能见度是交通事故的主要原因。 实时估计大气能见度是降低交通事故率的有效方法。 随着计算机技术的发展，通过计算机估算大气能见度成为研究重点。 然而，由于雾和霾是复杂且随时间变化的，因此应提高估计精度。 本文介绍了一种总有界变化（TBV）方法来估计低能见度（小于300 m）。 雾和霾的监视图像被处理为模糊图像（伪模糊图像），而当考虑雾和霾作为噪声时，将所选路口的晴天监视图像作为清晰图像处理。 。 通过结合图像光谱和TBV，可以提取模糊图像和模糊图像的特征。 将提取结果与晴天的图像特征进行比较。 首先，低能见度的监视图像可以根据模糊和模糊图像的光谱特征进行过滤。 对于能见度小于300 m的有雾和朦胧图像，傅立叶（离散余弦）变换的高频系数比率小于20％，而低频系数比率在100％和120％之间。 其次，基于机器学习和分段固定时间序列分析，建立了TBV与真实可见性的关系。 建立的分段函数可用于可见性估计。 最后，基于真实的监控视频数据对所提出的可视性估计方法进行了验证。 将validation.results与图像对比度模型的结果进行比较。 此外，大视频数据是从中国江苏同齐高速公路收集的。 总共使用了1,782,000帧，所提出的方法的相对误差小于10％。