多數據源融合的高速公路氣象識別方法

須民健，習 燕，廖 強，李文鋒

(招商局重慶交通科研設計院有限公司， 重慶 400067)

?

多數據源融合的高速公路氣象識別方法

須民健，習 燕，廖 強，李文鋒

(招商局重慶交通科研設計院有限公司， 重慶 400067)

對與高速公路行車安全有重要影響的雨、雪、霧、路面結冰、路面霜凍、路面高溫等環境氣象和路面狀況進行實時監測與預報。通過現場多傳感器及攝像機獲取監測點氣象環境原始數據，對攝像機圖像進行灰度變換、二值化處理、形態學運算，并將圖像處理結果與多傳感器數據融合，進行加權平均運算，分析得出氣象識別結果；在處理中心，將氣象識別結果和當地氣象特征相結合，對每一種氣象識別結果再進行成因推理、分析，得出現場檢測點處的環境氣象和路面狀況。給出了雨、雪、霧天氣識別的圖像處理方法和氣象特征綜合識別方法，實現以較少的傳感器數量獲取更準確、更詳細、更完整的道路氣象特征的目標。

公路運輸；氣象檢測；圖像處理；數據融合；路面狀況

隨著高速公路里程數及車輛擁有量的不斷增加，公路運輸安全問題已引起社會及交通運營、管理部門的高度重視，其中高速公路沿線的天氣情況對行車安全有著重要影響，惡劣的天氣現象極易導致交通事故的發生，因此實時、準確地獲取道路沿線氣象信息對于公路運管部門有著重要的作用。我國高速公路在建設階段按設計要求在道路特殊地段安裝了氣象站，可監測雨、雪、風、能見度等氣象信息，但這些氣象站設置間距較大，難以全面了解整條高速公路的關鍵氣象信息。另外，對于路面氣象狀況的檢測需要埋設專門的傳感器于路面之下。現有高速公路氣象檢測設施具有體積大、施工及維護成本較高等缺點。本文研究結合了圖像處理技術和多傳感器數據融合技術以獲取高速公路環境氣象信息(如雨、雪、霧等)，同時結合各種路面氣象形成的條件分析得出監測點路面狀況信息(如路面結冰、路面霜凍等)，以較少的傳感器獲取更詳細的道路環境氣象信息和路面狀況信息。

1 多數據源獲取

數據源包括現場傳感器數據和氣象特征數據，其中現場傳感器用于獲取監測點實時氣象信息，氣象特征數據由人工錄入數據庫系統，作為氣象識別分析處理的重要支撐數據。

1.1 現場數據

常見的高速公路環境氣象檢測要素主要包括風速、風向、溫度、濕度、能見度、雨量、氣壓、光強等。為減小現場氣象站的體積和能耗，采用微型攝像機、超聲波風速風向儀、氣壓傳感器、溫濕度傳感器、日照輻射強度傳感器等測量雨、雪、霧、風速、風向、環境溫度、環境濕度、日照強度等現場氣象數據。

現場數據的獲取采用嵌入式系統實現，由微處理器、存儲器、傳感器、接口電路及外圍電路構成，包括數據采集、數據處理和數據輸出3部分，其結構如圖1所示。

圖1 現場數據采集系統結構

除圖像數據外，現場傳感器采集的氣象數據經預處理后直接傳輸至路段監控中心，在現場不做數據分析與處理。現場攝像機圖像數據經圖像處理、分析后得出雨天指數、雪天指數和霧天數據3種氣象源數據。

1.2 氣象特征庫數據

地勢特征數據庫描述不同地勢(高原、平原、山區、盆地等)對應的氣象特征；季節特征數據庫描述不同季節和時間對應的氣象特征；區域特征數據庫描述區域內(干旱地區、青藏等高寒地區、四川盆地、華北地區、沿海地區等)的氣象特征；歷史特征數據庫描述當地氣象特征的歷史經驗。氣象特征數據庫構成如圖2所示。

圖2 氣象特征數據庫構成

2 多數據源融合與計算模型

2.1 現場傳感器的數據融合

現場數據的處理主要針對雨、雪、霧3種天氣進行識別，其數據源包括攝像機圖像數據、溫濕度傳感器數據，并引入溫度、濕度等數據作為影響因子。

根據人體視角感知原理，在雨、雪、霧3種天氣條件下，液態物質的顆粒尺寸及形態呈現不同的特征。通過攝像機獲取高清圖像，依次對圖像進行灰度變換、平滑、修正、二值化、形態學提取等處理，獲得典型天氣條件下的圖像特征。

1) 圖像灰度變換。由于采集到的圖像是彩色圖像，所以需要將其轉變為灰度圖。彩色圖像中每個像素的顏色由R，G，B三個分量決定[1]，而每個分量有255個值可取，這樣一個像素點就有1600多萬的顏色變化范圍。而灰度圖像是R，G，B三個分量相同的一種特殊的彩色圖像，其一個像素點的變化范圍為255，所以采用灰度圖像能減少圖像處理的計算量。灰度圖像的描述與彩色圖像一樣，仍然反映了整幅圖像的整體和局部的色度和亮度等級的分布和特征。攝像機彩色圖像中的紅、綠、藍分量用R，G，B表示，則圖像灰度值g1的計算公式為

g1=0.3R+0.59G+0.11B

(1)

2) 圖像二值化。圖像二值化的方法包括全局閾值和局部閾值兩種[1]。使用全局閾值得到的二值化圖像常常不能很好地對圖像進行分割，閾值過大會導致圖像二值化處理后的白點過多，形態學運算后圖像區域容易被淹沒[2]。為了更好地突出圖像區域，根據圖像的局部方差確定閾值t，將圖像分為m×n大小的方塊，則有

(2)

式中：M為局部均值，σ為局部方差；設圖像中大于閾值的像素為255,反之為0，則二值化處理的計算公式如下：

(3)

3) 圖像形態學運算。采用形態學濾波方法，用k×k大小的圖形結構元素對圖像作腐蝕運算，k的取值通過系統調試決定，但k應根據噪聲顆粒和非噪聲顆粒的半徑大小選取，以消除細小干擾。用圖像二值化處理結果g3作為輸入，則圖像腐蝕運算結果g4為

(4)

式中B為k×k結構元素。使用B作腐蝕運算后，再用l×l大小的圖形結構元素作膨脹運算， l的取值通過系統調試決定，但應根據噪聲顆粒和非噪聲顆粒的半徑大小選取，其膨脹運算結果為g5，計算公式如下：

(5)

在膨脹運算的基礎上，再次使用l×l大小的圖形結構元素作腐蝕運算，得到最終的腐蝕運算結果g6，即為形態學最終濾波輸出值，其計算公式如下：

(6)

4) 加權平均運算。雨、雪、霧3種天氣現象的識別由現場嵌入式系統實現，其硬件資源有限。因此，為提高處理速度，采用加權平均算法，對和天氣識別結果有重要影響的傳感器數據和圖像處理結果進行加權平均，得出氣象識別結果。

長期以來的觀測結果表明，雨、雪、霧等天氣現象與環境參數有密切聯系。例如在Vaisala公司的FD12P 天氣現象傳感器所采用的天氣現象降水現象識別模型中，正是利用溫度來粗分降水類型，以提高判斷準確度。T>8 ℃不會降雪，T<0 ℃ 不會下雨，這一關系是Vaisala 公司通過長期試驗得到的[3]。由于溫度與降水類型的對應關系并不是完全固定的，因此利用溫度數據作為降水類型識別的重要輔助手段，可進一步提高氣象識別的速度和結果的準確性。同時，日照輻射強度、濕度、風速等環境參數也作為識別結果的影響因子，參與加權平均運算。

2.2 數據中心的數據融合

傳感器數據經現場嵌入式系統預處理后，傳輸至數據處理中心進行二次處理。在數據中心建立氣象特征數據庫作為先驗知識，視同數據信息，賦予對氣象識別的支持程度，參與數據融合運算。

在數據中心，采用證據組合法進行數據融合運算。賦予每一數據作為支持某種氣象特征決策證據的支持程度，并將不同數據的支持程度進行組合，即證據組合，分析得出現有組合證據支持程度最大的決策作為信息融合的結果和氣象識別結果。

3 氣象成因分析與識別

氣象狀況與環境參數有密切聯系，每一種氣象狀況均可通過現場氣象傳感器結合其形成原因、當地的氣象特征進行分析、判斷，以獲取氣象檢測結果。

1) 路面霜凍。當大氣濕度較大，路面溫度等于或低于露點，同時路面潮氣溫度等于或低于冰點(0 ℃)時，潮濕空氣不斷凝結成霜，在路面便結成霜凍，其中露點溫度由空氣溫度和濕度計算得出[4]。

獲取到相對濕度以及實際氣溫時，露點溫度可以通過式(7)求得近似值[4]。

(7)

式中的γ的值為

(8)

其中：溫度T和露點Td單位為攝氏度; 相對濕度RH為百分比; ln代表自然對數；常數a和b分別為a=17.27，b=237.7 ℃ 。此公式基于Magnus-Tetens 近似法( Magnus-Tetens Approximation)，式中把飽和水氣壓視為溫度的函數[5]。該計算公式主要應用于0 ℃

2) 路面結冰。地面結冰是在外界大氣溫度低于0 ℃，存在可見的潮氣(如雨、雪、雨夾雪、冰晶、有霧等)或者在路面上出現積水、雪水或雪的氣象條件下形成的。當在冰點或低于冰點時，路面持續存在一層冰水混合物，如含有的融雪劑不足，則混合物結冰[5]。

當環境溫度在冰點或低于冰點(≤0 ℃)時，路面可能存在薄層或斑點潮濕膜，若有降水即可能結冰；或大氣濕度較大時，潮氣不斷凝結成露，最終在路面形成冰凍[5]。

3) 路面積水。當環境溫度在冰點以上，并且有持續的降水或大降水量發生時，會出現路面積水情況。對于降水類型，可通過環境參數進行輔助判斷。例如在Vaisala公司的FD12P 天氣現象傳感器所采用的天氣現象降水現象識別模型中，正是利用溫度來粗分降水類型，以提高判斷準確度。T>8 ℃不會降雪，T<0 ℃不會下雨，這一關系是Vaisala 公司通過長期試驗得到的[6]。由于溫度與降水類型的對應關系并不是完全固定的，因此利用溫度數據作為降水類型識別的重要輔助手段可進一步提高氣象識別的速度和結果的準確性。

4) 路面積雪。積雪是由降雪形成的覆蓋在公路路面的雪層，它是路面氣溫低于冰點的寒冷地區或寒冷季節的特殊天下現象。積雪一般分為穩定積雪和不穩定積雪兩類。能連續維持一個月以上的稱為穩定積雪。但高速公路因其交通運輸的特殊需求，不會選線于常年積雪區域，所以在高速公路沿線會發生不穩定的季節性或區域性積雪。

綜上，氣象狀況與環境參數有密切聯系，各種路面氣象信息均不需要使用專門的傳感器監測，可通過對環境氣象的檢測間接獲得路面氣象信息[8-15]。氣象監測識別流程與方法如圖3所示。

圖3 氣象監測識別流程與方法

4 結束語

實時道路氣象監測是高速公路科學運營的一個重要依據，雨、雪、霧等天氣改變了道路交通運行環境，對車輛的正常行駛形成障礙，路面積水(濕滑)、結霜、積雪、結冰、高溫等情況改變了路面的物理性質，對高速公路的安全運營有直接的影響。通過將現場環境數據與當地氣象特征相結合，對每一種路面氣象狀況的成因進行推理、分析，得出現場檢測點處的環境氣象和路面狀況，是一種低成本、易維護、準確度高的氣象檢測方法。

[1] 伍茲.數字圖像處理[M].北京：電子工業出版社，2011.

[2] 陳炳權,劉宏立.數字圖像處理技術的現狀及其發展方向[J].吉首大學學報，2009，30(1):63-66.

[3] 劉西川,高太長.基于多傳感器的天氣現象綜合識別方法初探[C]//第十二屆中國科學技術協會年會(第二卷).北京：出版者不詳，2010.

[4] 蔣賢才,裴玉龍.冰雪道路交通安全管理措施及其成效分析[J].公路交通科技,2008,25(4):127-140.

[5] 魏鳳英.現代氣候統計診斷與預測技術[M].北京：氣象出版社,2008.

[6] 許一飛,葉林,許丹丹.基于多傳感器技術的機場地面結冰檢測系統[J].儀表技術與傳感器，2012(9):40-42.

[7] 石磊.冰雪條件下高速公路氣象檢測與預警系統研究[J].公路交通科技：應用技術版,2012(9):311-314.

[8] 樂佳琪,殳國華.基于ZigBee的高速公路氣象信息采集系統設計[J].電氣自動化,2014,36(4):26-27.

[9] 唐亞平，張晉廣，張凱，等.北方公路交通氣象環境識別及安全管理策略研究[J].氣象科學，2012，32(4):466-471.

[10]鄧英姿，黎穎智.廣西高速公路沿線較大范圍霧的天氣形勢特征和成因淺析[J].氣象研究與應用,2014,35(A02):109-110.

[11]孫書誠，郎朗， 蘇長杰.帶有時間/地理標簽無線傳感器網絡的農業環境遠程實時監測系統[J]. 重慶理工大學學報:自然科學版，2013(3)：104-108，112.

[12]李獻禮.基于多目標優化的無線傳感器網絡覆蓋控制算法[J]. 西南大學學報:自然科學版,2013(1):155-159.

[13]李婧,李艷萍,王華奎,等.基于加權虛擬力的無線傳感器網絡定位算法[J]. 太原理工大學學報,2014(3):334-338.

[14]蒲金涌，蒲禹君，姚小英，等.影響寶天高速公路視程障礙的天氣現象分布特征[J].中國農學通報,2011,27(29):296-300.

[15]蘇振華.道路冰雪分類與結構特性研究 [J].內蒙古公路與運輸,2014(1):43-44.

(責任編輯 楊黎麗)

Highway Meteorological Recognition Research of Multiple Data Fusion

XU Min-jian, XI Yan, LIAO Qiang, LI Wen-feng

(China Merchants Chongqing Communications Technology Reserch &Design Institute Co., LTD, Chongqing 400067, China)

Real-time monitoring and forecasting the environmental weather such as rain, snow, fog, icy, etc and road conditions such as road frost, road temperature and other meteorological elements for the highway have a major impact on highway traffic safety. We got the original data for meteorological environment of monitoring points through the multi-sensor and camera at the scene, and then we did the camera image gray-scale transformation, binary processing, and morphological operations. And we merged the result of image processing with multi-sensor data to have the weighted average calculation, and then we got the the meteorological recognition result. In the dealing centers, we combined the recognition results of weather with local meteorological characteristics and then analyzed the recognition results for each meteorological causes and did further reasoning, at last we got the weather and road surface conditions of testing point. The comprehensive identification method of meteorological characteristics and the image processing method of the identification of rain, snow, and fog were put forward, which achieves the result of obtaining more accurate, more detailed, more complete road meteorological characteristics with less number of sensors.

highway transportation; meteorological detection; image processing; data fusion; state of the road surface

2014-11-06 基金項目：重慶市科技攻關項目(cstc2012gg-yyjs0607)

須民健(1984—)，男，重慶人，碩士研究生，工程師，主要從事環境氣象檢測研究。

須民健，習燕，廖強，等.多數據源融合的高速公路氣象識別方法[J].重慶理工大學學報：自然科學版，2015(3):78-82.

format：XU Min-jian, XI Yan, LIAO Qiang, et al.Highway Meteorological Recognition Research of Multiple Data Fusion [J].Journal of Chongqing University of Technology:Natural Science,2015(3):78-82.

10.3969/j.issn.1674-8425(z).2015.03.015

TP393；U491.5

A

1674-8425(2015)03-0078-05