CN105426837A - 移动网络视觉雾霾检测系统 - Google Patents

Abstract

移动网络视觉雾霾检测系统，包括移动终端检测点和雾霾数据分析系统，其中移动终端检测点包含图像采集模块、交互式标定模块、摄像机成像坐标转换模块、能见度检测模块、移动终端GPRS通信模块。移动Internet是将移动互联网与雾霾检测系统的手段结合，计算出该检测点的位置和能见度信息，供各服务器进一步进行数据分析与信息处理，从原始数据中深入挖掘，提供雾霾区域分布、动态污染源监测、公众健康参考、出行诱导等具有深层价值的服务。

Description

移动网络视觉雾霾检测系统

技术领域

本发明属于光电技术领域，涉及雾霾的检测，基于移动终端实时视频进行雾霾能见度的检测，以及对检测结果的数据分析与数据挖掘，为一种移动网络视觉雾霾检测系统。

背景技术

雾霾严重影响人们的生活健康，雾霾造成的能见度下降也给行车带来了危险。目前点站式雾霾/能见度检测设备价格昂贵，数十万元/套，造价较高，不能在城市中大范围覆盖，检测距离有限，仅能支持数百米范围内的检测。而对雾霾的检测，除了监测化工厂、钢铁厂等重点污染区域，学校、医院、居民区等敏感区域外，还需及时发现新的雾霾污染源，加以整改；需提供雾霾的分布，提供活动范围、诱导出行路径；需分析其产生规律，加以研究处理。因此，利用已有摄像机的视觉能见度检测研究有重要意义，而利用智能手机的能见度检测更具有推广应用价值。

发明内容

本发明要解决的问题是：传统点站式雾霾/能见度检测设备价格昂贵，不能在城市中大范围覆盖，检测距离有限，存在无法反映雾霾时空分布规律的缺点。

本发明的技术方案为：移动网络视觉雾霾检测系统，包括移动终端检测点和雾霾数据分析系统，移动终端检测点为道路摄像头或支持移动通信的具有摄像头的终端设备，移动终端检测点通过摄像头获取图像信息，利用OpenCV视觉库对获取的图像进行分析，获得当前每个检测点的能见度数据，并通过网络实时将能见度数据以及移动终端检测点的当前位置信息发送给雾霾数据分析系统服务器。

移动终端检测点设有GPS定位模块，使用移动网络进行远程通信，通过GPS定位模块及移动互联网的辅助定位获得当前地理位置信息，以网络文本流将地理位置与能见度数据封装，通过移动互联网向雾霾数据分析系统发送封装的数据。

所述移动终端检测点包括：

图像预处理模块，用于对通过移动通信设备摄像头或道路监控摄像头采集的视频的帧图像进行平滑滤波和去噪；

交互式标定模块，用于标定摄像头参数，通过人机交互式标定确认摄像头参数h，f，t，p，其中，摄像机立柱高度为h，f为摄像头有效焦距，摄像机的俯仰角为t，偏角为p，调整摄像头焦距f、高度h、俯仰角t和偏角p生成相应的计算网格，在图像中选取目标物，根据计算网格得出该目标物的长宽，与该目标物的实际长宽作对比，重复此过程，直至根据当前摄像头焦距f、高度h、俯仰角t和偏角p测量所得的目标物长宽符合该目标物的实际长宽；

摄像机成像坐标转换模块，用于坐标系转换，针对移动通信设备、道路监控系统性能需求和路况成像特点，根据摄像机成像模型，构建摄像机像平面坐标系u-v与世界坐标系X_w–Y_w–Z_w的映射方程；

能见度检测模块，用于计算能见范围内最远可见目标物的距离；

GPRS通信模块，用于将移动终端检测点的实时检测位置和能见度信息打包发送给雾霾数据分析系统。

所述的移动终端检测点中的能见度检测模块具体用于实现以下步骤：

1)兴趣区域ROI设置：进行道路或街景监控视频图像的采集，获得道路或街景视频帧图像，根据实际的道路或街景状况，在当前帧图像上提取多个点，对所提取的点进行直线拟合计算，形成叉形结构，叉形结构内作为检测的兴趣域ROI，也就是有效检测区域；

2)局部对比度计算：根据人眼视觉特性的分析，将像素对比度定义进行归一化处理，并反转亮度，给出图像中相邻像素对比度归一化定义，如式(1)：

$C(x,x_1)=\frac{|f\left(x\right)-f\left(x_1\right)|}{max\left(f\right(x_1),f(x\left)\right)}---\left(1\right)$

对于图像中的每个像素x，取其四邻域x_i构建4个像素对(x,x_i)进行对比度计算，取其4个方向上的最大值作为该点的对比度值：

C(x)＝maxC(x,x_i)x_i∈V4(2)

C(x)为每个像素的对比度值，对比度大于国际照明委员会CIE定义阈值的像素，认为是图像中人眼可以分辨区域；结合根据CIE的定义，将对比度大于0.05的像素作为后续能见度计算的候选点；

3)能见度距离计算：对于检测到的对比度值大于0.05的候选点，选择其中距离摄像机最远的点，其与摄像机的距离即为当前道路或街景的能见度值：

结合摄像机成像坐标转换模块，实时精确的确定图像中所有候选点到摄像机的绝对距离，将所有候选点以自上而下，从左到右的顺序实时完成从图像坐标到路面坐标的转换，通过对所有候选点进行坐标转换，找出其中距离摄像机最远的像素点；

4)数据平滑滤波：首先对k时刻连续10次检测的能见度结果进行平均，得到在k时刻最远可见距离的均值H_k，然后将此结果输入到Kalman滤波器进行平滑滤波，得到输出能见度V_k，尽可能消除各类噪声对检测结果的干扰，如式(3)：

$H_k=\underset{i=1}{\overset{10}{\Σ}}{D}_i/10---\left(3\right)$

V_k＝V_k-1+K_k(H_k-V_k-1)

其中，K_k为Kalman中实时更新的增益，D_i是k时刻第i次测得的最远可见距离。

GPRS通信模块，用于将移动终端检测点的实时检测位置和能见度信息打包发送给雾霾数据分析系统。

所述雾霾数据分析系统包括：

区域分布服务器，用于根据收到的数据处理得到雾霾现象的时空分布数据；

数据分析服务器，用于对收到数据进行数据挖掘，得到雾霾区域分布信息和动态污染源信息；

信息发布服务器，用于连接环境监测部门及公众信息平台，发布与推送相关信息。

本发明在监测区域大范围部署移动终端，形成移动终端检测点，通过移动通信设备或道路监控进行交互式标定，确定摄像头参数后，使用摄像头采集图像，利用OpenCV视觉库对采集的图像作进一步分析，获得当前每个检测点的能见度数据，通过GPRS通信模块将移动终端实时检测位置和能见度信息打包发送给雾霾数据分析系统。

本发明移动终端检测点为道路摄像头或智能手机等移动终端，自身价格低廉，依托移动互联网的特点，可大范围部署，智能手机作为图像采集与能见度检测的一体化设备，现场检测能见度通过移动互联网传输至服务器。充分利用移动互联网的特点与优势，以低成本实现区域高覆盖率雾霾能见度检测。雾霾数据分析系统专注于分析雾霾能见度数据，通过数据挖掘技术完善了传统检测设备数据分析方面的缺陷。

本发明充分利用移动互联网优势，不需要昂贵的监测仪器设备，只需道路上现成的摄像头或支持移动通信的终端设备就可以实现雾霾检测，雾霾数据分析系统汇集各个终端检测点的实时雾霾数据，应用数据挖掘技术，分析获取雾霾时空分布，提供活动范围、诱导出行路径的信息，便于进一步分析雾霾产生规律，并加以研究处理。

本发明利用移动互联网平台，将移动终端作为一体化的图像采集与能见度检测设备，在目标区域内设置多个检测点，现场实时检测得出能见度。通过GPS定位模块及移动互联网的辅助定位快速获得地理位置，以网络文本流将地理位置与能见度封装，通过移动互联网向公网数据服务器发送，数据存储服务器将各地检测点实时检测结果汇总写，供各业务处理服务器使用。

附图说明

图1为本发明移动网络视觉雾霾检测系统流程图

图2为本发明兴趣区域ROI的设置。

图3为本发明交互式标定界面示意图。

图4为本发明实施局部对比度检测算法的对比图。(a)为同一场景有雾霾和无雾霾的对比图，对其使用局部对比度检测算法并输出结果以验证算法效果,输出结果(b)。

图5为本发明实施的选取江苏省宁连高速公路有雾霾场景进行能见度测试效果图。

图6为本发明实施的选取江苏省宁连高速公路无雾霾场景进行能见度测试效果图。

具体实施方式

本发明包括移动终端检测点和雾霾数据分析系统，移动终端检测点为道路摄像头或支持移动通信的具有摄像头的终端设备，移动终端检测点通过摄像头获取图像信息，利用OpenCV视觉库对获取的图像进行分析，获得当前每个检测点的能见度数据，并通过网络实时将能见度数据以及移动终端检测点的当前位置信息打包发送给雾霾数据分析系统服务器。

本发明的移动终端检测点具有以下模块：

图像预处理模块，用于对通过移动通信设备摄像头或道路监控摄像头采集的视频的帧图像进行平滑滤波和去噪；

交互式标定模块，用于标定摄像头参数，通过人机交互式标定确认摄像头参数h，f，t，p，其中，摄像机立柱高度为h，f为摄像头有效焦距，摄像机的俯仰角为t，偏角为p，调整摄像头焦距f、高度h、俯仰角t和偏角p生成相应的计算网格，在图像中选取目标物，根据计算网格得出该目标物的长宽，与该目标物的实际长宽作对比，重复此过程，直至根据当前摄像头焦距f、高度h、俯仰角t和偏角p测量所得的目标物长宽符合该目标物的实际长宽；

摄像机成像坐标转换模块，用于坐标系转换，针对移动通信设备、道路监控系统性能需求和路况成像特点，根据摄像机成像模型，构建摄像机像平面坐标系u-v与世界坐标系X_w–Y_w–Z_w的映射方程：

$\begin{array}{c}-f\sin \left(t\right)\[\cos \left(p\right)\cos \left(s\right)X_w-\sin \left(p\right)\cos \left(s\right)Y_w+\\ u=\frac{\sin \left(t\right)\sin \left(p\right)\sin \left(s\right)X_W+\sin \left(t\right)\cos \left(p\right)\sin \left(s\right)Y_w}{h+\sin \left(t\right)\[\cos \left(t\right)\sin \left(p\right)X_w+\cos \left(t\right)\cos \left(p\right)Y_w\]}\\ -f\sin \left(t\right)\[\cos \left(p\right)\sin \left(s\right)X_w-\sin \left(p\right)\sin \left(s\right)Y_w-\\ v=\frac{\sin \left(t\right)\sin \left(p\right)\cos \left(s\right)X_w-\sin \left(t\right)\cos \left(p\right)\cos \left(s\right)Y_w\]}{h+\sin \left(t\right)\[\cos \left(t\right)\sin \left(p\right)X_w+\cos \left(t\right)\cos \left(p\right)Y_w\]}\end{array}---\left(4\right)$

其中，h为摄像头立柱高度，f为摄像头焦距，t为摄像机的俯仰角，偏角为p，s为旋角。通过摄像机成像坐标转换实现图像坐标到世界坐标的转换。

能见度检测模块，能见度检测模块具体包括以下步骤：

1)兴趣区域ROI设置：进行道路或街景监控视频图像的采集，获得道路或街景视频帧图像，根据实际的道路或街景状况，在当前帧图像上提取多个点，对所提取的点进行直线拟合计算，形成叉形结构，叉形结构内作为检测的兴趣域ROI，也就是有效检测区域；

2)局部对比度计算：美国物理学家Michelson提出的对比度定义如式(5)所示：

$C^M=\frac{L_{max}-L_{min}}{L_{max}+L_{\min }}---\left(5\right)$

L_min和L_max是图像中的最大亮度值与最小亮度值，C^M为对比度。Michelson对比度直观地反应了图像灰度反差的大小。

德国生理学家与心理学家E.H.Weber在充分考虑了心理量与物理量的关系后，提出相对对比度如式(6)所示：

$C^k=\frac{\mathrm{\Δ}L}{L}---\left(6\right)$

△L是图像中亮度梯度值，L是亮度值，C^k为相对对比度。以上两式仅针对简单目标物的对比度测量，对于局部细节较为丰富的图像，两种定义都不能表征局部细节能见度情况；

因此，Jourlin和Pinoli定义了图像f中相邻两个像素x和x1之间的对数图像对比度，如式(7)所示，以能够反应局部转换关系：

$C(f,g)=M\frac{\left|f-g\right|}{M-\min (f,g)}---\left(7\right)$

式中，f，g为相邻像素亮度值，M为图像上界，在8bit的灰度图像中，M为255。而本发明根据人眼视觉特性的分析，将像素对比度定义进行归一化处理，并反转亮度，给出图像中相邻像素对比度归一化定义，如式(8)：

$C(x,x_1)=\frac{|f\left(x\right)-f\left(x_1\right)|}{max\left(f\right(x_1),f(x\left)\right)}---\left(8\right)$

对于图像中的每个像素x，取其四邻域x_i构建4个像素对(x,x_i)进行对比度计算，取其4个方向上的最大值作为该点的对比度值：

C(x)＝maxC(x,x_i)x_i∈V4(9)

V4表示四邻域，C(x)为每个像素的对比度值，对比度大于CIE国际照明委员会定义阈值的像素，可认为是图像中人眼可以分辨区域。

考虑到采用的是自上而下，从左至右的顺序对像素x进行对比度求解，其4邻域运算可等价于对其左邻域和上邻域的求解，这将对比度计算复杂度降低了一倍。

结合根据CIE的定义，将对比度大于0.05的像素作为后续能见度计算的候选点；

3)能见度距离计算：对于检测到的对比度值大于0.05的候选点，选择其中距离摄像机最远的点，其与摄像机的距离即为当前道路或街景的能见度值。

结合摄像机成像坐标转换模块，实时精确的确定图像中所有候选点到摄像机的绝对距离，将所有候选点以自上而下，从左到右的顺序实时完成从图像坐标到路面坐标的转换。通过对所有候选点进行坐标转换，找出其中距离摄像机最远的像素点；

4)数据平滑滤波：由于算法采用阈值分割的方法选择候选点进行处理，故此对噪声较为敏感。为此，首先在k时刻连续进行10次检测，对能见度结果进行平均，得到在k时刻最远可见距离的均值H_k，然后将此结果输入到Kalman滤波器进行平滑滤波，得到输出能见度V_k，尽可能消除各类噪声对检测结果的干扰，如式(10)：

$H_k=\underset{i=1}{\overset{10}{\Σ}}{D}_i/10---\left(10\right)$

V_k＝V_k-1+K_k(H_k-V_k-1)

其中，K_k为Kalman中实时更新的增益，D_i是k时刻第i次测得的最远可见距离。

GPRS通信模块，用于将移动终端检测点的实时检测位置和能见度信息打包发送给雾霾数据分析系统。

本发明所述雾霾数据分析系统包括：

区域分布服务器，用于根据收到的数据处理得到雾霾现象的时空分布数据；

数据分析服务器，用于对收到数据进行数据挖掘，得到雾霾区域分布信息和动态污染源信息；

信息发布服务器，用于连接环境监测部门及公众信息平台，发布与推送相关信息。

下面通过具体实施例进一步说明本发明的实施。

本发明的流程示意图如图1所示，在监测区域大范围部署移动终端，形成移动终端检测点后，对于各个移动终端检测点：

1)选取目标物进行人机交互式标定确定h，f，t，p四个参数，即摄像机立柱高度，摄像机焦距，摄像机的俯仰角和偏角，以建立摄像机标定模型完成后续的坐标转换；

2)采集图像，完成图像色彩空间的转换，并平滑滤波和去噪处理后，传输给能见度检测模块进一步处理；

3)能见度检测模块获得图像后，应用局部对比度算法将图像范围内雾霾区域与可见区域区分，并将可见区域中局部对比度在阈值(CIE规定值0.05)之上的点作为候选点保存，并将候选点输入摄像机成像坐标转换模块；

4)摄像机成像坐标转换模块遍历候选点，并将其输入标定模型求得候选点到摄像机点的距离，遍历结束后，具有最大距离的点即可确定。此时最大距离即为现场实时的能见度指标，该点即为可见范围内的最远点；

5)最后通过GPRS通信模块把移动终端检测点的位置和能见度信息发送给雾霾数据分析系统。

整个过程包括以下具体操作：

1)首先需要完成摄像机标定。由用户输入摄像机高度h，摄像机焦距f，俯仰角t，偏角p，如图3所示，h＝1.5、f＝517、t＝0.28、p＝0，选择画面中长度特征明显的物体作为实验基准目标物，通过标定模块验证标定参数。当目标物长宽测量值与实际长宽差别较明显时，可通过交互界面微调参数，直至长宽测量值与实际长宽误差减小至可接受范围。

2)图像预处理。通过移动通信设备的摄像头或道路监控摄像头获取当前道路和街景的图像，运用OpenCV视觉库完成色彩图像空间转换，转换至灰度图像空间，并去除噪声和平滑滤波，以便后续处理；

3)将预处理之后的图像，设置兴趣区域。在人机交互的终端界面，用户根据实际道路和街景状况需要在当前帧图像上点击4个点，如图2所示。对获取的点集进行直线拟合，形成叉形结构，叉形结构内作为检测的兴趣域ROI，也就是有效检测区域。

4)应用局部对比度算法。当对比度值大于阈值s，即CIE规定值0.05时，把该像素点灰度值置为255，也就是全亮，认为此时的像素点与其邻域灰度差异较大，可为人眼所分辨。反之当对比度小于该阈值s时，把该像素点灰度值置为0，也就是全黑，认为此时的像素点与与其邻域灰度差异不明显，不能为人眼所感知。再将可见区域中能见度在阈值s之上的点作为候选点保存至容器中。如图4所示，(a)为同一场景有雾霾和无雾霾的对比图，对其使用局部对比度检测算法并输出结果以验证算法效果,输出结果(b)。

5)距离计算。把这些候选点输入摄像机成像坐标转换模块，算出候选点到摄像机点的距离，遍历结束后，具有最大距离的点即可确定。此时最大距离即为现场能见度值，该点即为可见范围内的最远点。

6)数据平滑滤波。对连续10次检测的能见度结果进行平均，得到在k时刻最远可见距离的均值H_k，然后将此结果输入到Kalman滤波器进行平滑滤波，得到输出能见度V_k，尽可能消除各类噪声对检测结果的干扰，如式(10)。此时V_k即为道路或街景实时的能见度指标。

7)本发明位置和能见度信息封装成的文本流格式，将能见度结果以JSON格式封装，并传回数据分析系统服务器。移动终端向服务器报告能见度的文本流格式如下键值对所示，

{

"point_id":1,

"longitude":118.46,

"latitude":32.03,

"visibility":30.5,

"timestamp":1431745483

}

其中point_id为各检测点唯一标识，在新设检测点时分配。longitude、latitude分别代表检测点经纬度，由定位模块获取，用于服务器对检测点的精确定位。visibility为检测点现场能见度检测结果，双方约定单位为米。timestamp为当前数据的时间戳，由移动终端在发送包前将检测时间写入时间戳，主要是为了保障实时监测，使服务器保证按照时间顺序汇总各点数据，避免网络延迟导致检测信息的时间信息丢失，导致监测区域的能见度时空信息丢失。

文本流格式约定一致后，雾霾数据分析系统的数据服务器需要申请公网IP及端口，并开启一路进程以UDP方式绑定端口长期监听。分布于各检测点的终端完成检测后即将结果与检测点标识、经纬度、时间戳信息封装为JSON文本流，以UDP数据报形式向数据服务器对应的公网IP端口发送。数据服务器监听到端口有数据传入后，会将数据通过fork()调用赋给子进程，自身保持端口监听，子进程尝试进行JSON解析，若解析成功且数据结构一致，证明数据有效，可将检测点标识、经纬度、时间戳等信息写入数据库供各数据分析、区域分布、信息发布服务器使用。

根据上述实施例，图4为局部对比度检测算法的对比图。(a)为同一地点有雾霾和无雾霾的对比图，对其使用对比度检测算法并输出结果以验证算法效果,输出结果(b)。

图5为本发明选取江苏省宁连高速公路有雾霾场景进行能见度测试效果图。(a)为采集到的高速公路图像，图像远处雾霾现象较明显，较远处车辆已难以分辨。(b)为标定校准后，对图像应用能见度算法返回的结果，图像上方返回能见度指标，圈圈处为算法判别的视线范围内最远点。(c)为以对比度5％作为阈值的中间结果，原图雾霾部分已无图像信息，可以看出基于局部对比度的视频能见度检测算法能够很好地将雾霾区域与视线范围内的物体区分，并成功选取到了视线范围内的最远物体。

图6为本发明选取江苏省宁连高速公路无雾霾场景进行能见度测试效果图。(a)为采集到的高速公路图像，图像中无雾霾现象，远处车辆清晰可辨。(b)为标定校准后，对图像应用能见度算法返回的结果，图像上方返回能见度指标，圈圈处为算法判别的视线范围内最远点。(c)为以对比度5％作为阈值的中间结果。对于无雾霾，实际能见度较远的高速公路图像，对比度检测算法准确提取了视线范围内的可见目标，较好地拟合了人体视觉的分辨能力，并返回视线范围内最远的点与能见度指标。

Claims (5)

1.移动网络视觉雾霾检测系统，其特征是包括移动终端检测点和雾霾数据分析系统，移动终端检测点为道路摄像头或支持移动通信的具有摄像头的终端设备，移动终端检测点通过摄像头获取图像信息，利用OpenCV视觉库对获取的图像进行分析，获得当前每个检测点的能见度数据，并通过网络实时将能见度数据以及移动终端检测点的当前位置信息打包发送给雾霾数据分析系统服务器。

2.根据权利要求1所述的移动网络视觉雾霾检测系统，其特征是移动终端检测点设有GPS定位模块，使用移动网络进行远程通信，通过GPS定位模块及移动互联网的辅助定位获得当前地理位置信息，以网络文本流将地理位置与能见度数据封装，通过移动互联网向雾霾数据分析系统发送封装的数据。

3.根据权利要求1或2所述的移动网络视觉雾霾检测系统，其特征是所述移动终端检测点包括：

图像预处理模块，用于对通过移动通信设备摄像头或道路监控摄像头采集的视频的帧图像进行平滑滤波和去噪；

交互式标定模块，用于标定摄像头参数，通过人机交互式标定确认摄像头参数h，f，t，p，其中，摄像机立柱高度为h，f为摄像头有效焦距，摄像机的俯仰角为t，偏角为p，调整摄像头焦距f、高度h、俯仰角t和偏角p生成相应的计算网格，在图像中选取目标物，根据计算网格得出该目标物的长宽，与该目标物的实际长宽作对比，重复此过程，直至根据当前摄像头焦距f、高度h、俯仰角t和偏角p测量所得的目标物长宽符合该目标物的实际长宽；

摄像机成像坐标转换模块，用于坐标系转换，针对移动通信设备、道路监控系统性能需求和路况成像特点，根据摄像机成像模型，构建摄像机像平面坐标系u-v与世界坐标系X_w–Y_w–Z_w的映射方程；

能见度检测模块，用于计算能见范围内最远可见目标物的距离；

GPRS通信模块，用于将移动终端检测点的实时检测位置和能见度信息打包发送给雾霾数据分析系统。

4.根据权利要求3所述的移动网络视觉雾霾检测系统，其特征是所述的移动终端检测点中的能见度检测模块具体用于实现以下步骤：

1)兴趣区域ROI设置：进行道路或街景监控视频图像的采集，获得道路或街景视频帧图像，根据实际的道路或街景状况，在当前帧图像上提取多个点，对所提取的点进行直线拟合计算，形成叉形结构，叉形结构内作为检测的兴趣域ROI，也就是有效检测区域；

2)局部对比度计算：根据人眼视觉特性的分析，将像素对比度定义进行归一化处理，并反转亮度，给出图像中相邻像素对比度归一化定义，如式(1)：

$C(x,x_1)=\frac{|f\left(x\right)-f\left(x_1\right)|}{max\left(f\right(x_1),f\left(x\right))}---\left(1\right)$

对于图像中的每个像素x，取其四邻域x_i构建4个像素对(x,x_i)进行对比度计算，取其4个方向上的最大值作为该点的对比度值：

C(x)＝maxC(x,x_i)x_i∈V4(2)

C(x)为每个像素的对比度值，对比度大于国际照明委员会CIE定义阈值的像素，认为是图像中人眼可以分辨区域；

结合根据CIE的定义，将对比度大于0.05的像素作为后续能见度计算的候选点；

3)能见度距离计算：对于检测到的对比度值大于0.05的候选点，选择其中距离摄像机最远的点，其与摄像机的距离即为当前道路或街景的能见度值；

结合摄像机成像坐标转换模块，实时精确的确定图像中所有候选点到摄像机的绝对距离，将所有候选点以自上而下，从左到右的顺序实时完成从图像坐标到路面坐标的转换，通过对所有候选点进行坐标转换，找出其中距离摄像机最远的像素点；

4)数据平滑滤波：首先对k时刻连续10次检测的能见度结果进行平均，得到在k时刻最远可见距离的均值H_k，然后将此结果输入到Kalman滤波器进行平滑滤波，得到输出能见度V_k，尽可能消除各类噪声对检测结果的干扰，如式(3)；

$H_k=\underset{i=1}{\overset{10}{\Σ}}{D}_i/10---\left(3\right)$

V_k＝V_k-1+K_k(H_k-V_k-1)

其中，K_k为Kalman中实时更新的增益，D_i是k时刻第i次测得的最远可见距离。

5.根据权利要求1所述的移动网络视觉雾霾检测系统，其特征是所述雾霾数据分析系统包括：

区域分布服务器，用于根据收到的数据处理得到雾霾现象的时空分布数据；

数据分析服务器，用于对收到数据进行数据挖掘，得到雾霾区域分布信息和动态污染源信息；

信息发布服务器，用于连接环境监测部门及公众信息平台，发布与推送相关信息。