CN113205064A - 能见度监测方法及设备 - Google Patents

Abstract

本申请提供了一种能见度监测方案，该方案通过图像识别的方式实现能见度监测，在获取到所述观测仪拍摄的监测图片以及拍摄所述监测图片时的环境条件时，可以计算所述监测图片中所包含的目标物体的清晰度，并根据所述观测仪拍摄所述监测图片时的环境条件、所述监测图片中所包含的目标物体的清晰度，来调用能见度识别模型，确定所述观测仪所属的观测点的能见度，由此直接利用观测仪在任意时段拍摄到的图片都可以进行准确的能见度识别，从而实现全时段、高准确度的能见度监测。

Description

能见度监测方法及设备

技术领域

本申请涉及监测技术领域，尤其涉及一种能见度监测方法及设备。

背景技术

低能见度天气情况，严重影响道路的安全正常运行，还将阻碍道路运输效能的提升。因此在实际场景中，需要对道路，尤其是高速公路的各个路段进行低能见度天气的实时监测和预报，以便于及时向过往车辆发出提示，以提升行驶的安全性。

目前常规的能见度监测方案主要有如下几种：

1、利用前向散射仪检测低能见度天气。前向散射仪是一种测量散射系数而计算出气象光学视程的仪器，通过发射端发射红外光脉冲，接收端接收后，经过计算，得到光学视程。但是这种方式，无法获取能见度值的图像，探测区域小，易受大气颗粒的影响，因此准确性不高。

2、人工观测，通过人工作业，由观测员根据在观测站点中实际观测到的景象来判断当前的能见度。这种方式受主观因素影响大，观测标准不统一，而且受到观测站点分布的限制，尤其是山地团雾等低能见度环境现象，人工观测的观测站较少分布于山地中，缺少山地区域内的观测资料。因此，此种方案的观测结果准确性也同样不高。

3、利用静止卫星观测。静止卫星因其覆盖范围广、观测连续性强等优点，是目前大范围团雾的主要监测手段之一。但这种方案缺陷也较为明显，例如当有高空有较多云系遮挡时，无法观察到高度接近地面的团雾情况。因此检测过程中有不可用的时段。

由此可知，目前常规的几种能见度检测方案都存在一定的缺陷，没有一种全时段可用、且监测结果较为准确的能见度监测方案。

发明内容

本申请的一个目的是提供一种能见度监测方案，用以解决现有技术中准确性不足，监测过程中存在不可用时段的问题。

为实现上述目的，本申请提供了一种能见度监测方法，该方法包括：

获取观测仪拍摄的监测图片以及拍摄所述监测图片时的环境条件；

计算所述监测图片中所包含的目标物体的清晰度；

根据所述观测仪拍摄所述监测图片时的环境条件、所述监测图片中所包含的目标物体的清晰度，调用能见度识别模型，确定所述观测仪所属的观测点的能见度。

进一步地，该方法还包括：

获取关于所述观测点的环境条件以及能见度的历史数据；

根据所述历史数据，调用能见度预测模型，获取关于所述观测点的能见度的预测数据。

进一步地，所述环境条件至少包括以下的任意一项或多项：风速、风向、温度、湿度、气压、光照强度和光照条件。

进一步地，计算所述监测图片中所包含的目标物体的清晰度，包括：

检测所述监测图片中所包含的目标物体的第一轮廓线坐标；

计算所述第一轮廓线坐标与第二轮廓线坐标之间的重合率，作为所述监测图片中所包含的目标物体的清晰度，其中，所述第二轮廓线坐标为在标准环境条件下同一观测仪所拍摄的图片中所包含的目标物体的轮廓线坐标。

进一步地，所述能见度识别模型采用如下方式训练获得：

获取观测仪在不同环境条件下所拍摄的、包含所述目标物体的图片，作为样本图片，其中，所述目标物体为在所述观测仪的拍摄范围内与所述观测仪距离不同的多个物体；

基于所述样本图片进行训练，获取关于不同环境条件下目标物体的清晰度与能见度之间的对应关系的能见度识别模型。

进一步地，确定所述观测仪所属的观测点的能见度之后，还包括：

根据所述观测点的能见度，确定能见度低于阈值的目标观测点；

获取所述目标观测点的位置信息，并根据所述位置信息对所述目标观测点进行聚类处理，获取聚类结果；

根据所述聚类结果确定监测路段上出现低能见度环境现象的范围。

进一步地，该方法还包括：

向用户提供关于监测路段的地图，所述地图中包括关于监测路段上出现低能见度环境现象的范围的提示信息。

进一步地，在确定所述观测仪所属的观测点的能见度之后，还包括：

在所述能见度低于阈值时，向用户发出告警提示信息。

基于本申请的另一方面，还提供了一种计算设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该设备执行所述能见度监测方法的步骤。

本申请实施例还提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现所述能见度监测方法的步骤。

此外，本申请实施例还提供了一种能见度监测系统，该系统包括：

观测仪，设置于监测路段上的监测点中，用于拍摄图片，并发送至计算设备；

气象传感器，设置于监测路段上的监测点中，用于获取拍摄所述图片时的环境条件；

计算设备，用于执行所述能见度监测方法的步骤。

相较于现有技术，本申请提供的能见度监测方案中，是通过图像识别的方式实现能见度监测，在获取到所述观测仪拍摄的监测图片以及拍摄所述监测图片时的环境条件时，可以计算所述监测图片中所包含的目标物体的清晰度，并根据所述观测仪拍摄所述监测图片时的环境条件、所述监测图片中所包含的目标物体的清晰度，来调用能见度识别模型，确定所述观测仪所属的观测点的能见度，由此直接利用观测仪在任意时段拍摄到的图片都可以进行准确的能见度识别，从而实现全时段、高准确度的能见度监测。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本申请实施例提供的一种能见度监测方法的处理流程图；

图2为本申请实施例中观测仪拍摄到的图片的内容示意图；

图3为本申请实施例中一条高速公路上所设置的观测点的位置示意图；

图4为本申请实施例中提供的一种确定低能见度环境现象范围的方法的处理流程图；

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请一个典型的配置中，终端、服务网络的设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

本申请实施例提供了一种能见度监测方法，该方法是通过图像识别的方式实现能见度监测，在获得监测图片和对应的环境条件时，调用能见度识别模型即可确定所述观测仪所属的观测点的能见度，由此直接利用观测仪在任意时段拍摄到的图片都可以进行准确的能见度识别，从而实现全时段、高准确度的能见度监测。

图1示出了本申请实施例提供的一种能见度监测方法的处理流程，该方法至少包括以下几个处理步骤：

步骤S101，获取观测仪拍摄的监测图片以及拍摄所述监测图片时的环境条件。

步骤S102，计算所述监测图片中所包含的目标物体的清晰度；

步骤S103，根据所述观测仪拍摄所述监测图片时的环境条件、所述监测图片中所包含的目标物体的清晰度，调用能见度识别模型，确定所述观测仪所属的观测点的能见度。

其中，所述观测仪可以是预先安装于监测路段的观测点中的图片拍摄设备，例如各类摄像头、相机等，用于拍摄观测点附近的景物，获得包含特定景物的图片。

在实际部署时，可以在监测路段上按照预设距离间隔确定观测点，并在各个观测点设置观测仪。例如，若需要对一条高速公路的某一重点路段或者全部路段进行能见度监测时，可以设置两公里的预设距离间隔来确定观测点，并在这些观测点中设置观测仪。其中，预设距离间隔可以根据实际应用场景的需求设定，例如当需要更加精确的监测结果时，可以适当缩短观测点的预设距离间隔，如设定为1公里或者1.5公里等，而当应用场景对于监测结果的精度度没有较高的要求时，可以适当增加观测点的预设距离间隔，如设定为4公里或者5公里等，以此减少观测仪的部署数量，以降低方案实现成本。

此外，在各个观测点处可以分别设置两个观测仪，所述两个观测仪分别朝向监测路段的两个方向设置。例如，对于南北走向的一个监测路段，其观测点处所设置的两个观测仪的朝向可以分别朝南和朝北，以拍摄关于这两个方向上的景物的图片。

在实际场景中，可以将监测路段中各个观测点的观测仪所拍摄到的图片，可以统一发送至处理设备中进行处理，以统一实现整个监测路段的能见度监测。其中，所述处理设备可以是用户设备、网络设备或用户设备与网络设备通过网络相集成所构成的设备，或者也可以是运行于上述设备的应用程序。所述用户设备包括但不限于计算机、手机、平板电脑等各类终端设备；所述网络设备包括但不限于如网络主机、单个网络服务器、多个网络服务器集或基于云计算的计算机集合等实现。在此，云由基于云计算(Cloud Computing)的大量主机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟计算机。

在本申请的一些实施例中，可以利用http(HyperText Transfer Protocol，超文本传输协议)/https(Hyper Text Transfer Protocol over SSL，超文本传输安全协议)或者ftp(File Transfer Protocol，文件传输协议)/ftps(File Transfer Protocol overSSL，文件传输安全协议)的通信协议将观测仪将拍摄的图片上传至处理设备中，具体采用哪种协议、以及拍摄和上传照片的频率可以根据实际的需求选择。例如，本实施例中，可以采用http协议，并且每分钟拍摄并上传一张图片。由于https和ftps是分别在http和ftp的基础上加入了SSL(Secure Sockets Layer，安全套接字层)，通过SSL实现传输数据的加密，因此在上传图片时，为了防止传输链路被破坏，数据被窃取，可以使用https或者ftps协议，以提高方案的数据安全性。

在本申请的一些实施例中，所述能见度识别模型可以采用如下的方式训练获得：首先，获取观测仪在不同环境条件下所拍摄的、包含所述目标物体的图片，作为样本图片，其中，所述目标物体为在所述观测仪的拍摄范围内与所述观测仪距离不同的多个物体。然后，基于所述样本图片进行训练，获取关于不同环境条件下目标物体的清晰度与能见度之间的对应关系的能见度识别模型。

在本申请的一些实施例中，可以预先在观测仪的拍摄范围内，确定与所述观测仪距离不同的多个目标物体。在确定目标物体时，可以由用户在观测仪实际拍摄到的图片所包含的景物中根据实际距离选择。例如，对于每个观测仪可以分别选择三个不同的目标物体，这三个目标物体距离各自对应的观测仪的距离可以分别是：50-200m，800-1500m，2500-5000m。在目标物体选择完成之后们，可以在拍摄的图片中标注出每个目标物体的位置。其中，目标物体在图片中的位置可以采用坐标和高宽的形式表示，坐标系可以以图片左上角为原点，单位为像素，位置所对应的坐标和高宽可以采用四元数组(x,y,h,w)的形式记录，其中x,y为目标物体对应的图像内容的左上角的坐标值，h,w分别为目标物体所对应的图像内容的高和宽。由此，即可确定与所述观测仪距离不同的多个目标物体。

在此，本领域技术人员应当理解上述目标物体的选择以及标注具体位置的方式仅为举例，现有或今后出现的基于类似原理的其它形式如果能够适用于本申请，也应该包含在本申请的保护范围内，并以引用的形式包含于此。例如，在选择目标物体时，可以利用清晰度符合要求的图片自动识别其中包含的景物及其距离，由此根据预先设定的距离要求，在不同的距离范围内随机或按照预设的规则选择分别选择一个景物作为目标物体。而标注目标物体的位置时，也可以识别图片中目标物体的轮廓线，将轮廓线对应的位置作为该目标物体的位置。

所述环境条件是指在拍摄目标图片时的周围环境的情况，可以至少包括光照以及气象等方面的条件要素。例如，本申请的一些实施例中的环境条件可以包括但不限于以下的任意一项或多项：光照强度、光照条件、风速、风向、温度、湿度、气压。其中，所述光照强度和光照条件即为光照方面的条件要素，光照条件可以包括顺光、逆光、强光、正常光、弱光、微光等，光照强度可以是预设数值标定的计量值，其计量单位可以是勒克斯(LUX)，而风速、风向、温度、湿度、气压等均为气象方面的条件要素，这些环境条件会影响到观测点周围区域的能见度，因此也需要采集这些数据，作为能见度处理时的输入数据。在实际场景中，可以在监测路段的每个观测点中设置一台环境信息传感器，用于收集光照强度、光照条件、风速、风向、温度、湿度、气压等环境条件的数据，环境条件在采集之后可以采用与图片类似的通信协议完成上传，上传的频率可以与图片相同，也可以根据需要单独设置，例如可以图片上传频率可以设置为1分钟一张，环境条件的上传频率可以设置为30秒一次。

在对能见度识别模型进行训练时，所需要的训练集可以是所述观测仪在不同环境条件下所拍摄的、包含所述目标物体的图片。例如，可以选择观测仪在上午、下午、傍晚、晚上等不同时段所拍摄的不同天气情况下的照片，拍摄这些照片时的光照强度、光照条件、风速、风向、温度、湿度、气压等可能不尽相同，由此获得不同环境条件下包含目标物体的图片，来作为训练集中的样本图片。对于这些作为样本图片的图片可以通过人工标注的方式，确定这些样本图片的能见度，同时通过观测仪上传的拍摄时的环境条件。然后可以对各个图片进行处理，得到图片中目标物体的清晰度。

在实际场景中，获取图片中目标物体的清晰度的方式如下：

首先，可以检测图片中所包含的目标物体的第一轮廓线坐标。具体地，可以先对图片进行图像灰度化、高斯滤波等预处理之后，然后利用边缘检测算法(如canny算法等)，获得图片中各个目标物体的第一轮廓线坐标。

然后，计算所述第一轮廓线坐标与第二轮廓线坐标之间的重合率，作为所述图片中所包含的目标物体的清晰度。其中，所述第二轮廓线坐标为在标准环境条件下同一观测仪所拍摄的图片中所包含的目标物体的轮廓线坐标，所述标准环境条件可以根据实际监测需求确定，例如本市首例中可以选择光照充足天气良好的环境条件来作为标准环境条件，此时该观测仪所拍摄的图片中的目标物体清晰度较高，其对应的第二轮廓线坐标符合作为基准值的要求。由此，当所述第一轮廓线坐标与第二轮廓线坐标之间的重合率越高，则此时进行处理的图片中的目标物体越清晰。

例如，观测仪a在标准环境条件下所拍摄的图片P0中，第二轮廓线坐标为N(P0)，图片P1是观测仪在另一环境条件下所拍摄的图片，作为本次模型训练的其中一张样本图片。对图片P1进行图像灰度化、高斯滤波等预处理后，利用边缘检测算法可以计算出其目标物体的第一轮廓线坐标是N(P1)，通过计算N(P1)和N(P0)之间的重合率，即可获得图片P1中所包含的目标物体的清晰度。

图2示出了本申请实施例中图片P1的图片内容，其中包含的距离分别为50-200m，800-1500m和2500-5000m三个目标物体a、b、c，例如目标物体a可以是150m处的一个标牌，目标物体b可以是1000m处的建筑，目标物体c可以是3000m处的一座桥梁。第一轮廓线坐标N(P1)可以包括三个目标物体的轮廓线坐标，表示为N(P1_a，P1_b，P1_b)。在该场景中，作为标准值的第二轮廓线坐标也可以对应记为(P0_a，P0_b，P0_b)比较时，可以将三个目标物体的轮廓线单独进行比较，若目标物体a的轮廓线的重合率100％，目标物体b的轮廓线的重合率50％，目标物体c的轮廓线的重合率20％。由此，由此可以确定清晰度的结果为(100％，50％，20％)，或者也可以基于几个不同目标物体按照预设的规则进行计算，获得归一化后的综合清晰度值，作为清晰度计算的结果。以前述图片P1为例，可以将100％，50％和20％进行加权计算，获得60％的综合清晰度值，其中计算的具体规则可以根据实际场景的需求设定。

由此，对于任意一张样本图片，都可以至少获得如下三种信息：1、拍摄时的环境条件(观测点实时采集并上传获得)，2、清晰度(图片处理获得)，3、能见度(人工标注获得)。利用样本图片的上述信息，就可以获知当在某些特定的环境条件下时(如特定的光照、风速、温度、湿度等)，观测仪所属的观测点的能见度和拍摄到的图片中目标物体的清晰度之间的对应关系，从而以此训练能见度识别模型。在实际场景中，所述能见度识别模型可以是基于深度学习的模型，通过将所述样本图片的环境条件和目标物体的清晰度作为输入，将所述样本图片的能见度作为输出，即可训练获得能见度识别模型。

所述监测图片为用于识别当前能见度的图片，监测图片与样本图片均是观测仪拍摄到的包含目标物体的图片，区别在于两者应用于本方案不同阶段、具有不同的用途，实际场景中监测图片在完成能见度识别之后，也可作为新的样本图片用于更新能见度识别模型。

计算所述监测图片中所包含的目标物体的清晰度时，可以采用前述计算清晰度的方法，先检测所述监测图片中所包含的目标物体的第一轮廓线坐标，然后计算所述第一轮廓线坐标与第二轮廓线坐标之间的重合率，作为所述监测图片中所包含的目标物体的清晰度。

在完成能见度识别模型的训练之后，即可在获取到观测仪拍摄的监测图片以及拍摄所述监测图片时的环境条件，并计算出监测图片的清晰度时，调用该能见度识别模型进行识别，实现能见度监测。在获取能见度时，可以将所述观测仪拍摄所述监测图片时的环境条件和所述监测图片中所包含的目标物体的清晰度作为输入，并调用所述能见度识别模型，将其输入能见度识别模型后，即可输出所述观测仪所属的观测点的能见度。对于在一个观测点中设置有两个或者是更多观测仪的场景，可以根据该观测点中各个观测仪所确定的能见度结果，综合计算出该观测点的能见度，例如可以取各个观测仪的能见度结果中的最小值或最大值，或者是取中位数值、平均值等，具体可以根据实际应用场景的需求来设定。

由于本申请实施例提供的方案是通过图像识别的方式实现能见度监测，可以预先通过观测仪拍摄到的样本图片训练关于不同环境条件下目标物体的清晰度与能见度之间的对应关系的能见度识别模型，在获得监测图片和对应的环境条件时，根据训练完成的能见度识别模型即可确定所述观测仪所属的观测点的能见度，由此直接利用观测仪在任意时段拍摄到的图片都可以进行准确的能见度识别，从而实现全时段、高准确度的能见度监测。

在本申请的一些实施例中，对于能见度低的情况提示相关的用户，即在所述能见度低于阈值时，向用户发出告警提示信息。其中，用户可以是任意驾驶车辆行驶于该监测路段的用户，向其发出告警提示信息后，可以使得这些用户提前了解监测路段中能见度交底的部分路段，做好安全返沪措施，如可以在经过能见度低的观测点时开启车灯，降低车速等，从而提高行车的安全性。例如，当用户接近能见度低于阈值的观测点时，可以向该用户推送如下的告警提示信息：观测点XX的能见度较低，距离您YY米，请开启车灯，谨慎驾驶。

在本申请的一些实施例中，可以根据监测路段上各个观测点的能见度识别结果，来确定监测路段上出现低能见度环境现象的范围。其中，所述低能见度环境现象可以是任意一种能够导致能见度低于阈值的环境现象，例如团雾即为一种常见的低能见度环境现象等。图3示出了一条高速公路上所设置的观测点的位置，包括了A～H共8个观测点，每个观测点之间的间隔为2km，每个观测点中设置了两个观测仪，若在该监测路段中出现了覆盖观测点C～E的低能见度环境现象，则各个观测点中的能见度将会具有一定的特征，即处于低能见度环境现象范围中或者低能见度环境现象边缘的观测点的能见度将会较低，而距离低能见度环境现象较远的观测点的能见度会处于正常状态，由此可以根据监测路段上的观测点的能见度，确定监测路段上出现低能见度环境现象的范围。

图4示出了本申请实施例中提供的一种确定低能见度环境现象范围的方法的处理流程，至少包括以下的处理步骤：

步骤S401，根据监测路段上的观测点的能见度，确定能见度低于阈值的目标观测点。以前述场景为例，若设定判断的阈值为500m，则可以确定观测点A、G、H中基于两个观测仪所确定的能见度均高于该阈值，观测点C、D、E中基于两个观测仪所确定的能见度均低于该阈值，因此，其中的观测点C、D、E属于目标观测点。

而观测点B、F中其中一个观测仪所确定的能见度高于该阈值，而另一个则低于该阈值。对于观测点B和F，可以根据前述的方式综合计算出该观测点的能见度，并根据结果确定其是否属于目标观测点。在实际场景中，根据方案所采用的计算方式不同，处于低能见度环境现象边缘的观测点的归属(是否属于目标观测点)可能会存在一定的误差，但是并不影响方案的实现，可以通过设定合理的阈值以及观测点设置间隔减少该误差。在本实施例中，可以将两个观测仪中较大的能见度结果作为观测点B和F的能见度，由此可以确定观测点B和F不属于目标观测点。

步骤S402，获取所述目标观测点的位置信息，并根据所述位置信息对所述目标观测点进行聚类处理，获取聚类结果。其中，位置信息可以是目标观测点的经纬度，在部署这些观测点时即可确定并记录，然后根据该位置信息进行聚类，将处于邻近位置的目标观测点划分为一个类别，从而获得聚类结果。例如可以采用类似KNN等聚类算法等，以图3所示的场景为例，其聚类结果会获得一个类，即包括观测点C、D、E的类。

步骤S403，根据所述聚类结果确定监测路段上出现低能见度环境现象的范围。以图3所示的场景为例，根据聚类结果即可确定监测路段上出现低能见度环境现象的范围是观测点C、D、E所处的路段。在实际场景中，若某一监测路段中出现了多个低能见度环境现象，则聚类结果将会有多个类，每个类可以对应一处低能见度环境现象在监测路段中的范围。

基于上述低能见度环境现象监测的结果，本申请实施例的方案还可以集成于地图系统中使用，可以向用户提供关于监测路段的地图，并且所述地图中包括了关于监测路段上出现低能见度环境现象的范围的提示信息。例如，在提供地图或导航信息时，在地图中标注出出现低能见度环境现象的路段范围，使得用户可以更加直观的了解行驶路段的道路状况。

此外，在本申请的另一些实施例中，除了实现能见度的实时监测之外，还可以对监测路段上未来一段时间的能见度进行预测，预测的方式如下：获取关于所述观测点的环境条件以及能见度的历史数据，然后根据所述历史数据，调用能见度预测模型，获取关于所述观测点的能见度的预测数据。

其中，所述能见度预测模型用于根据能见度的历史数据输出能见度的预测数据，可以基于能见度的历史数据和环境条件的历史数据进行训练获得。通过能见度识别模型识别出观测点的能见度时，所获取的能见度和所使用的环境条件均可以作为用于训练能见度预测模型的历史能见度和气象要素，从而以此建立能见度和气象要素的对应关系，训练得到能见度预测模型。

在完成模型训练之后，可以获取关于所述观测点的环境条件以及能见度的历史数据，然后根据所述历史数据调用能见度预测模型获取关于所述观测点的能见度的预测数据。例如在实时监测到能见度后，获取实时的环境条件，同时获取历史多个小时内的能见度和环境条件的数据，如可以获取当前以及最近10个小时内的能见度和环境条件，作为历史数据，通过条用能见度预测模型，即可预测得到在未来2-12小时内的能见度的预测值。该预测值同样可以采用与前述方案中相同的方式进行进一步利用，如生成告警提示信息、预测低能见度环境现象的范围、在地图中显示低能见度环境现象的预测范围等。

此外，本申请实施例还提供了一种计算设备，该设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发所述设备执行前述的能见度监测方法的步骤。

本申请实施例还提供了一种能见度监测系统，该系统可以包括：观测仪、气象传感器和计算设备。其中，观测仪设置于监测路段上的监测点中，用于拍摄图片，并发送至计算设备；气象传感器设置于监测路段上的监测点中，用于获取拍摄所述图片时的环境条件；计算设备用于执行前述的能见度监测方法的步骤，从而识别或预测出监测路段的能见度。

特别地，本申请实施例中的方法和/或实施例可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在该计算机程序被处理单元执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图或框图示出了按照本申请各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的针对硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

作为另一方面，本申请实施例还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个计算机可读指令，所述计算机可读指令可被处理器执行以实现前述本申请的多个实施例的方法和/或技术方案的步骤。

此外，本申请实施例还提供了一种计算机程序，所述计算机程序存储于计算机设备，使得计算机设备执行所述能见度监测方法的步骤。

需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中，本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种能见度监测方法，其特征在于，该方法包括：

获取观测仪拍摄的监测图片以及拍摄所述监测图片时的环境条件；

计算所述监测图片中所包含的目标物体的清晰度；

根据所述观测仪拍摄所述监测图片时的环境条件、所述监测图片中所包含的目标物体的清晰度，调用能见度识别模型，确定所述观测仪所属的观测点的能见度。

2.根据权利要求1所述的方法，其特征在于，该方法还包括：

获取关于所述观测点的环境条件以及能见度的历史数据；

根据所述历史数据，调用能见度预测模型，获取关于所述观测点的能见度的预测数据。

3.根据权利要求1或2所述的方法，其特征在于，所述环境条件至少包括以下的任意一项或多项：风速、风向、温度、湿度、气压、光照强度和光照条件。

4.根据权利要求1所述的方法，其特征在于，计算所述监测图片中所包含的目标物体的清晰度，包括：

检测所述监测图片中所包含的目标物体的第一轮廓线坐标；

计算所述第一轮廓线坐标与第二轮廓线坐标之间的重合率，作为所述监测图片中所包含的目标物体的清晰度，其中，所述第二轮廓线坐标为在标准环境条件下同一观测仪所拍摄的图片中所包含的目标物体的轮廓线坐标。

5.根据权利要求1所述的方法，其特征在于，所述能见度识别模型采用如下方式训练获得：

获取观测仪在不同环境条件下所拍摄的、包含所述目标物体的图片，作为样本图片，其中，所述目标物体为在所述观测仪的拍摄范围内与所述观测仪距离不同的多个物体；

基于所述样本图片进行训练，获取关于不同环境条件下目标物体的清晰度与能见度之间的对应关系的能见度识别模型。

6.根据权利要求1所述的方法，其特征在于，确定所述观测仪所属的观测点的能见度之后，还包括：

根据所述观测点的能见度，确定能见度低于阈值的目标观测点；

获取所述目标观测点的位置信息，并根据所述位置信息对所述目标观测点进行聚类处理，获取聚类结果；

根据所述聚类结果确定监测路段上出现低能见度环境现象的范围。

7.根据权利要求6所述的方法，其特征在于，该方法还包括：

向用户提供关于监测路段的地图，所述地图中包括关于监测路段上出现低能见度环境现象的范围的提示信息。

8.一种计算设备，其特征在于，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该设备执行权利要求1至7中任一项所述的方法的步骤。

9.一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现如权利要求1至7中任一项所述的方法的步骤。

10.一种能见度监测系统，其特征在于，该系统包括：

观测仪，设置于监测路段上的监测点中，用于拍摄图片，并发送至计算设备；

气象传感器，设置于监测路段上的监测点中，用于获取拍摄所述图片时的环境条件；

计算设备，用于执行权利要求1至7中任一项所述的方法的步骤。

Images