随着社会经济的迅速发展以及科技水平的不断提高,机器视觉在智能时代的应用越来越广泛,智能交通成为社会智能化发展的重要组成部分。但随着工业的发展,雾霾成为影响人们日常出行的因素,所以基于机器视觉的能见度检测方法成为当前十分热门的研究课题。本文在图像处理的基础上,提出基于灰度共生矩阵(GLCM)特征-SURF匹配特征-改进的粒子群算法(BAPSO)-增量概率神经网络(IPNN)的高速公路能见度等级检测方法,以此来提高大气能见度检测的准确性以及实时性。本文在不同时间段对不同道路进行了图像样本采集并以此作为实验数据。采用图像处理方法对样本图像进行检测,同时为了提高能见度检测的速度,采用分步式处理方法:首先选择计算简单的灰度直方图方法计算样本灰度标准差进行能见度预判,若没有达到结束条件,接下来采取图像特征提取方法进行进一步的能见度等级检测。传统图像特征提取方法在低能见度情况下稳定性差,特征提取效果不佳,针对这个问题本文采用GLCM的对比度和能量两个特征参数与SURF匹配程度特征相结合的方法对样本图像进行特征描述,为组合的新特征向量赋予能见度等级标签,作为神经网络的输入数据。最后进行能见度等级分类,采用基于统计原理的前馈型神经网络IPNN进行实验结果分类。用BAPSO算法对神经网络进行参数优化,以改善传统PSO算法收敛速度慢且极易陷入局部最优的状态,同时提高神经网络的分类准确程度,降低网络结构复杂度。实验结果分析可知,本文提出的基于图像处理的GLCM-SURF-BAPSO-IPNN高速公路能见度检测方法能较好的对大气能见度进行检测,并且相比于传统透射法检测用时较短。采用实时更新样本的检测模型,达到实时性检测的目的,且满足国际气象组织对大气能见度测量误差不高于百分之二十的要求。