一种基于傅里叶红外遥测阵列的车流排放污染物探测方法

技术领域

本发明属于遥感检测领域，特别是涉及一种基于傅里叶红外遥测阵列的车流排放污染物探测方法。

背景技术

傅里叶变换红外(Fourier TransformInfrared，FTIR)光谱仪主要由红外光源、分束器、干涉仪、样品池、探测器、计算机数据处理系统、记录系统等组成，是干涉型红外光谱仪的典型代表，不同于色散型红外仪的工作原理，它没有单色器和狭缝，利用迈克尔逊干涉仪获得入射光的干涉图，然后通过傅里叶数学变换，把时间域函数干涉图变换为频率域函数图。

傅里叶变换红外光谱仪通过使动镜在一定长度范围内连续等间距移动采集干涉图，从而获得检测目标的红外光谱图，为了得到图像中像元准确的光谱数据，这就要求在采集过程中检测目标具有时域不变性。

现有机动车遥测系统均为单车单点遥测，主要目的是初筛路上行驶单车的尾气污染物排放是否达标。只能进行点对点的检测，至今无法实现对公路行驶机动车流排放污染物的面源分布情况的实时分析，同时目前的傅里叶变换红外光谱仪没有分光镜，造成了光的损耗，同时光信号的传输率更低。

本产品即是针对公路行驶机动车流污染源排放大气污染物快速成像的迫切需求，设计的机动车流排放污染物的遥感探测方法，构建了面阵探测器系统，针对机动车流污染目标区域的大气利用主动傅里叶红外遥感阵列检测系统扫描获得整个目标区域的红外光谱，基于气体红外指纹光谱，定性判定气体成分，定量演算气体浓度，从而对污染气体浓度分布进行成像，实现了对污染气体分布的高时间、空间分辨率的全帧成像，具有公路机动车流排放污染物浓度分布可见视觉成像特点。

发明内容

本发明的目的是提供一种基于傅里叶红外遥测阵列的车流排放污染物的探测方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种基于傅里叶红外遥测阵列的车流排放污染物的探测方法，包括：

设置光源阵列、红外光谱仪和反射端，基于所述红外光谱仪和反射端进行公路气体数据采集，获得图像数据集；

基于预设公式计算所述图像数据集，获得气体运动轨迹图；

对所述气体运动轨迹图进行傅里叶变换处理，获得像素点红外光谱图；

根据已知气体光谱，将所述像素点红外光谱图和所述已知气体光谱进行相似性比较，定性判定气体成分，定量演算气体浓度，从而获得各像素点污染物类型和浓度；

通过定量分析技术获取污染气体二维分布，从而绘制平行于公路方向的机动车流污染物排放的浓度分布平面图。

优选地，所述设置红外光谱仪和反射端的过程包括：

所述红外光谱仪中的光源发射入射光至所述反射端，所述入射光进入反射端后进行准直镜准直，生成第一入射光；

所述反射端对所述第一入射光分为N束相干光，所述N束相干光经过反光镜反射至所述红外光谱仪，并基于所述红外光谱仪形成干涉条纹。

优选地，所述获得图像数据集的过程包括：

基于所述红外光谱仪和反射端获取采集图像；

对所述采集图像进行逐帧分析后进行处理，获得所述图像数据集。

优选地，所述获得气体运动轨迹图的过程包括：

基于所述图像数据集获取采集图像之间的相关图像，将所述相关图像进行分析值运算，获得逐帧变化图像；

将所述逐帧变化图像进行像素点分析，获得气体运动图。

对所述气体运动图进行运动变化分析，获得所述气体运动轨迹图。

优选地，所述获得像素点红外光谱图的过程包括：

对所述气体运动轨迹图中数据进行投影处理，获得气体分布情况图；

将所述气体分布情况图的每个点位进行傅里叶变换，获得变换图；

将所述变换图进行噪声去除，获得所述像素点红外光谱图。

优选地，所述获得污染物类型和浓度的过程包括：

基于所述已知气体光谱和所述像素点红外光谱图确定比例因子和向量最小值；

基于所述向量最小值获取差分最小值；

对所述比例因子和所述差分最小值进行分析，获得所述污染物类型和浓度。

优选地，所述获得公路污染物浓度平面分布图的过程包括：

通过定量分析技术获取污染气体二维分布，从而绘制平行于公路方向的机动车流污染物排放的浓度分布平面图。

优选地，还包括：设置阈值，基于所述阈值对所述公路污染物预测结果进行判断，若所述公路污染物预测结果大于或等于阈值，则发出警告，并智能生成解决方案。

本发明的技术效果为：

1.本发明降低了光的损耗，而且通过干涉进一步增加了光的信号，因此到达检测器的辐射强度大，信噪比高；

2.本发明中遥测系统为主动式傅里叶红外阵列遥测系统，不仅将光源和傅里叶变换红外光谱仪放置在公路同侧，减少了用电布设，同时阵列探测器系统还可以实时分析公路行驶机动车流排放污染物的面源分布情况，将机动车流污染可视化。

3.本发明中的傅里叶红外光谱仪通过采用傅里叶变换技术，可以实现对整个红外光谱范围的快速扫描。传统的红外光谱仪需要逐点地扫描波数范围，而傅里叶变换技术可以同时获取整个波数范围的光谱信息，大大提高了扫描速度。这使得傅里叶红外光谱仪成像在实时监测和快速图像获取方面具有优势。同时，傅里叶变换技术可以提供高分辨率的光谱信息。通过采集更多的光谱数据点，可以获取更详细和准确的红外光谱特征。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例中的公路污染物的探测示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

实施例一

如图1所示，本实施例中提供一种基于傅里叶红外遥测阵列的车流排放污染物的探测方法，包括：

本实施例中，傅里叶变换红外光谱仪主要由红外光源阵列、分束器、干涉仪、样品池、探测器、计算机数据处理系统、记录系统等组成，是干涉型红外光谱仪的典型代表，不同于色散型红外仪的工作原理，它没有单色器和狭缝，利用迈克尔逊干涉仪获得入射光的干涉图，然后通过傅里叶数学变换，把时间域函数干涉图变换为频率域函数图。其中具体为：

(1)光源：傅里叶变换红外光谱仪为测定不同范围的光谱而设置有多个光源。通常用的是钨丝灯或碘钨灯(近红外)、硅碳棒(中红外)、高压汞灯及氧化钍灯(远红外)。

(2)分束器：分束器是迈克尔逊干涉仪的关键元件。其作用是将入射光束分成反射和透射两部分，然后再使之复合，如果可动镜使两束光造成一定的光程差，则复合光束即可造成相长或相消干涉。

对分束器的要求是：应在波数v处使入射光束透射和反射各半，此时被调制的光束振幅最大。根据使用波段范围不同，在不同介质材料上加相应的表面涂层，即构成分束器。

(3)探测器：傅里叶变换红外光谱仪所用的探测器与色散型红外分光光度计所用的探测器无本质的区别。常用的探测器有硫酸三甘钛(TGS)、铌酸钡锶、碲镉汞、锑化铟等。

(4)数据处理系统：傅里叶变换红外光谱仪数据处理系统的核心是计算机，功能是控制仪器的操作，收集数据和处理数据。

设置红外光谱仪和反射端，基于所述红外光谱仪和反射端进行公路气体数据采集，获得图像数据集；

本实施例通过非色散快速成像技术研究，构建了基于滤光片分光的紫外－可见非色散系统，结合面阵CCD探测器全帧成像，并通过定量分析技术获取污染气体二维分布图。重点研究了污染气体浓度二维分布定量解析方法、成像系统响应一致性修正方法、结合被动差分吸收光谱(DOAS)技术的系统现场实时标定方法，实现了对污染源烟团NOx分布的高时间分辨率全帧成像。

本实施例采用EXPEC1900傅里叶红外气体遥测仪，通过图像方式展示有毒有害气体的时空分布，具有可见视觉成像、夜视红外成像和化学成像功能，其中化学成像采用先进的快速傅里叶红外遥感技术获得。系统针对目标区域大气利用被动傅里叶红外遥感检测获得目标区域红外光谱，扫描目标区域气体红外吸收谱，基于气体红外指纹光谱，通过深度神经网络算法，定性判定气体成分，定量演算气体浓度，描绘出化学成像图。

该红外光谱仪具有以下优点：检测范围广：360度全视角覆盖，60度垂直扫描，常规测量5公里半径，最大视距约20公里。在视野高点，可实现全区域覆盖；

检测功能强：包括各种化工污染、燃烧产物的无机和有机气体，超过400种气体标准谱图库，可针对客户需求扩展，原理上可检测上万种气体物质。

移动应急：可切换车载模式，快速到达事故现场，远距离测定有毒有害气体成分与浓度，为应急行动提供可靠数据支撑。

检测精度高：采用斯特林制冷(-200℃)科研级MCT红外探测器，结合高分辨FTIR光学遥感系统和专利的数据处理算法，实现ppm级探测能力。

检测可视化：以FTIR(傅里叶红外)遥感技术为核心的化学成像，与可见/红外视频成像完美结合，通过图像方式揭示问题点，风险源。视频显现气体云团大小、浓度梯度、运动轨迹和温度梯度场。为污染源统筹管理，和突发应急决策提供即时数据依据。

检测智能化：全天候全自动视角巡逻扫描。针对重点区域，定时定点守望监测，发现异常自动预警。自动追踪云团，锁定显示泄漏源方位。清晰显示观测到的气体成分与浓度。

基于预设公式计算所述图像数据集，获得气体运动轨迹图；

对所述气体运动轨迹图进行傅里叶变换处理，获得像素点红外光谱图；

获取已知气体光谱，将所述像素点红外光谱图和所述已知气体光谱进行相似性比较，获得污染物类型和浓度；

基于所述污染物类型和浓度构建预测模型，基于所述预测模型对公路污染物进行预测，获得公路污染物预测结果。

基于现有机动车遥测系统开发，公路一侧加装光线反射装置，另外一侧做成探测器阵列；

进一步优化方案，所述设置阵列光源、傅里叶红外光谱仪和反射端的过程还包括：

将所述傅里叶红外光谱仪一一进行校准；

启动所述傅里叶红外光谱仪，记录背景信号；

基于所述背景信号将阵列光源、傅里叶红外光谱仪和反射端进行归一化校正。

进一步优化方案，所述设置红外光谱仪和反射端的过程包括：

所述红外光谱仪中的光源发射入射光至所述反射端，所述入射光进入反射端后进行准直镜准直，生成第一入射光；

所述反射端对所述第一入射光分为N束相干光，所述N束相干光经过反光镜反射至所述红外光谱仪，并基于所述红外光谱仪形成干涉条纹。

分光器两侧的第一反光镜及第二反光镜；光束经过准直镜准直，入射到分光器上，分光器将入射光分为两束相干光；两束相干光分别经过第一反光镜及第二反光镜反射回到分光器到达检测器，并在检测器形成干涉条纹。

所述光谱仪本体下表面固定设置有调整环，所述支撑螺杆上端与所述调整环螺纹连接，所述水平仪固定设置在所述光谱仪本体外壁上。

进一步优化方案，所述获得图像数据集的过程包括：

基于所述红外光谱仪和反射端获取采集图像；

对所述采集图像进行逐帧分析后进行处理，获得所述图像数据集。

进一步优化方案，所述获得气体运动轨迹图的过程包括：

基于所述图像数据集获取采集图像之间的相关图像，将所述相关图像进行分析值运算，获得逐帧变化图像；

将所述逐帧变化图像进行像素点分析，获得气体运动图。

对所述气体运动图进行运动变化分析，获得所述气体运动轨迹图。

进一步优化方案，所述获得像素点红外光谱图的过程包括：

对所述气体运动轨迹图中数据进行投影处理，获得气体分布情况图；

将所述气体分布情况图的每个点位进行傅里叶变换，获得变换图；

将所述变换图进行噪声去除，获得所述像素点红外光谱图。

基线校正：对于出现倾斜基线和漂移基线的光谱，要将吸光度光谱的基线拉回0基线上。为了获得更好的效果，本发明采用手动校正的方法。在基线校正前后，需要保证光谱吸收峰的峰位不发生变化。

光谱归一化：光谱库中的光谱为归一化的标准光谱，为了便于比对，检测光谱有必要进行归一化处理。光谱归一化是指将采集的光谱进行数据处理，使得透射率光谱中最大的吸收峰透射率为10％，吸收光谱中最大吸收峰的吸光度归一化为1。

光谱平滑：对光谱中的数据点y值进行数学平均计算，采用Savisky-Golay算法，平滑的点数可以从5～25之间的奇数选择。光谱平滑后，光谱噪声降低的同时，光谱的分辨能力也降低。

光谱求导数：光谱的一阶导数谱能够得到光谱吸收峰峰尖、峰谷和肩峰的位置，二阶导数光谱能够找出吸收峰峰尖和肩峰的准确位置。

光谱匹配：利用两个光谱曲线的相似度来判断检测目标的归属类别。

进一步优化方案，所述获得污染物类型和浓度的过程包括：

基于所述已知气体光谱和所述像素点红外光谱图确定比例因子和向量最小值；

基于所述向量最小值获取差分最小值；

对所述比例因子和所述差分最小值进行分析，获得所述污染物类型和浓度。

根据所述像素点红外光谱图和所述已知气体光谱，确定比例因子；

获取所述已知气体光谱向量的最小值和所述像素点红外光谱图向量的最小值；

根据所述已知气体光谱向量的最小值和所述像素点红外光谱图向量的最小值，计算差分最小值；

根据所述已知气体光谱向量、所述像素点红外光谱图向量、所述比例因子和所述差分最小值，计算所述已知气体光谱与所述像素点红外光谱图的绝对差；

根据所述绝对差和所述像素点红外光谱图向量，计算所述像素点红外光谱图的绝对长度。

进一步优化方案，所述获得公路污染物预测结果的过程包括：

构建预测模型，将所述污染物类型和浓度输入至所述预测模型进行训练，获得公路污染物预测模型；

获取公路实时空气参数，将所述公路实时空气参数输入至所述公路污染物预测模型中，获得所述公路污染物预测结果。

进一步优化方案，还包括：设置阈值，基于所述阈值对所述公路污染物预测结果进行判断，若所述公路污染物预测结果大于或等于阈值，则发出警告，并智能生成解决方案。

本实施例在于将探测器做成陈列形式，可以同一时间同时获得所有陈列点光路上的污染物浓度数据，从而得到公路上某一时间点的污染物浓度面源分布情况，如果进行一段时间，例如连续1小时的监测，那么就可以获得1小时内公路上行驶机动车的污染物排放浓度累积数据，从而可以绘制出公路一定长、高截面的机动车排放污染物浓度分布图。

得到测量区域的污染气体柱浓度信息后，通过重型变速云台的二维扫描，获取目标区域污染气体柱浓度二维分布，最后将气体柱浓度二维分布图叠加到彩色变焦相机拍摄的可见图像之上，得到柱浓度分布伪彩色图与可见光背景融合图，进行可视化呈现。

实施例二

本实施例的基于傅里叶变换的低浓度烟气红外分析仪，包括机箱、加热控制单元、输出显示单元、数据采集处理单元、供电电源；机箱内设置烟气管路，滤水过滤装置设置在烟气管路进口，烟气管路上分别设置温度传感器、压力传感器、湿度传感器、氧传感器、气态污染物检测单元；所述的气态污染物检测单元包括红外光源及设置在其后的遮光器，沿光路布置在遮光器后依次为吸收池、测量气室、滤光器、检测传感器；检测器型号为：X-Stream-Core；

设置阵列光源、傅里叶红外光谱仪和反射端，基于所述红外光谱仪和反射端进行公路机动车排放气体数据采集，获得图像数据集；

基于预设公式计算所述图像数据集，获得气体运动轨迹图；

对所述气体运动轨迹图进行傅里叶变换处理，获得所述阵列光源区域内像素点红外光谱图；

基于已知气体光谱，将所述像素点红外光谱图和所述已知气体光谱进行相似性比较，获得所述阵列光源区域内污染物类型和浓度，基于所述污染物类型和浓度绘制平行于公路方向的公路机动车流污染物排放的浓度分布平面图。

基于预设公式计算所述图像数据集，获得气体运动轨迹图；

对所述气体运动轨迹图进行傅里叶变换处理，获得像素点红外光谱图；

获取已知气体光谱，将所述像素点红外光谱图和所述已知气体光谱进行相似性比较，获得污染物类型和浓度；

基于所述污染物类型和浓度构建预测模型，基于所述预测模型对公路污染物进行预测，获得公路污染物预测结果。

基于现有机动车遥测系统开发，公路一侧加装光线反射装置，另外一侧做成探测器阵列；

进一步优化方案，所述设置阵列光源、傅里叶红外光谱仪和反射端的过程还包括：

将所述傅里叶红外光谱仪一一进行校准；

启动所述傅里叶红外光谱仪，记录背景信号；

基于所述背景信号将阵列光源、傅里叶红外光谱仪和反射端进行归一化校正。

进一步优化方案，所述设置红外光谱仪和反射端的过程包括：

所述红外光谱仪中的光源发射入射光至所述反射端，所述入射光进入反射端后进行准直镜准直，生成第一入射光；

所述反射端对所述第一入射光分为N束相干光，所述N束相干光经过反光镜反射至所述红外光谱仪，并基于所述红外光谱仪形成干涉条纹。

分光器两侧的第一反光镜及第二反光镜；光束经过准直镜准直，入射到分光器上，分光器将入射光分为两束相干光；两束相干光分别经过第一反光镜及第二反光镜反射回到分光器到达检测器，并在检测器形成干涉条纹。

所述光谱仪本体下表面固定设置有调整环，所述支撑螺杆上端与所述调整环螺纹连接，所述水平仪固定设置在所述光谱仪本体外壁上。

进一步优化方案，所述获得图像数据集的过程包括：

基于所述红外光谱仪和反射端获取采集图像；

对所述采集图像进行逐帧分析后进行处理，获得所述图像数据集。

进一步优化方案，所述获得气体运动轨迹图的过程包括：

基于所述图像数据集获取采集图像之间的相关图像，将所述相关图像进行分析值运算，获得逐帧变化图像；

将所述逐帧变化图像进行像素点分析，获得气体运动图。

对所述气体运动图进行运动变化分析，获得所述气体运动轨迹图。

进一步优化方案，所述获得像素点红外光谱图的过程包括：

对所述气体运动轨迹图中数据进行投影处理，获得气体分布情况图；

将所述气体分布情况图的每个点位进行傅里叶变换，获得变换图；

将所述变换图进行噪声去除，获得所述像素点红外光谱图。

基线校正：对于出现倾斜基线和漂移基线的光谱，要将吸光度光谱的基线拉回0基线上。为了获得更好的效果，本发明采用手动校正的方法。在基线校正前后，需要保证光谱吸收峰的峰位不发生变化。

光谱归一化：光谱库中的光谱为归一化的标准光谱，为了便于比对，检测光谱有必要进行归一化处理。光谱归一化是指将采集的光谱进行数据处理，使得透射率光谱中最大的吸收峰透射率为10％，吸收光谱中最大吸收峰的吸光度归一化为1。对于出现倾斜基线和漂移基线的光谱，采用手动校正的方法，将吸光度光谱的基线拉回0基线上，在基线校正前后，需保证光谱吸收峰的峰位不发生变化；

光谱平滑：对光谱中的数据点y值进行数学平均计算，采用Savisky-Golay算法，平滑的点数可以从5～25之间的奇数选择。光谱平滑后，光谱噪声降低的同时，光谱的分辨能力也降低。

光谱求导数：光谱的一阶导数谱能够得到光谱吸收峰峰尖、峰谷和肩峰的位置，二阶导数光谱能够找出吸收峰峰尖和肩峰的准确位置。

光谱匹配：利用两个光谱曲线的相似度来判断检测目标的归属类别。

进一步优化方案，所述获得污染物类型和浓度的过程包括：

基于所述已知气体光谱和所述像素点红外光谱图确定比例因子和向量最小值；

基于所述向量最小值获取差分最小值；

对所述比例因子和所述差分最小值进行分析，获得所述污染物类型和浓度。

根据所述像素点红外光谱图和所述已知气体光谱，确定比例因子；

获取所述已知气体光谱向量的最小值和所述像素点红外光谱图向量的最小值；

根据所述已知气体光谱向量的最小值和所述像素点红外光谱图向量的最小值，计算差分最小值；

根据所述已知气体光谱向量、所述像素点红外光谱图向量、所述比例因子和所述差分最小值，计算所述已知气体光谱与所述像素点红外光谱图的绝对差；

根据所述绝对差和所述像素点红外光谱图向量，计算所述像素点红外光谱图的绝对长度。

进一步优化方案，所述获得公路污染物预测结果的过程包括：

构建预测模型，将所述污染物类型和浓度输入至所述预测模型进行训练，获得公路污染物预测模型；

获取公路实时空气参数，将所述公路实时空气参数输入至所述公路污染物预测模型中，获得所述公路污染物预测结果。

进一步优化方案，还包括：设置阈值，基于所述阈值对所述公路污染物预测结果进行判断，若所述公路污染物预测结果大于或等于阈值，则发出警告，并智能生成解决方案。

本实施例在于将探测器做成陈列形式，可以同一时间同时获得所有陈列点光路上的污染物浓度数据，从而得到公路上某一时间点的污染物浓度面源分布情况，如果进行一段时间，例如连续1小时的监测，那么就可以获得1小时内公路上行驶机动车的污染物排放浓度累积数据，从而可以绘制出公路一定长、高截面的机动车排放污染物浓度分布图。

得到测量区域的污染气体柱浓度信息后，通过重型变速云台的二维扫描，获取目标区域污染气体柱浓度二维分布，最后将气体柱浓度二维分布图叠加到彩色变焦相机拍摄的可见图像之上，得到柱浓度分布伪彩色图与可见光背景融合图，进行可视化呈现。

实施例三

设置阵列光源、傅里叶红外光谱仪和反射端，基于所述红外光谱仪和反射端进行公路机动车排放气体数据采集，获得图像数据集；

基于预设公式计算所述图像数据集，获得气体运动轨迹图；

对所述气体运动轨迹图进行傅里叶变换处理，获得所述阵列光源区域内像素点红外光谱图；

基于已知气体光谱，将所述像素点红外光谱图和所述已知气体光谱进行相似性比较，获得所述阵列光源区域内污染物类型和浓度，基于所述污染物类型和浓度绘制平行于公路方向的公路机动车流污染物排放的浓度分布平面图。

通过TDLAS技术，在0.5秒内完成对行驶过程中的机动车尾气中CO、CO2、NO、HC等污染因子气体浓度的检测，实时输出检测结果，并与主控计算机进行通信、上报状态信息。激光尾气遥测系统，可获取较为精准的行驶车辆尾气排放浓度数据，该数据仅为空间某点位，激光光程上的浓度数据，以此线浓度数据为标定数据，对傅里叶红外遥感监测的该激光空间图像数据进行标定，从而提高演算气体浓度的准确性。并通过对某段道路的长时间监测，精确计算道路交通尾气典型污染因子排放的总量的具体数值。

进一步优化方案，所述设置阵列光源、红外光谱仪和反射端的过程包括：

所述红外光谱仪中的阵列光源发射入射光至所述反射端，所述入射光进入反射端后进行准直镜准直，生成第一入射光；

所述反射端将所述第一入射光分为N束相干光，所述N束相干光经过反光镜反射至所述红外光谱仪，并基于所述红外光谱仪形成干涉条纹。

进一步优化方案，所述设置阵列光源、傅里叶红外光谱仪和反射端的过程还包括：

将所述傅里叶红外光谱仪一一进行校准；

启动所述傅里叶红外光谱仪，记录背景信号；

基于所述背景信号将阵列光源、傅里叶红外光谱仪和反射端进行归一化校正。

进一步优化方案，所述获得图像数据集的过程包括：

基于所述红外光谱仪和反射端获取采集图像；

对所述采集图像进行逐帧分析后进行处理，获得所述图像数据集。

进一步优化方案，所述获得气体运动轨迹图的过程包括：

基于所述图像数据集获取采集图像之间的相关图像，将所述相关图像进行分析值运算，获得逐帧变化图像；

将所述逐帧变化图像进行像素点分析，获得气体运动图；

对所述气体运动图进行运动变化分析，获得所述气体运动轨迹图。

进一步优化方案，所述获得像素点红外光谱图的过程包括：

对所述气体运动轨迹图中数据进行投影处理，获得气体分布情况图；

将所述气体分布情况图的每个点位进行傅里叶变换，获得变换图；

将所述变换图进行噪声去除，获得所述像素点红外光谱图。

进一步优化方案，所述获得像素点的污染物类型和浓度，通过定量分析技术获取污染气体二维分布，从而绘制公路机动车流污染物排放的浓度分布平面图的过程包括：

基于所述已知气体光谱和所述像素点红外光谱图确定比例因子和向量最小值；

基于所述向量最小值获取差分最小值；

对所述比例因子和所述差分最小值进行分析，获得所述各像素点的污染物类型和浓度，从而绘制平行于公路方向的公路机动车流污染物排放的浓度分布平面图。

进一步优化方案，还包括：

设置阈值，基于所述阈值对所述公路机动车流污染物排放的浓度结果进行判断，若所述污染物浓度结果大于或等于阈值，则发出警告，并生成解决方案。

对路上测试的烟羽排放，通过遥感成像数据扩散的趋势，扩散数据进行数据分析，验证燃烧方程反算数据的准确性。从而提高激光尾气遥测的准确性。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。