1.一种基于大数据的团雾监测方法，其特征在于：包括以下步骤：S01)、获取监测路段每个摄像头的视频数据，对视频数据进行预处理；S02)、对每个摄像头提供的图像数据都建立一个动态的时间序列，摄影图的图像随时间形成动态的时间序列图像；S03)、利用运动目标监测的高斯混合模型，剔除运动目标，提取图像的背景信息，建立背景图片的时间序列模型；S04)、分析团雾突发时背景图片的变化规律，建立基于背景图片时间序列的雾监测模型，并使用雾监测模型对摄像头传输的实时数据进行判断；S05)、一个摄像头判读为有雾后，立即启动团雾判读，如果N1个相邻的摄像头都监测到雾，判读为雾，启动雾预警；如存在N2个以上相邻的摄像头监测到非雾的情况，判断为团雾，分析预测团雾的流动方向，启动团雾预警；N1、N2均为正整数，且N1>N2。

2.根据权利要求1所述的基于大数据的团雾监测方法，其特征在于：步骤S03具体为：

S31)、将时间序列图像的第一帧f1做为初始背景，使用K个高斯模型来表征本图像中各个像素点f1(x,y)的特征，K的取值范围为3～5，由图像灰度直方图的分布确定每个高斯模型的均值μj和标准差σj，j∈[1，K]，每个像素点灰度值可表示成K个高斯分布函数的叠加，即其中，η(μj，σj)是第j个高斯分布，ωj是其权重；S32)、从第二帧图像fi(x,y)，i>1开始，估计每个像素点是否属于背景，即判断公式2否成立：|fi(x,y)-μj|≤2.5σj      (公式2)，若公式2成立，则像素点fi(x，y)是背景点，否则是前景点，根据前景点生成新的高斯模型；S33)、按公式3更新当前图像中每个模型权重，其中α是学习速率，若当前点是背景，则MK,i＝1，否则MK,i＝0， 为更新前的模型权重， 为更新后的模型权重；S34)、前景点的高斯模型均值和标准差保持不变，背景点的高斯模型均值和标准差按当前图像进行更新；S35)、对所有高斯模型进行排序，权重大、标准差小的模型排在前面，排序在K之后的模型被舍去，从而得到更新后的背景图像；S36)、重复步骤S32-S35，得到每一帧图像的背景图，建立背景图像的动态时间序列图像,；S37)、基于背景图像的时间序列图像，将背景图片化分成4个区域，建立4个区域对比度的时间变化变化曲线。

3.根据权利要求2所述的基于大数据的团雾监测方法，其特征在于：建立基于背景像元时间序列的雾监测模型综合考虑当前影像的对比度X1、当前影像的模糊度X2、时间序列中上帧图像的对比度X3、时间序列中上帧图像的模糊度X4，团雾突发时，背景图像中像元值的对比度X1急剧降低，当前影像全图有75％以上区域为模糊区域，4个分区中有3个区的X3与X1下降幅度超过300％，时间序列中上帧图像全图有25％以下区域为模糊区域。

4.根据权利要求1所述的基于大数据的团雾监测方法，其特征在于：对视频数据进行的处理包括：对图像数据进行快速审查和校验，删除重复信息，纠正存在的错误，将所有摄像头的图像格式统一，对每个摄影头的视频数据进行快速的雾监测、团雾判断处理。

5.根据权利要求1所述的基于大数据的团雾监测方法，其特征在于：监测路段的摄像头按照特定方向及距离布置，根据摄像头监测到雾的先后顺序预测分析团雾的流动方向和速度。

6.根据权利要求1所述的基于大数据的团雾监测方法，其特征在于：一个摄像头判读为有雾后，立即启动团雾判读对前后相邻的5个摄像头进行综合判断，如果4个以上的相邻摄像头判定为有雾，则启动雾预警；如存在2个以上相邻的摄像头监测到非雾的情况，判断为团雾。