类中心及非积雪聚类中心之间的欧式距离；和第三处理，在所述道路特征与所述积雪聚类中心之间的欧式距离小于所述道路特征与所述非积雪聚类中心之间的欧式距离的情况下，判断为道路有积雪，否则判断为道路无积雪。
[0018]优选地，在所述积雪状态判断步骤中，在所利用的所述分类器为多个的情况下执行:针对每个分类器执行所述第一处理至第三处理，得到每个分类器所对应的积雪状态判断结果；根据所述积雪状态判断结果来选择每个分类器的对应的权重；和将对选择出的权重进行累计而得到的结果作为得票分值，在道路为积雪状态的得票分值大于道路为非积雪状态的得票分值的情况下，判断为道路有积雪，否则判断为道路无积雪。
[0019]优选地，所述多个样本包括正样本和负样本，所述正样本包括积雪道路的实时数据和历史数据，所述负样本包括非积雪道路的实时数据和历史数据。
[0020]另外，本发明提出了一种雪天实时交通状态发布装置，针对路网中的有摄像机覆盖路段进行交通状态发布，包括:积雪状态识别单元，其根据从有摄像机覆盖路段上设置的摄像机得到的视频图像，识别该路段的积雪状态；和交通状态发布单元，其在通过所述积雪状态识别单元识别为道路有积雪的情况下，发布道路积雪状态，在识别为道路无积雪的情况下，根据浮动车系统发布道路的拥堵状态。
[0021]另外，本发明提出了一种雪天实时交通状态发布装置，针对路网中的无摄像机覆盖路段进行交通状态发布，包括:机器学习单元，其对从路网中有摄像机覆盖路段上选取的多个样本进行训练来获得用于区分道路有无积雪的分类器；积雪状态判断单元，其利用通过所述机器学习单元获得的分类器来判断无摄像机覆盖路段的道路是否有积雪；和交通状态发布单元，其在通过所述积雪状态判断单元判断为道路有积雪的情况下，发布道路积雪状态，在判断为道路无积雪的情况下，根据浮动车系统发布道路的拥堵状态。
[0022]技术效果
[0023]本发明根据视频监控系统可以得到有摄像机覆盖路段的积雪状态，对于无摄像机覆盖路段，本发明结合浮动车系统数据和视频监控系统数据，利用机器学习方法得到无摄像机覆盖路段的积雪状态，这样可以得到整个路网的道路的积雪状态，而不受摄像机覆盖范围的限制。对于无积雪覆盖的路段，本发明利用浮动车系统来发布道路的拥堵状态，这样就继承了传统交通信息发布方法的特点。综上所述，本发明能够同时发布道路的拥堵状态和积雪状态，这样，既可以发布整个路网道路的积雪状态，同时又继承了传统交通信息发布方法的特点。
[0024]本发明发布的道路的积雪状态可以有效地帮助驾驶员避开积雪道路，在无法避开积雪道路的情况下，可以起到提前对驾驶员进行预警的效果，从而减小由道路积雪而引起的交通事故的概率。本发明发布的道路的拥堵状态，可以帮助驾驶员选择更加快捷的驾驶路线，减少驾驶员在道路上行驶的时间损失和经济损失。
【附图说明】
[0025]通过参考结合以下附图对所采用的优选实施方式的详细描述，本发明的上述目的、优点和特征将变得显而易见，其中:
[0026]图1是表示本发明的交通状态发布方法的整体的流程图。
[0027]图2是表示本发明的交通状态发布方法中的有摄像机覆盖路段的交通信息发布的流程图。
[0028]图3是表示根据本发明的交通状态发布方法的有摄像机覆盖路段的交通信息发布的示意图。
[0029]图4是表示本发明的交通状态发布方法中选取的道路特征的结构图。
[0030]图5是表示本发明的交通状态发布方法中的样本的结构图。
[0031]图6是表示本发明的交通状态发布方法中的分类器的训练方法的流程图。
[0032]图7是表示本发明的交通状态发布方法中的分类器的训练方法的示意图。
[0033]图8是表示本发明的交通状态发布方法中的单个分类器的识别的流程图。
[0034]图9是表示本发明的交通状态发布方法中的单个分类器的识别的示意图。
[0035]图10是表示本发明的交通状态发布方法中的多个分类器的加权识别的流程图。
[0036]图11是表示本发明的交通状态发布方法中的多个分类器的加权识别的示意图。
[0037]图12是表示根据本发明的交通状态发布方法的完整的交通信息发布的示意图。
【具体实施方式】
[0038]为使本发明的上述目的、特征和优点更加明显易懂，以下结合附图和具体实施例进一步详细描述本发明。需要说明的是，附图中的各结构只是示意性的而不是限定性的，以使本领域普通技术人员最佳地理解本发明的原理。下面将结合附图对本发明的实施例进行详细说明。
[0039]图1是表示本发明的交通状态发布方法的整体的流程图，该方法包含以下两个主要部分。
[0040]第一部分是有摄像机覆盖路段的交通状态的发布，由于道路被摄像机覆盖，这部分道路的积雪状态根据交通视频监控系统进行发布，即，通过视频监控系统得到道路的积雪状态(步骤101)，具体是根据从有摄像机覆盖路段上设置的摄像机得到的视频图像来识别该路段的道路的积雪状态。如果道路有积雪，则发布道路积雪状态(步骤102);如果道路无积雪，则根据浮动车系统发布道路的拥堵状态(步骤103)。
[0041]第二部分是无摄像机覆盖路段的交通状态的发布，这一部分利用机器学习方法，判断道路是否有积雪。在机器学习方法中，对从有摄像机覆盖路段上选取的多个样本进行训练来获得用于区分道路有无积雪的分类器。进而，利用所获得的分类器来判断无摄像机覆盖路段的道路是否有积雪。如果有积雪，则发布道路积雪状态(步骤102);如果无积雪，则根据浮动车系统发布道路的拥堵状态(步骤103)。
[0042]具体而言，机器学习的过程包括道路特征选取(未示出)、样本选取(步骤108)和分类器训练(步骤109?110)。其中，作为道路特征，选择能够显著区分积雪道路和非积雪道路的特征参数。样本来源于雪天有摄像机覆盖路段，包括实时数据和历史数据。在进行分类器训练时，针对每个特征参数对样本进行训练而得出与该特征参数对应的分类器和该分类器的权重。在进行积雪状态识别(步骤104?107)时，根据分类器及其权重进行加权投票策略来得出道路的积雪状态。
[0043]下面，结合附图对本发明的实施过程作进一步的详细说明。
[0044]1、有摄像机覆盖路段的交通信息发布
[0045]本部分主要介绍有摄像机覆盖路段的交通信息的发布，其流程如图2所示。首先，通过交通视频监控系统(具体是有摄像机覆盖路段上设置的摄像机)得到道路的视频图像(步骤201)。然后，根据得到的视频图像来对有摄像机覆盖路段进行积雪状态识别(步骤202?204)，识别方式可以为人工观测或者是用智能算法进行识别，其中，智能算法例如可以采用现有的积雪识别算法。如果通过观测或智能算法确定出道路有积雪，则发布道路的积雪状态(步骤205)。积雪状态可以用特殊的方式表示，如图3所示，如果道路有积雪则用黑色线条表示(图中用b示出)。如果道路没有积雪，则通过浮动车系统计算道路的拥堵状态，并划分等级发布(步骤206?207)，不同等级可以用不同颜色的线条表示，如图3所示，可以用红色表示拥堵状态(图中用r示出)，黄色表示缓行状态(图中用y示出)，绿色表示畅通状态(图中用g示出)。
[0046]2、无摄像机覆盖路段的交通信息发布
[0047]本部分利用机器学习方法针对无摄像机覆盖路段进行交通信息发布，可以分为四个步骤。第一步骤是根据积雪道路和非积雪道路的特