专利名称：基于特征信息分类的道路雨雪状态自动识别方法
技术领域：
本发明属于智能交通技术领域，涉及图像/视频信息处理与模式识别技术，尤其涉及道路路面雨雪状态自动识别方法。
背景技术：
恶劣气象条件下发生交通事故的频率较高，尤其雨雪天气里的事故率最大，特别是对高速公路而言，降雨和降雪成为导致交通事故的一个主要因素，因此有必要检测道路(高速公路)的路面状态，为交通安全保障和交通管理提供参考依据。检测道路路面状态的传统方法有两种一种是道路路面状态检测车，通过在车辆上安装红外、雷达等传感器，获得道路路面的状态。这种方法需要车辆出发行驶到道路后才可以检测路面雨雪状态，难以适应交通路况的复杂多变以及天气的瞬息万变，在时间和空间上存在很大的局限性。第二种是基于多传感器的道路路面状态检测系统，该技术需要在路侧或者道路下预埋传感器，需要的一次性基础设施投入比较大，并且检测站的设置间隔比较大，大约在IOkm—套，只能检测路段点状有限范围区域的路况，不能完全反映全路段的整体情况，监测信息量小，不宜扩展。因此急需研发一种全新的道路路面雨雪状态自动识别方法。
发明内容
本发明的目的是提供一种基于特征信息分类的道路路面雨雪状态自动识别方法，通过图像处理、图像分析、图像判别实现道路路面雨雪状态自动识别，能够适应天气的瞬息万变和交通路况的复杂多变，检测效率高，准确率高，成本低。为实现上述目的，本发明采用了如下技术方案一种基于特征信息分类的道路雨雪状态自动识别方法，包括步骤(A):样本描述特征提取与贝叶斯分类器构建，步骤(B):检测道路状态，其特征是所述步骤(A)由以下小步骤构成小步骤(Al)，获取样本图像在降雪季节或降雨季节用拍摄设备拍摄待监控道路的路面状态变化，从中选择三段视频，这三段视频分别拍摄到路面状态的三种场景第一种场景是路面干燥场景，第二种场景是路面湿滑场景，第三种场景是路面极滑场景；如果是降雪季节，第一种场景选择未下雪场景，第二种场景选择路面上已出现降雪，但降雪被汽车碾压过后，开始消融，成为雪、水混合状态，路面变得湿滑场景，第三种场景选择路面积雪场景，积雪场景是指路面上已出现降雪，降雪被汽车碾压过后，没有消融，而是成为压实状态，路面变得极滑场景；如果是降雨季节，第一种场景选择未下雨场景，第二种场景选择路面受雨水冲刷变得湿滑，但汽车从路面上行驶过后，车轮没有溅起水花场景，第三种场景选择路面积水场景，积水场景是指汽车从路面上行驶过后，车轮溅起了水花场景；无论是降雪季节或降雨季节，上述路面状态的三种场景中均有交通流信息，将上述拍摄到的干燥、湿滑、极滑路面状态的三种场景的视频逐帧进行提取，分别存储在图像数据处理设备的三个存储单元中，这三个存储单元被命名为干燥道路彩色图像样本存储单元、湿滑道路彩色图像样本存储单元、极滑道路彩色图像样本存储单元；每个道路彩色图像样本存储单元中的图像帧按时间轴排列，从而形成连续图像帧，图像帧的存储形式为矩阵形式；小步骤(A2)，进行图像预处理，小步骤(A2)由以下细分步骤构成，细分步骤(A2-1)，获取灰度图像通过彩色图像向灰度图像的转换公式，将干燥道路彩色图像样本存储单元、湿滑道路彩色图像样本存储单元、极滑道路彩色图像样本存储单元中的图像帧分别转换成灰度图像，并分别存储在三个存储单元中，这三个存储单元分别被命名为干燥道路灰度图像样本存储单元、湿滑道路灰度图像样本存储单元、极滑道路灰度图像样本存储单元；细分步骤(A2-2)，通过图像分割，提取道路区域图像将干燥道路灰度图像样本存储单元、湿滑道路灰度图像样本存储单元、极滑道路灰度图像样本存储单元中每一图像帧分割成两块，这两块分别是中心块和周边块，将周边块去除，只保留中心块，将分割好的只保留中心块的图像帧对应的存储在三个存储单元中，这三个存储单元被命名为干燥道路区域样本存储单元、湿滑道路区域样本存储单元、极滑道路区域样本存储单元；细分步骤(A2-3)，获取图像帧间灰度差依次对干燥道路区域图像样本存储单元、湿滑道路区域图像样本存储单元、极滑道路区域图像样本存储单元中的各个相邻图像帧分别计算帧间灰度差，计算方法是通过矩阵减法对每个存储单元中相邻图像帧对应像素位置处的像素灰度值做差并取绝对值后求和，作为相邻两图像帧的帧差，将帧差分别存储在三个存储单元中，这三个存储单元分别命名为干燥道路区域图像样本帧差存储单元、湿滑道路区域图像样本帧差存储单元、极滑道路区域图像样本帧差存储单元；细分步骤(A2-4)，获取帧差阈值对干燥道路区域图像样本帧差存储单元、湿滑道路区域图像样本帧差存储单元、极滑道路区域图像样本帧差存储单元中所有的帧差取平均值和方差，然后以平均值与两倍方差之和作为阈值，共得到三个阈值，将这三个阈值分别存储在三个存储单元中，这三个存储单元分别命名为干燥道路区域图像样本阈值存储单元、湿滑道路区域图像样本阈值存储单元、极滑道路区域图像样本阈值存储单元；细分步骤(A2-5)，通过自适应阈值法去除车辆干扰，提取道路有效区域图像将干燥道路区域图像样本帧差存储单元、湿滑道路区域图像样本帧差存储单元、极滑道路区域图像样本帧差存储单元中的各图像帧的帧差分别与干燥道路区域图像样本阈值存储单元、湿滑道路区域图像样本阈值存储单元、极滑道路区域图像样本阈值存储单元中的阈值一、一对应的进行比较，如果某一当前图像帧与相邻的上一图像帧的帧差大于阈值，则把该当前图像帧作为车辆出现帧，记录该当前图像帧的位置，然后继续比较，直至将所有道路区域图像样本帧差存储单元中的车辆出现帧找到，将未记录车辆出现帧的其余各图像帧对应存储在三个存储单元中，该三个存储单元被命名为干燥道路有效区域样本图像存储单元、湿滑道路有效区域样本图像存储单元、极滑道路有效区域样本图像存储单元;小步骤(A3)，提取道路有效区域样本图像纹理属性值以及灰度平均值对干燥道路有效区域样本图像存储单元、湿滑道路有效区域样本图像存储单元、极滑道路有效区域样本图像存储单元中的各图像帧的灰度平均值进行计算，接着在O度、90度、135度三个方向上，求取每一图像帧的灰度共生矩阵，并根据灰度共生矩阵，计算每一图像帧的纹理属性值，图像帧的纹理属性值由图像的熵、图像的能量、图像的对比度、图像的自相关、图像的逆差矩组成，然后，将图像帧的纹理属性值以及灰度平均值存储在三个存储单元中，该三个存储单元被命名为干燥道路属性值存储单元、湿滑道路属性值存储单元、极滑道路属性值存储单元；小步骤(A4)，计算道路样本概率密度函数，计算方法是计算干燥道路属性值存储单元中所有图像帧纹理属性值的均值和方差以及灰度平均值的均值和方差，代入高斯分布函数公式中，得到干燥道路图像帧熵、能量、对比度、自相关、逆差矩以及灰度平均值的概率密度函数，将这些概率密度函数存储在一个存储单元中，该存储单元被命名为干燥道路图像概率密度函数存储单元；计算湿滑道路属性值存储单元中所有图像帧纹理属性值的均值和方差以及灰度平均值的均值和方差，代入高斯分布函数公式中，得到湿滑道路图像帧熵、能量、对比度、自相关、逆差矩以及灰度平均值的概率密度函数，将这些概率密度函数存储在一个存储单元中，该存储单元被命名为湿滑道路图像概率密度函数存储单元；计算极滑道路属性值存储单元中所有图像帧纹理属性值的均值和方差以及灰度平均值的均值和方差，代入高斯分布函数公式中，得到极滑道路图像帧熵、能量、对比度、自相关、逆差矩以及灰度平均值的概率密度函数，将这些概率密度函数存储在一个存储单元中，该存储单元被命名为极滑道路图像概率密度函数存储单元；小步骤(A5)，确定类条件概率密度函数运算规则，构建贝叶斯分类器以干燥道路图像概率密度函数存储单元中所有概率密度函数的联乘作为第一个运算规则；以湿滑道路图像概率密度函数存储单元中所有概率密度函数的联乘作为第二个运算规则；以极滑道路图像概率密度函数存储单元中所有概率密度函数的联乘作为第三个运算规则；将第一、第二、第三个运算规则存储在一个存储单元中，该存储单元被命名为道路路面状态判别存储单元；所述步骤(B)由以下小步骤组成小步骤(BI)，获取道路检测图像用拍摄设备拍摄待监控道路，按照设定的时间间隔截取视频流中的一段视频，并对该段视频的图像逐帧进行提取，存储在图像数据处理设备的一个存储单元中，这个存储单元被命名为道路检测彩色图像存储单元，存储时，图像帧按时间轴排列，从而形成连续的图像帧，图像帧的存储形式为矩阵形式；小步骤(B2)，进行图像预处理，小步骤(B2)由以下细分步骤构成，细分步骤(B2-1)，获取灰度图像，通过彩色图像向灰度图像转换公式，将道路检测彩色图像存储单元中的图像帧转换成灰度图像，并存储在一个存储单元中，该存储单元被命名为道路检测灰度图像存储单元；细分步骤(B2-2)，通过图像分割，提取道路区域图像
将道路检测灰度图像存储单元中每一图像帧都分割成两块，这两块分别是中心块和周边块，将周边块去除，只保留中心块，将分割好的只保留中心块的图像帧存储在一个存储单元中，这个存储单元被命名为道路区域检测图像存储单元；细分步骤(B2-3)，获取图像帧间灰度差对道路区域检测图像存储单元中的相邻图像帧计算帧差，计算方法是用矩阵减法对相邻图像帧对应像素位置处的像素灰度值做差并取绝对值，计算所有像素对应位置处差值绝对值之和，作为相邻两图像帧的帧差，将帧差存储在一个存储单元中，这个存储单元分别命名为道路区域检测图像帧差存储单元；细分步骤(B2-4)，获取帧差阈值对道路区域检测图像帧差存储单元中所有的帧差取平均值和方差，然后以平均值与两倍方差之和作为阈值，这个阈值存储在一个存储单元中，这个存储单元被命名为道路区域检测图像阈值存储单元；细分步骤(B2-5)，通过自适应阈值法去除车辆干扰，提取道路有效区域图像将道路区域检测图像帧差存储单元中各相邻的图像帧的帧差与道路区域检测图像阈值存储单元中的阈值进行比较，如果某一当前图像帧与相邻的上一图像帧的帧差大于阈值，则把该当前图像帧作为车辆出现帧，记录该当前图像帧的位置，然后继续比较，直至将道路区域检测图像帧差存储单元中所有的车辆出现帧找到，将未记录车辆出现帧的其余各图像帧存储在一个存储单元中，该存储单元被命名为道路有效区域检测图像存储单元；小步骤(B3)，提取道路检测基准图像帧纹理属性值和灰度平均值从道路有效区域检测图像存储单元中任意抽取一图像帧作为检测基准图像帧，对该检测基准图像帧的灰度平均值进行计算，接着在O度、90度、135度三个方向上，求取该检测基准图像帧的灰度共生矩阵，并根据灰度共生矩阵，计算该检测基准图像帧的纹理属性值，纹理属性值由图像的熵、图像的能量、图像的对比度、图像的自相关、图像的逆差矩组成，将检测基准图像帧的纹理属性值和灰度平均值存储在一个存储单元中，该存储单元被命名为道路检测基准图像帧属性值存储单元；小步骤(B4)，判别道路路面状态从道路检测基准图像帧属性值存储单元中取出纹理属性值和灰度平均值代入道路路面状态判别存储单元中，按照该存储单元中的第一、第二、第三运算规则分别进行运算，得到三个运算结果分别对应道路区域检测图像属于干燥、湿滑、极滑这三类道路状态的概率值，选取其中最大概率值所对应的道路路面状态类别作为被检测道路所属类别。本发明的创新之处在于1.用图像识别技术代替传统的传感器识别技术，检测雨雪天气条件下道路路面状态，能够适应天气的瞬息万变和交通路况的复杂多变，检测效率高，准确率高，成本低。2.在众多的图像识别模型中，选用了贝叶斯估计做为图像识别的数学模型，贝叶斯概率公式为
权利要求
1.一种基于特征信息分类的道路雨雪状态自动识别方法，包括步骤(A):样本描述特征提取与贝叶斯分类器构建，步骤(B):检测道路状态， 其特征是所述步骤(A)由以下小步骤构成 小步骤(Al)，获取样本图像 在降雪季节或降雨季节用拍摄设备拍摄待监控道路的路面状态变化，从中选择三段视频，这三段视频分别拍摄到路面状态的三种场景第一种场景是路面干燥场景，第二种场景是路面湿滑场景，第三种场景是路面极滑场景； 如果是降雪季节，第一种场景选择未下雪场景，第二种场景选择路面上已出现降雪，但降雪被汽车碾压过后，开始消融，成为雪、水混合状态，路面变得湿滑场景，第三种场景选择路面积雪场景，积雪场景是指路面上已出现降雪，降雪被汽车碾压过后，没有消融，而是成为压实状态，路面变得极滑场景； 如果是降雨季节，第一种场景选择未下雨场景，第二种场景选择路面受雨水冲刷变得湿滑，但汽车从路面上行驶过后，车轮没有溅起水花场景，第三种场景选择路面积水场景，积水场景是指汽车从路面上行驶过后，车轮溅起了水花场景； 无论是降雪季节或降雨季节，上述路面状态的三种场景中均有交通流信息，将上述拍摄到的干燥、湿滑、极滑路面状态的三种场景的视频逐帧进行提取，分别存储在图像数据处理设备的三个存储单元中，这三个存储单元被命名为干燥道路彩色图像样本存储单元、湿滑道路彩色图像样本存储单元、极滑道路彩色图像样本存储单元；每个道路彩色图像样本存储单元中的图像帧按时间轴排列，从而形成连续图像帧，图像帧的存储形式为矩阵形式； 小步骤(A2)，进行图像预处理，小步骤(A2)由以下细分步骤构成， 细分步骤(A2-1)，获取灰度图像 通过彩色图像向灰度图像的转换公式，将干燥道路彩色图像样本存储单元、湿滑道路彩色图像样本存储单元、极滑道路彩色图像样本存储单元中的图像帧分别转换成灰度图像，并分别存储在三个存储单元中，这三个存储单元分别被命名为干燥道路灰度图像样本存储单元、湿滑道路灰度图像样本存储单元、极滑道路灰度图像样本存储单元； 细分步骤(A2-2)，通过图像分割，提取道路区域图像 将干燥道路灰度图像样本存储单元、湿滑道路灰度图像样本存储单元、极滑道路灰度图像样本存储单元中每一图像帧分割成两块，这两块分别是中心块和周边块，将周边块去除，只保留中心块，将分割好的只保留中心块的图像帧对应的存储在三个存储单元中，这三个存储单元被命名为干燥道路区域样本存储单元、湿滑道路区域样本存储单元、极滑道路区域样本存储单元； 细分步骤(A2-3)，获取图像帧间灰度差 依次对干燥道路区域图像样本存储单元、湿滑道路区域图像样本存储单元、极滑道路区域图像样本存储单元中的各个相邻图像帧分别计算帧间灰度差，计算方法是通过矩阵减法对每个存储单元中相邻图像帧对应像素位置处的像素灰度值做差并取绝对值后求和，作为相邻两图像帧的帧差，将帧差分别存储在三个存储单元中，这三个存储单元分别命名为 干燥道路区域图像样本帧差存储单元、湿滑道路区域图像样本帧差存储单元、极滑道路区域图像样本帧差存储单元； 细分步骤(A2-4)，获取帧差阈值 对干燥道路区域图像样本帧差存储单元、湿滑道路区域图像样本帧差存储单元、极滑道路区域图像样本帧差存储单元中所有的帧差取平均值和方差，然后以平均值与两倍方差之和作为阈值，共得到三个阈值，将这三个阈值分别存储在三个存储单元中，这三个存储单元分别命名为干燥道路区域图像样本阈值存储单元、湿滑道路区域图像样本阈值存储单元、极滑道路区域图像样本阈值存储单元； 细分步骤(A2-5)，通过自适应阈值法去除车辆干扰，提取道路有效区域图像 将干燥道路区域图像样本帧差存储单元、湿滑道路区域图像样本帧差存储单元、极滑道路区域图像样本帧差存储单元中的各图像帧的帧差分别与干燥道路区域图像样本阈值存储单元、湿滑道路区域图像样本阈值存储单元、极滑道路区域图像样本阈值存储单元中的阈值一、一对应的进行比较，如果某一当前图像帧与相邻的上一图像帧的帧差大于阈值，则把该当前图像帧作为车辆出现帧，记录该当前图像帧的位置，然后继续比较，直至将所有道路区域图像样本帧差存储单元中的车辆出现帧找到，将未记录车辆出现帧的其余各图像帧对应存储在三个存储单元中，该三个存储单元被命名为干燥道路有效区域样本图像存储单元、湿滑道路有效区域样本图像存储单元、极滑道路有效区域样本图像存储单元； 小步骤(A3)，提取道路有效区域样本图像纹理属性值以及灰度平均值 对干燥道路有效区域样本图像存储单元、湿滑道路有效区域样本图像存储单元、极滑道路有效区域样本图像存储单元中的各图像帧的灰度平均值进行计算，接着在O度、90度、135度三个方向上，求取每一图像帧的灰度共生矩阵，并根据灰度共生矩阵，计算每一图像帧的纹理属性值，图像帧的纹理属性值由图像的熵、图像的能量、图像的对比度、图像的自相关、图像的逆差矩组成，然后，将图像帧的纹理属性值以及灰度平均值存储在三个存储单元中，该三个存储单元被命名为干燥道路属性值存储单元、湿滑道路属性值存储单元、极滑道路属性值存储单元； 小步骤(A4)，计算道路样本概率密度函数，计算方法是 计算干燥道路属性值存储单元中所有图像帧纹理属性值的均值和方差以及灰度平均值的均值和方差，代入高斯分布函数公式中，得到干燥道路图像帧熵、能量、对比度、自相关、逆差矩以及灰度平均值的概率密度函数，将这些概率密度函数存储在一个存储单元中，该存储单元被命名为干燥道路图像概率密度函数存储单元； 计算湿滑道路属性值存储单元中所有图像帧纹理属性值的均值和方差以及灰度平均值的均值和方差，代入高斯分布函数公式中，得到湿滑道路图像帧熵、能量、对比度、自相关、逆差矩以及灰度平均值的概率密度函数，将这些概率密度函数存储在一个存储单元中，该存储单元被命名为湿滑道路图像概率密度函数存储单元； 计算极滑道路属性值存储单元中所有图像帧纹理属性值的均值和方差以及灰度平均值的均值和方差，代入高斯分布函数公式中，得到极滑道路图像帧熵、能量、对比度、自相关、逆差矩以及灰度平均值的概率密度函数，将这些概率密度函数存储在一个存储单元中，该存储单元被命名为极滑道路图像概率密度函数存储单元； 小步骤(A5)，确定类条件概率密度函数运算规则，构建贝叶斯分类器以干燥道路图像概率密度函数存储单元中所有概率密度函数的联乘作为第一个运算规则；以湿滑道路图像概率密度函数存储单元中所有概率密度函数的联乘作为第二个运算规则；以极滑道路图像概率密度函数存储单元中所有概率密度函数的联乘作为第三个运算规则；将第一、第二、第三个运算规则存储在一个存储单元中，该存储单元被命名为道路路面状态判别存储单元; 所述步骤(B)由以下小步骤组成 小步骤(B1)，获取道路检测图像用拍摄设备拍摄待监控道路，按照设定的时间间隔截取视频流中的一段视频，并对该段视频的图像逐帧进行提取，存储在图像数据处理设备的一个存储单元中，这个存储单元被命名为道路检测彩色图像存储单元，存储时，图像帧按时间轴排列，从而形成连续的图像帧，图像帧的存储形式为矩阵形式； 小步骤(B2)，进行图像预处理，小步骤(B2)由以下细分步骤构成， 细分步骤(B2-1 )，获取灰度图像，通过彩色图像向灰度图像转换公式，将道路检测彩色图像存储单元中的图像帧转换成灰度图像，并存储在一个存储单元中，该存储单元被命名为道路检测灰度图像存储单元； 细分步骤(B2-2)，通过图像分割，提取道路区域图像 将道路检测灰度图像存储单元中每一图像帧都分割成两块，这两块分别是中心块和周边块，将周边块去除，只保留中心块，将分割好的只保留中心块的图像帧存储在一个存储单元中，这个存储单元被命名为道路区域检测图像存储单元； 细分步骤(B2-3)，获取图像帧间灰度差 对道路区域检测图像存储单元中的相邻图像帧计算帧差，计算方法是用矩阵减法对相邻图像帧对应像素位置处的像素灰度值做差并取绝对值，计算所有像素对应位置处差值绝对值之和，作为相邻两图像帧的帧差，将帧差存储在一个存储单元中，这个存储单元分别命名为道路区域检测图像帧差存储单元； 细分步骤(B2-4)，获取帧差阈值 对道路区域检测图像帧差存储单元中所有的帧差取平均值和方差，然后以平均值与两倍方差之和作为阈值，这个阈值存储在一个存储单元中，这个存储单元被命名为道路区域检测图像阈值存储单元； 细分步骤(B2-5)，通过自适应阈值法去除车辆干扰，提取道路有效区域图像 将道路区域检测图像帧差存储单元中各相邻的图像帧的帧差与道路区域检测图像阈值存储单元中的阈值进行比较，如果某一当前图像帧与相邻的上一图像帧的帧差大于阈值，则把该当前图像帧作为车辆出现帧，记录该当前图像帧的位置，然后继续比较，直至将道路区域检测图像帧差存储单元中所有的车辆出现帧找到，将未记录车辆出现帧的其余各图像帧存储在一个存储单元中，该存储单元被命名为道路有效区域检测图像存储单元；小步骤(B3)，提取道路检测基准图像帧纹理属性值和灰度平均值 从道路有效区域检测图像存储单元中任意抽取一图像帧作为检测基准图像帧，对该检测基准图像帧的灰度平均值进行计算，接着在O度、90度、135度三个方向上，求取该检测基准图像帧的灰度共生矩阵，并根据灰度共生矩阵，计算该检测基准图像帧的纹理属性值，纹理属性值由图像的熵、图像的能量、图像的对比度、图像的自相关、图像的逆差矩组成，将检测基准图像帧的纹理属性值和灰度平均值存储在一个存储单元中，该存储单元被命名为道路检测基准图像帧属性值存储单元；小步骤(B4)，判别道路路面状态· 从道路检测基准图像帧属性值存储单元中取出纹理属性值和灰度平均值代入道路路面状态判别存储单元中，按照该存储单元中的第一、第二、第三运算规则分别进行运算，得到三个运算结果分别对应道路区域检测图像属于干燥、湿滑、极滑这三类道路状态的概率值，选取其中最大概率值所对应的道路路面状态类别作为被检测道路所属类别。
全文摘要
一种基于特征信息分类的道路雨雪状态自动识别方法，包括步骤A样本描述特征提取与贝叶斯分类器构建；步骤B检测道路状态；步骤A包括小步骤A1，获取样本图像；小步骤A2，进行图像预处理；小步骤A3，提取道路有效区域样本图像纹理属性值以及灰度平均值；小步骤A4，计算道路样本概率密度函数；小步骤A5，确定类条件概率密度函数运算规则，构建贝叶斯分类器；步骤B包括小步骤B1，获取道路检测图像；小步骤B2，进行图像预处理；小步骤B3，提取道路检测基准图像帧纹理属性值和灰度平均值；小步骤B4，判别道路路面状态；本方法能够适应各种天气变化和交通路况的复杂多变，检测效率高，准确率高，成本低，从而为交通安全保障和交通管理提供参考依据。
文档编号G06K9/62GK103034862SQ20121054547
公开日2013年4月10日 申请日期2012年12月14日 优先权日2012年12月14日
发明者王文, 孙中华, 张春雨, 贾克斌, 杜戈, 苏勇, 杨振邦, 白雪, 徐玉春, 桑苗杰, 邵力, 刘国法, 张 杰, 李建民, 王东升, 杨明洁, 李蕊 申请人:北京诚达交通科技有限公司, 北京工业大学