基于機器視覺的路面濕滑狀況判別研究.pdf

1、不利天氣下濕滑道路極大地影響道路交通安全和運輸效率，而獲取道路濕滑狀況信息是不利天氣下道路交通安全預警與控制的基礎(chǔ)，因此探索高效的道路濕滑狀況判別技術(shù)對保障不利天氣下道路安全具有重要意義。目前，常用的路面狀況判別手段為人工或運用路面?zhèn)鞲衅鳈z測。由于人工檢測主觀性強、勞動量大以及路面?zhèn)鞲衅魇褂镁S護不便利、價格高，運用圖像模式識別技術(shù)進行濕滑路面判別已成為不利天氣下道路交通安全保障技術(shù)研究熱點。 路面濕滑狀況種類繁多，路面濕滑狀況圖

2、像內(nèi)容復雜，路面不具有明顯的形狀和顏色特征，樣本數(shù)目的限制等一系列因素，導致分類準確性與泛化能力低。因此，如何提取并約簡路面圖像空域與頻域圖像特征，如何利用有限的樣本設(shè)計高效、泛化性好的路況圖像識別分類器是當前研究的核心問題。針對上述存在的問題，本文提出路面濕滑狀況判別實驗系統(tǒng)方案，并通過圖像分析和特征選擇并優(yōu)化特征向量，同時運用目前分類性能較優(yōu)的支持向量機和神經(jīng)網(wǎng)絡(luò)思想設(shè)計分類器。本文通過實驗過程和結(jié)果對分類器的穩(wěn)定性、分類效率、分類

3、準確性以及泛化能力進行評估，分析分類器的優(yōu)劣及其性能改善方法，為下一步研究如何選取并改善分類器從而為道路濕滑狀況判別的實用化提供理論基礎(chǔ)。 路面濕滑狀況判別分為兩步，即特征選擇和分類器設(shè)計。 特征選擇是路面濕滑狀況判別的基礎(chǔ)。首先對路況圖像樣本進行預處理，包括圖像灰度化、圖像去噪、圖像幾何校正和圖像分割；其次用基于內(nèi)容的特征提取方法選擇路況圖像樣本的灰度特征、結(jié)構(gòu)特征和紋理特征，并通過離線方式用Tabu搜索和主成分分析法

4、（PCA）提取有效特征并降維，同時運用基于類內(nèi)類間距離的可分性判據(jù)選取最有效的低維特征。路況圖像樣本特征分析表明：灰度方差值、2階hu不變矩、灰度共生矩陣特征、功率譜特征和Gabor紋理特征組成的特征矢量是最優(yōu)特征解。 分類器設(shè)計是路面濕滑狀況判別的核心。鑒于路況復雜很難窮盡路面圖像，且路面圖像分類也是一種非線性的模式識別問題，本文運用支持向量機和神經(jīng)網(wǎng)絡(luò)進行分類器設(shè)計研究。由于支持向量機分類器在小樣本、非線性及高維模式識別問題

5、上表現(xiàn)出許多特別的優(yōu)勢，實驗中通過One—Agains—All（OAO）、One—Agains-One（OAA）和Binary-classSVM（BSVM）算法分別用線性內(nèi)核函數(shù)、多項式內(nèi)核函數(shù)、徑向基函數(shù)內(nèi)核函數(shù)、Sigmoid內(nèi)核函數(shù)對8種不同濕滑狀況的路面進行分類研究。同時考慮到徑向基神經(jīng)網(wǎng)絡(luò)（RBFNN）學習速度快，網(wǎng)絡(luò)函數(shù)的逼近能力較強，而徑向基概率神經(jīng)網(wǎng)絡(luò)（PNN）收斂于一個貝葉斯分類器，泛化性能好，因此實驗中選取RBF和P

6、NN作為神經(jīng)網(wǎng)絡(luò)分類器。濕滑道路圖像判別實驗結(jié)果表明：在多特征輸入多類輸出的分類器設(shè)計中（本實驗是2個主成分特征輸入，8類結(jié)果輸出），運用以上兩種分類器進行濕滑路面判別正確率在70％～80％。SVM的分類正確率在70％～75％左右，并且很大程度上樣本的質(zhì)量和數(shù)量決定了SVM的性能，其核函數(shù)對分類性能的影響較弱。PNN的整體性能較優(yōu)，其泛化性能力和分類準確率占有較大優(yōu)勢，分類正確率為75％～80％。而RBF網(wǎng)絡(luò)雖然訓練誤差小，但是其分類準