本發(fā)明涉及公路氣象監(jiān)測(cè)領(lǐng)域，尤其是涉及一種基于圖像視頻的路況檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、傳統(tǒng)的路況監(jiān)測(cè)手段主要包括人工巡邏檢查、車載傳感器監(jiān)測(cè)以及衛(wèi)星遙感技術(shù)。人工巡邏是最直觀的方式，但受限于人力資源的投入和效率低下，難以實(shí)現(xiàn)大規(guī)模、高頻次的連續(xù)監(jiān)測(cè)，且受人為因素影響較大。車載傳感器，如溫度、濕度傳感器，雖然能夠提供某些路段的實(shí)時(shí)數(shù)據(jù)，但覆蓋范圍有限，且缺乏對(duì)路面宏觀狀況的直觀判斷，尤其在識(shí)別路面濕滑、積雪等表象時(shí)能力不足。衛(wèi)星遙感技術(shù)雖能從宏觀層面提供大面積的路面狀況信息，但受云層遮擋、分辨率限制，難以在夜間或低能見度條件下作業(yè)，且更新頻率低，無法滿足即時(shí)性需求。

2、近年來，隨著計(jì)算機(jī)視覺技術(shù)和人工智能算法的飛速發(fā)展，圖像視頻分析技術(shù)逐漸被引入到路況監(jiān)測(cè)領(lǐng)域。然而，早期嘗試面臨諸多挑戰(zhàn)：圖像質(zhì)量受光照、天氣、拍攝角度、遮擋物等影響極大，直接影響識(shí)別準(zhǔn)確性；圖像處理算法復(fù)雜度高，實(shí)時(shí)性差，難以滿足快速響應(yīng)需求；路面狀況的多樣性(如濕滑、積雪、結(jié)冰等)給圖像特征提取帶來難度。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)問題，本發(fā)明提供基于圖像視頻的路況檢測(cè)方法及系統(tǒng)。

2、為了達(dá)到上述目的，本發(fā)明采用了以下方法：

3、一種基于圖像視頻的路況檢測(cè)方法，包括以下步驟：

4、步驟1、采樣區(qū)設(shè)計(jì)與布局：在公路最外側(cè)的行車道或應(yīng)急車道上設(shè)置采樣區(qū)，采樣區(qū)內(nèi)置不同的彩色采樣塊，不同色塊間之間設(shè)置有間距；

5、步驟2、圖像采集裝置的部署與配置：在公路上安裝圖像采集裝置，對(duì)所述采樣區(qū)進(jìn)行采樣，將采樣的圖片上傳；

6、步驟3、圖像預(yù)處理與糾偏：分析采樣區(qū)的色塊布局，進(jìn)行圖像的旋轉(zhuǎn)、縮放糾偏，確保圖像正向，同時(shí)計(jì)算圖片比例參數(shù)，為后續(xù)處理提供基礎(chǔ)；

7、步驟4、像素識(shí)別與特征提?。夯谝阎珘K位置和顏色，通過rgb像素分析，識(shí)別色塊的像素變化，考慮光照影響進(jìn)行校正，提取因覆蓋物、天氣引起的顏色和亮度變化特征；

8、步驟5、路況識(shí)別與輸出：結(jié)合標(biāo)準(zhǔn)基礎(chǔ)圖片庫對(duì)圖片進(jìn)行識(shí)別，判斷路面狀況并輸出。

9、作為本發(fā)明的優(yōu)選，所述步驟5的具體方法為：

10、采集到的路況圖片數(shù)據(jù)首先通過統(tǒng)計(jì)算法檢測(cè)識(shí)別，而統(tǒng)計(jì)算法不能直接判斷出路況類別的圖片則通過機(jī)器學(xué)習(xí)算法進(jìn)行檢測(cè)識(shí)別；

11、統(tǒng)計(jì)算法對(duì)一些特征進(jìn)行對(duì)比、統(tǒng)計(jì)，并設(shè)定閾值，然后根據(jù)閾值與對(duì)比、統(tǒng)計(jì)結(jié)果直接判斷路況圖片類別，所述統(tǒng)計(jì)算法包括對(duì)標(biāo)比對(duì)法和色變識(shí)別法；

12、所述標(biāo)比對(duì)法為：當(dāng)前圖像與最新臨近時(shí)間點(diǎn)的標(biāo)準(zhǔn)庫圖片進(jìn)行比較，當(dāng)差異系數(shù)低于某一閾值時(shí)，視為基礎(chǔ)圖片對(duì)應(yīng)的路面狀況值；

13、所述色變識(shí)別法為：當(dāng)某色塊的色彩發(fā)生明確改變時(shí)，且改變的對(duì)應(yīng)因素也是明確的，則直接判定為相應(yīng)的路面狀況；

14、所述機(jī)器學(xué)習(xí)算法具體為：

15、將當(dāng)前圖像與最新臨近時(shí)間點(diǎn)的標(biāo)準(zhǔn)庫圖片進(jìn)行比較，當(dāng)差異系數(shù)低于某一閾值時(shí)，視為基礎(chǔ)圖片對(duì)應(yīng)的路面狀況值，給出初步判斷；

16、在初步判斷的基礎(chǔ)上當(dāng)某色塊的色彩發(fā)生明確改變時(shí)；

17、對(duì)輸入的圖像進(jìn)行像素級(jí)處理和特征提取，然后與訓(xùn)練好的模型比對(duì)，輸出概率最高的路面狀況

18、通過圖片像素級(jí)的處理和特征提取，通過與已建的標(biāo)準(zhǔn)基礎(chǔ)圖片庫的識(shí)別訓(xùn)練，建立路面狀況智能識(shí)別模型，與訓(xùn)練好的模型比對(duì)，輸出概率最高的路面狀況。

19、作為本發(fā)明的優(yōu)選，所述步驟5的還包括對(duì)異常數(shù)據(jù)進(jìn)行處理，具體為：

20、在圖像處理中，如發(fā)現(xiàn)采樣區(qū)有局部出現(xiàn)突變，且判斷不是氣象條件影響的，記錄其像素集，在以后的圖片處理中自動(dòng)剔除；

21、當(dāng)判斷圖片中的采樣區(qū)被車輛、人、貨物遮蔽時(shí)，本次檢測(cè)自動(dòng)放棄，保存記錄，再重新抓取新的圖片。

22、作為本發(fā)明的優(yōu)選，所述步驟1中采樣區(qū)大小為2000*1200mm，其內(nèi)設(shè)置3塊大小相同的分類采樣塊，每塊大小為800*400mm，每塊均涂上不同色的色彩，3塊之間均相距200mm，四周邊均保留200mm的相隔間距。

23、作為本發(fā)明的優(yōu)選，所述圖像采集裝置位于公路外側(cè)，與外護(hù)欄間距約500-1000mm，位于采樣區(qū)來車方向0-1000mm點(diǎn)位；或所述圖像采集裝安裝在龍門架，采樣區(qū)位于龍門架下的行車下方位。

24、作為本發(fā)明的優(yōu)選，所述采樣圖片上傳的頻率為1幅圖片/分鐘，在無降水天氣條件下，采樣圖片上傳的頻率為1幅圖片/5-10分鐘。

25、作為本發(fā)明的優(yōu)選，所述標(biāo)準(zhǔn)基礎(chǔ)圖片庫建立包括：建立當(dāng)前時(shí)節(jié)下的一日中若干時(shí)間點(diǎn)的標(biāo)準(zhǔn)基礎(chǔ)圖片，若干時(shí)間點(diǎn)包括日出時(shí)間點(diǎn)、10點(diǎn)、15點(diǎn)、日落時(shí)間點(diǎn)、22點(diǎn)；在確定了天氣條件及路面狀況下，及時(shí)獲取相應(yīng)圖片及時(shí)間點(diǎn)，作為路面狀況的分類標(biāo)準(zhǔn)基礎(chǔ)庫圖片。

26、作為本發(fā)明的優(yōu)選，所述路面狀況輸出情況包括：路面干燥、潮濕、積水、冰雪水混合、積雪、結(jié)冰。

27、本發(fā)明還公開了基于圖像視頻的路況檢測(cè)方法的系統(tǒng)，包括：

28、圖像采集模塊，用于對(duì)采樣區(qū)進(jìn)行采樣，將采樣的圖片上傳；

29、圖像預(yù)處理與糾偏模塊，用于分析采樣區(qū)的色塊布局，進(jìn)行圖像的旋轉(zhuǎn)、縮放糾偏，確保圖像正向，同時(shí)計(jì)算圖片比例參數(shù)，為后續(xù)處理提供基礎(chǔ)；

30、像素識(shí)別與特征提取模塊：基于已知色塊位置和顏色，通過rgb像素分析，識(shí)別色塊的像素變化，考慮光照影響進(jìn)行校正，提取因覆蓋物、天氣引起的顏色和亮度變化特征；

31、路況識(shí)別與輸出，用于結(jié)合標(biāo)準(zhǔn)基礎(chǔ)圖片庫對(duì)圖片進(jìn)行識(shí)別，判斷路面狀況并輸出。

32、綜上所述，本發(fā)明專利包括以下至少一種有益技術(shù)效果：

33、1、本發(fā)明的基于圖像視頻的路況檢測(cè)方法與系統(tǒng)，顯著提高了路況監(jiān)測(cè)的自動(dòng)化程度和準(zhǔn)確性，降低了人力成本，增強(qiáng)了道路安全預(yù)警能力。特別是在夜間、惡劣天氣或大范圍路網(wǎng)監(jiān)控中，該系統(tǒng)能夠提供及時(shí)、準(zhǔn)確的路況信息，為交通管理部門提供科學(xué)決策支持，提升道路維護(hù)效率和公眾出行的安全保障。

34、2、本發(fā)明通過多色塊采樣設(shè)計(jì)，將采樣區(qū)細(xì)分為三個(gè)色塊，每塊涂以獨(dú)特顏色標(biāo)記，形成多維信息采集矩陣，不僅突破了傳統(tǒng)單一色塊或無標(biāo)記的局限，而且利用色塊間的對(duì)比與變化，大大增強(qiáng)了對(duì)不同路面狀況的敏感性和識(shí)別精度，如濕滑、積雪、積水、結(jié)冰等。

35、3、本發(fā)明通過結(jié)合圖像采集的精準(zhǔn)定位和智能算法，系統(tǒng)在圖像處理中引入了先進(jìn)的糾偏、比例計(jì)算、像素識(shí)別技術(shù)，以及多因素綜合分析，這種深度融合技術(shù)通過分析色塊在不同光照、角度下的變化，構(gòu)建的像素級(jí)處理模型，實(shí)現(xiàn)對(duì)路面狀況的智能快速準(zhǔn)確識(shí)別，解決了傳統(tǒng)方法在復(fù)雜環(huán)境條件下的識(shí)別難題，如夜間、低光、雨霧天等。

36、4、本發(fā)明通過機(jī)器學(xué)習(xí)算法，將圖像數(shù)據(jù)與基礎(chǔ)圖片庫的識(shí)別訓(xùn)練相結(jié)合，形成動(dòng)態(tài)學(xué)習(xí)模型，不僅提高了識(shí)別的精度，而且建立了自適應(yīng)性。該模型能夠?qū)W習(xí)并適應(yīng)不同季節(jié)、時(shí)段的路面變化，以及新出現(xiàn)的遮擋、路面狀況，如裂縫、坑洼等，自動(dòng)排除干擾，持續(xù)優(yōu)化識(shí)別能力，保證了路面狀況監(jiān)測(cè)的連續(xù)性和可靠性。