Resumen

El mal estado de las carreteras es la principal causa de accidentes de tráfico. El reconocimiento del estado del firme de la carretera a partir de imágenes de vídeo se ha convertido en un tema central. Sin embargo, la superficie de la carretera híbrida y la superficie de la carretera bajo diferentes entornos de iluminación son dos problemas cruciales. En este trabajo, los estados de la superficie de la carretera se clasifican en 5 tipos: seco, mojado, nieve, hielo y agua. A continuación, según el tamaño de la imagen original, se segmentan las imágenes; se extraen vectores propios de color de 9 dimensiones y 4 vectores propios de textura para construir una base de datos de características del estado de la superficie de la carretera. A continuación, se propone un método de reconocimiento del estado del firme basado en SVM (Support Vector Machine). Con el fin de mejorar la precisión del reconocimiento y la universalidad, se utiliza un algoritmo de búsqueda de cuadrícula y un algoritmo PSO (Particle Swarm Optimization) para optimizar el factor de función del núcleo y el factor de penalización de la SVM. Por último, se prueba un gran número de imágenes reales del firme de carreteras en distintos entornos. Los resultados muestran que el método basado en SVM y segmentación de imágenes es viable. La precisión del algoritmo PSO es superior al 90%, lo que resuelve eficazmente el problema del reconocimiento del estado de la superficie de la carretera bajo la condición de escenas de vídeo híbridas o diferentes.

• Materias:Transporte urbano Señales de control de tráfico Accidentes de transito Planificación de ruta Capacidad de tráfico
• Subjects:Urban transport Traffic control signs Traffic accidents Path planning Traffic capacity
• Palabras claves:svm, reconocimiento del estado de la superficie de la carretera, imágenes reales de la superficie de la carretera, base de datos de características del estado de la superficie de la carretera, reconocimiento del estado de la superficie de la carretera, estado adverso de la carretera, optimización por enjambre de partículas, máquina de vectores soporte, diferentes entornos de iluminación, diferentes escenas de vídeo
• Keywords:svm, road surface condition recognition, actual road surface images, road surface state characteristics database, road surface state recognition, adverse road condition, particle swarm optimization, support vector machine, different lighting environments, different video scenes