CN103034862B - 基于特征信息分类的道路雨雪状态自动识别方法 - Google Patents

Abstract

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。

Description

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10km一套，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（A1），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0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0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：

$P\left(C_i\right|x)=\frac{P\left(C_i\right)P\left(x\right|C_i)}{\underset{j=1}{\overset{k}{\mathrm{\Σ}}}P\left(x\right|C_j)P\left(C_j\right)}=\frac{P\left(C_i\right)P\left(x\right|C_i)}{P\left(x\right)},$

其中P(C_i)为已知类别时，各类别图像比例，P(x|C_i)为已知类别图像的特征值的先验概率，P(C_i|x)为未知图像的特征值所属类别的后验概率，算出其后验概率，选择具有最大后验概率的类（P(C_i|X)>P(C_i|X)，j≠i）作为该图像所属的类。在进行先验概率P(x|C_i)计算时，每幅图像由若干特征表示，可以将特征值做条件相互独立处理，特征值的概率分布情况按照概率密度函数乘积处理： $P\left(X\right|C_i)=\underset{k=1}{\overset{n}{\mathrm{\Π}}}P\left(x_k\right|C_i).$

在先验知识充足的条件下，贝叶斯估计分类结果是最优的，相对于其它的图像识别技术，如择多判决法、线性加权法、证据推理法、模糊推理法、神经网络组合法来说，贝叶斯估计分类结果错误率最小，本发明正是利用这一特点，首先构建贝叶斯分类器，然后进行道路路面状态判别。

3．为了构建贝叶斯分类器，要进行图像样本分类、图像处理和图像分析，由于本发明的道路雨雪状态自动识别方法，主要是对高速公路而言，识别的目的是为交通安全保障和交通管理提供参考依据，为雨雪天气的交通预警提供技术支持，在高速公路的交通预警方面，最关心的是路面是否因雨雪出现湿滑，以及湿滑的发展趋势，如果湿滑的程度持续增加，向积水或积雪方面发展，则应考虑暂时关闭高速公路，如果湿滑的程度是逐步减弱，则不需要关闭高速公路。图像样本的分类（场景选择）实际上是建立图像特征和道路路面状态的对应关系，本发明通过人工进行图像样本分类，从而构成样本训练集，这种作法结合了道路图像视觉信息和人的判别习惯，分类准确，大大提高了对高速公路路面状态的识别效果。

在图像处理方面，要考虑两个问题，第一是道路区域外部周边范围静止图像信息的干扰，第二是道路区域内部范围运动图像信息的干扰。道路区域是指高速公路上的车道，高速公路图像有一个特点，就是道路区域内部范围的图像信息并不复杂，只有静止图像信息和运动图像信息，静止图像信息就是道路背景（路面），运动图像信息就是随机出现行驶经过的车辆，而道路区域外部范围内的图像信息确很复杂，可能是山坡、水沟、绿化带、隔离带等，如果它们也作为静止的背景图像参与运算，则会大大增加运算量，而且，每到降雪季节，道路区域内部路面的降雪由于被车轮反复碾压，所以可能很快融化，而道路区域外部的山坡、绿化带、隔离带内的降雪可能要持续一段时间才能融化，在自然光照条件下，其亮度很高，如果不预先滤除，则会出现干扰，形成误判，同理，每到降雨季节，道路区域外部的水沟可能会蓄满水，如果不预先滤除，也会出现干扰，形成误判，由于摄像机是架设在龙门架上，摄像机位于道路中间位置，所以，滤除道路区域外部图像最有效的方法是进行图像分割，图像分割有两个目的，一是减少后续步骤的计算量，二是滤除道路周边环境干扰，提高识别准确率。获得道路区域的图像后，还要进行进一步处理，道路区域是指高速公路的车道，车道上有不定时来往的车辆，也就是道路区域的图像中会有随机出现的车辆，车辆的颜色各不相同，有些车辆在视频图像中会和道路路面颜色纹理较为接近，因此在进行道路路面状态检测时，车辆的干扰信息需要预先滤除。另外，由于高速公路上行车时间间隔不确定，有些情况下车辆会密集通过，更多时候车辆出现的时间较为零散，因此适合使用像素帧间差值法进行移动目标（车辆）的删除，删除了车辆的道路区域图像才是有效的可以进行属性特征提取的道路图像，本发明中称之为道路有效区域图像。

图像分析是在先验条件下对三类道路有效区域图像进行路面状态描述属性特征提取，包括提取图像的纹理属性值和灰度属性值（平均值）。纹理属性值提取时，首先计算三个方向上图像的灰度共生矩阵，然后对灰度共生矩阵计算熵、能量、对比度、自相关、逆差矩；灰度属性值提取时，计算图像灰度平均值，将路面图像的纹理属性和灰度属性联合作为路面图像内容描述属性。由于采用多个纹理属性对图像进行描述，其识别结果明显优于单特征法，即只选用灰度共生矩阵的熵和图像灰度平均值描述图像的纹理属性。得到了三类道路有效区域样本图像的内容描述特征后，就可以确定贝叶斯分类器的后验概率。根据贝叶斯公式可知，贝叶斯分类器的后验概率与先验条件下的类条件概率密度有关，而类条件概率密度是图像灰度共生矩阵的熵、能量、对比度、自相关、逆差矩概率密度以及图像灰度平均值概率密度的乘积，也就是说，要确定类条件概率密度只需计算出熵概率密度、能量概率密度、对比度概率密度、自相关概率密度、逆差矩概率密度和灰度平均值概率密度，这些概率密度均按高斯（正态）分布，高斯公式（高斯分布函数公式，又称概率的正态分布函数公式）中有一个自变量和两个未知的参数，自变量是纹理属性值和灰度平均值，两个未知的参数是均值和方差，可以通过大量先验信息中的样本训练集求得。

附图说明

图1是本发明的原理流程图。

具体实施方式

实施例一，本发明的方法应用于降雪季节，本发明是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）：检测道路路面状态，

步骤（A）由以下小步骤构成：

小步骤（A1），获取样本图像：用摄像机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；由于是降雪季节，所以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；第二种场景出现在降雪剧烈程度不大且持续时间不长的天气条件下，也就是下小雪的天气；第三种场景出现在降雪剧烈程度较大或很大且持续时间较长或很长的天气条件下，也就是下中雪或下大雪的天气；所选每段视频的长度为3分钟，视频的帧速率为每秒15帧，3分钟的视频共包含2700帧图像，将上述拍摄到干燥、湿滑、极滑的路面状态三种场景的视频，逐帧进行提取，分别存储在图像数据处理设备（由计算机系统构成）的一号、二号、三号存储单元中，一号、二号、三号存储单元被分别命名为：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；一号、二号、三号存储单元中的图像帧都按时间轴排列，从而形成连续图像帧，每一图像帧包含的像素多少由摄像机的分辨率决定，本实施例中，摄像机的分辨率为512*512像素，所以每一图像帧由512*512像素构成，图像帧的存储形式为三维矩阵形式，三维（三个）矩阵分别对应存储彩色图像的RGB分量，每个矩阵由512行、512列构成，矩阵中各元素的值与像素值对应一致，矩阵中每个元素表示图像中彩色分量的亮（灰）度值，矩阵的行数是垂直分辨率，列数是水平分辨率，每个矩阵用二维数组进行存储，二维数组分别存储矩阵中元素值和元素行、列坐标。

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转换公式：Gray(i，j)=0.11*R(i，j)+0.59*G(i，j)+0.3*B(i，j)，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，并分别存储在四号、五号、六号存储单元中，四号、五号、六号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，其中Gray(i，j)为转换后的黑白图像在（i，j）点处的灰度值，R(i，j)、G(i，j)、B(i，j)分别为彩色图像红色分量图像、绿色分量图像和蓝色分量图像在（i，j）点处的像素值），彩色图像向灰度图像的转换由C语言编程完成，编程方法为公知技术，在主程序控制下，分别从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依次读取每一图像帧的R、G、B彩色分量矩阵，然后通过RGB转换成灰度图像公式Gray(i，j)对读入的R、G、B彩色分量矩阵第一个元素进行计算，转换成灰度图像矩阵的第一个元素，然后对读入的R、G、B彩色分量矩阵第二个元素进行计算，转换成灰度图像矩阵的第二个元素，依此类推，先按行读取（又称行扫描），再按列读取，直至遍历整幅图像，然后将上述的灰度图像矩阵的元素按逐行、逐列顺序进行存储，形成一帧灰度图像，经过转换后，每帧灰度图像由一个二维矩阵表示，矩阵中每个元素表示图像中一个像素的亮（灰）度值，重复上述过程，即可将所有的彩色图像帧转换成灰度图像帧，存储时各灰度图像帧按连续的序号顺序存储。经过上述的图像转换后，四号、五号、六号存储单元中各有2700帧（幅）灰度图像，每幅灰度图像在程序中存储成一个矩阵f_t(x,y)，其中（x,y）表示图像坐标，t表示图像帧在时间轴的位置，2700幅图像存储成一个三维数组，前两维表示图像矩阵中的元素值以及元素的行、列坐标，第三维表示图像帧按时间轴排列的序号。

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都分割成两块，这两块分别是中心块和周边块，然后删除周边块，只保留中心块，图像帧中心块像素构成的局部图像就是道路区域图像，由于摄像机安装在龙门架上，位于道路正中，所以摄像机视场的中心正好拍摄到道路区域，摄像机视场的周边拍摄到道路区域外围的图像，将分割好的只保留中心块的图像帧对应的存储在七号、八号、九号存储单元中，七号、八号、九号存储单元被命名为：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；分割图像有两个目的，一是减少后续步骤的计算量，二是滤除道路区域周边环境干扰，提高识别准确率。分割图像由C语言程序完成，编程方法为公知技术，编程原理很简单，由于每一个矩阵是用二维数组形式存储的，所以只要给出元素行、列坐标的偏移量，就可以将图像周边块像素进行分割，只保留图像帧的中心块。中心块的尺寸大小长*宽为200*100像素，长度方向与车辆行驶方向相同，也就是与车辆的长度方向相同，中心块像素构成的局部图像就是道路区域图像，经过分割的道路区域图像由200*100像素构成，这200*100像素对应的画面就是高速公路车道的画面，包括路面和行驶经过的车辆。道路区域图像的存储形式为一维矩阵形式，一维矩阵由200行、100列构成，矩阵中各元素的值与像素值对应一致，矩阵中每个元素表示图像中像素的亮（灰）度值。

细分步骤（A2-3），获取图像帧间灰度差：

对干燥道路区域图像样本存储单元中的2700幅图像帧、湿滑道路区域图像样本存储单元中的2700幅图像帧、极滑道路区域图像样本存储单元中的2700幅图像帧分别计算帧间灰度差，计算方法是：计算每个道路区域图像样本存储单元中相邻图像帧对应位置处像素灰度值之差并取绝对值，遍历整幅图像像素位置取和，由于图像帧是以矩阵方式进行存储，所以只需要计算矩阵元素间差值的绝对值，再取和，计算公式为：

$D\left(t\right)=\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}|f_t(x,y)-f_{t-1}(x,y)|,$

其中t表示帧序号，m和n分别表图像的行数和列数，f_t(x,y)表示数字图像第t帧在(x,y)位置处像素灰度值，f_t-1(x,y)表示第t-1帧在(x,y)位置处像素灰度值，D(t)表示第t帧和第t-1帧之间的帧间灰度差值，灰度图像帧间灰度差的运算过程由C语言编程实现，编程方法采用公知技术，由于相邻两帧图像都是矩阵，所以只需要通过矩阵减法计算相邻两帧图像（当前帧和上一帧）的矩阵差值并取绝对值，求和后可以得到相邻灰度图像的帧间灰度差D(t)。由于道路区域图像样本存储单元有三个，所以上述运算过程要执行三遍，从而完成对每个道路区域图像样本存储单元中相邻两图像帧的帧间灰度差的计算，然后将三个道路区域图像样本存储单元中的帧间灰度差分别存储在十号、十一号、十二号存储单元中，十号、十一号、十二号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，每个帧差存储单元中有2699个帧差，是当前图像帧与相邻的上一图像帧的帧间灰度差值，存储方式为二维数组形式，第一维表示帧间灰度差值，第二维表示该帧间灰度差值来自于两图像帧的序号。

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的帧差分别计算帧差阈值，计算方法是：对每个道路区域图像样本帧差存储单元中的相邻图像的帧差D(t)取平均值μ_D和方差σ_D， ${\mathrm{\μ}}_D=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}D\left(t\right),$ ${\mathrm{\σ}}_D^2=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}|D\left(t\right)-{\mathrm{\μ}}_D|,$ 其中n为帧差的个数，然后以平均值μ_D与两倍方差σ_D之和作为阈值T（即T=μ_D+2σ_D），均值和方差的计算由C语言程序完成，将帧差D(t)读入C程序，计算平均值μ_D和方差σ_D，阈值T（即T=μ_D+2σ_D）由C语言加法计算得到，运算过程由C语言编程实现，编程方法采用公知技术，由于道路区域图像样本帧差存储单元有三个，所以上述运算过程要执行三遍，从而完成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帧差阈值的运算，共得到三个阈值，将这三个阈值分别存储在十三、十四、十五号存储单元中，十三、十四、十五号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：提取道路有效区域图像的过程由C语言编程实现，编程方法采用公知技术，由于道路区域图像样本帧差存储单元有三个，所以运算过程要执行三遍，第一遍运算时依次取出干燥道路区域图像样本帧差存储单元中各相邻图像帧的帧差与干燥道路区域图像样本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（记录下该当前图像帧的序号）然后继续比较，直至将干燥道路区域图像样本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十六号存储单元中，十六号存储单元被命名为干燥道路有效区域图像存储单元；第二遍运算时依次取出湿滑道路区域图像样本帧差存储单元中各相邻图像帧的帧差，与湿滑道路区域图像样本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（记录下该当前图像帧的序号），然后继续比较，直至将湿滑道路区域图像样本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十七号存储单元中，十七号存储单元被命名为湿滑道路有效区域图像存储单元；第三遍运算时依次取出极滑道路区域图像样本帧差存储单元中各相邻图像帧的帧差，与极滑道路区域图像样本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，记录该图像帧的位置（记录下该当前图像帧的序号），然后继续比较，直至将极滑道路区域图像样本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十八号存储单元中，十八号存储单元被命名为极滑道路有效区域图像存储单元。

小步骤（A3），提取道路有效区域图像纹理属性值以及灰度平均值：

由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的方法。灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的。取图像(N×N)中任意一点（x，y）及偏离它的另一点（x+a，y+b），设该点对的灰度值为（g1，g2）。令点（x，y）在整个画面上移动，则会得到各种（g1，g2）值，设灰度值的级数为k，则（g1，g2）的组合共有k的平方种。对于整个画面，统计出每一种（g1，g2）值出现的次数，然后排列成一个方阵，再用（g1，g2）出现的总次数将它们归一化为出现的概率P（g1，g2），这样的方阵称为灰度共生矩阵。距离差分值（a，b）取不同的数值组合，可以得到不同情况下的联合概率矩阵。（a，b）取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取（1，0）、（1，1）、（2，0）等小的差分值。当a=1，b=0时，像素对是水平的，即0度扫描；当a=0，b=1时，像素对是垂直的，即90度扫描；当a=1，b=1时，像素对是右对角线的，即45度扫描；当a=-1，b=1时，像素对是左对角线，即135度扫描。这样，两个像素灰度级同时发生的概率，就将（x，y）的空间坐标转化为“灰度对”（g1，g2）的描述，形成了灰度共生矩阵。其函数形式为：

P(i,j,d,θ)=#{(x₁,y₁),(x₂,y₂)∈m×n|f(x₁,y₁)=i,f(x₂,y₂)=j)}，其中P(i,j,d,θ)表示图像生成的共生矩阵，(i,j)既表示灰度共生矩阵元素位置，也表示生成灰度共生矩阵的图像f(x₁,y₁)=i,f(x₂,y₂)=j的灰度值，d表示图像f(x,y)中，在(x₁,y₁)与(x₂,y₂)位置处具有共生关系（即两位置的灰度值满足某条件）的像素对的距离，θ表示(x₁,y₁)与(x₂,y₂)位置连线与水平坐标轴夹角，本实施例中θ分别取0度，90度和135度，d取值为1，#{x}表示集合{x}中满足集合条件的元素个数，对干燥道路有效区域图像存储单元中的各图像帧的灰度值进行计算，在0度、90度、135度三个方向上，求取每一图像帧的灰度共生矩阵，根据灰度共生矩阵P(i,j,d,θ)，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ENT、图像的能量ENG、图像的对比度CON、图像的自相关COR、图像的逆差矩IDM、图像的灰度平均值MEA组成，图像的熵： $\mathrm{ENT}=-{\mathrm{\Σ}}_{i=1}^k{\mathrm{\Σ}}_{j=1}^{k}P(i,j)\log P(i,j),$ 其中P(i,j)表示灰度共生矩阵在(i,j)位置处元素值（由于共生矩阵中d和θ已确定，因此在此处省略），k为灰度共生矩阵中元素最大值，图像的熵描述了图像空间灰度特征和其周围相邻像素灰度分布的综合特征；

图像的能量： $\mathrm{ENG}={\mathrm{\Σ}}_{i=1}^k{\mathrm{\Σ}}_{j=1}^k{\left(P(i,j)\right)}^2$ 描述了图像纹理强度值；图像的对比度： $\mathrm{CON}={\mathrm{\Σ}}_{n=0}^{k-1}{n}^2\left\{{\mathrm{\Σ}}_{|i-j|=n}P(i,j)\right\},$ 其中n表示灰度共生矩阵P(i,j)中，元素满足|i-j|=n的组合情况，图像对比度反映了图像纹理反差大小，反差越大，图像层次越清晰，区分程度越高；

图像的自相关：反映了灰度共生矩阵元素在行或者列方向上的相似度，当灰度共生矩阵元素值均匀相等时，相关值就大，相反，则相关值较小，其中表示矩阵元素沿着i行方向分布平均情况，表示矩阵元素沿着j列方向分布平均情况， $s_i^2={\mathrm{\Σ}}_{i=1}^k{(i-u_i)}^2\·{\mathrm{\Σ}}_{j=1}^{k}P(i,j)$ 表示矩阵元素沿着i行方向分布差异情况， $s_j^2={\mathrm{\Σ}}_{i=1}^k{(j-u_j)}^2\·{\mathrm{\Σ}}_{j=1}^{k}P(i,j)$ 表示矩阵元素沿着j行方向分布差异情况；

图像的逆差矩 $\mathrm{IDM}={\mathrm{\Σ}}_{i=1}^k{\mathrm{\Σ}}_{j=1}^k\frac{P(i,j)}{1+{(i-j)}^2},$ 通过灰度共生矩阵中元素值P(i,j)和元素位置(i,j)关系的比值，描述图像纹理局部变化多少，IDM值大则表明纹理不同区域（i-j）之间变化较少，局部纹理比较均匀；图像的灰度平均值：其中m和n分别为图像的行列个数，f(x,y)为图像在(x,y)位置处的灰度值；

上述运算过程可以用C语言实现，将去除车辆干扰后的三类道路有效区域图像帧进行等数量抽取，三类道路区域图像中，虽然车辆出现帧各不相同，但是按随机概率统计来说，车辆出现帧通常只占据图像帧总数量的20%左右，所以每类图像大约有2000帧是道路有效区域图像，只需取出适量道路有效区域图像构成训练集，在此，每类道路有效区域图像抽取1000帧图像作为训练样本，构成训练集。

将干燥道路有效区域图像中的1000帧图像的灰度矩阵用C编程语言中的灰度共生矩阵函数-Covariance()函数计算0度、90度、135度三个方向的三个灰度共生矩阵。

按照C编程语言的语法规则，将熵的计算公式以C语句格式写入程序中，计算干燥道路有效区域图像中的1000帧图像的灰度共生矩阵0度方向上的熵值，将得到的1000个熵值存放在一个数组中，这个数组被命名为干燥ENT0数组，然后再运行一遍程序，计算干燥道路背景图像中的1000帧图像的灰度共生矩阵90度方向上的熵值，将得到的1000个熵值存放在一个数组中，这个数组被命名为干燥ENT90数组，然后再运行一遍程序，计算干燥道路背景图像中的1000帧图像的灰度共生矩阵135度方向上的熵值，然得到的1000个熵值存放在一个数组中，这个数组被命名为干燥ENT135数组。

按照C编程语言的语法规则，将能量的计算公式以C语句格式写入程序中，计算干燥道路有效区域图像中的1000帧图像的灰度共生矩阵0度方向上的能量值，将得到的1000个能量值存放在一个数组中，这个数组被命名为干燥ENG0数组，然后再运行一遍程序，计算干燥道路有效区域图像中的1000帧图像的灰度共生矩阵90度方向上的能量值，将得到的1000个能量值存放在一个数组中，这个数组被命名为干燥ENG90数组，然后再运行一遍程序，计算干燥道路有效区域图像中的1000帧图像的灰度共生矩阵135度方向上的能量值，将得到1000个能量值存放在一个数组中，这个数组被命名为干燥ENG135数组。

按照C编程语言的语法规则，将对比度的计算公式以C语句格式写入程序中，计算干燥道路有效区域图像中的1000帧图像的灰度共生矩阵0度方向上的对比度值，将得到的1000个对比度值存放在一个数组中，这个数组被命名为干燥CON0数组，然后再运行一遍程序，计算干燥道路有效区域图像中的1000帧图像的灰度共生矩阵90度方向上的对比度值，将得到的1000个对比度值存放在一个数组中，这个数组被命名为干燥CON90数组，然后再运行一遍程序，计算干燥道路有效区域图像中的1000帧图像的灰度共生矩阵135度方向上的对比度值，将得到的1000个对比度值存放在一个数组中，这个数组被命名为干燥CON135数组。

按照C编程语言的语法规则，将自相关的计算公式以C语句格式写入程序中，计算干燥道路有效区域图像中的1000帧图像的灰度共生矩阵0度方向上的自相关值，将得到的1000个自相关值存放在一个数组中，这个数组被命名为干燥COR0数组，然后再运行一遍程序，计算干燥道路有效区域图像中的1000帧图像的灰度共生矩阵90度方向上的自相关值，将得到的1000个自相关值存放在一个数组中，这个数组被命名为干燥COR90数组，然后再运行一遍程序，计算干燥道路有效区域图像中的1000帧图像的灰度共生矩阵135度方向上的自相关值，将得到的1000个自相关值存放在一个数组中，这个数组被命名为干燥COR135数组。

按照C编程语言的语法规则，将逆差矩的计算公式以C语句格式写入程序中，计算干燥道路有效区域图像中1000帧图像的灰度共生矩阵0度方向上的逆差矩值，将得到的1000个逆差矩值存放在一个数组中，这个数组被命名为干燥IDM0数组，然后再运行一遍程序，计算干燥道路有效区域图像中的1000帧图像的灰度共生矩阵90度方向上的逆差矩值，将得到的1000个逆差矩值存放在一个数组中，这个数组被命名为干燥IDM90数组，然后再运行一遍程序，计算干燥道路有效区域图像中的1000帧图像的灰度共生矩阵135度方向上的逆差矩值，将得到的1000个逆差矩值存放在一个数组中，这个数组被命名为干燥IDM135数组。

按照C编程语言的语法规则，将平均值计算公式以C语句格式写入程序中，计算干燥道路有效区域图像（共1000帧图像）的灰度平均值，将得到的1000个灰度平均值存放在一个数组中，这个数组被命名为干燥MEA数组。然后，将上述的图像帧的纹理属性值以及灰度平均值存储在十九号存储单元中，十九号存储单元被命名为干燥道路属性值存储单元，其中灰度平均值由干燥MEA数组构成，纹理属性值由干燥ENT0数组、干燥ENT90数组、干燥ENT135数组、干燥ENG0数组、干燥ENG90数组、干燥ENG135数组、干燥CON0数组、干燥CON90数组、干燥CON135数组、干燥COR0数组、干燥COR90数组、干燥COR135数组、干燥IDM0数组、干燥IDM90数组、干燥IDM135数组构成。

按照上述相同的方法，用C语言程序对湿滑道路有效区域图像存储单元中的各图像帧（抽取其中的1000帧）在0度、90度、135度三个方向上进行计算，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ENT、图像的能量ENG、图像的对比度CON、图像的自相关COR、图像的逆差矩IDM组成，再计算湿滑道路有效区域图像帧（共1000帧）的灰度平均值，得到1000个灰度平均值，将这1000个灰度平均值存放在一个数组中，这个数组被命名为湿滑MEA数组。然后，将上述的图像帧的纹理属性值以及灰度平均值存储在二十号存储单元中，二十号存储单元被命名为湿滑道路属性值存储单元，其中灰度平均值由湿滑MEA数组构成，纹理属性值由湿滑ENT0数组、湿滑ENT90数组、湿滑ENT135数组、湿滑ENG0数组、湿滑ENG90数组、湿滑ENG135数组、湿滑CON0数组、湿滑CON90数组、湿滑CON135数组、湿滑COR0数组、湿滑COR90数组、湿滑COR135数组、湿滑IDM0数组、湿滑IDM90数组、湿滑IDM135数组构成。

按照上述相同的方法，用C语言程序对极滑道路有效区域图像存储单元中的各图像帧（从中抽取1000帧）在0度、90度、135度三个方向上进行计算，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ENT、图像的能量ENG、图像的对比度CON、图像的自相关COR、图像的逆差矩IDM组成，再计算极滑道路有效区域图像帧（共1000帧）的灰度平均值，得到1000个灰度平均值，将这1000个灰度平均值存放在一个数组中，这个数组被命名为极滑MEA数组。然后，将上述的图像帧的纹理属性值以及灰度平均值存储在二十一号存储单元中，二十一号存储单元被命名为极滑道路属性值存储单元，其中灰度平均值由极滑MEA数组构成，纹理属性值由极滑ENT0数组、极滑ENT90数组、极滑ENT135数组、极滑ENG0数组、极滑ENG90数组、极滑ENG135数组、极滑CON0数组、极滑CON90数组、极滑CON135数组、极滑COR0数组、极滑COR90数组、极滑COR135数组、极滑IDM0数组、极滑IDM90数组、极滑IDM135数组构成。

小步骤（A4），计算道路样本纹理属性值以及灰度平均值的概率密度函数：提取方法是：计算干燥道路属性值存储单元所有图像帧的纹理属性值的均值μ和方差σ²以及灰度平均值的均值μ和方差σ²，分别代入高斯公式（高斯分布函数公式）， $P(X_i=x_i|Y=y_i)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{\mathrm{ij}}}{\exp }^{-\frac{{(x_i-{\mathrm{\μ}}_{\mathrm{ij}})}^2}{2{\mathrm{\σ}}_{\mathrm{ij}}^2}},$ 其中μ_ij用训练集中第y_j类图像中第X_i种属性的全部属性值x_i值的平均值计算，用训练集中第y_j类图像中第X_i种属性的全部属性值x_i值的样本方差计算。上述运算过程由C语言程序完成，按照C编程语言的语法规则，将平均值计算公式和方差计算公式、高斯公式以C语言的语句格式写入程序中，首先对干燥ENT0数组中的1000个熵值（0度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到0度方向上熵值的概率密度函数，该概率密度函数命名为P(ENT0/干燥)，函数中有一个自变量，变量名为ENTX0，由C语言程序定义。

然后对干燥ENT90数组中的1000个熵值（90度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到90度方向上熵值的概率密度函数，该概率密度函数命名为P(ENT90/干燥)，函数中有一个自变量，变量名为ENTX90，由C语言程序定义。

接下来依次对干燥ENT135数组中的1000个熵值（135度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到135度方向上熵值的概率密度函数，该概率密度函数命名为P(ENT135/干燥)，函数中有一个自变量，变量名为ENTX135，由C语言程序定义。

对干燥ENG0数组中的1000个能量值（0度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到0度方向上能量值的概率密度函数，该概率密度函数命名为P(ENG0/干燥)，函数中有一个自变量，变量名为ENGX0，由C语言程序定义。

对干燥ENG90数组中的1000个能量值（90度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到90度方向上能量值的概率密度函数，该概率密度函数命名为P(ENG90/干燥)，函数中有一个自变量，变量名为ENGX90，由C语言程序定义。

对干燥ENG135数组中的1000个能量值（135度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到135度方向上能量值的概率密度函数，该概率密度函数命名为P(ENG135/干燥)，函数中有一个自变量，变量名为ENGX135，由C语言程序定义。

对干燥CON0数组中的1000个对比度值（0度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到0度方向上对比度值的概率密度函数，该概率密度函数命名为P(CON0/干燥)，函数中有一个自变量，变量名为CONX0，由C语言程序定义。

对干燥CON90数组中的1000个对比度值（90度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到90度方向上对比度值的概率密度函数，该概率密度函数命名为P(CON90/干燥)，函数中有一个自变量，变量名为CONX90，由C语言程序定义。

对干燥CON135数组中的1000个对比度值（135度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到135度方向上对比度值的概率密度函数，该概率密度函数命名为P(CON135/干燥)，函数中有一个自变量，变量名为CONX135；由C语言程序定义。

对干燥COR0数组中的1000个自相关值（0度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到0度方向上自相关值的概率密度函数，该概率密度函数命名为P(COR0/干燥)，函数中有一个自变量，变量名为CORX0，由C语言程序定义。

对干燥COR90数组中的1000个自相关值（90度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到90度方向上自相关值的概率密度函数，该概率密度函数命名为P(COR90/干燥)，函数中有一个自变量，变量名为CORX90，由C语言程序定义。

对干燥COR135数组中的1000个自相关值（135度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到135度方向上自相关值的概率密度函数，该概率密度函数命名为P(COR135/干燥)，函数中有一个自变量，变量名为CORX135，由C语言程序定义。

对干燥IDM0数组中的1000个逆差矩值（0度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到0度方向上逆差矩值的概率密度函数，该概率密度函数命名为P(IDM0/干燥)，函数中有一个自变量，变量名为IDMX0，由C语言程序定义。

对干燥IDM90数组中的1000个逆差矩值（90度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到90度方向上逆差矩值的概率密度函数，该概率密度函数命名为P(IDM90/干燥)，函数中有一个自变量，变量名为IDMX90，由C语言程序定义。

对干燥IDM135数组中的1000个逆差矩值（135度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到135度方向上逆差矩值的概率密度函数，该概率密度函数命名为P(IDM135/干燥)，函数中有一个自变量，变量名为IDMX135，由C语言程序定义。

对干燥MEA数组中1000个灰度平均值进行均值和方差的计算，然后将均值和方差代入高斯公式，得到灰度平均值的概率密度函数，该概率密度函数命名为P(MEA/干燥)，函数中有一个自变量，变量名为MEAX，由C语言程序定义，将上述的16个概率密度函数P(ENT0/干燥)、P(ENT90/干燥)、P(ENT135/干燥)、P(ENG0/干燥)、P(ENG90/干燥)、P(ENG135/干燥)、P(CON0/干燥)、P(CON90/干燥)、P(CON135/干燥)、P(COR0/干燥)、P(COR90/干燥)、P(COR135/干燥)、P(IDM0/干燥)、P(IDM90/干燥)、P(IDM135/干燥)、P(MEA/干燥)，存储在二十二号存储单元中，二十二号存储单元被命名为干燥道路图像概率密度函数存储单元。

用同样的C程序计算湿滑道路属性值存储单元所有图像帧的纹理属性值的均值和方差以及灰度平均值的均值和方差，代入高斯公式，得到湿滑道路图像帧在0度、90度、135度三个方向上的熵、能量、对比度、自相关、逆差矩的概率密度函数以及图像帧灰度平均值的概率密度函数，共16个概率密度函数：P(ENT0/湿滑)、P(ENT90/湿滑)、P(ENT135/湿滑)、P(ENG0/湿滑)、P(ENG90/湿滑)、P(ENG135/湿滑)、P(CON0/湿滑)、P(CON90/湿滑)、P(CON135/湿滑)、P(COR0/湿滑)、P(COR90/湿滑)、P(COR135/湿滑)、P(IDM0/湿滑)、P(IDM90/湿滑)、P(IDM135/湿滑)、P(MEA/湿滑)。其中：P(ENT0/湿滑)、P(ENT90/湿滑)、P(ENT135/湿滑)分别是湿滑道路属性值存储单元中的1000个熵值在0度、90度、135方向上熵值的概率密度函数；P(ENG0/湿滑)、P(ENG90/湿滑)、P(ENG135/湿滑)分别是湿滑道路属性值存储单元中的1000个能量值在0度、90度、135方向上能量值的概率密度函数；P(CON0/湿滑)、P(CON90/湿滑)、P(CON135/湿滑)分别是湿滑道路属性值存储单元中的1000个对比度值在0度、90度、135方向上对比度的概率密度函数；P(COR0/湿滑)、P(COR90/湿滑)、P(COR135/湿滑)分别是湿滑道路属性值存储单元中的1000个自相关值在0度、90度、135方向上自相关的概率密度函数；P(IDM0/湿滑)、P(IDM90/湿滑)、P(IDM135/湿滑)分别是湿滑道路属性值存储单元中的1000个逆差矩值在0度、90度、135方向上逆差矩的概率密度函数；P(MEA/湿滑)是湿滑道路属性值存储单元中的1000个灰度平均值的概率密度函数；将这16个概率密度函数存储在二十三号存储单元中，二十三号存储单元被命名为湿滑道路图像概率密度函数存储单元。

用同样的C程序计算极滑道路属性值存储单元所有图像帧的纹理属性值的均值和方差以及灰度平均值的均值和方差，代入高斯公式，得到极滑道路图像帧在0度、90度、135度三个方向上的熵、能量、对比度、自相关、逆差矩的概率密度函数以及图像帧灰度平均值的概率密度函数；共16个概率密度函数：P(ENT0/极滑)、P(ENT90/极滑)、P(ENT135/极滑)、P(ENG0/极滑)、P(ENG90/极滑)、P(ENG 135/极滑)、P(CON0/极滑)、P(CON90/极滑)、P(CON135/极滑)、P(COR0/极滑)、P(COR90/极滑)、P(COR135/极滑)、P(IDM0/极滑)、P(IDM90/极滑)、P(IDM135/极滑)、P(MEA/极滑)，其中：P(ENT0/极滑)、P(ENT90/极滑)、P(ENT135/极滑)分别是极滑道路属性值存储单元中的1000个熵值在0度、90度、135方向上熵值的概率密度函数；P(ENG0/极滑)、P(ENG90/极滑)、P(ENG135/极滑)分别是极滑道路属性值存储单元中的1000个能量值在0度、90度、135方向上能量值的概率密度函数；P(CON0/极滑)、P(CON90/极滑)、P(CON135/极滑)分别是极滑道路属性值存储单元中的1000个对比度值在0度、90度、135方向上对比度的概率密度函数；P(COR0/极滑)、P(COR90/极滑)、P(COR135/极滑)分别是极滑道路属性值存储单元中的1000个自相关值在0度、90度、135方向上自相关的概率密度函数；P(IDM0/极滑)、P(IDM90/极滑)、P(IDM135/极滑)分别是极滑道路属性值存储单元中的1000个逆差矩值在0度、90度、135方向上逆差矩的概率密度函数；P(MEA/极滑)是极滑道路属性值存储单元中的1000个灰度平均值的概率密度函数；将这16个概率密度函数存储在二十四号存储单元中，二十四号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，用公式表达为：

P（X/干燥）=P(ENT0/干燥)*P(ENT90/干燥)*P(ENT135/干燥)*P(ENG0/干燥)*P(ENG90/干燥)*P(ENG135/干燥)*P(CON0/干燥)*P(CON90/干燥)*P(CON135/干燥)*P(COR0/干燥)*P(COR90/干燥)*P(COR135/干燥)*P(IDM0/干燥)*P(IDM90/干燥)*P(IDM135/干燥)*P(MEA/干燥)，

其中X表示16个概率密度函数中的自变量，也就是ENTX0、ENTX90、ENTX135、ENGX0、ENGX90、ENGX135、CONX0、CONX90、CONX135、CORX0、CORX90、CORX135、IDMX0、IDMX90、IDMX135、MEAX，P（X/干燥）表示道路属于干燥类的概率密度。

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，用公式表达为：

P（X/湿滑）=P(ENT0/湿滑)*P(ENT90/湿滑)*P(ENT135/湿滑)*P(ENG0/湿滑)*P(ENG90/湿滑)*P(ENG135/湿滑)*P(CON0/湿滑)*P(CON90/湿滑)*P(CON135/湿滑)*P(COR0/湿滑)*P(COR90/湿滑)*P(COR135/湿滑)*P(IDM0/湿滑)P(IDM90/湿滑)*P(IDM135/湿滑)*P(MEA/湿滑)，其中X表示16个概率密度函数中的自变量，P（X/湿滑）表示道路属于湿滑类的概率密度。

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，用公式表达为：

P（X/极滑）=P(ENT0/极滑)*P(ENT90/极滑)*P(ENT135/极滑)*P(ENG0/极滑)*P(ENG90/极滑)*P(ENG135/极滑)*P(CON0/极滑)*P(CON90/极滑)*P(CON135/极滑)*P(COR0/极滑)*P(COR90/极滑)*P(COR135/极滑)*P(IDM0/极滑)*P(IDM90/极滑)*P(IDM135/极滑)*P(MEA/极滑)，其中X表示16个概率密度函数中的自变量，P（X/极滑）表示道路属于极滑类的概率密度。将第一、第二、第三个运算规则存储在二十五号存储单元中，二十五号存储单元被命名为道路路面状态判别存储单元。

步骤B：检测道路路面状态，由以下小步骤组成，

小步骤（B1），获取道路检测图像，用摄像机拍摄待监控道路，按照设定的时间间隔（可以是每10分钟一次）截取视频流中的一段视频，每段视频的长度可以是1分钟，视频的帧速率为每秒15帧，1分钟的视频共包含900帧图像，该段视频中可以有随机出现的车辆，也可以没有，完全按道路实际交通状况提取，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（由计算机系统构成）的二十六号存储单元中，二十六号存储单元被命名为：道路检测彩色图像存储单元。

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：Gray(i，j)=0.11*R(i，j)+0.59*G(i，j)+0.3*B(i，j)，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，并存储在二十七号存储单元中，二十七号存储单元被命名为道路检测灰度图像存储单元，彩色图像向灰度图像的转换由C语言编程完成，编程方法为公知技术，包括编写彩色图像读入程序、RGB转换成灰度图像程序。

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，然后将周边块去除，只保留中心块，中心块的尺寸大小为200*100像素，中心块像素构成的局部图像就是道路区域（高速公路的车道），将分割好的只保留中心块的图像帧存储在二十八号存储单元中，二十八号存储单元被命名为：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间灰度差，计算方法是：计算存储单元中相邻图像帧对应位置处像素灰度值之差并求绝对值，遍历整幅图像像素位置并求和，由于图像帧是以矩阵方式进行存储，所以只需要计算矩阵差值，取绝对值再求和，作为相邻两帧图像的帧间灰度差，将相邻帧间灰度差存储在二十九号存储单元中，二十九号存储单元命名为：道路区域检测图像帧差存储单元；计算公式为：

$D\left(t\right)=\underset{x=1}{\overset{m}{\mathrm{\Σ}}}\underset{y=1}{\overset{n}{\mathrm{\Σ}}}|f_t(x,y)-f_{t-1}(x,y)|,$

其中t表示帧序号，m和n分别表图像的行数和列数，f_t(x,y)表示数字图像第t帧在(x,y)位置处像素灰度值，f_t-1(x,y)表示第t-1帧在(x,y)位置处像素灰度值，D(t)表示第t帧和第t-1帧之间的帧间灰度差值（帧差），灰度图像的帧差的获取用C语言中的矩阵减法求取第t帧和第t-1帧之间的像素对应位置的差值，然后取绝对值并求和得到灰度帧差D(t)，由于图像共有900帧，所以共得到899个帧差，每一个帧差是当前图像帧与相邻的上一图像帧的灰度帧间对应像素位置处灰度差值的绝对值之和。运算过程由C语言编程实现，编程方法采用现有公知技术。

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的所有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，这个阈值存储在三十号存储单元中，三十号存储单元被命名为道路区域检测图像阈值存储单元。计算方法是：对道路区域检测图像帧差存储单元存储的899个帧差D(t)取平均值μ_D和方差σ_D， ${\mathrm{\μ}}_D=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}D\left(t\right),$ ${\mathrm{\σ}}_D^2=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}|D\left(t\right)-{\mathrm{\μ}}_D|,$ 其中n为帧差的个数，n=899，然后以平均值μ_D与两倍方差σ_D之和作为阈值T（即T=μ_D+2σ_D），平均值和方差的获取由C语言程序完成，将帧差D(t)读入C语言程序，计算平均值μ_D和方差σ_D，阈值T（即T=μ_D+2σ_D）由C加法计算得到。

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相邻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，直至将道路检测灰度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三十一号存储单元中，三十一号存储单元被命名为道路有效区域检测图像存储单元；道路有效区域图像获取的运算过程由C语言编程实现，编程方法采用公知技术。

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0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三十二号存储单元中，三十二号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，纹理属性值和灰度平均值就是16个概率密度函数（高斯分布函数公式）中的16个自变量，这16个自变量在C语言程序中分别对应ENTX0、ENTX90、ENTX135、ENGX0、ENGX90、ENGX135、CONX0、CONX90、CONX135、CORX0、CORX90、CORX135、IDMX0、IDMX90、IDMX135、MEAX变量名，将这16个自变量分别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：

第一运算规则是P（X/干燥）=P(ENT0/干燥)*P(ENT90/干燥)*P(ENT135/干燥)*P(ENG0/干燥)*P(ENG90/干燥)*P(ENG135/干燥)*P(CON0/干燥)*P(CON90/干燥)*P(CON135/干燥)*P(COR0/干燥)*P(COR90/干燥)*P(COR135/干燥)*P(IDM0/干燥)*P(IDM90/干燥)*P(IDM135/干燥)*P(MEA/干燥)，运算过程由C语言程序完成，按照C编程语言的语法规则，将16个概率密度函数中的自变量，代入P（X/干燥）的函数中，得到该段图像属于雪季干燥类道路的概率值，

第二运算规则是P（X/湿滑）=P(ENT0/湿滑)*P(ENT90/湿滑)*P(ENT135/湿滑)*P(ENG0/湿滑)*P(ENG90/湿滑)*P(ENG135/湿滑)*P(CON0/湿滑)*P(CON90/湿滑)*P(CON135/湿滑)*P(COR0/湿滑)*P(COR90/湿滑)*P(COR135/湿滑)*P(IDM0/湿滑)*P(IDM90/湿滑)*P(IDM135/湿滑)*P(MEA/湿滑)，运算过程由C语言程序完成，按照C编程语言的语法规则，将16个概率密度函数中的自变量，代入P（X/湿滑）的函数中，得到该段图像属于雪季湿滑类道路的概率值，

第三运算规则是P（X/极滑）=P(ENT0/极滑)*P(ENT90/极滑)*P(ENT135/极滑)*P(ENG0/极滑)*P(ENG90/极滑)*P(ENG135/极滑)*P(CON0/极滑)*P(CON90/极滑)*P(CON135/极滑)*P(COR0/极滑)*P(COR90/极滑)*P(COR135/极滑)*P(IDM0/极滑)*P(IDM90/极滑)*P(IDM135/极滑)*P(MEA/极滑)，运算过程由C语言程序完成，按照C编程语言的语法规则，将16个概率密度函数中的自变量，代入P（X/极滑）的函数中，得到该段图像属于雪季极滑类道路的概率值。

选取雪季干燥类道路概率值、雪季湿滑类道路概率值、雪季极滑类道路概率值中最大概率值对应道路路面状态类别作为被检测道路所属类别，例如，如果雪季湿滑类道路概率值大于雪季干燥类道路概率值和雪季极滑类道路概率值，则被检测道路路面状态所属类别为雪季湿滑类道路。

实施例二，本发明的方法应用于降雨季节：本发明是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）：检测道路路面状态，步骤（A）由以下小步骤构成：小步骤（A1），获取样本图像：用摄像机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；由于是降雨季节，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，但是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；第二种场景出现在降雨剧烈程度不大且持续时间不长的天气条件下，也就是下小雨的天气；第三种场景出现在降雨剧烈程度较大或很大且持续时间较长或很长的天气条件下，也就是下中雨或下大雨的天气；所选每段视频的长度为3分钟，视频的帧速率为每秒15帧，3分钟的视频共包含2700帧图像，将上述拍摄到的路面状态为干燥、湿滑、极滑三种场景的视频，逐帧进行提取，分别存储在图像数据处理设备（由计算机系统构成）的一号、二号、三号存储单元中，一号、二号、三号存储单元被分别命名为：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；一号、二号、三号存储单元中的图像帧都按时间轴排列，从而形成连续图像帧，每一图像帧包含的像素多少由摄像机的分辨率决定，本实施例中，摄像机的分辨率为512*512像素，所以每一图像帧由512*512像素构成，图像帧的存储形式为三维矩阵形式，三维（三个）矩阵分别对应存储彩色图像的RGB分量，每个矩阵由512行、512列构成，矩阵中各元素的值与像素值对应一致，矩阵中每个元素表示图像中彩色分量的亮（灰）度值，矩阵的行数是垂直分辨率，列数是水平分辨率，每个矩阵用二维数组进行存储，二维数组分别存储矩阵中元素值和元素行、列坐标。

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转换公式：Gray(i，j)=0.11*R(i，j)+0.59*G(i，j)+0.3*B(i，j)，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，并分别存储在四号、五号、六号存储单元中，四号、五号、六号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，其中Gray(i，j)为转换后的黑白图像在（i，j）点处的灰度值，R(i，j)、G(i，j)、B(i，j)分别为彩色图像红色分量图像、绿色分量图像和蓝色分量图像在（i，j）点处的像素值，彩色图像向灰度图像的转换由C语言编程完成，程序代码编写为公知技术，故不再加以赘述，在主程序控制下，分别从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依次读取每一图像帧的R、G、B彩色分量矩阵，然后通过RGB转换成灰度图像公式Gray(i，j)对读入的R、G、B彩色分量矩阵第一个元素进行计算，转换成灰度图像矩阵的第一个元素，然后对读入的R、G、B彩色分量矩阵第二个元素进行计算，转换成灰度图像矩阵的第二个元素，依此类推，先按行读取（又称行扫描），再按列读取，直至遍历整幅图像，然后将上述的灰度图像矩阵的元素按逐行、逐列顺序进行存储，形成一帧灰度图像，经过转换后，每帧灰度图像由一个二维矩阵表示，矩阵中每个元素表示图像中一个像素的亮（灰）度值，重复上述过程，即可将所有的彩色图像帧转换成灰度图像帧，存储时各灰度图像帧按连续的序号顺序存储。经过上述的图像转换后，四号、五号、六号存储单元中各有2700帧（幅）灰度图像，2700幅图像存储成一个三维数组，前两维表示图像矩阵中的元素值以及元素的行、列坐标，第三维表示图像帧按时间轴排列的序号。

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都分割成两块，这两块分别是中心块和周边块，然后删除周边块，只保留中心块，图像帧中心块像素构成的局部图像就是道路区域图像，由于摄像机安装在龙门架上，位于道路正中，所以摄像机视场的中心正好拍摄到道路区域，摄像机视场的周边拍摄到道路区域外围的图像，将分割好的只保留中心块的图像帧对应的存储在七号、八号、九号存储单元中，七号、八号、九号存储单元被命名为：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；分割图像有两个目的，一是减少后续步骤的计算量，二是滤除道路区域周边环境干扰，提高识别准确率。分割图像由C语言程序完成，编程方法为公知技术，编程原理很简单，由于每一个矩阵是用二维数组形式存储的，所以只要给出元素行、列坐标的偏移量，就可以将图像周边块像素进行分割，只保留图像帧的中心块。中心块的尺寸大小长*宽为200*100像素，长度方向与车辆行驶方向相同，也就是与车辆的长度方向相同，中心块像素构成的局部图像就是道路区域图像，道路区域图像由200*100像素构成，这200*100像素对应的画面就是高速公路车道的画面，包括路面和行驶经过的车辆。道路区域图像的存储形式为一维矩阵形式，一维矩阵由200行、100列构成，矩阵中各元素的值与像素值对应一致，矩阵中每个元素表示图像中像素的亮（灰）度值。

细分步骤（A2-3），获取图像帧间灰度差：对干燥道路区域图像样本存储单元中的2700幅图像帧、湿滑道路区域图像样本存储单元中的2700幅图像帧、极滑道路区域图像样本存储单元中的2700幅图像帧分别计算帧间灰度差，计算方法是：计算每个道路区域图像样本存储单元中相邻图像帧对应位置处像素灰度值之差并取绝对值，遍历整幅图像像素位置，由于图像帧是以矩阵方式进行存储，所以只需要计算矩阵元素间差值的绝对值，再取和，道路区域图像帧间灰度差的运算过程由C语言编程实现，编程方法采用公知技术，由于相邻两帧图像都是矩阵，所以只需要通过矩阵减法计算相邻两帧图像（当前帧和上一帧）的矩阵差值并取绝对值，求和后可以得到相邻道路区域图像的帧间灰度差。由于道路区域图像样本存储单元有三个，所以上述运算过程要执行三遍，从而完成对每个道路区域图像样本存储单元中相邻两图像帧的帧间灰度差的计算，然后将三个道路区域图像样本存储单元中的帧间灰度差分别存储在十号、十一号、十二号存储单元中，十号、十一号、十二号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，每个帧差存储单元中有2699个帧差。是当前图像帧与相邻的前一图像帧的帧间灰度差值，存储方式为二维数组形式，第一维表示帧间灰度差值，第二维表示该帧间灰度差值来自于两图像帧的序号。

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的帧差分别计算帧差阈值，计算方法是：对每个区域图像样本帧差存储单元中的相邻图像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，均值和方差的计算由C语言程序完成，阈值由C语言加法计算得到，编程方法采用公知技术，上述运算过程要执行三遍，从而完成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帧差阈值的运算，共得到三个阈值，将这三个阈值分别存储在十三、十四、十五号存储单元中，十三、十四、十五号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：道路有效区域图像的获取过程由C语言编程实现，程序代码编写为公知技术，故不再加以赘述，由于道路区域图像样本帧差存储单元有三个，所以运算过程要执行三遍，第一遍运算时依次取出干燥道路区域图像样本帧差存储单元中各相邻图像帧的帧差与干燥道路区域图像样本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（记录下该当前图像帧的序号）然后继续比较，直至将干燥道路区域图像样本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十六号存储单元中，十六号存储单元被命名为干燥道路有效区域图像存储单元；

第二遍运算时依次取出湿滑道路区域图像样本帧差存储单元中各相邻图像帧的帧差，与湿滑道路区域图像样本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（记录下该当前图像帧的序号），然后继续比较，直至将湿滑道路区域图像样本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十七号存储单元中，十七号存储单元被命名为湿滑道路有效区域图像存储单元；

第三遍运算时依次取出极滑道路区域图像样本帧差存储单元中各相邻图像帧的帧差，与极滑道路区域图像样本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，记录该图像帧的位置（记录下该当前图像帧的序号），然后继续比较，直至将极滑道路区域图像样本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十八号存储单元中，十八号存储单元被命名为极滑道路有效区域图像存储单元。

小步骤（A3），提取道路有效区域图像纹理属性值以及灰度平均值：

将去除车辆干扰后的三类道路有效区域图像帧进行等数量抽取，三类道路区域图像中，虽然车辆出现帧各不相同，但是按随机概率统计来说，车辆出现帧通常只占据图像帧总数量的20%左右，所以每类图像大约有2000帧是道路有效区域图像，只需取出适量道路有效区域图像构成训练集，在此，每类道路有效区域图像抽取1000帧图像作为训练样本，构成训练集。

将干燥道路有效区域图像中的1000帧图像的灰度矩阵用C编程语言中的灰度共生矩阵函数-Covariance()函数计算0度、90度、135度三个方向的三个灰度共生矩阵，

按照C编程语言的语法规则，将熵的计算公式以C语句格式写入程序中，重复运算三遍，得到干燥道路有效区域图像中的1000帧图像的灰度共生矩阵0度、90度、135度方向上的熵值，分别存放在三个数组中，这三个数组被命名为干燥ENT0数组、干燥ENT90数组、干燥ENT135数组，

按照C编程语言的语法规则，将能量的计算公式以C语句格式写入程序中，重复运算三遍，得到干燥道路有效区域图像中的1000帧图像的灰度共生矩阵0度、90度、135度方向上的能量值，分别存放在三个数组中，这三数组被命名为干燥ENG0数组、干燥ENG90数组、干燥ENG135数组，

按照C编程语言的语法规则，将对比度的计算公式以C语句格式写入程序中，重复运算三遍，得到干燥道路有效区域图像中的1000帧图像的灰度共生矩阵0度、90度、135度方向上的对比度值，分别存放在三个数组中，这三个数组被命名为干燥CON0数组、干燥CON90数组、干燥CON135数组，

按照C编程语言的语法规则，将自相关的计算公式以C语句格式写入程序中，重复运算三遍，得到干燥道路有效区域图像中的1000帧图像的灰度共生矩阵0度、90度、135度方向上的自相关值，分别存放在三个数组中，这三数组被命名为干燥COR0数组、干燥COR90数组、干燥COR135数组，

按照C编程语言的语法规则，将逆差矩的计算公式以C语句格式写入程序中，重复运算三遍，得到干燥道路有效区域图像中的1000帧图像的灰度共生矩阵0度、90度、135度方向上的逆差矩值，分别存放在三个数组中，这三数组被命名为干燥IDM0数组、干燥IDM90数组、干燥IDM135数组，

按照C编程语言的语法规则，将平均值计算公式以C语句格式写入程序中，计算干燥道路有效区域图像（共1000帧图像）的灰度平均值，得到1000个灰度平均值，将这1000个灰度平均值存放在一个数组中，这个数组被命名为干燥MEA数组。然后，将上述的图像帧的纹理属性值以及灰度平均值存储在十九号存储单元中，十九号存储单元被命名为干燥道路属性值存储单元，其中灰度平均值由干燥MEA数组构成，纹理属性值由干燥ENT0数组、干燥ENT90数组、干燥ENT135数组、干燥ENG0数组、干燥ENG90数组、干燥ENG135数组、干燥CON0数组、干燥CON90数组、干燥CON135数组、干燥COR0数组、干燥COR90数组、干燥COR135数组、干燥IDM0数组、干燥IDM90数组、干燥IDM135数组构成。

按照上述相同的方法，用C语言程序对湿滑道路有效区域图像存储单元中的各图像帧（抽取其中的1000帧）在0度、90度、135度三个方向上进行计算，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ENT、图像的能量ENG、图像的对比度CON、图像的自相关COR、图像的逆差矩IDM组成，再计算湿滑道路灰度图像帧（共1000帧）的灰度平均值，得到1000个灰度平均值，将这1000个灰度平均值存放在一个数组中，这个数组被命名为湿滑MEA数组，然后，将上述的图像帧的纹理属性值以及灰度平均值存储在二十号存储单元中，二十号存储单元被命名为湿滑道路属性值存储单元，其中灰度平均值由湿滑MEA数组构成，纹理属性值由湿滑ENT0数组、湿滑ENT90数组、湿滑ENT135数组、湿滑ENG0数组、湿滑ENG90数组、湿滑ENG135数组、湿滑CON0数组、湿滑CON90数组、湿滑CON135数组、湿滑COR0数组、湿滑COR90数组、湿滑COR135数组、湿滑IDM0数组、湿滑IDM90数组、湿滑IDM135数组构成。

按照上述相同的方法，用C语言程序对极滑道路有效区域图像存储单元中的各图像帧（从中抽取1000帧）在0度、90度、135度三个方向上进行计算，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ENT、图像的能量ENG、图像的对比度CON、图像的自相关COR、图像的逆差矩IDM组成，再计算极滑道路有效区域图像帧（共1000帧）的灰度平均值，得到1000个灰度平均值，将这1000个灰度平均值存放在一个数组中，这个数组被命名为极滑MEA数组。然后，将上述的图像帧的纹理属性值以及灰度平均值存储在二十一号存储单元中，二十一号存储单元被命名为极滑道路属性值存储单元，其中灰度平均值由极滑MEA数组构成，纹理属性值由极滑ENT0数组、极滑ENT90数组、极滑ENT135数组、极滑ENG0数组、极滑ENG90数组、极滑ENG135数组、极滑CON0数组、极滑CON90数组、极滑CON135数组、极滑COR0数组、极滑COR90数组、极滑COR135数组、极滑IDM0数组、极滑IDM90数组、极滑IDM135数组构成。

小步骤（A4），计算道路样本纹理属性值以及灰度平均值的概率密度函数：提取方法是：按照C编程语言的语法规则，将平均值计算公式和方差计算公式、高斯公式以C语言的语句格式写入程序中，首先对干燥ENT0数组中的1000个熵值（0度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到0度方向上熵值的概率密度函数，该概率密度函数命名为P(ENT0/干燥)，函数中有一个自变量，变量名为ENTX0，由C语言程序定义。

然后对干燥ENT90数组中的1000个熵值（90度方向上的）进行均值和方差的计算，将均值和方差代入高斯公式，得到90度方向上熵值的概率密度函数，该概率密度函数命名为P(ENT90/干燥)，函数中有一个自变量，变量名为ENTX90，由C语言程序定义。

接下来依次对干燥ENT135数组中的1000个熵值（135度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到135度方向上熵值的概率密度函数，该概率密度函数命名为P(ENT135/干燥)，函数中有一个自变量，变量名为ENTX135，由C语言程序定义。

对干燥ENG0数组中的1000个能量值（0度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到0度方向上能量值的概率密度函数，该概率密度函数命名为P(ENG0/干燥)，函数中有一个自变量，变量名为ENGX0，由C语言程序定义。

对干燥ENG90数组中的1000个能量值（90度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到90度方向上能量值的概率密度函数，该概率密度函数命名为P(ENG90/干燥)，函数中有一个自变量，变量名为ENGX90，由C语言程序定义。

对干燥ENG135数组中的1000个能量值（135度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到135度方向上能量值的概率密度函数，该概率密度函数命名为P(ENG135/干燥)，函数中有一个自变量，变量名为ENGX135，由C语言程序定义。

对干燥CON0数组中的1000个对比度值（0度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到0度方向上对比度值的概率密度函数，该概率密度函数命名为P(CON0/干燥)，函数中有一个自变量，变量名为CONX0，由C语言程序定义。

对干燥CON90数组中的1000个对比度值（90度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到90度方向上对比度值的概率密度函数，该概率密度函数命名为P(CON90/干燥)，函数中有一个自变量，变量名为CONX90，由C语言程序定义。

对干燥CON135数组中的1000个对比度值（135度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到135度方向上对比度值的概率密度函数，该概率密度函数命名为P(CON135/干燥)，函数中有一个自变量，变量名为CONX135；由C语言程序定义。

对干燥COR0数组中的1000个自相关值（0度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到0度方向上自相关值的概率密度函数，该概率密度函数命名为P(COR0/干燥)，函数中有一个自变量，变量名为CORX0，由C语言程序定义。

对干燥COR90数组中的1000个自相关值（90度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到90度方向上自相关值的概率密度函数，该概率密度函数命名为P(COR90/干燥)，函数中有一个自变量，变量名为CORX90，由C语言程序定义。

对干燥COR135数组中的1000个自相关值（135度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到135度方向上自相关值的概率密度函数，该概率密度函数命名为P(COR135/干燥)，函数中有一个自变量，变量名为CORX135，由C语言程序定义。

对干燥IDM0数组中的1000个逆差矩值（0度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到0度方向上逆差矩值的概率密度函数，该概率密度函数命名为P(IDM0/干燥)，函数中有一个自变量，变量名为IDMX0，由C语言程序定义。

对干燥IDM90数组中的1000个逆差矩值（90度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到90度方向上逆差矩值的概率密度函数，该概率密度函数命名为P(IDM90/干燥)，函数中有一个自变量，变量名为IDMX90，由C语言程序定义。

对干燥IDM135数组中的1000个逆差矩值（135度方向上的）进行均值和方差的计算，然后将均值和方差代入高斯公式，得到135度方向上逆差矩值的概率密度函数，该概率密度函数命名为P(IDM135/干燥)，函数中有一个自变量，变量名为IDMX135，由C语言程序定义。

对干燥MEA数组中1000个灰度平均值进行均值和方差的计算，然后将均值和方差代入高斯公式，得到灰度平均值的概率密度函数，该概率密度函数命名为P(MEA/干燥)，函数中有一个自变量，变量名为MEAX，由C语言程序定义，将上述的16个概率密度函数存储在二十二号存储单元中，二十二号存储单元被命名为干燥道路图像概率密度函数存储单元。

用同样的C语言程序计算湿滑道路属性值存储单元所有图像帧的纹理属性值的均值和方差以及灰度平均值的均值和方差，代入高斯公式，得到湿滑道路图像帧在0度、90度、135度三个方向上的熵、能量、对比度、自相关、逆差矩的概率密度函数以及图像帧灰度平均值的概率密度函数，共16个概率密度函数，将这16个概率密度函数存储在二十三号存储单元中，二十三号存储单元被命名为湿滑道路图像概率密度函数存储单元。

用同样的C语言程序计算极滑道路属性值存储单元所有图像帧的纹理属性值的均值和方差以及灰度平均值的均值和方差，代入高斯公式，得到极滑道路图像帧在0度、90度、135度三个方向上的熵、能量、对比度、自相关、逆差矩的概率密度函数以及图像帧灰度平均值的概率密度函数；共16个概率密度函数：将这16个概率密度函数存储在二十四号存储单元中，二十四号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二十五号存储单元中，二十五号存储单元被命名为道路路面状态判别存储单元。

步骤B：检测道路路面状态，由以下小步骤组成：

小步骤（B1），获取道路检测图像，用摄像机拍摄待监控道路，按照设定的时间间隔（可以是每10分钟一次）截取视频流中的一段视频，每段视频的长度可以是1分钟，视频的帧速率为每秒15帧，1分钟的视频共包含900帧图像，该段视频中可以有随机出现的车辆，也可以没有，完全按道路实际交通状况提取，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（由计算机系统构成）的二十六号存储单元中，二十六号存储单元被命名为：道路检测彩色图像存储单元。

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：Gray(i，j)=0.11*R(i，j)+0.59*G(i，j)+0.3*B(i，j)，将道路检测彩色图像样本存储单元中的图像帧转换成灰度图像，并存储在二十七号存储单元中，二十七号存储单元被命名为道路检测灰度图像存储单元，彩色图像向灰度图像的转换由C语言编程完成，包括编写彩色图像读入程序、RGB转换成灰度图像程序。程序代码编写为公知技术，故不再加以赘述。

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，然后将周边块去除，只保留中心块，中心块的尺寸大小为200*100像素，中心块像素构成的局部图像就是道路区域（高速公路的车道），将分割好的只保留中心块的图像帧存储在二十八号存储单元中，二十八号存储单元被命名为：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间灰度差，计算方法是：计算存储单元中相邻图像帧对应位置处像素灰度值之差并求绝对值，遍历整幅图像像素位置，由于图像帧是以矩阵方式进行存储，所以只需要计算矩阵差值，取绝对值再求和，作为相邻两帧图像的帧间灰度差，将相邻帧间灰度差存储在二十九号存储单元中，二十九号存储单元命名为：道路区域检测图像帧差存储单元；道路区域检测图像的帧差的获取的运算过程由C语言编程实现。

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的所有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，这个阈值存储在三十号存储单元中，三十号存储单元被命名为道路区域检测图像阈值存储单元，运算过程由C语言编程实现。

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相邻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三十一号存储单元中，三十一号存储单元被命名为道路有效区域检测图像存储单元；道路有效区域图像获取的运算过程由C语言编程实现。

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0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三十二号存储单元中，三十二号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，纹理属性值和灰度平均值就是16个概率密度函数（高斯公式）中的16个自变量，将这16个自变量分别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，分别得到该段图像属于雨季干燥类道路、雨季湿滑类道路以及雨季极滑类道路的概率值，选取其中最大概率值对应道路路面状态类别作为被检测道路所属类别，例如，如果雨季极滑类道路概率值大于雨季干燥类道路概率值和雨季湿滑类道路概率值，则被检测道路路面状态所属类别为雨季极滑类道路。

Claims (1)

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(A1)，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0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0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。