摘要：在恶劣天气下路面湿滑状况将发生显著变化,导致驾驶条件恶化,极易引发恶劣的交通事故.为了帮助交通管理部门实时获取路面湿滑状况信息,了解路面附着性能,并以此制定合理的车速控制和交通诱导策略,通过采集道路湿滑图像,利用设计的具体SVM分类器结合3种训练算法对道路湿滑图像进行分类学习训练,并通过训练后的SVM分类器对大量道路湿滑图像进行分类实验,对道路湿滑状态进行分类研究.实验结果表明:(1)寻找合适的核函数,选择合适的参数是使用SVM进行高效分类的一个重要因素;(2)在训练过程中,均方误差(MSE)能反映出分类器实现的正确率,SVM的训练本身的误差决定了分类的正确率,而且训练个数的增多带来了特征空间维数的增加,从而导致计算量的增大.

摘要：道路湿滑图像的检测分类能为制定合理的车速控制和交通诱导策略,减少交通安全事故提供有力的理论依据.采用主成分分析（PCA）和Tabu搜索算法对道路湿滑图像进行特征提取、选择,生成适于图像识别的特征向量,利用设计的径向基函数神经网络（RBF）分类器和概率神经网络（PNN）分类器对道路湿滑图像进行分类实验.分类结果说明在多维输入多类输出的分类器ANN设计中,PNN的性能较优,其泛化性能力和分类准确率占有较大优势.而RBF网络虽然训练误差小,但是其分类准确性和泛化能力均不如PNN.