加强高速公路交通智能化建设、提高交通管理的工作效率,是我国在“建设交通强国”发展趋势下的迫切需求。路面状态检测技术旨在帮助高速公路监管部门提前发现结冰、积雪等不良路况,为高速公路监管部门对确保车辆行驶安全及路面维护提供重要决策依据。相比于基于硬件设备的路面状态检测技术成本较高、检测范围受局限等问题,基于视觉信息的路面状态检测技术成本较低、覆盖范围广,具有更高的研究价值。本文针对现有视觉路面状态检测技术受路面周围无关景物及光线的干扰所导致分类准确度不高的问题,难以适用于高速交通行业的实际应用需求,对开展基于视频的路面状态检测技术所需的路面区域分割、路面阴影消除等内容进行研究,旨在为提高高速公路路面状态检测准确率的同时,为行业同类方法提供技术积累。具体工作如下:(1)提出一种基于U-Net+Attention残差注意力机制的路面区域分割算法。为了消除高速公路路面两侧无效信息对检测过程带来的干扰,本文将融合了空间注意力机制和通道注意力机制的Attention模块与具有高分割精度的U-Net网络相结合,增强了应用语义分割模型对路面区域分割的准确性。首先,基于混合高斯背景建模算法,对高速监控视频的静态背景进行了建模,实现了对监控视频中包含路面区域的静态背景提取;接着,将融合了空间注意力机制和通道注意力机制的Attention模块与U-Net网络于其特征拼接处相结合,将新的网络基于标注路面后的KITTI-Road数据集训练路面分割模型;最后,实现了对背景图片中路面区域的准确分割。测试结果表明,相比其他图像分割方法具有较好的路面分割效果。(2)实现了一种基于循环生成对抗网络的路面阴影消除算法。首先,采集不同路面状态下的阴影图片对经典阴影数据集ISTD进行扩充,并基于循环生成对抗网络训练路面阴影消除模型;然后,使用基于上下文信息的阴影DSC(Direction-aware Spatial Context,DSC)特征实现对待消除路面阴影区域的检测;最后,结合路面阴影消除模型,实现对高速公路路面阴影区域的消除。(3)基于残差结构构建了高准确率的路面状态分类器。首先,构建了一套包含干燥、积水、积雪、结冰四种公路路面状态共4000张图片的数据集;然后,对比了基于机器学习方法的路面特征提取和多分类器构建模式与基于卷积神经网络进行路面状态分类的原理,基于残差结构搭建了本文的路面状态分类网络;最后,针对不同的网络结构对所构建的数据集进行训练以得到最优的分类模型应用到路面状态识别任务中。经测试集结果表明,应用本文方法所得分类器对不同路面状态的分类准确率达97.6%,证明了基于残差结构训练所得路面状态分类器相比其他分类方法而言,分类效果最佳。(4)构建了一套智能高速路面检测系统。该系统基于Py Qt的架构进行开发,设计实现了高速监控视频背景提取、路面区域分割、路面阴影检测与消除和路面状态识别等主要功能模块。测试结果表明,系统可以消除路面状态检测过程中公路两侧无关景物及阴影对检测过程带来的干扰,基于高速监控视频实现对路面状态的准确识别。