第40卷第5期2023年5月公路交通科技JournalofHighwayandTransportationＲesearchandDevelopmentVol.40No.5May2023收稿日期:2022－07－13作者简介(*通讯作者):吕慈明(1979－)，男，广东揭阳人.(252731003@qq.com)doi:10.3969/j.issn.1002－0268.2023.05.025基于道路分割的道路天气识别方法研究吕慈明*1，刘电2，张秀杰2(1．广东省高速公路有限公司京珠北分公司，广东韶关512737;2．广州国交润万交通信息有限公司，广东广州510665)摘要:为了实现道路场景下天气图像的准确识别，提出了一种基于道路分割的道路天气识别方法，通过设计一种结合语义分割模型提取道路区域特征的方法，构建了一种结合道路天气图像全局特征及道路特征的道路分割融合网络(ＲSFN)。首先，通过道路分割网络对原始图像进行预处理，获取二值化图像，并利用卷积特征掩码(CFM)获取了道路区域信息。随后，构建了由全局网络分支和道路网络分支构成的卷积神经网络，分别用于提取整体图像区域特征和专注提取道路天气特征。针对提取到的不规则道路特征，使用CFM将图像全局特征和道路局部特征进行融合。最后，通过全连接层进行了重点道路区域的天气识别，并兼顾整体的天气识别，实现了阴天、晴天、雾天、雨天和雪天5种天气的识别。通过收集多个城市地区不同路段、不同天气下的高速公路真实监控视频，构建了道路多分类天气数据集(ＲMWD)，并与不同网络模型进行了测试结果对比。结果表明:在参数和运算量都有所降低的情况下，ＲSFN天气识别算法的准确率和召回率为85.40%和80.30%，分别提高了至少3.97%和3.86%;基于道路分割的道路天气识别方法将网络模型提取特征的重点区域放在了道路中，ＲSFN算法实现了道路天气特征的有效提取，能够有效应用于道路场景下实时准确的天气识别。关键词:交通安全;道路天气识别;ＲSFN算法;特征融合;图像分割中图分类号:U491.1文献标识码:A文章编号:1002－0268(2023)05－0184－09StudyonMethodforＲoadWeatherＲecognitionBasedonＲoadSegmentationLÜCi-ming*1，LIUDian2，ZHANGXiu-jie2(1．BeijingZhuhaiNorthBranchofGuangdongExpresswayCo.，Ltd.，ShaoguanGuangdong512737，China;2．GuangzhouＲunOneTrafficInformationCo.，Ltd.，GuangzhouGuangdong510665，China)Abstract:Inordertorealizetheaccuraterecognitionofweatherimagesinroadscenes，aroadweatherrecognitionmethodbasedonroadsegmentationisproposed，andasortofroadsegmentationfusionnetwork(...
