恶劣的路面条件是造成道路交通事故的重要诱因,当车辆在雨、雪、雾等恶劣天气下行驶时,极易发生车辆打滑侧翻等重特大交通事故。因此,准确快速地对路面状态进行检测识别,并在道路条件恶劣的情况下做出及时的预警和反应,对高速公路的高效安全运营具有重大现实意义。随着视频图像处理技术的成熟发展及高速公路全程视频监控系统的普及,监控摄像机已成为主要的交通监测设施。因此,利用视频图像技术识别路面状态已成为当前研究热点。然而,对于混合路面状态的识别,以及不同光照条件下的路面状态识别是两个亟需重点解决的难题。本论文提出利用视频图像技术检测路面状态,并开发可满足不同路段需求的路面状态检测算法。具体研究内容如下:(1)论文首先将路面状态分为干燥、潮湿、积雪、结冰、积水5种状态,根据原始图像大小,制定了图像分块原则,提取单一状态的图像块构建了路面状态图像库,保证了样本的质量和纯度。(2)采用三阶颜色矩法提取了 9维颜色特征向量,采用灰度共生矩阵法提取能量、熵、相关性、对比度4个纹理特征量,基于该13维图像特征向量,形成了路面状态特征数据库。(3)提出了基于SVM(支持向量机)的路面状态视频识别方法,为提升该算法的普适性的识别精度,采用网格搜索算法优化了 SVM中的核函数因子C和惩罚因子g。(4)建立路面状态图像分类模型,首先,利用参数寻优的SVM分类器对多组不同样本量进行了训练,得到多组路面状态图像分类模型;接着,对上述多组分类模型进行性能测试识别,甄选出分类效果最佳的模型。(5)依托搭建的实验系统及源于不同采集方式的视频样本,对大量不同环境、未经训练的实际路面状态原始图像进行了分块识别验证。实验结果表明:基于SVM寻优分类器和视频图像分块识别的方法科学可行,网格搜索寻优算法下的路面状态分类模型对单一状态下的样本识别准确率90%以上,对混和路面样本的识别准确率85%以上。有效解决了混合状态路面状态和不同光照条件下路面状态的识别难题。