Abstract

The primary objective of this study was to develop a trajectory-level weather detection system capable of providing real-time weather information at the road surface level using only a single video camera. Two texture-based features, including histogram of oriented gradient (HOG) and local binary pattern (LBP), were extracted from images and used as classification parameters to train the weather detection models using several machine learning classifiers, such as gradient boosting (GB), random forest (RF), and support vector machine (SVM). In addition, a unique multilevel model, based on a hierarchical structure, was also proposed to increase detection accuracy. Evaluation results revealed that the multilevel model provided an overall accuracy of 89.2%, which is 3.2%, 7.5%, and 7.9% higher compared to the SVM, RF, and GB model, respectively, using the HOG features. Considering the LBP features, the multilevel model also produced the best performance with an overall accuracy of 91%, which is 1.6%, 8.6%, and 9% higher compared to the SVM, RF, and GB models, respectively. A sensitivity analysis using the proposed multilevel model revealed that the classification accuracy improved with the increasing number of HOG and LBP features at the expense of more computational powers. The proposed weather detection method is cost-efficient and can be made widely available mainly due to the recent booming of smartphone cameras and can be used to expand and update the current weather-based variable speed limit (VSL) systems in a connected vehicle (CV) environment.

摘要

本研究的主要目标是开发一种轨迹级天气检测系统，该系统能够仅使用单个摄像机在路面级别提供实时天气信息。从图像中提取两个基于纹理的特征，包括定向梯度直方图 (HOG) 和局部二值模式 (LBP)，并将其用作分类参数，以使用多种机器学习分类器训练天气检测模型，例如梯度提升 (GB) 、随机森林 (RF) 和支持向量机 (SVM)。此外，还提出了一种基于分层结构的独特多级模型，以提高检测精度。评估结果显示，多级模型的总体准确率为 89.2%，分别比 SVM、RF 和 GB 模型高 3.2%、7.5% 和 7.9%，使用 HOG 功能。考虑到 LBP 特征，多级模型也产生了最佳性能，总体准确率为 91%，分别比 SVM、RF 和 GB 模型高 1.6%、8.6% 和 9%。使用所提出的多级模型的敏感性分析表明，随着 HOG 和 LBP 特征数量的增加，分类精度提高，但计算能力增加。所提出的天气检测方法具有成本效益，并且可以广泛使用，主要是由于最近智能手机相机的蓬勃发展，并且可用于扩展和更新当前联网车辆（CV）中基于天气的可变限速（VSL）系统。 ） 环境。分别比 SVM、RF 和 GB 模型高 1.6%、8.6% 和 9%。使用所提出的多级模型的敏感性分析表明，随着 HOG 和 LBP 特征数量的增加，分类精度提高，但计算能力增加。所提出的天气检测方法具有成本效益，并且可以广泛使用，主要是由于最近智能手机摄像头的蓬勃发展，并且可用于扩展和更新当前联网车辆 (CV) 中基于天气的可变限速 (VSL) 系统。 ） 环境。分别比 SVM、RF 和 GB 模型高 1.6%、8.6% 和 9%。使用所提出的多级模型的敏感性分析表明，随着 HOG 和 LBP 特征数量的增加，分类精度提高，但计算能力增加。所提出的天气检测方法具有成本效益，并且可以广泛使用，主要是由于最近智能手机相机的蓬勃发展，并且可用于扩展和更新当前联网车辆（CV）中基于天气的可变限速（VSL）系统。 ） 环境。使用所提出的多级模型的敏感性分析表明，随着 HOG 和 LBP 特征数量的增加，分类精度提高，但计算能力增加。所提出的天气检测方法具有成本效益，并且可以广泛使用，主要是由于最近智能手机摄像头的蓬勃发展，并且可用于扩展和更新当前联网车辆 (CV) 中基于天气的可变限速 (VSL) 系统。 ） 环境。使用所提出的多级模型的敏感性分析表明，随着 HOG 和 LBP 特征数量的增加，分类精度提高，但计算能力增加。所提出的天气检测方法具有成本效益，并且可以广泛使用，主要是由于最近智能手机摄像头的蓬勃发展，并且可用于扩展和更新当前联网车辆 (CV) 中基于天气的可变限速 (VSL) 系统。 ） 环境。