买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安工业大学申请的专利一种基于多源异构数据融合的道路状况识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116738211B 。

龙图腾网通过国家知识产权局官网在2026-04-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310754496.0，技术领域涉及：G06F18/213；该发明授权一种基于多源异构数据融合的道路状况识别方法是由黄姣茹;慕嘉;高嵩;陈超波;钱富才;张晓艳;李继超;宋浩辉设计研发完成，并于2023-06-26向国家知识产权局提交的专利申请。

本一种基于多源异构数据融合的道路状况识别方法在说明书摘要公布了：本发明公开了一种基于多源异构数据融合的道路状况识别方法。本发明首先采用多传感器对道路图像数据及车辆速度、加速度及轮速数据进行采集，接着对各部分数据进行预处理并采用不同的算法进行特征提取，然后将提取的特征向量采用多源异构数据时空融合策略进行特征级融合及降维处理，最后采用基于粒子群优化的最小二乘支持向量机进行训练及测试，建立道路状况识别模型。本发明通过对多传感器采集的数据进行预处理、特征提取及识别模型建立，实现了对不同恶劣天气所造成的道路状况准确高效的识别。其可以充分发掘多个传感器资源，进而对采集到的数据进行综合分析，以此提升道路状况分类识别准确性及环境适应性。

本发明授权一种基于多源异构数据融合的道路状况识别方法在权利要求书中公布了：1.一种基于多源异构数据融合的道路状况识别方法，其特征在于：包括以下步骤： 步骤1、路面感知信息采集： 利用无人智能车采集不同道路状况下的路面图像数据及车辆动力学相关数据； 步骤2、数据预处理及特征提取： 对步骤1采集到的路面图像数据及车辆动力学相关数据进行预处理；利用多种特征提取算法提取相应的特征值，最终构成两种描述不同道路状况的特征矩阵； 所述的步骤2中的路面图像数据预处理及特征提取的方法为： 利用USM及直方图均衡化方法对道路图像数据进行预处理；利用颜色直方图法、ULBP及GLCM分别提取道路图像的颜色特征及纹理特征，最后组成图像特征矩阵； 车辆动力学预处理及特征提取的方法为：利用小波阈值去噪法对车辆动力学数据进行预处理；利用功率谱密度提取车辆动力学信号频域特征，最后组成车辆动力学特征矩阵； 步骤3、多源异构数据融合及降维： 利用多源异构数据时空融合策略将步骤2中两种描述不同道路状况的特征矩阵进行特征级融合，然后利用主成分分析法将融合后的特征矩阵进行降维； 征矩阵降维：将融合特征矩阵进行标准化及归一化处理，然后利用PCA算法将融合后的特征矩阵降维至88维，共保留75%的有效信息，提供给基于粒子群优化的最小二乘支持向量机进行分类识别训练； 所述步骤3的具体方法为： 步骤3.1多源异构数据时空融合策略包括时间数据融合和空间数据融合： 时间数据融合：以车辆起始点作为坐标原点，以组合导航系统的输出时间作为标准，不同传感器采样频率保持相同且要求在同一时间开始取样，并采用离线方式记录数据，使采集到的数据具有一致的系统时间戳； 空间数据融合：首先，获取车辆的行驶里程信息并建立车辆位置轴，以车辆前轮中心为坐标原点，其次，将车辆动力学特征向量分成与图像数据等长的小段，随后将每张图像特征向量与分段后的车辆动力学特征向量进行融合，每段信号形成的特征向量可以表示为 其中表示第一种类型路面，、及表示纵向加速度、轮速以及纵向速度特征值，最终车辆每采集到一张道路图片后均会与接下来0.25秒内的车辆动力学数据进行融合； 步骤4、道路状况识别模型建立： 将步骤3降维后的特征矩阵与对应的道路类型标签组成数据集；随后数据集按4:1的比例随机分为训练集和测试集；最后将训练集及测试集输入至基于粒子群优化的最小二乘支持向量机模型中进行训练及测试，得到道路状况识别模型；所述道路状况识别模型选择一对一编码分类方法，通过构造多个二分类LSSVM，与组合编码方法结合实现多分类。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安工业大学，其通讯地址为：710032 陕西省西安市未央区学府中路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。