基于多種低層顯著特征的路面裂縫檢測(cè)方法
【專利摘要】本發(fā)明公開(kāi)了一種基于多種低層顯著特征的路面裂縫檢測(cè)方法。在車輛行駛的過(guò)程中獲取對(duì)應(yīng)里程的高分辨率路面灰度圖像，采用局部對(duì)比度和稀少性度量裂縫的低層顯著特征；利用貝葉斯理論刻畫裂縫在雙層鄰域擴(kuò)張過(guò)程中的不規(guī)則曲線結(jié)構(gòu)特性，大面積消除噪聲；局部區(qū)域增長(zhǎng)，增強(qiáng)裂縫特征，閾值分割后提取裂縫；根據(jù)檢測(cè)出的裂縫破損，生成具體病害參數(shù)，生成報(bào)表，為公路維護(hù)提供依據(jù)。本發(fā)明誤檢率和漏檢率較低，對(duì)一些噪聲干擾較重的路面裂縫圖像也有很好的適應(yīng)性。
【專利說(shuō)明】基于多種低層顯著特征的路面裂縫檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于路面病害檢測(cè)領(lǐng)域，特別是針對(duì)一種路面裂縫病害的檢測(cè)方法。
【背景技術(shù)】
[0002]路面裂縫是最為主要的路面破損，是許多嚴(yán)重病害的最初表現(xiàn)形式。如果能在形成的早期發(fā)現(xiàn)并修護(hù)，能夠大大提高行車安全，節(jié)省路面狀況維護(hù)的成本，為高效智能化交通提供決策依據(jù)。傳統(tǒng)的路面病害檢測(cè)采用人工視覺(jué)觀察，效率低下，影響交通，危險(xiǎn)性高，且檢測(cè)結(jié)果存在較大的主觀差異，準(zhǔn)確性不高。因此，基于數(shù)字圖像處理技術(shù)的路面病害自動(dòng)檢測(cè)方法被廣泛研究用以克服以上缺陷。
[0003]目前主要的基于圖像處理的路面裂縫檢測(cè)算法根據(jù)裂縫在全局或局部表現(xiàn)出的典型的可區(qū)分性特征進(jìn)行提取。裂縫細(xì)長(zhǎng)，全局范圍內(nèi)表現(xiàn)出一定的邊緣特征，采用Sobel算子、Canny算子或者基于小波變換的邊緣檢測(cè)方法被提出，刻畫裂縫。但結(jié)構(gòu)化道路的路面顆粒狀明暗紋理也形成了較強(qiáng)的邊緣特性，而某些破損程度較輕的裂縫的邊緣信息反而被淹沒(méi)其中，難以區(qū)分。各種優(yōu)化的閾值分割策略根據(jù)裂縫區(qū)域的灰度比周圍像素低的特點(diǎn)，直接閾值分割后獲取裂縫。而實(shí)際路面存在各種灰度較黑的噪聲干擾，如塊狀油斑、路面較黑顆粒以及陰影。為了克服以上缺陷，更多的算法根據(jù)裂縫幾何特征，將路面裂縫圖像預(yù)分割后，計(jì)算目標(biāo)區(qū)域的長(zhǎng)寬比、連接度；或者選取種子點(diǎn)，采用區(qū)域增長(zhǎng)或者構(gòu)造最小生成樹(shù)的方法模擬裂縫的自然形成過(guò)程，濾除噪聲，保留裂縫。此類方法需要全局范圍內(nèi)構(gòu)造搜索空間，進(jìn)行潛在裂縫點(diǎn)的搜索，時(shí)間復(fù)雜度較高，并不能適應(yīng)大量高分辨率的路面裂縫圖像檢測(cè)?；跈C(jī)器學(xué)習(xí)的方法將圖像分塊后，提取局部小塊中灰度均值和方差作為二維特征，采用核密度估計(jì)、K均值聚類、層次聚類等方法，區(qū)分背景塊和裂縫塊，其檢測(cè)結(jié)果雖然準(zhǔn)確率較高，但是基于圖像塊而不是更為精確的像素，且此類方法通常假設(shè)路面光照均勻，幾乎不存在噪聲干擾。
[0004]目前裂縫檢測(cè)領(lǐng)域面臨的主要問(wèn)題是路面環(huán)境的復(fù)雜性與多變性。實(shí)際路面圖像中存在各種干擾，如行道線、塊斑、路面顆粒形成的全局隨機(jī)紋理、激光輔助照明所固有的明暗相間條紋；裂縫由于破損程度和拍攝角度而在圖像中表現(xiàn)出不同效果。而現(xiàn)有算法假設(shè)在理想情況下，且裂縫特特征明顯，往往忽略了這些影響，因此，有必要針對(duì)實(shí)際應(yīng)用環(huán)境下的有效裂縫檢測(cè)，提出新的方法。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于提供一種基于多種低層顯著特征的路面裂縫檢測(cè)方法，并且對(duì)噪聲干擾嚴(yán)重的路面圖像也有很好的適應(yīng)性。
[0006]本發(fā)明的技術(shù)解決方案為:
[0007](I)獲取路面灰度圖像；可以通過(guò)安裝在車輛上的線陣或面陣相機(jī)獲取路面灰度圖像，而相機(jī)拍攝是由里程傳感器根據(jù)車輛行駛里程(速度)來(lái)觸發(fā)的，這樣就可以在車輛行駛的過(guò)程中獲取對(duì)應(yīng)里程的高分辨率路面灰度圖像。[0008](2)裂縫低層顯著特征提??；即將圖像劃分為局部分塊，將塊內(nèi)每個(gè)像素與塊內(nèi)其余所有像素的灰度距離作為局部對(duì)比度度量，每個(gè)像素在灰度直方圖中出現(xiàn)的概率作為稀少性度量，生成裂縫特征圖；
[0009](3)基于貝葉斯理論的雙鄰域擴(kuò)張初步提取裂縫；即采用雙鄰域擴(kuò)張的方法模擬裂縫的空間曲線結(jié)構(gòu)的延伸特性，據(jù)此設(shè)計(jì)先驗(yàn)概率權(quán)重，代入貝葉斯公式，更新裂縫特征圖，突出裂縫；
[0010](4)區(qū)域增長(zhǎng)增強(qiáng)，閾值分割后提取裂縫；即將更新后的裂縫特征圖劃分為局部分塊，將各局部分塊中裂縫特征值最大的一部分點(diǎn)的取值作為該分塊整體的裂縫特征值，采用區(qū)域增長(zhǎng)的方式，進(jìn)行裂縫空間一致性增強(qiáng)，自適應(yīng)閾值分割后提取裂縫；
[0011](5)計(jì)算裂縫各項(xiàng)具體參數(shù)，生成精確報(bào)表；參數(shù)如裂縫類型、面積、位置等。
[0012]本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)為:(I)充分考慮路面存在的多種干擾，在雙鄰域擴(kuò)張結(jié)合貝葉斯公式的裂縫初步提取過(guò)程中，濾除了多層次噪聲，裂縫提取的準(zhǔn)確性和完整性更強(qiáng)。(2)較好的滿足了實(shí)時(shí)性和精確性的平衡，算法復(fù)雜度不高。
【專利附圖】

【附圖說(shuō)明】
[0013]圖1是本發(fā)明基于多種低層顯著特征的路面裂縫檢測(cè)方法的流程圖。
[0014]圖2是本發(fā)明基于多種低層顯著特征的路面裂縫檢測(cè)方法的雙鄰域擴(kuò)張示意圖。
[0015]圖3是本發(fā)明基于多種低層顯著特征的路面裂縫檢測(cè)方法的區(qū)域增長(zhǎng)進(jìn)行裂縫空間一致性增強(qiáng)的示意圖。
【具體實(shí)施方式】
[0016]本發(fā)明一種基于多種低層顯著特征的路面裂縫檢測(cè)方法，步驟如下:
[0017](1)獲取路面灰度圖像；通過(guò)安裝在車輛上的線陣或面陣相機(jī)獲取路面灰度圖像，相機(jī)拍攝是由里程傳感器根據(jù)車輛行駛里程觸發(fā)；
[0018](2)裂縫低層顯著特征提??；即將圖像劃分為局部分塊，將塊內(nèi)每個(gè)像素與塊內(nèi)其余所有像素的灰度距離作為局部對(duì)比度度量，每個(gè)像素在灰度直方圖中出現(xiàn)的概率作為稀少性度量，生成裂縫特征圖；
[0019](3)基于貝葉斯理論的雙鄰域擴(kuò)張初步提取裂縫；即采用雙鄰域擴(kuò)張的方法模擬裂縫的空間曲線結(jié)構(gòu)的延伸特性，據(jù)此確定先驗(yàn)概率權(quán)重，代入貝葉斯公式，更新裂縫特征圖，突出裂縫；
[0020](4)區(qū)域增長(zhǎng)增強(qiáng)，閾值分割后提取裂縫；即將更新后的裂縫特征圖劃分為局部分塊，將各局部分塊中裂縫特征值最大的一部分點(diǎn)的取值作為該分塊整體的裂縫特征值，采用區(qū)域增長(zhǎng)的方式，進(jìn)行裂縫空間一致性增強(qiáng)，自適應(yīng)閾值分割后提取裂縫；
[0021](5)計(jì)算裂縫各項(xiàng)具體參數(shù)，生成精確報(bào)表，參數(shù)包括裂縫類型、面積和位置。
[0022]所述步驟(2)的具體方法為:
[0023]第一步，對(duì)路面圖像高斯平滑后，劃分為局部分塊，局部對(duì)比度通過(guò)該分塊內(nèi)每個(gè)像素與分塊內(nèi)其余所有像素的灰度距離計(jì)算，即點(diǎn)i的局部對(duì)比度特征C(i)為
[0024][0025]fj為像素點(diǎn)j在局部小塊中出現(xiàn)的概率，Ddi, Ij)為點(diǎn)i的灰度值Ii與點(diǎn)j的灰度值L的灰度差異，采用歐式距離度量；
[0026]第二步，將局部分塊中各個(gè)像素i在灰度直方圖H中的概率H (i)作為信息論中信息的出現(xiàn)概率，采用自信息方法度量裂縫像素的稀少性特征R(i)，即
[0027]R(i)=-log(H(i))
[0028]第三步，將以上兩種特征結(jié)合，歸一化為[0，1]，生成裂縫特征圖
[0029]F(i)=C(i)R(i)
[0030]所述步驟(3 )具體方法為:
[0031]第一步，設(shè)已知裂縫特征情況下，估計(jì)點(diǎn)i為裂縫的條件概率為P(C1IfQ))，由貝葉斯理論得到點(diǎn)i更新后的裂縫特征值F’ a)
【權(quán)利要求】
1.一種基于多種低層顯著特征的路面裂縫檢測(cè)方法，其特征在于步驟如下: (1)獲取路面灰度圖像；通過(guò)安裝在車輛上的線陣或面陣相機(jī)獲取路面灰度圖像； (2)裂縫低層顯著特征提??；即將圖像劃分為局部分塊，將塊內(nèi)每個(gè)像素與塊內(nèi)其余所有像素的灰度距離作為局部對(duì)比度度量，每個(gè)像素在灰度直方圖中出現(xiàn)的概率作為稀少性度量，生成裂縫特征圖； (3)基于貝葉斯理論的雙鄰域擴(kuò)張初步提取裂縫；即采用雙鄰域擴(kuò)張的方法模擬裂縫的空間曲線結(jié)構(gòu)的延伸特性，據(jù)此確定先驗(yàn)概率權(quán)重，代入貝葉斯公式，更新裂縫特征圖，突出裂縫； (4)區(qū)域增長(zhǎng)增強(qiáng)，閾值分割后提取裂縫；即將更新后的裂縫特征圖劃分為局部分塊，將各局部分塊中裂縫特征值最大的一部分點(diǎn)的取值作為該分塊整體的裂縫特征值，采用區(qū)域增長(zhǎng)的方式，進(jìn)行裂縫空間一致性增強(qiáng)，自適應(yīng)閾值分割后提取裂縫； (5)計(jì)算裂縫各項(xiàng)具體參數(shù)，生成精確報(bào)表，參數(shù)包括裂縫類型、面積和位置。
2.根據(jù)權(quán)利要求1所述的基于多種低層顯著特征的路面裂縫檢測(cè)方法，其特征在于所述步驟(2)的具體方法為: 第一步，對(duì)路面圖像高斯平滑后，劃分為局部分塊，局部對(duì)比度通過(guò)該分塊內(nèi)每個(gè)像素與分塊內(nèi)其余所有像素的灰度距離計(jì)算，即點(diǎn)i的局部對(duì)比度特征C(i)為

3.根據(jù)權(quán)利要求1所述的基于多種低層顯著特征的路面裂縫檢測(cè)方法，其特征在于所述步驟(3)具體方法為: 第一步，設(shè)已知裂縫特征情況下，估計(jì)點(diǎn)i為裂縫的條件概率為P(C1Ifq)),由貝葉斯理論得到點(diǎn)i更新后的裂縫特征值f’ a)
4.根據(jù)權(quán)利要求1所述的基于多種低層顯著特征的路面裂縫檢測(cè)方法，其特征在于步驟(4)中的區(qū)域增長(zhǎng)方法為: 第一步，將更新后的裂縫特征圖劃分為局部分塊，在各局部分塊中，取裂縫特征值最大的前P%像素的裂縫特征值作為該分塊的裂縫特征值f，P%為3%~8% ； 第二步，以各分塊R為中心，在其周圍8鄰域中尋找裂縫特征值與其最為接近的分塊1，即與分塊R的特征值之差的絕對(duì)值最小的分塊，再以尋找到的分塊I為中心，搜索下一個(gè)裂縫特征值與I最為接近的分塊，按照此規(guī)則繼續(xù)搜索，直到分塊個(gè)數(shù)為n ;n為7~9 ;第三步，基于區(qū)域增長(zhǎng)的裂縫空間一致性增強(qiáng)結(jié)果為: FE(i)=1/n(fr+ΣF1).f(i) FE(i)為點(diǎn)i經(jīng)過(guò)基于區(qū)域增長(zhǎng)的裂縫空間一致性增強(qiáng)值，n為點(diǎn)i所屬分塊R在區(qū)域增長(zhǎng)路徑上分塊的個(gè)數(shù)，fE和分別為分塊R和1的裂縫特征值。
【文檔編號(hào)】G06T5/00GK103903268SQ201410141476
【公開(kāi)日】2014年7月2日 申請(qǐng)日期:2014年4月9日 優(yōu)先權(quán)日:2014年4月9日
【發(fā)明者】唐振民, 呂建勇, 徐中寧, 徐威, 錢彬 申請(qǐng)人:南京理工大學(xué)