專利名稱：基于動態(tài)規(guī)劃的路面裂縫檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種檢測方法，尤其涉及一種基于動態(tài)規(guī)劃的路面裂縫檢測方法。
背景技術(shù)：
裂縫是公路路面最常見的損壞，其不僅降低了路面的防水性、耐久性和承載能力， 而且由于行駛車輛的高速和重載，裂縫將演變?yōu)楦鼑乐氐穆访娌『?，如坑槽等。因此，裂縫 檢測成為及時整治路面病害以保障其安全運營的重要環(huán)節(jié)。路面裂縫的傳統(tǒng)檢測方式是定 期的人工檢測，由于人工檢測效率低、識別精度低、主觀性大、安全性差等，它無法滿足路面 裂縫快速檢測的要求。隨著科技的進步，圖像檢測技術(shù)得到了快速的發(fā)展，由于其具有檢測 速度快、測量準確、自動化程度高、獲取信息豐富等特點，已經(jīng)廣泛應(yīng)用于工業(yè)在線表面質(zhì) 量檢測等領(lǐng)域。圖像檢測手段逐步成為路面裂縫檢測的重要手段。現(xiàn)有的基于圖像的裂縫檢測方法主要分兩種，一種是基于邊緣檢測的方法；另一 種是基于分割后處理的方法?；谶吘墮z測的方法，其步驟為(1)圖像預(yù)處理，如勻光、對比度拉伸；(2)圖像增強，如采用中值濾波、形態(tài)濾波等；(3)邊緣檢測，如采用sobel、canny等邊緣檢測算子；(4)裂縫提取，根據(jù)主要邊緣抽取裂縫；(5)裂縫分類，根據(jù)裂縫的空間分布規(guī)則進行分類?；诜指詈筇幚淼姆椒ǎ洳襟E為(1)圖像預(yù)處理，如勻光，對比度拉伸；(2)圖像增強，如采用中值濾波，形態(tài)濾波等；(3)圖像分割，如基于灰度直方圖的分割，基于數(shù)學期望的分割，基于類間方差最 大化的分割等；(4)裂縫提取，根據(jù)一定的規(guī)則對分割后的面元進行處理，如設(shè)定面元的線性度， 飽和度等閾值；(5)裂縫分類，根據(jù)裂縫的空間分布規(guī)則進行分類?，F(xiàn)有的基于邊緣檢測和基于分割后處理的裂縫檢測方法，是通過分析圖像的局部 信息，如亮度，對比度，方差等，實現(xiàn)對裂縫線目標的提取，它是基于局部處理的方法，因此 它要求裂縫具有較高的對比度和較好的連續(xù)性。然而在高速公路路面檢測的工程實踐中， 由于路面的顆粒紋理特性，裂縫縫壁脫落、積灰，拍攝時光線不能使裂縫形成有效的陰影等 原因，裂縫通常具有對比度低、連續(xù)性差等特點，裂縫只有在全局上呈現(xiàn)為一個線目標。這 使得傳統(tǒng)的基于局部處理的裂縫檢測算法不能滿足要求?，F(xiàn)有的裂縫分類方法是一種靜止 的判決方法，通過裂縫的空間分布信息判斷裂縫的類別。但裂縫具有不規(guī)則性，用“有限的 規(guī)則”去判別“無限案例”是不足的。因此本發(fā)明設(shè)計了機器學習的方法進行裂縫類別的判 斷，它具有學習性，使歷史數(shù)據(jù)和現(xiàn)實數(shù)據(jù)有效關(guān)聯(lián)起來，通過不斷增長的“知識庫”來對最 新的“案例”進行的判別。

發(fā)明內(nèi)容
本發(fā)明的主要目的在于提供一種基于動態(tài)規(guī)劃的裂縫檢測方法，能實現(xiàn)對對比度 低、連續(xù)性差的裂縫的有效提取。為了達到上述目的，本發(fā)明提供了一種基于動態(tài)規(guī)劃的路面裂縫檢測方法，其包 括以下步驟步驟11 運用模糊梯度和路徑跟蹤對對比度低的裂縫進行有效增強；步驟12 運用動態(tài)規(guī)劃的方法，實現(xiàn)對連續(xù)性差的裂縫的有效檢測；步驟13 運用支持向量機模型，對所提取的裂縫進行分類。實施時，步驟11包括步驟111 從局部特征出發(fā)用方向濾波對線特征進行增強；步驟112 從全局特征出發(fā)運用最優(yōu)路徑搜索的方法進行線特征的增強。實施時，步驟12包括步驟121 運用線段局域鏈算法進行局部最優(yōu)搜索，得到候選裂縫段；步驟122 運用線段全局鏈算法進行全局最優(yōu)搜索，得到最大的Beam能量對應(yīng)的 線目標，從而實現(xiàn)對裂縫的提取。實施時，步驟12包括以下步驟步驟1 設(shè)定要進行劃分的尺度，對圖像進行相應(yīng)的劃分，得到多個固定的M XN 個圖像小方塊，通常每個圖像方塊的大小為32 X 32像素；其中，M、N為大于1的整數(shù)；步驟2 對于每個小方塊數(shù)據(jù)，在其四條邊線上從左上角開始，按順時針方向進行 標注，得到多個標注點；步驟3 每兩個標注點之間構(gòu)成一條Beamlet，應(yīng)用Bresenham算法進行相應(yīng)的插 值來確定Beamlet上所有圖像數(shù)據(jù)點；步驟4 搜索每兩個標注點之間的最小代價路徑，并計算平均路徑代價值，作為對 應(yīng)得Beamlet值，將路徑長度作為Beamlet變換系數(shù)；步驟5 對Beamlet值進行標準歸一化處理，并進行統(tǒng)計分析，用類間方差最大法 進行二類聚類，得到閾值，并運用廣義似然比檢驗法來檢測判斷檢驗假設(shè)，確定符合假設(shè)條 件下的Beamlets ；步驟6 應(yīng)用Beamlet局域鏈算法將步驟5所得Beamlets進行逼近，用逼近后的 Beamlets對原Beamlets進行更新；步驟7:用格狀圖來存儲余下的Beaml et s，得到M X N個節(jié)點，節(jié)點的權(quán)值為 Beamlet值與Beamlet變換系數(shù)的乘積；步驟8 用Dijkstra算法計算每兩個Beamlet節(jié)點之間的最小代價路徑，并計算 J(L)值；最小的J(L)值對應(yīng)的Beamlets即為裂縫。實施時，步驟13包括步驟131 選擇基于統(tǒng)計學習理論的支持向量機模型，核函數(shù)為徑向基函數(shù)，標準 差為ο，取ο在1X10—7和3X10—7之間；步驟132 對裂縫特征提??；步驟133 基于支持向量機的裂縫分類。
實施時，該裂縫特征包括裂縫對應(yīng)面元的面積、裂縫最小外接矩形的面積、裂縫 最大外接矩形的面積、線性度、飽和度、裂縫總方向、裂縫平均方向、面元間最大距離、面元 間平均距離和面元密度。實施時，步驟133包括步驟1331 構(gòu)建樣本集，選擇預(yù)定數(shù)目的橫向裂縫、縱向裂縫、龜裂和塊狀裂縫樣 本預(yù)定數(shù)目；步驟1332 對每個樣本，計算其10種特征值，構(gòu)成樣本的特征向量；步驟1333 將每兩類樣本的特征向量輸入SVM模型進行訓練，得到SVM模型的參 數(shù)，得到訓練好的模型；步驟1334 在裂縫分類中，用訓練好的模型對裂縫進行分類。與現(xiàn)有技術(shù)相比，本發(fā)明所述的基于動態(tài)規(guī)劃的裂縫檢測方法，能實現(xiàn)對對比度 低、連續(xù)性差的裂縫的有效提取。


圖1是本發(fā)明所述的基于動態(tài)規(guī)劃的裂縫檢測方法的技術(shù)路線圖；圖2是本發(fā)明所述的方法的裂縫增強步驟的技術(shù)路線圖；圖3是本發(fā)明所述的方法的裂縫提取步驟的技術(shù)路線圖；圖4是本發(fā)明所述的方法的裂縫分類步驟的技術(shù)路線圖；圖5是空間映射的示意圖。
具體實施例方式本發(fā)明設(shè)計的基于動態(tài)規(guī)劃的裂縫檢測方法是一種全局處理的方法，能實現(xiàn)對對 比度低、連續(xù)性差的裂縫的有效提取。本發(fā)明設(shè)計了分為三個步驟的裂縫檢測方法第一步為裂縫增強，第二步為裂縫 提取，第三步為裂縫分類。設(shè)計了基于局部特征和全局特征的裂縫增強算法。局部增強用到模糊梯度和方向 濾波算法；全局增強中，用到了最小代價路徑搜索的方法。局部增強和全局增強配合使用， 保證了增強的效果。設(shè)計了基于Beamlet變換和動態(tài)規(guī)劃的裂縫提取方法。Beamlet變換常被用于線 目標的提取，特別是基于Beamlet變換的線段全局鏈算法在理論上具有最優(yōu)效果。但由于 其計算復(fù)雜度極高，一直沒有得到有效發(fā)揮。本專利巧妙地運用動態(tài)規(guī)劃的方法解決了這
—難題。設(shè)計了基于支持向量機(SVM)的裂縫分類方法。其中，特征提取中所選擇的10個 特征構(gòu)成的特征是算法能夠成功的關(guān)鍵。支持向量機(SVM)學習的目的就是根據(jù)給定的訓練樣本求解系統(tǒng)輸入輸出之間的依賴關(guān)系。經(jīng)典的 模式識別分類器如神經(jīng)網(wǎng)絡(luò)是基于經(jīng)驗風險最小化(ERM)原則的。它希望通過最小化訓 練誤差來實現(xiàn)最小化測試誤差的目的，但實際卻難以達到這個目標。與傳統(tǒng)統(tǒng)計學相比，統(tǒng) 計學習理論提出了建立在結(jié)構(gòu)風險最小化(SRM)原則上的學習方法，它能有效解決在小樣本情況下建立有效的學習和推廣方法。SVM是統(tǒng)計學習理論的實踐。給定一組訓練樣本(Xi，yi)，i= 1，...，1，Xi e Rd, Yi e (-1，1)，其中 1 為訓練樣 本數(shù)，d為輸入空間維數(shù)，SVM訓練的目的就是找到一個超平面w · x+b = 0，將這兩類數(shù)據(jù) 完全分開。與樣本間隔為△的分類超平面可描述如下w·χ+b=0
(8-1)subject to | |w| =1，w · x+b ^ Δ , if Yi = 1,w · x+b 彡 Δ , if Yi = -1·則兩類的邊界分隔面的距離是
2ΔΜ = η~
IIwII.(8-2)與兩類樣本點距離最大(稱為間隔最大)的分類超平面將會獲得最佳的推廣能 力，這種最優(yōu)分類超平面將由離它最近的樣本點(稱為支持向量)決定，而與其它樣本無關(guān)。求解最優(yōu)分類超平面可以歸結(jié)為二次凸規(guī)劃問題，可以通過求解下列Lagrange 方程來實現(xiàn)
1ιL{w,b,a) = -\\w\\2 -^aXyXw-x, +b)-l)
2-ι(8-3)subject to α j ^ 0, i = 1, . . . , 1現(xiàn)實世界中大部分的問題都不是線性可分的，解決的方法就是將輸入向量映射到 一個高維的特征空間，并在該特征空間中構(gòu)造最優(yōu)分類面(圖5)。 SVM 通過一個 Mercer 核函數(shù) k，使得 kOci 'x^ = iPixl). iPixj),內(nèi)積運算
P(Xi)卞(Xy)就可以用原空間中的函數(shù)來實現(xiàn)，實現(xiàn)某一非線性變化后的線性分類，從而避 免了 “維數(shù)災(zāi)難”問題。此時的Lagrange方程變?yōu)?br> 1ι
L(w,b,a) = -\\w\\2 -Σat(y,(w■ φ(χ,) + b)-\ +ζ,)
2-ι(8-4)本發(fā)明提供了 一種基于動態(tài)規(guī)劃的路面裂縫檢測方法，其包括以下三個步驟(1)裂縫增強運用模糊梯度和路徑跟蹤對對比度低的裂縫進行有效增強；路面檢測工程實踐中，由于裂縫具有對比度低的特點，裂縫信號非常弱，因此為了 準確、有效地檢測裂縫，需要對裂縫信號進行增強。但是路面圖像具有顆粒紋理背景特征， 給裂縫增強帶來巨大困難，傳統(tǒng)的圖像增強算法很難發(fā)揮作用，而本發(fā)明將線目標增強的 局部方法和全局方法相結(jié)合，對裂縫進行增強。(2)裂縫提取運用動態(tài)規(guī)劃的方法，實現(xiàn)對連續(xù)性差的裂縫的有效檢測；路面裂縫還具有連續(xù)性差的特點，其只是在宏觀上呈現(xiàn)為線狀目標，因為基于線 檢測的局部方法不能有效檢測裂縫，所以本發(fā)明采用的是線檢測的全局方法，在該全局方 法中，裂縫檢測問題被轉(zhuǎn)化為全局最優(yōu)化計算的問題，并通過動態(tài)規(guī)劃的方法實現(xiàn)了該最
7優(yōu)化問題的求解，從而實現(xiàn)了裂縫的全局最優(yōu)提取。(3)裂縫分類運用支持向量機(SVM)模型，對所提取的裂縫進行分類；通常的裂縫分類方法是獨立對每一幅圖像上的裂縫進行判斷，判斷的規(guī)則通常是 固定的；但是，實際上裂縫是不規(guī)則的，用“有限的規(guī)則”去判別“無限案例”是不足的。因 此，本發(fā)明涉及了機器學習的方法進行裂縫類別的判斷，它具有學習型，使得歷史數(shù)據(jù)和現(xiàn) 實數(shù)據(jù)有效關(guān)聯(lián)起來，通過不斷增長的“知識庫”來對最新的“案例”進行判別。如圖1所示，本發(fā)明所述的基于動態(tài)規(guī)劃的路面裂縫檢測方法的實施流程圖；(1)裂縫增強如圖2所示，裂縫增強步驟的流程圖；對圖像線特征進行增強處理，采用局部處理和全局處理相結(jié)合的方法，首先從局 部特征觸發(fā)用方向濾波對線特征進行增強，然后從全局特征觸發(fā)運用最優(yōu)路徑搜索的方法 進行線特征的增強。裂縫增強的步驟包括對原始路面影像I根據(jù)式(1)計算每一像素點的模糊梯度，得到模糊梯度矩陣Gf ；Gf 力=Αψ Max 例,j\s)\seN}(U式(1)中，Gf(i, j)代表點(i，j)的模糊梯度，G(i，j，s)表示求尺度為s時的像 素點(i，j)的梯度。2)根據(jù)模糊梯度矩陣GF，對圖像I進行方向濾波，得到基于局部處理的增強圖像T .
丄el，Iel(i，j) = I(i，j)*GF(i，j)(2)3)建立路徑矩陣X(col，row)并將元素初始化為0，對圖像Iel每條邊上的點(i， j)，用Ford (F*)算法計算其到達對邊的最小能量路徑，并在路徑矩陣對應(yīng)的元素位置累積 計數(shù)加1 ；4)將路徑矩陣X疊加到影像I，并進行歸一化處理，得到增強圖像Ie2。Ie2 (i,j) =I(i, j)+X(i, j)(3)Ford (F*)算法是一種動態(tài)規(guī)劃算法，用圖論的方法來描述目標之間的關(guān)系，運用 網(wǎng)絡(luò)流(net flow)模型搜索最小能量路徑。X= {(i, j) |θ ^ i < row,0 ^ j < col}是 圖像構(gòu)成的格狀圖中的節(jié)點集合，定義C^為相鄰節(jié)點到達節(jié)點(i，j)的代價值，Xy為節(jié) 點(i，j)到達搜索起點的累積代價，即路徑代價。則搜索格狀圖中兩節(jié)點之間的最小代價 路徑的步驟為a)設(shè)定搜索起點(m，η)，按式(4)初始化路徑代價矩陣X ； 其中，凡(Xi,」)是Xi,」的相鄰節(jié)點。這一過程重復(fù)進行，直到所有節(jié)點值保持穩(wěn)定。 此時，節(jié)點路徑代價值即為該節(jié)點到搜索起點的最小代價；
0, i = m,j = n σο, else b)按式(5)更新路徑代價矩陣X ；
) + c,,廣 if Xu - Nr(Xu) > C1else
c)反向跟蹤最小路徑代價節(jié)點可得到任一節(jié)點到搜索起點(m，η)的最小代價路徑。(2)裂縫提取Beamlet變換是一種多尺度幾何分析工具，通過對Beam基b進行線積分，得到 T (b)，由于b具有多尺度特征，故所有T組成的集合便構(gòu)成Beamlet金字塔。從金字塔中提 取最大的Beam能量，是Beamlet算法的關(guān)鍵。目前有四種不同層次的Beamlet算法基于 Beamlet變換的無結(jié)構(gòu)算法、樹結(jié)構(gòu)算法、線段局域鏈算法和線段全局鏈算法。連續(xù) Beamlet 變換假設(shè)f(xi，x2)為W，I]2上的連續(xù)函數(shù)，函數(shù)f的連續(xù)Beamlet變換定義為線積分 的集合，如式(6)。
(6)其中，δ = 任意的兩個標注點Vi，Vj組成的線段，Βν, ε表示在分辨率ε下所
有線段b的集合；X(I)表示Beamlet b沿線段在單位速度上的描述。對于一幅NXN的數(shù) 字圖像f i2)，需要先對其進行插值得到對應(yīng)的連續(xù)函數(shù)f，則有 其中，式，,2是插值函數(shù)。得到f(Xl，x2)后，便可按式(6)進行Beamlet變換。離散 Beamlet 變換在一個ηΧη的二進方塊內(nèi)(設(shè)η = 2J,j為該二進方塊的尺度)，連接二進方塊邊 界上的任意兩點就構(gòu)成一條離散Beamlet基。對于一幅NXN的數(shù)字圖像(N = 2T)，尺度范 圍為j = 0，i，. . .，J。在尺度j下，整幅圖像內(nèi)共有22(h)個二進方塊，所有尺度、位置和 方向上的離散Beamlet基所構(gòu)成的集合，記為B。有了離散Beam基的概念后，離散Beamlet 變換可定義為 其中b是B中的一條離散Beamlet基，(i1; i2)是b上的一個點，g(i1; i2)是該點 對應(yīng)的特征值，如對應(yīng)圖像來說，可以是該點的像素值?；贐eamlet變換的線段局域鏈算法在Beamlet集合中，按一定的規(guī)則將一部分Beamlet標識為種子，然后在每一個預(yù) 期Beamlet的鄰域內(nèi)，研究若干非二進的Beam，也即將每一個種子進行生長，生成多個鏈， 然后在這些鏈中搜索最優(yōu)，實現(xiàn)Beamlet鏈對Beam的最優(yōu)逼近。為準確定義該算法，需引入“ ε共線”和“ ε子區(qū)間”的概念，這里ε是Beamlet 變換定義中的分辨率(見式6)。ε共線一個Beam集合中，如果存在一條能為該集合中所有成員提供一個ε近 似的直線，例如每一條Beam都分布在公共直線的ε-HausdorfT距離內(nèi)，那么這個Beam集 是ε共線的。ε子區(qū)間如果一條Beamlet位于一條Beam的ε-Hausdorff距離內(nèi)，那么這條 Beamlet基稱為該Beam的一個ε子區(qū)間。
因此算法步驟為Beamlet金字塔的閾值化處理對圖像進行Beamlet變換，將所有滿足T (b) > T1 的Beamlet基存入預(yù)期區(qū)間列表P。若P中所含e子區(qū)間的個數(shù)大于m，則拒絕Htl并結(jié)束。搜索預(yù)期Beamlet的鄰域?qū)︻A(yù)期區(qū)間列表P內(nèi)的每一條Beamlet基b，再創(chuàng)建 一個列表C1(Id)，記錄將b延伸距離1所得到的e共線鏈。對每一條鏈c e C1O3),計算
Y(C) = YdTib)若 Y(c) ，則拒絕 H。并結(jié)束。 Y(C) < T2，則接受H。并結(jié)束。設(shè)噪聲標準差為ο，則上述算法中各參數(shù)取值分別為 T2 = Ισ^Ι ηΝ ,
取經(jīng)驗值3或4。H。表示簡單零假設(shè)，拒絕H。表示逼近成功?；贐eamlet變換的線段全局鏈算法在全局范圍內(nèi)實現(xiàn)Beamlet鏈對Beam的最優(yōu)逼近。給定一條由Beamlet組成的 折線L，定義一個優(yōu)化判別式如下
Σ秘) 其
b)。T(b)是圖像在 Beamlet 基 b 上的
Beamlet系數(shù)，1 (b)為b的長度，λ為懲罰因子，根據(jù)經(jīng)驗取0. 2 0. 4。很明顯，式(9)是一個全局優(yōu)化的問題，由于Beamlet基的數(shù)量巨大，計算復(fù)雜度 高。本發(fā)明設(shè)計了基于動態(tài)規(guī)劃的方法進行最優(yōu)求解。首先將式(9)的極小值求解問題轉(zhuǎn) 化為格狀圖中最小代價路徑搜索的問題，然后通過Dijkstra算法計算最短路徑，實現(xiàn)最優(yōu) 化求解?；贐eamlet變換和動態(tài)規(guī)劃的裂縫提取算法通過對裂縫圖像處理的實驗和分析，運用基于Beamlet變換的線段局域鏈算法 和全局鏈算法結(jié)合的裂縫提取算法。運用線段局域鏈算法進行局部最優(yōu)搜索，得到候選裂 縫段，然后運用線段全局鏈算法進行全局最優(yōu)搜索，得到最大的Beam能量對應(yīng)的線目標， 從而實現(xiàn)對裂縫的提取。其技術(shù)路線圖如圖3。本專利提出基于Beamlet變換和動態(tài)規(guī)劃的裂縫提取算法，其步驟如下 步驟1，設(shè)定要進行劃分的尺度。對圖像進行相應(yīng)的劃分，得到若干個固定的MXN 個圖像小方塊，通常每個圖像方塊的大小為32X 32像素；步驟2，對于每個小方塊數(shù)據(jù)，在其四條邊線上從左上角開始，按順時針方向進行 標注，得到若干個標注點；步驟3，每兩個標注點之間構(gòu)成一條Beamlet，應(yīng)用Bresenham算法進行相應(yīng)的插 值來確定Beamlet上所有圖像數(shù)據(jù)點；步驟4，搜索每兩個標注點之間的最小代價路徑，并計算平均路徑代價值，作為對 應(yīng)得Beamlet值，將路徑長度作為Beamlet變換系數(shù)；
步驟5，對Beamlet值進行標準歸一化處理，并進行統(tǒng)計分析，用類間方差最大法 進行二類聚類，得到閾值，并運用GLRT (廣義似然比檢驗)法來檢測判斷檢驗假設(shè)，確定符 合假設(shè)條件下的Beamlets ；步驟6，應(yīng)用Beamlet局域鏈算法將步驟5所得Beamlets進行逼近，用逼近后的 Beamlets對原Beamlets進行更新；步驟7，用格狀圖(grid graph)來存儲余下的Beamlets，得到MXN個節(jié)點，節(jié)點 的權(quán)值為Beamlet值與Beamlet變換系數(shù)的乘積；步驟8，用Dijkstra算法計算每兩個Beamlet節(jié)點之間的最小代價路徑(最短路 徑)，并代入式(9)計算J(L)值；最小的J(L)值對應(yīng)的Beamlets即為裂縫。其中步驟6運用Beamlet變換的局域鏈算法對Beamlet基進行了近似處理，有效 減少了 Beamlet基的數(shù)量。步驟7將式(9)的極小值求解問題轉(zhuǎn)化為格狀圖中最小代價路 徑搜索的問題，運用Dijstra算法計算最短路徑，實現(xiàn)了最優(yōu)化求解。同時，Dijkstra算法 的時間復(fù)雜度為0(n2)，具有較高的效率，可以滿足工程實踐的需求。裂縫分類進行裂縫提取后，需要對裂縫的類別進行判斷。裂縫分為橫向裂縫、縱向裂縫、龜 裂和塊狀裂縫四種，本專利設(shè)計了基于機器學習裂縫分類方法，其技術(shù)路線如圖4所示。機器學習模型的選擇選擇基于統(tǒng)計學習理論的支持向量機(SVM)模型，核函數(shù)為徑向基函數(shù)，取σ在 IXliT7 和 3X10"之間。裂縫特征提取裂縫對應(yīng)面元的面積(面元包含的像素個數(shù))裂縫最小外接矩形的面積(通過坐標旋轉(zhuǎn)法求面元平行于坐標軸的外接矩形)裂縫最大外接矩形的面積線性度(最小外接矩形的長與寬的比值)飽和度(面元面積與最大外接矩形面積的比值)裂縫總方向(擬合為線性后的方向)裂縫平均方向(所有面元方向的平均)面元間最大距離面元間平均距離面元密度(裂縫最小外接矩形區(qū)域內(nèi)面元的個數(shù))基于支持向量機(SVM)的裂縫分類此算法的步驟為訓練構(gòu)建樣本集。選擇橫向裂縫、縱向裂縫、龜裂和塊狀裂縫樣本各4000個(注是進 行裂縫提取后的裂縫面元圖像)；生成特征向量。對每個樣本，計算其10種特征值，構(gòu)成樣本的特征向量；將每兩類樣本的特征向量輸入SVM模型進行訓練，得到SVM模型的參數(shù)(包括拉 格朗日參數(shù)a和常量參數(shù)b)；
11
得到訓練好的6個模型。分類在裂縫分類中，用訓練好的模型對裂縫進行分類。當新增樣本達到1000個時，轉(zhuǎn) 步驟“訓練”，重新進行訓練。在裂縫增強的技術(shù)方案中，最小代價路徑搜索的算法并不局限于Ford(F*)算法 一種，其他的還有如A*算法、Dijkstra算法、Folyd-Warshall算法等；在裂縫分類中，處理支持向量機模型外，還有人工神經(jīng)網(wǎng)絡(luò)模型，貝葉斯網(wǎng)絡(luò)模 型，決策樹模型等其他機器學習的模型，同樣可以實現(xiàn)所提的機器學習裂縫分類方法。由于目前的方法是基于局部信息處理的方法，所以不能檢測對比度低、連續(xù)性差 的裂縫。本發(fā)明設(shè)計的方法中，第一步對裂縫進行增強；首先運用模糊梯度和方向濾波對 裂縫進行基于局部特征的增強，然后運用最小代價路徑搜索法對裂縫進行全局增強。通過 兩個層次的增強，裂縫的對比度將顯著增高。第二步，對增強后的裂縫進行提取。運用基于 Beamlet變換的線段全局鏈模型對問題進行描述，然后巧妙運用動態(tài)規(guī)劃的方法進行問題 求解，實現(xiàn)對裂縫的全局最優(yōu)提取。第三步，運用機器學習的方法來實現(xiàn)裂縫的分類。裂縫 具有不規(guī)則性，現(xiàn)有的基于“有限規(guī)則”的分類方法對所有的裂縫進行分類存在不足，分類 不準確。本發(fā)明設(shè)計的基于支持向量機的裂縫分類方法，能在分類實踐中進行學習，不斷充 實分類的樣本庫，使分類準確性得到提高。以上說明對本發(fā)明而言只是說明性的，而非限制性的，本領(lǐng)域普通技術(shù)人員理解， 在不脫離所附權(quán)利要求所限定的精神和范圍的情況下，可做出許多修改、變化或等效，但都 將落入本發(fā)明的保護范圍內(nèi)。
權(quán)利要求
一種基于動態(tài)規(guī)劃的路面裂縫檢測方法，其特征在于，其包括以下步驟步驟11運用模糊梯度和路徑跟蹤對對比度低的裂縫進行有效增強；步驟12運用動態(tài)規(guī)劃的方法，實現(xiàn)對連續(xù)性差的裂縫的有效檢測；步驟13運用支持向量機模型，對所提取的裂縫進行分類。
2.如權(quán)利要求1所述的基于動態(tài)規(guī)劃的路面裂縫檢測方法，其特征在于，步驟11包括步驟111 從局部特征出發(fā)用方向濾波對線特征進行增強；步驟112 從全局特征出發(fā)運用最優(yōu)路徑搜索的方法進行線特征的增強。
3.如權(quán)利要求1或2所述的基于動態(tài)規(guī)劃的路面裂縫檢測方法，其特征在于，步驟12 包括步驟121 運用線段局域鏈算法進行局部最優(yōu)搜索，得到候選裂縫段； 步驟122 運用線段全局鏈算法進行全局最優(yōu)搜索，得到最大的Beam能量對應(yīng)的線目 標，從而實現(xiàn)對裂縫的提取。
4.如權(quán)利要求1或2所述的基于動態(tài)規(guī)劃的路面裂縫檢測方法，其特征在于，步驟12 包括以下步驟步驟1 設(shè)定要進行劃分的尺度，對圖像進行相應(yīng)的劃分，得到多個固定的MXN個圖像 小方塊，通常每個圖像方塊的大小為32 X 32像素；其中，M、N為大于1的整數(shù)；步驟2 對于每個小方塊數(shù)據(jù)，在其四條邊線上從左上角開始，按順時針方向進行標 注，得到多個標注點；步驟3 每兩個標注點之間構(gòu)成一條Beamlet，應(yīng)用Bresenham算法進行相應(yīng)的插值來 確定Beamlet上所有圖像數(shù)據(jù)點；步驟4 搜索每兩個標注點之間的最小代價路徑，并計算平均路徑代價值，作為對應(yīng)得 Beamlet值，將路徑長度作為Beamlet變換系數(shù)；步驟5 對Beamlet值進行標準歸一化處理，并進行統(tǒng)計分析，用類間方差最大法進行 二類聚類，得到閾值，并運用廣義似然比檢驗法來檢測判斷檢驗假設(shè)，確定符合假設(shè)條件下 的 Beamlets ；步驟6 應(yīng)用Beamlet局域鏈算法將步驟5所得Beamlets進行逼近，用逼近后的 Beamlets對原Beamlets進行更新；步驟7 用格狀圖來存儲余下的Beamlets，得到MXN個節(jié)點，節(jié)點的權(quán)值為Beamlet值 與Beamlet變換系數(shù)的乘積；步驟8 用Dijkstra算法計算每兩個Beamlet節(jié)點之間的最小代價路徑，并計算J(L) 值；最小的J(L)值對應(yīng)的Beamlets即為裂縫。
5.如權(quán)利要求1或2所述的基于動態(tài)規(guī)劃的路面裂縫檢測方法，其特征在于，步驟13 包括步驟131 選擇基于統(tǒng)計學習理論的支持向量機模型，核函數(shù)為徑向基函數(shù)，標準差為 σ，取 σ 在 1Χ10—7 禾口 3Χ1(Γ7 之間； 步驟132 對裂縫特征提取； 步驟133 基于支持向量機的裂縫分類。
6.如權(quán)利要求5所述的基于動態(tài)規(guī)劃的路面裂縫檢測方法，其特征在于，該裂縫特征包括裂縫對應(yīng)面元的面積、裂縫最小外接矩形的面積、裂縫最大外接矩形的面積、線性度、 飽和度、裂縫總方向、裂縫平均方向、面元間最大距離、面元間平均距離和面元密度。
7.如權(quán)利要求6所述的基于動態(tài)規(guī)劃的路面裂縫檢測方法，其特征在于，步驟133包括步驟1331 構(gòu)建樣本集，選擇預(yù)定數(shù)目的橫向裂縫、縱向裂縫、龜裂和塊狀裂縫樣本預(yù) 定數(shù)目；步驟1332 對每個樣本，計算其10種特征值，構(gòu)成樣本的特征向量； 步驟1333 將每兩類樣本的特征向量輸入SVM模型進行訓練，得到SVM模型的參數(shù)，得 到訓練好的模型；步驟1334 在裂縫分類中，用訓練好的模型對裂縫進行分類。
全文摘要
本發(fā)明提供了一種基于動態(tài)規(guī)劃的路面裂縫檢測方法，包括以下步驟步驟11運用模糊梯度和路徑跟蹤對對比度低的裂縫進行有效增強；步驟12運用動態(tài)規(guī)劃的方法，實現(xiàn)對連續(xù)性差的裂縫的有效檢測；步驟13運用支持向量機模型，對所提取的裂縫進行分類。本發(fā)明所述的基于動態(tài)規(guī)劃的裂縫檢測方法，能實現(xiàn)對對比度低、連續(xù)性差的裂縫的有效提取。
文檔編號G06K9/62GK101915764SQ201010252859
公開日2010年12月15日 申請日期2010年8月10日 優(yōu)先權(quán)日2010年8月10日
發(fā)明者付智能, 李清泉, 毛慶洲, 鄒勤 申請人:武漢武大卓越科技有限責任公司