基于多種低層顯著特征的路面裂縫檢測方法
【專利摘要】本發(fā)明公開了一種基于多種低層顯著特征的路面裂縫檢測方法。在車輛行駛的過程中獲取對應(yīng)里程的高分辨率路面灰度圖像，采用局部對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張過程中的不規(guī)則曲線結(jié)構(gòu)特性，大面積消除噪聲；局部區(qū)域增長，增強裂縫特征，閾值分割后提取裂縫；根據(jù)檢測出的裂縫破損，生成具體病害參數(shù)，生成報表，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。
【專利說明】基于多種低層顯著特征的路面裂縫檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于路面病害檢測領(lǐng)域，特別是針對一種路面裂縫病害的檢測方法。
【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)的路面病害檢測采用人工視覺觀察，效率低下，影響交通，危險性高，且檢測結(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)的路面病害自動檢測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，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，直接閾值分割后獲取裂縫。而實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，計算目標(biāo)區(qū)域的長寬比、連接度；或者選取種子點，采用區(qū)域增長或者構(gòu)造最小生成樹的方法模擬裂縫的自然形成過程，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)行潛在裂縫點的搜索，時間復(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?；跈C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、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]目前裂縫檢測領(lǐng)域面臨的主要問題是路面環(huán)境的復(fù)雜性與多變性。實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，有必要針對實際應(yīng)用環(huán)境下的有效裂縫檢測，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方法，并且對噪聲干擾嚴(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；可以通過安裝在車輛上的線陣或面陣相機獲取路面灰度圖像，而相機拍攝是由里程傳感器根據(jù)車輛行駛里程(速度)來觸發(fā)的，這樣就可以在車輛行駛的過程中獲取對應(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)每個像素與塊內(nèi)其余所有像素的灰度距離作為局部對比度度量，每個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張初步提取裂縫；即采用雙鄰域擴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)計先驗概率權(quán)重，代入貝葉斯公式，更新裂縫特征圖，突出裂縫；
[0010](4)區(qū)域增長增強，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的取值作為該分塊整體的裂縫特征值，采用區(qū)域增長的方式，進(jìn)行裂縫空間一致性增強，自適應(yīng)閾值分割后提取裂縫；
[0011](5)計算裂縫各項具體參數(shù)，生成精確報表；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)點為:(I)充分考慮路面存在的多種干擾，在雙鄰域擴張結(jié)合貝葉斯公式的裂縫初步提取過程中，濾除了多層次噪聲，裂縫提取的準(zhǔn)確性和完整性更強。(2)較好的滿足了實時性和精確性的平衡，算法復(fù)雜度不高。
【專利附圖】

【附圖說明】
[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方法的雙鄰域擴張示意圖。
[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方法的區(qū)域增長進(jìn)行裂縫空間一致性增強的示意圖。
【具體實施方式】
[0016]本發(fā)明一種基于多種低層顯著特征的路面裂縫檢測方法，步驟如下:
[0017](1)獲取路面灰度圖像；通過安裝在車輛上的線陣或面陣相機獲取路面灰度圖像，相機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)每個像素與塊內(nèi)其余所有像素的灰度距離作為局部對比度度量，每個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張初步提取裂縫；即采用雙鄰域擴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)域增長增強，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的取值作為該分塊整體的裂縫特征值，采用區(qū)域增長的方式，進(jìn)行裂縫空間一致性增強，自適應(yīng)閾值分割后提取裂縫；
[0021](5)計算裂縫各項具體參數(shù)，生成精確報表，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，對路面圖像高斯平滑后，劃分為局部分塊，局部對比度通過該分塊內(nèi)每個像素與分塊內(nèi)其余所有像素的灰度距離計算，即點i的局部對比度特征C(i)為
[0024][0025]fj為像素點j在局部小塊中出現(xiàn)的概率，Ddi, Ij)為點i的灰度值Ii與點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，估計點i為裂縫的條件概率為P(C1IfQ))，由貝葉斯理論得到點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方法，其特征在于步驟如下: (1)獲取路面灰度圖像；通過安裝在車輛上的線陣或面陣相機獲取路面灰度圖像； (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)每個像素與塊內(nèi)其余所有像素的灰度距離作為局部對比度度量，每個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張初步提取裂縫；即采用雙鄰域擴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)域增長增強，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的取值作為該分塊整體的裂縫特征值，采用區(qū)域增長的方式，進(jìn)行裂縫空間一致性增強，自適應(yīng)閾值分割后提取裂縫； (5)計算裂縫各項具體參數(shù)，生成精確報表，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方法，其特征在于所述步驟(2)的具體方法為: 第一步，對路面圖像高斯平滑后，劃分為局部分塊，局部對比度通過該分塊內(nèi)每個像素與分塊內(nèi)其余所有像素的灰度距離計算，即點i的局部對比度特征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，估計點i為裂縫的條件概率為P(C1Ifq)),由貝葉斯理論得到點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方法，其特征在于步驟(4)中的區(qū)域增長方法為: 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值最小的分塊，再以尋找到的分塊I為中心，搜索下一個裂縫特征值與I最為接近的分塊，按照此規(guī)則繼續(xù)搜索，直到分塊個數(shù)為n ;n為7~9 ;第三步，基于區(qū)域增長的裂縫空間一致性增強結(jié)果為: FE(i)=1/n(fr+ΣF1).f(i) FE(i)為點i經(jīng)過基于區(qū)域增長的裂縫空間一致性增強值，n為點i所屬分塊R在區(qū)域增長路徑上分塊的個數(shù)，fE和分別為分塊R和1的裂縫特征值。
【文檔編號】G06T5/00GK103903268SQ201410141476
【公開日】2014年7月2日 申請日期: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 申請人:南京理工大學(xué)