[发明专利]一种基于主动轮廓模型的路面裂缝检测方法

说明书

技术领域

本发明涉及一项自动检测技术，尤其是一种对路面图像增强的方法、一种基于主动轮廓模型的路面裂缝检测方法。

背景技术

裂缝是公路路面最常见的病害，对公路的危害极大。特别在冬季和春季，因时有雨、雪渗入，在行车荷载的作用下，使本来就处于裂缝状态的路面病害更加严重。路面病害发现不及时，为道路养护工作带来很多麻烦，增加养护成本，一定程度上也使得道路养护的滞后。路面裂缝检测传统的方法是采用人工现场目测丈量与调查的方法。这种方法存在主观判读误差，效率低，大大影响了公路破损程度信息的及时性、科学性、准确性。因此，采用图像处理和模式识别技术，研究路面裂缝自动检测方法，开发和设计快速、高效、准确的路面裂缝自动检测方法具有重要的意义。

现有的裂缝检测方法主要分两类：一类是以数字图像处理技术为主的方法，该方法主要目的是提高图像成像质量，使操作者观察更清晰。另一类是“半自动检测方法”，该方法对部分图像可实现自动识别裂缝的类型，而对较难识别部分由人工判断，从而实现提醒操作者、避免失误、减少劳动强度的作用。以数字图像处理技术为主的方法，其步骤为：

(1)图像对比度增强，如：直方图修正技术、频率域增强法。

(2)图像去噪声，如：中值滤波、小波去噪、偏微分方程方法。

(3)裂缝边缘检测，基于经典算子如Sobel算子、Laplace算子等。

半自动检测方法的主要步骤为：

(1)图像对比度增强，如：直方图修正技术、频率域增强法。

(2)图像去噪声，如：中值滤波、小波去噪、偏微分方程方法。

(3)裂缝边缘检测，基于经典算子如Sobel算子、Laplace算子等。

(4)裂缝特征提取：从图像样本中得到的对裂缝分类有用的度量或属性，用其反映不同裂缝类别之间的本质差别。

(5)裂缝分类：一般采用有监督学习方法，预先已知训练样本集中每个样本的类别标号，也就是说分别给出了每个类别的训练样本集，然后应用这样的训练样本集进行训练；设计出相应的分类器，根据特征矢量值来决定样本类型。

(6)人工分类：对拒识样本采用人工分类办法。

现有方法对裂缝可疑区域定位准确性较低的原因有：（1）裂缝情况复杂，如坑槽、松散等水损坏，车撤、推拥的流动性变形，从而造成形状、面积和深浅表现各异的裂缝。（2）由于成像设备本身是在自然场景中高速运行过程中拍摄，噪声、光照的形成的阴影等因素对可疑区的检测形成干扰。

也就是说，现有的裂缝检测方法（无论是数字图像处理技术为主的方法，还是“半自动检测方法”）在识别过程中都需要人工参与，而并非真正意义上的自动检测。原因是目前的裂缝检测方法中存在一个矛盾，即现有方法对裂缝可疑区域定位准确性较低，同时，裂缝分类对可疑区域的定位精度要求较高。

发明内容

本发明旨在提供一种基于主动轮廓模型的路面裂缝检测方法，可对自然场景中高速运行过程中获得的各种裂缝图像进行自动识别。利用该方法可对裂缝可疑区域实现高精确性定位，并采用多示例分类方法对定位错误的区域进行鲁棒性识别。

为达到上述目的，本发明提供了一种路面裂缝检测方法，其步骤为：

步骤11:采用模糊逻辑的路面裂缝图像对比度增强算法,达到提高所采集图像整体对比度和增强裂缝图像细节的双重目标。

步骤12:采用基于主动轮廓模型的方法对路面裂缝进行检测。

步骤13:采用基于多示例学习方法对路面裂缝进行分类。

实施时，步骤11包括:

步骤111：裂缝图像归一化处理。

步骤112：裂缝图像局部信息提取及模糊化。

步骤113：裂缝图像整体对比度转换。

实施时，步骤12包括:

步骤121：采用一种基于有监督学习的局部特征分类方法，进行ROI的确定。

步骤122：将建立一种基于概率距离和水平集方法的主动轮廓模型，对划分出的感兴趣区域进行分割。

实施时，步骤12包括:

步骤1：将图像划分为相同大小的块，每一块的大小为9X9。

步骤2：图像的模糊化：将图像通过最大模糊熵方法进行模糊化，以使所有的图像变换到同样的亮度水平上。

步骤3：局部特征的提取：采用一系列共生矩阵度量表示图像块的局部特征。由于裂缝图像中的局部特征并不具有特定的方向性，为了减少特征向量的维数，将相对距离的共生矩阵中提取的局部特征的均值作为一个特征进行分类。