[发明专利]路面病害自动识别方法

说明书

技术领域

本发明属于公路路基路面无损检测和评价技术领域，具体地，涉及一种沥青路面病害(例如，裂缝)自动识别方法。

背景技术

公路在使用过程中，受自然环境、行车荷载等诸多因素影响，公路表面逐渐形成多种破损，裂缝作为路面常见的破损形式，对公路的危害极大。为了节约养护资源，同时保障行车的安全、舒适性，须准确获取裂缝的位置、面积、程度等参数信息，为交通管理部门客观评价路面质量、科学决策养护管理方案提供依据。

目前，随着传感器、自动控制、计算机等技术的发展，路面图像的自动采集设备已趋近成熟，而后期的裂缝识别仍然采用人机结合甚至完全人工的方式，工作量大、效率低。然而，多数情况下，采集的高速公路图像中有病害的图像数目占总数目的比例往往不足10％；若能提供有效的图像有无病害的分类方法，则人工识别将减少90％的工作量，若能提供高效的沥青路面裂缝自动识别方法，则可为交通管理部门客观、及时的评价路面质量、科学决策养护方案提供充足的依据。

现有的裂缝识别方法大多采用“先识别、后分类”的处理模式，在此处理模式下，目前主流的基于图像的裂缝识别方法主要有以下几种：

(1)基于灰度阈值的裂缝识别方法，通过对路面图像灰度特征进行分析，选取合适的灰度阈值区分图像背景与目标。该方法一般建立在裂缝的灰度通常比背景灰度低的前提条件下，要求裂缝具有较高的对比度及较好的连续性，但由于路面积灰、裂缝缝壁脱落、路面颗粒纹理丰富等原因，裂缝通常具有低对比度、连续性差等特征，故基于灰度阈值的裂缝识别方法难以识别灰度特征不够显著的病害。

(2)基于形态学处理的裂缝识别方法，该方法利用腐蚀、膨胀、骨架提取、边缘检测等方法获取裂缝的二维形态特征。然而路面图像复杂、病害形式多样，基于形态学处理的识别方法实用性不高。

(3)基于机器学习的裂缝识别方法，该方法主要用于裂缝检测后的类型分类，关键在于路面裂缝特征的提取与分类器的设计。由于路况复杂、裂缝形式多样，裂缝特征提取难度加大，同时测试样本集较小、算法复杂、计算量大等因素都制约着分类算法的准确性、鲁棒性及实时性。

(4)基于多尺度几何分析的路面裂缝的识别方法，通常利用图像几何结构特征，采用小波、Ridgelet(脊波)、Curvelet(曲线波)、Contourlet(轮廓波)、Bandelet(带条波)等变换表达图像信息。由于复杂背景下的沥青路面裂缝具有不规则性，裂缝形态及位置具有不可预测性，该方法无法有效的提取复杂裂缝信息，同时，多尺度分析方法普遍存在计算过程复杂、效率较低问题。

由于外界干扰，某些非裂缝类病害特征与裂缝的特征容易混淆，如大多数病害的灰度分布特征与裂缝的灰度分布特征类似，直接通过原始图像信息提取高区分度裂缝特征从而实现裂缝识别的难度较大。此外，一般情况下，采集的高速公路图像中有病害的图像数目占总数目的比例较小，若采用与有病害路面图像同样的识别方法，大大增加了处理的时间复杂度；同时，由于路面结构类型复杂、光照不均、阴影、及路面上的异物、人工标记等因素的影响，路面图像具有灰度分布不均、纹理丰富、频谱差异性小，边缘模糊、噪声污染等特点，现有的裂缝自动识别方法普遍存在实时性差、识别率低等问题，导致路面裂缝自动识别无法满足实际应用需求。

发明内容

各种路面状况以及路面图像的高噪声、弱信号特点，现有方法普遍存在计算复杂、识别效率低的问题。如基于机器学习的裂缝识别方法，该方法分为两个阶段：学习与决策阶段。在学习阶段，首先在给定训练集上提取每一类病害的特征，采用统计学习的方法，对大量训练样本进行学习，得到病害的判决式模型；在决策阶段，仍然要先提取病害的特征，再用判决式模型判断病害的类型，计算量大，耗时长，很难在高速采集数据的情况下做到实时处理。本发明依据视觉显著性模型，高效去除大部分背景噪声，提取与目标相关的区域；

通过观察大量路面图像数据，发现“白裂缝”(受唧浆影响灰度值偏高的裂缝)出现概率较大、而现有的裂缝识别方法大多建立在病害的灰度值比背景灰度低的前提条件下，对“白裂缝”没有较好的适用性，有些方法中甚至忽视了“白裂缝”的存在，本发明充分考虑“白裂缝”的灰度分布特征，设计了针对该类病害的识别方法；

灰度特征是病害最直观的特征，现有方法普遍认为病害的灰度值比背景灰度低，并以此作为区分背景及病害的一个重要依据，但由于路面积灰、裂缝缝壁脱落等原因，病害通常具有对比度低、连续性差等特征。针对对比度低、连续性差、细小等灰度特征不够显著的病害识别率低的问题，本发明结合利用病害方向、连续性等特征，对该类病害区域进行补偿；