[发明专利]一种基于动态刷新正样本图像库的道路路面异常检测方法

说明书

本发明公开了一种基于动态刷新正样本图像库的道路路面异常检测方法，将每张正常图像视为由W个H维列向量组成的集合，并学习得到一个欠完备字典，依据重建误差，剔出重建误差平均值最小的正常图像，得到正样本图像库K，然后计算出整体重建误差e，并乘以系数ε作为异常分类阈值，最后，对于拍摄的路面图像，计算出重建误差的平均值e_x，并与异常分类阈值比较，大于等于则道路路面有损坏，小于则道路路面为正常道路路面并更新刷新正样本图像库K。本发明只需要保存正样本图像库中的N个正常图像及其对应的N个字典就可以快速实现道路路面异常检测，存储压力小，计算开销小；此外，支持在检测到新的正常图像时刷新正样本图像库K，因而能够不断改进模型异常分类性能。

技术领域

本发明属于道路检测技术领域，更为具体地讲，涉及一种基于动态刷新正样本图像库的道路路面异常检测方法。

背景技术

近年来，随着汽车的数量增多，交通量日益增长，交通对道路路面的要求越来越高。由于受到行车荷载、自然环境的影响，道路路面会不断损坏。道路路面的损坏会带来交通事故等严重的后果，因此，对道路路面进行检测，发现损坏路面(异常道路路面)是一个重要的问题。

异常检测(anomaly detection)是指对不匹配预期模式或数据集中其他项目的项目、事件或观测值的识别。基于图像的异常检测是指从所有图像中找到异常的图像，从而检测出图像中被检测对象是否异常。其中，异常图像是指其具有图像中被检测对象存在某种缺陷的图像，对于被检测对象的缺陷类别通常难以事先确定。具体到被检测对象为道路路面时，其正常图像即是指正常道路路面图像，通常具有表面平整，纹理单一的特点。异常图像则是指道路路面有坑洼、裂缝、凸起等缺陷的图像。

基于图像的异常检测问题的数据具有极端不平衡性，即正常图像比较容易获得，异常图像在数量上相比正常图像通常非常少，并且对于可能出现异常的种类无法事先确定，因此难以用传统的二分类方法进行分类。对于道路路面图像，正常图像易于收集，数量多，异常图像则数量相对比较少，并且异常图像的种类繁多，难以事先确定。如何利用计算机视觉及图像处理来检测损坏的道路路面是目前需要解决的一个重要问题。目前主要有基于传统方法的异常检测模型和基于深度学习的异常检测模型。

基于传统方法的异常检测模型主要有三种，即基于重构的方法、聚类分析方法和单分类方法。(1)、基于重构的方法假设异常图像是不能被压缩的，或者映射到特征空间后是不能够被有效重建的。常见的方法有PCA、Robust PCA、random projection等降维方法。主要思路是通过正常样本图像来生成一个变换矩阵，在检测的时候用该变换矩阵将待检测的路面图像变换到特征空间，因为该变换矩阵是用正常样本图像生成，所以如果待检测的路面图像是正常图像的话，则重构回去的重构误差比较小，对于异常图像，则会得到相对比较大的重构误差，通过设定一个合适的重构误差的阈值来实现正常图像、异常图像的分类。(2)、基于聚类分析的方法通过在样本空间或者特征空间进行聚类，因为异常图像与正常图像的不同会被聚类到不同的类别。常见的基于聚类分析的方法有Gaussian MixtureModels、k-means、multivariate Gaussian Models等。(3)、基于单分类的方法的主要思想是对正常图像建立区分性边界，异常图像被划分到边界外。常见的基于单分类的方法有OC-SVM，SVDD等。