[发明专利]一种道路裂缝的识别系统及方法

说明书

本发明公开了一种道路裂缝的识别系统及方法，其中道路裂缝的识别方法，包括：图像预处理，检测裂缝，提取裂缝。本发明能够有效地克服亮度不均和拓扑结构复杂对裂缝目标检测的影响，提高路面裂缝检测的准确率，优于同类算法。

技术领域

本发明涉及面裂缝检测技术，具体涉及一种道路裂缝的识别系统及方法。

背景技术

目前，裂缝作为路面上最为常见且危害较大的病害之一，其数量、长度、宽窄是评价路面状况的重要参考指标，裂缝的存在会导致路面材料不连续，降低整个路面结构的载荷传递能力，严重影响道路系统的正常运行，危害行车安全。传统的基于视觉的裂纹检测不可避免地导致时间和人力的浪费，准确性和效率低，容易出错。随着计算机和数字图形处理技术的快速发展，设计出实用、行之有效的路面裂缝自动检测方法引起很多研究者的讨论。

路面裂缝检测，很多都是基于图像分割、基于图像边缘检测、图像增强等传统的裂缝检测方法。这些算法的原理都是基于裂缝纹与背景的差异值，计算整个图像或图像块的阈值以对裂纹像素进行分类。这些算法在裂纹图像对比度强的情况下，能较准确地检测出裂缝，但是在受到油污、阴影等噪声的影响时，会将噪声信息误判成裂缝信息，存在较大程度的误判和漏检问题。

很多研究者也致力于路面噪声去除算法。路面阴影等噪声去除方法可以大致分为自动化的阴影去除方法和交互式的阴影去除方法两种，两者的根本区别在于如何对阴影进行初始检测，各有利弊。有根据阴影的边缘特征（强度、纹理和颜色比率的变化）来检测路面阴影。有使用形态重建来去除阴影。最近的一些方法采用了卷积神经网络（）从单个图像中检测路面阴影。使用大规模的数据集进行训练基于的方法可提供快速和准确的阴影检测结果。但是卷积神经网络背后的原理仍然无法解释。有应用了曲线拟合模型，通过智能采样方案来提高用于照明估计的强度采样的质量，假定光照变化的约束曲线或曲面函数受到高度限制，同时也限制了它们可移动阴影的范围。有应用贝叶斯公式来去除常见的路面阴影，此方法含有大量的未知参数，计算复杂度非常高，因此计算时间长，并且无法处理复杂场景下的阴影。以上这些的算法在一定程度上的确改善了对噪声的误判，但对于复杂拓扑中的噪声，性能影响较弱。

最近几年里，随着计算机的快速发展，关于机器学习和深度学习的路面裂缝自动监测方法兴起。深度学习路面裂缝自动识别方法很多，多尺度卷积神经网络（msCNN）、全卷积网络（FCN）、快速区域神经网络（Fast-CNN）、神经网络（CNN）、基于CAE预训练的深度聚类算法(DCEC)等都已应用于路面裂缝检测，并且实现了检测结果良好，误判和漏检问题也得到了很大的改善。但是深度学习算法模型含有大量的参数，需要大量的数据训练集，数据的人工标注成本太高，使得深度学习算法也很难实现。

结构化学习也是道路裂缝检测的重要方法，全称是结构化输出学习算法，属于有监督学习的一种。有提出结构化学习方法并介绍了计算机视觉中流行的结构化模型。有提出一种简单有效的随机森林结构信息整合方法，用结构化的标签信息来扩充随机森林并应用于语义图像标记问题。有提出了一种适用于边缘检测的广义结构化学习方法，通过将结构化的标签映射到离散空间，在离散空间上计算信息增益，从而降低算法的时间复杂度。在此基础上，有提出了一种基于随机结构化森林的道路裂缝检测方法（称为CrackForest）。CrackForest模型使用两个统计直方图来表征裂缝，采用支持向量机（SVM）、K均值聚类(K-Means)等算法对裂缝和噪声进行分类，从而得到裂缝的初步检测结果。CrackForest模型主要存在两点不足：由于油污、阴影等干扰信息具有明显的梯度变化，CrackForest模型对存在油污、阴影的路面裂缝图像检测性能欠佳。其次，由于CrackForest模型本质上是一个边缘检测模型，模型得到的初步检测结果仅仅包含裂缝的边缘信息，为了检测出完整的裂缝需要对初步检测结果进行腐蚀、膨胀等形态学操作，这会导致裂缝检测结果的边缘与真实裂缝边缘不一致，从而降低裂缝检测结果的准确性。