CN103903268A - 基于多种低层显著特征的路面裂缝检测方法 - Google Patents

Abstract

本发明公开了一种基于多种低层显著特征的路面裂缝检测方法。在车辆行驶的过程中获取对应里程的高分辨率路面灰度图像，采用局部对比度和稀少性度量裂缝的低层显著特征；利用贝叶斯理论刻画裂缝在双层邻域扩张过程中的不规则曲线结构特性，大面积消除噪声；局部区域增长，增强裂缝特征，阈值分割后提取裂缝；根据检测出的裂缝破损，生成具体病害参数，生成报表，为公路维护提供依据。本发明误检率和漏检率较低，对一些噪声干扰较重的路面裂缝图像也有很好的适应性。

Description

基于多种低层显著特征的路面裂缝检测方法

技术领域

本发明属于路面病害检测领域，特别是针对一种路面裂缝病害的检测方法。

背景技术

路面裂缝是最为主要的路面破损，是许多严重病害的最初表现形式。如果能在形成的早期发现并修护，能够大大提高行车安全，节省路面状况维护的成本，为高效智能化交通提供决策依据。传统的路面病害检测采用人工视觉观察，效率低下，影响交通，危险性高，且检测结果存在较大的主观差异，准确性不高。因此，基于数字图像处理技术的路面病害自动检测方法被广泛研究用以克服以上缺陷。

目前主要的基于图像处理的路面裂缝检测算法根据裂缝在全局或局部表现出的典型的可区分性特征进行提取。裂缝细长，全局范围内表现出一定的边缘特征，采用Sobel算子、Canny算子或者基于小波变换的边缘检测方法被提出，刻画裂缝。但结构化道路的路面颗粒状明暗纹理也形成了较强的边缘特性，而某些破损程度较轻的裂缝的边缘信息反而被淹没其中，难以区分。各种优化的阈值分割策略根据裂缝区域的灰度比周围像素低的特点，直接阈值分割后获取裂缝。而实际路面存在各种灰度较黑的噪声干扰，如块状油斑、路面较黑颗粒以及阴影。为了克服以上缺陷，更多的算法根据裂缝几何特征，将路面裂缝图像预分割后，计算目标区域的长宽比、连接度；或者选取种子点，采用区域增长或者构造最小生成树的方法模拟裂缝的自然形成过程，滤除噪声，保留裂缝。此类方法需要全局范围内构造搜索空间，进行潜在裂缝点的搜索，时间复杂度较高，并不能适应大量高分辨率的路面裂缝图像检测。基于机器学习的方法将图像分块后，提取局部小块中灰度均值和方差作为二维特征，采用核密度估计、K均值聚类、层次聚类等方法，区分背景块和裂缝块，其检测结果虽然准确率较高，但是基于图像块而不是更为精确的像素，且此类方法通常假设路面光照均匀，几乎不存在噪声干扰。

目前裂缝检测领域面临的主要问题是路面环境的复杂性与多变性。实际路面图像中存在各种干扰，如行道线、块斑、路面颗粒形成的全局随机纹理、激光辅助照明所固有的明暗相间条纹；裂缝由于破损程度和拍摄角度而在图像中表现出不同效果。而现有算法假设在理想情况下，且裂缝特特征明显，往往忽略了这些影响，因此，有必要针对实际应用环境下的有效裂缝检测，提出新的方法。

发明内容

本发明的目的在于提供一种基于多种低层显著特征的路面裂缝检测方法，并且对噪声干扰严重的路面图像也有很好的适应性。

本发明的技术解决方案为：

(1)获取路面灰度图像；可以通过安装在车辆上的线阵或面阵相机获取路面灰度图像，而相机拍摄是由里程传感器根据车辆行驶里程（速度）来触发的，这样就可以在车辆行驶的过程中获取对应里程的高分辨率路面灰度图像。

(2)裂缝低层显著特征提取；即将图像划分为局部分块，将块内每个像素与块内其余所有像素的灰度距离作为局部对比度度量，每个像素在灰度直方图中出现的概率作为稀少性度量，生成裂缝特征图；

(3)基于贝叶斯理论的双邻域扩张初步提取裂缝；即采用双邻域扩张的方法模拟裂缝的空间曲线结构的延伸特性，据此设计先验概率权重，代入贝叶斯公式，更新裂缝特征图，突出裂缝；

(4)区域增长增强，阈值分割后提取裂缝；即将更新后的裂缝特征图划分为局部分块，将各局部分块中裂缝特征值最大的一部分点的取值作为该分块整体的裂缝特征值，采用区域增长的方式，进行裂缝空间一致性增强，自适应阈值分割后提取裂缝；

(5)计算裂缝各项具体参数，生成精确报表；参数如裂缝类型、面积、位置等。

本发明与现有技术相比，其显著优点为：（1）充分考虑路面存在的多种干扰，在双邻域扩张结合贝叶斯公式的裂缝初步提取过程中，滤除了多层次噪声，裂缝提取的准确性和完整性更强。（2）较好的满足了实时性和精确性的平衡，算法复杂度不高。

附图说明

图1是本发明基于多种低层显著特征的路面裂缝检测方法的流程图。

图2是本发明基于多种低层显著特征的路面裂缝检测方法的双邻域扩张示意图。

图3是本发明基于多种低层显著特征的路面裂缝检测方法的区域增长进行裂缝空间一致性增强的示意图。

具体实施方式

本发明一种基于多种低层显著特征的路面裂缝检测方法，步骤如下：

(1)获取路面灰度图像；通过安装在车辆上的线阵或面阵相机获取路面灰度图像，相机拍摄是由里程传感器根据车辆行驶里程触发；

(2)裂缝低层显著特征提取；即将图像划分为局部分块，将块内每个像素与块内其余所有像素的灰度距离作为局部对比度度量，每个像素在灰度直方图中出现的概率作为稀少性度量，生成裂缝特征图；

(3)基于贝叶斯理论的双邻域扩张初步提取裂缝；即采用双邻域扩张的方法模拟裂缝的空间曲线结构的延伸特性，据此确定先验概率权重，代入贝叶斯公式，更新裂缝特征图，突出裂缝；

(4)区域增长增强，阈值分割后提取裂缝；即将更新后的裂缝特征图划分为局部分块，将各局部分块中裂缝特征值最大的一部分点的取值作为该分块整体的裂缝特征值，采用区域增长的方式，进行裂缝空间一致性增强，自适应阈值分割后提取裂缝；

(5)计算裂缝各项具体参数，生成精确报表，参数包括裂缝类型、面积和位置。

所述步骤（2）的具体方法为：

第一步，对路面图像高斯平滑后，划分为局部分块，局部对比度通过该分块内每个像素与分块内其余所有像素的灰度距离计算，即点i的局部对比度特征C(i)为

$C\left(i\right)=\underset{I_j=0}{\overset{n}{\mathrm{\Σ}}}{f}_{j}D(I_i,I_j)$

f_j为像素点j在局部小块中出现的概率，D(I_i,I_j)为点i的灰度值I_i与点j的灰度值I_j的灰度差异，采用欧式距离度量；

第二步，将局部分块中各个像素i在灰度直方图H中的概率H(i)作为信息论中信息的出现概率，采用自信息方法度量裂缝像素的稀少性特征R(i)，即

R(i)=-log(H(i))

第三步，将以上两种特征结合，归一化为[0,1]，生成裂缝特征图

F(i)=C(i)R(i)

所述步骤（3）具体方法为：

第一步，设已知裂缝特征情况下，估计点i为裂缝的条件概率为P(C₁|F(i))，由贝叶斯理论得到点i更新后的裂缝特征值F'(i)

$F^{\′}\left(i\right)=P\left(C_1\right|F\left(i\right))=\frac{P\left(C_1\right)\·P\left(F\left(i\right)\right|C_1)}{P\left(C_1\right)\·P\left(F\left(i\right)\right|C_1)+P(C_0\·)P\left(F\left(i\right)\right|C_0)}$

先验概率P(C₁)和P(C₀)分别由点i和其邻域像素点在特征图中的值获取，而后验概率P(F(i)|C₁)和P(F(i)|C₀)可通过下面的步骤获取；

第二步，标记裂缝特征图中大于平均裂缝特征值的点为潜在裂缝点，即将裂缝特征图中大于平均裂缝特征值的点标记为1，其余的点标记为0；

第三步，设最短裂缝长度为L，初始扩张步长s=1，初始内邻域为(2s-1)×(2s-1)，外邻域大小为(2s+1)×(2s+1)，计算内外邻域之间是否存在潜在裂缝点，即统计内外邻域之间是否存在标记为1的点；如果存在，s=s+1，记录扩展方向（上，下，左，右），然后重新计算扩张后的内外邻域之间是否存在潜在裂缝点即标记为1的点，直至s=L；如果内外邻域之间不存在潜在裂缝点或扩张方向不一致，比如原来是向左扩张，当s增加后,即内外邻域变大后，突然变成向右扩张，显然属于噪声干扰，则记录此时的扩张步长s；

第四步，设置后验概率

P(F(i)|C₁)=(2s-1)/L

P(F(i)|C₀)=(L-2s+1)/L

将此后验概率带入第一步的贝叶斯公式，更新裂缝特征图，初步提取出裂缝。

所述步骤(4)中的区域增长方法为：

第一步，将更新后的裂缝特征图划分为局部分块，在各局部分块中，取裂缝特征值最大的前p%像素的裂缝特征值作为该分块的裂缝特征值f，p%为3%～8%；

第二步，以各分块R为中心，在其周围8邻域中寻找裂缝特征值与其最为接近的分块l，即与分块R的特征值之差的绝对值最小的分块，再以寻找到的分块l为中心，搜索下一个裂缝特征值与l最为接近的分块，按照此规则继续搜索，直到分块个数为n；n为7～9；

第三步，基于区域增长的裂缝空间一致性增强结果为：

$\mathrm{FE}\left(i\right)=\frac{1}{n}(f_R+\mathrm{\Σ}{f}_t)\·F^{\′}\left(i\right)$

FE(i)为点i经过基于区域增长的裂缝空间一致性增强值，n为点i所属分块R在区域增长路径上分块的个数，f_R和f_l分别为分块R和l的裂缝特征值。

下面结合附图对本发明作进一步详细描述。

结合图1至图3，本发明基于多种低层显著特征的路面裂缝检测方法，主要包括获取路面灰度图像；裂缝低层显著特征提取；基于贝叶斯理论的双邻域扩张初步提取裂缝；区域增长增强，阈值分割后提取裂缝；计算裂缝各项具体参数，生成精确报表等步骤。整体处理流程如图1所示，具体如下：

(1)获取路面灰度图像；可以通过安装在车辆上的线阵或面阵相机获取路面灰度图像，而相机拍摄是由里程传感器根据车辆行驶里程（速度）来触发的，这样就可以在车辆行驶的过程中获取对应里程的高分辨率路面灰度图像，图像大小为2048×2048。

(2)裂缝低层显著特征提取；即将路面灰度图像划分为32×32局部分块，将块内每个像素与块内其余所有像素的灰度距离作为局部对比度度量，每个像素在灰度直方图中出现的概率作为稀少性度量，生成裂缝特征图，具体步骤如下：

第一步，对路面图像高斯平滑后，划分为32×32的局部分块，块内对比度通过每个像素与其余所有像素的灰度距离计算，即点i的局部对比度特征C(i)为

$C\left(i\right)=\underset{I_j=0}{\overset{n}{\mathrm{\Σ}}}{f}_{j}D(I_i,I_j)$

f_j为像素点j在局部小块中出现的概率，D(I_i,I_j)为点i的灰度值I_i与点j的灰度值I_j的灰度差异，采用欧式距离度量；

第二步，将局部分块中各个像素i在灰度直方图H中的概率H(i)作为信息论中信息的出现概率，采用自信息方法度量裂缝像素i的稀少性特征R(i)，即

R(i)=-log(H(i))

第三步，将以上两种特征结合，归一化为[0,1]，生成裂缝低层特征图

F(i)=C(i)R(i)

(3)基于贝叶斯理论的双邻域扩张初步提取裂缝；即采用双邻域扩张的方法模拟裂缝的空间曲线结构的延伸特性，据此设计先验概率权重，代入贝叶斯公式，更新裂缝特征图，突出裂缝，具体步骤如下：

第一步，定义已知裂缝特征情况下，判定点i为裂缝的条件概为P(C₁|F(i))，由贝叶斯理论，得到点i更新后的裂缝特征值F'(i)

$F^{\′}\left(i\right)=P\left(C_1\right|F\left(i\right))=\frac{P\left(C_1\right)\·P\left(F\left(i\right)\right|C_1)}{P\left(C_1\right)\·P\left(F\left(i\right)\right|C_1)+P(C_0\·)P\left(F\left(i\right)\right|C_0)}$

先验概率P(C₁)和P(C₀)分别由点i和其邻域像素点在特征图中的值获取，而后验概率P(F(i)|C₁)和P(F(i)|C₀)可通过下面的步骤获取；

第二步，标记裂缝特征图中大于平均裂缝特征值的点为潜在裂缝点，即将裂缝特征图中大于平均裂缝特征值的点标记为1，其余的点标记为0；

第三步，设最短裂缝长度为L，初始扩张步长s=1，初始内邻域为(2s-1)×(2s-1)，外邻域大小为(2s+1)×(2s+1)，计算内外邻域之间是否存在潜在裂缝点，即统计内外邻域之间是否存在标记为1的点；如果存在，s=s+1，记录扩展方向（上，下，左，右），参见图2，然后重新计算扩张后的内外邻域之间是否存在潜在裂缝点（标记为1的点），直至s=L；如果内外邻域之间不存在潜在裂缝点或扩张方向不一致，比如原来是向左扩张，当s增加后,即内外邻域变大后，突然变成向右扩张，显然属于噪声干扰，则记录此时的扩张步长s；

第四步，设置后验概率

P(F(i)|C₁)=(2s-1)/L

P(F(i)|C₀)=(L-2s+1)/L

将此后验概率带入第一步的贝叶斯公式，更新裂缝特征图，初步提取出裂缝。

(4)区域增长增强，阈值分割后提取裂缝；即将各局部分块在裂缝特征图中取值最大的一部分点代表该分块，采用区域增长的方式，进行裂缝空间一致性增强。之后，采用自适应阈值分割后提取裂缝，具体过程如下：

第一步，将更新后的裂缝特征图（图3(a)）划分为32×32的局部分块，取裂缝特征值最大的前p%像素的裂缝特征值作为该分块的裂缝特征值f，构造局部分块的裂缝特征图，见图3(b)，这里p%一般为3%～8%。

第二步，以各分块R为中心，在其周围8邻域中寻找裂缝特征值与其最为接近的分块l，即与分块R的特征值之差的绝对值最小的分块，再以寻找到的分块l为中心，搜索下一个裂缝特征值与l最为接近的分块，按照此规则一直搜索，直到分块个数为n，这里n一般为7～9；

第三步，基于区域增长的裂缝空间一致性增强结果为：

$\mathrm{FE}\left(i\right)=\frac{1}{n}(f_R+\mathrm{\Σ}{f}_t)\·F^{\′}\left(i\right)$

FE(i)为点i经过基于区域增长的裂缝空间一致性增强值，n为点i所属分块R在区域增长路径上分块的个数，f_R和f_l分别为分块R和l的裂缝特征值。空间一致性增强效果见图3(c)，裂缝整体明显突出。

第四步，采用Otsu自适应的阈值分割提取裂缝。

(5)计算裂缝各项具体参数，生成精确报表；参数如裂缝类型、面积、位置等。

Claims (4)

1.一种基于多种低层显著特征的路面裂缝检测方法，其特征在于步骤如下：

(1)获取路面灰度图像；通过安装在车辆上的线阵或面阵相机获取路面灰度图像；

(2)裂缝低层显著特征提取；即将图像划分为局部分块，将块内每个像素与块内其余所有像素的灰度距离作为局部对比度度量，每个像素在灰度直方图中出现的概率作为稀少性度量，生成裂缝特征图；

(3)基于贝叶斯理论的双邻域扩张初步提取裂缝；即采用双邻域扩张的方法模拟裂缝的空间曲线结构的延伸特性，据此确定先验概率权重，代入贝叶斯公式，更新裂缝特征图，突出裂缝；

(4)区域增长增强，阈值分割后提取裂缝；即将更新后的裂缝特征图划分为局部分块，将各局部分块中裂缝特征值最大的一部分点的取值作为该分块整体的裂缝特征值，采用区域增长的方式，进行裂缝空间一致性增强，自适应阈值分割后提取裂缝；

(5)计算裂缝各项具体参数，生成精确报表，参数包括裂缝类型、面积和位置。

2.根据权利要求1所述的基于多种低层显著特征的路面裂缝检测方法，其特征在于所述步骤（2）的具体方法为：

第一步，对路面图像高斯平滑后，划分为局部分块，局部对比度通过该分块内每个像素与分块内其余所有像素的灰度距离计算，即点i的局部对比度特征C(i)为

$C\left(i\right)=\underset{I_j=0}{\overset{n}{\mathrm{\Σ}}}{f}_{j}D(I_i,I_j)$

f_j为像素点j在局部小块中出现的概率，D(I_i,I_j)为点i的灰度值I_i与点j的灰度值I_j的灰度差异，采用欧式距离度量；

第二步，将局部分块中各个像素i在灰度直方图H中的概率H(i)作为信息论中信息的出现概率，采用自信息方法度量裂缝像素的稀少性特征R(i)，即

R(i)=-log(H(i))

第三步，将以上两种特征结合，归一化为[0,1]，生成裂缝特征图

F(i)=C(i)R(i)

3.根据权利要求1所述的基于多种低层显著特征的路面裂缝检测方法，其特征在于所述步骤（3）具体方法为：

第一步，设已知裂缝特征情况下，估计点i为裂缝的条件概率为P(C₁|F(i))，由贝叶斯理论得到点i更新后的裂缝特征值F'(i)

$F^{\′}\left(i\right)=P\left(C_1\right|F\left(i\right))=\frac{P\left(C_1\right)\·P\left(F\left(i\right)\right|C_1)}{P\left(C_1\right)\·P\left(F\left(i\right)\right|C_1)+P(C_0\·)P\left(F\left(i\right)\right|C_0)}$

先验概率P(C₁)和P(C₀)分别由点i和其邻域像素点在特征图中的值获取，而后验概率P(F(i)|C₁)和P(F(i)|C₀)可通过下面的步骤获取；

第二步，标记裂缝特征图中大于平均裂缝特征值的点为潜在裂缝点，即将裂缝特征图中大于平均裂缝特征值的点标记为1，其余的点标记为0；

第三步，设最短裂缝长度为L，初始扩张步长s=1，初始内邻域为(2s-1)×(2s-1)，外邻域大小为(2s+1)×(2s+1)，计算内外邻域之间是否存在潜在裂缝点，即统计内外邻域之间是否存在标记为1的点；如果存在，s=s+1，记录扩展方向（上，下，左，右），然后重新计算扩张后的内外邻域之间是否存在潜在裂缝点即标记为1的点，直至s=L；如果内外邻域之间不存在潜在裂缝点或扩张方向不一致，则记录此时的扩张步长s；

第四步，设置后验概率

P(F(i)|C₁)=(2s-1)/L

P(F(i)|C₀)=(L-2s+1)/L

将此后验概率带入第一步的贝叶斯公式，更新裂缝特征图，初步提取出裂缝。

4.根据权利要求1所述的基于多种低层显著特征的路面裂缝检测方法，其特征在于步骤(4)中的区域增长方法为：

第一步，将更新后的裂缝特征图划分为局部分块，在各局部分块中，取裂缝特征值最大的前p%像素的裂缝特征值作为该分块的裂缝特征值f，p%为3%～8%；

第二步，以各分块R为中心，在其周围8邻域中寻找裂缝特征值与其最为接近的分块l，即与分块R的特征值之差的绝对值最小的分块，再以寻找到的分块l为中心，搜索下一个裂缝特征值与l最为接近的分块，按照此规则继续搜索，直到分块个数为n；n为7～9；

第三步，基于区域增长的裂缝空间一致性增强结果为：

$\mathrm{FE}\left(i\right)=\frac{1}{n}(f_R+\mathrm{\Σ}{f}_t)\·F^{\′}\left(i\right)$

FE(i)为点i经过基于区域增长的裂缝空间一致性增强值，n为点i所属分块R在区域增长路径上分块的个数，f_R和f_l分别为分块R和l的裂缝特征值。

Images