CN103955923A - 一种快速的基于图像的路面病害检测方法 - Google Patents

Abstract

本发明公开了一种快速的基于图像的路面病害检测方法，能够快速检测各种类型的道路病害。通过里程传感器触发相机拍摄，在车辆行驶的过程中获取路面灰度图像；对图像进行下采样、行道区域检测等预处理；进行病害边缘检测、平滑病害边界、病害区域检测、连接和聚类等病害检测过程；输出病害检测结果；本发明在鲁棒性上具有良好的抗几何畸变、抗亮度变化不均能力，能够快速检测道路病害，对各种类型的道路病害均可进行检测，并能根据实际需求灵活调节阈值实现检测精度和速度的调节。

Description

一种快速的基于图像的路面病害检测方法

技术领域

本发明属于路面病害检测领域，涉及一种快速的基于图像的路面病害检测方法，尤其是可针对用户需求进行不同精度和速度的检测。

背景技术

随着我国经济的不断发展,交通运输在国民经济和社会中起到作用越来越明显,地位也越来越高，而作为交通运输主动脉的高速公路,更是得到了飞速的发展。高速公路的修建和兴起,为人们提供了高效、便捷、安全的新型运输方式,带动了各个地区之间的经济文化交流，是国家大力推进的新经济增长点。目前我国高速公路的通车里程已居世界第二,已建立了较完善的道路管理规范和系统,这些系统的建立有效地保证了养护的科学性；但是,在高速公路建设越来越快的同时,配套管理作为一项复杂的系统工程,仍有许多问题需要解决，特别是高速公路的养护任务,已经成为确保其正常运行的关键因素之一，若能在路面病害产生的初期就发现它,并制定合理的养护策略,那么路面的养护费用将大大降低，如何在不影响正常交通秩序的情况下,快速地对整段路面做全面调查并自动定位到路面病害区，成为一个有很大现实意义却又难以处理的问题。

以往常用的检测方法是基于人工视觉做现场调查检测病害，但其不能很好的适应高速公路发展的要求,其问题在于:成本高耗时长，现在我国高速公路网规模大,靠使用工程车辆低速行驶,用眼睛检测公路上的病害,为完成一段公路的调查需要相当数量的人力或耗费很长的检测时间；精确度低，受到环境和检测人员的影响较大，天气因素会比较严重地影响路面病害观感，检测人员个人的主观因素也会干扰对路面病害的评定；影响交通，人工检测路面时,为保障工作人员的安全,需要频繁封闭车道或路段,对于道路的使用造成干扰；检测环境危险，工作人员长期在处于半封闭状态的路段(如:封闭部分车道而其余车道任有车流)开展检测工作,来往车辆和高速公路上的丢弃物都对其产生较大威胁。

发明内容

本发明的目的在于提供一种快速的基于图像的路面病害检测方法，能够快速检测出路面的各种病害，并能够变更不同的检测阈值，给出不同检测精度的病害检测结果。

实现本发明目的的技术解决方案为：获取路面灰度图像；对图像进行下采样、行道区域检测等预处理；进行病害边缘检测、平滑病害边界、病害区域检测、连接和聚类等检测过程；输出病害检测结果。方案步骤如下：

（1）获取路面灰度图像

将线阵或面阵相机垂直地面安装于检测车辆后方，可采用LED灯或激光器辅助补光，通过里程传感器触发相机进行图像拍摄，获取对应里程的路面图像。

（2）图像预处理

第一步，对图像进行下采样，得到大小低于10万像素的灰度图像，以降低运算量提高检测速度；针对4096x2048分辨率的采集图像，可下采样成1024x512或512x256分辨率的图像。

第二步，对行道区域进行检测，先检测出行道线，由于行道线都是用石灰粉刷的，与路面灰度相比具有较高的亮度，而且车辆在行进过程中，车道线都是竖直方向的，采用Sobel算子对道路图像进行行道线边缘检测，确定道路的左右行道线边缘，提取两条行道线的中间部分作为识别区域；对行道区域外的部分不必进行下面的病害检测以提高检测的准确性和速度；

（3）路面病害检测：

第一步，图像分割和边缘检测。对于道路路面图像，将其视为矩阵阵列，对于矩阵中的任意一点(x,y)，设其的灰度值函数为F(x,y)，则图像灰度场符合离散分形布朗增量随机场模型，则有：

$E\left(\right|F(x_2,y_2)-F(x_1,y_1)\left|\right)=K{\left(\sqrt{{(x_2-x_1)}^2+{(y_2-y_1)}^2}\right)}^H$

(E为图形所在空间的拓扑维，H为分形参数，0<H<1，K为常数参数)

令 $\mathrm{\&Delta;}{F}_{\mathrm{\&Delta;r}}=|F(x_2,y_2)-F(x_1,y_1)|(\mathrm{\&Delta;r}=\sqrt{{(x_2-x_1)}^2+{(y_2-y_1)}^2})$

则E(ΔF_Δr)=KΔr^H，经过对数计算后：Log(E(ΔF_Δr))=H·Log(Δr)+n

进行最小二乘拟合，获取图像区域的分维数值，切割图像并进行边缘检测，提取含有边缘信息的黑白二值图像。

第二步，平滑病害边界。对边缘检测后的图像进行膨胀和闭运算，填补线条和轮廓缝隙。

第三步，病害区域检测。对病害区域进行检测，方法如下：

根据填补后的黑白二值图像，将填补后的黑白二值图像中的白色边缘点设为未标记点，执行如下步骤：

①判断图像中是否有未标记点，如果有，执行下一步；如果没有，则跳转到步骤⑨；

②以一个未标记点为中心，圈定一个m×m的小窗口，m为一个设定值，且m为大于2小于9的奇数；

③查找窗口内存在的所有未标记点，根据疑似病害特征识别规则方法一对窗口内的所有未标记点进行判断，若结果为噪声，则跳转到步骤⑧；若结果符合疑似病害特征，执行下一步；

④保持窗口的中心不变，窗口边界扩张为(m+2)×(m+2)，此窗口的扩张次数增加一次；

⑤判断窗口的扩张次数，设一个整数n，n大于3小于10，如果窗口的扩张次数大于n，执行下一步；如果小于等于n，则跳转到步骤③；

⑥查找窗口内存在的所有未标记点，根据疑似病害特征识别规则方法二对窗口内的所有未标记点进行判断，若结果为噪声，则跳转到步骤⑧；若结果符合疑似病害特征，执行下一步；

⑦将整个窗口区域标记为疑似病害区域，记录此疑似病害区域的疑似病害类型；

⑧将整个窗口区域中的所有未标记点更改为已标记点，跳转到步骤①；

⑨记录图像中的全部疑似病害区域和与之对应的疑似病害特征。

第四步，连接和聚类分析

根据第三步中的检测结果，得到一张含有多个区域类型标记的图像，将同类型的区域进行连接，通过连接后的形状判断其是否能构成对应的病害区域：若判断不是病害区域，则将其作为干扰噪声消除；若判断是病害区域，则记录区域的位置，大小，然后对病害区域使用系统聚类法进行分析，判断其的病害轻重程度，将病害位置、大小、轻重结果输出；

（4）输出病害检测结果，统计整条车道的病害状况或提示进行修补。

本发明与现有技术相比，其显著优点为：

1.快速高效。为解决人工检测道路病害的弊端，现有的发展趋势是采用高速公路病害检测车辆对道路自动检测。一般包括图像采集和病害检测处理两个过程，其中图像采集为了保证病害的检测精度，往往采用高清相机拍摄道路图像，这些图像尺寸大、数量非常多，而根据道路检测部门的检测工作量和检测周期情况看，需要在较短时间内完成病害检测处理，如果靠全人工方式在拍摄的图像中进行病害检测处理，将是一个很大工作量的工程，而且检测结果受人的主观因素影响，容易漏检；如果采用现有的病害识别方法，则计算量大，检测时间过长，难以满足实际工程要求。本方法在算法上简化步骤，在检测病害时关注显著区域和连通性，有效提高了检测效率，易于进行并行计算，能够满足实际应用中道路检测部门对病害处理的准确性要求和检测时间要求。

2.可以针对多种路面病害进行检测。以往的道路病害检测算法主要关注裂缝类的病害，在实际使用中往往需要再次花费大量人力物力对剩余类型的病害进行再次检测。本方法根据道路的变化程度选择显著区域，再通过区域之间的连通性和一致性判断，能够有效检测各种类型的道路病害。

3.只在行道区域进行病害检测。在道路病害检测中，检测部门主要关注一条车道内（行道区域）的完整信息，而一般采集的图像宽度大于行道宽度，而行道外往往会有道路边沿和草木等噪声（如最外车道），本方法在预处理中加入了行道线检测的步骤，保证了在行道内进行检测，减少了干扰，同时减少了检测的面积区域，进一步提高了速度。

4.在实际使用中，不同的检测部门对道路病害的检测精度和检测时间有不同的要求，本方法可以调节多个预设阈值，使检测精度和速度符合相应的要求，便于用户使用。

附图说明

图1是本发明的路面病害检测方法的流程图。

图2是本发明的路面病害检测方法的病害检测流程图。

图3是本发明的路面病害检测方法的病害扩张示意图。

图4是本发明的路面病害检测方法的病害扩张检测流程图。

图5是包含“横向裂缝”病害的检测结果。

图6是包含“裂缝修补”病害的检测结果。

具体实施方式

下面结合附图对本发明作进一步详细描述。

结合图1至图8，本发明是一种快速的基于图像的路面病害检测方法，主要包括获取路面灰度图像；对图像进行下采样、行道区域检测等预处理；进行病害边缘检测、平滑病害边界、病害区域检测、连接和聚类等检测过程；输出病害检测结果等步骤。首先对道路图像中的行道线进行检测，得到待检测区域，然后使用边缘检测、膨胀和闭运算提取出可能的病害区域，通过病害扩张的方式对疑似病害区域进行检测，最后聚类分析，输出检测结果。如图1，具体步骤如下：

（1）获取路面灰度图像

将线阵或面阵相机垂直地面安装于检测车辆后方，可采用LED灯或激光器辅助补光，通过里程传感器触发相机进行图像拍摄，获取对应里程的路面图像。

（2）图像预处理

第一步，对图像进行下采样，得到大小低于10万像素的灰度图像，以降低运算量提高检测速度；针对4096x2048分辨率的采集图像，可下采样成1024x512或512x256分辨率的图像；

第二步，对行道区域进行检测，先检测出行道线，由于行道线都是用石灰粉刷的，与路面灰度相比具有较高的亮度，而且车辆在行进过程中，车道线都是竖直方向的，采用Sobel算子对道路图像进行行道线边缘检测，确定道路的左右行道线边缘，提取两条行道线的中间部分作为识别区域；如将图4中行道线及其左侧的部分剔除，仅选取右侧的部分作为识别区域

（3）路面病害检测，如图2：

第一步，图像分割和边缘检测。对于道路路面图像，将其视为矩阵阵列，对于矩阵中的任意一点(x,y)，设其的灰度值函数为F(x,y)，则图像灰度场符合离散分形布朗增量随机场模型，则有：

$E\left(\right|F(x_2,y_2)-F(x_1,y_1)\left|\right)=K{\left(\sqrt{{(x_2-x_1)}^2+{(y_2-y_1)}^2}\right)}^H$

(E为图形所在空间的拓扑维，H为分形参数，0<H<1，K为常数参数)

令 $\mathrm{\&Delta;}{F}_{\mathrm{\&Delta;r}}=|F(x_2,y_2)-F(x_1,y_1)|(\mathrm{\&Delta;r}=\sqrt{{(x_2-x_1)}^2+{(y_2-y_1)}^2})$

则E(ΔF_Δr)=KΔr^H，经过对数计算后：Log(E(ΔF_Δr))=H·Log(Δr)+n

进行最小二乘拟合，获取图像区域的分维数值，切割图像并进行边缘检测，提取含有边缘信息的黑白二值图像。

第二步，平滑病害边界。对边缘检测后的图像进行膨胀和闭运算，填补线条和轮廓缝隙。

第三步，病害区域检测。如图4所示，方法如下：

根据填补后的黑白二值图像，将填补后的黑白二值图像中的白色边缘点设为未标记点，执行如下步骤：

①判断图像中是否有未标记点，如果有，执行下一步；如果没有，则跳转到步骤⑨；

②以一个未标记点为中心，圈定一个m×m的小窗口，m为一个设定值，且m为大于2小于9的奇数；

③查找窗口内存在的所有未标记点，根据疑似病害特征识别规则方法一对窗口内的所有未标记点进行判断，若结果为噪声，则跳转到步骤⑧；若结果符合疑似病害特征，执行下一步；

④保持窗口的中心不变，窗口边界扩张为(m+2)×(m+2)，此窗口的扩张次数增加一次；

⑤判断窗口的扩张次数，设一个整数n，n大于3小于10，如果窗口的扩张次数大于n，执行下一步；如果小于等于n，则跳转到步骤③；

⑥查找窗口内存在的所有未标记点，根据疑似病害特征识别规则方法二对窗口内的所有未标记点进行判断，若结果为噪声，则跳转到步骤⑧；若结果符合疑似病害特征，执行下一步；

⑦将整个窗口区域标记为疑似病害区域，记录此疑似病害区域的疑似病害类型；

⑧将整个窗口区域中的所有未标记点更改为已标记点，跳转到步骤①；

⑨记录图像中的全部疑似病害区域和与之对应的疑似病害特征。

以图3为例，在图中展示了经过两次扩展后的结果，图中网格阴影的圆为起始点，在3×3的区域中有两个扩张点，用竖线阴影表示，在5×5区域中有两个扩张点，用横线阴影表示，将两次标记的点进行比对，可以得出此区域是一个疑似横线病害区域。

在图5中，检测出9个横线区域和2个网状区域。

第四步，连接和聚类分析

根据第三步中的检测结果，得到一张含有多个区域类型标记的图像，将同类型的区域进行连接，通过连接后的形状判断其是否能构成对应的病害区域：若判断不是病害区域，则将其作为干扰噪声消除；若判断是病害区域，则记录区域的位置，大小，然后对病害区域使用系统聚类法进行分析，判断其的病害轻重程度，将病害位置、大小、轻重结果输出；图4中根据第三步的小区域识别结果，将9个横线区域和2个网状线区域连接起来，根据形状走势判断出图5中有一个横向裂缝，使用聚类分析判断此病害轻重程度为轻。最后识别出的病害区域如图5、图6所示。

（4）输出病害检测结果，统计整条车道的病害状况或提示进行修补。

Claims (4)

1.一种快速的基于图像的路面病害检测方法，其特征在于步骤如下：

1、获取路面灰度图像

将线阵或面阵相机垂直地面安装于检测车辆后方，获取对应里程的路面图像；

2、图像预处理

2.1，对道路路面图像进行下采样，得到大小低于10万像素的灰度图像；

2.2，对行道区域进行检测，采用Sobel算子对道路路面图像进行行道线边缘检测，确定道路的左右行道线边缘，提取两条行道线的中间部分作为识别区域；

3、路面病害检测

3.1，图像分割和边缘检测；对道路路面图像使用分型的方法进行分割，对分割后的图像区域进行边缘检测，提取含有边缘信息的黑白二值图像，边缘为白色，背景为黑色；

3.2，平滑病害边界；对边缘检测后的黑白二值图像进行膨胀和闭运算，填补黑白二值图像线条和轮廓缝隙；

3.3，病害区域检测；对步骤3.2获取的填补后的黑白二值图像进行扩张检测，判断是否为疑似病害区域，对判断出的疑似病害区域标记疑似病害类型；

3.4，连接和聚类分析；根据步骤3.3中的检测结果，得到含有多个疑似病害区域类型标记的图像，将同类型的区域进行连接，通过连接后的形状判断其是否能构成对应的病害区域：若判断不是病害区域，则将其作为干扰噪声消除；若判断是病害区域，则记录区域的位置、大小，然后对病害区域使用系统聚类法进行分析，判断其的病害轻重程度，将病害位置、大小、轻重结果输出；

4、输出全部病害检测结果，统计整条车道的病害状况或提示进行修补。

2.根据权利要求1所述的快速的基于图像的路面病害检测方法，其特征在于，所述步骤3.1中的图像分割方法如下：

将得到的识别区域路面图像视为矩阵阵列，对于矩阵中的任意一点(x,y)，设其的灰度值函数为F(x,y)，则图像灰度场符合离散分形布朗增量随机场模型，则有：

$E\left(\right|F(x_2,y_2)-F(x_1,y_1)\left|\right)=K{\left(\sqrt{{(x_2-x_1)}^2+{(y_2-y_1)}^2}\right)}^H$

其中，E为图形所在空间的拓扑维，H为分形参数，0<H<1，K为常数参数；

令 $\mathrm{\&Delta;}{F}_{\mathrm{\&Delta;r}}=|F(x_2,y_2)-F(x_1,y_1)|(\mathrm{\&Delta;r}=\sqrt{{(x_2-x_1)}^2+{(y_2-y_1)}^2})$

则E(ΔF_Δr)=KΔr^H，经过对数计算后：Log(E(ΔF_Δr))=H·Log(Δr)+n

进行最小二乘拟合，获取图像区域的分维数值，切割图像。

3.根据权利要求1所述的快速的基于图像的路面病害检测方法，其特征在于：所述步骤3.3中，根据步骤3.2所获取的填补后的黑白二值图像，将填补后的黑白二值图像中的白色边缘点设为未标记点，执行如下步骤：

①判断图像中是否有未标记点，如果有，执行下一步；如果没有，则跳转到步骤⑨；

②以一个未标记点为中心，圈定一个m×m的小窗口，m为一个设定值，且m为大于2小于9的奇数；

③查找窗口内存在的所有未标记点，根据疑似病害特征识别规则方法一对窗口内的所有未标记点进行判断，若结果为噪声，则跳转到步骤⑧；若结果符合疑似病害特征，执行下一步；

④保持窗口的中心不变，窗口边界扩张为(m+2)×(m+2)，此窗口的扩张次数增加一次；

⑤判断窗口的扩张次数，设一个整数n，n大于3小于10，如果窗口的扩张次数大于n，执行下一步；如果小于等于n，则跳转到步骤③；

⑥查找窗口内存在的所有未标记点，根据疑似病害特征识别规则方法二对窗口内的所有未标记点进行判断，若结果为噪声，则跳转到步骤⑧；若结果符合疑似病害特征，执行下一步；

⑦将整个窗口区域标记为疑似病害区域，记录此疑似病害区域的疑似病害类型；

⑧将整个窗口区域中的所有未标记点更改为已标记点，跳转到步骤①；

⑨记录图像中的全部疑似病害区域和与之对应的疑似病害特征。

4.根据权利要求3所述的快速的基于图像的路面病害检测方法，其特征在于：所述疑似病害特征识别规则为：

①区域中的点分布位置为线状，线状分布中没有线条分叉的情况出现，则区域为线状区域，根据线条的方向，细分为横线、竖线、左上-右下斜线、右上-左下斜线四种线状区域；

②区域中的点分布位置为线状，线状分布中出现线条分叉的情况，则区域为网状区域；

③区域中的点分布位置为块状，点的分布密集，块状部分与区域的部分边界重合，则区域为密集块状区域；

④区域中的点分布位置为块状，点的分布密集，块状部分与区域的边界没有重合部分，则为噪声区域；

⑤区域中的点分布位置为块状，点的分布松散，块状部分与区域的部分边界重合，且块状部分面积不大于区域面积的70%，则区域为松散块状区域；

⑥区域中的点分布位置为块状，点的分布松散，若块状部分与区域的边界没有重合，或块状部分面积大于区域面积的70%，则为噪声区域；

⑦若不符合①—⑥中任意一个特征，则区域为存疑病害区域；

对于以上①—⑦特征，根据识别要求不同，分为两种方法：

方法一：使用①—⑦特征，如果区域仅满足①—⑦特征中的某一特征，按此特征判断区域为噪声或疑似病害区域；如果区域满足①—⑦特征中的多条特征，若每条特征判断结果均为噪声，则区域判断为噪声区域，若存在某一特征判断为病害，则区域为疑似病害区域；

方法二：使用①—⑥特征，如果区域仅满足①—⑥特征中的某一特征，按此特征判断区域为噪声或疑似病害区域，记录疑似病害类型；如果区域满足①—⑥特征中的多条特征，则区域判断为噪声区域。