CN105320962A - 一种基于分类器集成的路面破损类型识别方法 - Google Patents
一种基于分类器集成的路面破损类型识别方法 Download PDFInfo
- Publication number
- CN105320962A CN105320962A CN201510686638.XA CN201510686638A CN105320962A CN 105320962 A CN105320962 A CN 105320962A CN 201510686638 A CN201510686638 A CN 201510686638A CN 105320962 A CN105320962 A CN 105320962A
- Authority
- CN
- China
- Prior art keywords
- image
- road surface
- pavement
- surface breakage
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于分类器集成的路面破损类型识别方法,包括以下步骤:1)对检测到具有破损的路面图像进行同态滤波预处理;2)采用经过预处理后的路面图像构建路面破损图像数据库,该数据库包括横裂、纵裂、网裂和沉降破损类型,并保证该数据库中图像样本的均衡性,即图像大小一致,数量相等;3)分别采用Contourlet变换和边缘方向直方图法提取路面破损图像的特征向量,并采用串行联合策略构建路面破损图像的联合特征向量;4)基于交叉核支持向量机,构建随机子空间集成分类器对路面破损图像进行识别。本发明有效地提高路面破损图像类型的识别效率,为公路管理工作特别是路面养护工作提供高效、智能化的管理依据。
Description
技术领域
本发明专利涉及智能交通研究领域,尤其是路面养护管理工作中实现路面破损类型的自动化识别方法。
背景技术
交通量的增加以及车辆大型化、超载严重等现象导致路面破损的出现,严重影响道路交通的安全性和舒适性。路面养护是公路养护的重点,而路面破损状况作为路面养护管理工作的依据在路面养护决策中占据重要地位。路面图像类型有横裂、纵裂、网裂和正常等类型,传统的路面破损检测方法是采用人工检测,但该方法工作效率低,劳动强度大,作业危险程度较高,且受天气条件等影响较为严重,已不适应高等级公路快速发展的需求。因此研究设计智能化、高检测率的路面破损识别方法成为提高路面养护管理工作的关键技术问题之一。
数字图像处理技术、智能传感技术与电子信息技术在交通领域的应用为交通的智能化和信息化做出了巨大的贡献。为有效地实现路面破损的智能化识别,许多研究机构及学者相继开展了相关研究工作,目前,对于路面破损图像的特征描述使用较多的是采用区域及几何特征描述,孙奥等提出了一种利用支持向量机对路面病害进行分类的方法,但该方法只适用于裂缝类病害,而对于非裂缝类不规则破损分类效果较弱。本专利提出了一种采用串行联合策略构建联合特征来表征路面破损图像,并基于交叉核支持向量机构建随机子空间集成分类器对铺面破损类型进行识别的方法,可有效地提高路面破损图像类型的识别效率。
发明内容
本发明的目的在于克服现有技术存在的不足,提供一种基于分类器集成的路面破损类型识别方法,有效地表征公路路面破损特征并进行高效率地识别,以用于智能化交通方面,特别是为公路管理工作中路面养护方面提供了高效、智能化的管理依据及方法。
本发明采用的技术方案为:一种基于分类器集成的路面破损类型识别方法,包括以下步骤:
1)对检测到具有破损的路面图像进行同态滤波预处理;
2)采用经过预处理后的路面图像构建路面破损图像数据库,该数据库包括横裂、纵裂、网裂和沉降等破损类型,并保证该数据库中图像样本的均衡性,即图像大小一致,数量相等;
3)分别采用Contourlet变换和边缘方向直方图法提取路面破损图像的特征向量,并采用串行联合策略构建路面破损图像的联合特征向量;
4)基于交叉核支持向量机,构建随机子空间集成分类器对路面破损图像进行识别。
作为优选,所述步骤1)中,同态滤波是把频率过滤和灰度变换结合起来的一种图像处理方法,该方法首先对图像进行对数变换,实现对图像的灰度拉伸,然后对经过对数处理后的图像进行傅里叶变换将图像转换到频率域,并通过对图像进行频域滤波实现图像的去噪处理,最后,对图像进行傅里叶逆变换和指数运算即得到同态滤波处理后的路面破损图像。
作为优选,所述步骤3)中,Contourlet变换将小波的优点延伸到高维空间,能够更好地刻画高维信息的特性,更适合处理具有超平面奇异性的信息,其基本思想是采用拉普拉斯金字塔分解得到边缘的孤立断点,并使用二维方向滤波器组将方向一致的断点连接成线,从而形成基本的轮廓段,因此,采用Contourlet变换提取路面破损图像的高维纹理特征向量A。
边缘方向直方图是对图像边缘信息及梯度信息的综合描述,其基本思想是图像的局部形状特征可以由局部灰度梯度和边缘方向来表征,将一副图像划分为多个子图像,并按照水平边缘方向、垂直边缘方向、对角边缘方向(包括两个斜对角)和无边缘方向五个方向对各子图像的梯度直方图进行分类,对各梯度直方图按照划分的分类方向进行统计,因此,采用边缘方向直方图法提取路面破损图像的直方图特征向量B。
由于不同的特征描述存在彼此的互补性,因此,采用串行联合策略构建路面破损图像的联合特征向量,即对于路面破损模式样本空间A,B∈Ω,则组合后的串行联合特征向量为
其中,A和B分别为N维和M维特征向量,串行联合特征向量为(M+N)维。
作为优选,所述步骤4)中,按照均匀分布原则从路面破损图像的联合特征向量中随机选取训练样本子集Λi,1≤i≤H,H为训练样本子集的个数,即
Λi=(αi,βi)(2)
其中,αi∈A,βi∈B,αi和βi分别为n维和m维特征向量,Λi为m+n维特征向量。
采用训练样本子集Λi训练交叉核支持向量机,生成随机子空间子分类器Ci(Λi),并定义该子分类器集的投票权重为
其中,erri为所有被错误分类的样本的权重,如果Λi能被正确的分类,则反之, 表示各分类器的权重,本专利中
根据随机子空间子分类器Ci(Λi)(i=1,2,…H)构建路面破损图像类型识别的随机子空间集成分类器C(Λ),该集成分类器识别结果的判别原则为
其中,yi为随机子空间子分类器Ci(Λi)的分类结果,如果δ(Λ)≥H/2,则随机子空间集成分类器C(Λ)检测到路面图像的破损,否则,该路面图像不存在破损信息。
有益效果:本发明针对CCD路面破损图像,采用串行联合策略构建联合特征来表征路面破损图像,并基于交叉核支持向量机构建随机子空间集成分类器来对路面破损类型进行识别,可有效地提高路面破损图像类型的识别效率,为公路管理工作特别是路面养护工作提供高效、智能化的管理依据。
具体实施方式
下面结合具体实施方式对本发明技术方案作进一步说明:
一种基于分类器集成的路面破损类型识别方法,包括以下步骤:
第一步:对检测到具有破损的路面图像进行同态滤波预处理,同态滤波首先对路面破损图像进行对数变换,实现对图像的灰度拉伸,然后对经过对数处理后的图像进行傅里叶变换将图像转换到频率域,并通过对图像进行频域滤波实现图像的去噪处理,最后,对图像进行傅里叶逆变换和指数运算即得到同态滤波处理后的路面破损图像。
第二步:采用经过预处理后的路面图像构建路面破损图像数据库,该数据库包括横裂、纵裂、网裂和沉降等破损类型,并保证该数据库中图像样本的均衡性,即图像大小一致,数量相等。
第三步:分别采用Contourlet变换和边缘方向直方图法提取路面破损图像的特征向量,并采用串行联合策略构建路面破损图像的联合特征向量。
Contourlet变换采用拉普拉斯金字塔分解得到边缘的孤立断点,并使用二维方向滤波器组将方向一致的断点连接成线,从而形成基本的轮廓段,因此,采用Contourlet变换提取路面破损图像的高维纹理特征向量A;边缘方向直方图法是图像的局部形状特征可以由局部灰度梯度和边缘方向来表征,将一副图像划分为多个子图像,并按照水平边缘方向、垂直边缘方向、对角边缘方向(包括两个斜对角)和无边缘方向五个方向对各子图像的梯度直方图进行分类,对各梯度直方图按照划分的分类方向进行统计,因此,采用边缘方向直方图法提取路面破损图像的直方图特征向量B。
由于不同的特征描述存在彼此的互补性,因此,采用串行联合策略构建路面破损图像的联合特征向量,即对于路面破损模式样本空间A,B∈Ω,则组合后的串行联合特征向量为
其中,A和B分别为N维和M维特征向量,串行联合特征向量为(M+N)维。
第四步:基于交叉核支持向量机,构建随机子空间集成分类器对路面破损图像进行识别。
按照均匀分布原则从路面破损图像的联合特征向量中随机选取训练样本子集Λi,1≤i≤H,H为训练样本子集的个数,即
Λi=(αi,βi)(2)
其中,αi∈A,βi∈B,αi和βi分别为n维和m维特征向量,Λi为m+n维特征向量。
采用训练样本子集Λi训练交叉核支持向量机,生成随机子空间子分类器Ci(Λi),并定义该子分类器集的投票权重为
其中,erri为所有被错误分类的样本的权重,如果Λi能被正确的分类,则反之, 表示各分类器的权重,本专利中
根据随机子空间子分类器Ci(Λi)(i=1,2,…H)构建路面破损图像类型识别的随机子空间集成分类器C(Λ),该集成分类器识别结果的判别原则为
其中,yi为随机子空间子分类器Ci(Λi)的分类结果,如果δ(Λ)≥H/2,则随机子空间集成分类器C(Λ)检测到路面图像的破损,否则,该路面图像不存在破损信息。
应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (4)
1.一种基于分类器集成的路面破损类型识别方法,其特征在于:包括以下步骤:
1)对检测到具有破损的路面图像进行同态滤波预处理;
2)采用经过预处理后的路面图像构建路面破损图像数据库,该数据库包括横裂、纵裂、网裂和沉降破损类型,并保证该数据库中图像样本的均衡性,即图像大小一致,数量相等;
3)分别采用Contourlet变换和边缘方向直方图法提取路面破损图像的特征向量,并采用串行联合策略构建路面破损图像的联合特征向量;
4)基于交叉核支持向量机,构建随机子空间集成分类器对路面破损图像进行识别。
2.根据权利要求1所述的一种基于分类器集成的路面破损类型识别方法,其特征在于:所述步骤1)中,同态滤波是把频率过滤和灰度变换结合起来的一种图像处理方法,该方法首先对图像进行对数变换,实现对图像的灰度拉伸;然后对经过对数处理后的图像进行傅里叶变换将图像转换到频率域,并通过对图像进行频域滤波实现图像的去噪处理;最后,对图像进行傅里叶逆变换和指数运算即得到同态滤波处理后的路面破损图像。
3.根据权利要求1所述的一种基于分类器集成的路面破损类型识别方法,其特征在于:所述步骤3)中,Contourlet变换是采用拉普拉斯金字塔分解得到边缘的孤立断点,并使用二维方向滤波器组将方向一致的断点连接成线,从而形成基本的轮廓段,因此,采用Contourlet变换提取路面破损图像的高维纹理特征向量A;
边缘方向直方图法是图像的局部形状特征由局部灰度梯度和边缘方向来表征,将一副图像划分为多个子图像,并按照水平边缘方向、垂直边缘方向、对角边缘方向和无边缘方向五个方向对各子图像的梯度直方图进行分类,对各梯度直方图按照划分的分类方向进行统计,因此,采用边缘方向直方图法提取路面破损图像的直方图特征向量B;
由于不同的特征描述存在彼此的互补性,因此,采用串行联合策略构建路面破损图像的联合特征向量,即对于路面破损模式样本空间A,B∈Ω,则组合后的串行联合特征向量为
其中,A和B分别为N维和M维特征向量,串行联合特征向量为(M+N)维。
4.根据权利要求1所述的一种基于分类器集成的路面破损类型识别方法,其特征在于:所述步骤4)中,按照均匀分布原则从路面破损图像的联合特征向量中随机选取训练样本子集Λi,1≤i≤H,H为训练样本子集的个数,即
Λi=(αi,βi)(2)
其中,αi∈A,βi∈B,αi和βi分别为n维和m维特征向量,Λi为m+n维特征向量;
采用训练样本子集Λi训练交叉核支持向量机,生成随机子空间子分类器Ci(Λi),并定义该子分类器集的投票权重为
其中,erri为所有被错误分类的样本的权重,如果Λi能被正确的分类,则反之, 表示各分类器的权重,本专利中
根据随机子空间子分类器Ci(Λi),i=1,2,…H),构建路面破损图像类型识别的随机子空间集成分类器C(Λ),该集成分类器识别结果的判别原则为
其中,yi为随机子空间子分类器Ci(Λi)的分类结果,如果δ(Λ)≥H/2,则随机子空间集成分类器C(Λ)检测到路面图像的破损,否则,该路面图像不存在破损信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510686638.XA CN105320962B (zh) | 2015-10-21 | 2015-10-21 | 一种基于分类器集成的路面破损类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510686638.XA CN105320962B (zh) | 2015-10-21 | 2015-10-21 | 一种基于分类器集成的路面破损类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105320962A true CN105320962A (zh) | 2016-02-10 |
CN105320962B CN105320962B (zh) | 2016-10-12 |
Family
ID=55248316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510686638.XA Active CN105320962B (zh) | 2015-10-21 | 2015-10-21 | 一种基于分类器集成的路面破损类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105320962B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106087679A (zh) * | 2016-08-15 | 2016-11-09 | 浙江省交通集团检测科技有限公司 | 一种沥青路面病害识别与自动绘图系统及其方法 |
CN106327494A (zh) * | 2016-08-24 | 2017-01-11 | 张家利 | 一种路面裂缝图像自动检测方法 |
CN107862335A (zh) * | 2017-11-07 | 2018-03-30 | 河南科技大学 | 一种基于多尺度反馈度量学习的纹理图像分类方法 |
CN108154498A (zh) * | 2017-12-06 | 2018-06-12 | 深圳市智能机器人研究院 | 一种裂缝缺陷检测系统及其实现方法 |
CN108229562A (zh) * | 2018-01-03 | 2018-06-29 | 重庆亲禾智千科技有限公司 | 一种得到路面具体破损分类情况的方法 |
CN109460738A (zh) * | 2018-11-14 | 2019-03-12 | 吉林大学 | 一种基于无损失函数的深度卷积神经网络的路面类型估算方法 |
CN109682838A (zh) * | 2018-12-29 | 2019-04-26 | 佛山科学技术学院 | 一种无人图书馆图书封面检测系统及检测方法 |
CN109685974A (zh) * | 2018-12-21 | 2019-04-26 | 佛山科学技术学院 | 一种基于图像处理的图书馆智能还书的检测系统及方法 |
CN110895806A (zh) * | 2019-07-25 | 2020-03-20 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
CN115512523A (zh) * | 2022-09-16 | 2022-12-23 | 上海市地质勘查技术研究院 | 基于互联网+的地铁隧道沉降监护方法、装置、系统及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0961138A (ja) * | 1995-08-24 | 1997-03-07 | Mitsubishi Heavy Ind Ltd | ひび割れ抽出装置 |
CN101915764A (zh) * | 2010-08-10 | 2010-12-15 | 武汉武大卓越科技有限责任公司 | 基于动态规划的路面裂缝检测方法 |
CN104700395A (zh) * | 2014-11-11 | 2015-06-10 | 长安大学 | 一种构造物外观裂缝检测方法及系统 |
CN104751435A (zh) * | 2013-12-27 | 2015-07-01 | 哈尔滨理大晟源科技开发有限公司 | 基于无线传感器的公路路面病害检测方法 |
-
2015
- 2015-10-21 CN CN201510686638.XA patent/CN105320962B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0961138A (ja) * | 1995-08-24 | 1997-03-07 | Mitsubishi Heavy Ind Ltd | ひび割れ抽出装置 |
CN101915764A (zh) * | 2010-08-10 | 2010-12-15 | 武汉武大卓越科技有限责任公司 | 基于动态规划的路面裂缝检测方法 |
CN104751435A (zh) * | 2013-12-27 | 2015-07-01 | 哈尔滨理大晟源科技开发有限公司 | 基于无线传感器的公路路面病害检测方法 |
CN104700395A (zh) * | 2014-11-11 | 2015-06-10 | 长安大学 | 一种构造物外观裂缝检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
谢昌荣等: "路面裂缝检测图像处理算法的研究", 《中外公路》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106087679A (zh) * | 2016-08-15 | 2016-11-09 | 浙江省交通集团检测科技有限公司 | 一种沥青路面病害识别与自动绘图系统及其方法 |
CN106327494A (zh) * | 2016-08-24 | 2017-01-11 | 张家利 | 一种路面裂缝图像自动检测方法 |
CN106327494B (zh) * | 2016-08-24 | 2019-02-15 | 湖北省公路水运工程咨询监理公司 | 一种路面裂缝图像自动检测方法 |
CN107862335A (zh) * | 2017-11-07 | 2018-03-30 | 河南科技大学 | 一种基于多尺度反馈度量学习的纹理图像分类方法 |
CN108154498A (zh) * | 2017-12-06 | 2018-06-12 | 深圳市智能机器人研究院 | 一种裂缝缺陷检测系统及其实现方法 |
CN108229562B (zh) * | 2018-01-03 | 2020-07-07 | 重庆亲禾智千科技有限公司 | 一种得到路面具体破损分类情况的方法 |
CN108229562A (zh) * | 2018-01-03 | 2018-06-29 | 重庆亲禾智千科技有限公司 | 一种得到路面具体破损分类情况的方法 |
CN109460738A (zh) * | 2018-11-14 | 2019-03-12 | 吉林大学 | 一种基于无损失函数的深度卷积神经网络的路面类型估算方法 |
CN109685974A (zh) * | 2018-12-21 | 2019-04-26 | 佛山科学技术学院 | 一种基于图像处理的图书馆智能还书的检测系统及方法 |
CN109682838A (zh) * | 2018-12-29 | 2019-04-26 | 佛山科学技术学院 | 一种无人图书馆图书封面检测系统及检测方法 |
CN110895806A (zh) * | 2019-07-25 | 2020-03-20 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
CN115512523A (zh) * | 2022-09-16 | 2022-12-23 | 上海市地质勘查技术研究院 | 基于互联网+的地铁隧道沉降监护方法、装置、系统及介质 |
CN115512523B (zh) * | 2022-09-16 | 2023-08-29 | 上海市地质勘查技术研究院 | 基于互联网+的地铁隧道沉降监护方法、装置、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105320962B (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105320962B (zh) | 一种基于分类器集成的路面破损类型识别方法 | |
CN101599120B (zh) | 一种遥感影像建筑物识别方法 | |
CN101923640B (zh) | 基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法 | |
CN104361343B (zh) | 车辆类型识别方法及其装置 | |
Cope et al. | Plant texture classification using gabor co-occurrences | |
CN103902968B (zh) | 一种基于AdaBoost分类器的行人检测模型训练方法 | |
CN102855622A (zh) | 一种基于显著性分析的红外遥感图像海面船只检测方法 | |
CN103729856B (zh) | 一种利用s变换信号提取的布匹疵点检测方法 | |
CN102645436B (zh) | 基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测方法 | |
CN105046224A (zh) | 基于分块自适应加权梯度方向直方图特征的人脸识别方法 | |
CN101251896B (zh) | 一种基于多分类器的物体检测系统及方法 | |
CN105160362A (zh) | 一种跑道fod图像探测方法及装置 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN104008404B (zh) | 一种基于显著直方图特征的行人检测方法及系统 | |
CN105320942A (zh) | 一种基于联合检测器的路面破损检测方法 | |
CN101299237A (zh) | 一种基于信息量维数序列的高光谱数据监督分类方法 | |
CN102163278B (zh) | 一种公交车道非法车辆闯入检测方法 | |
CN106702870A (zh) | 一种道路裂缝检测系统 | |
CN107066959A (zh) | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 | |
CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
CN103733322A (zh) | 提供裂纹检测用预测模型的方法和检测半导体结构上的裂纹的方法 | |
CN108460420A (zh) | 一种对证件图像进行分类的方法 | |
CN104239852A (zh) | 一种基于运动平台的红外行人检测方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN107527001A (zh) | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |