CN105320962A - 一种基于分类器集成的路面破损类型识别方法 - Google Patents

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

一种基于分类器集成的路面破损类型识别方法

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Λ_i，1≤i≤H，H为训练样本子集的个数，即

Λ_i＝(α_i,β_i)(2)

其中，α_i∈A，β_i∈B，α_i和β_i分别为n维和m维特征向量，Λ_i为m+n维特征向量。

采用训练样本子集Λ_i训练交叉核支持向量机，生成随机子空间子分类器Cⁱ(Λ_i)，并定义该子分类器集的投票权重为

$c_i=\frac{1}{2}log\left(\frac{1-{\mathrm{err}}_i}{{\mathrm{err}}_i}\right)---\left(3\right)$

${\mathrm{err}}_i=\frac{1}{H}{\mathrm{\Σ}}_{j=1}^H{w}_j^i{\mathrm{\ξ}}_j^i---\left(4\right)$

其中，err_i为所有被错误分类的样本的权重，如果Λ_i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(Λ_i)(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

$\mathrm{\δ}\left(\mathrm{\Λ}\right)=\underset{i=1}{\overset{H}{\Σ}}{c}_i{y}_i---\left(5\right)$

其中，y_i为随机子空间子分类器Cⁱ(Λ_i)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Λ_i，1≤i≤H，H为训练样本子集的个数，即

Λ_i＝(α_i,β_i)(2)

其中，α_i∈A，β_i∈B，α_i和β_i分别为n维和m维特征向量，Λ_i为m+n维特征向量。

采用训练样本子集Λ_i训练交叉核支持向量机，生成随机子空间子分类器Cⁱ(Λ_i)，并定义该子分类器集的投票权重为

$c_i=\frac{1}{2}log\left(\frac{1-{\mathrm{err}}_i}{{\mathrm{err}}_i}\right)---\left(3\right)$

${\mathrm{err}}_i=\frac{1}{H}{\mathrm{\Σ}}_{j=1}^H{w}_j^i{\mathrm{\ξ}}_j^i---\left(4\right)$

其中，err_i为所有被错误分类的样本的权重，如果Λ_i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(Λ_i)(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

$\mathrm{\δ}\left(\mathrm{\Λ}\right)=\underset{i=1}{\overset{H}{\Σ}}{c}_i{y}_i---\left(5\right)$

其中，y_i为随机子空间子分类器Cⁱ(Λ_i)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Λ_i，1≤i≤H，H为训练样本子集的个数，即

Λ_i＝(α_i,β_i)(2)

其中，α_i∈A，β_i∈B，α_i和β_i分别为n维和m维特征向量，Λ_i为m+n维特征向量；

采用训练样本子集Λ_i训练交叉核支持向量机，生成随机子空间子分类器Cⁱ(Λ_i)，并定义该子分类器集的投票权重为

$c_i=\frac{1}{2}log\left(\frac{1-{\mathrm{err}}_i}{{\mathrm{err}}_i}\right)---\left(3\right)$

${\mathrm{err}}_i=\frac{1}{H}{\mathrm{\Σ}}_{j=1}^H{w}_j^i{\mathrm{\ξ}}_j^i---\left(4\right)$

其中，err_i为所有被错误分类的样本的权重，如果Λ_i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(Λ_i)，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

$\mathrm{\δ}\left(\mathrm{\Λ}\right)=\underset{i=1}{\overset{H}{\Σ}}{c}_i{y}_i---\left(5\right)$

其中，y_i为随机子空间子分类器Cⁱ(Λ_i)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。