CN105931216A - 一种基于图像处理技术的机场道面破损检测方法 - Google Patents

Abstract

本发明提供一种基于图像处理技术的机场道面破损检测方法，所述方法包括：采用GPS加惯性导航的综合定位技术对检测车辆进行位置定位，并控制千兆网工业相机进行图像采集，得到采集的图像数据和定位数据；对采集的图像进行预处理；对预处理后的图像中的机场道面图像进行不变矩形状特征提取，利用Adaboost分类器算法对提取的特征进行检测分类，确定图像特征内的道面破损。能够快速精确的对检测车辆进行定位，对采集的图像进行预处理能够有效去除图像受光照不均的影响和拉槽的干扰，快速准确的提取道面图像中的图像特征，从而快速准确的确定图像特征内的道面破损。

Description

一种基于图像处理技术的机场道面破损检测方法

技术领域

本发明涉及机场道面检测技术领域，特别是指一种基于图像处理技术的机场道面破损检测方法。

背景技术

近年来，机场道面在使用中不断经受各种复杂的应力，包括航空器起降时的冲击应力，航空器滑行时的摩擦力和扭转力，以及温度变化造成的温度应力等，长期下来会出现各种各样的破损。仅以水泥混凝土道面为例，常见的破损形式有：

一、水泥混凝土道面裂缝断板类病害，包括：

1、纵向、横向和斜向裂缝：跑道水泥混凝土板块在飞机轮载的反复作用下，产生疲劳并导致强度降低，通常出现在板块中部垂直于接缝位置。

2、破碎板和交叉裂缝：出现“纵向、横向和斜向裂缝”后，板块整体抗弯拉能力迅速下降。如不及时处置，在飞机轮载作用下裂缝逐渐加宽，裂缝周边常出现剥落、掉粒现象，并产生次生裂缝，进一步发展形成“破碎板和交叉裂缝”病害，严重影响和降低道面结构的整体性和承载能力。

3、角隅断裂：一般是由飞机轮载作用引起的，往往发生在飞机主起落架轮迹覆盖区域的板块位置，具有发展速度快、断裂后的角隅易下沉、错台现象较明显等特征。

二、水泥混凝土道面接缝类病害，包括：

1、嵌缝料损坏：指灌缝料出现剥落、挤出、缺失或其他失效现象，其主要原因是灌缝材料发生老化后弹性与粘附性下降，与缝壁粘接失效，失去封堵作用。

2、“接缝破碎”和“板角剥落”：指水泥混凝土板块边角位置产生少量碎粒的现象，碎粒如不及时清扫将对飞机运行构成安全隐患。

3、胀裂：是由于胀缝设置不合理或胀缝失效等原因引起的，“胀裂”后胀缝周边的板块易出现全厚度碎裂，结构承载能力基本丧失。

三、水泥混凝土道面竖向位移类病害，包括：

1、地表水沿接缝(裂缝)渗入基层，在飞机轮载反复作用下形成动水压力，将冲刷基层材料，导致基层中的细集料通过接缝(裂缝)被带到地表形成“唧泥”现象，随着细集料流失，板底出现“脱空”区域。此外，轮载反复作用下基层材料的累积塑性变形也是基层出现脱空的重要原因。

2、沉陷或错台：是由地基沉陷、基层脱空或者地基基础冻胀、融沉等引起的。“沉陷或错台”影响道面平整度，严重时将影响道面结构性能，以及飞机的滑行舒适性和安全。

发明内容

本发明要解决的技术问题是提供一种基于图像处理技术的机场道面破损检测方法，能够基于图像处理快速准确的机场道面破损。

为解决上述技术问题，本发明的实施例提供一种基于图像处理技术的机场道面破损检测方法，其特征在于，所述基于图像处理技术的机场道面破损检测方法包括：

采用GPS加惯性导航的综合定位技术对检测车辆进行位置定位，并控制千兆网工业相机进行图像采集，得到采集的图像数据和定位数据；

对采集的图像进行预处理，所述预处理包括对采集图像中机场道面图像增强、机场道面图像分割和机场道面拉槽角度的计算中的至少一种；

对预处理后的图像中的机场道面图像进行不变矩形状特征提取，利用Adaboost分类器算法对提取的特征进行检测分类，确定图像特征内的道面破损。

优选的，所述采用GPS加惯性导航的综合定位技术进行位置定位，并控制千兆网工业相机进行图像采集，包括：

利用差分GPS基站与检测车辆上的差分GPS移动站配合，结合MEMS惯导技术对检测车辆的位置和车辆姿态进行定位；

基于检测车辆的位置定位控制千兆网工业相机按照预先设定的间隔距离阈值进行图像采集。

优选的，所述对采集图像中机场道面图像增强，包括：

采用直方图均衡化方法对道面图像进行处理；

采用频域增强的方法对拉槽进行过滤。

优选的，所述对采集图像中机场道面图像分割，包括：

利用边缘检测算子和CB形态学对采集图像中机场道面图像分割。

优选的，所述对采集图像中机场道面拉槽角度的计算，包括：

利用LBP算子和Radon变换计算采集图像中机场道面拉槽角度。

优选的，所述对预处理后的图像中的机场道面图像进行不变矩形状特征提取，包括：

对预处理后的图像中的机场道面图像进行几何矩形状特征和正交矩形状特征提取。

优选的，对预处理后的图像中的机场道面图像进行几何矩形状特征提取，包括：

利用以下公式对预处理后的图像中的机场道面图像进行几何矩形状特征提取：

p+q阶原点矩：

$m_{pq}=\underset{\mathrm{\ξ}}{\∫\∫}{x}^p{y}^{q}f(x,y)dxdy;(p,q=0,1,\mathrm{2...})$

p+q阶中心矩：

${\mathrm{\μ}}_{pq}=\underset{\mathrm{\ξ}}{\∫\∫}{(x-x_0)}^p{(y-y_0)}^{q}f(x,y)dxdy;(p,q=0,1,\mathrm{2...})$

其中，是亮度矩心，ξ是图像亮度函数f(x，y)定义的像素空间区域，{x^py^q}为几何矩定义基本集。

优选的，对预处理后的图像中的机场道面图像进行正交矩形状特征提取，包括：

利用以下公式对预处理后的图像中的机场道面图像进行正交矩形状特征提取：

P阶Zernike矩定义为：

$Z_{pq}=\frac{p+1}{\mathrm{\π}}\underset{0}{\overset{2\mathrm{\π}}{\∫}}\underset{0}{\overset{1}{\∫}}{V_{pq}}^{*}(r,\mathrm{\θ})f(r,\mathrm{\θ})rdrd\mathrm{\θ}$

p＝0，1，…∞；q＝0，±1，…；且p-|q|是偶数.

其中，Zernike多项式

V_pq(r，θ)＝R_pq(r)e^iqθ

是单位圆x²+y²≤1上正交的一组完整复值函数，即Zernike多项式的正交条件如下：

$\underset{0}{\overset{2\mathrm{\π}}{\∫}}\underset{0}{\overset{1}{\∫}}{V}_{nl}^{*}(r,\mathrm{\θ})V_{mk}(r,\mathrm{\θ})rdrd\mathrm{\θ}=\frac{\mathrm{\π}}{(n+1)}{\mathrm{\δ}}_{nm}{\mathrm{\δ}}_{lk}$

这里δ_nm，δ_lk表示Kronecker符号。

径向多项式R_nm(r)由下式给出：

$R_{nm}\left(r\right)=\underset{s=0}{\overset{(n-|m\left|\right)/2}{\Σ}}{(-1)}^s\frac{(n-s)!}{s!\left(\frac{n-2s+\left|m\right|}{2}\right)!\left(\frac{n-2s-\left|m\right|}{2}\right)!}{r}^{n-2s}$

R_nm(r)满足如下关系：

$\underset{0}{\overset{1}{\∫}}{R}_{nl}\left(r\right)R_{ml}\left(r\right)rdr=\frac{1}{2(n+1)}{\mathrm{\δ}}_{mn}$

优选的，所述利用Adaboost分类器算法对提取的特征进行检测分类，确定图像特征内的道面破损，包括：

给定N个标记过的样本(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)。设置其迭代次数为T。

初始化权重w_1，i＝D(i)，其中i＝1，…，N。

对t＝1，…，T

归一化权重：

$q_{t,i}=\frac{w_{t,i}}{\underset{i=1}{\overset{N}{\Σ}}{w}_{t,i}}$

对每个特征j得到一个弱分类器h(x_i，f，p，θ)形式为：

$h_j\left(x\right)=\left\{\begin{array}{cc}1,& p_j{f}_j\left(x\right)<p_j{\mathrm{\&theta;}}_j\\ 0,& else\end{array}\right.$

计算h_j(x)的错误率：

${\mathrm{\&epsiv;}}_j=\underset{i}{\&Sigma;}{w}_i|h_j\left(x_i\right)-y_i|$

选择具有最小错误率的ε_t弱分类器h_t，并加入到强分类器。

更新每个样本对应的权重

$w_{t+1,i}=w_{t,i}{\mathrm{\&beta;}}_t^{1-|h_j\left(x_i\right)-y_i|}$

其中，

最后的强分类器为：

$c\left(x\right)=\left\{\begin{array}{cc}1,& \underset{t=1}{\overset{T}{\&Sigma;}}{a}_t{h}_t\left(x\right)\&GreaterEqual;\frac{1}{2}\underset{t=1}{\overset{T}{\&Sigma;}}{a}_t\\ 0,& else\end{array}\right.$

其中，

优选的，所述对预处理后的图像中的机场道面图像进行不变矩形状特征提取，利用Adaboost分类器算法对提取的特征进行检测分类，确定图像特征内的道面破损之后，包括：

采用图像金字塔结构存储并管理采集的图像数据、定位数据和道面破损检测数据。

本发明的上述技术方案的有益效果如下：

上述方案中，利用GPS加惯性导航的综合定位技术对检测车辆进行位置定位，能够快速精确的对检测车辆进行定位，利用千兆网工业相机进行图像采集能够快速获取高质量的图像数据，对采集的图像进行预处理能够有效去除图像受光照不均的影响和拉槽的干扰，进行不变矩形状特征提取，利用Adaboost分类器算法对提取的特征进行检测分类，能够快速准确的确定图像特征内的道面破损。

附图说明

图1为本发明实施例的基于图像处理技术的机场道面破损检测方法流程图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，本发明的实施例一种基于图像处理技术的机场道面破损检测方法，所述基于图像处理技术的机场道面破损检测方法包括：

步骤101：采用GPS加惯性导航的综合定位技术对检测车辆进行位置定位，并控制千兆网工业相机进行图像采集，得到采集的图像数据和定位数据。

其中，所述采用GPS加惯性导航的综合定位技术进行位置定位，并控制千兆网工业相机进行图像采集，可以包括：

利用差分GPS基站与检测车辆上的差分GPS移动站配合，结合MEMS惯导技术对检测车辆的位置和车辆姿态进行定位；

具体的，差分GPS移动站可以设置有精确的位置脉冲同步系统。差分GPS移动基于差分GPS和MEMS惯导技术敏感检测车的精确位置和车辆姿态，位置精度可以为2cm，姿态精度可以为0.1°；同时可以与车载计算机进行实时通信。

采用GPS加惯性导航的综合定位技术其性能指标可以下：

1基于差分GPS，使车辆位置精度优于2cm，车辆姿态精度优于0.1°。

2相机驱动脉冲发生时刻与差分GPS的数据解算时刻的同步误差小于2ms。

3综合时间误差、延迟误差和GPS定位误差，使相机照片的位置误差优于10cm。

4相机驱动脉冲发生速度根据车辆速度自动调整。

5GPS移动站的最高输出频率需达到100Hz。

基于检测车辆的位置定位控制千兆网工业相机按照预先设定的间隔距离阈值进行图像采集。

具体的，可以利用四台千兆网工业相机进行图像采集，千兆网工业相机可以选用大恒GT2050相机，并可以通过千兆网口传输数据。千兆网工业相机相机触发可以按照位置进行同步触发，即检测车行驶设定的距离之后，控制器触发相机拍摄一帧图片。车速变快，行驶设定距离所花费的时间变短，则相机的触发间隔也随之变短；车速变慢，行驶设定距离所花费的时间变长，则相机的触发间隔也随之变长。在相机进行照射前可以采用TenenGrad对焦算法、Vollath对焦算法和Squared-Gradient对焦算法中的至少一种进行对焦，并选取14-16帧之间的图像认定为清晰图像。

步骤102：对采集的图像进行预处理，所述预处理包括对采集图像中机场道面图像增强、机场道面图像分割和机场道面拉槽角度的计算中的至少一种。

其中，可以对采集的数据进行存储，在数据采集结束后，对采集的图像进行预处理。

优选的，所述对采集图像中机场道面图像增强，可以包括：

采用直方图均衡化方法对道面图像进行处理；

采用频域增强的方法对拉槽进行过滤；

对采集图像中机场道面图像分割，可以包括：

利用边缘检测算子和CB形态学对采集图像中机场道面图像分割；

对采集图像中机场道面拉槽角度的计算，可以包括：

利用LBP算子和Radon变换计算采集图像中机场道面拉槽角度。

步骤103：对预处理后的图像中的机场道面图像进行不变矩形状特征提取，利用Adaboost分类器算法对提取的特征进行检测分类，确定图像特征内的道面破损。

其中，对所述对预处理后的图像中的机场道面图像进行不变矩形状特征提取，包括：

对预处理后的图像中的机场道面图像进行几何矩形状特征和正交矩形状特征提取。

本发明实施例的基于图像处理技术的机场道面破损检测方法，利用GPS加惯性导航的综合定位技术对检测车辆进行位置定位，能够快速精确的对检测车辆进行定位，利用千兆网工业相机进行图像采集能够快速获取高质量的图像数据，对采集的图像进行预处理能够有效去除图像受光照不均的影响和拉槽的干扰，进行不变矩形状特征提取，利用Adaboost分类器算法对提取的特征进行检测分类，能够快速准确的确定图像特征内的道面破损。

(1)检测精度：可检测宽度方向最小尺寸≥2mm的道面异常，包括道面破损。

(2)道面破损检测响应速度：≤5秒

(3)单程检测宽度可以为：5m

(4)检测车时速可以为：50km

(5)单程宽度可以为：5m

本发明实施例的基于图像处理技术的机场道面破损检测方法，对采集的图像进行预处理过程中，采用直方图均衡化方法对道面图像进行处理，可以包括：

步骤201：列出原始图像的灰度级f_j，j＝0，1，…，L-1，其中L是灰度级的个数。

步骤202：统计各灰度级的像素数目n_j，j＝0，1，…，L-1。

步骤203：计算原始图像直方图各灰度级的频数P_f(f_j)＝n_j/n，j＝0，1，…，L-1，其中n为原始图像总的像素数目。

步骤204：计算累计分布函数

步骤205：应用以下公式计算映射输出图像的灰度级g_i，i＝0，1，…，P-1，P为输出图像灰度级的个数：

g_i＝INT[(g_max-g_min)C(f)+g_min+0.5]

其中，INT为取整符号。

步骤206：统计映射后各灰度级的像素数目n_i，i＝0，1，…，P-1。

步骤207：计算输出图像直方图

步骤208：用f_j和g_i的映射关系修改原始图像的灰度级，从而获得直方图近似为均匀分布的输出图像。

本实施例中，通过进行采用直方图均衡化方法对道面图像进行处理，增强了原始图像对比度，有利于后续拉槽角度的计算。

采用频域增强的方法对拉槽进行过滤，可以包括：

设函数f(x，y)与线性位不变算子h(x，y)的卷积结果是g(x，y)，即有g(x，y)＝h(x，y)*f(x，y)，那么根据卷积定理在频域的性质有：

G(u，v)＝H(u，v)F(u，v)

其中，G(u，v)，H(u，v)，F(u，v)分别是g(x，y)，h(x，y)，f(x，y)的傅里叶变换。

从线性系统理论的角度看，H(u，v)为转移函数。在具体的增强应用中，f(x，y)是给定的(所以F(u，v)可利用变换得到)，需要确定的是H(u，v)，这样具有所需特性的g(x，y)就可由式：G(u，v)＝H(u，v)F(u，v)算出G(u，v)，从而得到：

g(x，y)＝F^-1[H(u，v)F(u，v)]

根据以上的讨论，在频率域中进行增强是相当可观的，其主要步骤有：

(1)计算需增强图的傅立叶变换；

(2)将其与1个转移函数相乘；

(3)再将结果傅立叶反变换以得到增强的图。

常用频域增强方法有：低通滤波、高通滤波、带通和带阻滤波、同态滤波。

(a)低通滤波

图像中的边缘和噪声都对应图像傅立叶变换中的高频部分，所以如要在频域中削弱其影响就要设法减弱这部分频率的分量。根据式G(u，v)＝H(u，v)F(u，v)我们需要选择1个合适的H(u，v)以得到削弱F(u，v)高频分量G(u，v)。

理想低通滤波器

1个2-D理想低通滤波器的转移函数满足下列条件：

$H(u,v)=\left\{\begin{array}{cc}1,& D(u,v)\&le;D_0\\ 0,& D(u,v)>D_0\end{array}\right.$

其中，D₀为1个非负整数。

(2)巴特沃斯低通滤波器

物理上可与实现的一种低通滤波器是巴特沃斯低通滤波器。一个阶为n，截断频率为D₀的巴特沃斯低通滤波器的转移函数为：

$H(u,v)=\frac{1}{1+{\&lsqb;D(u,v)/D_0\&rsqb;}^{2n}}$

阶为1的巴特沃斯低通滤波器在高低频率间的过渡比较光滑，所以用巴特沃斯滤波器得到的输出图其振铃效应不明显。

(a)高通滤波

(b)理想高通滤波器

1个2-D理想高通滤波器的转移函数满足下列条件：

$H(u,v)=\left\{\begin{array}{cc}0,& D(u,v)\&le;D_0\\ 1,& D(u,v)>D_0\end{array}\right.$

(1)巴特沃斯高通滤波器

一个阶为n，截断频率为D₀的巴特沃斯高通滤波器的转移函数为：

$H(u,v)=\frac{1}{1+{\&lsqb;D_0/D(u,v)\&rsqb;}^{2n}}$

阶为1的巴特沃斯高通滤波器与巴特沃斯低通滤波器类似，高通的巴特沃斯滤波器在通过和滤掉的频率之间也没有不连续的分界。由于在高低频率间的过渡比较光滑，所以用巴特沃斯滤波器得到的输出图其振铃效应不明显。

(a)带通和带阻滤波

带通滤波器允许一定频率范围内的信号通过而阻止其它频率范围内的信号通过。与此相对应，带阻滤波器阻止一定频率范围内的信号通过而允许其它频率范围内的信号通过。一个用于消除以u₀+v₀为中心，D₀为半径的区域内所有频率的理想带阻滤波器的转移函数为：

$H(u,v)=\left\{\begin{array}{cc}0,& D(u,v)\&le;D_0\\ 1,& D(u,v)>D_0\end{array}\right.$

其中，D(u，v)＝[(u-u₀)²+(v-v₀)²]^1/2

考虑到傅立叶变换的对称性，为了消除不是以原点为中心的给定区域内率，带阻滤波器必须两两对称地工作，即上两式需要改成：

其中，

D₁(u，v)＝[(u-u₀)²+(v-v₀)²]^1/2

D₂(u，v)＝[(u-u₀)²+(v-v₀)2]^1/2

带阻滤波器也可设计成能除去以原点为中心的频率。这样一个放射对称的理想带阻滤波器的转移函数是：

$H(u,v)=\left\{\begin{array}{cc}1,& D(u,v)<D_0-W/2\\ 0,& D_0-W/2\&le;D(u,v)\&le;D_0+W/2\\ 1,& D(u,v)>D_0+W/2\end{array}\right.$

其中W为带的宽度，D₀为放射中心。

类似的n阶放射对称的巴特沃斯带阻滤波器的转移函数为

$H(u,v)=\frac{1}{1+{\&lsqb;\frac{D(u,v)W}{D^2(u,v)-{D_0}^2}\&rsqb;}^{2n}}$

其中，W和D₀同上。

带通滤波器和带阻滤波器是互补的。所以，如设H_R(u，v)为带阻滤波器的转移函数，则对应的带通滤波器H_P(u，v)只需将H_R(u，v)翻转即可：

H_P(u，v)＝-[H_R(u，v)-1]＝1-H_R(u，v)

本实施例中，通过采用频域增强的方法对拉槽进行过滤，能够有效去除平行拉槽。

利用边缘检测算子和CB形态学对采集图像中机场道面图像分割，可以包括：

在经典形态学中，对不含噪灰度图像进行边缘检测，常用的算子有以下三种：

$G=(f\&CirclePlus;b)-f$

G＝f-(fΘb)

$G=(f\&CirclePlus;b)-\left(f\mathrm{\&Theta;}b\right)$

其中，fΘb为结构元素b对信号f的腐蚀，为结构元素b对信号f的膨胀。

以上三种形态学边缘检测算子可以分别提取图像外边缘、内边缘和骑跨在实际欧氏边界上的边缘。

根据CB形态学定义，由于以上算子可改进如下：

$G=(f\&CirclePlus;\&part;b)-f$

$G=f-(f\mathrm{\&Theta;}\&part;b)$

$G=(f\&CirclePlus;\&part;b)-(f\mathrm{\&Theta;}\&part;b)$

上式在去噪和边缘定位精度方面均优于经典形态学边缘检测算子。

对于含噪图像，因此考虑引入开、闭运算来抑制噪声。CB形态学的腐蚀和开运算可滤除负噪声，膨胀和闭运算可滤除正噪声，以级联形式得到抗噪型边缘检测算子：

$G=(f\&CircleTimes;b)\&CirclePlus;\&part;b-(f\&CircleTimes;b)\&times;b$

$G=(f\&times;b)\&CircleTimes;\&part;b-(f\&times;b)\mathrm{\&Theta;}\&part;b$

$G=(f\&CircleTimes;b)\&CirclePlus;\&part;b-(f\&times;b)\mathrm{\&Theta;}\&part;b$

CB形态运算结果还与连通分量的周围环境有关。一般来说，对小结构元素，周围环境要求较弱，但它可删除的分量较小，而对大结构元素则反之，因此引入多结构元素可进一步改善效果。通过多次实验证明，进行二次迭代即可达到较好效果。对于个别尺寸较大、噪声信号较强的可进行三次迭代。由CB形态学原理和经典形态学边缘检测算式可得下式：

$G=\&lsqb;(f\mathrm{\&Theta;}\&part;b_1)\&CirclePlus;b_1\&rsqb;\&CirclePlus;\&part;b_2-\&lsqb;(f\&CirclePlus;\&part;b_1){\mathrm{\&Theta;b}}_1\&rsqb;\mathrm{\&Theta;}\&part;b_2$

$G=\&lsqb;(f\mathrm{\&Theta;}\&part;b_1)\&CirclePlus;b_1\&CirclePlus;\&part;b_2\&rsqb;\&CirclePlus;\&part;b_3-\&lsqb;(f\&CirclePlus;\&part;b_1){\mathrm{\&Theta;b}}_1\mathrm{\&Theta;}\&part;b_2\&rsqb;\mathrm{\&Theta;}\&part;b_3$

利用下式对采集图像中机场道面图像分割：

$G=\&lsqb;(f\mathrm{\&Theta;}\&part;b_1)\&CirclePlus;b_1\&rsqb;\&CirclePlus;\&part;b_2-\&lsqb;(f\&CirclePlus;\&part;b_1){\mathrm{\&Theta;b}}_1\&rsqb;\mathrm{\&Theta;}\&part;b_2$

$G=\&lsqb;(f\mathrm{\&Theta;}\&part;b_1)\&CirclePlus;b_1\&CirclePlus;\&part;b_2\&rsqb;\&CirclePlus;\&part;b_3-\&lsqb;(f\&CirclePlus;\&part;b_1){\mathrm{\&Theta;b}}_1\mathrm{\&Theta;}\&part;b_2\&rsqb;\mathrm{\&Theta;}\&part;b_3$

利用LBP算子和Radon变换计算采集图像中机场道面拉槽角度，可以包括：

利用下式进行二维空间的Radon变换：

$R\left\{f(x,y)\right\}=g(t,\mathrm{\&theta;})={\&Integral;}_{-\mathrm{\&infin;}}^{+\mathrm{\&infin;}}{\&Integral;}_{-\mathrm{\&infin;}}^{-\mathrm{\&infin;}}f(x,y)\mathrm{\&delta;}(x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;}-t)dxdy$

其中，0＜t＜+∞和0＜θ＜π，t代表沿着直线上的距离。

对道面图像进行0°～180°的投影；

(2)计算Radon变换域空间的一阶微分；

(3)计算Radon变换域空间微分后的累加和，累加和最大的角度为α，α经过下面的计算后，即为拉槽的倾斜角θ，拉槽方向为逆时针。

对道面图3-13(a)，不经过LBP算法增强，直接利用Radon变换进行投影。由于机场道面背景的不同，直接利用Radon变换对原图进行拉槽角度测量时，有时候求得的角度值误差非常大，或者计算错误。LBP算法主要是用来描述图像纹理特征的，通过选取合适的P，R值可以达到图像增强的效果。加入LBP算法进行图像增强可以减少测量错误，提升测量的正确率。

本实施例中，LBP算法可以将图像从灰度0-255的区间映射到低维更窄的灰度值区间，达到图像增强的效果，并且可以去掉光照不均的影响，对在不同时间拍摄的机场跑道图像进行拉槽角度测量时，具有很强的鲁棒性。

本发明实施例的基于图像处理技术的机场道面破损检测方法，对预处理后的图像中的机场道面图像进行几何矩形状特征提取，可以包括：

利用以下公式对预处理后的图像中的机场道面图像进行几何矩形状特征提取：

p+q阶原点矩：

$m_{pq}=\underset{\mathrm{\&xi;}}{\&Integral;\&Integral;}{x}^p{y}^{q}f(x,y)dxdy;(p,q=0,1,\mathrm{2...})$

p+q阶中心矩：

${\mathrm{\&mu;}}_{pq}=\underset{\mathrm{\&xi;}}{\&Integral;\&Integral;}{(x-x_0)}^p{(y-y_0)}^{q}f(x,y)dxdy;(p,q=0,1,\mathrm{2...})$

其中，是亮度矩心，ξ是图像亮度函数f(x，y)定义的像素空间区域，{x^py^q}为几何矩定义基本集。

本实施例中，几何矩具有中心矩平移不变、尺度不变性和旋转不变性。

优选的，对预处理后的图像中的机场道面图像进行正交矩形状特征提取，可以包括：

利用以下公式对预处理后的图像中的机场道面图像进行正交矩形状特征提取：

P阶Zernike矩定义为：

$Z_{pq}=\frac{p+1}{\mathrm{\&pi;}}\underset{0}{\overset{2\mathrm{\&pi;}}{\&Integral;}}\underset{0}{\overset{1}{\&Integral;}}{V_{pq}}^{*}(r,\mathrm{\&theta;})f(r,\mathrm{\&theta;})rdrd\mathrm{\&theta;}$

p＝0，1，…∞；q＝0，±1，…；且p-|q|是偶数.

其中，Zernike多项式

V_pq(r，θ)＝R_pq(r)e^iqθ

是单位圆x²+y²≤1上正交的一组完整复值函数，即Zernike多项式的正交条件如下：

$\underset{0}{\overset{2\mathrm{\&pi;}}{\&Integral;}}\underset{0}{\overset{1}{\&Integral;}}{V}_{nl}^{*}(r,\mathrm{\&theta;})V_{mk}(r,\mathrm{\&theta;})rdrd\mathrm{\&theta;}=\frac{\mathrm{\&pi;}}{(n+1)}{\mathrm{\&delta;}}_{nm}{\mathrm{\&delta;}}_{lk}$

这里δ_nm，δ_lk表示Kronecker符号。

径向多项式R_nm(r)由下式给出：

$R_{nm}\left(r\right)=\underset{s=0}{\overset{(n-|m\left|\right)/2}{\&Sigma;}}{(-1)}^s\frac{(n-s)!}{s!\left(\frac{n-2s+\left|m\right|}{2}\right)!\left(\frac{n-2s-\left|m\right|}{2}\right)!}{r}^{n-2s}$

R_nm(r)满足如下关系：

$\underset{0}{\overset{1}{\&Integral;}}{R}_{nl}\left(r\right)R_{ml}\left(r\right)rdr=\frac{1}{2(n+1)}{\mathrm{\&delta;}}_{mn}$

本实施例中，正交矩具有无冗余、可重构的优点。

优选的，所述利用Adaboost分类器算法对提取的特征进行检测分类，确定图像特征内的道面破损，可以包括：

给定N个标记过的样本(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)。设置其迭代次数为T。

初始化权重w_1，i＝D(i)，其中i＝1，…，N。

对t＝1，…，T

归一化权重：

$q_{t,i}=\frac{w_{t,i}}{\underset{i=1}{\overset{N}{\&Sigma;}}{w}_{t,i}}$

对每个特征j得到一个弱分类器h(x_i，f，p，θ)形式为：

$h_j\left(x\right)=\left\{\begin{array}{cc}1,& p_j{f}_j\left(x\right)<p_j{\mathrm{\&theta;}}_j\\ 0,& else\end{array}\right.$

计算h_j(x)的错误率：

${\mathrm{\&epsiv;}}_j=\underset{i}{\&Sigma;}{w}_i|h_j\left(x_i\right)-y_i|$

选择具有最小错误率的ε_t弱分类器h_t，并加入到强分类器。

更新每个样本对应的权重

$w_{t+1,i}=w_{t,i}{\mathrm{\&beta;}}_t^{1-|h_j\left(x_i\right)-y_i|}$

其中，

最后的强分类器为：

$c\left(x\right)=\left\{\begin{array}{cc}1,& \underset{t=1}{\overset{T}{\&Sigma;}}{a}_t{h}_t\left(x\right)\&GreaterEqual;\frac{1}{2}\underset{t=1}{\overset{T}{\&Sigma;}}{a}_t\\ 0,& else\end{array}\right.$

其中，

本实施例中，利用Adaboost分类器算法训练的错误率上界，随着迭代次数的增加，会逐渐下降；即使训练次数很多，也不会出现过拟合的问题，检测中异常道面图像会在前面的几个弱分类其的检测中被排除掉，只有正确的正常道面图像才能通过各个强分类器联合检测，能够提高正常道面的检测速度；解决异常道面图像过多，难以分类和训练的问题，保证正常道面图像通过率，减少异常道面图像的通过率。

本发明实施例的基于图像处理技术的机场道面破损检测方法，所述对预处理后的图像中的机场道面图像进行不变矩形状特征提取，利用Adaboost分类器算法对提取的特征进行检测分类，确定图像特征内的道面破损之后，包括：

采用图像金字塔结构存储并管理采集的图像数据、定位数据、FOD检测数据和道面破损检测数据。

原始图像数据与破损检测结果分别用三个文件存储相关信息，每行格式如下：

(1)原始GPS数据文件：GPS数据采集时间，经度，维度。

(2)原始图像数据文件：相机号，图像序列号，图像采集时间(原始图像按照年_月_日_时_分_秒_相机号_张数的格式进行命名)。

(4)破损检测结果文件：相机号，图像序列号，图像采集时间，破损类型。

使用入库工具对四个文件进行分析，对比，最终得到每一张图片的综合信息，把原始图像数据导入到服务器中，把相关图像信息导入到原始图像表中。

本方法共设计六张表对数据进行管理，其中虚拟道面的第3，4，5层为矢量图。

(1)原始图像表

图像序列号：年_月_日_时_分_秒_相机号_张数

数据字段包括图像序列号、图像日期、图像时间、方位角、图像中心点经度、图像中心点纬度、图像分辨率(每次标定，)、分类结果、描述文件地址、图像存储位置。

(2)1*1图像表

首先从原始图像数据表中读取图片，同一批图，如果出现重复采集的情况，原始图像数据库中会有不同图像有相同坐标位置，判断图像是否为感兴趣区，优先选择感兴趣区图像入库，如果都是或者都不是，将较新的图像入库。

(3)5*5图像表

将1*1图像降采样5倍再存入数据表中。

(4)虚拟道面的第3，4，5层图像表

虚拟数据表为事先画好的矢量图。

本实施例中，由于机场道面特殊的几何分布，其长宽比能达到在60∶1甚至更高，所以在显示机场道面全景时，无需使用真实图像，只需机场仿真图即可。则图像金字塔部分可采用虚实结合的技术，在金字塔下面几层使用真实图像显示，在金字塔顶端几层采用虚拟图像显示。虚拟图像较真实图像而言，结构简单、数据量小，在显示与调度上更加方便与快捷。

本发明实施例的基于图像处理技术的机场道面破损检测方法，机场道面按照其复杂程度，可以分为三类，分别为正常道面，带标志线道面和带轮胎印道面。

破损检测结果如下：

以不变矩为特征向量，以决策树为弱分类器，设置不同的迭代次数N，对测试样本进行测试，得到的结果不一样。随着迭代次数的增加，测试样本的错误识别率维持在7％附近，可见，Adaboost分类器的分类效果很明显。

对Adaboost分类器，以Hu矩为特征向量，设置不同的训练样本数、测试样本数和迭代次数N，对测试样本进行测试，得到的结果不一样，得到如下表5所示的识别结果：

表5Adaboost分类识别率

从上表5可以看到，Adaboost分类器有最高可以达到95％的正确识别率，并且几次的结果都比较稳定，没有出现过拟合现象，可以作为比较理想的分类器。

对Adaboost分类器，以Zernike矩为特征向量，设置不同的训练样本数、测试样本数和迭代次数N，对测试样本进行测试，得到的结果不一样，得到如下表6所示的识别结果：

表6Adaboost分类识别率

不管以Hu矩还是Zernike矩为Adaboost分类器的特征向量，对测试样本都能得到稳定且很高的正确识别。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，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。

Claims (10)

1.一种基于图像处理技术的机场道面破损检测方法，其特征在于，所述基于图像处理技术的机场道面破损检测方法包括：

采用GPS加惯性导航的综合定位技术对检测车辆进行位置定位，并控制千兆网工业相机进行图像采集，得到采集的图像数据和定位数据；

对采集的图像进行预处理，所述预处理包括对采集图像中机场道面图像增强、机场道面图像分割和机场道面拉槽角度的计算中的至少一种；

对预处理后的图像中的机场道面图像进行不变矩形状特征提取，利用Adaboost分类器算法对提取的特征进行检测分类，确定图像特征内的道面破损。

2.根据权利要求1所述的基于图像处理技术的机场道面破损检测方法，其特征在于，所述采用GPS加惯性导航的综合定位技术进行位置定位，并控制千兆网工业相机进行图像采集，包括：

利用差分GPS基站与检测车辆上的差分GPS移动站配合，结合MEMS惯导技术对检测车辆的位置和车辆姿态进行定位；

基于检测车辆的位置定位控制千兆网工业相机按照预先设定的间隔距离阈值进行图像采集。

3.根据权利要求1所述的基于图像处理技术的机场道面破损检测方法，其特征在于，所述对采集图像中机场道面图像增强，包括：

采用直方图均衡化方法对道面图像进行处理；

采用频域增强的方法对拉槽进行过滤。

4.根据权利要求1所述的基于图像处理技术的机场道面破损检测方法，其特征在于，所述对采集图像中机场道面图像分割，包括：

利用边缘检测算子和CB形态学对采集图像中机场道面图像分割。

5.根据权利要求1所述的基于图像处理技术的机场道面破损检测方法，其特征在于，所述对采集图像中机场道面拉槽角度的计算，包括：

利用LBP算子和Radon变换计算采集图像中机场道面拉槽角度。

6.根据权利要求1所述的基于图像处理技术的机场道面破损检测方法，其特征在于，所述对预处理后的图像中的机场道面图像进行不变矩形状特征提取，包括：

对预处理后的图像中的机场道面图像进行几何矩形状特征和正交矩形状特征提取。

7.根据权利要求6所述的基于图像处理技术的机场道面破损检测方法，其特征在于，对预处理后的图像中的机场道面图像进行几何矩形状特征提取，包括：

利用以下公式对预处理后的图像中的机场道面图像进行几何矩形状特征提取：

p+q阶原点矩：

$m_{pq}=\underset{\mathrm{\&xi;}}{\&Integral;\&Integral;}{x}^p{y}^{q}f(x,y)dxdy;(p,q=0,1,\mathrm{2...})$

p+q阶中心矩：

${\mathrm{\&mu;}}_{pq}=\underset{\mathrm{\&xi;}}{\&Integral;\&Integral;}{(x-x_0)}^p{(y-y_0)}^{q}f(x,y)dxdy;(p,q=0,1,\mathrm{2...})$

其中，是亮度矩心，ξ是图像亮度函数f(x，y)定义的像素空间区域，{x^py^q}为几何矩定义基本集。

8.根据权利要求7所述的基于图像处理技术的机场道面破损检测方法，其特征在于，对预处理后的图像中的机场道面图像进行正交矩形状特征提取，包括：

利用以下公式对预处理后的图像中的机场道面图像进行正交矩形状特征提取：

P阶Zernike矩定义为：

$Z_{pq}=\frac{p+1}{\mathrm{\&pi;}}\underset{0}{\overset{2\mathrm{\&pi;}}{\&Integral;}}\underset{0}{\overset{1}{\&Integral;}}{V_{pq}}^{*}(r,\mathrm{\&theta;})f(r,\mathrm{\&theta;})rdrd\mathrm{\&theta;}$

p＝0，1，...∞；q＝0，±1，...；且p-|q|是偶数.

其中，Zernike多项式

V_pq(r，θ)＝R_pq(r)e^iqθ

是单位圆x²+y²≤1上正交的一组完整复值函数，即Zernike多项式的正交条件如下：

$\underset{0}{\overset{2\mathrm{\&pi;}}{\&Integral;}}\underset{0}{\overset{1}{\&Integral;}}{V}_{nl}^{*}(r,\mathrm{\&theta;})V_{mk}(r,\mathrm{\&theta;})rdrd\mathrm{\&theta;}=\frac{\mathrm{\&pi;}}{(n+1)}{\mathrm{\&delta;}}_{nm}{\mathrm{\&delta;}}_{lk}$

这里δ_nm，δ_lk表示Kronecker符号；

径向多项式R_nm(r)由下式给出：

$R_{nm}\left(r\right)=\underset{s=0}{\overset{(n-|m\left|\right)/2}{\&Sigma;}}{(-1)}^s\frac{(n-s)!}{s!\left(\frac{n-2s+\left|m\right|}{2}\right)!\left(\frac{n-2s-\left|m\right|}{2}\right)!}{r}^{n-2s}$

R_nm(r)满足如下关系：

$\underset{0}{\overset{1}{\&Integral;}}{R}_{nl}\left(r\right)R_{ml}\left(r\right)rdr=\frac{1}{2(n+1)}{\mathrm{\&delta;}}_{mn}$

9.根据权利要求8所述的基于图像处理技术的机场道面破损检测方法，其特征在于，所述利用Adaboost分类器算法对提取的特征进行检测分类，确定图像特征内的道面破损，包括：

给定N个标记过的样本(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)。设置其迭代次数为T；

初始化权重w_1，i＝D(i)，其中i＝1，…，N。

对t＝1，…，T

归一化权重：

$q_{t,i}=\frac{w_{t,i}}{\underset{i=1}{\overset{N}{\&Sigma;}}{w}_{t,i}}$

对每个特征j得到一个弱分类器h(x_i，f，p，θ)形式为：

$h_j\left(x\right)=\left\{\begin{array}{c}1,p_j{f}_j\left(x\right)<p_j{\mathrm{\&theta;}}_j\\ 0,else\end{array}\right.$

计算h_j(x)的错误率：

${\mathrm{\&epsiv;}}_j=\underset{i}{\&Sigma;}{w}_i|h_j\left(x_i\right)-y_i|$

选择具有最小错误率的ε_t弱分类器h_t，并加入到强分类器；

更新每个样本对应的权重

$w_{t+1,i}=w_{t,i}{\mathrm{\&beta;}}_t^{1-|h_j\left(x_i\right)-y_i|}$

其中，

最后的强分类器为：

$c\left(x\right)=\left\{\begin{array}{c}1,\underset{t=1}{\overset{T}{\&Sigma;}}{a}_t{h}_t\left(x\right)\&GreaterEqual;\frac{1}{2}\underset{t=1}{\overset{T}{\&Sigma;}}{a}_t\\ 0,else\end{array}\right.$

其中，

10.根据权利要求1所述的基于图像处理技术的机场道面破损检测方法，其特征在于，所述对预处理后的图像中的机场道面图像进行不变矩形状特征提取，利用Adaboost分类器算法对提取的特征进行检测分类，确定图像特征内的道面破损之后，包括：

采用图像金字塔结构存储并管理采集的图像数据、定位数据和道面破损检测数据。