CN106384074A - 路面缺陷的检测装置、方法以及图像处理设备 - Google Patents
路面缺陷的检测装置、方法以及图像处理设备 Download PDFInfo
- Publication number
- CN106384074A CN106384074A CN201510463387.9A CN201510463387A CN106384074A CN 106384074 A CN106384074 A CN 106384074A CN 201510463387 A CN201510463387 A CN 201510463387A CN 106384074 A CN106384074 A CN 106384074A
- Authority
- CN
- China
- Prior art keywords
- road surface
- pixel
- surface defect
- image
- lattice
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种路面缺陷的检测装置、方法以及图像处理设备。所述检测方法包括:基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含路面的图像;对包含路面的图像进行分割处理,获得路面上的路面缺陷的轮廓;以及对路面缺陷分别提取特征,并基于预先获得的预测模型和所述特征对路面缺陷进行识别。由此,能够更准确地将图像中的路面区域提取出来,更加准确地识别路面缺陷。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种路面缺陷的检测装置、方法以及图像处理设备。
背景技术
道路危害(Pavement Distress)是可能导致车辆损坏的较严重的原因,常见的道路危害包括沥青或水泥路面上的裂缝(Crack)或凹坑(Potholes)等。
传统的对于路面缺陷(例如裂缝或凹坑)进行图像检测的方法中,一般使用分块的方法人为地预先将图像划分为固定大小的多个块,然后基于特征提取的方法进行缺陷识别。
应该注意,上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明,并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
参考文献1:CN103048329A,公开日:2013年4月17日。
发明内容
但是,发明人发现:现有技术中对于图像的处理均采用了简单地划分规则块(例如N*N)的方法,由此并没有考虑图像中各像素之间的内部联系,不能更准确地将图像中待处理的区域提取出来,不能更加准确地识别路面缺陷。
本发明实施例提供了一种路面缺陷的检测装置、方法以及图像处理设备。期望能够更加准确地识别出路面缺陷。
根据本发明实施例的第一个方面,提供一种路面缺陷的检测装置,包括:
预处理单元,基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;
划分单元,对包含所述路面的图像进行分割处理,获得所述路面上的一个或多个路面缺陷的轮廓;以及
识别单元,对所述路面缺陷分别提取特征,并基于预先获得的预测模型和所述特征对所述一个或多个路面缺陷进行识别。
根据本发明实施例的第二个方面,提供一种路面缺陷的检测方法,包括:
基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;
对包含所述路面的图像进行分割处理,获得所述路面上的一个或多个路面缺陷的轮廓;以及
对所述路面缺陷分别提取特征,并基于预先获得的预测模型和所述特征对所述一个或多个路面缺陷进行识别。
根据本发明实施例的第三个方面,提供一种图像处理设备,包括:
摄像头,对路面进行拍摄并获得路面图像;
检测器,配置有如上所述的路面缺陷的检测装置。
本发明实施例的有益效果在于:基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;对包含所述路面的图像进行分割处理,获得一个或多个路面缺陷的轮廓;以及基于预先获得的预测模型和提取的特征对一个或多个路面缺陷进行识别。由此,能够更准确地将图像中的路面区域提取出来,更加准确地识别路面缺陷。
参照后文的说明和附图,详细公开了本发明实施例的特定实施方式,指明了本发明实施例的原理可以被采用的方式。应该理解,本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内,本发明的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在,但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解,其构成了说明书的一部分,用于例示本发明的实施方式,并与文字描述一起来阐释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明实施例1的路面缺陷的检测方法的一示意图;
图2是本发明实施例1的预处理的一示意图;
图3是本发明实施例1的均匀设定种子点之后的图像的一示例图;
图4是本发明实施例1的对某一像素分配种子点的一示例图;
图5是本发明实施例1的孤立块的一示意图;
图6是本发明实施例1的进行格划分之后的一示例图;
图7是本发明实施例1的划分过程的一示意图;
图8是本发明实施例1的预测模型获取的一示意图;
图9是本发明实施例2的路面缺陷的检测装置的一示意图;
图10是本发明实施例2的预处理单元的一示意图;
图11是本发明实施例2的划分单元的一示意图;
图12是本发明实施例3的图像处理设备的一构成示意图。
具体实施方式
参照附图,通过下面的说明书,本发明实施例的前述以及其它特征将变得明显。在说明书和附图中,具体公开了本发明的特定实施方式,其表明了其中可以采用本发明实施例的原则的部分实施方式,应了解的是,本发明不限于所描述的实施方式,相反,本发明实施例包括落入所附权利要求的范围内的全部修改、变型以及等同物。
实施例1
本发明实施例提供一种路面缺陷的检测方法,图1是本发明实施例的路面缺陷的检测方法的一示意图,如图1所示,所述检测方法包括:
步骤101,基于颜色空间的特征将记录路面的路面图像划分为多个格(例如M个),其中每个格中各像素的像素值相互关联并且其中部分或全部格(例如N个)具有不规则形状,M大于或等于N;以及根据所述多个格获得包含所述路面的图像;
步骤102,对包含所述路面的图像进行分割处理,获得所述路面上的一个或多个路面缺陷的轮廓;以及
步骤103,对所述路面缺陷分别提取特征,并基于预先获得的预测模型和所述特征对所述一个或多个路面缺陷进行识别。
在本实施例中,记录路面的路面图像可以由设置在固定位置的摄像头获得,例如架设在交通灯附近的摄像头,或者设置在道路附近的高层建筑物上的摄像头。但本发明不限于此,例如也可以由设置在车辆上的摄像头获得。
在本实施例中,可以基于颜色空间的特征进行格(Cell)的划分。其中可以是基于RGB像素值,也可以是基于CIELAB值(例如使用SLIC超像素算法)。但本发明不限于此,以下仅以GRB为例对本发明的步骤101进行说明。
在步骤101中,可以根据颜色空间的特征划分多个格,由此提取出路面区域。
图2是本发明实施例的预处理的一示意图,如图2所示,预处理过程包括:
步骤201,为路面图像均匀地设定多个(例如K个)种子点;
其中,种子点之间的步长记为s,并可以记录每个像素点的RGB值(Ci)以及位置(Pi)。此外,种子点也可以不均匀地进行设置,并且种子点还可以迭代地进行更新,本发明不限于此。
图3是本发明实施例的设定种子点之后的图像的一示例图,如图3所示,可以均匀地设置多个种子点;本发明仅以均匀地设定为例进行说明。
步骤202,对于所述路面图像的每个像素,计算所述像素与邻近多个种子点之间的基于像素值和位置的度量值,将对应最小度量值的种子点分配给所述像素。
步骤203,将属于同一种子点的多个像素确定为属于同一格。
例如,可以遍历每个种子点,并搜索每个种子点上下左右长度区域内(例如2s×2s)的像素点。记录每个像素点和它所属的种子点的RGB值(Cs)和位置(Ps)的欧几里德距离,即
sqrt[(Ri-Rs)^2+(Gi-Gs)^2+(Bi-Bs)^2+w*(Xi-Xs)^2+w*(Yi-Ys)^2],
其中w为权重常数,R、G、B分别是某个像素点的RGB值,X、Y分别是某个像素点的XY坐标值。
并且,对于每个像素点,例如都要至少和四个种子点计算欧几里德距离。那么,可以取欧几里德距离中的最小值,并把这个像素和对应的种子点“绑定”起来,认为这个像素点属于这个种子点对应的格。
值得注意的是,以上仅以使用欧几里德距离计算度量值为例进行了说明,但本发明不限于此,也可以使用其他的方法来计算基于像素值和位置的度量值。
图4是本发明实施例的对某一像素分配种子点的一示例图。如图4所示,假设对于像素点A,其附近区域内的种子点包括B1、B2、……、B9。则分别计算A和B1之间的度量值D1,A和B2之间的度量值D2,……,A和B9之间的度量值D9;发现其中D5最小,则将像素点A和种子点B5绑定,即像素点A属于种子点B5所在的格。
图4以遍历像素点为例进行了说明,但本发明不限于此。例如还可以遍历各个种子点,在种子点附近搜索像素点。可以根据实际情况确定具体的实施方式。
由此,由于根据基于像素值和位置的度量值(体现了颜色空间的特征)进行划分,每个格中各像素的像素值相互关联并且其中部分或全部格可以具有不规则形状,由此可以利用颜色空间的特征信息将图像划分为有意义的像素块,能够更准确地将图像中待处理的区域提取出来。
在本实施例中,绝大多数邻近的像素点属于同一个种子点,但是,每个像素点分配完毕以后,还是会有很多“孤立”的像素点。“孤立”是指例如某像素块中大多数像素点属于该像素块中心的种子点,但是其中有少量的像素点被分配到附近其他的种子点中去了。
图5是本发明实施例的孤立块的一示意图,如图5所示,对于C1、C2和C3三个像素块,处于种子点B1所在格S的范围内,但是C1和C2被分配给了种子点B2,而C3被分配给了种子点B3。
如图2所示,预处理过程还可以包括:
步骤204,若存在与所属种子点的区域分离的孤立块,则将所述孤立块确定为属于最近种子点的格。
例如,如图5所示,块C1、C2属于种子点B2但与B2所在的区域分离,块C3属于种子点B3但与B3所在的区域分离,则把这些孤立的像素点(或者称为小像素块)强制分配给邻近的种子点即B1所在的格中。
此外,例如还可以计算孤立块的面积,在孤立块的面积大于预设阈值(第一阈值)的情况下将所述孤立块确定为属于最近种子点的格。
图6是本发明实施例的进行格划分之后的一示例图,示出了采用本发明实施例的方法进行格划分后的效果。如图6所示,划分之后的格可以具有不规则的形状。这种划分方式与单纯用方格划分的方式相比,能够包含更多的信息,因此能够更准确地将图像中待处理的区域提取出来。
值得注意的是,为了在实现中更加方便,也可以首先对图像进行块的预划分,对各个像素进行标记之后再应用本发明的格划分方法。本发明不限于此,可以根据实际情况适当地进行变换。
在本实施例中,在将图像划分为多个格之后,还可以进一步进行处理。
如图2所示,预处理过程还可以包括:
步骤205,使用最大似然模型估计具有相同颜色特征的两个以上格;
例如具有相同HSV(色调、饱和度、亮度)特征的格。
如图2所示,预处理过程还可以包括:
步骤206,排除颜色空间中饱和度大于预设阈值(第二阈值)的像素。
例如,对于饱和度大于25的像素,可以确定该像素不属于路面区域而可以去掉。但本发明不限于此,可以根据实际情况确定具体的阈值。
在本实施例中,对于进行了预处理的图像,还可进行中值过滤(Median Filtering),并转换成灰度图(Grayscale)。但本发明不限于此,还可以根据实际情况进行其他的预处理步骤。
由此,可以利用颜色空间的特征对格重新进行划分(例如合并),并且根据颜色空间的特征去除明显的不相关区域,进一步提高图像区域提取的准确性。
在步骤102中,可以根据颜色空间的特征进行处理,由此获得路面缺陷的轮廓。
图7是本发明实施例的划分过程的一示意图,如图7所示,所述划分过程包括:
步骤701,对包含路面的图像进行直方图均衡(Histogram Equalization);
步骤702,对于进行均衡后的各像素,根据颜色空间的特征进行处理。
具体地,对于像素值大于预设阈值(第三阈值)的像素,将所述像素的像素值直接设置为白色;对于进行均衡后的像素值小于或等于预设阈值的像素,将所述像素的像素值进行均分处理。
例如,对于像素值大于175的像素,可以将该像素的像素值直接设置为255;对于像素值小于或等于175的像素,可以将该像素的像素值乘以255/175,即均分到0至255之间的空间中。由此,可以使得后续的图像处理更加准确。
如图7所示,所述划分过程还可以包括:
步骤703,通过预设阈值(第四阈值)对所述图像进行二值化处理;
例如可以将阈值设置为0.5;以及
步骤704,通过边缘检测获得所述一个或多个路面缺陷的轮廓;
例如可以使用现有的任意一种边缘检测算法来获得路面缺陷的轮廓。
如图7所示,所述划分过程还可以包括:
步骤705,计算一个或多个路面缺陷的面积,并且排除所述一个或多个路面缺陷中面积小于预设阈值(第五阈值)的路面缺陷。
由此,可以去除某些噪声的干扰,进一步提高图像处理的准确性。
在步骤103中,可以对获得的路面缺陷进行处理,例如可以在灰度图上将每个路面缺陷标记为红色;此外对每个路面缺陷分别进行特征提取。
在本实施例中,对所述路面缺陷提取的特征可以包括多维向量,例如33维向量;其中包括:表征像素强度的向量,表征路面缺陷特征的向量,以及表征所述路面缺陷位置的向量。
具体地,所述表征像素强度的向量包括:均值,高阶矩以及直方图参数;所述表征路面缺陷特征的向量包括:所述路面缺陷的像素数目与总像素数目之比,平均像素行差以及平均像素列差;所述表征路面缺陷位置的向量包括:所述路面缺陷的重心(centroid)坐标。
表1示出了本发明实施例的33维向量。
表1
如表1所示,表征像素强度的向量可以包括12维向量,其中包括:均值(一维),高阶矩(三维)以及直方图参数(八维)。
其中,高阶矩(momentum)可如下表示:
μk=E[(xi-m)k]
其中,m为均值,E为期望值。k是一个常量,μk称为k阶矩。当k=1就是期望,代表图像的平均特性;k=2就是方差,代表图像的变化特性;k=3就是更高维的其他性质,可以代表图像更深度的变化特性。
如表1所示,表征路面缺陷特征的向量可以包括19维向量,其中包括:所述路面缺陷的像素数目与总像素数目之比(一维),平均像素行差(九维)以及平均像素列差(九维)。
其中,平均像素行差可以如下表示:
即
平均像素列差可以如下表示:
其中,A(i)表示某一行(或者某一列)中路面缺陷的像素数目与该行(或者该列)中总像素数目之比。
值得注意的是,以上仅示意性示出了本发明实施例的特征向量,但本发明不限于此,可以根据实际情况确定具体的特征向量。
在本实施例中,可以预先获得预测模型,预测模型的获得步骤类似上述检测方法。
图8是本发明实施例的预测模型获取的一示意图,如图8所示,所述方法包括:
步骤801,基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;
步骤802,对包含所述路面的图像进行分割处理,获得所述路面上的一个或多个路面缺陷的轮廓;以及
步骤803,对所述路面缺陷分别提取特征,将所述特征输入支持向量机(SVM)或人工神经网络(ANN)来获得所述预测模型。
关于获取预测模型时涉及的其他内容,可以参考之前的说明。关于SVM和ANN等内容,可以参考相关技术。
由上述实施例可知,基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;对包含所述路面的图像进行分割处理,获得一个或多个路面缺陷的轮廓;以及基于预先获得的预测模型和提取的特征对一个或多个路面缺陷进行识别。由此,能够更准确地将图像中的路面区域提取出来,更加准确地识别路面缺陷。
实施例2
本发明实施例提供一种路面缺陷的检测装置,与实施例1相同的内容不再赘述。
图9是本发明实施例的路面缺陷的检测装置的一示意图,如图9所示,所述检测装置900包括:
预处理单元901,基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;
划分单元902,对包含所述路面的图像进行分割处理,获得所述路面上的一个或多个路面缺陷的轮廓;以及
识别单元903,对所述路面缺陷分别提取特征,并基于预先获得的预测模型和所述特征对所述一个或多个路面缺陷进行识别。
图10是本发明实施例的预处理单元的一示意图,如图10所示,所述预处理单元901可以包括:
种子点设定单元1001,为所述路面图像均匀设定多个种子点;
像素分配单元1002,对于所述路面图像的每个像素,计算所述像素与邻近多个种子点之间的基于像素值和位置的度量值,将对应最小度量值的种子点分配给所述像素;
格确定单元1003,将属于同一种子点的多个像素确定为属于同一格。
如图10所示,所述预处理单元901还可以包括:
孤立块分配单元1004,若存在与所属种子点的区域分离的孤立块,则将所述孤立块确定为属于最近种子点的格。
如图10所示,所述预处理单元901还可以包括:
似然估计单元1005,使用最大似然模型估计具有相同颜色特征的两个以上格;以及
像素排除单元1006,排除颜色空间中饱和度大于预设阈值的像素。
图11是本发明实施例的划分单元的一示意图,如图11所示,所述划分单元902可以包括:
直方图均衡单元1101,对包含所述路面的图像进行直方图均衡;
像素处理单元1102,对于进行均衡后的像素值大于预设阈值的像素,将所述像素的像素值直接设置为白色;对于进行均衡后的像素值小于或等于预设阈值的像素,将所述像素的像素值进行均分处理。
如图11所示,所述划分单元902还可以包括:
二值化处理单元1103,通过预设阈值对所述图像进行二值化处理;
轮廓获取单元1104,通过边缘检测获得一个或多个路面缺陷的轮廓;以及
缺陷排除单元1105,排除一个或多个路面缺陷中面积小于预设阈值的路面缺陷。
在本实施例中,对所述路面缺陷提取的特征可以包括多维向量,例如33维向量;其中包括:表征像素强度的向量,表征路面缺陷特征的向量,以及表征所述路面缺陷位置的向量。
其中,所述表征像素强度的向量包括:均值,高阶矩以及直方图参数;
所述表征路面缺陷特征的向量包括:所述路面缺陷的像素数目与总像素数目之比,平均像素行差以及平均像素列差;
所述表征路面缺陷位置的向量包括:所述路面缺陷的重心坐标。
由上述实施例可知,基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;对包含所述路面的图像进行分割处理,获得一个或多个路面缺陷的轮廓;以及基于预先获得的预测模型和提取的特征对一个或多个路面缺陷进行识别。由此,能够更准确地将图像中的路面区域提取出来,更加准确地识别路面缺陷。
实施例3
本发明实施例提供一种图像处理设备,所述图像处理设备包括:摄像头,对路面进行拍摄并获得路面图像;以及如实施例2所述的路面缺陷的检测装置。
图12是本发明实施例的图像处理设备的一构成示意图。如图12所示,图像处理设备1200可以包括:中央处理器(CPU)100和存储器110;存储器110耦合到中央处理器100。其中该存储器110可存储各种数据;此外还存储信息处理的程序,并且在中央处理器100的控制下执行该程序。
在一个实施方式中,路面缺陷的检测装置900的功能可以被集成到中央处理器100中。其中,中央处理器100可以被配置为实现如实施例1所述的路面缺陷的检测方法。即中央处理器100可以进行如下控制:
基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;对包含所述路面的图像进行分割处理,获得所述路面上的一个或多个路面缺陷的轮廓;以及对所述路面缺陷分别提取特征,并基于预先获得的预测模型和所述特征对所述一个或多个路面缺陷进行识别。
在另一个实施方式中,路面缺陷的检测装置900可以与中央处理器100分开配置,例如可以将路面缺陷的检测装置900配置为与中央处理器100连接的芯片,通过中央处理器的控制来实现路面缺陷的检测装置900的功能。
此外,如图12所示,图像处理设备1200还可以包括:输入输出单元120和显示单元130等;其中,上述部件的功能与现有技术类似,此处不再赘述。值得注意的是,图像处理设备1200也并不是必须要包括图12中所示的所有部件;此外,图像处理设备1200还可以包括图12中没有示出的部件,可以参考现有技术。
本发明实施例还提供一种计算机可读程序,其中当在图像处理设备中执行所述程序时,所述程序使得计算机在所述图像处理设备中执行如实施例1所述的路面缺陷的检测方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质,其中所述计算机可读程序使得计算机在图像处理设备中执行如实施例1所述的路面缺陷的检测方法。
本发明以上的装置和方法可以由硬件实现,也可以由硬件结合软件实现。本发明涉及这样的计算机可读程序,当该程序被逻辑部件所执行时,能够使该逻辑部件实现上文所述的装置或构成部件,或使该逻辑部件实现上文所述的各种方法或步骤。本发明还涉及用于存储以上程序的存储介质,如硬盘、磁盘、光盘、DVD、flash存储器等。
以上结合具体的实施方式对本发明进行了描述,但本领域技术人员应该清楚,这些描述都是示例性的,并不是对本发明保护范围的限制。本领域技术人员可以根据本发明原理对本发明做出各种变型和修改,这些变型和修改也在本发明的范围内。
关于包括以上实施例的实施方式,还公开下述的附记:
(附记1)一种路面缺陷的检测装置,所述检测装置包括:
预处理单元,基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;
划分单元,对包含所述路面的图像进行分割处理,获得所述路面上的一个或多个路面缺陷的轮廓;以及
识别单元,对所述路面缺陷分别提取特征,并基于预先获得的预测模型和所述特征对所述一个或多个路面缺陷进行识别。
(附记2)根据附记1所述的检测装置,其中,所述预处理单元包括:
种子点设定单元,为所述路面图像均匀设定多个种子点;
像素分配单元,对于所述路面图像的每个像素,计算所述像素与邻近多个种子点之间的基于像素值和位置的度量值,将对应最小度量值的种子点分配给所述像素;
格确定单元,将属于同一种子点的多个像素确定为属于同一格。
(附记3)根据附记2所述的检测装置,其中,所述预处理单元还包括:
孤立块分配单元,若存在与所属种子点的区域分离的孤立块,则将所述孤立块确定为属于最近种子点的格。
(附记4)根据附记1所述的检测装置,其中,所述预处理单元还包括:
似然估计单元,使用最大似然模型估计具有相同颜色特征的两个以上格;以及
像素排除单元,排除颜色空间中饱和度大于预设阈值的像素。
(附记5)根据附记1所述的检测装置,其中,所述划分单元包括:
直方图均衡单元,对包含所述路面的图像进行直方图均衡;
像素处理单元,对于进行均衡后的像素值大于预设阈值的像素,将所述像素的像素值直接设置为白色;对于进行均衡后的像素值小于或等于预设阈值的像素,将所述像素的像素值进行均分处理。
(附记6)根据附记5所述的检测装置,其中,所述划分单元还包括:
二值化处理单元,通过预设阈值对所述图像进行二值化处理;
轮廓获取单元,通过边缘检测获得所述一个或多个路面缺陷的轮廓;以及
缺陷排除单元,排除所述一个或多个路面缺陷中面积小于预设阈值的路面缺陷。
(附记7)根据附记1所述的检测装置,其中,对所述路面缺陷提取的特征包括多维向量;其中包括:表征像素强度的向量,表征路面缺陷特征的向量,以及表征所述路面缺陷位置的向量。
(附记8)根据附记7所述的检测装置,其中,所述多维向量为33维向量;
所述表征像素强度的向量包括:均值,高阶矩以及直方图参数;
所述表征路面缺陷特征的向量包括:所述路面缺陷的像素数目与总像素数目之比,平均像素行差以及平均像素列差;
所述表征路面缺陷位置的向量包括:所述路面缺陷的重心坐标。
(附记9)根据附记1所述的检测装置,其中,所述检测装置还包括:
模型预处理单元,基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;
模型划分单元,对包含所述路面的图像进行分割处理,获得所述路面上的一个或多个路面缺陷的轮廓;以及
模型生成单元,对所述路面缺陷分别提取特征,将所述特征输入支持向量机或人工神经网络来获得所述预测模型。
(附记10)一种路面缺陷的检测方法,所述检测方法包括:
预处理步骤,基于颜色空间的特征将记录路面的实时图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;
划分步骤,对包含所述路面的图像进行分割处理,获得所述路面上的一个或多个路面缺陷的轮廓;以及
识别步骤,对所述路面缺陷分别提取特征,并基于预先获得的预测模型和所述特征对所述一个或多个路面缺陷进行识别。
(附记11)根据附记10所述的检测方法,其中,所述预处理步骤包括:
为所述路面图像均匀设定多个种子点;
对于所述路面图像的每个像素,计算所述像素与邻近多个种子点之间的基于像素值和位置的度量值,将对应最小度量值的种子点分配给所述像素;
将属于同一种子点的多个像素确定为属于同一格。
(附记12)根据附记11所述的检测方法,其中,所述预处理步骤还包括:
若存在与所属种子点的区域分离的孤立块,则将所述孤立块确定为属于最近种子点的格。
(附记13)根据附记10所述的检测方法,其中,所述预处理步骤还包括:
使用最大似然模型估计具有相同颜色特征的两个以上格;以及
排除颜色空间中饱和度大于预设阈值的像素。
(附记14)根据附记10所述的检测方法,其中,所述划分步骤包括:
对包含所述路面的图像进行直方图均衡;
对于进行均衡后的像素值大于预设阈值的像素,将所述像素的像素值直接设置为白色;对于进行均衡后的像素值小于或等于预设阈值的像素,将所述像素的像素值进行均分处理。
(附记15)根据附记14所述的检测方法,其中,所述划分步骤还包括:
通过预设阈值对所述图像进行二值化处理;
通过边缘检测获得所述一个或多个路面缺陷的轮廓;以及
排除所述一个或多个路面缺陷中面积小于预设阈值的路面缺陷。
(附记16)根据附记10所述的检测方法,其中,对所述路面缺陷提取的特征包括多维向量;其中包括:表征像素强度的向量,表征路面缺陷特征的向量,以及表征所述路面缺陷位置的向量。
(附记17)根据附记16所述的检测方法,其中,所述多维向量为33维向量;
所述表征像素强度的向量包括:均值,高阶矩以及直方图参数;
所述表征路面缺陷特征的向量包括:所述路面缺陷的像素数目与总像素数目之比,平均像素行差以及平均像素列差;
所述表征路面缺陷位置的向量包括:所述路面缺陷的重心坐标。
(附记18)根据附记10所述的检测方法,其中,所述方法还包括:
基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;
对包含所述路面的图像进行分割处理,获得所述路面上的一个或多个路面缺陷的轮廓;以及
对所述路面缺陷分别提取特征,将所述特征输入支持向量机或人工神经网络来获得所述预测模型。
(附记19)一种图像处理设备,包括:
摄像头,对路面进行拍摄并获得实时图像;
检测器,配置有附记1至9任一项所述的路面缺陷的检测装置。
Claims (10)
1.一种路面缺陷的检测装置,其特征在于,所述检测装置包括:
预处理单元,基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;
划分单元,对包含所述路面的图像进行分割处理,获得所述路面上的一个或多个路面缺陷的轮廓;以及
识别单元,对所述路面缺陷分别提取特征,并基于预先获得的预测模型和所述特征对所述一个或多个路面缺陷进行识别。
2.根据权利要求1所述的检测装置,其中,所述预处理单元包括:
种子点设定单元,为所述路面图像均匀地设定多个种子点;
像素分配单元,对于所述路面图像的每个像素,计算所述像素与邻近多个种子点之间的基于像素值和位置的度量值,将对应最小度量值的种子点分配给所述像素;以及
格确定单元,将属于同一种子点的多个像素确定为属于同一格。
3.根据权利要求2所述的检测装置,其中,所述预处理单元还包括:
孤立块分配单元,在存在与所属种子点的区域分离的孤立块的情况下,将所述孤立块确定为属于最近种子点的格。
4.根据权利要求1所述的检测装置,其中,所述预处理单元还包括:
似然估计单元,使用最大似然模型估计具有相同颜色特征的两个以上格;以及
像素排除单元,排除颜色空间中饱和度大于预设阈值的像素。
5.根据权利要求1所述的检测装置,其中,所述划分单元包括:
直方图均衡单元,对包含所述路面的图像进行直方图均衡;
像素处理单元,对于进行均衡后的像素值大于预设阈值的像素,将所述像素的像素值直接设置为白色;对于进行均衡后的像素值小于或等于预设阈值的像素,将所述像素的像素值进行均分处理。
6.根据权利要求5所述的检测装置,其中,所述划分单元还包括:
二值化处理单元,通过预设阈值对所述图像进行二值化处理;
轮廓获取单元,通过边缘检测获得所述一个或多个路面缺陷的轮廓;以及
缺陷排除单元,排除所述一个或多个路面缺陷中面积小于预设阈值的路面缺陷。
7.根据权利要求1所述的检测装置,其中,对所述路面缺陷提取的特征包括多维向量;其中包括:表征像素强度的向量,表征路面缺陷特征的向量,以及表征所述路面缺陷位置的向量。
8.根据权利要求7所述的检测装置,其中,所述多维向量为33维向量;
所述表征像素强度的向量包括:均值,高阶矩以及直方图参数;
所述表征路面缺陷特征的向量包括:所述路面缺陷的像素数目与总像素数目之比,平均像素行差以及平均像素列差;
所述表征路面缺陷位置的向量包括:所述路面缺陷的重心坐标。
9.一种路面缺陷的检测方法,其特征在于,所述检测方法包括:
基于颜色空间的特征将记录路面的路面图像划分为多个格,其中每个格中各像素的像素值相互关联并且其中部分或全部格具有不规则形状;以及根据所述多个格获得包含所述路面的图像;
对包含所述路面的图像进行分割处理,获得所述路面上的一个或多个路面缺陷的轮廓;以及
对所述路面缺陷分别提取特征,并基于预先获得的预测模型和所述特征对所述一个或多个路面缺陷进行识别。
10.一种图像处理设备,包括:
摄像头,对路面进行拍摄并获得路面图像;
检测器,配置有如权利要求1所述的路面缺陷的检测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510463387.9A CN106384074A (zh) | 2015-07-31 | 2015-07-31 | 路面缺陷的检测装置、方法以及图像处理设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510463387.9A CN106384074A (zh) | 2015-07-31 | 2015-07-31 | 路面缺陷的检测装置、方法以及图像处理设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106384074A true CN106384074A (zh) | 2017-02-08 |
Family
ID=57916240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510463387.9A Pending CN106384074A (zh) | 2015-07-31 | 2015-07-31 | 路面缺陷的检测装置、方法以及图像处理设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106384074A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619343A (zh) * | 2018-06-20 | 2019-12-27 | 亚摩信息技术股份有限公司 | 基于机器学习的自动缺陷分类方法 |
CN111553884A (zh) * | 2020-04-02 | 2020-08-18 | 扬州哈工科创机器人研究院有限公司 | 一种道路表面图像的保存方法及装置 |
CN112232138A (zh) * | 2020-09-25 | 2021-01-15 | 天津大学 | 基于超像素特征的渠道边坡破坏智能识别方法 |
CN112348206A (zh) * | 2020-09-21 | 2021-02-09 | 中国路桥工程有限责任公司 | 用于养护路面的路面综合整治系统 |
CN113780259A (zh) * | 2021-11-15 | 2021-12-10 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
CN116630311B (zh) * | 2023-07-21 | 2023-09-19 | 聊城市瀚格智能科技有限公司 | 用于高速公路路政管理的路面破损识别告警方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831393A (zh) * | 2012-07-19 | 2012-12-19 | 安徽工业大学 | 电力杆塔轮廓的快速图像识别方法 |
CN103489175A (zh) * | 2012-06-13 | 2014-01-01 | 株式会社理光 | 路面检测方法和装置 |
CN103578119A (zh) * | 2013-10-31 | 2014-02-12 | 苏州大学 | 基于超像素的Codebook动态场景中目标检测方法 |
CN104537651A (zh) * | 2014-12-17 | 2015-04-22 | 中交第一公路勘察设计研究院有限公司 | 一种路面图像中裂缝比例检测算法及系统 |
CN104574408A (zh) * | 2015-01-16 | 2015-04-29 | 东华大学 | 基于形状特征提取的工业透明薄膜包装检测方法及装置 |
-
2015
- 2015-07-31 CN CN201510463387.9A patent/CN106384074A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489175A (zh) * | 2012-06-13 | 2014-01-01 | 株式会社理光 | 路面检测方法和装置 |
CN102831393A (zh) * | 2012-07-19 | 2012-12-19 | 安徽工业大学 | 电力杆塔轮廓的快速图像识别方法 |
CN103578119A (zh) * | 2013-10-31 | 2014-02-12 | 苏州大学 | 基于超像素的Codebook动态场景中目标检测方法 |
CN104537651A (zh) * | 2014-12-17 | 2015-04-22 | 中交第一公路勘察设计研究院有限公司 | 一种路面图像中裂缝比例检测算法及系统 |
CN104574408A (zh) * | 2015-01-16 | 2015-04-29 | 东华大学 | 基于形状特征提取的工业透明薄膜包装检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
MIGUEL GAVILÁN 等: "Adaptive Road Crack Detection System by Pavement Classification", 《SENSORS 2011》 * |
吴欢欢: "混凝土裂缝图像测量系统研究与开发", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张维峰 等: "数字图像处理技术在桥梁裂纹测量中的应用", 《长安大学学报(自然科学版)》 * |
张荣国 等: "物体轮廓形状超像素图割快速提取方法", 《模式识别与人工智能》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619343A (zh) * | 2018-06-20 | 2019-12-27 | 亚摩信息技术股份有限公司 | 基于机器学习的自动缺陷分类方法 |
CN110619343B (zh) * | 2018-06-20 | 2023-06-06 | 亚摩信息技术(上海)有限公司 | 基于机器学习的自动缺陷分类方法 |
CN111553884A (zh) * | 2020-04-02 | 2020-08-18 | 扬州哈工科创机器人研究院有限公司 | 一种道路表面图像的保存方法及装置 |
CN111553884B (zh) * | 2020-04-02 | 2023-02-17 | 扬州哈工科创机器人研究院有限公司 | 一种道路表面图像的保存方法及装置 |
CN112348206A (zh) * | 2020-09-21 | 2021-02-09 | 中国路桥工程有限责任公司 | 用于养护路面的路面综合整治系统 |
CN112232138A (zh) * | 2020-09-25 | 2021-01-15 | 天津大学 | 基于超像素特征的渠道边坡破坏智能识别方法 |
CN112232138B (zh) * | 2020-09-25 | 2022-09-23 | 天津大学 | 基于超像素特征的渠道边坡破坏智能识别方法 |
CN113780259A (zh) * | 2021-11-15 | 2021-12-10 | 中移(上海)信息通信科技有限公司 | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 |
CN116630311B (zh) * | 2023-07-21 | 2023-09-19 | 聊城市瀚格智能科技有限公司 | 用于高速公路路政管理的路面破损识别告警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784685B (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN106384074A (zh) | 路面缺陷的检测装置、方法以及图像处理设备 | |
CN105096259B (zh) | 深度图像的深度值恢复方法和系统 | |
US10510148B2 (en) | Systems and methods for block based edgel detection with false edge elimination | |
CN106296666B (zh) | 一种彩色图像去阴影方法和应用 | |
CN103186904B (zh) | 图片轮廓提取方法及装置 | |
GB2532948A (en) | Objection recognition in a 3D scene | |
CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
CN105068918B (zh) | 一种页面测试方法及装置 | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN106971397B (zh) | 基于改进jseg算法的城市高分辨率遥感影像分割方法 | |
CN108921025A (zh) | 一种协同变化检测的对象级分类样本自动选择方法 | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN104282026A (zh) | 基于分水岭算法和最小生成树的分布均匀性评估方法 | |
WO2014004271A2 (en) | Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device | |
CN109685142A (zh) | 一种图像匹配方法及装置 | |
CN113240735B (zh) | 一种边坡位移活动性监测方法 | |
CN106295498A (zh) | 光学遥感图像目标区域检测装置与方法 | |
CN107886110A (zh) | 人脸检测方法、装置及电子设备 | |
Zelener et al. | Cnn-based object segmentation in urban lidar with missing points | |
CN103955942A (zh) | 一种基于svm的2d图像的深度图提取方法 | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
CN109187548A (zh) | 一种岩体裂隙识别方法 | |
CN116596428B (zh) | 一种基于无人机的乡村物流智能配送系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170208 |
|
WD01 | Invention patent application deemed withdrawn after publication |