CN107169953B

CN107169953B - 基于hog特征的桥梁混凝土表面裂缝检测方法

Info

Publication number: CN107169953B
Application number: CN201710225020.2A
Authority: CN
Inventors: 李云松; 寇潇
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2017-04-07
Filing date: 2017-04-07
Publication date: 2020-02-21
Anticipated expiration: 2037-04-07
Also published as: CN107169953A

Abstract

本发明提出了一种基于HOG特征的桥梁混凝土表面裂缝检测方法，用于解决现有基于形态学桥梁裂缝检测方法中存在的检测精度低的技术问题，实现步骤为：输入彩色图像H，转化为灰度图并进行去噪滤波；对滤波图像进行二值化处理；统计梯度方向直方图，并根据统计结果对去噪灰度二值图像块进行初步处理与合并，得到图像H的完整二值图像；计算图像H的HOG特征；训练SVM分类器；计算彩色图像N的HOG特征，输入SVM分类器；对图像N的各像素点进行分类，并标记分类结果。本发明的检测精度高，可用于检测桥梁的混凝土表面裂缝。

Description

基于HOG特征的桥梁混凝土表面裂缝检测方法

技术领域

本发明属于图像处理技术领域，涉及一种桥梁裂缝检测方法，具体涉及一种基于HOG特征的桥梁混凝土表面裂缝检测方法，可用于检测桥梁的混凝土表面裂缝。

背景技术

方向梯度直方图HOG特征是一种图像处理中用来进行物体检测的描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。它的主要思想是在一幅图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好的描述。

方向梯度直方图HOG特征的实现方法是，首先将图像分成小的连通区域，我们把它叫做单元。然后采集单元中各像素点的梯度或边缘的方向直方图。最后将这些直方图组合起来就可以构成特征描述器。

HOG特征实际上描述的是图像梯度或边缘的方向密度分布，并且它对图像几何和光学的形变都能保持很好的适应性。而桥梁混凝土表面裂缝则有十分明显的平行双边缘特性，并且桥梁混凝土表面裂缝的图片在获取时容易因为光照变化、桥面水渍以及摄影者站姿的问题发生几何和光学形变，由此看来HOG特征非常适用于桥梁混凝土表面裂缝的检测。但是经过调研和查阅资料，本人发现之前并没有人将HOG特征应用于桥梁裂缝检测这一方面。

桥梁混凝土表面的裂缝成因很多，一般都是由于温差过大、风吹日晒以及载荷过重、自身抗力不足形成的裂缝。桥梁裂缝需要及时发现、及时补救，如果任其发展，轻则其承载能力降低，重责时刻威胁人民群众的生命财产安全。

传统的裂缝检测方法主要是基于人眼观察和手工测量，同时还有很多公司推出道路裂缝检测车，以机动车为平台，采用超声波的方式对混凝土表面的裂缝进行探测。但是以上方法效率低，对人力物力都是极大的浪费。

现有的基于数字图像处理的桥梁裂缝检测的方法则大多基于形态学，利用裂缝内部像素灰度值和裂缝边缘像素灰度值差距大以及裂缝本身的线性结构特点来检测裂缝，但是该方法无法适应裂缝的多种变化，例如人字形的分叉，而且该方法对图像的噪声和形变十分敏感，所以导致检测精度低。例如，申请公开号为C N 103528515A、名称为“桥梁底面裂缝动态检测方法”的专利申请，公开了一种可对桥梁底面裂缝进行动态监测的桥梁底面裂缝动态检测方法，该方法包括以下步骤：步骤一，采集桥梁底面的视频图像，对彩色图像灰度化；步骤二，进行灰度图像的二值化；步骤三，对连通域通过面积以及外接最小矩形的长短轴之比进行筛选，满足以下条件的连通域被判定为裂缝；步骤四，将目标区域最小外接矩形在原图上进行绘图，即可直观观察到，从而实现裂缝的识别。但此方法的检测结果只能标记处裂缝的外接矩形，并不能标记裂缝本身，得到的结果不够精确。

发明内容

本发明的目的在于克服上述现有技术存在的不足，提出了一种基于HOG特征的桥梁混凝土表面裂缝检测方法，用于解决现有基于形态学桥梁裂缝检测方法中存在的检测精度低的技术问题。

本发明的技术思路是：利用像素的灰度信息和梯度信息对输入的桥梁图像进行预处理；使用一张图片提取HOG特征来训练SVM分类器，然后用训练好的SVM分类器对另一张图片提取的HOG特征进行分类，并对分类结果进行标记。

根据以上技术思路，实现本发明目的采取的技术方案，包括如下步骤：

(1)采用单通道转换法，将待检测桥梁的彩色图像H转换为灰度图像，并对其进行滤波，得到去噪灰度图像H`；

(2)对去噪灰度图像H`进行二值化处理，得到多个去噪灰度二值图像块，实现步骤为：

(2a)对去噪灰度图像H`进行不重叠小块分割，得到多个去噪灰度图像块；

(2b)对每个去噪灰度图像块的灰度直方图进行统计，得到多个去噪灰度直方图；

(2c)将每个去噪灰度直方图的全局波谷作为去噪灰度直方图阈值：对每个去噪灰度直方图的各局部极小值点从左到右进行筛查，并将右边梯度是左边3倍的局部极小值点，即所述去噪灰度直方图的全局波谷，作为去噪灰度直方图阈值；

(2d)使用去噪灰度直方图阈值，对该去噪灰度直方图对应的图像块进行二值化处理，得到多个去噪灰度二值图像块；

(3)对每个去噪灰度二值图像块的梯度方向直方图进行统计，并根据统计结果对去噪灰度二值图像块进行初步处理与合并，得到图像H的完整二值图像，实现步骤为：

(3a)计算每个去噪灰度二值图像块中各像素点的梯度方向θ(x,y)，并对所有梯度方向直方图进行统计，得到多个梯度方向直方图；

(3b)利用多个梯度方向直方图，对二值图像块是否含有裂缝进行初步判断和处理，若梯度方向直方图含有两个波峰，则保持该可能含有裂缝的二值图像块不变，否则将该二值图像块置为全白；

(3c)将初步处理的所有二值图像块进行合并，得到图像H的完整二值图像；

(4)计算图像H的完整二值图像的HOG特征x_H(i,j)：以图像H的完整二值图像的每个像素点为中心，取数量为图像H的完整二值图像大小、尺寸为mxm的多个图像块，并求取每个图像块的HOG特征x_H(i,j)r，得到图像H的完整二值图像对应的HOG特征x_H(i,j)，其中，m表示图像块的边长，(i,j)表示像素点位置，r表示图像块的编号；

(5)采用图像H的完整二值图像的HOG特征x_H(i，j)对SVM分类器进行训练，得到训练SVM分类器；

(6)采用待检测桥梁的彩色图像N替代步骤(1)中的待检测桥梁的彩色图像H，并执行步骤(1)～步骤(4)，得到图像N的完整二值图像对应的HOG特征x_N(i,j)；

(7)将图像N的完整二值图像对应的HOG特征x_N(i，j)输入到训练SVM分类器中，对(i,j)位置的像素进行分类：对训练SVM分类器输出结果0或1进行标记，得到(i,j)位置的非裂缝像素和裂缝像素，其中0代表(i,j)位置的像素为非裂缝像素，1代表(i,j)位置的像素为裂缝像素。

本发明与现有技术相比较，具有如下优点：

本发明在对桥梁混凝土表面裂缝进行检测时，使用一张图像提取HOG特征来训练SVM分类器，然后用训练好的SVM分类器对另一张图像提取的HOG特征进行分类，提高了检测方法对裂缝双边缘的敏感度和对图像几何形变的适应能力，与现有技术相比，有效地提高了桥梁表面裂缝检测的精度。

附图说明

图1是本发明的实现流程图。

具体实施方式

以下结合附图和具体实施例，对本发明作进一步详细说明。

参照图1，基于HOG特征的桥梁混凝土表面裂缝检测方法，实现步骤为：

步骤1，采用单通道转换法Y＝0.3R+0.59G+0.11B，将待检测桥梁的彩色图像H转换为灰度图像，其中，R表示彩色图像的红色分量，G表示彩色图像的绿色分量，B表示彩色图像的蓝色分量。然后再对H的灰度图像进行高斯平滑滤波，得到去噪灰度图像H`；

步骤2，对去噪灰度图像H`进行二值化处理，得到多个去噪灰度二值图像块，实现步骤为：

步骤2a，对去噪灰度图像H`进行不重叠小块分割，得到多个去噪灰度图像块；

步骤2b，对每个去噪灰度图像块的灰度直方图进行统计，得到多个去噪灰度直方图；

步骤2c，将每个去噪灰度直方图的全局波谷作为去噪灰度直方图阈值：对每个去噪灰度直方图的各局部极小值点从左到右进行筛查，并将右边梯度是左边3倍的局部极小值点，即所述去噪灰度直方图的全局波谷，作为去噪灰度直方图阈值；

步骤2d，使用去噪灰度直方图阈值，对该去噪灰度直方图对应的图像块进行二值化处理，得到多个去噪灰度二值图像块；

步骤3，对每个去噪灰度二值图像块的梯度方向直方图进行统计，并根据统计结果对去噪灰度二值图像块进行初步处理与合并，得到图像H的完整二值图像，实现步骤为：

步骤3a，计算每个去噪灰度二值图像块中各像素点的梯度方向θ(x,y)＝tan^-1[V(x,y)/H(x,y)]，其中H(x,y)表示像素点(x,y)的横向梯度值，V(x,y)表示像素点(x,y)的纵向梯度值。接着对所有梯度方向直方图进行统计，实现步骤为：

步骤3a1，将所有像素点的梯度方向划分为多个梯度方向单元；

步骤3a2，对每个梯度方向单元所对应的像素点进行计数，得到去噪灰度二值图像块的梯度方向直方图；

步骤3b，利用多个梯度方向直方图，对二值图像块是否含有裂缝进行初步判断和处理，若梯度方向直方图含有两个波峰，则保持该可能含有裂缝的二值图像块不变，否则将该二值图像块置为全白；

步骤3c，将初步处理的所有二值图像块进行合并，得到图像H的完整二值图像。

步骤4，计算图像H的完整二值图像的HOG特征x_H(i，j)：以图像H的完整二值图像的每个像素点为中心，取数量为图像H的完整二值图像大小、尺寸为mxm的多个图像块，并求取每个图像块的HOG特征x_H(i，j)r，得到图像H的完整二值图像对应的HOG特征x_H(i,j)，其中，m表示图像块的边长，(i,j)表示像素点位置，r表示图像块的编号。

HOG是一种特征提取算子，下面介绍HOG特征的提取方法，其计算步骤如下：

1.图像由横竖线分为大小相等的小方块，最小的那种方块叫做细胞。4个相邻的细胞构成一个较大的正方形叫做块。块与块之间可以重叠，也可以不重叠；

2.然后用梯度算子求各个像素的横向梯度H(x,y)和纵向梯度V(x,y)；

3.然后求每个像素点(x,y)的梯度方向θ(x,y)和幅度m(x,y)，计算公式为:

m(x,y)＝[H(x,y)²+V(x,y)²]^1/2；θ(x,y)＝tan^-1[V(x,y)/H(x,y)]

4.θ(x,y)取值范围为-90度到90度，我们把它平均分为9份。然后每个细胞中按梯度方向投票，权重m(x,y)，这样每个细胞就得到一个9维的向量，把同一个块中的4个细胞得到向量连起来就得到一个块的36维的特征向量。最后把所有向量连起来就得到了该图像的HOG特征向量。

步骤5，采用图像H的完整二值图像的HOG特征x_H(i,j)对SVM分类器进行训练，得到训练SVM分类器。

SVM分类器是模式识别领域经典的分类器，对于n维训练样本集{(x_i,y_i|i＝1,2,...,k),x_i∈Rⁿ,y_i∈[0,1]}，其中Rⁿ表示n维向量，x_i是Rⁿ空间中向量；y_i对应x_i的样本类别，y_i的值1、0，分别表示正负样本。对于二分类问题，支持向量机的基本思想如下。先把这k个特征向量分在Rⁿ中，在Rⁿ空间中找到一个n-1维超平面，使得全部正样本分布在这个超平面一侧，而全部负样本分布在这个超平面另一侧，这也就是使得经验风险最小。同时还要使得该超平面与两类样本的距离相等的情况下尽可能大。

步骤6，采用待检测桥梁的彩色图像N替代步骤(1)中的待检测桥梁的彩色图像H，并执行步骤1～步骤4，得到图像N的完整二值图像对应的HOG特征x_N(i,j)；

步骤7，将图像N的完整二值图像对应的HOG特征x_N(i,j)输入到训练SVM分类器中，对(i,j)位置的像素进行分类：对训练SVM分类器输出结果0或1进行标记，得到(i,j)位置的非裂缝像素和裂缝像素，其中0代表(i,j)位置的像素为非裂缝像素，1代表(i,j)位置的像素为裂缝像素。

Claims

1.基于HOG特征的桥梁混凝土表面裂缝检测方法，其特征在于包括如下步骤：

(4)计算图像H的完整二值图像的HOG特征x_H(i,j)：以图像H的完整二值图像的每个像素点为中心，取尺寸为mxm的图像块，并求取每个图像块的HOG特征x_H(i,j)r，得到图像H的完整二值图像对应的HOG特征x_H(i,j)，其中，m表示图像块的边长，(i,j)表示像素点位置，r表示图像块的编号；

(5)采用图像H的完整二值图像的HOG特征x_H(i,j)对SVM分类器进行训练，得到训练SVM分类器；

(7)将图像N的完整二值图像对应的HOG特征x_N(i,j)输入到训练SVM分类器中，对(i,j)位置的像素进行分类：对训练SVM分类器输出结果0或1进行标记，得到(i,j)位置的非裂缝像素和裂缝像素，其中0代表(i,j)位置的像素为非裂缝像素，1代表(i,j)位置的像素为裂缝像素。

2.根据权利要求1所述的基于HOG特征的桥梁混凝土表面裂缝检测方法，其特征在于，步骤(1)中所述的对灰度图像进行滤波，采用高斯平滑滤波器。

3.根据权利要求1所述的基于HOG特征的桥梁混凝土表面裂缝检测方法，其特征在于，步骤(1)中所述的单通道转换法，其表达式为：

Y＝0.3R+0.59G+0.11B

其中，R表示彩色图像的红色分量，G表示彩色图像的绿色分量，B表示彩色图像的蓝色分量。

4.根据权利要求1所述的基于HOG特征的桥梁混凝土表面裂缝检测方法，其特征在于，步骤(3a)中所述的计算每个去噪灰度二值图像块中各像素点的梯度方向θ(x,y)，其计算公式为：

θ(x,y)＝tan^-1[V(x,y)/H(x,y)]

其中H(x,y)表示像素点(x,y)的横向梯度值，V(x,y)表示像素点(x,y)的纵向梯度值。

5.根据权利要求1所述的基于HOG特征的桥梁混凝土表面裂缝检测方法，其特征在于，步骤(3a)中所述的对所有梯度方向直方图进行统计，实现步骤为：

(3a1)将所有像素点的梯度方向划分为多个梯度方向单元；

(3a2)对每个梯度方向单元所对应的像素点进行计数，得到去噪灰度二值图像块的梯度方向直方图。