CN108229562B - 一种得到路面具体破损分类情况的方法 - Google Patents
一种得到路面具体破损分类情况的方法 Download PDFInfo
- Publication number
- CN108229562B CN108229562B CN201810005000.9A CN201810005000A CN108229562B CN 108229562 B CN108229562 B CN 108229562B CN 201810005000 A CN201810005000 A CN 201810005000A CN 108229562 B CN108229562 B CN 108229562B
- Authority
- CN
- China
- Prior art keywords
- classification
- gaussian
- follows
- vector
- road surface
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 235000002566 Capsicum Nutrition 0.000 claims description 2
- 239000006002 Pepper Substances 0.000 claims description 2
- 235000016761 Piper aduncum Nutrition 0.000 claims description 2
- 235000017804 Piper guineense Nutrition 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims description 2
- 235000008184 Piper nigrum Nutrition 0.000 claims description 2
- 150000003839 salts Chemical class 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于交通、道路领域。目的是基于路面破损检测相机拍摄的图片,提供一种快速、准确、全面得出路面具体破损情况的方法。具体步骤包括:提取图像特征点、提取特征向量、对特征向量合成的矩阵进行降维、训练降维后的向量并判定路面破损类别。本发明只利用相机采集到的图像,不需辅以其它仪器检测,即可全面计算出路面破损情况,方便快捷,判断路面破损情况准确,具有很好的实际推广意义。
Description
技术领域
本发明属于交通、道路领域,具体涉及一种得到路面具体破损分类情况的方法。
背景技术
随着我国道路交通行业的快速发展,道路养护管理问题日渐突出,其中,路面破损识别是道路养护管理的重要内容。公路在使用过程中,由于高车速、重交通、大流量等特点,易出现裂缝、变形、松散及其它(包括滑溜、脱皮、沉陷等)各类破损问题,而路面检测数据是评估路面使用性能、进行路面养护管理决策的重要基础。
道路路面病害检测,可以通过众多手段来实现。例如路面高速摄影系统、车辆行驶质量、落锤式弯沉仪等方法。其中,基于图像处理的路面病害检测方法已经成为了路面病害检测技术的主要方法,这种方法主要是通过计算机对路面进行分段检查、收集各段数据,再在所收集资料的基础上进行计算,绘制出某一段路面的健康状况,从而得到这一路段的具体病害程度的技术。
目前,如何基于相机采集到的图像,合理提取可用特征并将其数据化,进而通过计算快速、准确地获得路面实际破损情况,还处于研究阶段。
专利申请号为201410141476.7的基于多种低层显著特征的路面裂缝检查方法,将获取的灰度图像划分为局部分块,生产裂缝特征图,然后采用双邻域扩张的方法提取裂缝,再次将裂缝特征图划分为局部分块,采用区域增长的方式自适应阈值分割后提取裂缝。但这样的方法仅能检测出路面裂缝,无法检测出路面的其他类别的破损情况。
专利申请号为201610592145.4的路面使用过程中的状态测定系统,包括路面破损定位单元,用于检测路面是否有破损,检测到路面破损时,采集破损路面的图像信息,并获取所述破损路面的位置信息。具体方法为对图像数据进行色彩分析和灰度化处理,并进行小波变换、收缩权值和软阈值处理。该项专利通过激光雷达测定路面种类,处理图像信息仅能用于计算破损路面图像的位置,以便于对破损路面进行定位,无法确定路面具体的破损类型。
综上所述,现有技术中有关相机成像的方法,目前多为从图像中提取车道线或者分辨障碍物,分析路面破损的检测方法极少;且即使有相关方法研究,也多只停留在计算出路面的某一类破损(如裂缝)上,无法提供一种只利用相机采集到的图像,不需辅以其它仪器检测,即可准确计算出路面破损全部类型的方法。
发明内容
本发明的目的是基于路面破损检测相机拍摄的图片,提供一种快速、准确、全面得出路面具体破损情况的方法。
为实现上述发明目的,本发明所采用的技术方案是:一种得到路面具体破损分类情况的方法,包括如下步骤:
A.用高斯掩模处理图像,提取图像特征点;
B.用K-means算法提取特征向量;
C.用主成分分析法对特征向量合成的矩阵进行降维;
D.用多分类的支持向量机训练降维后的向量,判定路面破损类别。
本发明具有以下有益效果:
1、本发明方法提供了一种基于相机采集到的图像,不需辅以其它仪器检测,即可自动提取图像特征;
2、利用PCA法和多分类的SVM对图像特征向量进行学习和处理的结构,能够达到快速、准确识别路面破损全部类型的目的。
附图说明
图1为支持向量。
具体实施方式
1、提取特征点
1)采用中值滤波去除新直方图中的椒盐噪声,采用高斯滤波去除新直方图中的高斯噪声。
2)用9个尺度不同的高斯掩模分别对中值滤波之后的图像卷积,得到9种在不同高斯掩模处理的图片。
利用的高斯掩模如下:
其中Gi(x,y)代表第i个高斯掩模,Ki表示第i个高斯掩模的权值,σi表示第i个高斯掩模的标准差,x,y表示像素坐标,m,n表示像素下标。
3)使用差分高斯算子对2)得到的图片检测特征点。
差分高斯算子如下表示:
D(x,y,z,kiσ)=[G(x,y,z,k i+1σ)-G(x,y,z,kiσ)]*I(x,y,z)(i2)
其中k表示比例因子,指所处尺度空间金字塔的层数,其中x,y,z表示像素坐标,σ表示标准差,k表示尺度。
(4)采集3)得到的特征点所在高斯金字塔图像3σ领域窗口内像素的梯度和方向分布特征,最后得到N×128维的矩阵,以使检测特征点的描述子具有旋转不变性。
梯度的模值和方向如下:
其中m(x,y)代表梯度幅度,θ(x,y)表示x,y的方向,L为图像灰度矩阵。
2、提取特征向量
1)采用K-means算法,将得到的N×128维的描述子分为J类,其中J=500。
2)统计1)所得到的每一个类型在总类型中出现的概率,得到1×500的行向量,将该行向量分为J′类,其中J′=500。
3)采用K-means算法对特征向量进行分类,接着统计每一个类型占总类型的概率,统计完毕之后再将上述两个向量进行合并为一个2×500的矩阵。
3、对特征向量合成的矩阵进行降维
用PCA(主成分分析法)对上述2×500矩阵做降维处理,降低纬度到1×500。
PCA计算过程如下:
1)求A的协方差矩阵,其中,T为转置。
COV(A)=AAT (5)
2)计算协方差矩阵的特征向量,该特向量为PCA降维后的结果。经降维处理后得到的向量表示为:
X=(xi),其中(i=1,2,3,4,5......500) (6)。
4、训练降维后的向量
用多分类的SVM(支持向量机)对经PCA降维后的向量进行训练,训练过程如下:
1)设定类型输出函数g(x):
2)构造一个超平面φ(x),将该超平面作为最优分类面,φ(x)表示如下:
φ(x)=ωX+b (7)
其中,ω为变量,权重;b为实数,偏置。ω可由所得的特征向量表出:
ω=AYX (8)
A表示拉格朗日乘子,A=(a1,a2……an)。其中Y=(y1,y2……yn),y∈{0,1,2,3,4,5,6}。把A代入ω中得:
ω=a1y1x1+a2y2x2+……+anymxn (9)
yi表示第i个样本的类别。
以上式中的拉格朗日乘子,只有极少一部分不等于0。这部分不等于0的拉格朗日乘子后面所乘的样本点,均落在图1中的H1和H2上,它们确定了唯一的分类函数,是我们真正需要的样本点,即支持向量,如图1所示。
3)将(7)式中的决策面φ(x)改写为:
因(10)式中xi,X为向量,其余参数为实数,则能将该式简化为:
为避免分类出错,引入松弛变量ζ,与惩罚因子c,该因子表示容错性的程度。最终变为:
4)根据步骤1)定义的标签类型,得到确切结果:
Claims (4)
1.一种得到路面具体破损分类情况的方法,其特征在于:包括如下步骤:
A.用高斯掩模处理图像,提取图像特征点;
B.用K-means算法提取特征向量;
C.用主成分分析法对特征向量合成的矩阵进行降维;
D.用多分类的支持向量机训练降维后的向量,判定路面破损类别;步骤A具体方法为:
a.采用中值滤波去除新直方图中的椒盐噪声,采用高斯滤波去除新直方图中的高斯噪声;
b.用9个尺度不同的高斯掩模分别对中值滤波之后的图像卷积,得到9种在不同高斯掩模处理的图片;
利用的高斯掩模如下:
其中Gi(x,y)代表第i个高斯掩模,Ki表示第i个高斯掩模的权值,σi表示第i个高斯掩模的标准差,x,y表示像素坐标,m,n表示像素下标;
c.使用差分高斯算子检测步骤b.所得到图片的特征点;
差分高斯算子如下表示:
D(x,y,z,kiσ)=[G(x,y,z,ki+1σ)-G(x,y,z,kiσ)]*I(x,y,z)i (2)
其中k表示比例因子,指所处尺度空间金字塔的层数,x,y,z表示像素坐标,σ表示标准差,k表示尺度;
d.采集步骤c得到的特征点所在高斯金字塔图像3σ领域窗口内像素的梯度和方向分布特征,得到N×128维的矩阵,以使检测特征点的描述符具有旋转不变性;
梯度的模值和方向如下:
其中m(x,y)代表梯度幅度,θ(x,y)表示x,y的方向,L为图像灰度矩阵。
2.根据权利要求1所述的一种得到路面具体破损分类情况的方法,其特征在于:步骤B具体方法为:
a.采用K-means算法,将得到的N×128维的描述子分为J类,其中J=500;
b.统计步骤a.所得到的每一个类型在总类型中出现的概率,从而得到1×500的行向量,将该行向量分为J′类,其中J′=500;
c.采用K-means算法对特征向量进行分类,接着统计每一个类型占总类型的概率,随后将上述两个向量进行合并为一个2×500的矩阵。
3.根据权利要求2所述的一种得到路面具体破损分类情况的方法,其特征在于:步骤C具体方法为:
用主成分分析法对所述的2×500的矩阵做降维处理,降低纬度到1×500;计算过程如下:
a.求A的协方差矩阵:
COV(A)=AAT (5)
A表示拉格朗日乘子,T为转置;
b.计算协方差矩阵的特征向量,该特征向量为PCA降维后的结果;经降维处理后得到的向量表示为:
X=(xi),其中(i=1,2,3,4,5......500) (6)。
4.根据权利要求1所述的一种得到路面具体破损分类情况的方法,其特征在于:步骤D具体方法为:
用多分类的支持向量机对经主成分分析法降维后的向量进行训练,训练过程如下:
a.设定类型输出函数g(x):
b.构造一个超平面φ(x),将该超平面作为最优分类面,φ(x)表示如下:
φ(x)=ωX+b (7);
其中,ω为变量,b为实数,X为式(6)中的X;
ω可由所得的特征向量表出:
ω=AYX (8);
A表示拉格朗日乘子,A=(a1,a2……an);其中Y=(y1,y2……yn)、y∈{0,1,2,3,4,5,6};把A代入ω中得:
ω=a1y1x1+a2y2x2+……+anymxn (9);
yi表示第i个样本的类别;
以上式中的拉格朗日乘子,只有极少一部分不等于0;这部分不等于0的拉格朗日乘子后面所乘的样本点,确定了唯一的分类函数,即支持向量;
c.将(7)式中的决策面φ(x)改写为:
因(10)式中只有xi,X为向量,其余参数为实数,故将(10)式简化为:
d.引入松弛变量ζ、惩罚因子c,ω为式(8)中的ω,该因子表示容错性的程度;得式(12):
e.最终得到确切结果:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810005000.9A CN108229562B (zh) | 2018-01-03 | 2018-01-03 | 一种得到路面具体破损分类情况的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810005000.9A CN108229562B (zh) | 2018-01-03 | 2018-01-03 | 一种得到路面具体破损分类情况的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229562A CN108229562A (zh) | 2018-06-29 |
CN108229562B true CN108229562B (zh) | 2020-07-07 |
Family
ID=62642776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810005000.9A Expired - Fee Related CN108229562B (zh) | 2018-01-03 | 2018-01-03 | 一种得到路面具体破损分类情况的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229562B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197157B (zh) * | 2019-05-31 | 2023-03-24 | 武汉理工大学 | 一种基于历史裂纹数据的路面裂纹生长检测方法 |
CN111882664A (zh) * | 2020-07-08 | 2020-11-03 | 武汉武大卓越科技有限责任公司 | 一种多窗口累计差分的裂缝提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339616A (zh) * | 2008-08-12 | 2009-01-07 | 北京中星微电子有限公司 | 道路识别方法及装置 |
CN105320962A (zh) * | 2015-10-21 | 2016-02-10 | 东南大学 | 一种基于分类器集成的路面破损类型识别方法 |
CN105718955A (zh) * | 2016-01-25 | 2016-06-29 | 中国人民解放军军事医学科学院卫生装备研究所 | 一种基于多重编码与特征融合的视觉地形分类方法 |
CN106295505A (zh) * | 2016-07-25 | 2017-01-04 | 江苏中路新材料科技发展有限公司 | 路面使用过程中的状态测定系统 |
CN106920226A (zh) * | 2015-12-25 | 2017-07-04 | 惠州学院 | 一种荔枝机械损伤判别方法 |
-
2018
- 2018-01-03 CN CN201810005000.9A patent/CN108229562B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339616A (zh) * | 2008-08-12 | 2009-01-07 | 北京中星微电子有限公司 | 道路识别方法及装置 |
CN105320962A (zh) * | 2015-10-21 | 2016-02-10 | 东南大学 | 一种基于分类器集成的路面破损类型识别方法 |
CN106920226A (zh) * | 2015-12-25 | 2017-07-04 | 惠州学院 | 一种荔枝机械损伤判别方法 |
CN105718955A (zh) * | 2016-01-25 | 2016-06-29 | 中国人民解放军军事医学科学院卫生装备研究所 | 一种基于多重编码与特征融合的视觉地形分类方法 |
CN106295505A (zh) * | 2016-07-25 | 2017-01-04 | 江苏中路新材料科技发展有限公司 | 路面使用过程中的状态测定系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108229562A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Pavement distress detection using convolutional neural networks with images captured via UAV | |
Cao et al. | Survey on performance of deep learning models for detecting road damages using multiple dashcam image resources | |
Yousaf et al. | Visual analysis of asphalt pavement for detection and localization of potholes | |
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
Siriborvornratanakul | An automatic road distress visual inspection system using an onboard in-car camera | |
CN106683119B (zh) | 基于航拍视频图像的运动车辆检测方法 | |
CN104778721A (zh) | 一种双目图像中显著性目标的距离测量方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
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 | |
CN111882664A (zh) | 一种多窗口累计差分的裂缝提取方法 | |
CN112257711B (zh) | 一种铁路货车地板破损故障检测方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
CN108229562B (zh) | 一种得到路面具体破损分类情况的方法 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN113850749A (zh) | 训练缺陷侦测器的方法 | |
CN114821358A (zh) | 光学遥感图像海上舰船目标提取与识别方法 | |
CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
CN116665126A (zh) | 一种机器人巡检部件缺陷检测方法及其应用 | |
CN109977862A (zh) | 一种车位限位器的识别方法 | |
Tsai et al. | Vehicle detection using normalized color and edge map | |
CN105825215A (zh) | 一种基于局部近邻嵌入核函数的仪表定位方法及其使用载体 | |
Khosravi et al. | Vehicle speed and dimensions estimation using on-road cameras by identifying popular vehicles | |
CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 | |
CN116958837A (zh) | 基于无人机的市政设施故障检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200707 |
|
CF01 | Termination of patent right due to non-payment of annual fee |