CN109800791A - 一种路面裂缝特征值的提取方法 - Google Patents
一种路面裂缝特征值的提取方法 Download PDFInfo
- Publication number
- CN109800791A CN109800791A CN201811590934.XA CN201811590934A CN109800791A CN 109800791 A CN109800791 A CN 109800791A CN 201811590934 A CN201811590934 A CN 201811590934A CN 109800791 A CN109800791 A CN 109800791A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- pavement
- characteristic value
- rectangle
- 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
Abstract
本发明公开了一种路面裂缝特征值的提取方法,属于图像特征值提取领域。该方法包括:A、路面图像采集;B、图像降噪;C、扫描窗口遍历图像计算特征值;逐张对降噪后的裂缝图像进行扫描,扫描窗口按照k种3×3的矩形特征模板对路面图像扫描k遍,每一遍的扫描过程为从图像左上角起始坐标(0,0)开始扫描,并计算出特征值;D、训练分类器;将得到的k类特征值训练分类器,得到用于路面裂缝识别的级联分类器;E、利用步骤D得到的级联分类器检测路面图像中是否包含裂缝。与现有技术相比,本发明的路面裂缝特征值的提取方法能够更好的适应路面裂缝的特点,特征值提取更加准确、高效,具有很好的推广应用价值。
Description
技术领域
本发明涉及图像特征值提取领域,具体地说是一种路面裂缝特征值的提取方法。
背景技术
随着高等级路面历程的增加,路面养护问题越来越得到重视。在路面多种病害中,裂缝类病害一直是影响最广、最常见的一种病害,也是日常公路养护中的主要解决对象。传统的检测方法主要依靠养路工人定期进行裂缝查找识别,主要存在以下不足:一、工作效率低,周期往往达到3-6个月,在一定程度了失去了时效性,无法满足大里程公路的养护目标;二、路面破损检测受到检测技术自动化程度不足、检测人员主观判断程度高等因素的作用,精准度和稳定性受到影响。
伴随着机器视觉技术的发展,通过机器视觉技术进行路面裂缝识别成为路面养护技术中的主流。但是,现有提取方法难以真正适应路面裂缝的自身特点,精准度时常受到影响。
发明内容
本发明的技术任务是针对上述现有技术的不足,提供一种可应用于各等级路面横向和纵向裂缝检测的路面裂缝特征值的提取方法。
本发明的技术任务是按以下方式实现的:一种路面裂缝特征值的提取方法,包括:
A、路面图像采集
B、图像降噪
C、扫描窗口遍历图像计算特征值
逐张对降噪后的裂缝图像进行扫描,扫描窗口按照k种3×3的矩形特征模板对路面图像扫描k遍,k为矩形特征模板个数,
每一遍的扫描过程为从图像左上角起始坐标(0,0)开始扫描,并以矩形特征模板黑色矩形覆盖的灰度值之和以及白色矩形覆盖的像素灰度值之和计算出特征值,保存至数表中,完成特征值计算保存后,矩形特征模板延x轴或y轴移动,逐行重复上述扫描及特征值计算步骤,至完成整个图像的扫描及特征值计算;
D、训练分类器
将得到的k种特征值训练分类器,得到用于路面裂缝识别的级联分类器;
E、利用步骤D得到的级联分类器检测路面图像中是否包含裂缝。
为了方便路面裂缝的后续处理,步骤E检测出路面图像中包含裂缝后,还可以输出裂缝信息,所述裂缝信息包括位置、长度、宽度等。
作为优选,步骤A通过车载高速面阵CCD相机进行公路路面图像采集,相机采集模式为灰度图采集,采集到的图像(灰度图)按照无病害、横向纵向裂缝划分为两类,为后续处理做数据准备。
考虑到路面图像采集过程中,受环境、车辆、地质因素影响带来的图像噪音问题,步骤B中可采用中值滤波算法对采集到的路面灰度图进行降噪处理,以达到降低噪音,突出路面裂缝纹理特征的目的。
作为优选,步骤C中矩形特征模板由9个相等的黑色或白色矩形以3×3形式组合而成,其中,黑色矩形的个数为3个,黑色矩形的分布根据路面裂缝纹理走向特点提取出,k种矩形特征模板组合后,黑色矩形部分覆盖或者接近路面图像中的裂缝,白色部分尽量不覆盖裂缝。
步骤C中k的取值优选为6、7、8、9等自然数。
k=6时,以a1、a2、a3表示矩形特征模板的列数,以b1、b2、b3表示矩形特征模板的行数,
矩形特征模板k1中,a1b1、a2b2、a3b3为黑色矩形,其余为白色矩形;
矩形特征模板k2中,a1b3、a2b2、a3b1为黑色矩形,其余为白色矩形;
矩形特征模板k3中,a1b1、a2b1、a3b2为黑色矩形,其余为白色矩形;
矩形特征模板k4中,a1b2、a2b1、a3b1为黑色矩形,其余为白色矩形;
矩形特征模板k5中,a1b1、a2b2、a3b1为黑色矩形,其余为白色矩形;
矩形特征模板k6中,a1b1、a2b2、a2b3为黑色矩形,其余为白色矩形。
k=8时,以a1、a2、a3表示矩形特征模板的列数,以b1、b2、b3表示矩形特征模板的行数,
矩形特征模板k1中,a1b1、a2b2、a3b3为黑色矩形,其余为白色矩形;
矩形特征模板k2中,a1b3、a2b2、a3b1为黑色矩形,其余为白色矩形;
矩形特征模板k3中,a1b1、a2b1、a3b2为黑色矩形,其余为白色矩形;
矩形特征模板k4中,a1b2、a2b1、a3b1为黑色矩形,其余为白色矩形;
矩形特征模板k5中,a1b1、a2b2、a3b1为黑色矩形,其余为白色矩形;
矩形特征模板k6中,a2b2、a3b1、a3b3为黑色矩形,其余为白色矩形;
矩形特征模板k7中,a1b1、a2b2、a2b3为黑色矩形,其余为白色矩形;
矩形特征模板k8中,a2b1、a2b2、a3b3为黑色矩形,其余为白色矩形。
为了尽一步提高图像处理速度,减少特征值数量,步骤C中,矩形特征模板延x轴或y轴移动的步长优选为d=3。
扫描过程中矩形特征值模板左上角坐标为(xn,ym),为了便于确定矩形特征模板的坐标位置,其计算公式优选采用:
d=移动步长;
n=0,1,2,3,…,a/3;a=图像宽度;
m=0,1,2,3,…,b/3;b=图像高度。
步骤C中,特征值的计算优选为:
其中ln为自然对数。
作为优选,步骤D中将k类特征值按照Adaboost算法训练分类器。
在路面横向和纵向裂缝中,其总体特点大致按照一定方向发展,在局部细节上则是一种按随机方向进行。针对上述裂缝的局部纹理特点,本发明设计了一类新的矩形特征和特征值计算方法,可实现各种等级路面横纵裂缝的准确检测。与现有技术相比,本发明的路面裂缝特征值的提取方法具有以下突出的有益效果:
(一)能够更好的适应路面裂缝的特点,解决了人工检测周期长、精确度和稳定度不高的问题,能够为养护决策提供高效、精准的养护决策数据。
(二)运用车载动态成像技术和数字图像处理技术,实现高速公路沥青路面裂缝类病害的自动检测与精准快速处理,能够满足大里程公路的养护目标。
附图说明
附图1是本发明路面裂缝特征值提取方法的流程图;
附图2是本发明矩形特征模板示意图;
附图3是本发明特征值计算过程示意图;
附图4是本发明路面裂缝特征值提取方法识别效果图。
具体实施方式
参照说明书附图以具体实施例对本发明的路面裂缝特征值的提取方法作以下详细地说明。
【实施例】
如附图1所示,本发明的路面裂缝特征值的提取方法的具体实施步骤为:
1、通过车载高速面阵CCD相机进行公路路面图像采集,相机采集模式设定为灰度图采集,得到路面图像(灰度图)。将采集到的路面图像按照无病害、横向纵向裂缝分为两类,为后续处理做数据准备。
2、考虑到路面图像采集过程中,受环境、车辆、地质因素影响带来的图像噪音问题,采用中值滤波算法对采集到的路面灰度图进行预处理,已达到降低噪音,突出路面裂缝纹理特征的目的。
3、逐张对降噪后的路面图像进行扫描,扫描窗口按照附图2所示8种3×3的矩形特征模板对路面图像扫描8遍。
如附图3所示,每一遍的扫描过程为从图像左上角起始坐标(0,0)开始扫描,按照公式1计算出特征值,并将得到的特征值保存在数表中。完成特征值计算保存后,矩形特征模板向x轴正方向移动,移动步长为3,重复上述步骤,至完成一行扫描。
完成一行扫描后,在y轴正方向按照步长3移动一次,重复上述扫描及特征值计算步骤,至完成整个图象的扫描及特征值计算。扫描过程中矩形特征值模板左上角坐标为(xn,yn),xn和ym均为公差为三的等差数列,用于确定矩形特征模板的坐标位置,见公式2。
其中,ln为自然对数;
d=3;
n=0,1,2,3,…,a/3;a=图像宽度;
m=0,1,2,3,…,b/3;b=图像高度。
4、将得到的八类特征值按照Adaboost算法训练分类器,最后得到用于路面裂缝识别的级联分类器。
以分辨率为1800pix×1800pix的路面图像计,使用一种矩形特征扫描一遍图像后得到360000个特征值,使用8种矩形特征扫描路面图像后得到8×360000=2880000个特征值,所述2880000个特征值用于该步骤分类器训练。
5、将利用路面裂缝样本图像训练得到的级联分裂期用于检测路面图像中是否包含裂缝,并输出裂缝的位置、长度、宽度等信息,识别结果对照如图4所示。
综上所述,上述实施方式仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,进行的无创新性修改和替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种路面裂缝特征值的提取方法,其特征在于包括:
A、路面图像采集
B、图像降噪
C、扫描窗口遍历图像计算特征值
逐张对降噪后的裂缝图像进行扫描,扫描窗口按照k种3×3的矩形特征模板对路面图像扫描k遍,k为矩形特征模板个数,
每一遍的扫描过程为从图像左上角起始坐标(0,0)开始扫描,并以矩形特征模板黑色矩形覆盖的灰度值之和以及白色矩形覆盖的像素灰度值之和计算出特征值,保存至数表中,完成特征值计算保存后,矩形特征模板延x轴或y轴移动,逐行重复上述扫描及特征值计算步骤,至完成整个图像的扫描及特征值计算,
D、训练分类器
将得到的k种特征值训练分类器,得到用于路面裂缝识别的级联分类器;
E、利用步骤D得到的级联分类器检测路面图像中是否包含裂缝。
2.根据权利要求1所述的路面裂缝特征值的提取方法,其特征在于:步骤E检测出路面图像中包含裂缝后,输出裂缝信息,
所述裂缝信息包括位置、长度、宽度。
3.根据权利要求1或2所述的路面裂缝特征值的提取方法,其特征在于步骤A通过车载高速面阵CCD相机进行公路路面图像采集,相机采集模式为灰度图采集,采集到的图像按照无病害、横向纵向裂缝划分为两类。
4.根据权利要求1或2所述的路面裂缝特征值的提取方法,其特征在于步骤B中采用中值滤波算法对采集到的路面灰度图进行降噪处理。
5.根据权利要求1或2所述的路面裂缝特征值的提取方法,其特征在于:步骤C中矩形特征模板由9个相等的黑色或白色矩形以3×3形式组合而成,其中,黑色矩形的个数为3个,
黑色矩形的分布根据路面裂缝纹理走向特点提取出,k种矩形特征模板组合后,黑色矩形部分覆盖或者接近路面图像中的裂缝,白色部分尽量不覆盖裂缝。
6.根据权利要求5所述的路面裂缝特征值的提取方法,其特征在于:k=8,以a1、a2、a3表示矩形特征模板的列数,以b1、b2、b3表示矩形特征模板的行数,
矩形特征模板k1中,a1b1、a2b2、a3b3为黑色矩形,其余为白色矩形;
矩形特征模板k2中,a1b3、a2b2、a3b1为黑色矩形,其余为白色矩形;
矩形特征模板k3中,a1b1、a2b1、a3b2为黑色矩形,其余为白色矩形;
矩形特征模板k4中,a1b2、a2b1、a3b1为黑色矩形,其余为白色矩形;
矩形特征模板k5中,a1b1、a2b2、a3b1为黑色矩形,其余为白色矩形;
矩形特征模板k6中,a2b2、a3b1、a3b3为黑色矩形,其余为白色矩形;
矩形特征模板k7中,a1b1、a2b2、a2b3为黑色矩形,其余为白色矩形;
矩形特征模板k8中,a2b1、a2b2、a3b3为黑色矩形,其余为白色矩形。
7.根据权利要求1或2所述的路面裂缝特征值的提取方法,其特征在于:步骤C中,矩形特征模板延x轴或y轴移动的步长d=3。
8.根据权利要求1或2所述的路面裂缝特征值的提取方法,其特征在于:
扫描过程中矩形特征值模板左上角坐标为(xn,ym),其计算公式为:
d=移动步长;
n=0,1,2,3,…,a/3;a=图像宽度;
m=0,1,2,3,…,b/3;b=图像高度。
9.根据权利要求1或2所述的路面裂缝特征值的提取方法,其特征在于:其中ln为自然对数。
10.根据权利要求1或2所述的路面裂缝特征值的提取方法,其特征在于:步骤D中,将k类特征值按照Adaboost算法训练分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811590934.XA CN109800791A (zh) | 2018-12-25 | 2018-12-25 | 一种路面裂缝特征值的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811590934.XA CN109800791A (zh) | 2018-12-25 | 2018-12-25 | 一种路面裂缝特征值的提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109800791A true CN109800791A (zh) | 2019-05-24 |
Family
ID=66557487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811590934.XA Pending CN109800791A (zh) | 2018-12-25 | 2018-12-25 | 一种路面裂缝特征值的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800791A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810491A (zh) * | 2014-02-19 | 2014-05-21 | 北京工业大学 | 融合深度和灰度图像特征点的头姿估计兴趣点检测方法 |
CN105395210A (zh) * | 2015-12-22 | 2016-03-16 | 管迪 | 一种ct扫描成像方法 |
US20170343481A1 (en) * | 2016-05-27 | 2017-11-30 | Purdue Research Foundation | Methods and systems for crack detection |
CN108520278A (zh) * | 2018-04-10 | 2018-09-11 | 陕西师范大学 | 一种基于随机森林的路面裂缝检测方法及其评价方法 |
CN109029381A (zh) * | 2018-10-19 | 2018-12-18 | 石家庄铁道大学 | 一种隧道裂缝的检测方法、系统及终端设备 |
-
2018
- 2018-12-25 CN CN201811590934.XA patent/CN109800791A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810491A (zh) * | 2014-02-19 | 2014-05-21 | 北京工业大学 | 融合深度和灰度图像特征点的头姿估计兴趣点检测方法 |
CN105395210A (zh) * | 2015-12-22 | 2016-03-16 | 管迪 | 一种ct扫描成像方法 |
US20170343481A1 (en) * | 2016-05-27 | 2017-11-30 | Purdue Research Foundation | Methods and systems for crack detection |
CN108520278A (zh) * | 2018-04-10 | 2018-09-11 | 陕西师范大学 | 一种基于随机森林的路面裂缝检测方法及其评价方法 |
CN109029381A (zh) * | 2018-10-19 | 2018-12-18 | 石家庄铁道大学 | 一种隧道裂缝的检测方法、系统及终端设备 |
Non-Patent Citations (2)
Title |
---|
TOBIAS KLINDER等: ""Lobar Fissure Detection Using Line Enhancing Filters"", 《PROCEEDINGS OF SPIE-THE INTERNATIONAL SOCIETY OF OPITICAL ENGINEERING》 * |
樊瑶: ""基于图像处理的路面裂缝检测关键技术研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
Zhang et al. | Automatic pavement defect detection using 3D laser profiling technology | |
CN109804232B (zh) | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 | |
CN107633516B (zh) | 一种识别路面变形类病害的方法和装置 | |
WO2019134252A1 (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN111855664B (zh) | 一种可调节隧道病害三维检测系统 | |
CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
Ouyang et al. | Pavement cracking measurements using 3D laser-scan images | |
CN108960198A (zh) | 一种基于残差ssd模型的交通标志检测与识别方法 | |
CN108596165B (zh) | 基于无人机低空航拍图像的道路交通标线检测方法及系统 | |
CN108197583A (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
CN107463918A (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
CN107256636A (zh) | 一种融合激光扫描与视频技术的交通流获取方法 | |
CN103940708B (zh) | 一种钢材全形态晶粒的快速测量、精细分类方法 | |
CN104778684B (zh) | 钢材表面异质型缺陷的自动测量、表征分类方法及其系统 | |
CN104880389A (zh) | 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统 | |
CN110390256B (zh) | 一种沥青路面裂缝提取方法 | |
CN104361582A (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN107156902A (zh) | 一种烟支外观质量在线检测装置 | |
CN104318564A (zh) | 一种矿物颗粒分相的方法 | |
CN105069395A (zh) | 基于地面三维激光扫描技术的道路标线自动识别方法 | |
CN112964712A (zh) | 一种快速检测沥青路面状态的方法 | |
CN110136196A (zh) | 一种桥梁裂缝宽度自动测量方法 | |
Gui et al. | Object-based crack detection and attribute extraction from laser-scanning 3D profile data | |
Yao et al. | Automated detection of 3D individual trees along urban road corridors by mobile laser scanning systems |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |