CN111539356A - 一种基于线阵图像的路面缝隙精准高效检测方法 - Google Patents
一种基于线阵图像的路面缝隙精准高效检测方法 Download PDFInfo
- Publication number
- CN111539356A CN111539356A CN202010345987.6A CN202010345987A CN111539356A CN 111539356 A CN111539356 A CN 111539356A CN 202010345987 A CN202010345987 A CN 202010345987A CN 111539356 A CN111539356 A CN 111539356A
- Authority
- CN
- China
- Prior art keywords
- image
- gap
- tensor
- voting
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 107
- 238000003066 decision tree Methods 0.000 claims abstract description 47
- 230000010354 integration Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000003384 imaging method Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 22
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 230000004931 aggregating effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000006116 polymerization reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000379 polymerizing effect Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 claims description 3
- 238000005549 size reduction Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 26
- 230000007547 defect Effects 0.000 abstract description 7
- 238000005070 sampling Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000012466 permeate Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/476—Contour-based spatial representations, e.g. vector-coding using statistical shape modelling, e.g. point distribution models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的一种基于线阵图像的路面缝隙精准高效检测方法,采用线阵图像传感器阵列对路面图像采集,采样密集、成像分辨率高、不仅可提高整张图像的亮度区域大小,而且能够辨别出低曝光下图像的局部与细节特征,弥补有阴影或汽车轮胎痕迹等干扰因素遮盖的不足;检测出的路面缝隙特征更加突出,效果更显著真实,结果更加精准。创造性的将基于提升算法的决策树集成方法和张量投票优化算法结合,在对缝隙图像块进行分类处理后,利用张量投票算法对结果进行改进,提高了最终路面缝隙检测结果的准确性,同时本发明的方法原理清晰易懂,计算量相对较小,运行速度快,达到了较大幅度提高路面缝隙检测方法的准确度和速度的效果。
Description
技术领域
本发明涉及一种路面缝隙精准高效检测方法,特别涉及一种基于线阵图像的路面缝隙精准高效检测方法,属于路面缝隙检测技术领域。
背景技术
近年来,道路交通建设和人们的生产生活紧密相连,人们强烈意识到道路交通的重要性。随着公路总里程的持续增长,国家道路网的全面完善,随之而来的是公路养护任务越来越重。道路交通建设不能只注重公路开发建设,同时要更加注意后期公路养护工作,这样才能够提高公路的使用期限,也会使得人们出行质量更高。
由于气象条件、地理因素、路面车辆行驶等原因,路面质量不断下降,会导致路面形成孔、洞、缝隙等缺陷。作为路面缺陷中最常见的类型,缝隙是由于公路超载、路面老化、地理因素、天气环境影响及道路结构设计不当造成的。渐进式的缝隙会使路面状况越来越糟,由于水、泥沙和其它一些外来物质进一步渗入基底,从而加速路面恶化,对车辆的安全行驶造成巨大的威胁,尽早检测和量化缝隙对路面养护工作极端重要。
现有技术中,早期的道路交通维护大多采取人工检测方式,这种方式仅能获取一些直观的路面缝隙情况,耗时耗力,检测过程中不仅影响道路交通的正常运行,而且人工主观判断缝隙信息的准确度低,存在非常严重的缺陷。同时,人工检测需耗费大量的人力,检测人员的安全无法得到保障。当今科学技术的发展日新月异,现有技术出现了一些路面缝隙自动化检测系统,先通过路面成像系统获得所需的路面缝隙图像,再运用数字图像处理的相关技术对缝隙图像进行判别提取,从而完成道路养护的工作需求。但鉴于路面背景的纹理复杂,光照、车辆、树木、建筑物的阴影等环境因素的干扰,对采集的各种不同情况下的路面缝隙图像并没有统一完善的处理办法,利用路面缝隙检测方法获取到的缝隙图像的效果不好,仍然存在很多未解决的难题,比如路面缝隙断层、缝隙区域判别错误、缝隙判别结果图不清晰不准确等。
现有技术的路面缝隙检测系统各有其优缺点,线阵图像传感器扫描采样密集、成像分辨率高、速度快、简便且容易实现,但受外界环境和光照的影响大,在有路面阴影或车轮胎痕迹等干扰因素时,可通过调节曝光时间实现互补,具备一定的灵活性。
激光雷达技术具有分辨率高、速度快、操作简单等优点,但是其相关仪器设备成本极高,而且对使用环境也有很多要求,比如不能在阳光或雨中使用,另外激光雷达探测方法不能得到路面缝隙的真实纹理。
结构光三维扫描是一种非接触测量技术,抗干扰能力强,具有高度的稳定性和较高的缝隙判别率。但因要对地面建立三维模型,当地面背景复杂时难以获取精确路面缝隙图像。由于渐进式缝隙会允许水、泥沙和其它一些外来物质渗入基底,当路面不存在高度差时,结构光扫描方法不能检测出缝隙区域。此外,系统工作时激光器对人体有害,并且寿命有限,成本较高。
与激光雷达和结构光扫描法相比,立体视觉检测法虽然可得到路面的真实纹理信息,但检测实时性差,标定和重建算法复杂,目前得不到广泛的推广应用。
现阶段主流路面缝隙检测都是通过面阵或线阵图像传感器采集路面缝隙图像,运用数字图像分析技术对缝隙图像进行辨别提取。现有技术中,阈值分割法计算简便、原理简单,属于基本图像分割算法,但方法具鲁棒性较差,所需的时间比较久,精确度不高。
最近人工智能技术发展迅猛,应用范围不断扩大,随着人工智能技术手段的逐渐完善,研究人员将其运用到路面缝隙的检测和判别中去,提高了路面图像数据采集的安全性与有效性。提出了基于集成神经网络的路面缝隙成像系统来对路面裂纹的类型进行分类,系统主要包括三个神经网络,分别为基于图像、基于直方图和基于邻近性的神经网络。这三个神经网络建立了基于缝隙图像块的分类方法,但这种方法过于复杂,计算量很大,且分类的效果不稳定。
综合来看,针对现有技术存在的一些缺陷,本发明拟解决以下问题:一是现有技术路面图像采集方法中,激光雷达技术其相关仪器设备成本极高,而且对使用环境也有很多要求,不能得到路面缝隙的真实纹理,结构光三维扫描因要对地面建立三维模型,当地面背景复杂时难以获取精确路面缝隙图像,由于渐进式缝隙会允许水、泥沙和其它一些外来物质渗入基底,当路面不存在高度差时,结构光扫描方法不能检测出缝隙区域,此外系统工作时激光器对人体有害,并且寿命有限,成本较高;二是现有技术出现了一些路面缝隙自动化检测系统,但鉴于路面背景的纹理复杂,光照、车辆、树木、建筑物的阴影等环境因素的干扰,对采集的各种不同情况下的路面缝隙图像并没有统一完善的处理办法,利用路面缝隙检测方法获取到的缝隙图像的效果不好,仍然存在很多未解决的难题,比如路面缝隙断层、缝隙区域判别错误、缝隙判别结果图不清晰等;三是现有技术的一些方法,检测出的路面缝隙特征不够突出,效果不够显著真实,结果不精准;四是现有技术的一些方法鲁棒性较差,所需的时间比较久,计算量大、运算速度很慢;五是现有技术无法适应不同路面的情况,对不同道路情况监测的差异性很大,无法得到较为显著的缝隙区域,无法达到均衡稳定提高路面缝隙检测方法的准确度和速度的效果。
发明内容
针对现有技术的不足,本发明提供的一种基于线阵图像的路面缝隙精准高效检测方法,采用线阵图像传感器阵列对路面图像采集,采样密集、成像分辨率高、不仅可提高整张图像的亮度区域大小,而且能够辨别出低曝光下图像的局部与细节特征,弥补有阴影或汽车轮胎痕迹等干扰因素遮盖的不足;检测出的路面缝隙特征更加突出,效果更显著真实,结果更加精准。创造性的将基于提升算法的决策树集成方法和张量投票优化算法结合,在对缝隙图像块进行分类处理后,利用张量投票算法对结果进行改进,提高了最终路面缝隙检测结果的准确性,同时本发明的方法原理清晰易懂,计算量相对较小,运行速度快,达到了较大幅度提高路面缝隙检测方法的准确度和速度的效果。
为达到以上技术效果,本发明所采用的技术方案如下:
一种基于线阵图像的路面缝隙精准高效检测方法,采取线阵图像传感器阵列采集路面图像,使用多台线阵图像传感器分别采用不同的曝光时间对同一场景同一时刻拍摄多张图像的方法;先将m台线阵图像传感器设置不同的曝光时间,获取同一位置处不同曝光时间下的路面图像,分别对m张线阵图像进行检测,对每张线阵图像分类、判别缝隙区域,最后将各张线阵图像的缝隙检测结果聚合成缝隙判别最终结果;
通过线阵图像传感器阵列路面成像系统采集到m张不同曝光时间下的路面缝隙图像,对每张图像都进行相同的数据分析处理,路面缝隙图像的数据分析主要包括路面缝隙图像的金字塔分层聚合、缝隙图像块的特征提取、缝隙图像块的决策树集成分类、基于张量投票法的缝隙图像块优化,最后,将金字塔的各图层结果聚合得到整张图像的缝隙提取结果,再将线阵图像传感器阵列拍摄得到的m张图像的检测结果聚合得到最终的缝隙检测结果;
路面缝隙图像的金字塔分层聚合包括拉普拉斯金字塔分解转换和拉普拉斯金字塔图层聚合,本发明采用拉普拉斯图像金字塔分层法对所采集到的初始图像进行分层处理,并对每层图像进行分块和特征提取、分类、优化处理,将正确提取缝隙之后的结果进行图像聚合,最终获取已判别路面缝隙区域的图像。
一种基于线阵图像的路面缝隙精准高效检测方法,进一步的,拉普拉斯金字塔分解转换中,对初始图像分层的过程是自下而上的低通滤波和减小尺寸的过程,即金字塔的上层图像由下层图像经过低通滤波器滤波和下采样的过程得到,具体步骤为:
第一步,假设源图像A0为第0层,对源图像经过低通滤波器滤波,并做下采样处理后得到的图像为第1层,第1层图像尺寸为第0层的1/4,循环该处理过程,上层图像都为下层图像经下采样和低通滤波两步处理后得到,直到上层图像只剩下一个像素点时结束,这样就初步获得了初始图像的高斯金字塔分层图像,具体的原理如下式所示:
(1≤l≤M,0≤i<El,0≤j<Dl)
式中A1(i,j)为第1层的图像,M为将要划分的总图像层数,D1和E1为该层图像的宽度值和长度值,C(a,b)为低通滤波的传递函数,C(a,b)必须具有以下重要特征:
a.可分离特征:
C(a,b)=C(a)C(b)a∈[-2,2],b∈[-2,2]
b.归一化特性:
c.奇偶相等贡献特性:
C(2)+C(0)+C(-2)=C(1)+C(-1)
根据以上三个重要特性,可得到下式:
C(2)=C(-2)=1/16,C(1)=C(-1)=1/4,C(0)=3/8
于是代入以上格式,通过计算能够获取传递函数C(a,b)为:
第二步,通过内插值的方式增大已得到的高斯金字塔中第l图层的图像尺寸,使其增大为原尺寸的4倍,得到新的图像B1,内插值函数为Expand(),表示为下式:
B1=Expand(A1)
(0≤1≤M,0≤i<El,0≤j<Dl)
令
至此得到拉普拉斯金字塔的图像分层,其中M为拉普拉斯金字塔的总图像层数,LP1为第l层图像。
一种基于线阵图像的路面缝隙精准高效检测方法,进一步的,拉普拉斯金字塔图层聚合中,利用本发明中已训练完毕的M棵决策树,实现对每个路面图像块的初步分类,每个图层中每个路面图像块可得到M个预测结果,假设其中有F个结果表示为缝隙区域,图像块为缝隙区域的可信度表示为:
根据上述原理,得到三个图层中每个路面图像块的可信度:
上式中,k代表每一图层中路面图像块的个数,根据拉普拉斯分层金字塔图像,上层图像的尺寸为下层图像的1/4,假设最顶层图像中某个图像块I3j的可信度为H3j,对与该图像块相对应的下层图像中的四个子图像块的可信度H2j=(j=j,j+1,j+2,j+3)重新计算,令:
H12j=H2j+H3j,j=j,j+1,j+2,j+3
H12j代表子图像块重新计算后的可信度,同理,重新计算并得到最下层图像中每个路面图像块的可信度H11j,对所有图像块进行归一化处理,得到H21j,上述过程为各图层聚合的过程,根据上层图像中每一个路面图像块的可信度,逐步获取至最底层图像中每个路面图像块的可信度,得到聚合后的路面缝隙图像。
一种基于线阵图像的路面缝隙精准高效检测方法,进一步的,路面缝隙图像块的特征提取中,灰度共生矩阵获取纹理特性的具体步骤如下:
第1步,在初始图像中选择合适大小的窗口,计算窗口大小内像元的灰度共生矩阵,对纹理特征量化处理,得到该窗口下像元的纹理特性统计值;
第2步,固定此窗口的大小,使其遍历整张图像,获取初始图像中所有像元的纹理特性统计值;
第3步,基于上述第2步的结果,生成纹理图像;
本发明用于纹理分析的灰度共生矩阵特征统计量包括:对比度、角二阶矩、相关性、同质性、非相似性、熵。
一种基于线阵图像的路面缝隙精准高效检测方法,进一步的,路面缝隙图像块的特征提取中,利用灰度共生矩阵对缝隙图像的纹理特性进行了描述,另外本发明设置一些特征值对缝隙区域特征补充说明;
将采集到的路面缝隙图像划分为16×16互不重叠的网格块,以每个网格块为基本单元,依次从水平方向、垂直方向、45度方向、135度方向定义特征值;
在整张图像中,以灰度值较低的图像块为中心,分别从水平、垂直、45度、135度四个方向选择与中心图像块邻近的八个图像块,计算出所选八个图像块与中心图像块的灰度均值之比,即为所需的特征值。
一种基于线阵图像的路面缝隙精准高效检测方法,进一步的,缝隙图像块的决策树集成分类采用基于提升算法的决策树集成方法,针对分类器对多类型样本数据分类的正确率问题,通过将单一分类器转换为一组弱分类器的方式,提高多样本数据的分类精度;具体方法为:将每一个样本数据都设定一个权重1/m,其中m为样本数据的样本个数,在每次分类过程中,若某训练样本的分类结果正确,在下一次训练样本的选择时,其权重降低,若某训练样本的分类结果错误,在下一次训练样本的选择时,其权重增加,不断对所有的弱分类器进行重复训练,直至其对样本数据的分类错误率降低到某提前设定的阈值以下。
一种基于线阵图像的路面缝隙精准高效检测方法,进一步的,基于提升算法的决策树集成方法的具体流程如下:
步骤一,随机抽取某训练样本集合T,训练样本集合T的样本个数为M,各样本权重初始值为1/M;
步骤二,每次迭代训练前,根据上一次分类结果,对各个样本的权重重新分配,如果该样本在上一次迭代时被正确分类,则降低其权重,如果该样本在上一次迭代时被错误分类,则增加其权重。权重越高,被选入训练样本集的概率越大;
步骤三,第n+1次迭代时,根据第n次迭代的分类结果及各样本重分配后的权重选择第n+1次迭代训练的样本集Tn,训练第n个分类器Rn;
步骤四,利用Rn对样本集Tn中的样本进行分类训练,对能正确分类的样本降低其权重,对剩余样本继续增加权重;
步骤五,若迭代次数n+2大于等于预先设定的最大迭代次数nmax,则停止迭代,若小于最大的迭代次数,那么转到步骤三;
步骤六,将所有弱分类器的最终结果进行加权,获得最终的集成决策树。
一种基于线阵图像的路面缝隙精准高效检测方法,进一步的,本发明张量投票过程包括三个步骤,分别为球型投票、线型投票和结构化信息获取;
张量的球型投票过程:初始输入数据为若干孤立的点,没有任何方向信息,每一个初始数据都已被表示为张量,这些输入点在各自的邻近区域与含有初始数据的相邻数据点进行张量信息的传送,并及时变更自身的显著性和倾向性信息,计算每个数据点获取的张量票数,继而生成新的张量结构图,在这一张量结构图中,每个初始数据点预测了自身初步的方向,用于线型投票过程;
张量的线型投票过程:经过球型投票后,每个数据点都已有自身的大致方向,对自身投票域内的所有数据点进行投票,每个数据点再次更新自身包含的信息,每个点的最终投票结果就是各自接收到的全部投票结果的线性叠加,该过程最终形成包含所有数据点的显著性结构的稠密张量特征图;
结构化信息获取过程:将得到的稠密张量特征图分解成各种显著性结构特征的各自表示形式,进一步描绘出最终的突显度图,将各种结构特征信息以寻求局部极值的途径从突显度图中获取,得到最终所需要的各种结构化信息。
一种基于线阵图像的路面缝隙精准高效检测方法,进一步的,张量投票算法从含有噪声和损坏的图像数据中获取几何结构元素的显著性信息,利用张量投票算法推断遗失的曲线结构、判断孤立的低灰度区域,经过优化处理之后得到一个较为明显的路面缝隙区域;
将经过决策树集成分类方法判定的包含缝隙区域的图像块作为张量投票算法的初始数据点,以球型张量的形式表示,然后进行张量投票,根据张量投票算法步骤,优化之后用于决策树分类结果上,将遗失的曲线结构连接起来,同时抛除孤立的低灰度区域;图像块的张量投票优化处理的详细过程如下:
步骤1,对每个输入的初始数据点进行张量编码,以球型张量的形式表示;
步骤2,设定投票范围g的大小,给每个初始数据设置一定范围空间的球型张量投票域;
步骤3,每一个初始球型张量都在它的投票域内进行信息间的交互,将所得的投票结果线性叠加得到球型投票的结果,此时每个数据点的倾向性和显著性信息已经更新,初始球型张量具有了自身的初步方向信息,转变成棒型张量,除去投票域内不是初始数据点的其余像素点,仅保留球型投票后的初始数据点及其张量信息;
步骤4,对球型投票结果进行张量分解,用特征值和特征向量乘积的形式表示;
步骤5,找出步骤4中特征值满足r1-r2>r2的投票结果,说明这些数据点为棒型张量的可能性明显大于球型张量,其方向用较大特征值相应的特征向量f1表示;
步骤6,给上述棒型张量数据点设定一个投票范围,棒型张量在各自的投票域内对所有位置的点进行线型投票操作,将获取的张量票线性叠加得到线型投票结果;
步骤7,找出密集投票结果中特征值满足r1-r2>y的数据点,y为阈值,满足该阈值条件则代表这些数据点的线状显著度较高,除去不满足阈值条件的数据点,仅保留线状显著度高的数据点。利用非极大值抑制算法寻求以上数据点的局部极值,得到最终所需要的路面缝隙信息。
与现有技术相比,本发明的优点和创新点在于:
一是本发明提供的一种基于线阵图像的路面缝隙精准高效检测方法,采用线阵图像传感器阵列对路面图像采集,具有以下优势:采样密集、成像分辨率高、速度快、简便且容易实现,通过调节线阵相机的曝光时间,不仅可提高整张图像的亮度区域大小,而且能够辨别出低曝光下图像的局部与细节特征,弥补有阴影或者是汽车轮胎痕迹等干扰因素遮盖导致的不足;
二是本发明提供的一种基于线阵图像的路面缝隙精准高效检测方法,构造出整张路面缝隙图像的三层图像金字塔,分别对三个图层进行图像处理,最后将三个图层的图像聚合得到整张图像最终的路面缝隙提取结果,这样检测出的路面缝隙特征更加突出,效果更显著真实,结果更加精准。
三是本发明提供的一种基于线阵图像的路面缝隙精准高效检测方法,将整张路面缝隙图像划分成16×16互不重叠的图像块,使用灰度共生矩阵的特征统计量提取各个缝隙图像块的纹理特征,代表图像像素密度的改变程度,对缝隙图像块的分类和缝隙的提取有重要作用。同时根据缝隙图像块裂纹区域自身的灰度特点及缝隙图像块与周围邻域图像块的灰度关系,在整张图像中提取所需的自定义特征,能取得更加显著的分类效果。
四是本发明提供的一种基于线阵图像的路面缝隙精准高效检测方法,经过图像分块和特征提取后,需要对缝隙图像块分类处理。通过给不同的训练样本设定不同的权值大小,生成学习器的泛化能力增强,因此采用决策树集成对图像块分类。具体工作包括以下两个步骤:一是以已知有缝隙区域的图像块和无缝隙区域的图像块为训练样本集,采用提升算法训练出多个决策树,然后对未知图像块进行分类时,通过将每个决策树的预测结果集成,得到未知图像块的分类结果;本发明决策树分类方法计算量小、运算速度快,同时利用提升算法生成多个学习器进行分类,得到的分类效果更好。
五是本发明提供的一种基于线阵图像的路面缝隙精准高效检测方法,经过基于提升算法的决策树集成方法对缝隙路面图像块进行分类后,得到的分类结果并不是理想的缝隙图像信息,会漏掉一些缝隙信息或将孤立的低灰度区域误判为缝隙区域,决策树集成分类方法无法精确分类图像区域和缝隙区域。本发明张量投票算法能够从含有噪声和损坏的图像数据中高效获取点、曲线、曲面、区域等多种结构,运用张量投票算法来推断遗失的曲线结构和判断孤立的低灰度区域,经过优化处理后可得到较为显著的缝隙区域。
六是本发明在于在对路面缝隙图像块进行数据处理的过程中,创造性的将基于提升算法的决策树集成方法和张量投票优化算法结合,在对缝隙图像块进行分类处理后,利用张量投票算法对结果进行改进,提高了最终路面缝隙检测结果的准确性,同时本发明的方法原理清晰易懂,计算量相对较小,运行速度快,达到了较大幅度提高路面缝隙检测方法的准确度和速度的效果。
附图说明
图1是本发明路面缝隙精准高效检测方法的总体流程示意图。。
图2是本发明图像金字塔的分层情况示意图。
图3是本发明水平方向的特征值定义示意图。
图4是本发明垂直方向的特征值定义示意图
图5是本发明45度方向的特征值定义示意图。
图6是本发明135度方向的特征值定义示意图。
图7是本发明各方向的自定义特征值示意图。
具体实施方式
下面结合附图,对本发明提供的一种基于线阵图像的路面缝隙精准高效检测方法的技术方案进行进一步的描述,使本领域的技术人员可以更好的理解本发明并能予以实施。
本发明提供的一种基于线阵图像的路面缝隙精准高效检测方法,采取线阵图像传感器阵列采集路面图像,使用多台线阵图像传感器分别采用不同的曝光时间对同一场景同一时刻拍摄多张图像。线阵图像传感器阵列路面成像系统中每台相机的分辨率为2048×2048像素。
先将m台线阵图像传感器设置不同的曝光时间,获取同一位置处不同曝光时间下的路面图像,由于先进行图像聚合再检测缝隙的方法过度复杂,所以本发明采用分别对m张线阵图像进行检测,对每张线阵图像分类、判别缝隙区域,最后将各张线阵图像的缝隙检测结果聚合成缝隙判别最终结果的方法。图1为本发明路面缝隙精准高效检测方法的总体流程示意图。
通过线阵图像传感器阵列路面成像系统采集到m张不同曝光时间下的路面缝隙图像,对每张图像都进行相同的数据分析处理,路面缝隙图像的数据分析主要包括路面缝隙图像的金字塔分层聚合、缝隙图像块的特征提取、缝隙图像块的决策树集成分类、基于张量投票法的缝隙图像块优化。最后,将金字塔的各图层结果聚合得到整张图像的缝隙提取结果,再将线阵图像传感器阵列拍摄得到的m张图像的检测结果聚合得到最终的缝隙检测结果。
一、路面缝隙图像的金字塔分层聚合
为得到最佳的路面缝隙判别图像,必须最大限度的提取初始缝隙图像中的缝隙信息,本发明采用拉普拉斯图像金字塔分层法对所采集到的初始图像进行分层处理,并对每层图像进行分块和特征提取、分类、优化处理,将正确提取缝隙之后的结果进行图像聚合,最终获取已判别路面缝隙区域的图像。
图像聚合根据聚合层次分为三个等级,分别为像素级、特质级、决策级,其中拉普拉斯图像金字塔分层方式为像素级图像聚合。三种聚合方式中最基础的是像素级图像聚合,因为基于像素级图像聚合的图像分层后各层图像能很好的保留初始图像的细节信息,很少出现信息遗失或损坏的情况,因此本发明采用了拉普拉斯金字塔图像分层方式。
(一)拉普拉斯金字塔分解转换
对初始图像分层的过程是自下而上的低通滤波和减小尺寸的过程,即金字塔的上层图像由下层图像经过低通滤波器滤波和下采样的过程得到,具体步骤为:
第一步,假设源图像A0为第0层,对源图像经过低通滤波器滤波,并做下采样处理后得到的图像为第1层,第1层图像尺寸为第0层的1/4,循环该处理过程,上层图像都为下层图像经下采样和低通滤波两步处理后得到,直到上层图像只剩下一个像素点时结束,这样就初步获得了初始图像的高斯金字塔分层图像,具体的原理如下式所示:
(1≤l≤M,0≤i<El,0≤j<Dl)
式中A1(i,j)为第l层的图像,M为将要划分的总图像层数,D1和E1为该层图像的宽度值和长度值,C(a,b)为低通滤波的传递函数,C(a,b)必须具有以下重要特征:
a.可分离特征:
C(a,b)=C(a)C(b)a∈[-2,2],b∈[-2,2]
b.归一化特性:
c.奇偶相等贡献特性:
C(2)+C(0)+C(-2)=C(1)+C(-1)
根据以上三个重要特性,可得到下式:
C(2)=C(-2)=1/16,C(1)=C(-1)=1/4,C(0)=3/8
于是代入以上格式,通过计算能够获取传递函数C(a,b)为:
第二步,通过内插值的方式增大已得到的高斯金字塔中第1图层的图像尺寸,使其增大为原尺寸的4倍,得到新的图像B1,内插值函数为Expand(),表示为下式:
B1=Expand(A1)
(0≤1≤M,0≤i<El,0≤j<Dl)
令
至此得到拉普拉斯金字塔的图像分层,其中M为拉普拉斯金字塔的总图像层数,LP1为第1层图像。
(二)拉普拉斯金字塔图层聚合
利用本发明中已训练完毕的M棵决策树,实现对每个路面图像块的初步分类,每个图层中每个路面图像块可得到M个预测结果,假设其中有F个结果表示为缝隙区域,图像块为缝隙区域的可信度表示为:
根据上述原理,得到三个图层中每个路面图像块的可信度:
上式中,k代表每一图层中路面图像块的个数。图2表示图像金字塔的分层情况,根据拉普拉斯分层金字塔图像,上层图像的尺寸为下层图像的1/4,假设最顶层图像中某个图像块I3j的可信度为H3j,对与该图像块相对应的下层图像中的四个子图像块的可信度H2j=(j=j,j+1,j+2,j+3)重新计算,令:
H12j=H2j+H3j,j=j,j+l,j+2,j+3
H12j代表子图像块重新计算后的可信度,同理,重新计算并得到最下层图像中每个路面图像块的可信度H11j,对所有图像块进行归一化处理,得到H2ij,上述过程实质为各图层聚合的过程,根据上层图像中每一个路面图像块的可信度,可逐步获取至最底层图像中每个路面图像块的可信度,得到聚合后的路面缝隙图像。
二、路面缝隙图像块的特征提取
灰度共生矩阵是获取图像纹理信息不可缺少的步骤,单独利用灰度共生矩阵无法定量描述图像的纹理信息,需要量化纹理特征,获取图像中各个区域的纹理特征值,获取纹理特性的具体步骤如下:
第1步,在初始图像中选择合适大小的窗口,计算窗口大小内像元的灰度共生矩阵,对纹理特征量化处理,得到该窗口下像元的纹理特性统计值;
第2步,固定此窗口的大小,使其遍历整张图像,获取初始图像中所有像元的纹理特性统计值;
第3步,基于上述第2步的结果,生成纹理图像。
本发明用于纹理分析的灰度共生矩阵特征统计量包括:对比度、角二阶矩、相关性、同质性、非相似性、熵。
上述利用灰度共生矩阵对缝隙图像的纹理特性进行了描述,另外本发明人为设置一些特征值对缝隙区域特征补充说明,以便取得更显著的缝隙判别效果。
(一)将采集到的路面缝隙图像划分为16×16互不重叠的网格块,以每个网格块为基本单元,依次从水平方向、垂直方向、45度方向、135度方向定义特征值,下面对自定义特征值详细描述。
图3为一个16×16的单元网格块,从水平方向提取网格块内每一行灰度值最低的像素点,即图3中每一行最黑的像素点,图中用①,②,……,表示,其灰度值分别为K1,K2,K3,……K16,计算出16个像素点的灰度平均值J0为:
标准差L0为:
由以上二式求出的J0和L0即为所需的特征值。
标准差L90为:
由以上二式求出的J90和L90即为所需的特征值。
标准差L45为:
由以上二式求出的J45和L45即为所需的特征值。
标准差为:
由以上二式求出的J135和L135即为所需的特征值。
(二)如图7所示,图中每个小方块代表缝隙图像中16×16的单元网格块,在整张图像中,以灰度值较低的图像块为中心,分别从水平、垂直、45度、135度四个方向选择与中心图像块邻近的八个图像块,其中图7(a)代表水平方向图像块示意图,图7(b)代表垂直方向图像块示意图,图7(c)代表45度方向图像块示意图,图7(d)代表135度方向图像块示意图,计算出所选八个图像块与中心图像块的灰度均值之比,即为所需的特征值。
三、缝隙图像块的决策树集成分类
本发明缝隙图像块的决策树集成分类采用基于提升算法的决策树集成方法,针对分类器对多类型样本数据分类的正确率问题,因为单一分类器对多类型样本数据的分类效果不同,会导致某些样本数据无法正确的分类,本发明通过将单一分类器转换为一组弱分类器的方式,提高多样本数据的分类精度。具体方法为:将每一个样本数据都设定一个权重1/m,其中m为样本数据的样本个数,在每次分类过程中,若某训练样本的分类结果正确,在下一次训练样本的选择时,其权重降低,若某训练样本的分类结果错误,在下一次训练样本的选择时,其权重增加,不断对所有的弱分类器进行重复训练,直至其对样本数据的分类错误率降低到某提前设定的阈值以下。通过这种方式,提升算法可将已有决策树分类器无法正确分类的疑难样本数据的分类正确率提高,达到对任意样本数据正确分类的目的,提高决策树的分类能力。
提升算法是一种有放回的更新权重抽样算法,第一次通过随机选取某训练样本集合,样本个数为m,各个样本的权重为1/m,通过一次分类后,根据各个样本是否能被正确抽样,决定下一次选择训练样本时其被选择的权重大小,基于提升算法的决策树集成方法的具体流程如下:
步骤一,随机抽取某训练样本集合T,训练样本集合T的样本个数为M,各样本权重初始值为1/M;
步骤二,每次迭代训练前,根据上一次分类结果,对各个样本的权重重新分配,如果该样本在上一次迭代时被正确分类,则降低其权重,如果该样本在上一次迭代时被错误分类,则增加其权重。权重越高,被选入训练样本集的概率越大;
步骤三,第n+1次迭代时,根据第n次迭代的分类结果及各样本重分配后的权重选择第n+1次迭代训练的样本集Tn,训练第n个分类器Rn;
步骤四,利用Rn对样本集Tn中的样本进行分类训练,对能正确分类的样本降低其权重,对剩余样本继续增加权重;
步骤五,若迭代次数n+2大于等于预先设定的最大迭代次数nmax,则停止迭代,若小于最大的迭代次数,那么转到步骤三;
步骤六,将所有弱分类器的最终结果进行加权,获得最终的集成决策树。
选用决策树集成对缝隙图像块进行分类主要有以下优势:一是决策树集成继承了单一决策树的优点,生成规则较简单,训练速度和运算速度较快;二是分类结果较准确,利用多个学习器分类,分类效果更好;三是分类结果的稳定性高,单棵决策树生成的学习模型可以有效细致的描述训练样本,而输入不同的测试数据时,利用单棵决策树产生的分类结果不可能每次正确,通过决策树集成给不同的训练样本赋予不同的权值,得到的分类模型能取得不错的分类效果,学习器的泛化能力加强。
四、基于张量投票算法的图像块优化处理
(一)本发明张量投票过程包括三个步骤,分别为球型投票、线型投票和结构化信息获取。
(1)张量的球型投票过程:初始输入数据为若干孤立的点,没有任何方向信息,每一个初始数据都已被表示为张量,这些输入点在各自的邻近区域与含有初始数据的相邻数据点进行张量信息的传送,并及时变更自身的显著性和倾向性信息,计算每个数据点获取的张量票数,继而生成新的张量结构图,在这一张量结构图中,每个初始数据点预测了自身初步的方向,用于线型投票过程。
(2)张量的线型投票过程:经过球型投票后,每个数据点都已有自身的大致方向,对自身投票域内的所有数据点进行投票,每个数据点再次更新自身包含的信息,每个点的最终投票结果就是各自接收到的全部投票结果的线性叠加,该过程最终形成包含所有数据点的显著性结构的稠密张量特征图。
(3)结构化信息获取过程:将得到的稠密张量特征图分解成各种显著性结构特征的各自表示形式,进一步描绘出最终的突显度图,将各种结构特征信息以寻求局部极值的途径从突显度图中获取,得到最终所需要的各种结构化信息。
(二)图像块的张量投票优化处理
张量投票算法能够从含有噪声和损坏的图像数据中获取几何结构元素的显著性信息,利用张量投票算法推断遗失的曲线结构、判断孤立的低灰度区域,经过优化处理之后得到一个较为明显的路面缝隙区域。
将经过决策树集成分类方法判定的包含缝隙区域的图像块作为张量投票算法的初始数据点,以球型张量的形式表示,然后进行张量投票,根据张量投票算法步骤,优化之后用于决策树分类结果上,将遗失的曲线结构连接起来,同时抛除孤立的低灰度区域。图像块的张量投票优化处理的详细过程如下:
步骤1,对每个输入的初始数据点进行张量编码,以球型张量的形式表示;
步骤2,设定投票范围g的大小,给每个初始数据设置一定范围空间的球型张量投票域;
步骤3,每一个初始球型张量都在它的投票域内进行信息间的交互,将所得的投票结果线性叠加得到球型投票的结果,此时每个数据点的倾向性和显著性信息已经更新,初始球型张量具有了自身的初步方向信息,转变成棒型张量,除去投票域内不是初始数据点的其余像素点,仅保留球型投票后的初始数据点及其张量信息;
步骤4,对球型投票结果进行张量分解,用特征值和特征向量乘积的形式表示;
步骤5,找出步骤4中特征值满足r1-r2>r2的投票结果,说明这些数据点为棒型张量的可能性明显大于球型张量,其方向用较大特征值相应的特征向量f1表示;
步骤6,给上述棒型张量数据点设定一个投票范围,棒型张量在各自的投票域内对所有位置的点进行线型投票操作,将获取的张量票线性叠加得到线型投票结果;
步骤7,找出密集投票结果中特征值满足r1-r2>y的数据点,y为阈值,满足该阈值条件则代表这些数据点的线状显著度较高,除去不满足阈值条件的数据点,仅保留线状显著度高的数据点。利用非极大值抑制算法寻求以上数据点的局部极值,得到最终所需要的路面缝隙信息。
五、实验效果简述分析
在具体实施例中,通过对利用左右双线阵相机采集到的路面缝隙初始图像的拉普拉斯金字塔图像分层,对每层图像进行特征提取和利用提升算法的决策树集成方法对缝隙图像块分类,并利用张量投票算法优化缝隙图像块的提取效果,最终得到了多组实验效果图较为理想。
具体情况为:
(一)实验利用单线阵相机采集的路面缝隙图像的判别效果图,分别给出了基于拉普拉斯金字塔原理对初始图像分层后的三层图像的判别效果图,并给出了图层聚合后的效果图。由聚合后的效果图可知,本发明所用的路面缝隙判别算法对缝隙的判别和优化的效果很好,不仅能够正确提取出路面缝隙图像区域,而且能够很好恢复在缝隙提取时造成的缝隙图像块的遗失问题,不存在缝隙断裂的情况。
(二)实验得到了左右线阵相机的缝隙图像判别的聚合图,并分析了聚合效果,发现其很好地展示了路面缝隙区域,裂纹被正确地判别并且结果十分清晰。
本发明是基于线阵图像传感器阵列的路面缝隙检测方法,根据路面成像系统所采集到的图像特征,结合决策树集成分类方法和张量投票算法,解决路面缝隙判别和缝隙提取问题,从而达到提高缝隙检测的速度和准确度的目的。本发明针对线阵图像传感器阵列路面成像系统采集到的路面图像进行缝隙提取和判别工作,主要包括一是构造出整张路面缝隙图像的三层图像金字塔,分别对三个图层进行图像处理步骤;二是对每个图层的路面缝隙图像进行分块处理,对得到的缝隙图像块进行特征提取,获取缝隙图像块的主要特征,为之后的路面图像块的分类打基础;三是利用已知路面图像块样本做训练集,采用提升算法训练出多个决策树,对未知图像块进行分类时,通过将每个决策树的预测结果进行集成,得到未知图像块的分类结果;四是利用基于提升算法的决策树集成方法对图像块分类后,往往存在误判或缝隙断裂问题,本发明选择张量投票算法对上述分类结果进行优化处理;五是将图像金字塔的各图层结果聚合得到整张图像的缝隙提取结果,再将线阵图像传感器阵列拍摄得到的m张图像的检测结果聚合起来得到最终的缝隙检测结果。本发明的方法原理清晰易懂,计算量相对较小,运行速度快,达到了较大幅度提高路面缝隙检测方法的准确度和速度的效果。
Claims (9)
1.一种基于线阵图像的路面缝隙精准高效检测方法,其特征在于,采取线阵图像传感器阵列采集路面图像,使用多台线阵图像传感器分别采用不同的曝光时间对同一场景同一时刻拍摄多张图像的方法;先将m台线阵图像传感器设置不同的曝光时间,获取同一位置处不同曝光时间下的路面图像,分别对m张线阵图像进行检测,对每张线阵图像分类、判别缝隙区域,最后将各张线阵图像的缝隙检测结果聚合成缝隙判别最终结果;
通过线阵图像传感器阵列路面成像系统采集到m张不同曝光时间下的路面缝隙图像,对每张图像都进行相同的数据分析处理,路面缝隙图像的数据分析主要包括路面缝隙图像的金字塔分层聚合、缝隙图像块的特征提取、缝隙图像块的决策树集成分类、基于张量投票法的缝隙图像块优化,最后,将金字塔的各图层结果聚合得到整张图像的缝隙提取结果,再将线阵图像传感器阵列拍摄得到的m张图像的检测结果聚合得到最终的缝隙检测结果;
路面缝隙图像的金字塔分层聚合包括拉普拉斯金字塔分解转换和拉普拉斯金字塔图层聚合,本发明采用拉普拉斯图像金字塔分层法对所采集到的初始图像进行分层处理,并对每层图像进行分块和特征提取、分类、优化处理,将正确提取缝隙之后的结果进行图像聚合,最终获取已判别路面缝隙区域的图像。
2.根据权利要求1所述的一种基于线阵图像的路面缝隙精准高效检测方法,其特征在于,拉普拉斯金字塔分解转换中,对初始图像分层的过程是自下而上的低通滤波和减小尺寸的过程,即金字塔的上层图像由下层图像经过低通滤波器滤波和下采样的过程得到,具体步骤为:
第一步,假设源图像A0为第0层,对源图像经过低通滤波器滤波,并做下采样处理后得到的图像为第1层,第1层图像尺寸为第0层的1/4,循环该处理过程,上层图像都为下层图像经下采样和低通滤波两步处理后得到,直到上层图像只剩下一个像素点时结束,这样就初步获得了初始图像的高斯金字塔分层图像,具体的原理如下式所示:
式中Al(i,j)为第l层的图像,M为将要划分的总图像层数,Dl和El为该层图像的宽度值和长度值,C(a,b)为低通滤波的传递函数,C(a,b)必须具有以下重要特征:
a.可分离特征:
C(a,b)=C(a)C(b) a∈[-2,2],b∈[-2,2]
b.归一化特性:
c.奇偶相等贡献特性:
C(2)+C(0)+C(-2)=C(1)+C(-1)
根据以上三个重要特性,可得到下式:
C(2)=C(-2)=1/16,C(1)=C(-1)=1/4,C(0)=3/8
于是代入以上格式,通过计算能够获取传递函数C(a,b)为:
第二步,通过内插值的方式增大已得到的高斯金字塔中第1图层的图像尺寸,使其增大为原尺寸的4倍,得到新的图像B1,内插值函数为Expand(),表示为下式:
B1=Expand(A1)
令
至此得到拉普拉斯金字塔的图像分层,其中M为拉普拉斯金字塔的总图像层数,LP1为第l层图像。
3.根据权利要求1所述的一种基于线阵图像的路面缝隙精准高效检测方法,其特征在于,拉普拉斯金字塔图层聚合中,利用本发明中已训练完毕的M棵决策树,实现对每个路面图像块的初步分类,每个图层中每个路面图像块可得到M个预测结果,假设其中有F个结果表示为缝隙区域,图像块为缝隙区域的可信度表示为:
根据上述原理,得到三个图层中每个路面图像块的可信度:
上式中,k代表每一图层中路面图像块的个数,根据拉普拉斯分层金字塔图像,上层图像的尺寸为下层图像的1/4,假设最顶层图像中某个图像块I3j的可信度为H3j,对与该图像块相对应的下层图像中的四个子图像块的可信度H2j=(j=j,j+1,j+2,j+3)重新计算,令:
H12j=H2j+H3j,j=j,j+1j,+2,j+3
H12j代表子图像块重新计算后的可信度,同理,重新计算并得到最下层图像中每个路面图像块的可信度H11j,对所有图像块进行归一化处理,得到H2ij,上述过程为各图层聚合的过程,根据上层图像中每一个路面图像块的可信度,逐步获取至最底层图像中每个路面图像块的可信度,得到聚合后的路面缝隙图像。
4.根据权利要求1所述的一种基于线阵图像的路面缝隙精准高效检测方法,其特征在于,路面缝隙图像块的特征提取中,灰度共生矩阵获取纹理特性的具体步骤如下:
第1步,在初始图像中选择合适大小的窗口,计算窗口大小内像元的灰度共生矩阵,对纹理特征量化处理,得到该窗口下像元的纹理特性统计值;
第2步,固定此窗口的大小,使其遍历整张图像,获取初始图像中所有像元的纹理特性统计值;
第3步,基于上述第2步的结果,生成纹理图像;
本发明用于纹理分析的灰度共生矩阵特征统计量包括:对比度、角二阶矩、相关性、同质性、非相似性、熵。
5.根据权利要求1所述的一种基于线阵图像的路面缝隙精准高效检测方法,其特征在于,路面缝隙图像块的特征提取中,利用灰度共生矩阵对缝隙图像的纹理特性进行了描述,另外本发明设置一些特征值对缝隙区域特征补充说明;
将采集到的路面缝隙图像划分为16×16互不重叠的网格块,以每个网格块为基本单元,依次从水平方向、垂直方向、45度方向、135度方向定义特征值;
在整张图像中,以灰度值较低的图像块为中心,分别从水平、垂直、45度、135度四个方向选择与中心图像块邻近的八个图像块,计算出所选八个图像块与中心图像块的灰度均值之比,即为所需的特征值。
6.根据权利要求1所述的一种基于线阵图像的路面缝隙精准高效检测方法,其特征在于,缝隙图像块的决策树集成分类采用基于提升算法的决策树集成方法,针对分类器对多类型样本数据分类的正确率问题,通过将单一分类器转换为一组弱分类器的方式,提高多样本数据的分类精度;具体方法为:将每一个样本数据都设定一个权重1/m,其中m为样本数据的样本个数,在每次分类过程中,若某训练样本的分类结果正确,在下一次训练样本的选择时,其权重降低,若某训练样本的分类结果错误,在下一次训练样本的选择时,其权重增加,不断对所有的弱分类器进行重复训练,直至其对样本数据的分类错误率降低到某提前设定的阈值以下。
7.根据权利要求6所述的一种基于线阵图像的路面缝隙精准高效检测方法,其特征在于,基于提升算法的决策树集成方法的具体流程如下:
步骤一,随机抽取某训练样本集合T,训练样本集合T的样本个数为M,各样本权重初始值为1/M;
步骤二,每次迭代训练前,根据上一次分类结果,对各个样本的权重重新分配,如果该样本在上一次迭代时被正确分类,则降低其权重,如果该样本在上一次迭代时被错误分类,则增加其权重。权重越高,被选入训练样本集的概率越大;
步骤三,第n+1次迭代时,根据第n次迭代的分类结果及各样本重分配后的权重选择第n+1次迭代训练的样本集Tn,训练第n个分类器Rn;
步骤四,利用Rn对样本集Tn中的样本进行分类训练,对能正确分类的样本降低其权重,对剩余样本继续增加权重;
步骤五,若迭代次数n+2大于等于预先设定的最大迭代次数nmax,则停止迭代,若小于最大的迭代次数,那么转到步骤三;
步骤六,将所有弱分类器的最终结果进行加权,获得最终的集成决策树。
8.根据权利要求1所述的一种基于线阵图像的路面缝隙精准高效检测方法,其特征在于,本发明张量投票过程包括三个步骤,分别为球型投票、线型投票和结构化信息获取;
张量的球型投票过程:初始输入数据为若干孤立的点,没有任何方向信息,每一个初始数据都已被表示为张量,这些输入点在各自的邻近区域与含有初始数据的相邻数据点进行张量信息的传送,并及时变更自身的显著性和倾向性信息,计算每个数据点获取的张量票数,继而生成新的张量结构图,在这一张量结构图中,每个初始数据点预测了自身初步的方向,用于线型投票过程;
张量的线型投票过程:经过球型投票后,每个数据点都已有自身的大致方向,对自身投票域内的所有数据点进行投票,每个数据点再次更新自身包含的信息,每个点的最终投票结果就是各自接收到的全部投票结果的线性叠加,该过程最终形成包含所有数据点的显著性结构的稠密张量特征图;
结构化信息获取过程:将得到的稠密张量特征图分解成各种显著性结构特征的各自表示形式,进一步描绘出最终的突显度图,将各种结构特征信息以寻求局部极值的途径从突显度图中获取,得到最终所需要的各种结构化信息。
9.根据权利要求8所述的一种基于线阵图像的路面缝隙精准高效检测方法,其特征在于,张量投票算法从含有噪声和损坏的图像数据中获取几何结构元素的显著性信息,利用张量投票算法推断遗失的曲线结构、判断孤立的低灰度区域,经过优化处理之后得到一个较为明显的路面缝隙区域;
将经过决策树集成分类方法判定的包含缝隙区域的图像块作为张量投票算法的初始数据点,以球型张量的形式表示,然后进行张量投票,根据张量投票算法步骤,优化之后用于决策树分类结果上,将遗失的曲线结构连接起来,同时抛除孤立的低灰度区域;图像块的张量投票优化处理的详细过程如下:
步骤1,对每个输入的初始数据点进行张量编码,以球型张量的形式表示;
步骤2,设定投票范围g的大小,给每个初始数据设置一定范围空间的球型张量投票域;
步骤3,每一个初始球型张量都在它的投票域内进行信息间的交互,将所得的投票结果线性叠加得到球型投票的结果,此时每个数据点的倾向性和显著性信息已经更新,初始球型张量具有了自身的初步方向信息,转变成棒型张量,除去投票域内不是初始数据点的其余像素点,仅保留球型投票后的初始数据点及其张量信息;
步骤4,对球型投票结果进行张量分解,用特征值和特征向量乘积的形式表示;
步骤5,找出步骤4中特征值满足r1-r2>r2的投票结果,说明这些数据点为棒型张量的可能性明显大于球型张量,其方向用较大特征值相应的特征向量f1表示;
步骤6,给上述棒型张量数据点设定一个投票范围,棒型张量在各自的投票域内对所有位置的点进行线型投票操作,将获取的张量票线性叠加得到线型投票结果;
步骤7,找出密集投票结果中特征值满足r1-r2>y的数据点,y为阈值,满足该阈值条件则代表这些数据点的线状显著度较高,除去不满足阈值条件的数据点,仅保留线状显著度高的数据点。利用非极大值抑制算法寻求以上数据点的局部极值,得到最终所需要的路面缝隙信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010345987.6A CN111539356A (zh) | 2020-04-27 | 2020-04-27 | 一种基于线阵图像的路面缝隙精准高效检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010345987.6A CN111539356A (zh) | 2020-04-27 | 2020-04-27 | 一种基于线阵图像的路面缝隙精准高效检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111539356A true CN111539356A (zh) | 2020-08-14 |
Family
ID=71978875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010345987.6A Withdrawn CN111539356A (zh) | 2020-04-27 | 2020-04-27 | 一种基于线阵图像的路面缝隙精准高效检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539356A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163631A (zh) * | 2020-10-14 | 2021-01-01 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种用于溜井处基于视频分析的金矿矿质分析方法 |
CN114549902A (zh) * | 2022-02-23 | 2022-05-27 | 平安普惠企业管理有限公司 | 一种图像分类方法、装置、计算机设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013002998A (ja) * | 2011-06-17 | 2013-01-07 | Nagoya City | 路面画像処理システム及び路面画像処理方法 |
CN103903268A (zh) * | 2014-04-09 | 2014-07-02 | 南京理工大学 | 基于多种低层显著特征的路面裂缝检测方法 |
CN104574393A (zh) * | 2014-12-30 | 2015-04-29 | 北京恒达锦程图像技术有限公司 | 一种三维路面裂缝图像生成系统和方法 |
CN106934795A (zh) * | 2017-01-23 | 2017-07-07 | 陕西师范大学 | 一种混凝土桥梁裂缝的自动检测方法和预测方法 |
CN107240126A (zh) * | 2016-03-28 | 2017-10-10 | 华天科技(昆山)电子有限公司 | 阵列图像的校准方法 |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
CN109146859A (zh) * | 2018-08-03 | 2019-01-04 | 深圳万智联合科技有限公司 | 一种基于机器视觉的路面裂缝检测系统 |
CN109472752A (zh) * | 2018-10-30 | 2019-03-15 | 北京工业大学 | 基于航拍图像的多曝光融合系统 |
CN109632822A (zh) * | 2018-12-25 | 2019-04-16 | 东南大学 | 一种准静态高精度路面破损智能识别装置及其方法 |
CN110473187A (zh) * | 2019-08-08 | 2019-11-19 | 武汉武大卓越科技有限责任公司 | 一种面向对象的线扫描三维路面裂缝提取方法 |
-
2020
- 2020-04-27 CN CN202010345987.6A patent/CN111539356A/zh not_active Withdrawn
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013002998A (ja) * | 2011-06-17 | 2013-01-07 | Nagoya City | 路面画像処理システム及び路面画像処理方法 |
CN103903268A (zh) * | 2014-04-09 | 2014-07-02 | 南京理工大学 | 基于多种低层显著特征的路面裂缝检测方法 |
CN104574393A (zh) * | 2014-12-30 | 2015-04-29 | 北京恒达锦程图像技术有限公司 | 一种三维路面裂缝图像生成系统和方法 |
US20180137612A1 (en) * | 2015-04-27 | 2018-05-17 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
CN107240126A (zh) * | 2016-03-28 | 2017-10-10 | 华天科技(昆山)电子有限公司 | 阵列图像的校准方法 |
CN106934795A (zh) * | 2017-01-23 | 2017-07-07 | 陕西师范大学 | 一种混凝土桥梁裂缝的自动检测方法和预测方法 |
CN109146859A (zh) * | 2018-08-03 | 2019-01-04 | 深圳万智联合科技有限公司 | 一种基于机器视觉的路面裂缝检测系统 |
CN109472752A (zh) * | 2018-10-30 | 2019-03-15 | 北京工业大学 | 基于航拍图像的多曝光融合系统 |
CN109632822A (zh) * | 2018-12-25 | 2019-04-16 | 东南大学 | 一种准静态高精度路面破损智能识别装置及其方法 |
CN110473187A (zh) * | 2019-08-08 | 2019-11-19 | 武汉武大卓越科技有限责任公司 | 一种面向对象的线扫描三维路面裂缝提取方法 |
Non-Patent Citations (1)
Title |
---|
王晓明 等: "基于多图像与多分辨率的路面裂缝检测方法", 兰州理工大学学报, vol. 39, no. 1, pages 76 - 82 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163631A (zh) * | 2020-10-14 | 2021-01-01 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种用于溜井处基于视频分析的金矿矿质分析方法 |
CN114549902A (zh) * | 2022-02-23 | 2022-05-27 | 平安普惠企业管理有限公司 | 一种图像分类方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021088300A1 (zh) | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN110728658A (zh) | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 | |
CN111696123A (zh) | 超像素分类识别的遥感图像水域分割提取方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN103729853B (zh) | 三维gis辅助下的高分遥感影像建筑物倒损检测方法 | |
CN109766936A (zh) | 基于信息传递和注意力机制的图像变化检测方法 | |
CN111339827A (zh) | 基于多区域卷积神经网络的sar图像变化检测方法 | |
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 | |
CN102663385B (zh) | 一种星上点目标检测方法 | |
CN111126184A (zh) | 一种基于无人机视频的震后建筑物损毁检测方法 | |
CN111539356A (zh) | 一种基于线阵图像的路面缝隙精准高效检测方法 | |
CN114596316A (zh) | 一种基于语义分割的道路图像细节抓取方法 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN113052110B (zh) | 一种基于多视图投影和深度学习的三维兴趣点提取方法 | |
CN107977968B (zh) | 基于建筑物阴影信息挖掘的建筑物分层检测方法 | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
CN112883969B (zh) | 一种基于卷积神经网络的降雨强度检测方法 | |
CN103065296B (zh) | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 | |
CN117011756A (zh) | 一种基于迁移学习方法的视频雨量反演方法 | |
CN111126303A (zh) | 一种面向智能停车的多车位检测方法 | |
CN109785318A (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN115527118A (zh) | 一种融合注意力机制的遥感图像目标检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200814 |