CN114387291A - 公路状况检测图像中基准网格的自动筛选方法及系统 - Google Patents

Abstract

本发明涉及图像处理技术领域，公开一种公路状况检测图像中基准网格的自动筛选方法及系统，以提高病害区域智能筛选的普适性和可靠性。方法包括：获取公路状况检测图像，在相对应井盖、桥梁伸缩缝和减速带的轮廓之外的图像区域中提取出路面标线所标定颜色范围内的区域，再判断该区域是否存在线宽与路面标线所标定的线宽范围处在设定范围内的直线线段，如果是，判断相应的区域为标线区域；将公路状况检测图像均分成网格，筛选出标线区域、井盖、桥梁伸缩缝和减速带轮廓之外的网格，并以所筛选出的各网格内像素点的灰度序列进行聚类计算，选取同一聚类中的元素最多的类，将选取的该类中方差最小的像素点的灰度序列所对应的网格确认为基准网格。

Description

公路状况检测图像中基准网格的自动筛选方法及系统

技术领域

本发明涉及图像处理技术领域，尤其涉及一种公路状况检测图像中基准网格的自动筛选方法及系统。

背景技术

公路在日常的保养中，通常需要每年进行技术状况评定。在现有的公路检测中，通常由检测车采集路况的图像数据，再由用户通过目测划定病害区域并对病害区域的病害类型予以标记。但在实际的操作过程中，由于受制于图像分辨率和肉眼的辨别能力，人工对病害区域进行识别容易导致较多的遗漏。若通过图像处理技术自动执行病害区域的智能筛选，则容易受路面标线、桥梁伸缩缝、井盖及减速带等的干扰；与此同时，在检测图像中如何精确确定作为参照基准的正常路面状况的网格是决定病害区域最终筛选结果可靠性的关键因子。

发明内容

本发明目的在于公开一种公路状况检测图像中基准网格的自动筛选方法及系统，以提高病害区域智能筛选的普适性和可靠性。

为达上述目的，本发明公开一种公路状况检测图像中基准网格的自动筛选方法，包括：

标定检测车车载的图像采集终端所采集单幅图像中至少部分路面标线所对应的颜色和线宽范围；并构建过滤模型库，所述过滤模型库中建立至少一种井盖模型、至少一种桥梁伸缩缝模型及至少一种减速带模型；

获取当前的目标公路状况检测图像，遍历所述过滤模型库中的各个模型是否存在于所述目标公路状况检测图像的局部，如果存在，提取出相对应井盖、桥梁伸缩缝和减速带的轮廓信息；然后再在相对应井盖、桥梁伸缩缝和减速带的轮廓之外的图像区域中提取出路面标线所标定颜色范围内的区域，并判断所提取各区域的轮廓是否存在部分直线线段，如果存在，再判断相应直线线段的线宽是否与路面标线所标定的线宽范围处在设定的接近范围内，如果是，判断相应的区域为标线区域；

将所述目标公路状况检测图像均分成网格，筛选出标线区域、井盖、桥梁伸缩缝和减速带轮廓之外的网格，并以所筛选出的各网格内像素点的灰度序列为元素建立数据集；

对所述数据集内的元素进行聚类计算，选取同一聚类中的元素最多的类，将选取的该类中方差最小的像素点的灰度序列所对应的网格确认为基准网格。

为达上述目的，本发明还公开一种公路技术状况评定系统中的图像处理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法相对应的步骤。

本发明具有以下有益效果：

由于路面标线、井盖及减速带等对象具有色彩明显且尺寸规范等特征，便于在图像处理过程中予以识别、过滤并确保准确度。而且，本发明在过滤掉井盖、桥梁伸缩缝和减速带的轮廓信息之后再识别路面标线，相比于先识别路面标线再滤掉井盖、桥梁伸缩缝和减速带，有效避免了井盖、桥梁伸缩缝和减速带等局部颜色与路面标线颜色近似而导致误判。

在大量的统计数据中，病害区域在所采集图像中所占的区域面积通常远远小于正常区域，而且在所测公路里程连续的图像集中，存在病害的图像相比于不存在病害的正常图像，也是小概率事件。藉此，基于本发明上述方法所筛选出的基准网格以极大的概率对应的是无病害的正常路况背景图像。而且各采集图像都是基于自身的光照等情况确定基准网格，与之前采集的系列图像不存在耦合关系，一方面避免了因光照等差异所带来的噪音所导致的误判，一方面还简化了系统数据处理的复杂度。与此同时，由于存在病害的往往具有裂缝、坑槽、松散、沉陷、车辙等特征，该特征在网格图像中所对应的表象即为像素信息波动明显，且与基准网格所对应的图像信息差异明显、通常其病害特征的尺寸通常远小于标线的线宽，从而使得本发明确认潜基准害网格的逻辑科学合理，从而为提高病害区域智能筛选的普适性和可靠性提供了保障。

下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例公开的公路状况检测图像中基准网格的自动筛选方法流程示意图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

实施例1

本实施例公开一种公路状况检测图像中基准网格的自动筛选方法，如图1所示，包括以下步骤：

步骤S1、标定检测车车载的图像采集终端所采集单幅图像中至少部分路面标线所对应的颜色和线宽范围；并构建过滤模型库，所述过滤模型库中建立至少一种井盖模型、至少一种桥梁伸缩缝模型及至少一种减速带模型。

在该步骤中，通常需同步标定检测车车载的图像采集终端所采集单幅图像所对应的公路长度和宽度。单幅图像所对应的公路长度主要指单张图像所对应的里程长度；然后以所述公路长度为所测公路的最小划分单位，分时按车道采集所测公路里程连续的图像。例如：若单张图像所对应的里程长度为2米，则一段100公里的高速车道所对应的图像集的图像数量则为5万张。通常，所采集图像的宽度应略宽于一个车道的宽度。优选地，所采集图像的宽度方向的中心对称轴与该检测车车体左右方向的对称轴一致或基本一致。通过标定，从而为后续实现根据图像中的点线面之间关系计算其实际所对应的路面距离（如裂缝距离、线宽、区域面积等）提供了条件。

在该步骤中，路面标线所对应的颜色通常为黄色或白色，由于标线颜色随外部因素（如雨水、日晒、轮压等）作用会存在微变，故以范围进行颜色标定。

步骤S2、获取当前的目标公路状况检测图像，遍历所述过滤模型库中的各个模型是否存在于所述目标公路状况检测图像的局部，如果存在，提取出相对应井盖、桥梁伸缩缝和减速带的轮廓信息；然后再在相对应井盖、桥梁伸缩缝和减速带的轮廓之外的图像区域中提取出路面标线所标定颜色范围内的区域，并判断所提取各区域的轮廓是否存在部分直线线段，如果存在，再判断相应直线线段的线宽是否与路面标线所标定的线宽范围处在设定的接近范围内，如果是，判断相应的区域为标线区域。

在该步骤中，当前的所谓“目标公路状况检测图像”即从步骤S1所采集的系列图像中所筛选出来作为当前检测目标的单帧图像，又可称之为“公路状况检测图像目标”；由于在后续步骤中，都是基于对同一目标图像的处理，也可简称为“公路状况检测图像”。且相对应的筛选方式通常按时间顺序从前到后逐一切换以避免遗落。

在该步骤中，以直行、左转、右转和掉头为例，其都存在一段直线线段，该特征也同样体现于车道分割线等其他路面标线上。优选地，针对不存在局部直线线段这一特征的路面标线，则可将其纳入过滤模型库中。

该步骤本质即：在相对应井盖、桥梁伸缩缝和减速带的轮廓之外的图像区域中提取出路面标线所标定颜色范围内的区域，再判断该区域是否存在线宽与路面标线所标定的线宽范围处在设定范围内的直线线段，如果是，判断相应的区域为标线区域。其中，由于路面标线、井盖及减速带等对象具有色彩明显且尺寸规范等特征，便于在图像处理过程中予以识别、过滤并确保准确度。而且，本发明在过滤掉井盖、桥梁伸缩缝和减速带的轮廓信息之后再识别路面标线，相比于先识别路面标线再滤掉井盖、桥梁伸缩缝和减速带，有效避免了井盖、桥梁伸缩缝和减速带等局部颜色与路面标线颜色近似而导致误判。

在该步骤具体的执行过程中，用于判断局部是否存在直线线段的长度可以根据统计经验值进行合理设置。一种简易算法的具体实现方式可为：在处理图像数据的参考坐标系中，根据该长度去遍历查找边界上是否存在等间隔的至少三个相邻像素点是否处在同一斜率上，其中，所择取像素点之间累加的间隔与该长度相等；然后根据该斜率分别计算所择取各像素点与垂直于当前所确定的直线边界的相对位像素点之间的距离是否接近一致，如果是，再判断该距离是否与路面标线所标定的线宽范围处在设定的接近范围内；若都符合，则可确认相应区域存在线宽与路面标线所标定的线宽范围处在设定范围内的直线线段。

步骤S3、将所述目标公路状况检测图像均分成网格，筛选出标线区域、井盖、桥梁伸缩缝和减速带轮廓之外的网格，并以所筛选出的各网格内像素点的灰度序列为元素建立数据集。

在该步骤中，假设网格单元所实际对应的路面尺寸设置为0.1米*0.1米，若对应一个2米*2米的采集图像，其可划分的网格数量为400个。其中，网格单元所对应的路面尺寸在上述步骤S1中标定。

在该步骤中，灰度序列的创建方法可以对相应的各像素点的灰度值按行以从左到右、按列以从上到下的顺序进行排列。

步骤S4、对所述数据集内的元素进行聚类计算，选取同一聚类中的元素最多的类，将选取的该类中方差最小的像素点的灰度序列所对应的网格确认为基准网格。

在该步骤中，相关的聚类方法包括但不限于：K-MEANS、K-MEDOIDS、Clara或Clarans等算法。而且，由于步骤S31中设定的网格单元采用统一像素规格，因此参与聚类的各对象的像素点的灰度序列天然对齐。

在大量的统计数据中，病害区域在所采集图像中所占的区域面积通常远远小于正常区域，而且在所测公路里程连续的图像集中，存在病害的图像相比于不存在病害的正常图像，也是小概率事件。藉此，基于本实施例上述方法所筛选出的基准网格以极大的概率对应的是无病害的正常路况背景图像。

进一步地，本实施例方法还包括：

对所述数据集中非所述基准网格同类的其他网格像素点的图像灰度序列分别与所述基准网格像素点的图像灰度序列做差，再计算做差后的相应网格像素点的灰度序列的方差是否大于设定的阈值，如果是，将对应的网格确认为潜在病害网格。其中，该阈值的设置可根据统计经验值合理得出，而且不同路面材质所对应的阈值可以单独设置。

作为一种变形，确定潜在病害网格的方法也可以是：对所述数据集中非所述基准网格同类的其他网格像素点的图像灰度序列分别与所述基准网格像素点的图像灰度序列做差，再判断做差后的相应网格像素点的灰度矩阵中相邻像素点之间的灰度差分（即将目标像素点与左列和上一行的相邻像素点的灰度值相减）是否大于做差后的相应网格像素点的灰度序列的方差的设定倍数，如果是，将对应的网格确认为潜在病害网格。通常，该设定倍数可以设置为至少两倍或三倍。

进一步地，本实施例方法还包括：

判断各潜在病害网格是否存在相邻的潜在病害网格，并将相邻的潜在病害网格融合为同一个潜在病害区域，自动标记各个潜在病害区域的边界信息并计算出相应的面积；然后根据各个潜在病害区域的面积和所属图像的路面材质预筛各个潜在病害区域所一一对应的病害列表以供用户手动录入病害类型后保存。从而使得本实施例可以默认将潜在病害区域所对应的病害类型视为唯一，然后再自动隐藏与路面材质和病害面积不匹配的病害种类以减少人为的误操作；而且，通过自动标记各个潜在病害区域的边界信息并计算出相应的面积，则有效避免了人工对病害区域进行识别所容易导致较多的遗漏的缺陷。

优选地，本实施例方法还可以进一步包括：用户在手动录入病害类型前，对自动标记的相对应的潜在病害区域的边界予以修正；相关的修正处理主要包括相关网格单元的添加和删除处理。例如，由于在标线中的病害直观且便于用户目测识别，用户可在手动修正的过程中将标线内的病害区域添加至相邻的潜在病害区域中，并实现了病害检测覆盖面的延伸。藉此，该手动修正处理可与前述自动标记潜在病害区域边界形成互补关系，进一步提高了灵活性和用户体验。

进一步地，基于二维图像即可确定宽度信息。本实施例方法还包括：在任一所述潜在病害区域被手动录入的病害类型对应有裂缝后，从与所述基准网格做差后的网格图像中提取裂缝的轮廓信息并计算出裂缝的宽度，以用于准确评定龟裂、横向裂缝、纵向裂缝、块状裂缝等病害的等级。

实施例2

与上述方法实施例相对应的，本实施例公开一种公路技术状况评定系统中的图像处理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现上述方法实施例所对应的步骤。

综上，本发明上述实施例所分别公开的公路状况检测图像中基准网格的自动筛选方法及系统，确认潜基准害网格的逻辑科学合理，从而为提高病害区域智能筛选的普适性和可靠性提供了保障。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种公路状况检测图像中基准网格的自动筛选方法，其特征在于，包括：

标定检测车车载的图像采集终端所采集单幅图像中至少部分路面标线所对应的颜色和线宽范围；并构建过滤模型库，所述过滤模型库中建立至少一种井盖模型、至少一种桥梁伸缩缝模型及至少一种减速带模型；

获取当前的目标公路状况检测图像，遍历所述过滤模型库中的各个模型是否存在于所述目标公路状况检测图像的局部，如果存在，提取出相对应井盖、桥梁伸缩缝和减速带的轮廓信息；然后再在相对应井盖、桥梁伸缩缝和减速带的轮廓之外的图像区域中提取出路面标线所标定颜色范围内的区域，并判断所提取各区域的轮廓是否存在部分直线线段，如果存在，再判断相应直线线段的线宽是否与路面标线所标定的线宽范围处在设定的接近范围内，如果是，判断相应的区域为标线区域；

将所述目标公路状况检测图像均分成网格，筛选出标线区域、井盖、桥梁伸缩缝和减速带轮廓之外的网格，并以所筛选出的各网格内像素点的灰度序列为元素建立数据集；

对所述数据集内的元素进行聚类计算，选取同一聚类中的元素最多的类，将选取的该类中方差最小的像素点的灰度序列所对应的网格确认为基准网格。

2.根据权利要求1所述的方法，其特征在于，还包括：

对所述数据集中非所述基准网格同类的其他网格像素点的图像灰度序列分别与所述基准网格像素点的图像灰度序列做差，再计算做差后的相应网格像素点的灰度序列的方差是否大于设定的阈值，如果是，将对应的网格确认为潜在病害网格。

3.根据权利要求1所述的方法，其特征在于，还包括：

对所述数据集中非所述基准网格同类的其他网格像素点的图像灰度序列分别与所述基准网格像素点的图像灰度序列做差，再判断做差后的相应网格像素点的灰度矩阵中相邻像素点之间的灰度差分是否大于做差后的相应网格像素点的灰度序列的方差的设定倍数，如果是，将对应的网格确认为潜在病害网格。

4.根据权利要求2或3所述的方法，其特征在于，还包括：

判断各潜在病害网格是否存在相邻的潜在病害网格，并将相邻的潜在病害网格融合为同一个潜在病害区域，自动标记各个潜在病害区域的边界信息并计算出相应的面积；然后根据各个潜在病害区域的面积和所属图像的路面材质预筛各个潜在病害区域所一一对应的病害列表以供用户手动录入病害类型后保存。

5.根据权利要求4所述的方法，其特征在于，还包括：

用户在手动录入病害类型前，对自动标记的相对应的潜在病害区域的边界予以修正。

6.根据权利要求2或3任一所述的方法，其特征在于，还包括：

在任一所述潜在病害区域被手动录入的病害类型对应有裂缝后，从与所述基准网格做差后的网格图像中提取裂缝的轮廓信息并计算出裂缝的宽度。

7.根据权利要求5所述的方法，其特征在于，还包括：

在任一所述潜在病害区域被手动录入的病害类型对应有裂缝后，从与所述基准网格做差后的网格图像中提取裂缝的轮廓信息并计算出裂缝的宽度。

8.一种公路技术状况评定系统中的图像处理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一所述方法的步骤。

Images