CN115272298B - 基于道路监控的城市路面维护监察方法及系统 - Google Patents
基于道路监控的城市路面维护监察方法及系统 Download PDFInfo
- Publication number
- CN115272298B CN115272298B CN202211138041.8A CN202211138041A CN115272298B CN 115272298 B CN115272298 B CN 115272298B CN 202211138041 A CN202211138041 A CN 202211138041A CN 115272298 B CN115272298 B CN 115272298B
- Authority
- CN
- China
- Prior art keywords
- target
- connected domain
- area
- defect
- degree
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于道路监控的城市路面维护监察方法及系统,涉及图像处理领域。包括:获取车道线图像中的缺陷区域,计算缺陷区域的灰度熵判断是否为缺失缺陷,对非缺失缺陷进行阈值分割得到目标连通域,对目标连通域合并得到目标区域,分析每个目标区域的连通程度、连通域线型度和反光程度构建判断模型,根据判断模型对非缺失缺陷的缺陷区域进行缺陷类型的判断,对不同类型的缺陷进行不同方法的维护修补。本发明对车道线缺陷区域进行灰度熵分析,确定是否为缺失缺陷,对缺失缺陷外的缺陷类型进行进一步判断,对其他缺陷区域形成的连通域结合灰度建立模型进行判断,对不同情况下的缺失区域进行不同程度的维护修补。
Description
技术领域
本发明涉及图像处理领域,具体涉及基于道路监控的城市路面维护监察方法及系统。
背景技术
城市路面的车道线对于汽车行驶起到了重要的引导、指示作用,随着时间及环境因素影响,车道线会出现一定程度的磨损破损,而车道线的缺失会致使其不能正常的起到引导、指示交通的作用,容易导致一系列交通安全隐患,因此对于城市路面车道线定期巡检修护是路政工程中较为重要的环节。
当路面标识漆面大面积破损,就需要对其进行维护修补,防止出现一些不必要的交通事故,路面标识的缺陷主要有三种情况,一种是由于时间久了,车辆轮胎或其他因素造成的损伤,对车道线的部分区域造成了缺失;一种即是轮迹干扰的情况,即较黑的车轮印压过车道线而导致车道线部分灰度表现较小;另一种即是可能该块车道线缺失而恰巧路面出现泛油覆盖到缺失部分,现阶段大多是通过计算机视觉对采集到的路面图像,依据其规则的矩形轮廓进行残缺分析,此时存在不同类型的缺失情况。
然而现有技术中对路面的车道线进行检测时,是直接利用车道线的矩形轮廓进行缺失检测,对于车道线缺失而恰巧路面出现泛油覆盖到缺失部分的缺陷,与路面裸露缺失检测结果差异不大,并不能单独区分出来,这就导致对车道线的缺陷检测结果不够精确的现象,从而无法对相应的缺陷就行相应的修复,浪费时间和物力,不利于对城市路面进行及时有效的维护监察。
发明内容
针对上述技术问题,本发明提供了基于道路监控的城市路面维护监察方法及系统,具体包括:
第一方面,本发明提供了基于道路监控的城市路面维护监察方法,包括以下内容:
获取车道线图像;
获取车道线图像中每个车道线区域的矩形轮廓,对每个车道线区域的矩形轮廓中的灰度值进行阈值分割,得到每个车道线区域中的缺陷区域;
计算所有车道线区域中每个缺陷区域的灰度熵,根据每个缺陷区域的灰度熵判断该缺陷区域是缺失缺陷或非缺失缺陷;
对非缺失缺陷的缺陷区域的灰度值进行阈值分割,得到车道线图像中的所有目标连通域;
获取每个目标连通域的最小外接矩形,根据最小外接矩形的边长确定搜索范围,计算搜索范围内该目标连通域与邻域目标连通域的统一程度;
根据每个目标连通域和邻域目标连通域的统一程度对目标连通域进行合并,得到目标区域;
根据每个目标区域中的目标连通域的面积、目标连通域之间的距离,以及邻域目标连通域的边长计算每个目标区域的连通程度;
根据每个目标区域的最小外接矩形的边长以及每个目标区域的面积,计算每个目标区域的连通域线型度;
将每个目标区域的灰度值均值作为该目标区域的反光程度,得到每个目标区域的反光程度;
利用每个目标区域的连通程度、连通域线型度和反光程度计算每个目标区域的判断系数;
根据每个目标区域的判断系数判断每个目标区域为轮印缺陷或泛油缺陷,对不同缺陷的目标区域进行不同方法的维护修补。
目标连通域与邻域目标连通域的统一程度的计算方式如下:
获取每个目标连通域的最小外接矩形的边长,确定该目标连通域的搜索范围,获取该目标连通域在搜索范围内的所有邻域目标连通域;
计算目标连通域和每个邻域目标连通域之间的距离,并获取每个邻域目标连通域的最小外接矩形的边长;
对于水平方向的邻域目标连通域,统一程度的计算方法为:计算目标连通域和邻域目标连通域之间的距离与目标连通域最小外接矩形的宽的商,将得到的商值作为目标连通域和邻域目标连通域的空隙长度,并对邻域目标连通域的最小外接矩形的长与目标连通域最小外接矩形的长的商值进行负归一化处理,将负归一化处理的结果作为距离指标,将目标连通域和邻域目标连通域的空隙长度与距离指标之和作为目标连通域和邻域目标连通域的统一程度;
对于竖直方向的邻域目标连通域,统一程度的计算方法为:计算目标连通域和邻域目标连通域之间的距离与目标连通域最小外接矩形的长的商,将得到的商值作为目标连通域和邻域目标连通域的空隙宽度,并对邻域目标连通域的最小外接矩形的宽与目标连通域最小外接矩形的宽的商值进行负归一化处理,将负归一化处理的结果作为距离指标,将目标连通域和邻域目标连通域的空隙宽度与距离指标之和作为目标连通域和邻域目标连通域的统一程度。
根据每个目标连通域和邻域目标连通域的统一程度对目标连通域进行合并的方法为:
设置合并阈值,当目标连通域与邻域目标连通域的统一程度小于合并阈值时,将目标连通域与邻域目标连通域合并至一个目标区域,迭代合并过程,当目标连通域的所有符合合并阈值的邻域目标连通域都合并后,停止合并,得到目标区域。
计算每个目标区域的连通程度的过程如下:
获取每个目标区域中每个目标连通域的面积,将每个邻域目标连通域与目标连通域之间的空隙长度与空隙宽度的乘积之和与该目标区域的面积的比值作为该目标区域的连通程度;
得到每个目标区域的连通程度。
计算每个目标区域的连通域线型度的方法如下:
获取每个目标区域的最小外接矩形的边长和每个目标区域的面积,将该目标区域的长宽之比,与该目标区域的面积和该目标区域最小外接矩形的面积之比的和,作为该目标区域的连通域线型度;
得到每个目标区域的连通域线型度。
计算每个目标区域的判断系数的过程为:
对于每个目标区域,以该目标区域的连通程度和连通域线型度之和作为底数,该目标区域的反光程度的相反数作为幂指数,将该对应法则作为目标区域的判断模型;
根据每个目标函数的连通程度、连通域线型度和反光程度,得到每个目标区域的判断系数。
根据每个目标区域的判断系数判断每个目标区域的缺陷类型的方法如下:
设置缺陷阈值,当判断系数大于缺陷阈值时,该目标区域为轮印缺陷;
当判断系数小于等于缺陷阈值时,该目标区域为泛油缺陷。
相比于现有技术,本发明实施例的有益效果在于:
本发明对各车道线缺陷区域进行灰度熵分析,确定是否为缺失缺陷,对缺失缺陷外的其他缺陷区域的缺陷类型(即轮印或泛油)进行进一步判断,再对可能的轮印或泛油部位形成的连通域结合灰度表现差异建立模型进行判断,从而将不同情况下的缺失区分得到并进行不同程度的维护修补。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例基于道路监控的城市路面维护监察方法提供的方法流程图;
图2为本发明实施例基于道路监控的城市路面维护监察方法提供的车道线图像;
图3为本发明实施例基于道路监控的城市路面维护监察方法提供的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于大数据的政务评价文本分类管理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明实施例提供了基于道路监控的城市路面维护监察方法,如图1所示,具体内容包括:
S101、获取车道线图像中的缺陷区域:
本实施例是通过对车道线的缺陷区域进行分析,对缺陷区域进行缺陷类型的确定,根据不同的缺陷类型进行不同方法的维护修补,因此需要先获取缺陷区域的车道线图像中的缺陷区域,车道线图像如图2所示。
1.获取车道线图像:
通过道路监控采集道路图像,选取无车辆经过该段道路的一张路面图像,并进行灰度化处理。
对得到的灰度图像进行语义分割,提取其中的车道线部位得到车道线图像,采用DNN网络进行提取,网络具体如下:
(1).网络输入为路面灰度图像;
(2).网络输出为0或1,其中车道线部位人工先行标记为1,其他部位则标记为0;
(3).该网络的损失函数使用交叉熵函数。
2.获取车道线图像中的缺陷区域:
对得到的车道线图像根据先验知识确定出车道线图像中的每个车道线的矩形轮廓,由于车道线部位灰度表现较大,而缺陷区域灰度表现较小,利用阈值分割提取两部分并判断均值差异,当两部分灰度均值差异较大,即表明此时的背景部位灰度表现较小,即是缺陷区域,如果没有检测到缺陷区域则不对该车道线进行分析;如果检测到异常部分,提取该部分,得到缺陷区域。
得到每块车道线部分的缺陷区域。
S102、对缺陷区域进行初次判断:
如果缺陷区域即为实际缺失部分,路面部位由于其渣料构成,灰度熵相对于其他部分表现的最大,则分析缺陷区域的灰度熵,根据缺陷区域的灰度熵,对缺陷区域进行初次判断,对于提取到的缺失部分进行灰度熵判断,此时如果缺失部分是轮印或是泛油部位,其并不会有较大的灰度杂乱程度,而路面部分由于渣料缝隙存在,灰色和黑色分布不均匀,会表现出较大的灰度熵。
计算每个车道线中的缺陷区域的灰度熵:获取缺陷区域的灰度值在缺陷区域的频率,计算公式为:
式中:P(hi)为缺陷区域中第i个灰度值在缺陷区域的频率,ci为在缺陷区域中第i个灰度值对应的像素点的数量,n表示缺陷区域中像素点的数量,i表示缺陷区域中灰度值的序号。
则对于该缺失区域的灰度熵E(h)计算公式如下:
式中:E(h)表示确实区域的灰度熵,P(hi)为缺陷区域中第i个灰度值在缺陷区域的频率,i表示缺陷区域中灰度值的序号,j表示缺陷区域中灰度值的数量,灰度熵的计算公式为本领域的公知常识,在这里不做过多解释。
设置缺失阈值,缺失阈值根据实际路面灰度杂乱表现进行设置,也可进行相应调节,当缺陷区域的灰度熵大于缺失阈值时,表明该缺陷区域的灰度表现杂乱,即为裸露的路面部分,判断为路面裸露缺失部位,则该缺陷区域为缺失缺陷,若缺陷区域的灰度熵小于等于缺失阈值,对缺陷区域进行更进一步的判断。
遍历所有车道线并进行初步判断,如果没有灰度熵小于阈值的缺陷区域,则表明此时车道线的所有缺陷区域都为路面裸露部分,无须再进行后续判断;如果有灰度熵小于阈值的缺失部位,即非路面裸露缺失,进行后续判断。
S103、获取车道线图像中的目标区域:
对于非缺失缺陷的缺陷区域,不管是轮印还是泛油部位,其整体灰度表现上都较为接近,轮印整体灰度表现都较小,泛油部位可能因为反光有部分表现较大,但整体区域部位不会出现杂乱的灰度分布。根据这些特性,对缺陷区域的实际情况进行分析,判断出路面裸露缺失之后,利用阈值分割从路面部位提取出轮印或泛油的完整分布区域,再通过连通程度对不同区域选择进行连通,并根据连通区域形状轮廓及是否存在反光现象建立模型进行判断。
S102中判断出有灰度熵较小,即非路面裸露的缺失缺陷,则对此时的路面部分图像进行大津自适应阈值分割,其中路面图像即是S101中语义分割出的背景部位,此时轮印或是泛油部位的灰度值都较小接近黑色,而路面部分的灰度整体表现为灰色,其灰度值与轮印或泛油部位有较大差距,利用阈值分割进行提取,其中小于最佳分割阈值的即为目标部位(轮印或泛油部位);而大于最佳分割阈值的即为新的路面背景部位,得到缺陷区域的目标连通域。
因此首先获取进一步判断的目标区域,具体步骤如下:
设置合并阈值,当目标连通域与邻域目标连通域的统一程度小于合并阈值时,将目标连通域与邻域目标连通域合并至一个目标区域,迭代合并过程,当目标连通域的所有符合合并阈值的邻域目标连通域都合并后,停止合并,得到目标区域。
以第k个目标连通域为例分析,寻找该目标连通域的最小外接矩形,其长记为LCk,宽记为LKk(默认左右方向为宽,上下方向为长),以该目标连通域为中心,在长为3LCk,宽为3LKk的四邻域范围内搜索是否有其他目标连通区域,如果范围内有其他目标区域,对于其中第p个目标连通域,其与第k个目标连通域的距离记为rkp(此处距离计算为两个目标连通域距离最近的边缘间的距离长度),同时该目标连通域的最小外接矩形长为LCkp,宽为LKkp,则有对于第p个相邻目标连通域与第k个目标连通域的统一程度ξ计算方法如下:获取每个目标连通域的最小外接矩形的边长,确定该目标连通域的搜索范围,获取该目标连通域在搜索范围内的所有邻域目标连通域;
计算目标连通域和每个邻域目标连通域之间的距离,并获取每个邻域目标连通域的最小外接矩形的边长;
对于水平方向的邻域目标连通域,统一程度的计算方法为:计算目标连通域和邻域目标连通域之间的距离与目标连通域最小外接矩形的宽的商,将得到的商值作为目标连通域和邻域目标连通域的空隙长度,并对邻域目标连通域的最小外接矩形的长与目标连通域最小外接矩形的长的商值进行负归一化处理,将负归一化处理的结果作为距离指标,将目标连通域和邻域目标连通域的空隙长度与距离指标之和作为目标连通域和邻域目标连通域的统一程度;
对于竖直方向的邻域目标连通域,统一程度的计算方法为:计算目标连通域和邻域目标连通域之间的距离与目标连通域最小外接矩形的长的商,将得到的商值作为目标连通域和邻域目标连通域的空隙宽度,并对邻域目标连通域的最小外接矩形的宽与目标连通域最小外接矩形的宽的商值进行负归一化处理,将负归一化处理的结果作为距离指标,将目标连通域和邻域目标连通域的空隙宽度与距离指标之和作为目标连通域和邻域目标连通域的统一程度。
则统一程度ξ计算公式如下:
式中:ξ1表示水平方向的目标连通域和邻域目标连通域之间的统一程度,ξ2表示竖直方向的目标连通域和邻域目标连通域之间的统一程度,rkp表示第k个目标连通域与第p个邻域目标连通域之间的距离,LKk和LCk分别表示第k个目标连通域最小的外接矩形的宽和长,LCkp和LKkp分别表示第p个邻域目标连通域的最小外接矩形的长和宽,e为自然对数底数。
上式是为了判断两个目标连通域间的距离是否足够小且与最小距离垂直方向上的长度是否接近,即连通区域走向趋势相近,如果ξ < 2(根据经验给出,可根据实际进行调节),认为该两目标连通域为实际同一部位区域,归为同一连通区域,即目标区域。
对S103的过程进行遍历,直至每个车道线部分的缺陷区域中的目标连通域全部被合并后停止遍历,此时得到车道线图像上的所有目标区域。
S104、建立目标区域的判断模型:
本实施例通过阈值分割提取到完整的分布区域,并将属于同一连通区域的多区域进行归一化得到目标区域,再计算目标区域的连通程度、形状表现及反光现象的判断模型来进行区分辨别。
连通程度上,同一目标区域内泛油部位无缝隙而轮印由于车轮花纹等虚影存在,会使得泛油的目标区域的连通程度较大;而形状表现上,轮印区域表现为长矩形而泛油部位形状不固定但多表现为不规则聚集形;如出现特殊的长矩形泛油部位,泛油区域会出现部分反光,而轮印区域则不会,利用这些特性建立判断模型来判断确定缺陷区域所属的是轮印缺陷还是泛油缺陷。
由于在缺陷区域的灰度表现中,轮印缺陷与泛油缺陷的灰度表现差异较小,无法对其进行区分,本步骤利用阈值分割及连通域分析提取完整的轮印或泛油部位,并根据其连通区域的连通程度、形状轮廓及反光现象建立判断模型对两种缺陷类型进行区分判断。
1.计算目标区域的连通程度:
其中泛油区域整体连通程度较高,即目标区域内部没有多少空隙缝隙;而轮印部位由于轮胎花纹存在,其中会有较多不属于目标部位的空隙区域,通过计算目标区域中的目标连通域之间的连通程度作为判断指标之一。
获取每个目标区域中每个目标连通域的面积,将每个邻域目标连通域与目标连通域之间的空隙长度与空隙宽度的乘积之和与该目标区域的面积的比值作为该目标区域的连通程度,计算公式如下:
式中:δq表示第q个目标区域的连通程度,Aq表示第q个目标区域的实际面积(需要
说明的是,此处的目标区域的实际面积为目标区域中所有目标连通域的面积之和),lu表示
第q个目标区域中第u个邻域目标连通域与目标连通域之间的空隙长度,Su表示第q个目标
区域中第u个邻域目标连通域与目标连通域之间的空隙宽度,u表示第q个目标区域中邻域
目标连通域的序号,m表示第q个目标区域中邻域目标连通域的数量,反映了第u
个邻域目标连通域与目标连通域之间的空隙大小。
2.计算目标区域的连通域线型度:
对于形状轮廓,轮印部位整体表现为有一定宽度的线型,即长矩形;而泛油部位多为聚集形状,呈现出不规则的一块,利用最小外接矩形的长宽比和面积比来作为形状轮廓判断依据,对于第q个连通区域,其最小外接矩形长为Cq,宽为Kq(此处默认Cq>Kq),此时的连通域面积为Sq(通过边缘检测提取该区域的外边缘,面积为外边缘内所有区域面积)。
获取每个目标区域的最小外接矩形的边长和每个目标区域的面积,将该目标区域的长宽之比,与该目标区域的面积和该目标区域最小外接矩形的面积之比的和,作为该目标区域的连通域线型度,计算公式如下:
式中:ηq表示第q个目标区域的连通域线型度,Cq表示第q个目标区域的最小外接矩形的长,Kq示第q个目标区域的最小外接矩形的宽,Sq表示第q个目标区域的面积(此处的目标区域的面积即为目标区域的整体面积),长宽比越大,连通域面积比越大,表明该区域形状越接近长矩形,即一定宽度的线型,Aq表示第q个目标区域的实际面积(需要说明的是,此处的目标区域的实际面积为目标区域中所有目标连通域的面积之和)。
由于Aq表示第q个目标区域的实际面积(需要说明的是,此处的目标区域的实际面积为目标区域中所有目标连通域的面积之和),而目标区域的实际面积越小,则目标区域的连通程度越大,有上述连通域线型度公式可以看出,目标区域的实际面积越小,该目标区域的连通域线型度越大,因此可以得出,目标区域的实际面积越小,目标区域的连通程度和目标区域的连通域线型度越大,目标区域的连通程度和目标区域的连通域线型度呈正比关系。
3.计算目标区域的反光程度:
连通程度越大,连通域线型度越大,可以表明目标区域为轮印缺陷的可能性越大,但此时仍有可能出现长矩形的泛油部位区分结果不准确,由于泛油部位会存在反光现象,而轮印部位不会出现反光现象,目标区域的反光程度计算公式如下:
4.建立目标区域的判断模型:
由于轮印部位,其连通程度越大,连通域线型度越大而反光程度越小,因此,目标区域的判断模型为:以该目标区域的连通程度和连通域线型度之和作为底数,该目标区域的反光程度的相反数作为幂指数,将该对应法则作为目标区域的判断模型,目标区域的判断模型的具体表达式为:
式中:λq表示第q个目标区域的判断系数,δq表示第q个目标区域的连通程度,ηq表示第q个目标区域的连通域线型度,ρq表示第q个目标区域的反光程度。
目标区域的实际面积越小,目标区域的连通程度和目标区域的连通域线型度越大,目标区域的连通程度和目标区域的连通域线型度呈正比关系,因此连通程度越大,连通域线型度越大而反光程度越小,则说明该目标区域越可能是轮印缺陷,反之,则为泛油缺陷。
S105、根据缺陷类型进行相应的维护修补:
根据S104的分析结果,得到每个目标区域的判断系数,得到对于车道线缺失的不同情况检测结果,并进行不同程度的维护修补。
当缺陷区域的灰度熵大于缺失阈值时,该缺陷区域的缺陷类型为缺失缺陷,对于缺失缺陷,对该缺陷区域进行车道线补全操作;
对于小于等于缺失阈值的非缺失缺陷的缺陷部分:
设置判断阈值,本实施例的判断阈值为1,实施者可根据具体情况设置,当目标区域的判断系数大于判断阈值时,该目标区域为轮印缺陷,对于轮印缺陷,清洗该缺陷区域对应的车道线上的轮印;
当目标区域的判断系数小于等于判断阈值时,该目标区域为泛油缺陷,对于泛油缺陷,对该缺陷区域进行填渣处理掉泛油问题后,再进行车道线补全操作。
基于与上述方法相同的发明构思,本实施例还提供了基于道路监控的城市路面维护监察系统,本实施例中基于道路监控的城市路面维护监察系统包括图像采集单元、图像处理单元、数据处理单元、判断单元和控制单元,所述图像采集单元、图像处理单元、数据处理单元、判断单元和控制单元,如图3所示,以实现如一种数据的安全传输基于道路监控的城市路面维护监察方法的实施例中所描述的利用图像采集单元获取车道线图像中每个车道线区域中的缺陷区域,计算缺陷区域的灰度熵判断是否为缺失缺陷,通过图像处理单元对非缺失缺陷进行阈值分割得到目标连通域,对目标连通域合并得到目标区域,在数据处理单元中分析每个目标区域的连通程度、连通域线型度和反光程度构建判断模型,根据判断模型通过判断单元对非缺失缺陷的缺陷区域进行缺陷类型的判断,通过控制单元接收的缺陷类型对不同类型的缺陷进行不同方法的维护修补。
由于一种数据的安全传输方法实施例中已经对利用图像采集单元获取车道线图像中每个车道线区域中的缺陷区域,计算缺陷区域的灰度熵判断是否为缺失缺陷,通过图像处理单元对非缺失缺陷进行阈值分割得到目标连通域,对目标连通域合并得到目标区域,在数据处理单元中分析每个目标区域的连通程度、连通域线型度和反光程度构建判断模型,根据判断模型通过判断单元对非缺失缺陷的缺陷区域进行缺陷类型的判断,通过控制单元接收的缺陷类型对不同类型的缺陷进行不同方法的维护修补的方法进行了说明,此处不再赘述。
Claims (8)
1.基于道路监控的城市路面维护监察方法,其特征在于,包括:
获取车道线图像;
获取车道线图像中每个车道线区域的矩形轮廓,对每个车道线区域的矩形轮廓中的灰度值进行阈值分割,得到每个车道线区域中的缺陷区域;
计算所有车道线区域中每个缺陷区域的灰度熵,根据每个缺陷区域的灰度熵判断该缺陷区域是缺失缺陷或非缺失缺陷;
对非缺失缺陷的缺陷区域的灰度值进行阈值分割,得到车道线图像中的所有目标连通域;
获取每个目标连通域的最小外接矩形,根据最小外接矩形的边长确定搜索范围,计算搜索范围内该目标连通域与邻域目标连通域的统一程度;
根据每个目标连通域和邻域目标连通域的统一程度对目标连通域进行合并,得到目标区域;
根据每个目标区域中的目标连通域的面积、目标连通域之间的距离,以及邻域目标连通域的边长计算每个目标区域的连通程度;
根据每个目标区域的最小外接矩形的边长以及每个目标区域的面积,计算每个目标区域的连通域线型度;
将每个目标区域的灰度值均值作为该目标区域的反光程度,得到每个目标区域的反光程度;
利用每个目标区域的连通程度、连通域线型度和反光程度计算每个目标区域的判断系数;
根据每个目标区域的判断系数判断每个目标区域为轮印缺陷或泛油缺陷,对不同缺陷的目标区域进行不同方法的维护修补。
2.根据权利要求1所述的基于道路监控的城市路面维护监察方法,其特征在于,所述目标连通域与邻域目标连通域的统一程度的计算方式如下:
获取每个目标连通域的最小外接矩形的边长,确定该目标连通域的搜索范围,获取该目标连通域在搜索范围内的所有邻域目标连通域;
计算目标连通域和每个邻域目标连通域之间的距离,并获取每个邻域目标连通域的最小外接矩形的边长;
对于水平方向的邻域目标连通域,统一程度的计算方法为:计算目标连通域和邻域目标连通域之间的距离与目标连通域最小外接矩形的宽的商,将得到的商值作为目标连通域和邻域目标连通域的空隙长度,并对邻域目标连通域的最小外接矩形的长与目标连通域最小外接矩形的长的商值进行负归一化处理,将负归一化处理的结果作为距离指标,将目标连通域和邻域目标连通域的空隙长度与距离指标之和作为目标连通域和邻域目标连通域的统一程度;
对于竖直方向的邻域目标连通域,统一程度的计算方法为:计算目标连通域和邻域目标连通域之间的距离与目标连通域最小外接矩形的长的商,将得到的商值作为目标连通域和邻域目标连通域的空隙宽度,并对邻域目标连通域的最小外接矩形的宽与目标连通域最小外接矩形的宽的商值进行负归一化处理,将负归一化处理的结果作为距离指标,将目标连通域和邻域目标连通域的空隙宽度与距离指标之和作为目标连通域和邻域目标连通域的统一程度。
3.根据权利要求1所述的基于道路监控的城市路面维护监察方法,其特征在于,所述根据每个目标连通域和邻域目标连通域的统一程度对目标连通域进行合并的方法为:
设置合并阈值,当目标连通域与邻域目标连通域的统一程度小于合并阈值时,将目标连通域与邻域目标连通域合并至一个目标区域,迭代合并过程,当目标连通域的所有符合合并阈值的邻域目标连通域都合并后,停止合并,得到目标区域。
4.根据权利要求1所述的基于道路监控的城市路面维护监察方法,其特征在于,所述计算每个目标区域的连通程度的过程如下:
获取每个目标区域中每个目标连通域的面积,将每个邻域目标连通域与目标连通域之间的空隙长度与空隙宽度的乘积之和与该目标区域的面积的比值作为该目标区域的连通程度;
得到每个目标区域的连通程度。
5.根据权利要求1所述的基于道路监控的城市路面维护监察方法,其特征在于,所述计算每个目标区域的连通域线型度的方法如下:
获取每个目标区域的最小外接矩形的边长和每个目标区域的面积,将该目标区域的长宽之比,与该目标区域的面积和该目标区域最小外接矩形的面积之比的和,作为该目标区域的连通域线型度;
得到每个目标区域的连通域线型度。
6.根据权利要求1所述的基于道路监控的城市路面维护监察方法,其特征在于,所述计算每个目标区域的判断系数的过程为:
对于每个目标区域,以该目标区域的连通程度和连通域线型度之和作为底数,该目标区域的反光程度的相反数作为幂指数,将对应法则作为目标区域的判断模型;
根据每个目标函数的连通程度、连通域线型度和反光程度,得到每个目标区域的判断系数。
7.根据权利要求1所述的基于道路监控的城市路面维护监察方法,其特征在于,所述根据每个目标区域的判断系数判断每个目标区域的缺陷类型的方法如下:
设置缺陷阈值,当判断系数大于缺陷阈值时,该目标区域为轮印缺陷;
当判断系数小于等于缺陷阈值时,该目标区域为泛油缺陷。
8.基于道路监控的城市路面维护监察系统,其特征在于,包括:
图像采集单元:采集城市路面的车道线图像;
图像处理单元:对图像采集单元得到的车道线图像进行阈值分割,得到每个车道线图像中的缺陷区域;
对非缺失缺陷的缺陷区域的灰度值进行阈值分割,得到车道线图像中的所有目标连通域;
根据每个目标连通域和邻域目标连通域的统一程度对目标连通域进行合并,得到目标区域;
数据处理单元:根据每个目标区域中的目标连通域的面积、目标连通域之间的距离,以及邻域目标连通域的边长计算每个目标区域的连通程度;
根据每个目标区域的最小外接矩形的边长以及每个目标区域的面积,计算每个目标区域的连通域线型度;
将每个目标区域中每个目标连通域的灰度值均值之和作为该目标区域的反光程度,得到每个目标区域的反光程度;
利用每个目标区域的连通程度、连通域线型度和反光程度建立目标区域的判断模型;
判断单元:设置判断阈值,根据每个目标区域的判断模型的结果对每个目标区域的缺陷类型进行判断,得到每个目标区域的缺陷类型;
控制单元:根据判断单元得到的每个目标区域的缺陷类型,按照不同缺陷对应的修补方法对每个目标区域进行维护修补。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211138041.8A CN115272298B (zh) | 2022-09-19 | 2022-09-19 | 基于道路监控的城市路面维护监察方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211138041.8A CN115272298B (zh) | 2022-09-19 | 2022-09-19 | 基于道路监控的城市路面维护监察方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272298A CN115272298A (zh) | 2022-11-01 |
CN115272298B true CN115272298B (zh) | 2022-12-13 |
Family
ID=83757044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211138041.8A Active CN115272298B (zh) | 2022-09-19 | 2022-09-19 | 基于道路监控的城市路面维护监察方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272298B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102806913A (zh) * | 2011-05-31 | 2012-12-05 | 德尔福电子(苏州)有限公司 | 一种新型的车道线偏离检测方法及装置 |
CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 一种获取车道线的方法和装置 |
CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
WO2021249560A1 (zh) * | 2020-06-12 | 2021-12-16 | 广州极飞科技股份有限公司 | 作物缺失的检测方法及检测装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701449B (zh) * | 2015-12-31 | 2019-04-23 | 百度在线网络技术(北京)有限公司 | 路面上的车道线的检测方法和装置 |
CN107578002B (zh) * | 2017-08-28 | 2021-01-05 | 沈阳中科创达软件有限公司 | 一种车道线识别结果的监测方法、装置、设备和介质 |
CN111881913A (zh) * | 2019-07-05 | 2020-11-03 | 深圳数字生命研究院 | 图像识别方法及装置、存储介质和处理器 |
-
2022
- 2022-09-19 CN CN202211138041.8A patent/CN115272298B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102806913A (zh) * | 2011-05-31 | 2012-12-05 | 德尔福电子(苏州)有限公司 | 一种新型的车道线偏离检测方法及装置 |
CN104766058A (zh) * | 2015-03-31 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 一种获取车道线的方法和装置 |
CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
WO2021249560A1 (zh) * | 2020-06-12 | 2021-12-16 | 广州极飞科技股份有限公司 | 作物缺失的检测方法及检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115272298A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664715B (zh) | 一种路面积水车辙三维评价与行车安全分析方法 | |
CN101339616B (zh) | 道路识别方法及装置 | |
CN103914688A (zh) | 一种城市道路障碍物识别系统 | |
CN113850123A (zh) | 基于视频的公路监控方法及装置、存储介质和监控系统 | |
CN110826412B (zh) | 高速公路能见度检测系统和方法 | |
CN110458050B (zh) | 基于车载视频的车辆切入检测方法及装置 | |
Abou Chacra et al. | Fully automated road defect detection using street view images | |
CN111597905A (zh) | 一种基于视频技术的公路隧道停车检测方法 | |
CN103116988A (zh) | 基于tof相机的车流量及车型检测方法 | |
CN113837094A (zh) | 基于全色高分遥感图像的路况快捷分析方法 | |
CN111259796A (zh) | 一种基于图像几何特征的车道线检测方法 | |
CN109870458B (zh) | 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法 | |
CN111563478A (zh) | 一种积水情况下安全行驶的全自动处理方法 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN115272298B (zh) | 基于道路监控的城市路面维护监察方法及系统 | |
CN117169121B (zh) | 一种基于云边端架构的交通道路病害检测系统及方法 | |
CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 | |
CN116071726A (zh) | 一种基于边缘计算的道路巡检系统及方法 | |
CN115294774B (zh) | 基于深度学习的非机动车道路违停检测方法及装置 | |
CN116433527A (zh) | 一种路面激光线提取装置及方法 | |
Wang et al. | Detection of lane lines on both sides of road based on monocular camera | |
CN118196761B (zh) | 一种针对交通标识线的图像识别方法和系统 | |
CN116485843B (zh) | 一种道路病害识别追踪方法 | |
Abou Chacra et al. | Road Defect Detection in Street View Images using Texture Descriptors and Contour Maps | |
KR102570313B1 (ko) | 높은 정확도를 갖는 도로의 손상면적 산출 방법 및 시스템 |
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 |