路面裂縫自動(dòng)識(shí)別技術(shù)研究

王仲霖 雷寶亮

摘要：路面裂縫自動(dòng)檢測(cè)對(duì)于路面養(yǎng)護(hù)管理路面性能評(píng)價(jià)與預(yù)測(cè)具有重要的實(shí)用價(jià)值'但快速、準(zhǔn)確全面且穩(wěn)定的識(shí)別路面裂縫—直是個(gè)難題。本文從傳統(tǒng)的數(shù)字圖像處理算法入手，為裂縫自動(dòng)識(shí)別的研究提供參考。

關(guān)鍵詞：最佳特定非線性音調(diào)曲線 導(dǎo)向?yàn)V波 種子生長(zhǎng) 特征提取 卷積神經(jīng)網(wǎng)絡(luò)

1.概述

我國公路交通正處于高速發(fā)展時(shí)期，隨著人們對(duì)行車安全性、舒適性和經(jīng)濟(jì)性地要求的不斷提高，路面養(yǎng)護(hù)的重要性和緊迫性日漸凸顯出來。現(xiàn)在比較流行的路面采集方式有基于面陣相機(jī)和線陣相機(jī)兩種方式。線陣相機(jī)具有分辨率高、成本低等優(yōu)點(diǎn)，應(yīng)用比較廣泛。不管是基于哪種方式，要實(shí)現(xiàn)裂縫的自動(dòng)識(shí)別主要是針對(duì)圖像進(jìn)行處理。

2.基于傳統(tǒng)數(shù)字圖像處理的裂縫自動(dòng)識(shí)別研究

利用傳統(tǒng)的圖像處理方式對(duì)裂縫進(jìn)行自動(dòng)識(shí)別主要經(jīng)過以下幾個(gè)步驟：1、預(yù)處理;2、圖像分割;3、特征提取;4、機(jī)器分類學(xué)習(xí)。

2.1圖像預(yù)處理

預(yù)處理主要盡量減少圖像因攝像機(jī)鏡頭光照條件等產(chǎn)生的噪聲。針對(duì)路面裂縫的識(shí)別，主要是消除雜物、油污、陰影、斑馬線等因素的影響。同時(shí)，由于路面檢測(cè)的情況不一，其產(chǎn)生的照片存在曝光不足或曝光太過的情況，需要對(duì)圖像的對(duì)比度進(jìn)行修正。圖像預(yù)處理的好壞直接影響最終識(shí)別的準(zhǔn)確率，因此圖像預(yù)處理至關(guān)重要。圖像預(yù)處理一般包括3個(gè)步驟：

2.1.1 圖像對(duì)比度增強(qiáng)

由于在車輛快速運(yùn)行的過程中，受環(huán)境光、背光、世界復(fù)雜反射率及相機(jī)后處理能力等因素的影響，照片會(huì)存在過度曝光或曝光不足的情況，細(xì)節(jié)會(huì)丟失。微軟亞洲研究院LuYuan和JianSun提出了一種基于圖論區(qū)域的圖像分割，根據(jù)圖片亮度的最佳特定非線性音調(diào)曲線（S）的自動(dòng)曝光校正技術(shù)。該方法比通用的自動(dòng)水平拉伸、直方圖均衡、拉普拉斯變換等有更好的效果。

2.1.2 圖像去噪

圖像去噪可以在空間域和頻域展開。空間濾波使用較為廣泛的預(yù)處理方法主要包括：均值、中值、維納等濾波。基于中值濾波的方法對(duì)路面裂縫識(shí)別的平滑效果較好，但仍無法有效消除路面紋理的影響。本文采用的是KaimingHe提出的導(dǎo)向?yàn)V波，該方法在平滑圖像的基礎(chǔ)上，有良好的保邊作用，而且在細(xì)節(jié)增強(qiáng)等方面有良好的表現(xiàn)。

2.1.2 去除光亮

使用光紋刪除背景可以為我們提供更好的分割，有效去除圖片的偽像。一般采用差分和除法，這兩種方法在裂縫識(shí)別中效果區(qū)別不大。首先可通過大尺寸核矩陣模糊化原圖像可完成圖像背景的提取。本文采用均值濾波，半徑為圖像尺寸的三分之一。去除背景后，需對(duì)圖像進(jìn)行二值化處理。

2.2 圖像分割

圖像分割的目的就是有效去除二值化產(chǎn)生的孤立點(diǎn)等干擾。主要方法包括基于連通區(qū)域孔洞填充的算法和基于區(qū)域生長(zhǎng)（種子生長(zhǎng)）的算法。

2.3 特征提取

裂縫類型主要分為橫向、縱向、網(wǎng)狀和龜裂等，根據(jù)其主要分類，本文擬提取以下特征值：裂縫在x軸的投影，裂縫在y軸的投影、裂縫最小外接矩形的面積、裂縫的占空比4個(gè)特征值。

2.4 機(jī)器分類學(xué)習(xí)

本文采用了基于前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法。前饋神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的一種，其包括一個(gè)輸入層、一個(gè)輸出層和若干個(gè)隱含層，因此具有該種拓?fù)浣Y(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)又稱為多層感知器（MLP）。該MLP包括一個(gè)輸入層、一個(gè)輸出層和一個(gè)隱含層，其中某一層的神經(jīng)元只能通過一個(gè)方向連接到下一層的神經(jīng)元。

本文采用了OpenCV提供的基于RPROP算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法。通過輸入訓(xùn)練樣本數(shù)據(jù)、創(chuàng)建1個(gè)3層MLP，其輸入層有4個(gè)神經(jīng)元，隱藏層有5個(gè)神經(jīng)元，輸出層有4個(gè)神經(jīng)元。訓(xùn)練1000次后，人工挑選100幅圖像，分類結(jié)果如下：

通過上述分類可以看出，對(duì)于橫向、縱向裂縫的識(shí)別率較高，但對(duì)于網(wǎng)狀和龜裂的識(shí)別率還不能達(dá)到要求，主要因?yàn)樵肼暛h(huán)境中微弱的裂縫信號(hào)無法檢測(cè)到，目前無法找到合適的算法可實(shí)現(xiàn)根據(jù)裂縫走向?qū)α芽p斷裂進(jìn)行修補(bǔ)，在裂縫復(fù)雜的情況下無法有效的提取到準(zhǔn)確的裂縫圖像。

3 總結(jié)

本文通過從傳統(tǒng)的數(shù)字圖像處理人手，對(duì)路面裂縫自動(dòng)的技術(shù)進(jìn)行了研究，該方法可以有效的識(shí)別大部分的裂縫，單處理單幅圖像上有多個(gè)裂縫的情況情況不佳。如何有效的尋找有效的方式適用于所有類型的裂縫將是作者下一步研究的方向。

參考文獻(xiàn)

[1]RafaeIC .GonzalezRichardE .Woods.數(shù)字圖像處理，電子工業(yè)出版社.2017（5）

[2]趙春江，機(jī)器學(xué)習(xí)經(jīng)典算法剖析.人民郵電出版社2018（8）L3lLuYuan. JianSun AutomaticExposureCorrectionofConsumerPhotographs.

[4]Pedro. Felzenszwalb. andDanieIP.Huttenlocher.EfficientGraphBasedImageSegmentation

[5]唐磊，趙春霞，王鴻南，胡勇，基于圖像分析的路面裂縫檢測(cè)和分類，工程圖學(xué)學(xué)報(bào).2008

[6]K.He. Sun， andX.Tang.Guidedimagefiltering.lnECCV2010