一种基于线阵图像的路面缝隙精准高效检测方法技术

本发明专利技术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，同时本发明专利技术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。

【技术实现步骤摘要】
一种基于线阵图像的路面缝隙精准高效检测方法
本专利技术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

技术介绍
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，本专利技术拟解决以下问题：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。
技术实现思路
针对现有技术的不足，本专利技术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，同时本专利技术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，本专利技术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，本专利技术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本文档来自技高网...

【技术保护点】
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；/n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；/n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，本专利技术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。/n...

【技术特征摘要】
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)




表示为：



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：

其中i＝1，2，3；j＝1，2，...，k
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...

【专利技术属性】
技术研发人员：刘秀萍，刘文平，
申请(专利权)人：刘秀萍，
类型：发明
国别省市：浙江;33