基于机器视觉的高速公路微小病害识别方法技术

本发明专利技术属于交通安全隐患技术领域，具体涉及一种基于机器视觉的高速公路微小病害识别方法。本发明专利技术利用三维模型3D可视化，分别构建可视化实时桥梁矢量模型、可视化对比桥梁矢量模型，并将之前获取的框架建模成时空坐标，融合入可视化实时桥梁矢量模型，使得时空坐标信息嵌入到图像、颜色、纹理的物理结构中，通过该融合模型与可视化对比桥梁矢量模型对比，将不同的颜色和纹理要素标注出来，结合相关摄像机拍摄图片，即可判断桥梁病害情况，整个过程更加方便，效率高，模型对比，误差小；同时能够检测到路面病害初期状况，并跟踪其发展情况，分析路面病害发展趋势，具有较好的实时性，并且检测效率高。检测效率高。检测效率高。

【技术实现步骤摘要】
基于机器视觉的高速公路微小病害识别方法


[0001]本专利技术涉及交通安全隐患
，更具体的说是涉及一种基于机器视觉的高速公路微小病害识别方法。

技术介绍

[0002]机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
[0003]现有技术中，通过在测量车上安装无线网络路面视频采集设备和GPS系统，实时采集路面状况信息和位置信息，采集的数据通过无线通信技术传输到信息处理中心，在信息处理中心进行图像预处理、路面病害特征提取及病害类型识别，但是，上述方案的识别技术还不成熟。

技术实现思路

[0004]基于
技术介绍
中出现的问题，本专利技术提供了一种基于机器视觉的高速公路微小病害识别方法。
[0005]为实现上述目的，本专利技术提供如下技术方案，主要包括：
[0006]基于机器视觉的高速公路微小病害识别方法，所采用方法包括有以下步骤：
[0007]步骤一：拍摄预识别高速公路的路面图像，并记录拍摄时当前图像帧的高度、角度和焦距，同时通过GPS记录当前图像帧所对应的地理位置信息，集成为原始图像数据库；
[0008]步骤二：对获得的图像进行预处理，集成为对比图像数据库；
[0009]步骤三：将原始图像数据库和对比图像数据库的图像数据进行三维建模，分别得到原始公路建模和对比公路建模；
[0010]步骤四：将步骤三获得的两个模型对比二者相对应的颜色特征、纹理特征的数值矢量化，得到二者的矢量化数据模型；
[0011]步骤五：将原始公路建模与其矢量化数据模型融合形成完整的公路实物模型；
[0012]步骤六：对比公路建模的矢量化数据模型与步骤五得到的公路实物模型输入至元数据管理系统MDMS中，进行对比，并标记出病害位置；
[0013]步骤七：将标记出病害位置与步骤一得到的地理位置信息进行对应，进而确定病害位置；
[0014]步骤八：将路面病害进行特征提取并分类。
[0015]优选的，所述步骤二中对图像的预处理，首先降噪，获取图像中桥梁图层的颜色纹理分布，构成颜色样本集，然后对颜色样本集除重，对颜色、纹理交接处进行标记，集成为原始影像库，同时，提取多源对比数据中桥梁图层的颜色纹理分布并除重，对颜色、纹理交接
处进行标记，进而得到原始公路数据库。
[0016]优选的，所述矢量化数据模型，先根据桥梁的空间位置确定Path和Row的具体时空数值范围，再对这些具体数值范围进行初步筛选，保证每Path和Row均对应桥梁的某一位置，得到将覆盖该桥梁的数据集合模型，然后对时空数据进行度量和辨别，利用数据概率值完成对不精确数据的分类淸洗，然后通过多次排序改进SNM算法,对数据集合模型中的相似重复数据进行清洗，得到精确且清晰直观的数据模型，然后利用SVG进行时空数据矢量化，形成点、线、面，由点、线、面组成具体时空数据坐标，构建矢量化数据模型。
[0017]优选的，所述步骤六的对比中，重点对比颜色、纹理特征，挖掘关联信息和不同信息，并将不同的颜色和纹理要素在桥梁实物模型中标注出来。
[0018]优选的，所述步骤八对路面病害特征进行提取与分类时，定位到路面病害区域后，提取病害特征并进行归一化，然后根据病害种类及病害严重程度进行分类，具体包括如下步骤：
[0019](1)采用HGM多小波变换提取高速公路路面病害纹理特征，HGM多小波的高频滤波器系数[G0G1G2G3]和低频滤波器系数[H0H1H2G3]分别为：
[0020][0021][0022](2)采用支持向量机分类器对提取的高速公路路面病害纹理特征向量进行分类，识别出最终的病害类别，如裂缝分成单条裂缝和网状复杂病害，单条裂缝分类出横向、纵向等。
[0023]经由上述的技术方案可知，与现有技术相比，本专利技术利用三维模型3D可视化，分别构建可视化实时桥梁矢量模型、可视化对比桥梁矢量模型，并将之前获取的框架建模成时空坐标，融合入可视化实时桥梁矢量模型，使得时空坐标信息嵌入到图像、颜色、纹理的物理结构中，通过该融合模型与可视化对比桥梁矢量模型对比，将不同的颜色和纹理要素标注出来，结合相关摄像机拍摄图片，即可判断桥梁病害情况，整个过程更加方便，效率高，模型对比，误差小；同时能够检测到路面病害初期状况，并跟踪其发展情况，分析路面病害发展趋势，具有较好的实时性，并且检测效率高；且该方法在高速公路路面病害检测中的应用可节约高速公路维修成本，确保行车安全，延长公路使用寿命。
附图说明
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，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，还可以根据提供的附图获得其他的附图。
[0025]图1为本专利技术的方法流程图。
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]实施例
[0028]基于机器视觉的高速公路微小病害识别方法，如图1所示，基于机器视觉的高速公路微小病害识别方法，所采用方法包括有以下步骤：
[0029]步骤一：拍摄预识别高速公路的路面图像，并记录拍摄时当前图像帧的高度、角度和焦距，同时通过GPS记录当前图像帧所对应的地理位置信息，集成为原始图像数据库；
[0030]步骤二：对获得的图像进行预处理，集成为对比图像数据库；
[0031]步骤三：将原始图像数据库和对比图像数据库的图像数据进行三维建模，分别得到原始公路建模和对比公路建模；
[0032]步骤四：将步骤三获得的两个模型对比二者相对应的颜色特征、纹理特征的数值矢量化，得到二者的矢量化数据模型；
[0033]步骤五：将原始公路建模与其矢量化数据模型融合形成完整的公路实物模型；
[0034]步骤六：对比公路建模的矢量化数据模型与步骤五得到的公路实物模型输入至元数据管理系统MDMS中，进行对比，并标记出病害位置；
[0035]步骤七：将标记出病害位置与步骤一得到的地理位置信息进行对应，进而确定病害位置；
[0036]步骤八：将路面病害进行特征提取并分类。
[0037]为了进一步优化上述方案，所述步骤二中对图像的预处理，首先降噪，获取图像中桥梁图层的颜色纹理分布，构成颜色样本集，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器视觉的高速公路微小病害识别方法，其特征在于，所采用方法包括有以下步骤：步骤一：拍摄预识别高速公路的路面图像，并记录拍摄时当前图像帧的高度、角度和焦距，同时通过GPS记录当前图像帧所对应的地理位置信息，集成为原始图像数据库；步骤二：对获得的图像进行预处理，集成为对比图像数据库；步骤三：将原始图像数据库和对比图像数据库的图像数据进行三维建模，分别得到原始公路建模和对比公路建模；步骤四：将步骤三获得的两个模型对比二者相对应的颜色特征、纹理特征的数值矢量化，得到二者的矢量化数据模型；步骤五：将原始公路建模与其矢量化数据模型融合形成完整的公路实物模型；步骤六：对比公路建模的矢量化数据模型与步骤五得到的公路实物模型输入至元数据管理系统MDMS中，进行对比，并标记出病害位置；步骤七：将标记出病害位置与步骤一得到的地理位置信息进行对应，进而确定病害位置；步骤八：将路面病害进行特征提取并分类。2.根据权利要求1所述的基于机器视觉的高速公路微小病害识别方法，其特征在于，所述步骤二中对图像的预处理，首先降噪，获取图像中桥梁图层的颜色纹理分布，构成颜色样本集，然后对颜色样本集除重，对颜色、纹理交接处进行标记，集成为原始影像库，同时，提取多源对比数据中桥梁图层的颜色纹理分布并除重，对颜色、纹理交接处进行标记，进而得到原始公路数据库。3.根据权利要求1所述的基于机器视觉的高速公路微小病害识别方法，其特征在于，所述矢量...

【专利技术属性】
技术研发人员：郭丹桂，王少甲，洪卫星，王佳，郁帮恒，
申请(专利权)人：广东博大高速公路有限公司博深分公司南京智行信息科技有限公司，
类型：发明
国别省市：