[發(fā)明專利]一種基于隨機森林的路面裂縫檢測方法及其評價方法

在審

• 申請?zhí)枺?/td>: 201810317128.9
• 申請日: 2018-04-10
• 公開（公告）號: CN108520278A
• 公開（公告）日: 2018-09-11
• 發(fā)明（設(shè)計）人: 李良福;高小小;孫瑞赟
• 申請（專利權(quán)）人: 陜西師范大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T5/30;G06T5/40
• 代理公司: 西安智萃知識產(chǎn)權(quán)代理有限公司 61221
• 代理人: 趙雙

本發(fā)明涉及一種基于隨機森林的路面裂縫檢測方法及其評價方法，包括以下步驟首先，對χ提取特征，然后用隨機結(jié)構(gòu)森林對χ進行訓(xùn)練，所有的模板共同組成模板結(jié)構(gòu)空間，然后對圖像塊進行二值化處理和膨脹腐蝕操作，其次對模板結(jié)構(gòu)空間里的所有模板，用新的裂縫描述子進行描述，把這些描述特征都輸入到分類器中進行學(xué)習(xí)，最后將原圖輸入到分類器中進行分類，識別出含有裂縫的圖像塊，那么，含有裂縫的圖像塊被置為該圖像塊對應(yīng)的二值化的結(jié)果，不含裂縫的圖像塊被置為白色0。本發(fā)明能夠有效的檢測路面結(jié)構(gòu)復(fù)雜的裂縫，避免受到噪聲的影響，裂縫檢測準確度高。本發(fā)明的評價方法針對圖像塊，從連續(xù)性判斷路面的裂縫情況，進而發(fā)現(xiàn)路面存在的安全隱患。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)字圖像處理和機器學(xué)習(xí)技術(shù)領(lǐng)域，具體涉及一種基于隨機森林的路面裂縫檢測方法及其評價方法。

背景技術(shù)

裂縫是一種道路病害，會降低道路性能并威脅道路安全。政府部門已經(jīng)盡最大能力來構(gòu)建高質(zhì)量的道路網(wǎng)絡(luò)，他們現(xiàn)在已經(jīng)充分認識到了道路檢測和維護系統(tǒng)的重要性。裂縫檢測是道路維護系統(tǒng)的一個重要組成部分，近幾年已經(jīng)引起了人們越來越多的注意。

裂縫對于道路安全的威脅越來越大，也是智能運輸系統(tǒng)亟待解決的問題。然而，路面裂縫自動檢測作為智能運輸系統(tǒng)的關(guān)鍵部分，面臨著很大的挑戰(zhàn)，原因在于裂縫的不規(guī)則性，裂縫拓撲結(jié)構(gòu)的復(fù)雜性，噪聲的參與，以及裂縫和路面紋理的相似性等等。

眾所周知，傳統(tǒng)的人力道路裂縫檢測方法是不僅耗時耗力和危險，而且主觀判斷有時存在偏差，1999年，H.Cheng,J._R.Chen,C.Glazier和Y.Hu在《J.Comput.Civil Eng.》雜志第13卷第4期的270-280頁發(fā)表了《Novel approach to pavement crackingdetection based on fuzzy set theory》文章，印證了這一觀點。因此，傳統(tǒng)的效率低下并且主觀的道路檢測方法逐漸被自動裂縫檢測系統(tǒng)替代。隨著圖像處理技術(shù)的發(fā)展，道路裂縫檢測和識別在過去的幾十年里一直被討論。早期的一些方法，比如2008年，Q.Li和X.Liu在《CISP》第2卷792-796頁上發(fā)表的《Novel approach to pavement image segmentationbased on neighboring difference histogram method》一文中，他們認為裂縫的像素比周圍像素都要更黑，然后通過設(shè)置一個閾值來提取出裂縫。這種方法對噪聲特別敏感，且對拍攝的圖片有較高要求，比方說陽光必須十分充足，否則裂縫區(qū)域和其他區(qū)域的像素值相差不大。更重要的是，這種方法只考慮了單個像素值，沒有考慮整體結(jié)構(gòu)或者局部關(guān)系，使得方法的效果不理想。至于近來的一些方法，例如，2009年，T.S.Nguyen,M.Avila和S.Begot在《Eur.Signal Process》會議第617-621頁中，發(fā)表的《Automatic detection andclassification of defect on road pavement using anisotropy measure》；2011年，M.Gavilan等在《Sensor》第11卷第10期9628-9657頁中發(fā)表的《Adaptive road crackdetection system by pavement classification》。大多數(shù)的研究者嘗試著通過特征聯(lián)合來抑制噪聲，例如將灰度值、均值或者標準差等一些特征聯(lián)合起來。另外，一些研究人員從全局觀的角度進行裂縫檢測，提出了最小路徑選擇方法，例如，2014年，R.Amhaz,S.Chambon,J.Idier和V.Baltazart在《IEEE ICIP》會議第788-792頁中，發(fā)表了《A newminimal path selection algorithm for automatic crack detection on pavementimages》；最小生長樹方法，例如，2012年，Q.Zou,Y.Cao,Q.Li,Q.Mao和S.Wang在《Patternrecogio.Lerr.》第33卷第3期第227-238頁中，發(fā)表了《CrackTree:Automatic crackdetection from pavement images》；裂縫基本元素法，例如，2012年，Y.-C.J,C.Jiang和Y.Huang在《Civil Eng.》第28卷第4期第388-396頁中，發(fā)表了《Implementation ofautomatic crack evaluation using crack fundamental element》，這些方法可以消除部分噪聲并且加強裂縫的連續(xù)性。但是，這些方法對于復(fù)雜裂縫的處理，效果很不理想。一個可能的原因是使用的特征是基于灰度信息的，不能很好的表示一些特殊的裂縫。而且，這些現(xiàn)存的方法都忽略了局部結(jié)構(gòu)信息。實際上，在一個子圖像塊上，裂縫的各個像素之間是高度依賴的，經(jīng)常形成一些十分好識別的模式，例如水平裂縫、豎直裂縫和對角裂縫等等。因此，結(jié)構(gòu)化的學(xué)習(xí)在近幾年被用來解決類似問題。例如，2011年，P.Kontschieder,S.R.Bulo,H.Bischof和M.Pelillo在《IEEE ICCV》會議第2190-2197頁上，發(fā)表的《Structured classlabels in random forests for semantic image labelling》中，研究者應(yīng)用結(jié)構(gòu)化的學(xué)習(xí)方法進行語義圖像的標注。