融合影像梯度方向直方图和分水岭方法的裂缝检测方法
【专利摘要】本申请公开了一种融合影像梯度方向直方图和分水岭方法的裂缝检测方法，包括以下步骤：步骤1、由线结构光光源照射被测表面，利用3D相机拍摄被测表面的光条图像，获取被测表面的每个像素点的深度，并将深度数据转换灰度数据，从而形成被测表面的深度图像；步骤2、计算所述深度图像在八个方向下的梯度，得到所述被测表面的梯度图像；步骤3、对所述梯度图像计算方向非极大值抑制，得到所述被测表面的边缘图像；步骤4、利用分水岭变换，获得裂缝的连通域，将连通域边界进行标识，得到裂缝封闭边界。
【专利说明】融合影像梯度方向直方图和分水岭方法的裂缝检测方法
【技术领域】
[0001]本发明属于公路路基路面无损检测和评价【技术领域】，具体地，涉及一种融合路面深度影像梯度方向直方图和分水岭方法的裂缝检测方法。
【背景技术】
[0002]裂缝是路面最常见的病害，它不仅影响路容美观和行车的舒适性，若不及时发现和修补而且容易扩展造成路面的结构性破坏，缩短路面的使用寿命。路面裂缝检测已作为公路日常养护管理的一项重要工作。因其工作量十分巨大，传统的人工检测路面裂缝的方式，无法满足公路快速增长的要求，迫切需要快速、高效、可靠的裂缝自动检测技术及装备。
[0003]随着科学技术的不断发展，特别是近十年来，高速相机、视觉识别技术、大容量存储技术以及高性能数字图像压缩技术应用到路面裂缝检测领域，相继出现了基于影像的路面裂缝自动检测技术。然而，由于公路表面的不规则、多纹理、路面噪声多、裂缝信息较细弱、图像质量难以控制等特性，路面病害中裂缝的检测一直成为公路路面自动检测技术中的难点。与之相应的路面裂缝准确识别算法仍然是迫切需要解决的关键问题。
[0004]随着数字影像检测技术的快速发展，由于其检测速度快、测量准确、快速数据存储、获取信息丰富等特点，被广泛应用于路面裂缝自动检测领域。路面裂缝自动检测系统逐渐由二维裂缝检测技术发展起来。基于路面灰度影像裂缝的识别技术，尽管在基于阈值分害I]、边缘检测以及机器学习的裂缝识别算法方面取得了很多的研究成果，但是在实际应用上非常有限，目前国内商业化的路面图像处理软件仍然依赖人机交互的方式来识别裂缝，尚无法实现路面裂缝全自动识别。原因是现有的裂缝检测算法主要以路面裂缝的灰度特征及二维形态特征作为判别裂缝的准则。由于受到图像采集系统硬件条件的限制及外界光照影响，基于影像灰度信息的路面裂缝识别方法很难将路面油污、阴影、轮胎痕迹、随机噪声与路面实际裂缝相区分。因此，直接利用影像灰度信息进行裂缝自动识别难以达到令人满意的效果。
[0005]另一方面，具有路面裂缝特征的三维数据，刻画裂缝的几何特征，描述裂缝深度变化信息，反映出路面裂缝实际的物理含义。可见，若利用路面裂缝的空间深度变化信息，能够有效提高裂缝的识别率。然而，裂缝深度信息却很难从二维影像中获得。公路路面激光三维裂缝检测技术所获得的路面信号包含了路面三维轮廓信息，数据精度高、采集密度大、特征丰富，其对油污、修补、黑斑以及随机噪声不敏感，很好的克服了二维灰度影像处理技术对阴影、油污等干扰因素敏感的问题，有效的提高了路面裂缝识别率。从裂缝的几何特征出发，分析和处理路面三维数据，已经成为研究和探索路面裂缝自动检测新的发展方向。
[0006]路面裂缝三维激光视觉检测技术利用路面深度信息，根据裂缝深度值梯度强弱变化，能够有效检测路面裂缝。目前，利用路面深度影像提取方法主要分为两种，一种是基于裂缝几何特性建模的方法；另一种是直接提取三维地形曲面的裂缝信息。
[0007]基于裂缝几何特性建模的方法的步骤为:
[0008](I)图像预处理，如采用中值滤波、归一化；[0009](2)裂缝几何特征建模，如梯形函数和高斯函数组合，小波等；
[0010](3)建立裂缝过完备原子库，如利用信号稀疏分解建立；
[0011](4)裂缝提取，如根据匹配算法逼近最优解，进行裂缝识别。
[0012]基于三维地形曲面的方法的步骤为:
[0013](I)图像预处理，如采用中值滤波，归一化；
[0014](2)三维表面重建，如采用不规则三角网等；
[0015](3)曲面特征提取,计算表面的偏微商及法向，确定表面类型,如利用Zernike矩计算深度图像的曲率和法向。
[0016](4)裂缝提取，根据表面的偏微商及法向阈值，进行裂缝提取。
【发明内容】
[0017]现有的基于裂缝几何特性建模方法具有如下缺陷:该方法往往基于路面扫描线对裂缝几何特性建模，其是一种局部裂缝检测方法，仅限于一维问题的推广。由于路面扫描线上的裂缝几何特征受到光条方向与裂缝几何形态共同影响，虽然能够较好地检测路面纵向裂缝，但是难以准确提取任意方向的裂缝。路面任意方向裂缝的几何形态十分复杂，其主要类型还包括横向、网状裂缝等，往往表现为空间分布上的变异性、各向异性和全局特征，若只考虑路面扫描线裂缝几何信息则无法准确描述裂缝在整个路面上的空间分布特征。相比之下，本专利申请设计的融合路面深度影像梯度方向直方图和分水岭方法的裂缝检测算法是一种全局处理的方法，能实现对任意方向和几何形态的裂缝的有效提取。
[0018]现有基于三维地形曲面方法具有如下缺陷:该方法在路面深度影像曲面上，计算表面的偏微商及法向对裂缝的“谷脊”进行提取。其缺陷主要有两点:1)根据三维激光视觉检测原理，路面深度影像的曲面特征十分复杂，对于裂缝的线性部分存在较明显的“谷脊”现象，但是，对于裂缝的面状部分，没有明显的裂缝“谷脊”，难以计算路面表面的偏微商及法向，因此无法满足裂缝面状目标的有效提取。2)路面表面的偏微商及法向计算效率较低，无法满足裂缝检测实际需求。因此，本专利申请设计了分水岭的方法进行裂缝区域的提取，它根据裂缝边缘的强度和方向，通过判别边缘的标识，使裂缝分段边缘有效闭合起来，能够有效评估裂缝的破损范围，为公路日常的管理和维护提供支持。
[0019]另外，由于目前的方法是基于局部信息处理的方法，只是针对路面扫描线进行裂缝特征提取，对整个路面裂缝特征的描述方法较少，所以无法准确检测任意类型裂缝。
[0020]针对于现有技术的上述缺点，本发明要解决的技术问题主要有:
[0021](I)裂缝信号增强
[0022]路面深度影像的裂缝几何形态具体特征:(I)裂缝目标由形状不规则的点集构成，且具有一定方向性、边缘梯度幅值大；(2)在空间分布上，裂缝方向上表现线性聚集性，在相邻轮廓上具有连续性和邻近性；裂缝深度幅值较大，远远大于宏观纹理与路面噪声的幅值；裂缝宽度范围不一。由于路面状况较为复杂，特别是路面往往伴随强吸收强反射物体的存在、以及路面杂物的遮挡，造成光条信息无法完整地投射到3D相机，使得裂缝几何信息损失；同时，由于裂缝几何形态的多样性，如方向、深浅、宽窄、连续与间断随机变化，带来光条变形异常，造成裂缝几何特征退化。路面状况复杂性和裂缝几何形态多样性，造成裂缝深度影像呈现无效零值、异常值等现象，并产生大量噪声。由于裂缝具有对比度低的特点，裂缝信号非常弱。因此为了准确、有效地检测裂缝，需要对裂缝信号进行增强。但路面图像具有颗粒纹理背景特征，给裂缝增强带来巨大困难，传统的图像增强算法很难发挥作用。本专利利用中值滤波和最小二乘拟合方法对裂缝信号进行增强。
[0023](2)裂缝边缘提取
[0024]由于裂缝在深度影像上表现为扫描点深度值的急剧变化和边缘扫描点线性聚集，因此，本专利申请的深度影像裂缝在其线性方向深度值梯度变化平稳，在线性垂直方向深度值梯度变化剧烈的思想，利用深度影像梯度方向直方图，计算裂缝边缘强度和方向，通过非最大值抑制方法提取裂缝边缘。
[0025](3)裂缝目标提取
[0026]由于裂缝的几何形态多样，表现为连续性较差和宽度范围不均匀，因此路面裂缝兼具线状目标和面状目标的特点。在裂缝日常检测工作中，不仅仅关注裂缝是否发生，检测其准确位置，同时需要识别路面(裂缝)破损区域。因为基于梯度方向直方图是一种线检测的局部方法，只能检测裂缝边缘，因此本专利申请运用方向分水岭算法，实现对裂缝面状目标的有效提取，将裂缝目标检测问题被转化为裂缝封闭边缘的提取。
[0027]根据本发明的实施例，提出了一种融合影像梯度方向直方图和分水岭方法的裂缝检测方法，包括以下步骤:步骤1、由线结构光光源照射被测表面，利用3D相机拍摄被测表面的光条图像，获取被测表面的每个像素点的深度，并将深度数据转换灰度数据，从而形成被测表面的深度图像；步骤2、计算所述深度图像在八个方向下的梯度，得到所述被测表面的梯度图像；步骤3、对所述梯度图像计算方向非极大值抑制，得到所述被测表面的边缘图像；步骤4、利用分水岭变换，获得裂缝的连通域，将连通域边界进行标识，得到裂缝封闭边界。
[0028]本发明的裂缝检测方法的有益效果主要在于:
[0029]1、设计了基于中值滤波和最小二乘的裂缝增强算法，两者配合使用，保证了增强的效果。
[0030]2、设计了基于梯度方向直方图的裂缝边缘提取方法。梯度方向直方图方法常被用于线目标的提取，但由于其梯度和方向计算依赖于直方图统计分析，裂缝的具体形态与统计区域相关，单一尺度空间无法满足裂缝边缘检测要求。本发明巧妙地运用多尺度方法解决了这一难题。
[0031]3、设计了基于方向分水岭的裂缝目标提取方法。本发明在传统的分水岭方法的基础上，巧妙地运用边缘方向，解决了大量短小、离散裂缝边缘的闭合为区域目标这一难题。
[0032]4、本发明设计的融合路面深度影像梯度方向直方图和分水岭方法的裂缝检测算法，不仅能够准确检测任意类型裂缝的边缘，而且能识别裂缝破损程度。
【专利附图】
【附图说明】
[0033]图1为根据本发明的实施例的裂缝检测方法的流程示意图；
[0034]图2为根据本发明的实施例的裂缝检测方法的裂缝边缘提取的技术路线图；
[0035]图3为根据本发明的实施例的裂缝检测方法所使用的三维激光检测系统的配置示意图；以及
[0036]图4为根据本发明的实施例的进行边界拟合时采用的弧度划分的示意图。【具体实施方式】
[0037]下面结合附图和【具体实施方式】对本发明的技术方案作进一步具体说明，由此，本发明的优点和特点将会随着描述而更为清楚。
[0038]本领域的技术人员能够理解，尽管以下的说明涉及到有关本发明的实施例的很多技术细节，但这仅为用来说明本发明的原理的示例、而不意味着任何限制。本发明能够适用于不同于以下例举的技术细节之外的场合，只要它们不背离本发明的原理和精神即可。
[0039]另外，为了避免使本说明书的描述限于冗繁，在本说明书中的描述中，可能对可在现有技术资料中获得的部分技术细节进行了省略、简化、变通等处理，这对于本领域的技术人员来说是可以理解的，并且这不会影响本说明书的公开充分性。
[0040]图1为根据本发明的实施例的裂缝检测方法的流程示意图。如图1所示，本方法主要分为三个阶段，其中第一阶段为裂缝增强(线特征增强)，主要涉及点云数据滤波、最小二乘拟合等算法；第二阶段为裂缝边缘提取，主要应用梯度方向直方图来提取边缘；第三阶段为裂缝目标的提取，主要运用方向分水岭的算法来提取目标。
[0041]下面，依次说明上述三个阶段的实现方法。
[0042](I)裂缝增强
[0043]为了有利于后续的裂缝识别处理，可对路面深度图像线特征进行增强处理。这里，可采用传统的中值滤波和最小二乘拟合相结合的方法。首先，从局部特征出发，用中值滤波对线特征进行增强，消除系统和外界噪声；然后，从全局特征出发，运用最小二乘拟合的方法进行线特征的增强，消除数据采集过程中的无效值。
[0044]根据线结构光的三角测量原理，路面深度图像描述高精密三维物体表面空间信息分布。其测量基本原理如图3所示，由线结构光光源在空间投射出一个光平面，当光平面与被测物体表面相交时在物体表面产生一个亮光条，利用3D相机采集物体表面的光条图像；若被测物体表面的几何形状变化，投射的光条发生形变，根据三角测量原理，从变形的光条图像信息中获取被测物体表面的三维轮廓信息。并将深度数据转换灰度数据，从而形成被测表面的深度图像，即，每个像素的灰度大小代表该点的深度大小。
[0045]中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，从而消除孤立的噪声点。这里使用二维滑动模板，将模板内深度值按照大小进行排序，生成单调增大(或减小)的为二维数据序列。二维中值滤波输出为g(x，y)=med{f (x-k, y-1), (k, I e W)},其中，f (x, y)、g(x, y)分别表示原始深度图像中心点邻近的深度值和处理后中心点处的深度值，med{}表示中值滤波操作，W为二维滤波模板，通常为3*3，5*5区域，也可以是不同的形状，如线状、圆形、十字形等。
[0046]由于路面局部区域的强反射、强吸收和裂缝两侧遮挡，路面裂缝深度图像存在许多值为零值点。这里采用最小二乘法对扫描线上的数据(深度数据)进行曲线拟合。从整体上考虑近似函数P (X)同所给数据点(Xi, Yi) (i = O, I,…，m)误差A = P (Xi) -Yi (i =
O,I,..., m)的大小,常用的方法有以下三种:一是误差1^ = P(Xi)IiQ = O, I,..., m)绝对值
m
的最大值maX|r|即误差向量r= 0-(ι， ，…rm)T的⑴一范数；二是误差绝对值的和ΣΙΜ
【权利要求】
1.一种融合影像梯度方向直方图和分水岭方法的裂缝检测方法，包括以下步骤: 步骤1、由线结构光光源照射被测表面，利用3D相机拍摄被测表面的光条图像，获取被测表面的每个像素点的深度，并将深度数据转换灰度数据，从而形成被测表面的深度图像； 步骤2、计算所述深度图像在八个方向下的梯度，得到所述被测表面的梯度图像； 步骤3、对所述梯度图像计算方向非极大值抑制，得到所述被测表面的边缘图像； 步骤4、利用分水岭变换，获得裂缝的连通域，将连通域边界进行标识，得到裂缝封闭边界。
2.根据权利要求1所述的裂缝检测方法，其中，所述步骤I包括以下步骤: 步骤1-1、由线结构光光源在空间投射出光平面，当光平面与被测表面相交时，在被测表面产生一个亮光条，利用3D相机采集被测表面的光条图像，根据光条图像的形变信息，获取被测表面的三维轮 廓信息。
3.根据权利要求1所述的裂缝检测方法，其中，所述步骤I和步骤2之间还包括以下步骤: 步骤1-2、根据以下公式，对所述深度图像进行二维中值滤波:
g(x, y) = med{f (x-k, y-1), (k, I e W)}，其中，f (χ, y)、g (χ, y)分别表示深度图像的滤波中心点的原深度值、以及滤波后的滤波中心点的深度值，med{}表示中值滤波操作，W为二维滤波模板。
4.根据权利要求3所述的裂缝检测方法，其中，所述步骤I和步骤2之间还包括以下步骤: 步骤1-3、对所述深度图像(Xi，yi)，i = O, I,…，m，m为深度图像的宽度和高度方向的像素数目，在取定的函数类Φ中，求P(X) e Φ，使误差ri = P(Xi)-yi的平方和最小，即 y r2 V1 p(.t=mm
I ,-ο ' = 口1..(I) 输出P (Xi)作为处理后的深度图像，以进行步骤2之后的处理。
5.根据权利要求3所述的裂缝检测方法，其中，所述步骤2包括以下步骤: 步骤2-1、使用Savitzky-Golay滤波算法,对所述梯度影像进行滤波。
6.根据权利要求3所述的裂缝检测方法，其中，所述步骤4包括以下步骤: 步骤4-1、计算离散边界； 步骤4-2、提取边界两侧的区域； 步骤4-3、创建顶点/边缘映射图； 步骤4-4、提取顶点坐标； 步骤4-5、提取边缘的端点； 步骤4-6、提取边缘上各个扫描点的坐标； 步骤4-7、提取封闭边缘的标识。
7.根据权利要求1所述的裂缝检测方法，其中，还包括以下步骤: 步骤5、对所述裂缝封闭边界进行边界拟合，其包括: 步骤5-1、计算所述裂缝封闭边界的每条小边缘的方向取近似直线段的小边缘任意两点的坐标，计算两点的夹角，并转化为相应的弧度，范围在[O，)之间； 步骤5-2、按照弧度的大小分别将这两点之间的方向设置为对应区域方向； 步骤5-3、取对应区域边界方向的边缘强度值，作为小边缘的边缘强度值。
【文档编号】G06T7/00GK104008553SQ201410268332
【公开日】2014年8月27日 申请日期:2014年6月17日 优先权日:2014年6月17日
【发明者】李清泉, 毛庆洲, 靳华中, 曹民, 张德津, 陈振兴, 周瑾, 章丽萍 申请人:武汉武大卓越科技有限责任公司