基于稀疏表示分类的路面裂缝检测和识别方法

文档序号:9708791阅读:552来源:国知局
基于稀疏表示分类的路面裂缝检测和识别方法
【技术领域】
[0001] 本发明涉及计算机视觉和模式识别领域,主要是将机器学习的方法用于路面裂缝 的检测和识别,具体而言涉及一种基于稀疏表示分类的路面裂缝检测和识别方法。
【背景技术】
[0002] 裂缝是路面最常见的病害,及时准确的发现路面裂缝对高负荷的公路的养护管理 至关重要。通过人工视觉检测,需要大量的人力物力,且检测结果带有人的主观性。计算机 的快速发展使得人们可以使用电脑完成路面病害的自动检测。
[0003] 传统的路面裂缝检测是基于图像的处理和分析,随后一些跨领域的方法也被提 出,用以刻画、增强复杂环境下的裂缝特征,为裂缝检测引入了新的思路。如结合模糊集理 论的方法、基于人工种群的检测策略、利用目标点最小生成树的检测算法、基于分数阶微分 的算法。随着模式识别技术的快速发展,机器学习的方法也被应用于路面裂缝的检测和识 别。
[0004] 模式识别又常称作模式分类,从处理问题的性质和解决问题的方法等角度,模式 识别分为有监督的分类(Supervised Class if i cat ion)和无监督的分类(Unsupervised Classification)两种。二者的主要差别在于,各实验样本所属的类别是否预先已知;一般 说来,有监督的分类往往需要提供大量已知类别的样本。
[0005] 近年来各种模式识别方法被应用与路面裂缝的检测和识别,由于实际采集的路面 图像噪声成分复杂,许多方法需要进行预处理消除部分噪声的影响,不仅步骤复杂、执行效 率低,而且模式识别效果很大程度依赖于图像预处理。

【发明内容】

[0006] 本发明目的在于提供一种基于稀疏表示分类的路面裂缝检测和识别方法,以克服 传统方法普遍存在检测精度低、耗时长的缺点。
[0007] 本发明的上述目的通过独立权利要求的技术特征实现,从属权利要求以另选或有 利的方式发展独立权利要求的技术特征。
[0008] 为达成上述目的,本发明提出一种基于稀疏表示分类的路面裂缝检测和识别方 法,包括以下步骤:
[0009] 1)选取训练集,提取训练集的特征向量集并归一化;
[0010] 2)对训练集的子块进行标注,分为非裂缝子块和裂缝子块;
[0011] 3)将测试图片分为指定大小的子块,提取每个子块的特征并归一化;
[0012] 4)根据测试集特征向量,使用SRC对图像的各个子块进行分类,得到子块
[0013]的类型矩阵;
[0014] 5)对子块类型矩阵进行横向和纵向的映射编码并进行编码增强;
[0015] 6)利用步骤5)处理过的编码进行裂缝类型识别。
[0016] 应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这 样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保 护的主题的所有组合都被视为本公开的发明主题的一部分。
[0017] 结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实 施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面 的描述中显见,或通过根据本发明教导的【具体实施方式】的实践中得知。
【附图说明】
[0018] 附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组 成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。 现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
[0019] 图1是本发明某些实施例的基于稀疏表示分类的路面裂缝检测和识别流程图。 [0020]图2是本发明某些实施例的裂缝识别流程图。
[0021] 图3是本发明某些实施例的子块分类矩阵的映射编码和编码增强示例图。中间为 子块类型矩阵,中间的加粗部分为垂直编码,缩小字体的为水平编码,最外围加粗的为编码 增强后的新编码。
[0022] 图4是裂缝识别效果示意图,"〇"表示偏纵向裂缝,"X"表示网状裂缝,表示偏横 向裂缝。
[0023]图5是裂缝类型示意图。
【具体实施方式】
[0024]为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
[0025] 在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。 本公开的实施例不必定意在包括本发明的所有方面。应当理解,上面介绍的多种构思和实 施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实 施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一 些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
[0026] 根据本发明的实施例,本发明的基于稀疏表示分类的路面裂缝检测和识别方法, 通过引入了稀疏表示分类器,并且使用图像子块的高阶矩特征作为分类器分类的依据,不 需要对图像进行预处理,在执行效率和识别精度上有了很大的提升。其具体实现主要包括 训练集(子块)特征向量的提取及归一化、将测试图像分块提取特征并使用SRC进行分类、根 据子块分类结果的映射编码识别裂缝类型三个部分。
[0027] 下面结合附图,对本发明的一些示范性实施例加以说明。
[0028] 根据本发明的实施例,一种基于似物性估计的快速行人检测方法,用以克服现有 基于滑动窗口的行人检测方法检测速度过慢的问题。结合图1所示,该方法的实现大致包括 以下6个步骤:
[0029] 1)选取训练集,提取训练集的特征向量集并归一化;
[0030] 2)对训练集的子块进行标注,分为非裂缝子块和裂缝子块;
[0031] 3)将测试图片分为指定大小的子块,提取每个子块的特征并归一化;
[0032] 4)根据测试集特征向量,使用SRC对图像的各个子块进行分类,得到子块
[0033] 的类型矩阵;
[0034] 5)对子块类型矩阵进行横向和纵向的映射编码并进行编码增强;
[0035] 6)利用步骤5)处理过的编码进行裂缝类型识别。
[0036]上述方法中,所述步骤1)具体为:
[0037] 11)在采集到的图片中选取多幅图片分为指定大小的子块ηΧη,子块分为裂缝子 块和非裂缝子块;
[0038] 子块过大时,局部特征(细小的裂缝)可能被忽略,导致检测不出来含有裂缝的子 块,召回率降低。子块过小时,除了处理起来数据量过大,效率降低以外,会把一些噪声误判 为裂缝,降低了精确率;为了保证精确率和召回率,子块大小设为75*75。
[0039] 12)在步骤11)的子块中选取m(m 2 100)个子块作为训练集,提取子块的特征向量 (std M3 M4),std为标准差,M3、M4为子块图像的三阶矩特征和四阶矩特征;
[0040] 使用矩特征为分类器的特征,使得分类器对噪声相当鲁棒,不需要进行预处理,提 尚了运彳丁效率。
[0041 ] 13)对每个子块的特征向量进行归一化;
[0042]上述方法中,所述步骤12)具体为:
[0043] 121)假设子块为1(ηΧη),子块的标准差特征std提取方法如公式(1);
[0044]
[0045]
[0046] 123)子块的矩特征提取方法如公式(2),k = 3时为三阶矩特征,k = 4时为四阶矩特 征。
[0047]
[0048]上述方法中,所述步骤2)具体为:
[0049] 21)对测试集的子块进行标注,分为非裂缝子块和裂缝子块;
[0050] 22)根据标注的ground truth,将每个测试集的子块的标签设为0和1,0表示非裂 缝子块,1表示裂缝子块。
[0051] 5、根据权利要求4所述的基于稀疏表示分类的路面裂缝检测和识别方法,其特征 在于,所述步骤3)具体包括以下步骤:
[0052] 31)将测试图片P(WXL)分为指定大小的子块,子块大小和步骤11)相同,得到K = M XN(M=W/n,N=L/n)个子块;
[0053] 32)提取每个子块的特征组成向量(std M3 M4);
[0054] 33)特征向量归一化;
[0055]上述
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1