, ,

(南京理工大學(xué) 計算機(jī)科學(xué)與工程學(xué)院,南京 210094)

0 概述

隨著高速公路的快速發(fā)展,道路管理部門需要及時檢測并修復(fù)路面裂縫病害,以提升道路服務(wù)質(zhì)量并延長道路使用壽命。傳統(tǒng)的人工視覺檢測存在效率低、可靠性差、影響交通等弊端,因此,如何實現(xiàn)自動化的路面數(shù)據(jù)采集和裂縫檢測以降低道路維護(hù)成本,具有重要的實用意義[1]。近年來,路面裂縫自動檢測技術(shù)受到越來越廣泛的關(guān)注[2-3],為了進(jìn)一步提高路面裂縫檢測準(zhǔn)確率,國內(nèi)外研究學(xué)者從不同的技術(shù)角度提出了多種路面裂縫檢測算法,大致可以分為2類:基于圖像處理與分析的檢測算法和基于機(jī)器學(xué)習(xí)的檢測算法。

從裂縫全局特性出發(fā),文獻(xiàn)[4-5]采用直方圖統(tǒng)計等閾值分割方法提取裂縫目標(biāo),文獻(xiàn)[6]利用形態(tài)學(xué)梯度算子提取路面圖像的裂縫邊緣。以上方法易受背景噪聲干擾,實際檢測效果往往不佳。為克服噪聲干擾,小波變換[7]、NSCT變換[8]等基于頻域變換的路面裂縫檢測方法相繼被提出。文獻(xiàn)[9]通過局部鄰域線性擴(kuò)張的顯著性增強(qiáng)方法分割出裂縫區(qū)域,但局部增強(qiáng)效果受圖像預(yù)處理影響較大,對塊狀噪聲魯棒性不強(qiáng)。

隨著機(jī)器學(xué)習(xí)研究與應(yīng)用的發(fā)展,研究者嘗試將基于特征訓(xùn)練的分類方法應(yīng)用于路面裂縫檢測:文獻(xiàn)[10]將裂縫圖像分割成小塊,選擇灰度均值、方差特征,利用模式聚類方法實現(xiàn)二值分類;文獻(xiàn)[11]通過提取圖像局部紋理和形狀特征輸入SVM分類器訓(xùn)練分類模型;文獻(xiàn)[12]采用稀疏自編碼模型提取子塊特征,并設(shè)計鑒別分析算法進(jìn)行特征降維;文獻(xiàn)[13]通過有監(jiān)督的深度卷積神經(jīng)網(wǎng)絡(luò)來訓(xùn)練子塊樣本。基于機(jī)器學(xué)習(xí)的方法能夠有效地利用先驗信息,具有較高的檢測精度,但由于需要進(jìn)行大量的樣本訓(xùn)練,因此計算復(fù)雜度較高,且沒有利用裂縫子塊的線性和延展性等空間結(jié)構(gòu)信息,容易造成漏檢。

近年來,基于視覺注意機(jī)制的圖像顯著性區(qū)域檢測在目標(biāo)物體的分割[14]、目標(biāo)識別[15]等眾多領(lǐng)域有廣泛應(yīng)用,已經(jīng)成為機(jī)器視覺中的熱點問題。因此,本文將圖像顯著性算法應(yīng)用于路面裂縫自動檢測,采用自底向上的視覺注意機(jī)制模型[16],利用融合全局和局部對比度的視覺顯著性檢測方法實現(xiàn)裂縫區(qū)域粗定位,再基于形狀分析法進(jìn)行去噪和裂縫精確提取。

1 路面裂縫圖像的預(yù)處理

1.1 灰度校正

現(xiàn)有的路面圖像采集設(shè)備通常由2個具有高功率激光器的高分辨率掃描相機(jī)組成,2個激光器之間的相互干擾導(dǎo)致拍攝的圖像往往存在明暗相間的條紋,表現(xiàn)為圖像豎直方向亮度分布不均。這種亮度不均的現(xiàn)象使得裂縫像素在整幅圖像的不同位置呈現(xiàn)出不同的灰度均值,不利于裂縫全局特征的提取,因此,圖像灰度校正是裂縫檢測算法的重要步驟。傳統(tǒng)的子塊灰度校正算法[9]依據(jù)子塊與全局的灰度關(guān)系對子塊進(jìn)行局部校正,校正效果依賴于分塊大小的選擇,分塊過大易造成圖像模糊,過小則易引起邊界鋸齒。為克服這一缺陷,本文基于Retinex顏色一致性理論[17]提出一種實用有效的像素級灰度校正算法。

在Retinex顏色理論中,顏色作為物體的固有屬性不受光照非均勻性的影響,通過計算像素間的相對明暗關(guān)系,可以確定每個像素的顏色。假設(shè)從圖像的A點到B點存在一條路徑:d1(A)→d2→…→dn-1→dn(B),共有n個像素點。相關(guān)實驗表明,人眼對亮度的感知是非線性指數(shù)型的,因此,可以在對數(shù)域表示起點A和終點B之間的相對明暗關(guān)系:

(1)

(2)

由式(2)可以看出,對于圖像中固定的兩點,選擇不同的路徑將獲得不同的結(jié)果,即像素之間強(qiáng)度關(guān)系的計算結(jié)果取決于路徑方向的選擇。針對采集的圖像在豎直方向亮度分布不均這一特點,本文選擇垂直路徑方向進(jìn)行灰度校正,算法描述如下:

算法灰度校正算法

輸入灰度圖像I,寬w,高h(yuǎn)

輸出灰度校正后圖像O

DO

計算圖像I的灰度均值,并賦值給O的每一個像素,作為O的初始值。初始化校正步長L=h

REPEAT

按式(2)計算圖像I中點(i,j)與點(i+L/2,j)的相對明暗值Δ

更新O的灰度值,O(i,j)←O(i,j)-Δ,O(i+L/2,j)←O(i,j)+Δ,更新步長L=L/2

UNTIL L=1

校正結(jié)果如圖1所示,可以看出,傳統(tǒng)的灰度校正算法容易導(dǎo)致裂縫與背景的對比度降低,加大裂縫提取難度,而本文提出的灰度校正算法能夠有效保持裂縫細(xì)節(jié),并在一定程度上減輕縱向行道線和不規(guī)則油漬的干擾。

圖1 灰度校正結(jié)果對比

1.2 各向異性擴(kuò)散濾波

公路路面具有較強(qiáng)的顆粒紋理特性,為減少紋理噪聲干擾,需要對路面圖像進(jìn)行平滑濾波處理。傳統(tǒng)的線性濾波方法容易造成圖像邊緣細(xì)節(jié)模糊,而基于非線性偏微分方程的各向異性擴(kuò)散方法使用有選擇的邊緣保護(hù)機(jī)制,克服了傳統(tǒng)濾波的主要缺點。最經(jīng)典的是文獻(xiàn)[18]提出的各向異性擴(kuò)散模型:

(3)

本文采用如下擴(kuò)散方程進(jìn)行擴(kuò)散濾波:

c(‖I‖)

(4)

其中,k為擴(kuò)散閾值,當(dāng)梯度算子I遠(yuǎn)大于k時,表示此處接近裂縫邊緣,c(‖I‖)趨近于0,擴(kuò)散被抑制;否則,擴(kuò)散被加強(qiáng)。在圖1(c)灰度校正結(jié)果的基礎(chǔ)上進(jìn)行擴(kuò)散濾波的結(jié)果如圖2所示。

圖2 擴(kuò)散濾波結(jié)果

2 融合視覺注意機(jī)制的裂縫圖像檢測

2.1 全局視覺顯著性

從全局頻域角度分析裂縫特征,其邊緣處呈現(xiàn)為一種較高頻高幅值信號,而路面背景隨機(jī)紋理是一種頻率比裂縫邊緣更高但幅值較低的信號。頻率調(diào)諧(Frequency Tuning,FT)方法[19]能夠在去除高頻噪聲的同時,很好地保留目標(biāo)區(qū)域的邊緣顯著性,并突出裂縫整體在全局的對比度。

首先對圖像進(jìn)行高斯模糊處理,以濾除具有高頻信號的隨機(jī)紋理噪聲,得到Ig:

(5)

Ig(i,j)=I(i,j)*G(i,j,σ)

(6)

圖像被平滑的程度取決于高斯核函數(shù)標(biāo)準(zhǔn)差σ,σ值越大,周圍像素影響越強(qiáng),過大容易導(dǎo)致裂縫邊緣模糊,過小則會降低裂縫與噪聲的區(qū)分性,大量實驗表明σ取1時效果最好。距中心3σ以外的像素點可認(rèn)為不起作用,同時考慮裂縫寬度,本文中鄰域大小設(shè)為3×3。

然后計算圖像的灰度均值為Iμ,將Ig中每個像素點的灰度值與Iμ的歐式距離作為該點全局顯著值:

Sg(i,j)=(Ig(i,j)-Iμ)2

(7)

2.2 局部視覺顯著性

從全局角度來看,裂縫呈現(xiàn)不規(guī)則延伸性,但是在局部小區(qū)域內(nèi),裂縫具有特定的方向和線狀特征。另一方面,在局部裂縫方向上,裂縫像素具有較低灰度均值的特性也更為明顯。根據(jù)局部區(qū)域的裂縫特征,本文采用像素點在不同方向上的灰度對比度來定義局部顯著值,加強(qiáng)裂縫信息,進(jìn)一步突出裂縫顯著性。如圖3所示,在以待求像素點為圓心的圓形窗口上取4個鄰域方向(θ=0°,45°,90°,135°)上的點,由不同方向鄰域像素點的灰度對比度計算出中心點的局部顯著值。

圖3 鄰域窗口示意圖

每個方向鄰域特征值計算公式如下:

(8)

xθ=sinθ,yθ=cosθ

其中,r為鄰域半徑。

定義顯著性特征值如下:

(9)

當(dāng)r值較小時,裂縫各向異性對比度信息不能充分凸顯,無法覆蓋噪聲斑點半徑,顯著性效果不佳。但若r取值過大,容易造成細(xì)裂縫處斷裂。當(dāng)r值接近裂縫寬度時,各向異性對比值突出,裂縫顯著性得到增強(qiáng),根據(jù)大量實驗結(jié)果可知,r值取4時效果較好。

2.3 基于視覺注意機(jī)制的特征融合

基于全局對比度的視覺顯著圖中裂縫整體顯著值較高,但大面積噪聲的影響較大;基于局部對比度的方法有效抑制了大面積噪聲的顯著性,但較暗噪聲點塊的顯著性干擾較強(qiáng)。綜合利用全局和局部顯著性的優(yōu)點,本文提出一種基于視覺顯著區(qū)域的面積范圍和空間分布信息的裂縫顯著特征融合策略。

1)面積范圍。裂縫區(qū)域的面積通常占整幅圖像的20%～30%,設(shè)視覺顯著區(qū)域的面積占圖像面積的比例為Rs,當(dāng)Rs∈[0.2,0.3]時,取面積因子Warea=Rs,否則,Warea=0.05。

2)空間分布。路面圖像中的裂縫區(qū)域往往是連續(xù)緊密的。因此,在顯著圖中,顯著區(qū)域分布越緊湊,檢測結(jié)果的可信度越高。定義空間分布因子為:

(10)

視覺顯著性置信度Wcon與面積因子成正比,與空間分布因子成反比,定義為:

(11)

視覺顯著特征融合的具體步驟如下:

1)將全局和局部視覺顯著特征進(jìn)行規(guī)范化,定義規(guī)范化函數(shù):

N(S)=[S-min (S)]/[max (S)-min (S)]

(12)

2)計算面積因子、空間分布因子,求得全局、局部視覺顯著性置信度wg、wl。

3)依據(jù)置信度融合全局和局部顯著特征,圖像的綜合視覺顯著特征表示為:

Sz=wgSg+wlSl+wzSgSl

wz=(wg+wl)/2

(13)

視覺顯著性檢測結(jié)果如圖4所示,可以看出,在融合全局和局部顯著特征的綜合視覺顯著圖中,背景噪聲干擾很大程度上被抑制。以圖中所有顯著值大于0的點的均值為閾值進(jìn)行圖像分割,可以有效地分割出裂縫區(qū)域。對于少量的孤立噪聲點,則可以根據(jù)裂縫特性進(jìn)行去噪處理。

圖4 視覺顯著性檢測結(jié)果

2.4 基于形狀特征分析的去噪

相對于散亂孤立的噪聲點,裂縫具有明顯的連續(xù)線狀特征和一定的方向性,因此,本文提出了基于形狀分析的去噪方法,根據(jù)裂縫的連通域?qū)傩院托螤顚傩赃x取以下3種形狀描述子[20]:

1)連通域面積:指視覺分割二值圖中各個連通域的像素面積,殘留的噪聲連通域多為面積較小的點塊,去除面積小于所有連通域面積均值的連通域。

2)連通域圓形度:指視覺分割二值圖中各個連通域的面積與最小外接圓面積之比,圓形度越小,線狀特征越明顯。去除圓形度值大于所有連通域圓形度均值的連通域。

3)連通域長短軸比:指視覺分割二值圖中各個連通域的長軸和短軸之比,反映了裂縫的線狀特征。去除長短軸比值小于所有連通域長短軸比均值的連通域。

利用上述基于形狀因子的裂縫區(qū)域判斷條件,能夠有效地濾除視覺分割二值圖中的孤立噪聲,最終保留的連通域即為要提取的裂縫目標(biāo)。

3 裂縫類型和幾何參數(shù)

3.1 裂縫類型判斷

根據(jù)直觀幾何形狀,常見裂縫可以分為橫向裂縫、縱向裂縫和混合型裂縫3種類型。通過融合視覺注意機(jī)制檢測提取的裂縫目標(biāo)由多個連通域組成,各個連通域與完整裂縫段保持著相似的線性特征,因此,可以通過判斷連通域的形狀類型來估計裂縫類型:若橫向連通域的個數(shù)遠(yuǎn)大于縱向連通域的個數(shù),可以估計該裂縫為橫向裂縫;反之為縱向裂縫;若兩者數(shù)量相當(dāng)則為混合型裂縫。

對于形狀不規(guī)則的裂縫連通域,利用其最小外接矩形的尺寸來描述:長度大于寬度的標(biāo)記為橫向連通域,否則為縱向連通域。統(tǒng)計圖中橫向、縱向連通域的個數(shù)分別為Ln、Tn,計算橫向、縱向連通域數(shù)量占連通域總數(shù)量的比例分別為Lr、Tr,求出Lr、Tr的差值并作以下判斷:

1)若|Lr-Tr|≤0.2,為混合型裂縫;

2)若|Lr-Tr|>0.2&Ln>Tn,為橫向裂縫;

3)若|Lr-Tr|>0.2&Tn>Ln,為縱向裂縫。

以圖5為例,圖中共5個連通域,利用連通域最小外接矩形尺寸標(biāo)記出Ln=5,Tn=0,計算得Lr=1.0,Tr=0,|Lr-Tr|=1.0>0.2&Ln>Tn,依據(jù)判斷條件,該裂縫類型為橫向裂縫。

圖5 連通域類型標(biāo)記示意圖

3.2 裂縫幾何參數(shù)

從直觀的視覺角度分析,裂縫越寬、越長、面積越大,路面破損越嚴(yán)重。為了定量分析裂縫病害嚴(yán)重程度,為路面病害嚴(yán)重等級劃分提供依據(jù)[21],本文提出裂縫真實幾何參數(shù)的計算方法。

由于裂縫形狀的不規(guī)則性,最小外接矩形等幾何輔助法可以用來描述裂縫尺寸的宏觀特征,但與裂縫實際尺寸相差較大,難以準(zhǔn)確描述裂縫信息。為了更精確地計算出裂縫的長度和寬度,可以先對裂縫進(jìn)行細(xì)化操作,使得裂縫變成單像素的表現(xiàn)形式,減少非裂縫像素的參與,降低計算誤差。計算方法如下:

1)裂縫區(qū)域的總面積:各連通域的面積之和。

2)裂縫的總長度:采用提取裂縫骨架的方法完成對裂縫圖像的細(xì)化操作,經(jīng)過細(xì)化后的裂縫變成了單像素寬度,統(tǒng)計圖中裂縫目標(biāo)的像素數(shù)目,即為裂縫長度。

3)裂縫的平均寬度:裂縫的平均寬度為裂縫總面積與裂縫總長度之比。

再根據(jù)圖像分辨率,即可求得裂縫的實際形狀參數(shù)。

4 實驗與結(jié)果分析

本文在以下2組數(shù)據(jù)集上進(jìn)行實驗:

1)通過線掃描CCD相機(jī)結(jié)合激光輔助照明系統(tǒng)在滬寧高速路段上采集的路面圖像(HN數(shù)據(jù)集),篩選出216幅分辨率為512×512像素的裂縫圖像,包含典型的橫向裂縫、縱向裂縫、網(wǎng)狀裂縫。部分存在著較為嚴(yán)重的明暗條紋、行道線、油斑等干擾。

2)OLIVERIA H等人提供的CrackIT數(shù)據(jù)集,共包含57幅分辨率為2 048×1 536像素的裂縫圖像,光照均勻,噪聲干擾少,裂縫目標(biāo)清晰。實驗環(huán)境為奔騰雙核7400,2.8 GHz CPU,16 GB內(nèi)存工控機(jī),采用VS2010和Matlab2015混合編程。

為了保證檢測效果比較的公平性,采用本文提出的預(yù)處理方法對HN數(shù)據(jù)集進(jìn)行去噪處理,計算準(zhǔn)確率、召回率和F-measure[9]來評估檢測結(jié)果。

4.1 本文算法的有效性

在HN數(shù)據(jù)集上,采用本文算法和經(jīng)典的基于視覺注意機(jī)制的算法(AC[22]、LC[23]和FT[19]算法)進(jìn)行檢測。部分圖像的顯著圖提取結(jié)果如圖6所示,各算法中裂縫區(qū)域均呈現(xiàn)為高顯著值目標(biāo),驗證了將視覺注意機(jī)制應(yīng)用于裂縫檢測的可行性。但LC、AC和FT算法中存在較多高顯著值噪聲點,與裂縫區(qū)分度低,分割難度較大。而本文算法噪聲較少,且裂縫目標(biāo)顯著性更突出。

圖6 顯著圖提取效果比較

各算法的檢測準(zhǔn)確率比較如表1所示,可以看出,本文算法的準(zhǔn)確率、召回率明顯高于其他3種算法,且在80%以上,驗證了本文算法對于路面裂縫檢測的有效性。

表1 視覺顯著性算法檢測準(zhǔn)確率與召回率比較 %

4.2 與傳統(tǒng)裂縫檢測算法的對比

在HN數(shù)據(jù)集和CrackIT數(shù)據(jù)集上,將本文算法與以下傳統(tǒng)裂縫檢測算法的檢測結(jié)果進(jìn)行比較:1)P-tile閾值分割;2)Canny邊緣檢測;3)Wavelet多尺度小波變換。

實驗結(jié)果如圖7所示,可以看出,本文算法的3項指標(biāo)明顯優(yōu)于3種傳統(tǒng)算法,且在具有復(fù)雜噪聲的HN數(shù)據(jù)集上的優(yōu)勢更突出,這是因為本文算法綜合考慮了裂縫全局和局部視覺顯著特性、充分利用了裂縫的空間分布和形狀特征,極大程度削弱了各類噪聲干擾。

圖7 各算法的準(zhǔn)確率、召回率和F-measure值比較

各算法在HN數(shù)據(jù)集和CrackIT數(shù)據(jù)集上的裂縫檢測結(jié)果分別如圖8和圖9所示。從這2個圖中可以看出,P-tile算法的檢測結(jié)果混雜了較多與裂縫灰度值相近的較暗噪聲;Canny算法的檢測結(jié)果殘留了部分邊緣信號較強(qiáng)的噪聲;Wavelet算法的檢測結(jié)果雖然噪聲較少,但由于該算法難以提取細(xì)小裂縫段,因此存在較為明顯的斷裂。而相比較之下,本文算法能夠檢測出大部分的真實裂縫區(qū)域,并且由檢測結(jié)果可以看出,其在輕重程度不一的裂縫處無明顯斷裂。

圖8 各算法在HN數(shù)據(jù)集上的裂縫檢測結(jié)果比較

圖9 各算法在CrackIT數(shù)據(jù)集上的裂縫檢測結(jié)果比較

各算法在HN數(shù)據(jù)集上的平均運(yùn)行時間如表2所示,本文算法為了有效提高裂縫檢測精度,采用了局部和全局視覺顯著性相融合的檢測方法,且局部顯著值的計算是像素級的,因此,本文算法的時間復(fù)雜度略高于傳統(tǒng)檢測算法,其在實際應(yīng)用中較適合線下處理模式[12]。

表2 平均運(yùn)行時間比較 s

5 結(jié)束語

本文提出的算法通過對裂縫圖像全局和局部視覺顯著性的有效融合,增強(qiáng)裂縫信息的同時削弱了噪聲干擾,從而準(zhǔn)確地分割出裂縫區(qū)域。實驗結(jié)果表明,該算法可以應(yīng)用于復(fù)雜環(huán)境下的高速路面裂縫檢測。后續(xù)工作將研究裂縫特性,基于視覺顯著性模型進(jìn)一步增強(qiáng)裂縫顯著信息。

[1] CHENG H D,MIYOJIM M.Automatic pavement distress detection system[J].Journal of Information Sciences,1998,108(1):219-240.

[2] ZALAMA E,GMEZ-GARCA-BERMEJO J,MEDINA R,et al.Road crack detection using visual features extracted by gabor filters[J].Computer-Aided Civil and Infrastructure Engineering,2013,29(5):342-358.

[3] SHI Y,CUI L,QI Z,et al.Automatic road crack detection using random structured forests[J].IEEE Transactions on Intelligent Transportation Systems,2016,17(12):3434-3445.

[4] 高建貞,任明武,唐振民,等.路面裂縫的自動檢測與識別[J].計算機(jī)工程,2003,29(2):149-150.

[5] LI Q,LIU X.Novel approach to pavement image segmentation based on neighboring difference histogram method[C]//Proceedings of 2008 Congress on Image and Signal Processing.Washington D.C.,USA:IEEE Press,2008:792-796.

[6] 閆茂德,伯紹波,賀昱曜.一種基于形態(tài)學(xué)的路面裂縫圖像檢測與分析方法[J].工程圖學(xué)學(xué)報,2008,29(2):142-147.

[7] NEJAD F M,ZAKERI H.An optimum feature extraction method based on wavelet-radon transform and dynamic neural network for pavement distress classification[J].Expert Systems with Applications,2011,38(8):9442-9460.

[8] 馬常霞,趙春霞,胡 勇,等.結(jié)合NSCT和圖像形態(tài)學(xué)的路面裂縫檢測[J].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報,2009,21(12):1761-1767.

[9] 徐 威,唐振民,呂建勇.基于圖像顯著性的路面裂縫檢測[J].中國圖象圖形學(xué)報,2013,18(1):69-77.

[10] OLIVEIRA H,CORREIA P L.Automatic road crack detection and characterization[J].IEEE Transactions on Intelligent Transportation Systems,2013,14(1):155-168.

[11] HU Y,ZHAO C,WANG H.Automatic pavement crack detection using texture and shape descriptors[J].IETE Technical Review,2010,27(5):398-405.

[12] 錢 彬,唐振民,徐 威,等.子塊鑒別分析的路面裂縫檢測[J].中國圖象圖形學(xué)報,2015,20(12):1652-1663.

[13] ZHANG L,YANG F,ZHANG Y D,et al.Road crack detection using deep convolutional neural network[C]//Proceedings of IEEE International Conference on Image Processing.Washington D.C.,USA:IEEE Press,2016:3708-3712.

[14] 張巧榮,景 麗,肖會敏,等.利用視覺顯著性的圖像分割方法[J].中國圖象圖形學(xué)報,2011,16(5):767-772.

[15] LI S,LU H,LIN Z,et al.Adaptive metric learning for saliency detection[J].IEEE Transactions on Image Processing,2015,24(11):3321-3331.

[16] ITTI L,KOCH C,NIEBUR E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1998,20(11):1254-1259.

[17] LAND E H.The retinex theory of color vision[J].Scientific American,1977,237(6):108.

[18] PERONA P,MALIK J.Scale-space and edge detection using anisotropic diffusion[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1990,12(7):629-639.

[19] ACHANTA R,HEMAMI S,ESTRADA F,et al.Frequency-tuned salient region detection[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Washington D.C.,USA:IEEE Press,2009:1080-1085.

[20] 徐志剛,趙祥模,宋煥生.基于直方圖估計和形狀分析的瀝青路面裂縫識別算法[J].儀器儀表學(xué)報,2010,31(10):2260-2266.

[21] 李立寒,黃天元,王國培,等.瀝青路面破損程度分級與破損換算系數(shù)取值的探討[J].公路交通科技,2005,22(9):40-43.

[22] ACHANTA R,ESTRADA F,WILS P,et al.Salient region detection and segmentation[C]//Proceedings of International Conference on Computer Vision Systems.Berlin,Germany:Springer-Verlag,2008:66-75.

[23] ZHAI Y,SHAH M.Visual attention detection in video sequences using spatiotemporal cues[C]//Proceedings of ACM Multimedia.New York,USA:ACM Press,2006:815-824.