王仲霖 雷寶亮

摘要：路面裂縫自動檢測對于路面養(yǎng)護管理路面性能評價與預測具有重要的實用價值'但快速、準確全面且穩(wěn)定的識別路面裂縫—直是個難題。本文從傳統(tǒng)的數(shù)字圖像處理算法入手，為裂縫自動識別的研究提供參考。

關(guān)鍵詞：最佳特定非線性音調(diào)曲線 導向濾波 種子生長 特征提取 卷積神經(jīng)網(wǎng)絡(luò)

1.概述

我國公路交通正處于高速發(fā)展時期，隨著人們對行車安全性、舒適性和經(jīng)濟性地要求的不斷提高，路面養(yǎng)護的重要性和緊迫性日漸凸顯出來?，F(xiàn)在比較流行的路面采集方式有基于面陣相機和線陣相機兩種方式。線陣相機具有分辨率高、成本低等優(yōu)點，應用比較廣泛。不管是基于哪種方式，要實現(xiàn)裂縫的自動識別主要是針對圖像進行處理。

2.基于傳統(tǒng)數(shù)字圖像處理的裂縫自動識別研究

利用傳統(tǒng)的圖像處理方式對裂縫進行自動識別主要經(jīng)過以下幾個步驟：1、預處理;2、圖像分割;3、特征提取;4、機器分類學習。

2.1圖像預處理

預處理主要盡量減少圖像因攝像機鏡頭光照條件等產(chǎn)生的噪聲。針對路面裂縫的識別，主要是消除雜物、油污、陰影、斑馬線等因素的影響。同時，由于路面檢測的情況不一，其產(chǎn)生的照片存在曝光不足或曝光太過的情況，需要對圖像的對比度進行修正。圖像預處理的好壞直接影響最終識別的準確率，因此圖像預處理至關(guān)重要。圖像預處理一般包括3個步驟：

2.1.1 圖像對比度增強

由于在車輛快速運行的過程中，受環(huán)境光、背光、世界復雜反射率及相機后處理能力等因素的影響，照片會存在過度曝光或曝光不足的情況，細節(jié)會丟失。微軟亞洲研究院LuYuan和JianSun提出了一種基于圖論區(qū)域的圖像分割，根據(jù)圖片亮度的最佳特定非線性音調(diào)曲線（S）的自動曝光校正技術(shù)。該方法比通用的自動水平拉伸、直方圖均衡、拉普拉斯變換等有更好的效果。

2.1.2 圖像去噪

圖像去噪可以在空間域和頻域展開。空間濾波使用較為廣泛的預處理方法主要包括：均值、中值、維納等濾波。基于中值濾波的方法對路面裂縫識別的平滑效果較好，但仍無法有效消除路面紋理的影響。本文采用的是KaimingHe提出的導向濾波，該方法在平滑圖像的基礎(chǔ)上，有良好的保邊作用，而且在細節(jié)增強等方面有良好的表現(xiàn)。

2.1.2 去除光亮

使用光紋刪除背景可以為我們提供更好的分割，有效去除圖片的偽像。一般采用差分和除法，這兩種方法在裂縫識別中效果區(qū)別不大。首先可通過大尺寸核矩陣模糊化原圖像可完成圖像背景的提取。本文采用均值濾波，半徑為圖像尺寸的三分之一。去除背景后，需對圖像進行二值化處理。

2.2 圖像分割

圖像分割的目的就是有效去除二值化產(chǎn)生的孤立點等干擾。主要方法包括基于連通區(qū)域孔洞填充的算法和基于區(qū)域生長（種子生長）的算法。

2.3 特征提取

裂縫類型主要分為橫向、縱向、網(wǎng)狀和龜裂等，根據(jù)其主要分類，本文擬提取以下特征值：裂縫在x軸的投影，裂縫在y軸的投影、裂縫最小外接矩形的面積、裂縫的占空比4個特征值。

2.4 機器分類學習

本文采用了基于前饋神經(jīng)網(wǎng)絡(luò)的學習方法。前饋神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的一種，其包括一個輸入層、一個輸出層和若干個隱含層，因此具有該種拓撲結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)又稱為多層感知器（MLP）。該MLP包括一個輸入層、一個輸出層和一個隱含層，其中某一層的神經(jīng)元只能通過一個方向連接到下一層的神經(jīng)元。

本文采用了OpenCV提供的基于RPROP算法的神經(jīng)網(wǎng)絡(luò)訓練方法。通過輸入訓練樣本數(shù)據(jù)、創(chuàng)建1個3層MLP，其輸入層有4個神經(jīng)元，隱藏層有5個神經(jīng)元，輸出層有4個神經(jīng)元。訓練1000次后，人工挑選100幅圖像，分類結(jié)果如下：

通過上述分類可以看出，對于橫向、縱向裂縫的識別率較高，但對于網(wǎng)狀和龜裂的識別率還不能達到要求，主要因為噪聲環(huán)境中微弱的裂縫信號無法檢測到，目前無法找到合適的算法可實現(xiàn)根據(jù)裂縫走向?qū)α芽p斷裂進行修補，在裂縫復雜的情況下無法有效的提取到準確的裂縫圖像。

3 總結(jié)

本文通過從傳統(tǒng)的數(shù)字圖像處理人手，對路面裂縫自動的技術(shù)進行了研究，該方法可以有效的識別大部分的裂縫，單處理單幅圖像上有多個裂縫的情況情況不佳。如何有效的尋找有效的方式適用于所有類型的裂縫將是作者下一步研究的方向。

參考文獻

[1]RafaeIC .GonzalezRichardE .Woods.數(shù)字圖像處理，電子工業(yè)出版社.2017（5）

[2]趙春江，機器學習經(jīng)典算法剖析.人民郵電出版社2018（8）L3lLuYuan. JianSun AutomaticExposureCorrectionofConsumerPhotographs.

[4]Pedro. Felzenszwalb. andDanieIP.Huttenlocher.EfficientGraphBasedImageSegmentation

[5]唐磊，趙春霞，王鴻南，胡勇，基于圖像分析的路面裂縫檢測和分類，工程圖學學報.2008

[6]K.He. Sun， andX.Tang.Guidedimagefiltering.lnECCV2010