專利名稱：基于動態規劃的路面裂縫檢測方法
技術領域：
本發明涉及一種檢測方法，尤其涉及一種基于動態規劃的路面裂縫檢測方法。
背景技術：
裂縫是公路路面最常見的損壞，其不僅降低了路面的防水性、耐久性和承載能力， 而且由于行駛車輛的高速和重載，裂縫將演變為更嚴重的路面病害，如坑槽等。因此，裂縫 檢測成為及時整治路面病害以保障其安全運營的重要環節。路面裂縫的傳統檢測方式是定 期的人工檢測，由于人工檢測效率低、識別精度低、主觀性大、安全性差等，它無法滿足路面 裂縫快速檢測的要求。隨著科技的進步，圖像檢測技術得到了快速的發展，由于其具有檢測 速度快、測量準確、自動化程度高、獲取信息豐富等特點，已經廣泛應用于工業在線表面質 量檢測等領域。圖像檢測手段逐步成為路面裂縫檢測的重要手段。現有的基于圖像的裂縫檢測方法主要分兩種，一種是基于邊緣檢測的方法；另一 種是基于分割后處理的方法。基于邊緣檢測的方法，其步驟為(1)圖像預處理，如勻光、對比度拉伸；(2)圖像增強，如采用中值濾波、形態濾波等；(3)邊緣檢測，如采用sobel、canny等邊緣檢測算子；(4)裂縫提取，根據主要邊緣抽取裂縫；(5)裂縫分類，根據裂縫的空間分布規則進行分類。基于分割后處理的方法，其步驟為(1)圖像預處理，如勻光，對比度拉伸；(2)圖像增強，如采用中值濾波，形態濾波等；(3)圖像分割，如基于灰度直方圖的分割，基于數學期望的分割，基于類間方差最 大化的分割等；(4)裂縫提取，根據一定的規則對分割后的面元進行處理，如設定面元的線性度， 飽和度等閾值；(5)裂縫分類，根據裂縫的空間分布規則進行分類。現有的基于邊緣檢測和基于分割后處理的裂縫檢測方法，是通過分析圖像的局部 信息，如亮度，對比度，方差等，實現對裂縫線目標的提取，它是基于局部處理的方法，因此 它要求裂縫具有較高的對比度和較好的連續性。然而在高速公路路面檢測的工程實踐中， 由于路面的顆粒紋理特性，裂縫縫壁脫落、積灰，拍攝時光線不能使裂縫形成有效的陰影等 原因，裂縫通常具有對比度低、連續性差等特點，裂縫只有在全局上呈現為一個線目標。這 使得傳統的基于局部處理的裂縫檢測算法不能滿足要求。現有的裂縫分類方法是一種靜止 的判決方法，通過裂縫的空間分布信息判斷裂縫的類別。但裂縫具有不規則性，用“有限的 規則”去判別“無限案例”是不足的。因此本發明設計了機器學習的方法進行裂縫類別的判 斷，它具有學習性，使歷史數據和現實數據有效關聯起來，通過不斷增長的“知識庫”來對最 新的“案例”進行的判別。
發明內容
本發明的主要目的在于提供一種基于動態規劃的裂縫檢測方法，能實現對對比度 低、連續性差的裂縫的有效提取。為了達到上述目的，本發明提供了一種基于動態規劃的路面裂縫檢測方法，其包 括以下步驟步驟11 運用模糊梯度和路徑跟蹤對對比度低的裂縫進行有效增強；步驟12 運用動態規劃的方法，實現對連續性差的裂縫的有效檢測；步驟13 運用支持向量機模型，對所提取的裂縫進行分類。實施時，步驟11包括步驟111 從局部特征出發用方向濾波對線特征進行增強；步驟112 從全局特征出發運用最優路徑搜索的方法進行線特征的增強。實施時，步驟12包括步驟121 運用線段局域鏈算法進行局部最優搜索，得到候選裂縫段；步驟122 運用線段全局鏈算法進行全局最優搜索，得到最大的Beam能量對應的 線目標，從而實現對裂縫的提取。實施時，步驟12包括以下步驟步驟1 設定要進行劃分的尺度，對圖像進行相應的劃分，得到多個固定的M XN 個圖像小方塊，通常每個圖像方塊的大小為32 X 32像素；其中，M、N為大于1的整數；步驟2 對于每個小方塊數據，在其四條邊線上從左上角開始，按順時針方向進行 標注，得到多個標注點；步驟3 每兩個標注點之間構成一條Beamlet，應用Bresenham算法進行相應的插 值來確定Beamlet上所有圖像數據點；步驟4 搜索每兩個標注點之間的最小代價路徑，并計算平均路徑代價值，作為對 應得Beamlet值，將路徑長度作為Beamlet變換系數；步驟5 對Beamlet值進行標準歸一化處理，并進行統計分析，用類間方差最大法 進行二類聚類，得到閾值，并運用廣義似然比檢驗法來檢測判斷檢驗假設，確定符合假設條 件下的Beamlets ；步驟6 應用Beamlet局域鏈算法將步驟5所得Beamlets進行逼近，用逼近后的 Beamlets對原Beamlets進行更新；步驟7:用格狀圖來存儲余下的Beaml et s，得到M X N個節點，節點的權值為 Beamlet值與Beamlet變換系數的乘積；步驟8 用Dijkstra算法計算每兩個Beamlet節點之間的最小代價路徑，并計算 J(L)值；最小的J(L)值對應的Beamlets即為裂縫。實施時，步驟13包括步驟131 選擇基于統計學習理論的支持向量機模型，核函數為徑向基函數，標準 差為ο，取ο在1X10—7和3X10—7之間；步驟132 對裂縫特征提取；步驟133 基于支持向量機的裂縫分類。
實施時，該裂縫特征包括裂縫對應面元的面積、裂縫最小外接矩形的面積、裂縫 最大外接矩形的面積、線性度、飽和度、裂縫總方向、裂縫平均方向、面元間最大距離、面元 間平均距離和面元密度。實施時，步驟133包括步驟1331 構建樣本集，選擇預定數目的橫向裂縫、縱向裂縫、龜裂和塊狀裂縫樣 本預定數目；步驟1332 對每個樣本，計算其10種特征值，構成樣本的特征向量；步驟1333 將每兩類樣本的特征向量輸入SVM模型進行訓練，得到SVM模型的參 數，得到訓練好的模型；步驟1334 在裂縫分類中，用訓練好的模型對裂縫進行分類。與現有技術相比，本發明所述的基于動態規劃的裂縫檢測方法，能實現對對比度 低、連續性差的裂縫的有效提取。
圖1是本發明所述的基于動態規劃的裂縫檢測方法的技術路線圖；圖2是本發明所述的方法的裂縫增強步驟的技術路線圖；圖3是本發明所述的方法的裂縫提取步驟的技術路線圖；圖4是本發明所述的方法的裂縫分類步驟的技術路線圖；圖5是空間映射的示意圖。
具體實施例方式本發明設計的基于動態規劃的裂縫檢測方法是一種全局處理的方法，能實現對對 比度低、連續性差的裂縫的有效提取。本發明設計了分為三個步驟的裂縫檢測方法第一步為裂縫增強，第二步為裂縫 提取，第三步為裂縫分類。設計了基于局部特征和全局特征的裂縫增強算法。局部增強用到模糊梯度和方向 濾波算法；全局增強中，用到了最小代價路徑搜索的方法。局部增強和全局增強配合使用， 保證了增強的效果。設計了基于Beamlet變換和動態規劃的裂縫提取方法。Beamlet變換常被用于線 目標的提取，特別是基于Beamlet變換的線段全局鏈算法在理論上具有最優效果。但由于 其計算復雜度極高，一直沒有得到有效發揮。本專利巧妙地運用動態規劃的方法解決了這
—難題。設計了基于支持向量機(SVM)的裂縫分類方法。其中，特征提取中所選擇的10個 特征構成的特征是算法能夠成功的關鍵。支持向量機(SVM)學習的目的就是根據給定的訓練樣本求解系統輸入輸出之間的依賴關系。經典的 模式識別分類器如神經網絡是基于經驗風險最小化(ERM)原則的。它希望通過最小化訓 練誤差來實現最小化測試誤差的目的，但實際卻難以達到這個目標。與傳統統計學相比，統 計學習理論提出了建立在結構風險最小化(SRM)原則上的學習方法，它能有效解決在小樣本情況下建立有效的學習和推廣方法。SVM是統計學習理論的實踐。給定一組訓練樣本(Xi，yi)，i= 1，...，1，Xi e Rd, Yi e (-1，1)，其中 1 為訓練樣 本數，d為輸入空間維數，SVM訓練的目的就是找到一個超平面w · x+b = 0，將這兩類數據 完全分開。與樣本間隔為△的分類超平面可描述如下w·χ+b=0
(8-1)subject to | |w| =1，w · x+b ^ Δ , if Yi = 1,w · x+b 彡 Δ , if Yi = -1·則兩類的邊界分隔面的距離是
2ΔΜ = η~
IIwII.(8-2)與兩類樣本點距離最大(稱為間隔最大)的分類超平面將會獲得最佳的推廣能 力，這種最優分類超平面將由離它最近的樣本點(稱為支持向量)決定，而與其它樣本無關。求解最優分類超平面可以歸結為二次凸規劃問題，可以通過求解下列Lagrange 方程來實現
1ιL{w,b,a) = -\\w\\2 -^aXyXw-x, +b)-l)
2-ι(8-3)subject to α j ^ 0, i = 1, . . . , 1現實世界中大部分的問題都不是線性可分的，解決的方法就是將輸入向量映射到 一個高維的特征空間，并在該特征空間中構造最優分類面(圖5)。 SVM 通過一個 Mercer 核函數 k，使得 kOci 'x^ = iPixl). iPixj),內積運算
P(Xi)卞(Xy)就可以用原空間中的函數來實現，實現某一非線性變化后的線性分類，從而避 免了 “維數災難”問題。此時的Lagrange方程變為
1ι
L(w,b,a) = -\\w\\2 -Σat(y,(w■ φ(χ,) + b)-\ +ζ,)
2-ι(8-4)本發明提供了 一種基于動態規劃的路面裂縫檢測方法，其包括以下三個步驟(1)裂縫增強運用模糊梯度和路徑跟蹤對對比度低的裂縫進行有效增強；路面檢測工程實踐中，由于裂縫具有對比度低的特點，裂縫信號非常弱，因此為了 準確、有效地檢測裂縫，需要對裂縫信號進行增強。但是路面圖像具有顆粒紋理背景特征， 給裂縫增強帶來巨大困難，傳統的圖像增強算法很難發揮作用，而本發明將線目標增強的 局部方法和全局方法相結合，對裂縫進行增強。(2)裂縫提取運用動態規劃的方法，實現對連續性差的裂縫的有效檢測；路面裂縫還具有連續性差的特點，其只是在宏觀上呈現為線狀目標，因為基于線 檢測的局部方法不能有效檢測裂縫，所以本發明采用的是線檢測的全局方法，在該全局方 法中，裂縫檢測問題被轉化為全局最優化計算的問題，并通過動態規劃的方法實現了該最
7優化問題的求解，從而實現了裂縫的全局最優提取。(3)裂縫分類運用支持向量機(SVM)模型，對所提取的裂縫進行分類；通常的裂縫分類方法是獨立對每一幅圖像上的裂縫進行判斷，判斷的規則通常是 固定的；但是，實際上裂縫是不規則的，用“有限的規則”去判別“無限案例”是不足的。因 此，本發明涉及了機器學習的方法進行裂縫類別的判斷，它具有學習型，使得歷史數據和現 實數據有效關聯起來，通過不斷增長的“知識庫”來對最新的“案例”進行判別。如圖1所示，本發明所述的基于動態規劃的路面裂縫檢測方法的實施流程圖；(1)裂縫增強如圖2所示，裂縫增強步驟的流程圖；對圖像線特征進行增強處理，采用局部處理和全局處理相結合的方法，首先從局 部特征觸發用方向濾波對線特征進行增強，然后從全局特征觸發運用最優路徑搜索的方法 進行線特征的增強。裂縫增強的步驟包括對原始路面影像I根據式(1)計算每一像素點的模糊梯度，得到模糊梯度矩陣Gf ；Gf 力=Αψ Max 例,j\s)\seN}(U式(1)中，Gf(i, j)代表點(i，j)的模糊梯度，G(i，j，s)表示求尺度為s時的像 素點(i，j)的梯度。2)根據模糊梯度矩陣GF，對圖像I進行方向濾波，得到基于局部處理的增強圖像T .
丄el，Iel(i，j) = I(i，j)*GF(i，j)(2)3)建立路徑矩陣X(col，row)并將元素初始化為0，對圖像Iel每條邊上的點(i， j)，用Ford (F*)算法計算其到達對邊的最小能量路徑，并在路徑矩陣對應的元素位置累積 計數加1 ；4)將路徑矩陣X疊加到影像I，并進行歸一化處理，得到增強圖像Ie2。Ie2 (i,j) =I(i, j)+X(i, j)(3)Ford (F*)算法是一種動態規劃算法，用圖論的方法來描述目標之間的關系，運用 網絡流(net flow)模型搜索最小能量路徑。X= {(i, j) |θ ^ i < row,0 ^ j < col}是 圖像構成的格狀圖中的節點集合，定義C^為相鄰節點到達節點(i，j)的代價值，Xy為節 點(i，j)到達搜索起點的累積代價，即路徑代價。則搜索格狀圖中兩節點之間的最小代價 路徑的步驟為a)設定搜索起點(m，η)，按式(4)初始化路徑代價矩陣X ； 其中，凡(Xi,」)是Xi,」的相鄰節點。這一過程重復進行，直到所有節點值保持穩定。 此時，節點路徑代價值即為該節點到搜索起點的最小代價；
0, i = m,j = n σο, else b)按式(5)更新路徑代價矩陣X ；
) + c,,廣 if Xu - Nr(Xu) > C1else
c)反向跟蹤最小路徑代價節點可得到任一節點到搜索起點(m，η)的最小代價路徑。(2)裂縫提取Beamlet變換是一種多尺度幾何分析工具，通過對Beam基b進行線積分，得到 T (b)，由于b具有多尺度特征，故所有T組成的集合便構成Beamlet金字塔。從金字塔中提 取最大的Beam能量，是Beamlet算法的關鍵。目前有四種不同層次的Beamlet算法基于 Beamlet變換的無結構算法、樹結構算法、線段局域鏈算法和線段全局鏈算法。連續 Beamlet 變換假設f(xi，x2)為W，I]2上的連續函數，函數f的連續Beamlet變換定義為線積分 的集合，如式(6)。
(6)其中，δ = 任意的兩個標注點Vi，Vj組成的線段，Βν, ε表示在分辨率ε下所
有線段b的集合；X(I)表示Beamlet b沿線段在單位速度上的描述。對于一幅NXN的數 字圖像f i2)，需要先對其進行插值得到對應的連續函數f，則有 其中，式，,2是插值函數。得到f(Xl，x2)后，便可按式(6)進行Beamlet變換。離散 Beamlet 變換在一個ηΧη的二進方塊內(設η = 2J,j為該二進方塊的尺度)，連接二進方塊邊 界上的任意兩點就構成一條離散Beamlet基。對于一幅NXN的數字圖像(N = 2T)，尺度范 圍為j = 0，i，. . .，J。在尺度j下，整幅圖像內共有22(h)個二進方塊，所有尺度、位置和 方向上的離散Beamlet基所構成的集合，記為B。有了離散Beam基的概念后，離散Beamlet 變換可定義為 其中b是B中的一條離散Beamlet基，(i1; i2)是b上的一個點，g(i1; i2)是該點 對應的特征值，如對應圖像來說，可以是該點的像素值。基于Beamlet變換的線段局域鏈算法在Beamlet集合中，按一定的規則將一部分Beamlet標識為種子，然后在每一個預 期Beamlet的鄰域內，研究若干非二進的Beam，也即將每一個種子進行生長，生成多個鏈， 然后在這些鏈中搜索最優，實現Beamlet鏈對Beam的最優逼近。為準確定義該算法，需引入“ ε共線”和“ ε子區間”的概念，這里ε是Beamlet 變換定義中的分辨率(見式6)。ε共線一個Beam集合中，如果存在一條能為該集合中所有成員提供一個ε近 似的直線，例如每一條Beam都分布在公共直線的ε-HausdorfT距離內，那么這個Beam集 是ε共線的。ε子區間如果一條Beamlet位于一條Beam的ε-Hausdorff距離內，那么這條 Beamlet基稱為該Beam的一個ε子區間。
因此算法步驟為Beamlet金字塔的閾值化處理對圖像進行Beamlet變換，將所有滿足T (b) > T1 的Beamlet基存入預期區間列表P。若P中所含e子區間的個數大于m，則拒絕Htl并結束。搜索預期Beamlet的鄰域對預期區間列表P內的每一條Beamlet基b，再創建 一個列表C1(Id)，記錄將b延伸距離1所得到的e共線鏈。對每一條鏈c e C1O3),計算
Y(C) = YdTib)若 Y(c) ，則拒絕 H。并結束。 Y(C) < T2，則接受H。并結束。設噪聲標準差為ο，則上述算法中各參數取值分別為 T2 = Ισ^Ι ηΝ ,
取經驗值3或4。H。表示簡單零假設，拒絕H。表示逼近成功。基于Beamlet變換的線段全局鏈算法在全局范圍內實現Beamlet鏈對Beam的最優逼近。給定一條由Beamlet組成的 折線L，定義一個優化判別式如下
Σ秘) 其
b)。T(b)是圖像在 Beamlet 基 b 上的
Beamlet系數，1 (b)為b的長度，λ為懲罰因子，根據經驗取0. 2 0. 4。很明顯，式(9)是一個全局優化的問題，由于Beamlet基的數量巨大，計算復雜度 高。本發明設計了基于動態規劃的方法進行最優求解。首先將式(9)的極小值求解問題轉 化為格狀圖中最小代價路徑搜索的問題，然后通過Dijkstra算法計算最短路徑，實現最優 化求解。基于Beamlet變換和動態規劃的裂縫提取算法通過對裂縫圖像處理的實驗和分析，運用基于Beamlet變換的線段局域鏈算法 和全局鏈算法結合的裂縫提取算法。運用線段局域鏈算法進行局部最優搜索，得到候選裂 縫段，然后運用線段全局鏈算法進行全局最優搜索，得到最大的Beam能量對應的線目標， 從而實現對裂縫的提取。其技術路線圖如圖3。本專利提出基于Beamlet變換和動態規劃的裂縫提取算法，其步驟如下 步驟1，設定要進行劃分的尺度。對圖像進行相應的劃分，得到若干個固定的MXN 個圖像小方塊，通常每個圖像方塊的大小為32X 32像素；步驟2，對于每個小方塊數據，在其四條邊線上從左上角開始，按順時針方向進行 標注，得到若干個標注點；步驟3，每兩個標注點之間構成一條Beamlet，應用Bresenham算法進行相應的插 值來確定Beamlet上所有圖像數據點；步驟4，搜索每兩個標注點之間的最小代價路徑，并計算平均路徑代價值，作為對 應得Beamlet值，將路徑長度作為Beamlet變換系數；
步驟5，對Beamlet值進行標準歸一化處理，并進行統計分析，用類間方差最大法 進行二類聚類，得到閾值，并運用GLRT (廣義似然比檢驗)法來檢測判斷檢驗假設，確定符 合假設條件下的Beamlets ；步驟6，應用Beamlet局域鏈算法將步驟5所得Beamlets進行逼近，用逼近后的 Beamlets對原Beamlets進行更新；步驟7，用格狀圖(grid graph)來存儲余下的Beamlets，得到MXN個節點，節點 的權值為Beamlet值與Beamlet變換系數的乘積；步驟8，用Dijkstra算法計算每兩個Beamlet節點之間的最小代價路徑(最短路 徑)，并代入式(9)計算J(L)值；最小的J(L)值對應的Beamlets即為裂縫。其中步驟6運用Beamlet變換的局域鏈算法對Beamlet基進行了近似處理，有效 減少了 Beamlet基的數量。步驟7將式(9)的極小值求解問題轉化為格狀圖中最小代價路 徑搜索的問題，運用Dijstra算法計算最短路徑，實現了最優化求解。同時，Dijkstra算法 的時間復雜度為0(n2)，具有較高的效率，可以滿足工程實踐的需求。裂縫分類進行裂縫提取后，需要對裂縫的類別進行判斷。裂縫分為橫向裂縫、縱向裂縫、龜 裂和塊狀裂縫四種，本專利設計了基于機器學習裂縫分類方法，其技術路線如圖4所示。機器學習模型的選擇選擇基于統計學習理論的支持向量機(SVM)模型，核函數為徑向基函數，取σ在 IXliT7 和 3X10"之間。裂縫特征提取裂縫對應面元的面積(面元包含的像素個數)裂縫最小外接矩形的面積(通過坐標旋轉法求面元平行于坐標軸的外接矩形)裂縫最大外接矩形的面積線性度(最小外接矩形的長與寬的比值)飽和度(面元面積與最大外接矩形面積的比值)裂縫總方向(擬合為線性后的方向)裂縫平均方向(所有面元方向的平均)面元間最大距離面元間平均距離面元密度(裂縫最小外接矩形區域內面元的個數)基于支持向量機(SVM)的裂縫分類此算法的步驟為訓練構建樣本集。選擇橫向裂縫、縱向裂縫、龜裂和塊狀裂縫樣本各4000個(注是進 行裂縫提取后的裂縫面元圖像)；生成特征向量。對每個樣本，計算其10種特征值，構成樣本的特征向量；將每兩類樣本的特征向量輸入SVM模型進行訓練，得到SVM模型的參數(包括拉 格朗日參數a和常量參數b)；
11
得到訓練好的6個模型。分類在裂縫分類中，用訓練好的模型對裂縫進行分類。當新增樣本達到1000個時，轉 步驟“訓練”，重新進行訓練。在裂縫增強的技術方案中，最小代價路徑搜索的算法并不局限于Ford(F*)算法 一種，其他的還有如A*算法、Dijkstra算法、Folyd-Warshall算法等；在裂縫分類中，處理支持向量機模型外，還有人工神經網絡模型，貝葉斯網絡模 型，決策樹模型等其他機器學習的模型，同樣可以實現所提的機器學習裂縫分類方法。由于目前的方法是基于局部信息處理的方法，所以不能檢測對比度低、連續性差 的裂縫。本發明設計的方法中，第一步對裂縫進行增強；首先運用模糊梯度和方向濾波對 裂縫進行基于局部特征的增強，然后運用最小代價路徑搜索法對裂縫進行全局增強。通過 兩個層次的增強，裂縫的對比度將顯著增高。第二步，對增強后的裂縫進行提取。運用基于 Beamlet變換的線段全局鏈模型對問題進行描述，然后巧妙運用動態規劃的方法進行問題 求解，實現對裂縫的全局最優提取。第三步，運用機器學習的方法來實現裂縫的分類。裂縫 具有不規則性，現有的基于“有限規則”的分類方法對所有的裂縫進行分類存在不足，分類 不準確。本發明設計的基于支持向量機的裂縫分類方法，能在分類實踐中進行學習，不斷充 實分類的樣本庫，使分類準確性得到提高。以上說明對本發明而言只是說明性的，而非限制性的，本領域普通技術人員理解， 在不脫離所附權利要求所限定的精神和范圍的情況下，可做出許多修改、變化或等效，但都 將落入本發明的保護范圍內。
權利要求
一種基于動態規劃的路面裂縫檢測方法，其特征在于，其包括以下步驟步驟11運用模糊梯度和路徑跟蹤對對比度低的裂縫進行有效增強；步驟12運用動態規劃的方法，實現對連續性差的裂縫的有效檢測；步驟13運用支持向量機模型，對所提取的裂縫進行分類。
2.如權利要求1所述的基于動態規劃的路面裂縫檢測方法，其特征在于，步驟11包括步驟111 從局部特征出發用方向濾波對線特征進行增強；步驟112 從全局特征出發運用最優路徑搜索的方法進行線特征的增強。
3.如權利要求1或2所述的基于動態規劃的路面裂縫檢測方法，其特征在于，步驟12 包括步驟121 運用線段局域鏈算法進行局部最優搜索，得到候選裂縫段； 步驟122 運用線段全局鏈算法進行全局最優搜索，得到最大的Beam能量對應的線目 標，從而實現對裂縫的提取。
4.如權利要求1或2所述的基于動態規劃的路面裂縫檢測方法，其特征在于，步驟12 包括以下步驟步驟1 設定要進行劃分的尺度，對圖像進行相應的劃分，得到多個固定的MXN個圖像 小方塊，通常每個圖像方塊的大小為32 X 32像素；其中，M、N為大于1的整數；步驟2 對于每個小方塊數據，在其四條邊線上從左上角開始，按順時針方向進行標 注，得到多個標注點；步驟3 每兩個標注點之間構成一條Beamlet，應用Bresenham算法進行相應的插值來 確定Beamlet上所有圖像數據點；步驟4 搜索每兩個標注點之間的最小代價路徑，并計算平均路徑代價值，作為對應得 Beamlet值，將路徑長度作為Beamlet變換系數；步驟5 對Beamlet值進行標準歸一化處理，并進行統計分析，用類間方差最大法進行 二類聚類，得到閾值，并運用廣義似然比檢驗法來檢測判斷檢驗假設，確定符合假設條件下 的 Beamlets ；步驟6 應用Beamlet局域鏈算法將步驟5所得Beamlets進行逼近，用逼近后的 Beamlets對原Beamlets進行更新；步驟7 用格狀圖來存儲余下的Beamlets，得到MXN個節點，節點的權值為Beamlet值 與Beamlet變換系數的乘積；步驟8 用Dijkstra算法計算每兩個Beamlet節點之間的最小代價路徑，并計算J(L) 值；最小的J(L)值對應的Beamlets即為裂縫。
5.如權利要求1或2所述的基于動態規劃的路面裂縫檢測方法，其特征在于，步驟13 包括步驟131 選擇基于統計學習理論的支持向量機模型，核函數為徑向基函數，標準差為 σ，取 σ 在 1Χ10—7 禾口 3Χ1(Γ7 之間； 步驟132 對裂縫特征提取； 步驟133 基于支持向量機的裂縫分類。
6.如權利要求5所述的基于動態規劃的路面裂縫檢測方法，其特征在于，該裂縫特征包括裂縫對應面元的面積、裂縫最小外接矩形的面積、裂縫最大外接矩形的面積、線性度、 飽和度、裂縫總方向、裂縫平均方向、面元間最大距離、面元間平均距離和面元密度。
7.如權利要求6所述的基于動態規劃的路面裂縫檢測方法，其特征在于，步驟133包括步驟1331 構建樣本集，選擇預定數目的橫向裂縫、縱向裂縫、龜裂和塊狀裂縫樣本預 定數目；步驟1332 對每個樣本，計算其10種特征值，構成樣本的特征向量； 步驟1333 將每兩類樣本的特征向量輸入SVM模型進行訓練，得到SVM模型的參數，得 到訓練好的模型；步驟1334 在裂縫分類中，用訓練好的模型對裂縫進行分類。
全文摘要
本發明提供了一種基于動態規劃的路面裂縫檢測方法，包括以下步驟步驟11運用模糊梯度和路徑跟蹤對對比度低的裂縫進行有效增強；步驟12運用動態規劃的方法，實現對連續性差的裂縫的有效檢測；步驟13運用支持向量機模型，對所提取的裂縫進行分類。本發明所述的基于動態規劃的裂縫檢測方法，能實現對對比度低、連續性差的裂縫的有效提取。
文檔編號G06K9/62GK101915764SQ201010252859
公開日2010年12月15日 申請日期2010年8月10日 優先權日2010年8月10日
發明者付智能, 李清泉, 毛慶洲, 鄒勤 申請人:武漢武大卓越科技有限責任公司