基于稀疏表示分類的路面裂縫檢測和識別方法
【技術領域】
[0001] 本發(fā)明涉及計算機視覺和模式識別領域，主要是將機器學習的方法用于路面裂縫 的檢測和識別，具體而言涉及一種基于稀疏表示分類的路面裂縫檢測和識別方法。
【背景技術】
[0002] 裂縫是路面最常見的病害，及時準確的發(fā)現(xiàn)路面裂縫對高負荷的公路的養(yǎng)護管理 至關重要。通過人工視覺檢測，需要大量的人力物力，且檢測結(jié)果帶有人的主觀性。計算機 的快速發(fā)展使得人們可以使用電腦完成路面病害的自動檢測。
[0003] 傳統(tǒng)的路面裂縫檢測是基于圖像的處理和分析，隨后一些跨領域的方法也被提 出，用以刻畫、增強復雜環(huán)境下的裂縫特征，為裂縫檢測引入了新的思路。如結(jié)合模糊集理 論的方法、基于人工種群的檢測策略、利用目標點最小生成樹的檢測算法、基于分數(shù)階微分 的算法。隨著模式識別技術的快速發(fā)展，機器學習的方法也被應用于路面裂縫的檢測和識 別。
[0004] 模式識別又常稱作模式分類，從處理問題的性質(zhì)和解決問題的方法等角度，模式 識別分為有監(jiān)督的分類（Supervised Class if i cat ion)和無監(jiān)督的分類(Unsupervised Classification)兩種。二者的主要差別在于，各實驗樣本所屬的類別是否預先已知;一般 說來，有監(jiān)督的分類往往需要提供大量已知類別的樣本。
[0005] 近年來各種模式識別方法被應用與路面裂縫的檢測和識別，由于實際采集的路面 圖像噪聲成分復雜，許多方法需要進行預處理消除部分噪聲的影響，不僅步驟復雜、執(zhí)行效 率低，而且模式識別效果很大程度依賴于圖像預處理。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明目的在于提供一種基于稀疏表示分類的路面裂縫檢測和識別方法，以克服 傳統(tǒng)方法普遍存在檢測精度低、耗時長的缺點。
[0007] 本發(fā)明的上述目的通過獨立權(quán)利要求的技術特征實現(xiàn)，從屬權(quán)利要求以另選或有 利的方式發(fā)展獨立權(quán)利要求的技術特征。
[0008] 為達成上述目的，本發(fā)明提出一種基于稀疏表示分類的路面裂縫檢測和識別方 法，包括以下步驟：
[0009] 1)選取訓練集，提取訓練集的特征向量集并歸一化；
[0010] 2)對訓練集的子塊進行標注，分為非裂縫子塊和裂縫子塊；
[0011] 3)將測試圖片分為指定大小的子塊，提取每個子塊的特征并歸一化；
[0012] 4)根據(jù)測試集特征向量，使用SRC對圖像的各個子塊進行分類，得到子塊
[0013]的類型矩陣；
[0014] 5)對子塊類型矩陣進行橫向和縱向的映射編碼并進行編碼增強；
[0015] 6)利用步驟5)處理過的編碼進行裂縫類型識別。
[0016] 應當理解，前述構(gòu)思以及在下面更加詳細地描述的額外構(gòu)思的所有組合只要在這 樣的構(gòu)思不相互矛盾的情況下都可以被視為本公開的發(fā)明主題的一部分。另外，所要求保 護的主題的所有組合都被視為本公開的發(fā)明主題的一部分。
[0017] 結(jié)合附圖從下面的描述中可以更加全面地理解本發(fā)明教導的前述和其他方面、實 施例和特征。本發(fā)明的其他附加方面例如示例性實施方式的特征和/或有益效果將在下面 的描述中顯見，或通過根據(jù)本發(fā)明教導的【具體實施方式】的實踐中得知。
【附圖說明】
[0018] 附圖不意在按比例繪制。在附圖中，在各個圖中示出的每個相同或近似相同的組 成部分可以用相同的標號表示。為了清晰起見，在每個圖中，并非每個組成部分均被標記。 現(xiàn)在，將通過例子并參考附圖來描述本發(fā)明的各個方面的實施例，其中：
[0019] 圖1是本發(fā)明某些實施例的基于稀疏表示分類的路面裂縫檢測和識別流程圖。 [0020]圖2是本發(fā)明某些實施例的裂縫識別流程圖。
[0021] 圖3是本發(fā)明某些實施例的子塊分類矩陣的映射編碼和編碼增強示例圖。中間為 子塊類型矩陣，中間的加粗部分為垂直編碼，縮小字體的為水平編碼，最外圍加粗的為編碼 增強后的新編碼。
[0022] 圖4是裂縫識別效果示意圖，"〇"表示偏縱向裂縫，"X"表示網(wǎng)狀裂縫，表示偏橫 向裂縫。
[0023]圖5是裂縫類型示意圖。
【具體實施方式】
[0024]為了更了解本發(fā)明的技術內(nèi)容，特舉具體實施例并配合所附圖式說明如下。
[0025] 在本公開中參照附圖來描述本發(fā)明的各方面，附圖中示出了許多說明的實施例。 本公開的實施例不必定意在包括本發(fā)明的所有方面。應當理解，上面介紹的多種構(gòu)思和實 施例，以及下面更加詳細地描述的那些構(gòu)思和實施方式可以以很多方式中任意一種來實 施，這是因為本發(fā)明所公開的構(gòu)思和實施例并不限于任何實施方式。另外，本發(fā)明公開的一 些方面可以單獨使用，或者與本發(fā)明公開的其他方面的任何適當組合來使用。
[0026] 根據(jù)本發(fā)明的實施例，本發(fā)明的基于稀疏表示分類的路面裂縫檢測和識別方法， 通過引入了稀疏表示分類器，并且使用圖像子塊的高階矩特征作為分類器分類的依據(jù)，不 需要對圖像進行預處理，在執(zhí)行效率和識別精度上有了很大的提升。其具體實現(xiàn)主要包括 訓練集(子塊)特征向量的提取及歸一化、將測試圖像分塊提取特征并使用SRC進行分類、根 據(jù)子塊分類結(jié)果的映射編碼識別裂縫類型三個部分。
[0027] 下面結(jié)合附圖，對本發(fā)明的一些示范性實施例加以說明。
[0028] 根據(jù)本發(fā)明的實施例，一種基于似物性估計的快速行人檢測方法，用以克服現(xiàn)有 基于滑動窗口的行人檢測方法檢測速度過慢的問題。結(jié)合圖1所示，該方法的實現(xiàn)大致包括 以下6個步驟：
[0029] 1)選取訓練集，提取訓練集的特征向量集并歸一化；
[0030] 2)對訓練集的子塊進行標注，分為非裂縫子塊和裂縫子塊；
[0031] 3)將測試圖片分為指定大小的子塊，提取每個子塊的特征并歸一化；
[0032] 4)根據(jù)測試集特征向量，使用SRC對圖像的各個子塊進行分類，得到子塊
[0033] 的類型矩陣；
[0034] 5)對子塊類型矩陣進行橫向和縱向的映射編碼并進行編碼增強；
[0035] 6)利用步驟5)處理過的編碼進行裂縫類型識別。
[0036]上述方法中，所述步驟1)具體為：
[0037] 11)在采集到的圖片中選取多幅圖片分為指定大小的子塊ηΧη，子塊分為裂縫子 塊和非裂縫子塊；
[0038] 子塊過大時，局部特征(細小的裂縫)可能被忽略，導致檢測不出來含有裂縫的子 塊，召回率降低。子塊過小時，除了處理起來數(shù)據(jù)量過大，效率降低以外，會把一些噪聲誤判 為裂縫，降低了精確率;為了保證精確率和召回率，子塊大小設為75*75。
[0039] 12)在步驟11)的子塊中選取m(m 2 100)個子塊作為訓練集，提取子塊的特征向量 (std M3 M4)，std為標準差，M3、M4為子塊圖像的三階矩特征和四階矩特征；
[0040] 使用矩特征為分類器的特征，使得分類器對噪聲相當魯棒，不需要進行預處理，提 尚了運彳丁效率。
[0041 ] 13)對每個子塊的特征向量進行歸一化；
[0042]上述方法中，所述步驟12)具體為：
[0043] 121)假設子塊為1(ηΧη)，子塊的標準差特征std提取方法如公式(1);
[0044]
[0045]
[0046] 123)子塊的矩特征提取方法如公式(2)，k = 3時為三階矩特征，k = 4時為四階矩特 征。
[0047]
[0048]上述方法中，所述步驟2)具體為：
[0049] 21)對測試集的子塊進行標注，分為非裂縫子塊和裂縫子塊；
[0050] 22)根據(jù)標注的ground truth，將每個測試集的子塊的標簽設為0和1，0表示非裂 縫子塊，1表示裂縫子塊。
[0051] 5、根據(jù)權(quán)利要求4所述的基于稀疏表示分類的路面裂縫檢測和識別方法，其特征 在于，所述步驟3)具體包括以下步驟：
[0052] 31)將測試圖片P(WXL)分為指定大小的子塊，子塊大小和步驟11)相同，得到K = M XN(M=W/n，N=L/n)個子塊；
[0053] 32)提取每個子塊的特征組成向量(std M3 M4);
[0054] 33)特征向量歸一化；
[0055]上述