英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
路面自动裂缝检测系统
H.D. Cheng *, M. Miyojim
犹他州立大学计算机科学系，洛根，UT 8432 2-4205，美国
1997年2月2日收到；1997年5月7日收到修改后的表格； 1997年10月18日接受
摘要
联邦公路管理局公布的统计数据表明，美国公路路面的养护和修复每年需要170亿美元。传统的视觉和手动路面破损分析方法是当发现破损对象时，检查人员穿越道路，停止和测量它们。这种方法是非常昂贵的、耗时的、危险的、劳动密集的、单调乏味的、主观的、具有高度可变性的，不能提供有意义的定量信息，并且几乎总是导致破损细节在空间和跨评估上的不一致。本文介绍了一种新的路面破损图像增强算法，并提出了一种新的分析和分类算法。增强算法通过计算消除背景光照变化的倍增因子来修正非均匀背景光照。新的路面破损分类算法建立了一个数据结构，存储了从阈值图像获得的骨架。这个数据结构被修剪，简化，对齐，产生一组破损分类的特征：破损对象的数量、分支交叉点的数量、循环的数量、分支的相对大小。这种骨架分析算法依赖于二维几何参数，这是开发者和用户都可以理解的，不像某些处理普通用户不易理解的抽象量的方法。所提出的分析算法能够精确地量化几何和拓扑参数，可以快速接受新的分类规则来进行分类，并可以从阈值图像估计破损严重性。实验结果令人满意。copy;1998由爱思唯尔科学公司出版保留所有权利。
关键词：路面破损检测；图像增强；分割；图像分析与分类.
1介绍
道路路面病害检测需要美国的各个州和其他依靠地面运输的国家特别的注意。本文提出了一种新的算法。路面裂缝图像的增强与裂缝图像的分类通过对这些图像的骨架进行分析。新算法提供了良好的结果，有助于一个完全自动化的路面管理系统（PMS）。
1.1视觉裂缝检测
目前，路面检查是由检测人员进行的。他们在高速公路上行驶，寻找裂缝区域，停车时一个一个检测，测量一些参数，并记录它们。因此，传统的视觉和手动路面裂缝分析方法非常昂贵、费时、危险、劳动密集、乏味、主观、有高度的变异性,无法提供有意义的定量信息，并且几乎总是导致在空间上和评估过程中裂缝细节的不一致性。
1.2自动裂缝检测
具有丰富存储和高效软件的高速计算机硬件已成为负担得起的有限预算实体[1,2]。这些新的技术和经济事实使得需要高计算能力的问题的解决的发展成为可能，例如路面裂缝，分类。现有的自动裂缝检测系统/方法存在的问题有：（1）需要特殊设备（特殊灯、激光等），这将增加成本并限制系统/方法的应用；（2）一些系统的处理速度很低，精度很低；（3）它们可以只处理某些类型的裂缝。如果想处理更多的种类在困难的情况下，系统的复杂性会大大增加，或者系统不能工作。
1.3文献综述
亨德里克森等[3]提出了路面裂纹密封程序自动化的好处。他们估计劳动力占了道路维修成本的50%以上。国家行政部门每年封堵路面裂缝花费的路面维修费用约为1亿2500万美元。由于移动车辆被用于连续地密封裂纹，因此密封横向裂纹的成本是高于纵向裂纹。
李等[4]采用Sobel边缘检测器，并对Kittler和L#39;LunVal[5]提出的自动阈值决定方法进行了改进。为了连接裂纹段以形成连续的对象簇像素，他们依赖于噪声集群有一个小于20的周长的假设。
哈斯和亨德里克森[6]提出了一种标准模型来代表道路表面，为了统一和自动获取关键特征用于提高数据质量。激光测距是在被指定为感兴趣区域的源图像的一个子集内执行的。激光测距会腐蚀或拒绝视觉数据，使暗区不由路面裂缝引起，如轮胎痕迹、油溢出、阴影和最近的填充物，它们可能会被裁定出来。R.S. Walker和R.L. Harris[7]也报道了采用激光测距技术的裂纹识别系统的发展。Velinsky Kirschke[8]宣布机器视觉系统需要激光测距来克服OPICA系统的缺点。
古拉尼克等[9]提出了用阴影云纹干涉法测量路面异常病害，如异常高程和大坑洼等。该方法允许检测路面偏离指定平整度标准的区域。阴影莫尔干涉图提供不能通过普通录像获得的表面高度变化测量。它们可以检测重载引起的严重的道路高程变形，具有不确定边界的凹坑，光学方法无法检测这些。
Velinsky和KiSCKE[8]利用直方图分析来识别沥青水泥混凝土路面的裂缝，而没有太详细地描述所遇到的困难。
基特勒和伊林沃思[5]提出了一种基于目标和背景灰度值是正态分布的假设的统计阈值方法。他们计算了密度函数中模型灰度种群重叠的二值化误差最小化的准则函数，试图得到近似双峰直方图。该方法对于本文中所例示的工业部件的图像可能是有效的，但是由于光照表面组合的可变性，这种控制对于路面图像是不可行的。
Mohajeri和Manning[10]提出了一种分割路面破损图像的识别方法。它使用方向滤波器对裂纹进行分类。如果在X（横向）坐标的窄区间内存在高浓度的目标像素，则裂纹是纵向的；如果在y（纵）坐标的窄区间内存在对象像素的高计数，则它是横向的。然而，目前尚不清楚如何识别其他裂纹类型，通过分析这些计数。
E1科尔奇等人[11]指出光照在确定光学手段未检测到的裂缝部分的重要性。他们对几种照明方法（受控的、自然的、环境的、定向的、全向的、单源的和多源的）进行了研究。结论如下：（1）高质量的设备和算法比低质量系统能更全面地检测裂纹；（2）人类视觉检测阈值较低，因此可能无法检测到许多裂缝，这部分解释了人类评分的主观性；（3）阳光和天窗导致不同程度的裂缝检测；（4）光学系统不能检测到低对比度细节；（5）环境光比直接阳光更适合于裂纹检测；（6）使用的设备和算法越差，对于较高的裂纹检测概率，照明设计就越重要。
介绍了一种商业裂缝测量装置，并与传统的人工状况调查[12]进行了比较。根据图，手工绘制一段0.1英里长的路面格栅纸上的病害需要1小时。对于由PaveDeX开发的PAS 1设备所使用的图像处理方法，没有足够的细节。从结果的描述来看，从结果的描述看来，PAS 1装置是不准确的，因为它偏向横向裂纹，并且它不能检测到所有的鳄鱼裂纹。
另一种统计方法是由Koutsopoulos和唐尼在[13]中提出的，他们认识到分割的不完美性，这导致了区分路面破损类型的困难，尤其是在块和鳄鱼裂缝之间。在该方法中，通过从同一系列中减去一些平（非破损）图像的平均值来增强原始图像，以补偿光照变化。分割是通过将四个值中的一个分配给每个像素，基于其作为对象像素的概率来完成的。分类是基于在分割图像中识别原语的：空白，关节，线段，垂直，水平和对角线。如果破损包含几个具有几个水平和垂直基元的关节，它是块裂纹。如果它包含几个关节和对角线基元，它是一个鳄鱼裂纹。
Chou等人[14]使用模糊滤波图像增强，基于最大模糊熵的模糊阈值，并通过以特征向量训练为输入的神经网络进行分类。所采用的特征向量的分量是质心、方向、包围盒、最佳拟合椭圆和偏心率。从样本图像标定的非线性方程用于补偿不均匀照明。一些样本图像存在阈值缺陷，可能是由于不适当的照明校正。
Baker等人[15]描述了爱达荷交通部在VoooCopp公司协助下进行路面损坏数据模块自动化的努力。一辆特殊的车辆被用来记录2400英里的州际公路和380车道的主干道公路。研究小组了解了路面图像采集的重要事实：（1）即使在交通拥挤的情况下，也不难在高速公路上拍摄录像带；（2）夜间获得的图像质量较好；（3）数据采集的时间和成本不高；（4）在录像带上拍摄的图像具有足够的质量，用于后期的数字化和计算机分析。
Mioijm和Chan-L[16]建议通过将可用的真实图像（纹理）与光线跟踪表面的元素相结合来生成计算机上的图像，以提供具有指定的裂缝模式的源图像，以避免寻找难以找到的图像。
里奇等人[20]描述了一种潜在的自动化路面评价系统，该系统集成了不同类型的传感器、技术和信息。
1.4新算法
本次研究的目的是检测和分类路面裂缝。本文提出了一种新的算法，通过对摄像机在路面上获取的源图像进行增强，对增强图像和阈值图像进行骨架分析，并对所遇到的裂缝进行分类。
骨架分析：一种从图像骨架中确定总体拓扑和几何特征（交叉、环、周长、方向、长度、物体数目等）的算法。
分类：“一种开放的、确定性的和灵活的算法，它接受人类可能容易理解的输入特征。通过对路面病害分类标准的增减或修改，它可以进一步被参与路面管理的人员开发。
图像增强：在调查过程中，可以清楚地看到，需要更好的灰度级图像增强方法，才能够去除不均匀的背景照明效果。几乎所有路面破损图像都存在这样的问题，只有当背景照明缺陷被去除时，才有可能进行可靠的特征提取。为了满足这一需要，已经尝试了几种方法来更好地增强，最后，一种直截了当的、可理解的和通用的方法应运而生，这对源图像没有特别的要求。基本上，新的增强算法将源图像划分为多个矩形窗口，求出每个窗口内的平均强度，去除破损对平均值的影响以获得背景分量，将平均值转换为光强度并插值每个像素的乘法器以获得变换后的像素强度。该算法增强的图像忠实于源图像，并包含所有准备好阈值的灰度级的裂缝。
2系统描述
在本节中，我们提出了图像处理和模式识别方法来检测和分类路面裂缝，其中新算法被用来实现本研究的目标：图像增强、骨架分析和路面裂缝分类。
2.1系统图
在图1中显示出了图像捕获、路面裂缝检测、分类和严重程度确定过程的全局视图。
路面裂缝的自动检测和分类的障碍是路面图像通常是在非均匀分布光照下获得的。为了识别路面上的保真度模式，有必要首先将所有源图像转换成标准化的背景照明条件。冈萨雷斯和伍兹[17]在一个实验中描述了非均匀光照的结果，其中计算机生成的非均匀照明背景的像素强度由同样的计算机生成的两幅纹理图像的相应强度单独地乘以，其中包含图形信息。第二分量图像具有一个双模直方图，在模式之间具有明确定义的谷。合并图像的直方图完全不同：没有被一个良好标记的山谷进行明显的像素强度分离。大多数路面破损图像都具有这种难以处理的直方图。
2.2一种新的图像增强算法
路面裂缝图像的强度矩阵包含三变化类型：（1）不均匀背景光照，一个非常低的频率
图1 路面裂缝分类活动的全局视图
和振幅相当高的信号；（2）路面裂缝或无裂缝；不规则（表面上的污点或暗物质），高振幅和严格的负信号，边缘上有高频成分；（3）噪声是由非均匀材料和粒度引起的，是一种随机的、高频的和低到中等幅度的信号。在变化类型（1）中，可以假定光强度与距离的连续函数，具有连续导数。假设从包含路面裂缝的录像带中提取静止图像，并且不可能均匀地照亮场景，像素强度I（p），p＝{x，y}可以具有以下组成：
（2.1）
其中Ib（P）是背景照明信号，Id（P）是路面裂缝信号，In（P）表示噪声。为了获得图像来分析路面裂缝，图像要被阈值化。因为要被阈值化的图像通常具有高幅度的lb（p），所以它可以隐藏破损分量Id（P），从而将错误的值分配给大区域，在这种情况下，破损信息将丢失，并且阈值化将失败。为了从原始图像中提取逼真信息，必须将背景函数转换成恒定的基强度，在灰度级范围内任意选择：
（2.2）
In（p）信号的振幅通常小于Id（p）。事实上In（p）具有均匀分布在其平均值附近的随机值，而Id（p）是强否定的，在消除变量Ib（p）之后，可能可以在源I（p）信号中区分一个与另一个。换言之，将Ib（p）转换为常数具有揭示裂缝信号的优点，使图像准备好进行正确的阈值处理。
去除背景照明的算法利用了所有路面裂缝图像所共有的统计特性。它将帧划分为矩形窗口，并通过计算每个窗口中的所有像素的平均光强度来开始处理。具有不同背景光照的图像包含或不包含路面裂缝对象呈现每个窗口的不同平均强度。每个平均强度被认为位于相应窗口的中心。与大多数没有裂缝对象的窗口相比，包含裂缝对象的窗口具有较低的平均强度。通过检查图2可以更好地理解这一事实。因为算法的初始目标是在分析中从图像中提取背景照明模式，路面裂缝对窗平均值的影响必须消除。为了这个目的，当它沿着一行或一列前进并且发现相对于它的邻居的平均强度突然降低时，它将通过邻居之间的平均值来替换这个低值。此操作为
图2 包含路面裂缝的窗口具有较低的平均强度。
在平均强度矩阵的所有行和列的整个长度上重复。一旦每个裂缝入侵清除该矩阵，它被转换成一个乘法器矩阵，它能够将所有强度值推到共同的基础强度B。此操作将具有将可变背景强度Ib（p）转换为常数b的效果。根据计算
（2.3）
假设窗口平均强度序列{ 190，180, 160, 145，140 }存在，让它被判为基强度b＝160。将序列中的值除以B，获得了{1.19，1.12，1，0.91，0.88 }。该算法的目标是将图像矩阵转换成背景像素呈现单位比率的另一个矩阵。这是通过生成对每个像素进行插值的乘法器来实现的，因此所有的矩阵强度将在B左右变化。在数值例子中，平衡乘法器序列是{0.84，0.89，1，1.10，1.14 }。然而，由于有必要仅获得背景，所以在这个阶段必须忽略破损区域。只有背景应保持平滑的变化。正如可以观察到的图2，除了破损区域之外，其应该通过上部，背景线穿过大部分噪声波动的中
全文共8673字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[13814]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
