CN118015002B - 一种交通工程路况视觉检测方法及*** - Google Patents
一种交通工程路况视觉检测方法及*** Download PDFInfo
- Publication number
- CN118015002B CN118015002B CN202410425015.6A CN202410425015A CN118015002B CN 118015002 B CN118015002 B CN 118015002B CN 202410425015 A CN202410425015 A CN 202410425015A CN 118015002 B CN118015002 B CN 118015002B
- Authority
- CN
- China
- Prior art keywords
- gray level
- road condition
- defect
- gray
- traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000000007 visual effect Effects 0.000 title claims abstract description 28
- 230000007547 defect Effects 0.000 claims abstract description 236
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000003384 imaging method Methods 0.000 claims abstract description 53
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000011179 visual inspection Methods 0.000 claims 5
- 230000008859 change Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 239000010426 asphalt Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像增强技术领域,具体涉及一种交通工程路况视觉检测方法及***。该方法根据灰度级与周围的灰度级对应像素点数量之间分布差异,以及灰度级和正常路面灰度级之间的接近程度,获取灰度级的分布缺陷特征值;根据灰度级对应所有聚类簇和参考车道线连通域之间的相关性,以及灰度级的分布缺陷特征值,获取灰度级的成像缺陷规律值;进而获取灰度级的缺陷概率值;根据交通路况原始图像的所有灰度级的缺陷概率值,获取交通路况增强图像;最终对交通路况增强图像进行缺陷检测。本发明通过有效增强车辙缺陷的凸显程度,改善交通工程路况视觉缺陷检测准确性。
Description
技术领域
本发明涉及图像增强技术领域,具体涉及一种交通工程路况视觉检测方法及***。
背景技术
沥青路面为典型的柔性路面。由于沥青路面相对柔软,路面通行负荷不断加重时,路面容易出现各种缺陷,例如车辙、裂缝、凹槽等。交通工程路况视觉检测有助于道路养护人员准确了解沥青路面的缺陷状况,根据道路缺陷情况制定相应养护计划,确保行车安全。近年来,通过训练大量的道路图像数据,利用深度学习模型对路面缺陷状况特征进行自动识别,从而实现对交通工程路况缺陷的准确检测。
在路况图像中路面存在各种缺陷,为了增强缺陷表现程度,需要增强图像,现有技术利用直方图均衡化法进行增强图像,直方图均衡化法通过图像的像素值进行重新分配,使得图像的亮度分布更加均匀,从而增强图像中缺陷的对比度和细节。然而,在无较低角度光线照射的情况下,车辙特征表现程度相对较弱,直方图均衡化法忽略了灰度级的车辙缺陷概率,使得无法有效放大高缺陷概率灰度级和低缺陷概率灰度级的对比度,导致无法有效增强车辙缺陷的凸显程度,导致交通工程路况视觉缺陷检测不准确。
发明内容
为了解决现有技术利用直方图均衡化法进行增强图像,无法有效增强车辙缺陷的凸显程度,导致交通工程路况视觉缺陷检测不准确的技术问题,本发明的目的在于提供一种交通工程路况视觉检测方法及***,所采用的技术方案具体如下:
一种交通工程路况视觉检测方法,所述方法包括以下步骤:
获取交通路况原始图像;
获取所述交通路况原始图像的路况灰度直方图;根据所述路况灰度直方图中所有灰度级对应的像素点数量,获取正常路面灰度级;在所述路况灰度直方图中,根据灰度级与周围的灰度级对应像素点数量之间分布差异,以及灰度级和所述正常路面灰度级之间的接近程度,获取灰度级的分布缺陷特征值;
对所述交通路况原始图像进行二值化处理,获取参考车道线连通域;在所述交通路况原始图像中,对灰度级对应所有像素点进行聚类,获取灰度级对应的多个聚类簇;根据灰度级对应所有聚类簇和所述参考车道线连通域之间的相关性,以及灰度级的分布缺陷特征值,获取灰度级的成像缺陷规律值;
根据路况灰度直方图的分布,灰度级的成像缺陷规律值以及灰度级的分布缺陷特征值,获取灰度级的缺陷概率值;根据交通路况原始图像的所有灰度级的缺陷概率值,对交通路况原始图像进行增强处理,获取交通路况增强图像;
对所述交通路况增强图像进行缺陷检测。
进一步地,所述分布缺陷特征值的获取方法,具体包括:
根据变化特征参数值公式获得变化特征参数值,所述变化特征参数值公式包括:
;/>为在所述路况灰度直方图中,第/>个灰度级的变化特征参数值;/>为在所述路况灰度直方图中,第/>个灰度级对应的像素点数量;/>为在所述路况灰度直方图中,第/>个灰度级对应的像素点数量;/>为在所述路况灰度直方图中,第/>个灰度级对应的像素点数量;/>为绝对值符号;/>为分母第一调节因子;
根据所述路况灰度直方图进行曲线拟合,获取拟合灰度曲线;对所述路况灰度直方图的灰度级所构成的灰度级序列进行分段,获取各个灰度段;
根据分布缺陷特征值公式获得分布缺陷特征值,所述分布缺陷特征值公式包括:
;其中,/>为在所述路况灰度直方图中,第/>个灰度级的分布缺陷特征值;/>为正常路面灰度级;/>为在所述路况灰度直方图中,第/>个灰度级的变化特征参数值;/>为在第/>个灰度级所属的灰度段中,所有灰度级对应在拟合灰度曲线上导数的方差;/>为分母第二调节因子;/>为以自然数/>为底数的指数函数。
进一步地,所述成像缺陷规律值的获取方法,具体包括:
获取参考车道线连通域的参考车道轮廓;将参考车道轮廓进行拆分,获取参考车道轮廓的所有参考车道分段轮廓;将最长的参考车道分段轮廓,作为参考行驶轮廓边缘;根据参考行驶轮廓边缘和参考车道线连通域中像素点分布,获取参考行驶轮廓边缘的参考行驶特征序列;
利用凸包检测法,获取各个灰度级对应各个聚类簇的类簇轮廓和类簇区域;将每个类簇轮廓进行拆分,获取每个类簇轮廓的所有类簇分段轮廓;根据每个类簇分段轮廓和对应的所述类簇区域中像素点分布,获取每个类簇分段轮廓的待分析行驶特征序列;
根据每个类簇分段轮廓的待分析行驶特征序列和参考行驶轮廓边缘的参考行驶特征序列之间的相关性,灰度级的分布缺陷特征值,以及灰度级对应所有类簇分段轮廓的长度的波动性,获取灰度级的成像缺陷规律值。
进一步地,所述成像缺陷规律值的获取方法包括:
根据成像缺陷规律值公式获取成像缺陷规律值,所述成像缺陷规律值公式包括:
;其中,/>为在所述路况灰度直方图中,第/>个灰度级的成像缺陷规律值;/>为第/>个灰度级对应所有类簇分段轮廓的总数量;/>为第/>个灰度级对应第/>个类簇分段轮廓的长度;/>为第/>个灰度级对应所有类簇分段轮廓的长度的均值;/>为在所述路况灰度直方图中,第/>个灰度级的分布缺陷特征值;/>为第/>个灰度级对应第/>个类簇分段轮廓的待分析行驶特征序列;/>为参考行驶轮廓边缘的参考行驶特征序列;/>为第/>个灰度级对应所有类簇分段轮廓的/>中的最大值;/>为绝对值符号;/>为取皮尔逊相关系数函数。
进一步地,所述参考行驶特征序列和待分析行驶特征序列的获取方法包括:
将任意一条所述参考行驶轮廓边缘或者所述类簇分段轮廓,作为目标分析边缘;将任意一个类簇区域或者参考车道线连通域,作为目标分析区域;将所述目标分析区域中所有像素点,作为目标区域像素点;将所述目标分析边缘上所有像素点,作为目标边缘像素点;
在所述目标分析边缘所属的所述目标分析区域中,以任意一个所述目标分析边缘的端点为起点,以所述目标分析边缘的延伸方向为方向,依次统计目标边缘像素点在预设方向上所有目标区域像素点的总数量,得到目标分析边缘的目标行驶特征序列;
将所述参考行驶轮廓边缘的目标行驶特征序列,作为所述参考行驶轮廓边缘的参考行驶特征序列,将所述类簇分段轮廓的目标行驶特征序列,作为类簇分段轮廓的待分析行驶特征序列。
进一步地,所述缺陷概率值的获取方法包括:
根据缺陷概率值公式获得缺陷概率值,所述缺陷概率值公式包括:
;其中,/>为在所述路况灰度直方图中,第/>个灰度级的所述缺陷概率值;/>为在所述路况灰度直方图中,第/>个灰度级的成像缺陷规律值;/>为在所述路况灰度直方图中,第/>个灰度级的分布缺陷特征值;/>为所述路况灰度直方图的偏度;/>为所述路况灰度直方图的峰度;/>为以自然数/>为底数的指数函数。
进一步地,所述正常路面灰度级的获取方法,包括:
在所述路况灰度直方图中,将最多的像素点数量对应的灰度级,作为正常路面灰度级。
进一步地,所述参考车道线连通域的获取方法,具体包括:
基于大津阈值法,对所述交通路况原始图像进行二值化处理,获取交通二值化图像;利用连通域分析算法提取出所述交通二值化图像的各个前景连通域,将最大的前景连通域,作为参考车道线连通域。
进一步地,所述交通路况增强图像的获取方法包括:
基于直方图均衡化法,获取灰度级的初始的映射后灰度级;
根据灰度级对应的缺陷概率值和灰度级的初始的映射后灰度级,获取各个灰度级的更新后映射后灰度级;所述缺陷概率值和所述更新后映射后灰度级呈现正相关性;所述初始的映射后灰度级和所述更新后映射后灰度级呈现正相关性;
基于直方图均衡化法,根据各个灰度级的所述更新后映射后灰度级,获取交通路况增强图像。
本发明提出一种交通工程路况视觉检测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种交通工程路况视觉检测方法的步骤。
本发明具有如下有益效果:
考虑到车辙缺陷为形状规则的轻微凹陷,在图像中表现为路面正常反光区域和形变导致的阴影区域所组成的车辙纹理区域,然而在光线条件不佳的情况下,车辙纹理不明显,需要对车辙缺陷进行图像增强,本发明主要通过分析不同灰度级为车辙纹理灰度级的概率,然后对图像中车辙缺陷进行自适应针对增强。
首先考虑到正常路面的灰度值一致性较高而且占比较高,获取正常路面灰度级;正常路面灰度级反映正常路面的灰度;考虑到了车辙纹理是由于车辙凹陷产生的光影变化,且沥青公路路面反光性比较弱,车辙纹理的灰度和正常路面的灰度值比较接近;同时考虑了车辙纹理是由于路面形变导致在图像中表现为路面正常反光区域和形变导致的阴影区域所组成的区域,沥青公路路面的灰度均匀,过渡平缓,获取灰度级的分布缺陷特征值;分布缺陷特征值通过分析灰度级对应像素点数量,来初步确定车辙缺陷的概率。
由于车道线的灰度级在路况图像中远大于路面部分的灰度级,因此对交通路况原始图像进行二值化处理,获取参考车道线连通域;参考车道线连通域可以反映驾驶者行驶方向。为了分析灰度级对应的图形分布特征,对灰度级对应所有像素点进行聚类,获取灰度级对应的多个聚类簇;聚类簇可以反映同灰度级中距离相近的像素点,从而反映灰度级的像素点在实际位置分布。考虑到车辙的形状一般为长条形,车辙和车道线都可以反映车辆的行驶方向,所以车辙和车道线的轮廓具有相似性;通过灰度级的像素点在图像中实际分布规律和车道线的像素点变化规律的关联性,获取确定灰度级的成像缺陷规律值;灰度级的成像缺陷规律值越大,图像中灰度级为车辙灰度级概率越大。
分布缺陷特征值通过根据路况灰度直方图中像素点数量的分布,确定灰度级为缺陷灰度级的概率;成像缺陷规律值主要通过在图像中实际分布规律,确定灰度级为缺陷灰度级的概率;通过进一步结合灰度直方图的分布,获取灰度级的缺陷概率值;缺陷概率值可以更加准确反映灰度级为车辙缺陷灰度级的概率。根据灰度级是车辙纹理灰度级的概率,对图像进行自适应针对增强,确定可以更加准确反映车辙缺陷的交通路况增强图像,进而使得交通路况增强图像的缺陷类别检测结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种交通工程路况视觉检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种交通工程路况视觉检测方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种交通工程路况视觉检测方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种交通工程路况视觉检测方法的流程图,该方法包括以下步骤:
步骤S1,获取交通路况原始图像。
本发明主要针对增强车辙缺陷的凸显程度,因此首先需要获取交通路况原始图像。具体的,通过道路检测车采集路况图像,获取路况初始图像;由于道路检测车通常还会搭载其他检测设备对路面状况进行评估,在采像、数据传输的过程中存在电子噪声干扰,导致图像特征不清晰,所以对路况初始图像进行降噪操作,获取降噪图像。进行降噪操作可以消除噪声和外界干扰造成的影响,增强后续分析的准确性。在图像中完整包含当前路面信息,其中颜色信息包含的特征较少,将降噪图像进行灰度化处理,获取交通路况原始图像,以方便对车辙缺陷进行分析。本发明实施例采用双边滤波对图像降噪,实施者可根据实际情况自行设置。
需要说明的是,为了方便运算,本发明实施例中所参与运算的所有指标数据均经过数据预处理,进而取消量纲影响。具体去量纲影响的手段为本领域技术人员熟知的技术手段,在此不做限定。
步骤S2,获取交通路况原始图像的路况灰度直方图;根据路况灰度直方图中所有灰度级对应的像素点数量,获取正常路面灰度级;在路况灰度直方图中,根据灰度级与周围的灰度级对应像素点数量之间分布差异,以及灰度级和正常路面灰度级之间的接近程度,获取灰度级的分布缺陷特征值。
考虑到车辙缺陷为形状规则的轻微凹陷,在图像中表现为路面正常反光区域和形变导致的阴影区域所组成的车辙纹理区域,然而在光线条件不佳的情况下,车辙纹理不明显,需要对车辙缺陷进行图像增强,本发明主要通过分析不同灰度级为车辙纹理灰度级的概率,然后对图像中车辙缺陷进行自适应针对增强。
首先考虑到正常路面的灰度值一致性较高而且占比较高,获取正常路面灰度级;正常路面灰度级反映正常路面的灰度;考虑到了车辙纹理是由于车辙凹陷产生的光影变化,且沥青公路路面反光性比较弱,车辙纹理的灰度和正常路面的灰度值比较接近;同时考虑了车辙纹理是由于路面形变导致在图像中表现为路面正常反光区域和形变导致的阴影区域所组成的区域,沥青公路路面的灰度均匀,过渡平缓,获取灰度级的分布缺陷特征值;分布缺陷特征值通过分析灰度级对应像素点数量,来初步确定车辙缺陷的概率。
优选地,考虑到正常路面的灰度均匀且正常路面在图像中占比较高,本发明一个实施例中,正常路面灰度级的获取方法,包括:
在路况灰度直方图中,将最多的像素点数量对应灰度级,作为正常路面灰度级,正常路面灰度级反映正常路面的灰度。
具体的,本发明一个实施例中,根据交通路况原始图像中所有像素点的灰度值,构建交通路况原始图像的路况灰度直方图,路况灰度直方图的横坐标为灰度级,路况灰度直方图的纵坐标为像素点数量。后续通过分析路况灰度直方图中像素点数量的分布,分析像素点的车辙缺陷概率。
优选地,考虑到路面灰度相对均匀,在直方图中像素点数量应该近似高斯分布,由于车辙缺陷在图像中表现为路面正常反光区域和形变导致的阴影区域所组成的车辙纹理区域,对于具备一定高斯性的路况灰度直方图来说,相当于提升了处在像素点数量下降区间灰度级的像素点数量,即车辙纹理部分在灰度直方图的分布上具备一定规律特征。本步骤通过不同灰度级在灰度直方图上的分布特征,获取分布缺陷特征值。
本发明一个实施例中,首先考虑到了路面灰度相对均匀,车辙缺陷在图像中表现为路面正常反光区域和形变导致的阴影区域所组成的车辙纹理区域,灰度相对不均匀。在路况灰度直方图中,根据灰度级和相邻灰度级之间对应像素点数量之间的差异,获取灰度级的变化特征参数值,变化特征参数值公式包括:
;/>为在路况灰度直方图中,第/>个灰度级的变化特征参数值;/>为在路况灰度直方图中,第/>个灰度级对应的像素点数量;/>为在路况灰度直方图中,第/>个灰度级对应的像素点数量;/>为在路况灰度直方图中,第/>个灰度级对应的像素点数量;/>为绝对值符号;/>为分母第一调节因子。本发明一个实施例中,分母第一调节因子为0.01,实施者可根据实施场景自行设定。需要说明的是,考虑到路况灰度直方图中首个灰度级不存在前一个灰度级,最后一个灰度级不存在后一个灰度级,本发明一个实施例中,利用差值拟合方法拟合出路况灰度直方图中首个灰度级的前一相邻灰度级的像素点数量,和最后一个灰度级的后一个相邻灰度级的像素点数量。
在变化特征参数值公式中,反映了当前灰度级与前一个相邻灰度级像素点数量差;/>反映了当前灰度级与后一个相邻灰度级的像素点数量差;反映了当前灰度级与相邻灰度级像素点数量差的差异;作用是为了对分子/>进行标准化,使得变化特征参数值反映当前灰度级与相邻灰度级像素点数量差的相对差异程度,考虑到车辙缺陷区域灰度相对不均匀,相对差异程度越大,变化特征参数值越大,越可能是车辙缺陷灰度级。
为了分析路况灰度直方图中灰度级的变化特征,首先需要获取路况灰度直方图的拟合灰度曲线,具体过程包括:
具体的,基于灰度直方图的二维坐标系,即二维坐标的横轴是灰度级,纵轴是灰度级的像素点数量,每个灰度级及其对应的像素点数量构成一个数据点,统计所有灰度级的数据点,作为拟合数据点;利用最小二乘法,对所有拟合数据点进行曲线拟合,获取拟合灰度曲线。
为了分析灰度级周围的分布特征,对路况灰度直方图的横轴进行分段,获取各个灰度段,具体过程包括:
本发明一个实施例中,对拟合灰度曲线上各个灰度级对应数据点进行求导,获取灰度级对应的导数;将各个导数为0的灰度级作为各个划分灰度级,利用所有划分灰度级对路况灰度直方图的灰度级所构成的灰度级序列进行分段,获取各个灰度段。
本发明其他实施例中,将路况灰度直方图对应横轴的区间,均等的划分为预设划分段数量个灰度段;本发明一个实施例中,预设划分段数量为25个,实施者可根据实施场景自行设定。
本发明一个实施例中,为了初步确定车辙缺陷的概率,根据路况灰度直方图中像素点数量的分布,获取分布缺陷特征值。分布缺陷特征值公式包括:
;其中,/>为在路况灰度直方图中,第/>个灰度级的分布缺陷特征值;/>为正常路面灰度级;/>为在路况灰度直方图中,第/>个灰度级的变化特征参数值;为在第/>个灰度级所属的灰度段中,所有灰度级对应在拟合灰度曲线上导数的方差;为分母第二调节因子;/>为以自然数/>为底数的指数函数。在本发明一个实施例中,分母第二调节因子为0.001,实施者可根据实施场景自行设定。需要说明的是,/>的具体获取过程包括,对拟合灰度曲线上各个灰度级对应数据点进行求导,获取灰度级对应的导数;在第/>个灰度级所属的灰度段中,计算所有灰度级对应的导数的方差,获取/>。
在分布缺陷特征值公式中,反映了第/>个灰度级和正常路面灰度级的差异程度,由于车辙纹理的灰度和正常路面的灰度值比较接近,所以差异程度越小,分布缺陷特征值越大,灰度级为缺陷灰度级的概率较大;/>反映了灰度级所属灰度段的区间中像素点数量整体变化的均匀程度,越均匀,代表区间中像素点数量整体变化差异相差较小,即区间的灰度级越可能表示在图像中区域灰度均匀,过渡平缓的区域的灰度级,越符合公路灰度值分布规律;/>反映灰度级与相邻灰度级像素点数量差的相对差异程度,考虑到车辙缺陷区域灰度相对不均匀,相对差异程度越大,分布缺陷特征值越大,灰度级为缺陷灰度级的概率较大;将/>作为/>的调节因子,调节相邻灰度级像素点数量差的差异程度,使得更准确表现灰度级为车辙缺陷灰度级的概率。分布缺陷特征值通过分析路况灰度直方图中像素点数量的分布,来初步确定车辙缺陷的概率,分布缺陷特征值越大,灰度级为缺陷灰度级的概率较大。
步骤S3,对交通路况原始图像进行二值化处理,获取参考车道线连通域;在交通路况原始图像中,对灰度级对应所有像素点进行聚类,获取灰度级对应的多个聚类簇;根据灰度级对应所有聚类簇和参考车道线连通域之间的相关性,以及灰度级的分布缺陷特征值,获取灰度级的成像缺陷规律值。
为了避免不同灰度级受到图像中其他物体的干扰,导致仅通过路况灰度直方图分析灰度级的缺陷概率不够准确,还需要结合各灰度级像素点在交通路况原始图像中的实际位置分布,判断灰度级像素点包含车辙缺像素点的概率。在交通路况原始图像中,根据近大远小的成像原理,靠近采像点的车辙与同一条车辙远离采像点的部分相比,在靠近采样点的车辙成像面积更大。因此在图像中,车辙区域在非车辙线方向的像素点数量应该存在逐渐变化的过程。要衡量该变化程度,需要找到图像中的固定参照物进行对比。在交通路况原始图像中,车道线是指在道路上引导驾驶者行驶的线条,车辙缺陷主要是由于车辆轮胎在路面上重复碾压导致路面产生的轻微凹陷,车辙可以反映车辆的行驶方向,车道线是指在道路上引导驾驶者行驶的线条,可以反映车辆的行驶方向,所以车辙和车道线的轮廓具有相似性,车辙区域和车道线区域的像素点数量具有类似的变化规律。
优选地,后续分析车辙成像特点需要固定参照物,考虑到车辙区域和车道线区域的像素点数量具有类似的变化规律,获取参考车道线连通域。本发明一个实施例中,参考车道线连通域的获取方法,具体包括:
由于车道线的灰度级在路况图像中远大于路面部分的灰度级,基于大津阈值法,对交通路况原始图像进行二值化处理,获取交通二值化图像;交通二值化图像中前景像素点表示车道线像素点。利用连通域分析算法提取出交通二值化图像的各个前景连通域,将最大的前景连通域,作为参考车道线连通域。参考车道线连通域代表了最长车道线对应的区域,能很好反映车辆行驶的轨迹,以供后续作为分析车辙成像特点的固定参照物。
为了分析灰度级对应的图形分布特征,对灰度级对应所有像素点进行聚类,获取灰度级对应的多个聚类簇;聚类簇可以反映同灰度级中距离相近的像素点,从而反映灰度级的像素点在实际位置分布。考虑到车辙的形状一般为长条形,车辙和车道线都可以反映车辆的行驶方向,所以车辙和车道线的轮廓具有相似性;通过灰度级的像素点在图像中实际分布规律和车道线的像素点变化规律的关联性,获取确定灰度级的成像缺陷规律值;灰度级的成像缺陷规律值越大,图像中灰度级为车辙灰度级概率越大。
具体的,为了确定灰度级对应像素点存在车辙缺陷像素点概率,需要分析灰度级在图像中分布特征符合车辙成像特征,首先确定灰度级的像素点在图像中实际位置分布。在交通路况原始图像中,根据像素点之间的欧式距离,对灰度级对应所有像素点进行K-means聚类(K-Means Clustering,K均值聚类算法),获取灰度级对应的多个聚类簇。需要说明的是,K-means聚类为本领域技术人员熟知的现有技术,在此仅简述获取灰度级对应的多个聚类簇的简要过程:在交通路况原始图像中,利用手肘法选择K个像素点作为初始聚类中心,根据两个像素点之间欧式距离,计算两个像素点的距离度量值;根据像素点到每个聚类中心点的距离度量值,进行聚类,获取灰度级对应的多个聚类簇。聚类簇为同一灰度级对应分布距离较近的像素点,从而反映灰度级的像素点在实际位置分布。
优选地,通过灰度级对应像素点的实际图像分布特征,进一步分析灰度级为车辙缺陷灰度级的概率,获取成像缺陷规律值。本发明一个实施例中,成像缺陷规律值的获取方法,具体包括:
首先,为了确定参考车道线连通域中反映车辆的行驶方向的边缘,首先利用凸包检测法,获取参考车道线连通域的参考车道轮廓。为了确定轮廓上反映车辆的行驶方向的边缘,利用凸包检测法,还可以获取参考车道轮廓上的顶点,利用顶点将参考车道轮廓进行拆分,获取参考车道轮廓的所有参考车道分段轮廓;考虑到在参考车道线连通域中,车道行驶方向的边缘往往长且参考性强,将最长的参考车道分段轮廓,作为参考行驶轮廓边缘;参考行驶轮廓边缘可以表征车辆的行驶方向的边缘。
为了分析灰度级的像素点所代表形成区域与车道线区域的相关性,由于聚类簇为同一灰度级对应分布距离较近的像素点,可以反映灰度级的像素点在实际位置分布。利用凸包检测法,获取各个灰度级对应各个聚类簇的类簇轮廓,类簇轮廓所围成的区域作为类簇区域;类簇轮廓可以反映灰度级的像素点在实际分布的几何特征,类簇区域灰度级的像素点实际分布的区域。利用凸包检测法,还可以获取类簇轮廓上的顶点,利用顶点将类簇轮廓进行拆分,获取类簇轮廓的所有类簇分段轮廓。类簇分段轮廓可以反映灰度级对应的像素点在实际分布的几何局部特征。
优选地,为了分析灰度级的像素点在图像中实际分布规律和车道线在图像中实际分布规律的关联性,需要分析参考车道线连通域的成像特点,确定参考行驶特征序列,还需要分析灰度级在实际分布的成像特征,确定待分析行驶特征序列。本发明一个实施例中,参考行驶特征序列和待分析行驶特征序列的获取方法包括:
将任意一条参考行驶轮廓边缘或者类簇分段轮廓,作为目标分析边缘;将任意一个类簇区域或者参考车道线连通域,作为目标分析区域;将目标分析区域中所有像素点,作为目标区域像素点;将目标分析边缘上所有像素点,作为目标边缘像素点;
在目标分析边缘所属的目标分析区域中,以任意一个目标分析边缘的端点为起点,以目标分析边缘的延伸方向为方向,依次统计目标边缘像素点在预设方向上所有目标区域像素点的总数量,得到目标分析边缘的目标行驶特征序列;
将参考行驶轮廓边缘的目标行驶特征序列,作为参考行驶轮廓边缘的参考行驶特征序列;参考行驶特征序列中元素可以表征目标边缘像素点在预设方向上参考车道线连通域中的像素点数量。参考行驶特征序列可以反映在参考行驶轮廓边缘的延伸方向上,车道线中像素点的分布,进而表征车道线在图像中实际分布规律。
将类簇分段轮廓的目标行驶特征序列,作为类簇分段轮廓的待分析行驶特征序列。待分析行驶特征序列中元素可以表征目标边缘像素点在上类簇轮廓中的像素点数量。待分析行驶特征序列可以反映在类簇分段轮廓的延伸方向上,类簇轮廓中像素点的分布,进而表征灰度级的像素点在图像中实际分布规律。
本发明一个实施例中,获取目标分析边缘在各个目标边缘像素点处的切线方向,以垂直于切线方向的方向作为目标边缘像素点的预设方向,实施者可根据实施场景自行设定。本发明的其他实施例中,还可以对目标分析边缘即参考行驶轮廓边缘或类簇分段轮廓进行直线拟合,获取拟合行驶直线,以垂直于拟合行驶直线的方向作为预设方向,实施者可根据实施场景自行设定。
考虑到车辙的形状一般为长条形,车辙和车道线都可以反映车辆的行驶方向,所以车辙和车道线的轮廓具有相似性,获取确定灰度级的成像缺陷规律值。本发明一个实施例中,成像缺陷规律值公式包括:
;其中,/>为在路况灰度直方图中,第/>个灰度级的成像缺陷规律值;/>为第/>个灰度级对应所有类簇分段轮廓的总数量;/>为第/>个灰度级对应第/>个类簇分段轮廓的长度;/>为第/>个灰度级对应所有类簇分段轮廓的长度的均值;/>为在路况灰度直方图中,第/>个灰度级的分布缺陷特征值;/>为第/>个灰度级对应第/>个类簇分段轮廓的待分析行驶特征序列;/>为参考行驶轮廓边缘的参考行驶特征序列;为第/>个灰度级对应所有类簇分段轮廓的/>中的最大值;/>为绝对值符号;/>为取皮尔逊相关系数函数。
在成像缺陷规律值公式中,考虑到车辙的形状一般为长条形状,所以灰度级对应所有类簇分段轮廓差异较大,反映了灰度级对应所有类簇分段轮廓的长度的差异性,差异性越大,灰度级为车辙灰度级的概率越大,成像缺陷规律值越大;考虑到同一灰度级对应多个类簇分段轮廓,选取最大值的目的是尽可能选取类簇分段轮廓的待分析行驶特征序列和参考行驶特征序列相关性高的值,来分析灰度级对应像素点存在车辙缺陷像素点的概率,/>越大,灰度级对应像素点存在车辙缺陷像素点的概率越大,灰度级为车辙灰度级的概率越大,成像缺陷规律值越大;为了避免可能出现的路面其他物体对相似程度计算的干扰,通过/>对该/>进行调整;成像缺陷规律值反映了灰度级对应像素点存在车辙缺陷像素点的概率,成像缺陷规律值越大,灰度级越可能为车辙缺陷灰度级。
步骤S4,根据路况灰度直方图的分布,灰度级的成像缺陷规律值以及灰度级的分布缺陷特征值,获取灰度级的缺陷概率值;根据交通路况原始图像的所有灰度级的缺陷概率值,对交通路况原始图像进行增强处理,获取交通路况增强图像。
通过上述步骤,分布缺陷特征值通过根据路况灰度直方图中像素点数量的分布,确定灰度级为缺陷灰度级的概率;成像缺陷规律值主要通过在图像中实际分布规律,确定灰度级为缺陷灰度级的概率;通过进一步结合灰度直方图的分布,获取灰度级的缺陷概率值;缺陷概率值可以更加准确反映灰度级为车辙缺陷灰度级的概率。根据交通路况原始图像的所有灰度级的缺陷概率值,获取交通路况增强图像,实现根据灰度级是车辙纹理灰度级的概率,对图像进行自适应针对增强。
优选地,为了确定可以更加准确反映灰度级为车辙缺陷灰度级的概率,本发明一个实施例中,缺陷概率值的获取方法包括:
根据缺陷概率值公式获得缺陷概率值,缺陷概率值公式包括:
;其中,/>为在路况灰度直方图中,第/>个灰度级的缺陷概率值;/>为在路况灰度直方图中,第/>个灰度级的成像缺陷规律值;为在路况灰度直方图中,第/>个灰度级的分布缺陷特征值;/>为路况灰度直方图的偏度;/>为路况灰度直方图的峰度;/>为以自然数/>为底数的指数函数。
在缺陷概率值公式中,反映路况灰度直方图的高斯性,偏度和峰度越小,灰度直方图的高斯性越强,代表图像中公路路面越纯粹,其他灰度值近似的物体干扰较少,高斯性越大,判断重心可以更偏向于分布缺陷特征值;否则,判断重心可以更偏向于成像缺陷规律值。通过/>来调整分布缺陷特征值和成像缺陷规律值的权重,使得缺陷概率值可以更加准确反映灰度级为车辙缺陷灰度级的概率。
优选地,在直方图均衡化的过程中,通过重新分配图像的灰度值,使得图像的灰度值分布更加均匀,从而增强图像的对比度和视觉效果。为了增强处于缺陷灰度级的凸显程度,通过缺陷概率值调整对灰度值映射进行调整,获取各个灰度级的更新后的映射后灰度级时,缺陷概率越大的灰度级映射后分配到新灰度级的概率越大,从而有效增强车辙缺陷的凸显程度。本发明一个实施例中,交通路况增强图像的获取方法包括:
基于直方图均衡化法,获取灰度级的初始的映射后灰度级;需要说明的是,通过直方图均衡化法,获取灰度级的初始的映射后灰度级为本领域技术人员熟知的现有技术,其中,现有直方图均衡化法,确定灰度级的初始的映射后灰度级的公式为:
;其中,/>为第/>个灰度级的初始的映射后灰度级;为四舍五入函数;/>为灰度级的总数目;/>第/>个灰度级的像素点数量,a=0,1,2,…L-1;/>为交通路况原始图像中所有像素点的总数量。
根据灰度级对应的缺陷概率值和灰度级的初始的映射后灰度级,获取各个灰度级的更新后映射后灰度级;缺陷概率值和更新后映射后灰度级呈现正相关性;初始的映射后灰度级和更新后映射后灰度级呈现正相关性。
其中,正相关关系表示因变量会随着自变量的增大而增大,因变量会随着自变量的减小而减小,具体关系可以为相乘关系、相加关系、指数函数的幂等,由实际应用进行确定。
为了增强缺陷灰度级的凸显程度,结合灰度级的缺陷概率值,获取更新后的映射后灰度级。本发明一个实施例中,更新后的映射后灰度级的获取公式包括:
;其中,/>为第/>个灰度级的更新后的映射后灰度级;/>为四舍五入函数;/>为灰度级的总数目;/>为第/>个灰度级的像素点数量;/>为交通路况原始图像中所有像素点的总数量;/>为第/>个灰度级的缺陷概率值;/>为交通路况原始图像中所有灰度级的缺陷概率值的累加值;/>为第/>个灰度级的初始的映射后灰度级。
在更新后的映射后灰度级公式中,更新后的映射后灰度级不仅考虑到了灰度级对应像素点数量,还考虑了灰度级为车辙缺陷灰度级的缺陷概率值,缺陷概率值越大,越可能是包含车辙缺陷像素点的灰度级,使得更新后的映射后灰度级越大,从而增大缺陷区域与正常区域更新后的映射后灰度级的差异,提升车辙缺陷部分对比度,降低误检或漏检率。
根据各个灰度级的更新后的映射后灰度级,获取交通路况增强图像。需要说明的是,直方图均衡化法为本领域技术人员熟知的现有技术,在此仅简述根据各个灰度级的更新后的映射后灰度级,获取交通路况增强图像的简要过程:
根据各个灰度级的更新后的映射后灰度级,并结合CLAHE限制对比度,将各个灰度级的更新后的映射后灰度级应用到交通路况原始图像,获取交通路况增强图像。
步骤S5,对交通路况增强图像进行缺陷检测。
通过上述步骤确定可以更加准确反映车辙缺陷的交通路况增强图像,进而使得交通路况增强图像的缺陷检测结果更加准确。
在本发明一个实施例中缺陷类别的获取方法包括:
利用CNN神经网络对交通路况增强图像进行缺陷检测,确定是否存在缺陷以及存在缺陷时的缺陷类型。
需要说明的是,CNN神经网络为本领域技术人员熟知的技术手段,在此不做赘述,仅简述本发明一个实施例中利用CNN神经网络确定缺陷类别的简要过程:
利用参考数据集训练CNN神经网络,该参考数据集中包括多张历史的交通路况原始图像并按照上述方式所获取的交通路况增强图像。由于部分交通路况增强图像中包括缺陷信息,根据存在车辙、裂缝、凹槽等缺陷情况,对这部分交通路况增强图像进行标注将存在车辙、裂缝、凹槽情况等缺陷情况相同的交通路况增强图像标记为相同的数字,例如将不包括缺陷信息的部分交通路况增强图像标记为0,存在车辙、存在裂缝、存在凹槽的交通路况增强图像标记为1,存在车辙、存在裂缝、不存在凹槽的交通路况增强图像标记为2,诸如此类。然后将标注完成的数据集按照预设比例划分为训练集和验证集,将参考数据集输入CNN神经网络中进行训练,损失函数为交叉熵,采用梯度下降法直至损失函数收敛,得到训练完成的CNN神经网络;将各次交通路况增强图像输入训练完成的CNN神经网络,CNN神经网络将交通路况增强图像自动归类到所属缺陷类别。在本发明实施例中,预设比例为7:3,实施者可根据实施场景自行设定。
本发明还提出了一种交通工程路况视觉检测***,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器用于运行相应的计算机程序,计算机程序在处理器中运行时能够实现上述步骤所描述的一种交通工程路况视觉检测方法。
综上,本发明实施例提供了一种交通工程路况视觉检测方法及***,首先本发明实施例中根据灰度级与周围的灰度级对应像素点数量之间分布差异,以及灰度级和正常路面灰度级之间的接近程度,获取灰度级的分布缺陷特征值;根据灰度级对应所有聚类簇和参考车道线连通域之间的相关性,以及灰度级的分布缺陷特征值,获取灰度级的成像缺陷规律值;进而获取灰度级的缺陷概率值;根据交通路况原始图像的所有灰度级的缺陷概率值,获取交通路况增强图像;最终对交通路况增强图像进行缺陷检测。本发明通过有效增强车辙缺陷的凸显程度,改善交通工程路况视觉缺陷检测准确性。
一种用于交通工程路况视觉检测的图像处理方法实施例:
在路况图像中路面存在各种缺陷,为了增强缺陷表现程度,需要增强图像,现有技术利用直方图均衡化法进行增强图像,直方图均衡化法通过图像的像素值进行重新分配,使得图像的亮度分布更加均匀,从而增强图像中缺陷的对比度和细节,然而,在无较低角度光线照射的情况下,车辙特征表现程度相对较弱,直方图均衡化法忽略了灰度级的车辙缺陷概率,使得无法有效放大高缺陷概率灰度级和低缺陷概率灰度级的对比度,导致无法有效增强车辙缺陷的凸显程度。
现有技术无法有效增强车辙缺陷的凸显程度,为了解决此技术问题,本实施例提供了一种一种用于交通工程路况视觉检测的图像处理方法,包括:
步骤S1,获取交通路况原始图像。
步骤S2,获取交通路况原始图像的路况灰度直方图;根据路况灰度直方图中所有灰度级对应的像素点数量,获取正常路面灰度级;在路况灰度直方图中,根据灰度级与周围的灰度级对应像素点数量之间分布差异,以及灰度级和正常路面灰度级之间的接近程度,获取灰度级的分布缺陷特征值。
步骤S3,对交通路况原始图像进行二值化处理,获取参考车道线连通域;在交通路况原始图像中,对灰度级对应所有像素点进行聚类,获取灰度级对应的多个聚类簇;根据灰度级对应所有聚类簇和参考车道线连通域之间的相关性,以及灰度级的分布缺陷特征值,获取灰度级的成像缺陷规律值。
步骤S4,根据路况灰度直方图的分布,灰度级的成像缺陷规律值以及灰度级的分布缺陷特征值,获取灰度级的缺陷概率值;根据交通路况原始图像的所有灰度级的缺陷概率值,对交通路况原始图像进行增强处理,获取交通路况增强图像。
由于步骤S1到S4的具体实现过程在上述一种交通工程路况视觉检测方法及***中已给出详细说明,不再赘述。
本发明实施例的有益效果包括:本发明实施例根据灰度级与周围的灰度级对应像素点数量之间分布差异,以及灰度级和正常路面灰度级之间的接近程度,获取灰度级的分布缺陷特征值;根据灰度级对应所有聚类簇和参考车道线连通域之间的相关性,以及灰度级的分布缺陷特征值,获取灰度级的成像缺陷规律值;进而获取灰度级的缺陷概率值;根据交通路况原始图像的所有灰度级的缺陷概率值,获取交通路况增强图像。本发明根据灰度级的缺陷概率值,有效增强车辙缺陷的凸显程度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (7)
1.一种交通工程路况视觉检测方法,其特征在于,所述方法包括以下步骤:
获取交通路况原始图像;
获取所述交通路况原始图像的路况灰度直方图;根据所述路况灰度直方图中所有灰度级对应的像素点数量,获取正常路面灰度级;在所述路况灰度直方图中,根据灰度级与周围的灰度级对应像素点数量之间分布差异,以及灰度级和所述正常路面灰度级之间的接近程度,获取灰度级的分布缺陷特征值;
对所述交通路况原始图像进行二值化处理,获取参考车道线连通域;在所述交通路况原始图像中,对灰度级对应所有像素点进行聚类,获取灰度级对应的多个聚类簇;根据灰度级对应所有聚类簇和所述参考车道线连通域之间的相关性,以及灰度级的分布缺陷特征值,获取灰度级的成像缺陷规律值;
根据路况灰度直方图的分布,灰度级的成像缺陷规律值以及灰度级的分布缺陷特征值,获取灰度级的缺陷概率值;根据交通路况原始图像的所有灰度级的缺陷概率值,对交通路况原始图像进行增强处理,获取交通路况增强图像;
对交通路况增强图像进行缺陷检测;
所述分布缺陷特征值的获取方法,具体包括:
根据变化特征参数值公式获得变化特征参数值,所述变化特征参数值公式包括:
;/>为在所述路况灰度直方图中,第/>个灰度级的变化特征参数值;/>为在所述路况灰度直方图中,第/>个灰度级对应的像素点数量;/>为在所述路况灰度直方图中,第/>个灰度级对应的像素点数量;/>为在所述路况灰度直方图中,第/>个灰度级对应的像素点数量;/>为绝对值符号;/>为分母第一调节因子;
根据所述路况灰度直方图进行曲线拟合,获取拟合灰度曲线;对所述路况灰度直方图的灰度级所构成的灰度级序列进行分段,获取各个灰度段;
根据分布缺陷特征值公式获得分布缺陷特征值,所述分布缺陷特征值公式包括:
;其中,/>为在所述路况灰度直方图中,第/>个灰度级的分布缺陷特征值;/>为正常路面灰度级;/>为在所述路况灰度直方图中,第/>个灰度级的变化特征参数值;为在第/>个灰度级所属的灰度段中,所有灰度级对应在拟合灰度曲线上导数的方差;为分母第二调节因子;/>为以自然数/>为底数的指数函数;
所述成像缺陷规律值的获取方法,具体包括:
获取参考车道线连通域的参考车道轮廓;将参考车道轮廓进行拆分,获取参考车道轮廓的所有参考车道分段轮廓;将最长的参考车道分段轮廓,作为参考行驶轮廓边缘;根据参考行驶轮廓边缘和参考车道线连通域中像素点分布,获取参考行驶轮廓边缘的参考行驶特征序列;
利用凸包检测法,获取各个灰度级对应各个聚类簇的类簇轮廓和类簇区域;将每个类簇轮廓进行拆分,获取每个类簇轮廓的所有类簇分段轮廓;根据每个类簇分段轮廓和对应的所述类簇区域中像素点分布,获取每个类簇分段轮廓的待分析行驶特征序列;
根据每个类簇分段轮廓的待分析行驶特征序列和参考行驶轮廓边缘的参考行驶特征序列之间的相关性,灰度级的分布缺陷特征值,以及灰度级对应所有类簇分段轮廓的长度的波动性,获取灰度级的成像缺陷规律值;
所述成像缺陷规律值的获取方法包括:
根据成像缺陷规律值公式获取成像缺陷规律值,所述成像缺陷规律值公式包括:
;其中,/>为在所述路况灰度直方图中,第/>个灰度级的成像缺陷规律值;/>为第/>个灰度级对应所有类簇分段轮廓的总数量;/>为第/>个灰度级对应第/>个类簇分段轮廓的长度;/>为第/>个灰度级对应所有类簇分段轮廓的长度的均值;/>为在所述路况灰度直方图中,第/>个灰度级的分布缺陷特征值;/>为第/>个灰度级对应第/>个类簇分段轮廓的待分析行驶特征序列;/>为参考行驶轮廓边缘的参考行驶特征序列;为第/>个灰度级对应所有类簇分段轮廓的/>中的最大值;/>为绝对值符号;/>为取皮尔逊相关系数函数。
2.根据权利要求1所述的一种交通工程路况视觉检测方法,其特征在于,所述参考行驶特征序列和待分析行驶特征序列的获取方法包括:
将任意一条所述参考行驶轮廓边缘或者所述类簇分段轮廓,作为目标分析边缘;将任意一个类簇区域或者参考车道线连通域,作为目标分析区域;将所述目标分析区域中所有像素点,作为目标区域像素点;将所述目标分析边缘上所有像素点,作为目标边缘像素点;
在所述目标分析边缘所属的所述目标分析区域中,以任意一个所述目标分析边缘的端点为起点,以所述目标分析边缘的延伸方向为方向,依次统计目标边缘像素点在预设方向上所有目标区域像素点的总数量,得到目标分析边缘的目标行驶特征序列;
将所述参考行驶轮廓边缘的目标行驶特征序列,作为所述参考行驶轮廓边缘的参考行驶特征序列,将所述类簇分段轮廓的目标行驶特征序列,作为类簇分段轮廓的待分析行驶特征序列。
3.根据权利要求1所述的一种交通工程路况视觉检测方法,其特征在于,所述缺陷概率值的获取方法包括:
根据缺陷概率值公式获得缺陷概率值,所述缺陷概率值公式包括:
;其中,/>为在所述路况灰度直方图中,第/>个灰度级的所述缺陷概率值;/>为在所述路况灰度直方图中,第/>个灰度级的成像缺陷规律值;/>为在所述路况灰度直方图中,第/>个灰度级的分布缺陷特征值;/>为所述路况灰度直方图的偏度;/>为所述路况灰度直方图的峰度;/>为以自然数/>为底数的指数函数。
4.根据权利要求1所述的一种交通工程路况视觉检测方法,其特征在于,所述正常路面灰度级的获取方法,包括:
在所述路况灰度直方图中,将最多的像素点数量对应的灰度级,作为正常路面灰度级。
5.根据权利要求1所述的一种交通工程路况视觉检测方法,其特征在于,所述参考车道线连通域的获取方法,具体包括:
基于大津阈值法,对所述交通路况原始图像进行二值化处理,获取交通二值化图像;利用连通域分析算法提取出所述交通二值化图像的各个前景连通域,将最大的前景连通域,作为参考车道线连通域。
6.根据权利要求1所述的一种交通工程路况视觉检测方法,其特征在于,所述交通路况增强图像的获取方法包括:
基于直方图均衡化法,获取灰度级的初始的映射后灰度级;
根据灰度级对应的缺陷概率值和灰度级的初始的映射后灰度级,获取各个灰度级的更新后映射后灰度级;所述缺陷概率值和所述更新后映射后灰度级呈现正相关性;所述初始的映射后灰度级和所述更新后映射后灰度级呈现正相关性;
基于直方图均衡化法,根据各个灰度级的所述更新后映射后灰度级,获取交通路况增强图像。
7.一种交通工程路况视觉检测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述一种交通工程路况视觉检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410425015.6A CN118015002B (zh) | 2024-04-10 | 2024-04-10 | 一种交通工程路况视觉检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410425015.6A CN118015002B (zh) | 2024-04-10 | 2024-04-10 | 一种交通工程路况视觉检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118015002A CN118015002A (zh) | 2024-05-10 |
CN118015002B true CN118015002B (zh) | 2024-06-18 |
Family
ID=90952400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410425015.6A Active CN118015002B (zh) | 2024-04-10 | 2024-04-10 | 一种交通工程路况视觉检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118015002B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118196092B (zh) * | 2024-05-17 | 2024-07-12 | 智汇新能科技(大连)有限公司 | 一种公路施工质量自动检测方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934748A (zh) * | 2023-09-15 | 2023-10-24 | 山东重交路桥工程有限公司 | 一种基于乳化高黏沥青的路面裂纹检测*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903268B (zh) * | 2014-04-09 | 2017-02-15 | 南京理工大学 | 基于多种低层显著特征的路面裂缝检测方法 |
CA3006240C (en) * | 2015-04-27 | 2022-12-13 | Wuhan Wuda Zoyon Science And Technology Co., Ltd. | A stepwise refinement detection method for pavement cracks |
CN104792792B (zh) * | 2015-04-27 | 2017-10-20 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
CN107945161B (zh) * | 2017-11-21 | 2020-10-23 | 重庆交通大学 | 基于纹理特征提取的道路表面缺陷检测方法 |
CN115457041B (zh) * | 2022-11-14 | 2023-02-14 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
CN117635611A (zh) * | 2024-01-25 | 2024-03-01 | 大连傲盈科技有限公司 | 一种交通施工路面质量监测方法及*** |
-
2024
- 2024-04-10 CN CN202410425015.6A patent/CN118015002B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934748A (zh) * | 2023-09-15 | 2023-10-24 | 山东重交路桥工程有限公司 | 一种基于乳化高黏沥青的路面裂纹检测*** |
Non-Patent Citations (1)
Title |
---|
Detecting Road Irregularities by Image Enhancements and Thresholding;Ciprian Sorandaru et al.;《IEEE EUROCON 2019 -18th International Conference on Smart Technologies》;20191011;第1-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN118015002A (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN118015002B (zh) | 一种交通工程路况视觉检测方法及*** | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及*** | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN115908411B (zh) | 基于视觉检测的混凝土养护质量分析方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN110263635B (zh) | 基于结构森林和PCANet的标志物检测与识别方法 | |
CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
CN115115641B (zh) | 一种瞳孔图像分割方法 | |
CN117173661B (zh) | 基于计算机视觉的沥青道路质量检测方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
CN107705294B (zh) | 一种十字激光的图像式路基表面沉降监测方法和监测*** | |
CN116630813B (zh) | 一种公路路面施工质量智能检测*** | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN116342586B (zh) | 基于机器视觉的路面质量检测方法 | |
CN115909256B (zh) | 基于道路视觉图像的道路病害检测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN114894804A (zh) | 一种精密标准件表面裂纹检测方法 | |
CN110473224B (zh) | 一种基于kl熵的rsf水平集图像自动分割方法 | |
CN106803066B (zh) | 一种基于Hough变换的车辆偏航角确定方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN116258864B (zh) | 一种村庄规划建设大数据管理*** | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 | |
CN114419317A (zh) | 一种用于复杂环境线结构光的光条中心提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |