(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210912815.1 (22)申请日 2022.07.31 (71)申请人 北京物资学院 地址 101149 北京市通州区富河大街321号 (72)发明人 王晓燕　梁文辉　王禧钰　 (74)专利代理 机构 西安合创非凡知识产权代理 事务所(普通 合伙) 61248 专利代理师 高志永 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/20(2022.01) G06V 10/40(2022.01) G06V 10/56(2022.01) (54)发明名称 一种道路裂缝的识别系统及方法 (57)摘要 本发明公开了一种道路裂缝的识别系统及 方法， 其中道路裂缝的识别方法， 包括： 图像预处 理， 检测裂缝， 提取裂缝。 本发明能够有效地克服 亮度不均和拓扑结构复杂对裂缝目标检测的影 响， 提高路面裂缝检测的准确率， 优于同类算法。 权利要求书2页 说明书12页 附图15页 CN 115294377 A 2022.11.04 CN 115294377 A 1.一种道路裂缝的识别系统， 其特 征在于， 包括： 图像预处理模块， 用于采用亮度划分的阴影消除方法， 并且进行图像亮度补偿和增强 处理； 裂缝检测模块， 用于提取包含裂缝像素的图像块和对应的裂缝分割掩码， 将裂缝分割 掩码作为图像块的结构化标签， 采用随机结构森林算法学习图像块的积分通道特征与结构 化标签的映射关系训练裂缝检测模型， 得到 完整的裂缝信息； 裂缝提取模块， 用于根据裂缝检测模型生成的裂缝概率图给出了对应像素为裂缝像素 的概率， 对裂缝概率图进行二值化操作提取裂缝候选点， 对裂缝候选点进行密度聚类并根 据聚类簇的几何特 征筛选出裂缝。 2.一种道路裂缝的识别方法， 其特 征在于， 包括： 图像预处 理， 采用亮度划分的阴影消除方法， 并且进行图像亮度补偿和 增强处理； 检测裂缝， 提取包含裂缝像素的图像块和对应的裂缝分割掩码， 将裂缝分割掩码作为 图像块的结构化标签， 采用随机结构森林算法学习图像块的积分通道特征与结构化标签的 映射关系训练裂缝检测模型， 得到 完整的裂缝信息； 提取裂缝， 根据裂缝检测模型生成的裂缝概率图给出了对应像素为裂缝像素的概率， 对裂缝概率图进 行二值化操作提取裂缝候选点， 对裂缝候选点进 行密度聚类并根据聚类簇 的几何特 征筛选出裂缝。 3.根据权利要求2所述的道路裂缝的识别方法， 其特 征在于， 所述图像预处 理包括： 根据亮度的不同将路面裂缝图像划分为不同的区域， 统计各个区域像素亮度的平均值 和方差， 在对阴影区和半阴影区进行亮度补偿时引入区域的方差； 根据公式 （1） 对各个区域进行亮度补偿；                                         (1) 其中 分别表示阴影区和非阴影区亮度的方差； 阴影去除和亮度补偿主要包含形态闭运算、 高斯滤波、 阴影区域等价划分、 各个区域分 别亮度补偿和颗粒噪声 去除这五个步骤。 4.根据权利要求2所述的道路裂缝的识别方法， 其特 征在于， 所述检测裂缝包括： 获取路面裂缝图像和对应的裂缝分割 掩码； 使用去除阴影后的路面裂缝图像和对应的 裂缝分割掩码来构造裂缝检测器； 采用图像处理软件 对路面裂缝图像中的裂 缝进行人工标注从而得到 路面裂缝图像的裂缝分割掩码， 其中裂缝像素对应的数值为0， 非 裂缝像素对应的数值 为1； 提取路面裂缝图像的通道特征； 将路面裂缝图像转换到 颜色空间得到三个颜色通 道特征， 分别对裂缝图像进 行高斯差 分滤波和 滤波得到两个通道特征， 从水平和垂 直 两个方向上计算裂缝图像的梯度大小生成两个通道特征， 在八个方向上分别计算裂缝图像 的梯度直方图得到八个通道特征， 通过对裂缝图像进 行线性和非线性变换总共提取出15个 通道特征； 采用滑动窗口法提取裂缝图像块、 对应的通道特征和裂缝分割掩码； 使用大小为 的滑动窗口分别从15个通道图像和裂缝分割掩码中提取图像块对应的通道特征 和结权　利　要　求　书 1/2 页 2 CN 115294377 A 2构化标签 ， 其中 是大小为 的特征矩阵， 是大小为   的二值化 图像； 当结构化标签 的中心像素是裂缝时被视为正样本， 反之则视为负样本； 对提取的图 像块的通道特征 进行特征向量化， 将大小为 的特征矩阵转化成大小为 的 特征向量； 采用滑动窗口法从图像中提取的裂缝图像块和裂缝图像块对应的结构化标签； 为每棵决策树抽样产生训练子集， 每棵决策树使用不同的样本集合进行训练； 利用 抽样方法从原始训练集中产生多个训练子集， 每个训练子集的大小约为原始训练 集的三分之二， 这样使得训练子集中的样本存在一定的重复； 利用图像块的通道特征和结构化标签构造随机结构森林； 构造决策树从根节点开始， 首先对根节点进行初始化， 每个节点 对应一个二进制拆分函数 ， 如果 样本 到达该节点的左子树 ， 反之， 到达该节点的右子树 ； 在进行节点分裂时根据树的最大深度、 节点的最小样本数以及样本的信 息增益决定决 策树的节点是否 分裂； 如果节 点不再分裂， 该节 点将作为叶节点， 其中将节点上最有代表 性 的结构化标签作为该叶节点的预测结果； 如果节点继续分裂， 将随机特征子集每个属性的所有划分按照信息增益进行排序， 然 后选择信息增 益最大的属 性作为分裂属 性将节点上的样本划分为左子树的样本和右子树 的样本， 根据其划分实现决策树的分支 生长， 直到节点不再满足节点分裂的规则； 每个分支 的最后一个节点被视为叶节点， 对于每个叶子节点， 挑选出一个与其他结构化标签距离最 小的结构化 标签作为该叶节点的决策 结果； 训练好随机结构森林后， 所有具有代表性的结构化都聚集到决策树的叶节点上； 在测 试阶段， 采用大小为 的滑动窗口提取测试图像各个像素点对应的图像块， 输入的图 像块根据决策树各个节点的分裂函数从树的根结点开始， 从上到下路由并最 终指向一个叶 节点， 然后将该叶节点上最有代 表性的结构化标签作为该决策树对图像块的预测结果。 5.根据权利要求2所述的道路裂缝的识别方法， 其特 征在于， 所述 提取裂缝包括： 在裂缝检测过程中， 利用 密度聚类对不规则簇的良好适应性， 对随机结构森林模型得 到的初步检测结果进 行聚类并利用簇的几何特征筛选出初步检测结果中存在的噪声， 从而 识别出真正的路面裂缝； DBSCAN首先考察裂缝候选点集合里的某个核心点， 在核心点的Eps邻域中的所有点与 该核心点属于同一个簇， 这些点将作为下一轮考察的对象； 不断考察种子点的Eps邻域并拓 展他们所在的簇， 直至算法寻找到一个完整的裂缝簇； 依此方法寻找到其它裂缝簇； 没有被 划分到任一裂缝簇的裂缝候选点即为噪声点； DBS CAN算法利用裂缝候选点的密度差异识别 出裂缝点并自动过 滤掉噪声点； 查询各个裂缝簇的8个方向的极值点的坐标， 从而计算出各个簇最短距离和最长距离 的比例， 利用路面裂缝具有线性特征 的特点， 将最短距离和最长距离之比大于指定阈值的 簇判定为噪声， 从而筛 选出真正的裂缝。权　利　要　求　书 2/2 页 3 CN 115294377 A 3