結(jié)合路面深度影像梯度方向直方圖和分水嶺算法的裂縫檢測

靳華中， 萬 方， 葉志偉

(湖北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院， 武漢 430068)

結(jié)合路面深度影像梯度方向直方圖和分水嶺算法的裂縫檢測

靳華中， 萬 方*， 葉志偉

(湖北工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院， 武漢 430068)

裂縫檢測對于道路維護(hù)和管理具有重要作用.由于深度影像對路面油污、陰影等因素不敏感，近些年來基于深度影像的檢測方法已成為路面裂縫檢測新的研究方向之一.傳統(tǒng)的激光掃描線方法沒有顧及裂縫在整個(gè)空間分布的變異性、各向異性和全局性特征，無法有效檢測橫向、塊狀、網(wǎng)狀等裂縫.針對以往算法的不足，提出一種結(jié)合梯度方向直方圖和分水嶺算法的路面裂縫檢測方法.首先，通過梯度方向直方圖算法提取路面深度影像的裂縫邊緣強(qiáng)度和方向；然后，利用裂縫邊緣方向改進(jìn)傳統(tǒng)分水嶺算法，最終提取裂縫目標(biāo).實(shí)驗(yàn)結(jié)果表明，該方法不僅能夠準(zhǔn)確檢測多種類型的裂縫目標(biāo)，而且能識(shí)別裂縫破損程度.

裂縫檢測； 深度影像； 梯度方向直方圖； 分水嶺算法

裂縫是路面最常見的病害之一，自動(dòng)檢測裂縫對于公路檢測與養(yǎng)護(hù)管理具有重要意義.目前，裂縫檢測算法主要以路面二維圖像的裂縫灰度特征及形態(tài)特征作為判別裂縫的準(zhǔn)則；由于受到圖像采集系統(tǒng)硬件條件的限制及外界光照影響，伴隨路面油污、陰影、輪胎痕跡、隨機(jī)噪聲等因素帶來的干擾，采樣數(shù)據(jù)不可靠，誤判率較大，因此傳統(tǒng)基于圖像灰度信息的路面裂縫檢測方法無法達(dá)到令人滿意的效果[1-3].三維激光視覺檢測技術(shù)通過采集路面三維數(shù)據(jù)，生成路面深度影像.與傳統(tǒng)方法相比，深度影像對路面油污、陰影、黑斑等因素不敏感，包含豐富的路面幾何特征，且具有高精度、高分辨率等優(yōu)點(diǎn)，利用深度影像的檢測方法已成為路面裂縫自動(dòng)檢測新的研究方向之一[4-6].

自1966年國際標(biāo)準(zhǔn)化組織首先提出路面三維檢測的概念以來[7]，加拿大、美國、日本等發(fā)達(dá)國家紛紛開展了路面三維檢測技術(shù)及裝備的研究與開發(fā)工作，這些工作涉及路面裂縫三維檢測技術(shù)主要包 括激光全息影像技術(shù)、激光雷達(dá)檢測技術(shù)、立體視覺檢測技術(shù)和線結(jié)構(gòu)光三維檢測技術(shù)等[8]，并于上世紀(jì)九十年代開始，陸續(xù)發(fā)表了研究成果.1997年，加拿大INO公司Laurent等提出激光三維路面輪廓裂縫檢測算法[9].該算法在輪廓信號(hào)上以3cm作為采樣間隔，通過設(shè)定裂縫的寬度閾值和深度閾值檢測裂縫信號(hào)，但是當(dāng)裂縫恰好處于采樣間隔時(shí)，會(huì)造成裂縫信號(hào)的誤檢.1999年，Bursanescu等采用自適應(yīng)寬度的移動(dòng)窗函數(shù)對路面輪廓信號(hào)進(jìn)行濾波，提取裂縫的位置和寬度等信息[10]，裂縫檢測效果對窗寬十分敏感，會(huì)造成裂縫信號(hào)的漏檢.目前，國內(nèi)利用路面三維激光數(shù)據(jù)提取裂縫特征的研究相對較少.Sun Xiaoming[11]提出了基于稀疏分解的裂縫提取方法，利用梯形函數(shù)和高斯函數(shù)組合形式來描述裂縫信號(hào)幾何特征，采用稀疏表達(dá)的匹配跟蹤算法實(shí)現(xiàn)路面輪廓信號(hào)中裂縫特征的匹配與分離；由于路面瀝青混合料中集料顆粒之間存在大量的空隙，路面宏觀紋理表現(xiàn)為偽裂縫，因此該方法無法區(qū)分真實(shí)裂縫和偽裂縫.唐磊等[12]采用基于微分幾何的空間檢測算子提取三維地形曲面的裂縫信息.該方法將二維灰度圖像映射為三維地形曲面，但實(shí)際路面圖像含有的大量種類豐富的病害信息及噪聲會(huì)一同帶入三維數(shù)據(jù)中，裂縫檢測效果并不理想.吳海燕等[13]在分析路面橫向輪廓連續(xù)信號(hào)特征基礎(chǔ)上，提出了小波降噪與中值濾波相結(jié)合的裂縫特征提取方法；由于小波具有各向異性的特點(diǎn)，當(dāng)裂縫信號(hào)彎曲度劇烈或傾斜變化時(shí)，裂縫識(shí)別正確率較低.李愛霞等[14]利用車載LiDAR數(shù)據(jù)，提出一種基于多尺度張量投票技術(shù)的裂縫提取方法，該方法具有較好的抗噪性，但尺度因子的選取問題沒有很好解決.Dejin Zhang等[15]從路面影像的粗粒度到細(xì)粒度來提取裂縫.雖然該方法穩(wěn)定可靠，但計(jì)算復(fù)雜度較高.

目前，利用路面深度影像提取裂縫雖然已取得一些研究成果，但大多數(shù)通過梯度方法檢測路面掃描輪廓線的谷點(diǎn)，連接相鄰輪廓線的谷點(diǎn)，形成裂縫谷線目標(biāo).實(shí)際的路面裂縫目標(biāo)具有幾何形狀的多樣性，其主要類型不僅包括縱向和橫向的線狀目標(biāo)，還包括塊狀和網(wǎng)狀等面狀目標(biāo)，其幾何特征往往表現(xiàn)為空間分布上的變異性、各向異性和全局性.由于路面掃描輪廓線的裂縫特征受到自身幾何形態(tài)、光條參數(shù)以及路面狀況等多因素的影響，路面輪廓信號(hào)的裂縫特征并不明顯，且伴隨有大量的隨機(jī)噪聲.由于掃描線方法無法準(zhǔn)確和完整刻畫路面的裂縫空間分布特征，其效果適合于縱向裂縫目標(biāo)的檢測，對于其他類型的裂縫檢測效果不夠.

針對深度影像中路面裂縫的幾何形態(tài)特性，為解決基于路面激光掃描線的裂縫提取方法的局限性，本文提出一種結(jié)合深度影像梯度方向直方圖和分水嶺的路面裂縫提取方法，它既能較好地檢測不同類型的裂縫目標(biāo)，且能識(shí)別裂縫破損的嚴(yán)重程度.

1 線結(jié)構(gòu)光三維測量及路面深度影像的裂縫特征

基于線結(jié)構(gòu)光的三維視覺檢測技術(shù)是激光視覺檢測技術(shù)中的一種非接觸測量技術(shù)，能夠快速獲取三維物體表面的高精密信息，已經(jīng)廣泛應(yīng)用于三維目標(biāo)的精確測量[16-17].其測量基本原理如圖1所示，由線結(jié)構(gòu)光光源在空間投射出一個(gè)光平面，當(dāng)光平面與被測物體表面相交時(shí)在物體表面產(chǎn)生一個(gè)亮光條，利用3D 相機(jī)采集物體表面的光條圖像；隨著被測物體表面的起伏變化，投射的光條會(huì)發(fā)生相應(yīng)的形變.根據(jù)三角測量原理，從變形的光條圖像信息中獲取被測物體表面的三維輪廓信息[18].

線結(jié)構(gòu)光車載檢測技術(shù)采集到的路面點(diǎn)云數(shù)據(jù)具有幾何特征豐富，數(shù)據(jù)精度高、密度大等特點(diǎn)，因此路面高精密的點(diǎn)云數(shù)據(jù)能夠精確描述路面裂縫的空間位置和分布信息，如圖2所示.圖2a是一幅路面灰度影像，圖2b是圖2a中紅色矩形框放大后的深度影像.

圖1 三維激光檢測系統(tǒng)示意圖Fig.1 Schematic diagram of 3D Laser Detection System

圖2 路面灰度影像和深度影像Fig.2 Pavement gray image and range image

利用線結(jié)構(gòu)光檢測技術(shù)采集的路面圖像經(jīng)過光條中心提取，得到路面三維輪廓信息，如圖3所示.圖3a和圖3c是路面深度影像歸一化后的灰度圖像，其中圖3a表示激光光條投射到含有縱向裂縫的路面灰度影像，圖3c表示激光光條投射到有橫向裂縫的路面灰度影像；圖3b和圖3d分別表示圖3a和圖3c的原始道路表面在投射光條處的路面輪廓幾何信號(hào).

由圖3b分析得到，裂縫目標(biāo)的幾何形態(tài)具有特征：1)裂縫目標(biāo)由形狀不規(guī)則的點(diǎn)集構(gòu)成，且具有一定方向性、邊緣梯度幅值大；2)在裂縫方向上表現(xiàn)線性聚集性； 3)在空間分布上，目標(biāo)特征點(diǎn)在單一和相鄰輪廓線上具有連續(xù)性和近鄰性；4)裂縫深度幅值遠(yuǎn)遠(yuǎn)大于宏觀紋理的幅值，且裂縫寬度范圍不一.由于路面實(shí)際狀況較為復(fù)雜，特別是路面往往伴隨強(qiáng)吸收強(qiáng)反射物體的存在，以及路面雜物的遮擋，造成光條信息無法完整地投射到3D相機(jī)，使得裂縫幾何信息損失；同時(shí)，裂縫幾何形態(tài)，如方向、深淺、寬窄、連續(xù)與間斷隨機(jī)變化，帶來光條變形異常，造成裂縫幾何特征退化.圖3c所示，激光光條正好投射到近似橫向裂縫處，由于圖像上A處裂縫與光條方向存在一定夾角，該處的深度特征在3D相機(jī)采集的輪廓線上清晰獲得，如圖3d中A所示；但是，圖像上B處裂縫與光條基本重合，其幾何特征在對應(yīng)掃描線上并不明顯，如圖3d中B所示.路面狀況復(fù)雜性和裂縫幾何形態(tài)多樣性，還造成裂縫深度影像呈現(xiàn)無效零值、異常值等現(xiàn)象，并產(chǎn)生大量噪聲.

圖3 路面裂縫影像及其對應(yīng)的輪廓信號(hào)Fig.3 Road crack image and the corresponding profile signal

由上述分析可知，根據(jù)線結(jié)構(gòu)光提取路面深度信息原理，加上路面狀況復(fù)雜性和裂縫幾何形態(tài)多樣性，裂縫信號(hào)表現(xiàn)為微弱、不連續(xù)、低信噪比的特點(diǎn).由上述分析可知，裂縫目標(biāo)幾何特征的整體表現(xiàn)為裂縫邊緣的梯度幅值劇烈變化，在空間分布上表現(xiàn)為點(diǎn)集合的線狀分布，在裂縫方向上呈現(xiàn)梯度幅值變化的近似連續(xù)性.因此，本文利用路面高精度高分辨率深度影像，從裂縫的整體空間分布上考慮裂縫變異性和各向異性，利用梯度幅值和方向變化特點(diǎn)檢測裂縫邊緣，最終提取裂縫目標(biāo).

2 梯度方向直方圖檢測裂縫邊緣

梯度方向直方圖(HOG)于2005年由Dalal和Triggs提出來，是一種圖像特征的描述方法，在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行目標(biāo)檢測[19].HOG方法本質(zhì)上是基于統(tǒng)計(jì)模式識(shí)別的方法，通過計(jì)算局部圖像梯度的方向信息的統(tǒng)計(jì)值，來描述局部目標(biāo)的邊緣梯度和方向分布變化.檢測窗口將圖像劃分為小的細(xì)胞單元(分塊或分片)，通過計(jì)算每個(gè)細(xì)胞單元中各像素點(diǎn)梯度的或邊緣的方向直方圖，將所有直方圖組合起來構(gòu)成圖像的梯度特征描述器.由于它提取的邊緣和梯度特征能較好地反映目標(biāo)形狀的結(jié)構(gòu)特征，位置和方向空間的量化使其具有幾何變換和旋轉(zhuǎn)不變性；同時(shí)采取在局部區(qū)域歸一化直方圖，可以部分抵消光照變化帶來的影響，HOG方法在圖像局部特征提取方面已得到較為廣泛地應(yīng)用.深度影像裂縫兩側(cè)的掃描點(diǎn)發(fā)生深度值的劇烈變化，同時(shí)在裂縫邊緣處表現(xiàn)為線性聚集，因此它適于描述裂縫邊緣的梯度幅值和方向變化.本文采用檢測窗口為圓形的HOG方法統(tǒng)計(jì)和描述裂縫目標(biāo)的幾何特征.

直方圖是非參數(shù)統(tǒng)計(jì)中估計(jì)總體分布特征的一項(xiàng)重要工具，選擇好適當(dāng)?shù)慕M距和邊界點(diǎn)，能夠接近反映圖像局部區(qū)域的統(tǒng)計(jì)數(shù)據(jù)的真實(shí)分布情況.直方圖梯度法則用來估計(jì)區(qū)域概率密度分布和變化，通過計(jì)算直方圖距離函數(shù)描述統(tǒng)計(jì)區(qū)域特征之間的相似程度.由于傳統(tǒng)的距離函數(shù)能夠快速計(jì)算圖像局部區(qū)域的相似性，且意義直觀，本文在不同半徑和方向上將它改造成距離函數(shù)，改造后的公式為：

(1)

基于梯度方向直方圖的裂縫邊緣提取方法，如圖4所示.

圖4 裂縫邊緣提取流程Fig.4 Process of crack edge detection

利用圓形檢測窗口對深度影像的每個(gè)掃描點(diǎn)鄰域深度信息進(jìn)行統(tǒng)計(jì)分析，生成裂縫邊緣特征描述子向量.裂縫邊緣特征向量生成包括以下幾個(gè)步驟：

1) 計(jì)算直方圖梯度

在深度影像上任意掃描點(diǎn)處的八個(gè)方向上計(jì)算其固定圓形區(qū)域內(nèi)所有深度值的直方圖梯度.首先，計(jì)算方向的每個(gè)掃描點(diǎn)兩個(gè)半圓區(qū)域內(nèi)的直方圖，獲得相應(yīng)鄰域內(nèi)的深度值統(tǒng)計(jì)信息.其次，利用高斯函數(shù)計(jì)算直方圖的直方柱一維濾波卷積，對函數(shù)曲線進(jìn)行平滑處理.高斯函數(shù)的參數(shù)由寬度因子σ和直方圖的直方柱個(gè)數(shù)共同確定.接下來，對每一個(gè)圓形區(qū)域的直方圖統(tǒng)計(jì)深度值歸一化處理，目的讓影像的深度特征對光照、陰影和邊緣變化具有魯棒性.假設(shè)v是未經(jīng)歸一化的描述子向量.‖v‖k是v的k范數(shù)，k=1，2，是一個(gè)很小的常數(shù).一般采用以下4種歸一化函數(shù)：

a)L1-norm:v→v/(‖v‖1+ε).

d)L2-Hys: 限制v的最大值取0.2，再以L2-norm進(jìn)行歸一化處理.

L1的兩種方法計(jì)算雖簡單，但后續(xù)梯度計(jì)算的收斂速度不及L2方法.通常，L2-norm比L2-Hys歸一化效果更顯著[19].本文使用L2-norm歸一化處理，再由公式(1)計(jì)算方向?yàn)榈拿總€(gè)掃描點(diǎn)處兩個(gè)半圓區(qū)域內(nèi)的直方圖梯度.

2)梯度影像濾波

由于深度影像包含大量隨機(jī)噪聲，這些噪聲引入梯度影像的同時(shí)，裂縫邊緣會(huì)出現(xiàn)多個(gè)尖峰.本文采用Savitzky-Golay濾波算法對裂縫梯度影像進(jìn)行平滑去噪.該方法是一種簡化的最小二乘擬合卷積方法[20].

假設(shè)裂縫邊緣曲線表示為p次多項(xiàng)式:

Yi=a0+a1i+a2i2+…+apip，

(2)

式中，Yi表示第i點(diǎn)平滑后的數(shù)值，由(2)式計(jì)算擬合曲線的誤差為：

(3)

(3)式中，yj表示平滑前的數(shù)值，平滑窗口大小為k=2m+1.為使誤差S取得極小值，計(jì)算S的偏微分，并使S的各項(xiàng)偏微分等于零.

本文對裂縫梯度影像的每一個(gè)裂縫邊緣點(diǎn)在八個(gè)方向上采用二階Savitzky-Golay濾波器進(jìn)行多項(xiàng)式擬合.對于邊緣的每個(gè)位置點(diǎn)，使用拋物曲面擬合橢圓區(qū)域.橢圓區(qū)域的長軸為圓形區(qū)域的半徑，短軸為長軸的四分之一，其擬合方向分別為π/8的整數(shù)倍.

3) 方向非最大值抑制

為了定位裂縫的復(fù)合邊緣點(diǎn)，將上一步得到八個(gè)方向的影像梯度值，進(jìn)行方向非極大值抑制.將八個(gè)方向中的梯度極大值對應(yīng)的角度，作為此處掃描點(diǎn)的邊緣方向.在該掃描點(diǎn)任意一側(cè)沿其主導(dǎo)方向的垂直方向，查看兩個(gè)鄰近掃描點(diǎn)的梯度值.若該像元的梯度值大于或等于其鄰近點(diǎn)的值，則保留該像元的梯度值，否則設(shè)為0.

利用上述算法提取深度影像的裂縫邊緣，實(shí)驗(yàn)結(jié)果如圖5所示.

圖5 HOG檢測裂縫邊緣Fig.5 Crack edge detection by HOG

從圖5b分析可知，HOG方法能夠較好地檢測到裂縫邊緣和路面宏觀紋理的細(xì)節(jié)部分.裂縫邊緣清晰，邊緣強(qiáng)度較大，邊緣方向與裂縫方向一致；宏觀紋理邊緣表現(xiàn)過于破碎，邊緣強(qiáng)度較弱，其形態(tài)隨機(jī)分布.因此，通過設(shè)定邊緣強(qiáng)度閾值和方向，HOG方法能夠檢測裂縫目標(biāo)的邊緣.從圖5b也看到，當(dāng)裂縫寬度較大時(shí)，裂縫目標(biāo)呈現(xiàn)面狀特點(diǎn)；HOG提取的邊緣并沒有形成閉合曲線，表明它不能很好地提取裂縫的面狀目標(biāo).可見，HOG方法雖然能夠描述裂縫邊緣的強(qiáng)度和方向，卻無法判別和處理邊緣的間斷性，造成面狀裂縫的邊緣無法閉合.為此，本文將引入分水嶺變換算法，進(jìn)一步完善面狀裂縫目標(biāo)的檢測.

3 分水嶺算法檢測裂縫區(qū)域

分水嶺變換是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的影像分割方法，是一種通過迭代計(jì)算影像連通區(qū)域標(biāo)識(shí)的過程[21].傳統(tǒng)分水嶺變換具有計(jì)算簡單、快速、直觀的優(yōu)點(diǎn)，但是對噪聲和弱邊緣對象敏感.分割結(jié)果往往存在大量偽局部極小值區(qū)域，出現(xiàn)過分割現(xiàn)象.由于道路表面狀況非常復(fù)雜，且路面深度影像在成像過程容易產(chǎn)生噪聲，尤其裂縫目標(biāo)的空間分布具有不確定性和復(fù)雜性，利用傳統(tǒng)分水嶺方法處理深度影像時(shí)容易出現(xiàn)大量破碎區(qū)域.另外，傳統(tǒng)分水嶺方法在強(qiáng)邊界附近易于造成交叉，使分割效果變差.為進(jìn)一步改善分割效果，且在檢測裂縫線狀目標(biāo)的同時(shí)，能夠檢測面狀目標(biāo)，本文利用邊緣方向改進(jìn)分水嶺變換算法.

邊緣方向分水嶺變換算法提取裂縫目標(biāo)的方法，包括以下幾個(gè)步驟：

1) 利用HOG方法處理路面深度影像，得到其相應(yīng)的梯度影像.提取路面梯度影像所有掃描點(diǎn)在八個(gè)方向上的全局梯度最大值，將其對應(yīng)的掃描點(diǎn)作為裂縫邊緣點(diǎn)，得到裂縫邊緣影像，如圖5b所示.

2) 將邊緣影像中深度極小值作為種子位置，采用分水嶺變換算法得到過分割的連通區(qū)域.

3) 修正裂縫邊緣.實(shí)數(shù)域點(diǎn)集V記錄每條邊緣弧段的兩個(gè)端點(diǎn)，將約束邊替換為對應(yīng)的邊緣.具體做法：沿裂縫邊緣方向計(jì)算相應(yīng)的Delaunay三角剖分，得到DT=(V，E)，點(diǎn)集V是相應(yīng)的邊緣頂點(diǎn)，利用點(diǎn)集V修正原有邊緣.一方面，不改變邊界點(diǎn)集來嵌入約束邊，能夠較好地處理裂縫邊緣的間斷線、陡峭線等現(xiàn)象；另一方面，由于Delaunay三角網(wǎng)具有空外接圓以及最小角最大的性質(zhì)，可最大限度地滿足三角形近似等邊(角)性，利用該性質(zhì)能夠避免裂縫邊緣出現(xiàn)過于狹長和尖銳的三角形.因此，修正后的裂縫邊緣能夠接近真實(shí)的邊緣.

4) 提取鄰接區(qū)域標(biāo)識(shí).鄰接區(qū)域的寬度由相應(yīng)邊緣長度的比例因子確定.通過計(jì)算邊界的不同長度來確定區(qū)域的標(biāo)識(shí)和大小，并創(chuàng)建V→E映射圖.

5) 擬合邊界.當(dāng)弧段兩端點(diǎn)連線與弧段上任意一點(diǎn)的距離大于某個(gè)給定閾值時(shí)，使用線段擬合該弧段.經(jīng)過多次迭代，當(dāng)距離不大于設(shè)定閾值時(shí)，停止擬合過程.閾值的選取決定了擬合邊界的效果，閾值設(shè)定越小，裂縫邊緣提取精度越高，但會(huì)造成計(jì)算迭代次數(shù)過多.通常將閾值設(shè)定為弧段兩端點(diǎn)之間距離的0.1倍.通過近似方法，將弧段表示成為尺度不變的分段折線.此時(shí)，相應(yīng)折線段上位置點(diǎn)(x,y)的方向表示為o(x,y)∈[0,π).

6) 最后提取封閉邊緣對象的標(biāo)識(shí).

4 實(shí)驗(yàn)與分析

本文實(shí)驗(yàn)數(shù)據(jù)由車載深度相機(jī)采集，車速80 km/h， 車輛移動(dòng)方向采樣間距1 mm，垂直車輛移動(dòng)方向采樣間距1.8 mm.為驗(yàn)證本文所提方法的有效性，分別選用縱向裂縫、橫向裂縫、塊狀裂縫和網(wǎng)狀裂縫的深度影像進(jìn)行裂縫目標(biāo)檢測實(shí)驗(yàn).實(shí)驗(yàn)影像均從原始深度影像中剪裁得到，大小200×200掃描點(diǎn)， 且都經(jīng)過了預(yù)處理，如中值濾波、歸一化等.由于HOG方法從8個(gè)方向分別計(jì)算直方圖梯度值和濾波梯度影像，會(huì)消耗大量計(jì)算資源；同時(shí)，圓形檢測窗口的采樣半徑越小，計(jì)算時(shí)間越長，考慮到路面養(yǎng)護(hù)對裂縫目標(biāo)大小要求和計(jì)算復(fù)雜度，本文選取5個(gè)掃描點(diǎn)間距作為圓形檢測窗口的采樣半徑，即r=5.

針對不同類型的裂縫，通過與路面激光掃描線方法和人工方法進(jìn)行對比實(shí)驗(yàn)，測試本文提出方法的可行性.

圖6a、6b和6c分別表示包含縱向裂縫、橫向裂縫和塊狀裂縫的路面深度影像.圖6(a1)、6(b1)和6(c1)分別表示相應(yīng)的路面灰度影像.圖6(a2)、6(b2)和6(c2)為基于掃描線方法的裂縫檢測結(jié)果，由于該方法能夠較好地描述垂直于車輛移動(dòng)方向上的裂縫信號(hào)特征，從圖6(a2)看出，縱向裂縫檢測效果較為理想；但其對橫向裂縫和塊狀裂縫的檢測效果較差，如圖6(b2)和6(c2)所示.可見，掃描線方法是一種適合簡單縱向裂縫的檢測方法.原因在于該方法沒有考慮輪廓線上裂縫信號(hào)的不同特征點(diǎn)以及在鄰近輪廓線上特征點(diǎn)之間的空間關(guān)系.

圖6 裂縫提取實(shí)驗(yàn)1Fig.6 Experiment 1 of crack extraction

圖6(a3)、6(b3)和6(c3)是本文算法的檢測結(jié)果與原始圖像疊加后的圖像；通過對比分析得出，本文提出的算法減少了裂縫破碎性和不連續(xù)性，同時(shí)能夠使裂縫邊緣較好地閉合.裂縫目標(biāo)以邊界圍成的封閉區(qū)域呈現(xiàn)出來.因?yàn)楸疚乃惴p少了細(xì)小破碎的邊緣，增強(qiáng)了裂縫邊緣的完整性，因此，較好地改善了目標(biāo)邊緣的提取效果.圖6(a4)、6(b4)和6(c4)為真實(shí)裂縫，通過實(shí)地測量和人工編輯得到.可見，本文方法的裂縫檢測結(jié)果與真實(shí)裂縫十分接近.同樣較為復(fù)雜的網(wǎng)狀裂縫的實(shí)驗(yàn)結(jié)果也能在圖7中觀察到.

為了量化分析和評(píng)價(jià)裂縫提取效果，本文引入負(fù)率度量(Negative Rate Metric，NR)方法[22].NR度量方法通過比較真實(shí)樣本分割(人工分割)與檢測樣本(算法分割)，度量成對掃描點(diǎn)之間不匹配程度.

(4)

圖7 裂縫提取實(shí)驗(yàn)2Fig.7 Experiment 2 of Crack Extraction

表1 NR度量算法的裂縫提取結(jié)果評(píng)價(jià)Tab.1 Evaluation of crack extraction results based on NR method

實(shí)驗(yàn)分析表明，本文方法檢測結(jié)果中的錯(cuò)認(rèn)率、漏報(bào)率和不匹配度遠(yuǎn)遠(yuǎn)低于基于傳統(tǒng)的路面掃描線方法，裂縫檢測精度整體上達(dá)到91%以上.其主要原因在于，本文利用HOG方法充分考慮了裂縫空間分布上的變異性、各向異性和全局特征，并通過改進(jìn)的方向分水嶺方法進(jìn)一步改善了裂縫目標(biāo)邊緣的檢測效果.

5 結(jié)語

本文針對傳統(tǒng)的路面激光掃描線裂縫檢測算法存在的不足，提出一種結(jié)合梯度方向直方圖和分水嶺算法的路面裂縫檢測方法.以路面深度影像的裂縫梯度幅值和方向作為特征，用HOG方法檢測裂縫邊緣；將得到的邊緣方向改進(jìn)傳統(tǒng)的分水嶺算法，獲得裂縫目標(biāo)的連通域，形成裂縫封閉邊界.實(shí)驗(yàn)驗(yàn)證表明，本文方法既能準(zhǔn)確檢測多種類型的裂縫目標(biāo)，又能識(shí)別裂縫破損嚴(yán)重程度，裂縫目標(biāo)檢測的精度達(dá)到91%以上.同時(shí)，本文所提方法能夠較好地克服路面噪聲和宏觀紋理影響，具有較高的可靠性和穩(wěn)定性.

[1] 劉宛予, 謝 凱, 浦昭邦. 公路路面自動(dòng)檢測系統(tǒng)發(fā)展綜述[J]. 中外公路, 2007,27(2):30-33.

[2] KENNETH H， MCGHEE N. Synthesis 334: Automated pavement Distress Collection Techniques [M]. Washington, D C:TRB, 2004.

[3] WANG K C P. Designs and implementations of automated systems for pavement surface distress survey [J]. Journal of Infrastructure Systems, 2000,6(1):24-32.

[4] CHENG H D, MIYOJIM M. Automatic pavement distress detection system [J]. Information Sciences, 1998,108(1):219-240.

[5] MASCIO P D, PICCOLO I, CERA L. Automated Distress Evaluation [C]//Proceedings of 4th International SIIV Congress. Palermo: International SIIV Congress, 2007:12-14.

[6] TSAI Y C J, LI F. Critical assessment of detecting asphalt pavement cracks under different lighting and low intensity contrast conditions using emerging 3D laser technology [J]. Journal of Transportation Engineering, 2012,138(5): 649-656.

[7] 王建峰. 激光路面三維檢測專用車技術(shù)與理論研究 [D]. 西安:長安大學(xué), 2012.

[8] GAVILAN M, BALCONES D, MARCOS O, et al. Adaptive road crack detection system by pavement classification [J]. Sensors, 2011,11(10):9628-9657.

[9] LAURENT J, HEBERT J F. High Performance 3D Sensors for the characterization of Road Surface Defects [C]//Machine Vision Applications 2002. Nara: Nara-ken New Public Hall, 2002: 11-13.

[10] BURSANESCU L , HAMDI M. Three-Dimensional Laser Ranging Image Reconstruction Using Three-Line Laser Sensors And Fuzzy Methods [C]//Proc of SPIE the International Society for Optical Engineering V3835. Boston:SPIE, 1999:106-117.

[11] SUN X M, HUANG J P, LIU W Y, et al. Pavement crack characteristic detection based on sparse representation [J]. Journal on Advances in Signal Processing, 2012,2012(1):1-11.

[12] 唐 磊, 趙春春, 王鴻南, 等. 基于圖像三維地形模型的路面裂縫自動(dòng)檢測[J].計(jì)算機(jī)工程, 2008,34(5):20-21.

[13] 吳海燕, 劉宛予, 謝 凱, 等. 路面橫向輪廓信號(hào)的車轍特征提取與計(jì)算方法研究[J]. 光電技術(shù)應(yīng)用, 2007,22(3): 61-64.

[14] 李愛霞, 管海燕, 鐘 良, 等. 基于張量投票的道路表面裂縫檢測[J]. 應(yīng)用科學(xué)學(xué)報(bào), 2015,33(5):541-549.

[15] ZHANG D J, LI Q Q, CHEN Y, et al. An efficient and reliable coarse-to-fine asphalt pavement crack detection system, image and vision computing[J].Image and Vision Computing, 2017 ,57(C) :130-146.

[16] WONG A K C, NIU P Y, HE X. Fast acquisition of dense depth data by a new structured light scheme [J]. Computer Vision and Image Understanding, 2005,98(3): 398-422.

[17] PETER L, ANDREW B. Real-time tracking of surfaces with structured light [J]. Image and Vision Computing, 1995,13(7):585-591.

[18] VALKENBURG R J, MCIVOR A M. Accurate 3D measurement using a structured light system [J]. Image and Vision Computing, 1998,16(2): 99-110.

[19] DALAL N, TRIGGS B. Histograms of Oriented Gradients for Human Detection [C]//Computer Vision and Pattern Recognition. San Diego: IEEE, 2005: 886-893.

PavementcrackdetectionfusedHOGandwatershedalgorithmofrangeimage

JIN Huazhong， WAN Fang， YE Zhiwei

(School of Computer Science， Hubei University of Technology， Wuhan 430068)

Pavement crack detection plays an important role in pavement maintaining and management. In recent years， pavement crack detection technique based on range image is a recent trend due to its ability of discriminating oil spills and shadows. Existing pavement crack detection methods didn’t effectively detect transverse and reticular cracks， because these methods generally represented the geometry feature of crack using single laser scanning lines， which didn’t take the effects of spatial variability， anisotropy and integrity into account. Aimed at the existing arithmetic insufficiency， the pavement crack detection fused histogram of oriented gradient and watershed algorithm was proposed. Firstly， crack edge location was detected using histogram of oriented gradient in road range image， and edge strength and orientation were obtained. Then， crack segmentation based on traditional watershed method was improved by edge orientation. Experiment results show that the proposed method is able to accurately detect different type of crack edge and identify the extent of the damage cracks simultaneously．

crack detection; histogram of oriented gradient (HOG); range image; watershed algorithm

P209

A

2017-03-13.

湖北省教育廳資助基金項(xiàng)目(2014277).

*通訊聯(lián)系人. E-mail: galaxy0522@163.com.

10.19603/j.cnki.1000-1190.2017.05.024

1000-1190(2017)05-0715-08