基于几何特征分析的路面裂缝分类算法研究

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于几何特征分析的路面裂缝分类算法研究

张采芳, 田岩, 李江

文章导航 > 红外与激光工程 > 2015 > 44(4): 1359-1364

张采芳, 田岩, 李江. 基于几何特征分析的路面裂缝分类算法研究[J]. 红外与激光工程, 2015, 44(4): 1359-1364.

引用本文:

张采芳, 田岩, 李江. 基于几何特征分析的路面裂缝分类算法研究[J]. 红外与激光工程, 2015, 44(4): 1359-1364.

Zhang Caifang, Tian Yan, Li Jiang. Pavement cracks classification algorithm based on geometry feature analysis[J]. Infrared and Laser Engineering, 2015, 44(4): 1359-1364.

Citation:

Zhang Caifang, Tian Yan, Li Jiang. Pavement cracks classification algorithm based on geometry feature analysis[J]. Infrared and Laser Engineering, 2015, 44(4): 1359-1364.

基于几何特征分析的路面裂缝分类算法研究

1.
文华学院,湖北武汉 430074;
2.
华中科技大学电子与信息工程系,湖北武汉 430074

基金项目:

湖北省高等学校优秀中青年科技创新团队计划(T201431);地理空间信息工程国家测绘地理信息局重点实验室开放研究基金(201110)

作者简介:
张采芳(1975-),女,讲师,硕士,主要从事图像处理,模式识别方面的教学和科研工作.Email:wind_cf@163.com

中图分类号: TP751.1

Pavement cracks classification algorithm based on geometry feature analysis

1.
Wenhua College,Wuhan 430074,China;
2.
Department of Electronics and Information Engineering,Huazhong University of Science and Technology,Wuhan 430074,China

摘要: 道路裂缝是评价公路质量的一个非常重要的指标,不同的裂缝类型关系到不同的危急程度及不同的修补策略的制定.针对高速公路中常见的横向裂缝、纵向裂缝、块状裂缝及龟裂裂缝,提出了一种基于方向及密度特征的路面裂缝分类方法.文中所提方法的主要思想是利用裂缝在方向以及密度分布上的差异性来对裂缝类型进行划分.基本的过程是首先利用方向性特征进行横纵裂缝与块状/龟裂裂缝的提取,其次,根据分布密度特性进一步甄别块状和龟裂裂缝.为了验证文中所提算法的有效性,采用大量实测数据进行测试,通过与其它算法进行对比,结果表明：文中所提方法具有更高的裂缝分类精度.
- 裂缝分类 /
- 几何特征 /
- 路面图像
Abstract: The cracks of the road is a very important index to assess the quality of a road, since the different classes of the cracks are closely related to evaluate the dangerous degree of the road and the design of the repair strategy. Focusing on the common cracks including horizontal, vertical, block shape and chap cracks, a cracks classification method based on orientation and density characters was described. The main idea of the proposed method was to adopt the differences of the orientation and density distribution of the cracks to distinguish the different cracks. The orientation feature was first utilized to classify the direction cracks and non-direction cracks, and then by using the density feature to distinguish the block and the chap cracks. In order to check the effectiveness of the proposed method in this paper, using a large number of practical test data, by comparing with other algorithms, the results show that this proposed method has higher classification accuracy.
- cracks classification /
- geometry feature /
- pavement image

[1]
[2]	Saar T, Talvik O. Automatic asphalt pavement crack detection and classification using neural networks[C]//12th Biennial Baltic Electronics Conference(BEC), 2010, 345-348.
[3]	Li Gang, He Yuyao. A novel image detection and classification for pavement crack under non-uniform illumination[J]. Acta Photonica Sinica, 2010, 39(8): 1405-1408. (in Chinese) 李刚, 贺昱曜. 不均匀光照的路面裂缝检测和分类新方法[J]. 光子学报, 2010, 39 (8): 1405-1408.
[4]
[5]
[6]	Gaviln M, Balcones D, Marcos O, et al. Adaptive road crack detection system by pavement classification[J]. Sensors, 2011, 11(10), 9628-9657.
[7]
[8]	Lihao Hong. Pavement information system: detection, classification and evaluation[D]. USA: The University of Toledo, 2009.
[9]
[10]	Oliveira H, Correia P L. Automatic road crack detection and characterization[J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(1): 155-168.
[11]
[12]	Zhao Ke. Research on pavement crack image automatic identification system[D]. Xi'an: Chang'an University, 2009. (in Chinese) 赵轲. 路面裂缝图像自动识别系统研究[D]. 西安: 长安大学, 2009.
[13]	Hu Shikun. Research on pavement crack detection algorithom based on digital image processing[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2012. (in Chinese) 胡世昆. 基于数字图像处理技术的路面裂缝检测算法研究[D]. 南京: 南京邮电大学, 2012.
[14]
[15]
[16]	Tan Dongjie, Zhang An. Multi-model image registration based on weighted orientation correlation and mutual information[J]. Infrared and Laser Engineering, 2013, 42(3): 836-841. (in Chinese) 谭东杰, 张安. 方向相关与互信息加权组合多模图像方法[J], 红外与激光工程, 2013, 42(3): 836-841.
[17]	R C Gonzalez, R E Woods. Digital Image Processing[M]. Beijing: Publishing House of Electronics Industry, 2003.

[1]	王丽英, 有泽, 吴际, CAMARA Mahamadou. 联合NDRI特征和空间相关性的机载MS-LiDAR数据分类 . 红外与激光工程, 2023, 52(2): 20220376-1-20220376-11. doi: 10.3788/IRLA20220376
[2]	赵毅强, 张琦, 刘长龙, 武唯康, 李尧. 结合物理与几何特性的机载LiDAR数据分类方法 . 红外与激光工程, 2023, 52(11): 20230212-1-20230212-12. doi: 10.3788/IRLA20230212
[3]	李安琦, 马丽, 于合龙, 张涵博. 改进的U-Net算法在遥感图像典型农作物分类研究 . 红外与激光工程, 2022, 51(9): 20210868-1-20210868-7. doi: 10.3788/IRLA20210868
[4]	林森, 赵振禹, 任晓奎, 陶志勇. 基于语义信息补偿全局特征的物体点云分类分割 . 红外与激光工程, 2022, 51(8): 20210702-1-20210702-12. doi: 10.3788/IRLA20210702
[5]	王鹏翔, 张兆基, 杨怀. 结合多特征融合和极限学习机的红外图像目标分类方法 . 红外与激光工程, 2022, 51(6): 20210597-1-20210597-6. doi: 10.3788/IRLA20210597
[6]	杨雅志, 李骏. 单演信号在红外图像目标分类中的应用研究 . 红外与激光工程, 2021, 50(12): 20210165-1-20210165-7. doi: 10.3788/IRLA20210165
[7]	尚超, 陈宝国. 弹载大视场红外线扫图像几何畸变仿真研究 . 红外与激光工程, 2020, 49(2): 0204002-0204002. doi: 10.3788/IRLA202049.0204002
[8]	盛家川, 陈雅琦, 王君, 韩亚洪. 深度学习结构优化的图像情感分类 . 红外与激光工程, 2020, 49(11): 20200269-1-20200269-10. doi: 10.3788/IRLA20200269
[9]	陶兆禾, 郑慧茹, 秦柳燕, 廖景荣, 徐媛媛, 王亚伟. 前后向散射特征分析下的白细胞亚型分类识别仿真研究 . 红外与激光工程, 2019, 48(5): 533001-0533001(8). doi: 10.3788/IRLA201948.0533001
[10]	张腊梅, 陈泽茜, 邹斌. 基于3D卷积神经网络的PolSAR图像精细分类 . 红外与激光工程, 2018, 47(7): 703001-0703001(8). doi: 10.3788/IRLA201847.0703001
[11]	刘天赐, 史泽林, 刘云鹏, 张英迪. 基于Grassmann流形几何深度网络的图像集识别方法 . 红外与激光工程, 2018, 47(7): 703002-0703002(7). doi: 10.3788/IRLA201847.0703002
[12]	陈宇, 温欣玲, 刘兆瑜, 马鹏阁. 稀疏自动编码器视觉特征融合的多弹分类算法研究 . 红外与激光工程, 2018, 47(8): 826004-0826004(8). doi: 10.3788/IRLA201847.0826004
[13]	侯榜焕, 姚敏立, 贾维敏, 沈晓卫, 金伟. 空谱结构保持的高光谱图像分类 . 红外与激光工程, 2017, 46(12): 1228001-1228001(8). doi: 10.3788/IRLA201746.1228001
[14]	杨新锋, 胡旭诺, 粘永健. 基于分类的高光谱图像压缩算法 . 红外与激光工程, 2016, 45(2): 228003-0228003(4). doi: 10.3788/IRLA201645.0228003
[15]	熊兴隆, 刘雯箐, 符超, 蒋立辉. 考虑多次散射的卷云几何特征和光学特性反演方法 . 红外与激光工程, 2015, 44(9): 2734-2741.
[16]	赵爱罡, 王宏力, 杨小冈, 陆敬辉, 何星. 融合几何特征的压缩感知SIFT描述子 . 红外与激光工程, 2015, 44(3): 1085-1091.
[17]	张东彦, 赵晋陵, 黄林生, 马雯萩. 用于高光谱图像分类的归一化光谱指数的构建与应用 . 红外与激光工程, 2014, 43(2): 586-594.
[18]	秦玉华, 丁香乾, 宫会丽. 高维特征选择方法在近红外光谱分类中的应用 . 红外与激光工程, 2013, 42(5): 1355-1359.
[19]	张佳栋, 李娜, 赵慧洁, 李旭东, 徐秋. 采用SIFT特征的高光谱数据自动几何精校正 . 红外与激光工程, 2013, 42(9): 2414-2420.
[20]	何莲, 蔡敬菊, 张启衡. 改进的基于弦切变换的目标检测方法 . 红外与激光工程, 2012, 41(1): 239-247.

WeChat

点击查看大图

计量

文章访问数: 517
HTML全文浏览量: 125
PDF下载量: 200
被引次数: 0

基于几何特征分析的路面裂缝分类算法研究

1. 文华学院,湖北武汉 430074;

2. 华中科技大学电子与信息工程系,湖北武汉 430074

作者简介:
张采芳(1975-),女,讲师,硕士,主要从事图像处理,模式识别方面的教学和科研工作.Email:wind_cf@163.com

收稿日期: 2014-08-05
修回日期: 2014-09-15
刊出日期: 2015-04-25

基金项目:

湖北省高等学校优秀中青年科技创新团队计划(T201431);地理空间信息工程国家测绘地理信息局重点实验室开放研究基金(201110)

中图分类号: TP751.1

关键词:

摘要: 道路裂缝是评价公路质量的一个非常重要的指标,不同的裂缝类型关系到不同的危急程度及不同的修补策略的制定.针对高速公路中常见的横向裂缝、纵向裂缝、块状裂缝及龟裂裂缝,提出了一种基于方向及密度特征的路面裂缝分类方法.文中所提方法的主要思想是利用裂缝在方向以及密度分布上的差异性来对裂缝类型进行划分.基本的过程是首先利用方向性特征进行横纵裂缝与块状/龟裂裂缝的提取,其次,根据分布密度特性进一步甄别块状和龟裂裂缝.为了验证文中所提算法的有效性,采用大量实测数据进行测试,通过与其它算法进行对比,结果表明：文中所提方法具有更高的裂缝分类精度.

English Abstract

全文HTML

参考文献 (17)

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回