于小寧, 馮 蓉， 郭 浩

(1.西安工業(yè)大學(xué)科技處， 陜西 西安 710032;2.長(zhǎng)安大學(xué)經(jīng)濟(jì)管理系， 陜西 西安 710032； 3.陜西電力建設(shè)總公司, 陜西 西安 710032)

0 引 言

隨著高等級(jí)公路建設(shè)的快速發(fā)展以及路面質(zhì)量監(jiān)控體系的完善，相應(yīng)要求高的檢測(cè)水平.由于瀝青路面易受環(huán)境影響而產(chǎn)生裂紋,從而影響了高速公路的質(zhì)量和使用壽命.在高速公路路面的養(yǎng)護(hù)工作中必須定期對(duì)路面裂紋進(jìn)行檢測(cè).目前國(guó)內(nèi)檢測(cè)公路路面的手段主要是人工檢測(cè)，不但勞動(dòng)強(qiáng)度大、檢測(cè)速度慢，而且影響正常的交通[1].此外，基于PC機(jī)通用CPU檢測(cè)裂縫的方法難以滿足大規(guī)模路網(wǎng)檢測(cè)對(duì)時(shí)效性的要求.由于瀝青路面圖像包含的信息內(nèi)容復(fù)雜，且圖像數(shù)據(jù)量不斷增加，使得目前已經(jīng)產(chǎn)品化的基于激光測(cè)距和數(shù)字圖像處理的多功能路面智能檢測(cè)車(chē)的檢測(cè)結(jié)果難以完全滿足實(shí)際需求.本文設(shè)計(jì)的基于DSP技術(shù)和數(shù)字圖像處理技術(shù)的瀝青路面圖像處理系統(tǒng)具有更快速、準(zhǔn)確、經(jīng)濟(jì)高效的特點(diǎn)，能夠很好地檢測(cè)出路面裂紋.

1 硬件系統(tǒng)的研究

圖1 系統(tǒng)總體框圖 圖2 圖像檢測(cè)系統(tǒng)硬件圖

如圖1所示，路面裂紋自動(dòng)檢測(cè)系統(tǒng)由CCD攝像機(jī)、圖像采集卡、圖像處理單元以及人機(jī)接口單元組成.

為了快速實(shí)時(shí)地檢測(cè)路面裂紋，建立了以DSP為核心的裂紋圖像檢測(cè)系統(tǒng)，其硬件結(jié)構(gòu)如圖2所示.數(shù)字CCD相機(jī)采用DALSA CA-D7-1024T幀轉(zhuǎn)移型體系結(jié)構(gòu)，轉(zhuǎn)換速度快，量化精度高.該CCD相機(jī)的空間分辨率為1 024×1 024像元.DSP C6713主要完成從FIFO讀出數(shù)據(jù)并進(jìn)行圖像的預(yù)處理、分割、特征提取等處理.處理后的特征經(jīng)PCI口傳送到主機(jī)，本系統(tǒng)采用TT公司的PCI9052實(shí)現(xiàn)DSP的HPI與PCI總線的連接.DSP讀出FIFO的行數(shù)據(jù)并存入SDRAM；采用2 k×9位的IDT72V231 FIFO作為圖像數(shù)據(jù)緩存； 選用1 M×32 bit的SDRAM TC59S1616存儲(chǔ)數(shù)據(jù)；采用AMD公司4 Mbit的Flash Memory AM29LV400B作為程序存儲(chǔ)器；采用Lattice公司的CPLD LC4128V進(jìn)行時(shí)序控制.

2 圖像處理算法研究

(1)圖像預(yù)處理. 由于采集的公路圖像存在各種干擾噪聲(如路面顆粒、污漬和反光等)，首先應(yīng)對(duì)圖像進(jìn)行濾波.經(jīng)過(guò)多次仿真試驗(yàn)，本文采用二次中值濾波對(duì)采集來(lái)的數(shù)字圖像進(jìn)行濾波，取得了很好的效果.路面圖像處理流程圖如圖3所示.

圖3 路面圖像處理流程圖

(2)圖像分割. 圖像分割就是要找出一個(gè)合適的閾值，將研究的區(qū)域劃分為目標(biāo)和背景兩部分.閾值的選擇是圖像分割的關(guān)鍵.為了尋求最佳的分割閾值，目前己研究出多種閾值選取算法，如P參數(shù)法、雙峰法、最大類間方差法(OTSU法)[2]等.每種方法都有各自的特點(diǎn)和不同的應(yīng)用場(chǎng)合，目前很難找到適用于各種場(chǎng)合的分割方法.本文針對(duì)實(shí)際情況，采用最大類間方差法對(duì)圖像進(jìn)行分割，如圖4、圖5所示.

圖4 原始公路路面裂痕圖像 圖5 OTSU法分割后的公路路面裂紋圖像

(3)邊緣檢測(cè). 路面裂紋邊緣檢測(cè)是非常重要的信息,本文采用Canny算法進(jìn)行裂紋邊緣檢測(cè).Canny[3]算法是一種多尺度邊緣檢測(cè)算子，它是基于Canny提出的邊緣檢測(cè)3個(gè)標(biāo)準(zhǔn)：檢測(cè)標(biāo)準(zhǔn)、定位標(biāo)準(zhǔn)、單響應(yīng)標(biāo)準(zhǔn)，并采用近似滿足最優(yōu)準(zhǔn)則的高斯函數(shù)作為濾波器，因此得到了廣泛的應(yīng)用.該算法的基本原理是先將圖像采用高斯函數(shù)進(jìn)行平滑，再由一階微分的極大值確定邊緣點(diǎn).

(4)特征提取. 為了更加有效地對(duì)公路路面圖像進(jìn)行檢測(cè)，必須提取圖像的特征，特征提取和選擇的總原則是盡可能減少整個(gè)識(shí)別系統(tǒng)的處理時(shí)間和錯(cuò)誤識(shí)別概率，當(dāng)兩者無(wú)法兼得時(shí)需要做出相應(yīng)的平衡.或者縮小錯(cuò)誤識(shí)別的概率，以提高識(shí)別精度，但會(huì)增加系統(tǒng)運(yùn)行時(shí)間；或者提高整個(gè)系統(tǒng)速度以適應(yīng)實(shí)時(shí)需要，但會(huì)增加錯(cuò)誤識(shí)別的概率.一般特征包括：(1)裂紋的面積和裂縫的百分比； (2)裂紋的周長(zhǎng)、長(zhǎng)度、平均寬度等.裂紋的長(zhǎng)度、寬度、面積提取出來(lái)之后，可以計(jì)算得到裂紋的其他參數(shù)[4].所有參數(shù)都必須進(jìn)行歸一化， 二值化后的圖像灰度值之和為裂紋的面積，其算法如下：

(1)

其中，m、n分別為圖像的行值和列值.

周長(zhǎng)的算法是首先對(duì)圖像進(jìn)行邊緣檢測(cè)并進(jìn)行二值化，然后掃描整個(gè)圖像，提取像素為1的個(gè)數(shù)即為裂紋的周長(zhǎng)C.

根據(jù)裂紋的面積S和周長(zhǎng)C可以計(jì)算出平均長(zhǎng)度L和寬度W，公式如下：

L·W=S

(2)

L+W=C

(3)

求解后可以獲得平均長(zhǎng)度和寬度.

根據(jù)裂痕圖像的特點(diǎn)，本文提取裂紋圖像面積占整個(gè)圖像面積的百分比T.

3 支持向量機(jī)裂紋圖像識(shí)別算法

如上所述，當(dāng)獲得裂紋的特征后，應(yīng)該采用合適的識(shí)別算法對(duì)公路裂紋進(jìn)行檢測(cè).圖像識(shí)別的方法主要包括結(jié)構(gòu)識(shí)別法和統(tǒng)計(jì)決策法兩類，另外還有神經(jīng)網(wǎng)絡(luò)識(shí)別、模糊識(shí)別和支持向量機(jī)識(shí)別法[5]等.支持向量機(jī)基于VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，具有很好的推廣能力，很好地克服了維數(shù)災(zāi)難和過(guò)擬合等傳統(tǒng)算法所不可規(guī)避的問(wèn)題.對(duì)于小樣本在訓(xùn)練樣本數(shù)很少以及圖像本身光線較差的情況下，支持向量機(jī)方法對(duì)未知樣本的泛化能力優(yōu)于一般的分類方法.為了提高在大量數(shù)據(jù)下SVM的訓(xùn)練速度，Platt提出了一種序貫最小優(yōu)化(SMO)算法[6]，本文采用SMO算法進(jìn)行分類.

(1)SMO訓(xùn)練算法. 支持向量機(jī)的學(xué)習(xí)訓(xùn)練算法是求解一個(gè)二次規(guī)劃問(wèn)題，將其轉(zhuǎn)成Wolfe對(duì)偶問(wèn)題比原始二次規(guī)劃問(wèn)題易于處理.但由于問(wèn)題規(guī)模比較大，再加上目標(biāo)函數(shù)的二次型已經(jīng)不是正定的，且約束個(gè)數(shù)及約束條件比較多，在樣本點(diǎn)不可分時(shí)還要加上上限的約束，這種復(fù)雜局面使得很多高效的算法對(duì)此束手無(wú)策. SMO的分解算法是將二次規(guī)劃問(wèn)題分解成盡可能小的一系列二次規(guī)劃子問(wèn)題.SMO算法把問(wèn)題分解到可能達(dá)到的最小規(guī)模,每次優(yōu)化只處理兩個(gè)樣本的優(yōu)化問(wèn)題，并且用解析的方法進(jìn)行處理,從而完全避免了迭代算法.基本思想是對(duì)不滿足KKT條件的Lagrange乘子兩兩進(jìn)行優(yōu)化，直到所有的Lagrange乘子都滿足KKT條件為止.

(2)支持向量機(jī)算法核函數(shù)及其參數(shù)的選擇[7]. 本文采用試湊法來(lái)確定其參量，即對(duì)于所有的核函數(shù)、核函數(shù)參數(shù)的各種取值都進(jìn)行計(jì)算，選出結(jié)果最好的那一種.選擇常用的線性核函數(shù)、多項(xiàng)式核函數(shù)及徑向基核函數(shù)等不同的核函數(shù)進(jìn)行試驗(yàn)，經(jīng)過(guò)比較采用徑向基核函數(shù)作為支持向量機(jī)的核函數(shù)：

(4)

通過(guò)試驗(yàn)發(fā)現(xiàn)，選取σ=15時(shí)，識(shí)別效果最好.

4 試驗(yàn)及結(jié)果

試驗(yàn)取400幅黃延高速公路路面圖像，

表2 試驗(yàn)結(jié)果

其中300幅圖像作為訓(xùn)練樣本，其余100幅圖像作為測(cè)試樣本，測(cè)試算法的準(zhǔn)確率.將沒(méi)有裂紋的圖像歸為+1類，有裂紋的圖像歸為-1類.采用BP神經(jīng)網(wǎng)絡(luò)[8]和SVM進(jìn)行試驗(yàn)對(duì)比，結(jié)果如表1所示，可見(jiàn)RBF支持向量機(jī)的識(shí)別效果比較好.SMO算法收斂公差設(shè)置為0.002.對(duì)線性核函數(shù)，取C=12；對(duì)RBF核函數(shù)，取C=20，σ=0.614.

5 結(jié)束語(yǔ)

通過(guò)構(gòu)建基于DSP的路面圖像采集和處理硬件平臺(tái)，實(shí)現(xiàn)了路面圖像實(shí)時(shí)準(zhǔn)確的采集和處理，并采用SMO支持向量機(jī)算法對(duì)公路路面裂紋圖像進(jìn)行了識(shí)別.試驗(yàn)表明，該方法能夠快速有效地識(shí)別出公路路面裂紋，具有較強(qiáng)的實(shí)用性.

參考文獻(xiàn)

[1] 劉玉臣.公路路面裂縫圖像自動(dòng)識(shí)別技術(shù)研究[D]. 長(zhǎng)春：吉林大學(xué)碩士學(xué)位論文，2005.

[2] OTSU方法在多閾值圖像分割中的應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì),2008,6(11):2 844-2 845.

[3] 梁志勇，龍麗芳，黃世斌.基于數(shù)字圖像處理的瀝青路面破損檢測(cè)技術(shù)[J]. 重慶建筑,2009,1(63):40-42.

[4] 溫世文.基于DSP的瀝青路面圖像處理研究[D].西安：長(zhǎng)安大學(xué)碩士學(xué)位論文,2009.

[5] V. N. Vapnik. The Nature of Statistical Learning Theory[M]. Springer, New York, 1998.

[6] Platt J C.Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Mathines.Advances in Kernel Methods-Support Vector Learning[M].CambridgeMA: MIT Press, 1999:185-208.

[7] 陳若珠，于小寧，李戰(zhàn)明.基于DSP的啤酒瓶缺陷識(shí)別系統(tǒng)的研究[J].微計(jì)算機(jī)信息,2007,23(4-2):189-191.

[8] 初秀民，王榮本.基于神經(jīng)網(wǎng)絡(luò)的瀝青路面破損圖像識(shí)別研究[J].武漢理工大學(xué)學(xué)報(bào)，2004, 28(3): 373-375.