基于主成分分析与神经网络的路面破损病害图像分类方法技术

本发明专利技术属于道路检测技术领域。目的在于提供效率高、准确性高的基于主成分分析与神经网络的路面破损病害图像分类方法。传统的道路病害图像分类通过人工筛选方式进行，耗时多且出错率高。本发明专利技术结合主成分分析算法与神经网络算法实现道路病害图像的分类，针对原始病害图像进行尺寸归一化处理，使每张图像的特征向量维度一致，再将归一化处理后的图像数据进行主成分分析特征提取，大大降低了图像数据的维度，然后通过建立基于遗传算法改进的神经网络，对重要度大的特征主分量进行训练，最后进行网络分类，输出结果，从而完成道路病害图像的识别。本发明专利技术有效地提高了道路病害图像筛选的效率与准确性，简便易行。

【技术实现步骤摘要】
基于主成分分析与神经网络的路面破损病害图像分类方法
本专利技术涉及道路检测
，具体涉及基于主成分分析与神经网络的路面破损病害图像分类方法。
技术介绍
随着我国公路交通建设的蓬勃发展，截至2016年年底，我国公路总里程469.63万公里，公路养护里程459.00万公里，占公路总里程97.7％(数据来源：《2016年交通运输行业发展统计公报》)。由于地质、天气和施工等影响，公路在使用过程中会出现各种各样的毛病：比如道路破损、路面塌陷、水电气管线爆裂等，而随着公路里程的增加，对公路养护管理的难度也随之加大。目前对公路的养管通常采用非常传统的人工检测模式，存在安全性低、效率低、结果准确性低等问题，为了消除手动操作的人为误差，智能化道路检测方式是大势所趋。汽车在公路上高速行驶时，对路面的平整度、完好率要求很高，当路面出现裂缝、变形、松散等病害时应及时进行维修，否则行车安全无法保障。道路病害如在形成初期即被检测到，通过及时进行路面维修，可使道路管养费用大大降低。道路病害图像的分类是智能化道路检测技术的一大难点，在传统的道路检测过程中，通常通过路面破损检测相机获取高分辨的道路路面图像，再将这些图像进行人工筛选分类以进行进一步的分析和处理。人工筛选往往耗费大量时间，并且出错率高，传统的基于人工的处理方法已不能适应道路发展的需求。
技术实现思路
本专利技术的目的在于提供准确性高、效率高、简便易行的基于主成分分析与神经网络的路面破损病害图像分类方法。为实现上述专利技术目的，本专利技术所采用的技术方案是：基于主成分分析与神经网络的路面破损病害图像分类方法，基本流程如下：(1)图像归一化预处理；(2)特征提取：利用基于K-L变换的主成分分析PCA算法计算特征子空间，特征子空间由按特征值大小进行降序排列的特征向量组成；(3)对神经网络进行预训练得到最优化的权值和阈值：采用基于遗传算法改进的神经网络，对上述步骤(2)选择出的重要度大的特征主分量输入神经网络进行训练，直到神经网络收敛或满足停止训练的条件；(4)网络分类，输出结果，完成病害图像的识别。本专利技术具有如下有益效果：针对道路病害图像的数据特点，对图像数据进行主成分分析特征提取，而后采用了神经网络的分类方法，可有效提升整个道路检测与评价系统的性能，提高了道路病害图像筛选的效率与准确性。附图说明图1为本专利技术方法流程图；图2为主成分分析PCA算法步骤图。具体实施方式结合图1所示，本专利技术方法基本流程如下：1、图像预处理：原始病害图像的获取一般通过车载高速摄像机以正常车速拍摄路面获得。由于光线、摄像机成像以及病害的强弱等问题，直接从原始图像进行目标提取会相当困难，因此一般需要先做适当的预处理，消除低质量带来的不良影响，增强目标等信息，以利于病害目标的提取。将原始病害图像集A中的每幅图像进行尺寸归一化处理，得到归一化后的病害图像集B：设图像集A中每个像素点的像素值为I(x，y)，归一化之后图像集B的每点像素值为：G(x，y)＝I(x，y)/max(I)归一化可使每张图像的特征向量维度一致。2、特征提取：利用基于K-L变换的主成分分析PCA算法，计算特征子空间，特征子空间由按特征值大小进行降序排列的特征向量组成。基于K-L变换的主成分分析PCA算法如图2所示，具体步骤如下：1)设病害图像集B的维数是k×m×n，其中k是病害图像集所包含的波段维数，m、n是病害图像集的空间维数，可看作有k张大小为m×n像素的图像作为训练样本，将每张图像以列串接的方式表示成k列向量的形式，记为x1，x2，...，xk，每个xi的长度为m×n；2)计算k张图像的均值向量和协方差矩阵C：均值向量代表了这k张图像所共有的特征成份；3)通过求解特征方程来获得协方差矩阵C的特征值：λ＝diag(λ1，λ2，L，λk)；4)按照重要度选择特征子空间中属性重要度大的特征主分量，对特征值按从大到小进行降序排列，即：λ1≥λ2≥…≥λq；其中重要度选择如下：选定前q个(q≤k)特征值对应的前q个特征向量构成特征子空间，然后将其对应的q个特征向量分别作为列向量，组成特征向量矩阵；5)计算前q个特征值对应的特征向量U：(λI-C)＝0，其中I是单位矩阵；3、对神经网络进行预训练得到最优化的权值和阈值：采用基于遗传算法改进的神经网络，将步骤(2)选择出的重要度大的特征主分量输入神经网络进行训练，直到神经网络收敛或满足停止训练的条件；训练步骤如下：1)初始化：Oi(0)(t)＝xi(t)i(i＝1，2，...，n)且l＝1，l代表神经网络的某一层，t为时间；其中Oi(0)表示第i层输入层，x表示输入的特征向量；2)整合：该层为中间层的输出，uj表示输入层与中间的连接权值与输入向量内积；3)激发：(j＝1，2，...，n1)oj表示中间层的输出值，该输出值为激活值，通过上式计算得到；bj代表偏置项；4)条件转移：设定L，若l＜L，则1＝1+1，转向第二步。若网络输出与目标输出的均方误差小于设定的值，那么就返回第二步中继续计算，直到满足误差为止，计算均方误差如下：E||oj-object||其中object表示目标输出；5)输出oj(t)＝Oj(l)(t)(j＝1，2，...，m)。4、网络分类，输出结果，完成病害图像的识别。本文档来自技高网...

【技术保护点】
1.基于主成分分析与神经网络的路面破损病害图像分类方法，其特征在于：该方法基本流程如下：(1)图像归一化预处理；(2)特征提取：利用基于K‑L变换的主成分分析算法计算特征子空间，特征子空间由按特征值大小进行降序排列的特征向量组成；(3)对神经网络进行预训练得到最优化的权值和阈值：采用基于遗传算法改进的神经网络，将步骤(2)选择出的重要度大的特征主分量输入神经网络进行训练，直到神经网络收敛或满足停止训练的条件；(4)网络分类，输出结果，完成病害图像的识别。

【技术特征摘要】
1.基于主成分分析与神经网络的路面破损病害图像分类方法，其特征在于：该方法基本流程如下：(1)图像归一化预处理；(2)特征提取：利用基于K-L变换的主成分分析算法计算特征子空间，特征子空间由按特征值大小进行降序排列的特征向量组成；(3)对神经网络进行预训练得到最优化的权值和阈值：采用基于遗传算法改进的神经网络，将步骤(2)选择出的重要度大的特征主分量输入神经网络进行训练，直到神经网络收敛或满足停止训练的条件；(4)网络分类，输出结果，完成病害图像的识别。2.根据权利要求1所述的基于主成分分析与神经网络的路面破损病害图像分类方法，其特征在于：步骤(1)具体方法为：将原始病害图像集A中的每幅图像进行尺寸归一化处理，得到归一化后的病害图像集B：设图像集A中每个像素点的像素值为I(x，y)，归一化之后图像集B的每点像素值为：G(x，y)＝I(x，y)/max(I)。3.根据权利要求1所述的基于主成分分析与神经网络的路面破损病害图像分类方法，其特征在于：步骤(2)的具体方法为：(1)设病害图像集B的维数是k×m×n，其中k是病害图像集所包含的波段维数，m、n是病害图像集的空间维数，可看作有k张大小为m×n像素的图像作为训练样本，将每张图像以列串接的方式表示成k列向量的形式，记为x1，x2，...，xk...

【专利技术属性】
技术研发人员：阎旭，袁杨宇，张荣华，林远江，
申请(专利权)人：重庆亲禾智千科技有限公司，
类型：发明
国别省市：重庆,50