【技术实现步骤摘要】
本专利技术涉及辅助道路日常检测养护，具体而言，尤其涉及一种基于hessian矩阵与目标识别网络的裂缝分割方法。
技术介绍
1、目前针对路面裂缝分割方法主要分为深度学习方法，机器学习方法和传统方法，深度学习方法主要有基于深度学习网络的路面裂缝分割方法。以往的裂缝分割方法主要采用传统的图像处理技术，如阈值化，边缘检测和区域生长。各方法的主要思路如下：
2、阈值分割：阈值分割方法通过各种图像处理方法，分配合适的像素强度阈值将图像像素分为两类，从而将裂缝目标从背景中分离出来。
3、边缘检测：边缘检测方法采用sobel算子、prewitt算子、canny算子等算子来检测道路裂缝边缘，从而将裂缝目标从背景中分离出来。
4、区域生长：区域生长方法通过将具有相似特征的像素分组到一个区域来描述裂缝内部的特定信息，从而将裂缝目标从背景中分离出来。
5、机器学习方法分为两大类，无监督学习和监督学习：
6、无监督学习：基于样本学习的无监督模型中，训练样本是无标记的，没有明确的输出。计算机需要学习样本之间的相似性，并自行对它们进行分类。
7、监督学习：包括逻辑回归、朴素贝叶斯、支持向量机、人工神经网络和随机森林等，通过对数据进行建模或非建模的概率预测，再通过直接或非直接的概率判别，最后将裂缝分割出来。
8、目前已有的裂缝分割算法存在的问题：
9、(1)基于阈值分割、边缘检测、区域生长等的传统图像处理方法都是基于裂纹像素的强度比背景暗并且通常是连续的这一重要假设
10、(2)基于机器学习的方法虽然可以从训练样本中学习裂缝检测，但在处理灰度不均匀或拓扑结构复杂的裂缝时，其检测性能并不优越。这些方法的失败可以归结为通过概率建模进行分割，缺乏鲁棒的特征表示导致的；以及逐像素进行阈值判别忽略了裂缝之间的相互依赖关系。
11、(3)深度学习方法中，基于卷积神经网络的裂缝分割方法虽然通过特征提取进行判别，但由于只在局部区域进行卷积操作，导致网络感受野偏小，且没有对全局的上下文感知能力。且高度依赖训练数据。
技术实现思路
1、根据上述提出的技术问题，提供一种基于hessian矩阵与目标识别网络的裂缝分割方法。本专利技术方法包含一个transformer目标识别网络rtdetr，一个基于hessian矩阵的高斯滤波器组。可用于高速公路采集车的采集图片处理，辅助道路日常检测养护工作。
2、本专利技术采用的技术手段如下：
3、一种基于hessian矩阵与目标识别网络的裂缝分割方法，包括：
4、s1、获取彩色路面图像，并对获取的彩色路面图像进行预处理；
5、s2、采用目标检测的方法将预处理后的图像进行裂缝区域检测；
6、s3、根据经过裂缝区域检测后的图片，基于hessian矩阵的高斯滤波器组生成梯度图；
7、s4、基于路面纹理模板的阈值，对生成的梯度图进行选择分割。
8、进一步地，所述步骤s1中，具体包括：
9、s11、将彩色路面图像转化为灰度图像p1；
10、s12、对灰度图像p1进行阴影和光栅去除，得到处理后的图像p2。
11、进一步地，所述步骤s2中，具体包括：
12、s21、利用目标检测的方法，将预处理后的图像p2进行裂缝区域检测，得到有裂缝的图片p3和路面纹理模板；
13、s22、将得到的路面纹理模板记为bi，i＝1，2，3...。
14、进一步地，所述步骤s3中，具体包括：
15、s31、采用主从方向高斯滤波器组，对有裂缝的图片p3进行裂缝区域增强，得到梯度图p4，其中，主滤波器表示如下：
16、rm(p，θ，σ)＝gxxcos2θ+gyysin2θ+gxysin2θ
17、其中，gxx，gyy，gxy为高斯卷积核的二阶偏导，σ为高斯滤波器的空间尺度因子，θ为主滤波器方向，p＝(x，y)为图像上的一个点坐标；
18、s32、采用多尺度融合的方法对不同尺度的裂缝进行增强，即选取不同尺度因子响应最大值作为此点的响应，σ与此点处裂缝宽度匹配时响应最大，i(p)为输入的路面二维灰度图像，在s＝{σ1，...，σn}的空间尺度中，得到的裂缝响应图rm(p，θ)，计算公式如下：
19、
20、s33、为了提高裂缝分叉处的响应强度，采用临近区域内响应较大的裂缝区域响应作为响应，引入前向滤波器rf和后向滤波器rb进行协同检测，计算公式如下：
21、rf(p，σ，ω1)＝rd(x-d cos(θ+ω1)，y+d sin(θ+ω1))
22、rb(p，σ，ω2)＝rd(x+d cos(θ+ω2)，y-d sin(θ+ω2))
23、其中ω1和ω2为角度偏移系数，d为距离偏移系数；
24、s34、计算前向滤波器rf和后向滤波器rb的响应，计算公式如下：
25、
26、
27、s35、在d＝{d1，...，dn}的偏移尺度空间中，计算在θ方向滤波器组的响应图rh(p，θ)，计算公式如下：
28、
29、s36、在ζ＝{θ1，...，θn}的方向空间中，计算最终高斯滤波器组响应结果，即各个方向处响应的最大值rr(p)，计算公式如下：
30、
31、响应结果即为生成的梯度图p4每点像素值。
32、进一步地，所述步骤s4中，具体包括：
33、s41、创建与原图像相同尺寸的掩膜j0和j1，根据目标检测网络的结果边界框bi将p4分为路面纹理梯度图j0和裂缝区域梯度图j1；
34、s42、计算路面纹理梯度图j0的梯度值均值，即路面纹理在基于黑塞矩阵的高斯滤波器组作用下的响应值；
35、s43、计算裂缝区域梯度图j1的otsu阈值，即裂缝区域中裂缝和路面的最大类间差；
36、s44、取梯度值均值和otsu阈值中的较大者作为阈值，对梯度图p4进行二值化，最终得到结果p5。
37、较现有技术相比，本专利技术具有以下优点：
38、本专利技术提供的基于hessian矩阵与目标识别网络的裂缝分割方法，能够增强裂缝区域及部分纹理区域，采用纹理模板均值作为阈值可以在保留大部分裂缝区域的前提下大量减少纹理误检，且边缘更接近裂缝真实边缘。
39、基于上述理由本专利技术可在裂缝分割等领域广泛推广。
本文档来自技高网...【技术保护点】
1.一种基于Hessian矩阵与目标识别网络的裂缝分割方法，其特征在于，包括：
2.根据权利要求1所述的基于Hessian矩阵与目标识别网络的裂缝分割方法，其特征在于，所述步骤S1中，具体包括：
3.根据权利要求1所述的基于Hessian矩阵与目标识别网络的裂缝分割方法，其特征在于，所述步骤S2中，具体包括：
4.根据权利要求1所述的基于Hessian矩阵与目标识别网络的裂缝分割方法，其特征在于，所述步骤S3中，具体包括：
5.根据权利要求1所述的基于Hessian矩阵与目标识别网络的裂缝分割方法，其特征在于，所述步骤S4中，具体包括：
【技术特征摘要】
1.一种基于hessian矩阵与目标识别网络的裂缝分割方法，其特征在于，包括：
2.根据权利要求1所述的基于hessian矩阵与目标识别网络的裂缝分割方法，其特征在于，所述步骤s1中，具体包括：
3.根据权利要求1所述的基于hessian矩阵与目标识别网络的裂缝分割方法，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。