介绍： 随着图像处理技术的深入发展，将这些新的技术应用于公路路而破损的检测，既可以解放劳动力，排除人的主观因素的干扰，又能快速而准确地进行公路路况的评价，具有重要的实用价值。本文基于路而破损一值图像，研究基于图像的路而破损自动识别方法，主要涉及两点:路而破损图像的特征提取方法;分类器的选择。 在路而破损识别中，如何使破损类型特征化是实现实时、准确识别图像的关键。本文综合考虑路而破损图像的结构特征和统计特征，对现有的特征提取方法进行改进，选择路而子块图像在水平和垂直方向的差分向量,3X3，5X5密度因子与对应的路而图像的卷积、裂缝子块数作为提取的特征向量。支持向量机((Support Vector Machine,SVM)方法是建立在统计学习理论的VC维理论和结构风险最小原则基础之上，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，能够获得最好的推广能力，有效解决神经网络过学习现象;模型求解最终体现在一个一次规划问题上，从理论上讲，可以得到全局最优解，解决了在神经网络方法中无法避免的局部极值问题。基于此，论文选择支持向量机作为分类器，通过试验选择径向基核函数。分类输出横向裂缝、纵向裂缝、龟状裂缝、块状裂缝、无裂缝五种路而破损类型。 本文立足于路而一值图像破损特征提取和分类器选择两方而问题，阐述了传统的方法的缺陷，对其加以改进，选择实际和生成的路而图像作为训练和测试样本，用Matlab仿真试验。首先考虑了在BP神经网络分类器下和其他特征提取方法进行实验对比，再次考虑了在本文提出的特征提取方法下选择支持向量机和BP神经网络作对比。实验证明均提高识别精度、识别效率及其鲁棒性。
无插件，请放心使用
RAR
瑞星