路面破損圖像識別是圖像處理和模式識別研究中的熱點問題，近年來受到越來越多研究者的重視。本文主要內(nèi)容就是圍繞路面破損圖像的識別問題，研究各種破損圖像的分類識別技術(shù)。通過對公路路面上可能出現(xiàn)的各種破損現(xiàn)象進行歸納和分析，研究它們出現(xiàn)的原因;在破損二值圖像的基礎(chǔ)上，提取圖像的特征使用分類器來對裂縫進行分類。本文的主要研究成果包括:
1)提出基十破損圖像的線性特征、結(jié)構(gòu)特征和分形維數(shù)特征的提取方法。在傳統(tǒng)的圖像識別中，提取的圖像特征并不能對路面破損圖像進行全面的描述，對破損圖像的識別效果達不到人們的要求。本文認(rèn)為提取的破損圖像的特征應(yīng)該更加緊密的同圖像中的破損情況密切相關(guān)，在這種思想下，本文提取破損的線性特征、結(jié)構(gòu)特征和分形維數(shù)特征對圖像進行識別，并和傳統(tǒng)的特征提取方法Proximity算法、密度因子算法作比較，結(jié)果證實新的特征提取方法具有較好的適應(yīng)能力和識別效果。
2)在分類器的設(shè)計方面，本文主要使用支持向量機來設(shè)計分類器，并在論文中討論了它的優(yōu)缺點。針對分類器的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，分析了支持向量機的主要參數(shù)對優(yōu)化性能的影響。在提高分類器的識別效果的理論指導(dǎo)下，將遺傳算法和支持向量機方法進行了有效的結(jié)合。實驗表明，遺傳算法和支持向量機相結(jié)合的方法能夠進一步的提高識別破損圖像的準(zhǔn)確率和魯棒性。
3)通過對真實路面裂縫進行采集并得到相應(yīng)的路面裂縫圖像。對這些圖像進行特征提取，然后分別建立神經(jīng)網(wǎng)絡(luò)和支持向量機分類器模型并對采集到的圖像進行分類，通過多次實驗，結(jié)果顯示在訓(xùn)練樣本數(shù)較少的情況下支持向量機對未知樣本的識別率和泛化能力都要優(yōu)十神經(jīng)網(wǎng)絡(luò)。
通過上述工作，本文對路面破損圖像的分類問題進行了深入研究。研究結(jié)果表明:基十線性、結(jié)構(gòu)和分形維數(shù)理論的特征和破損圖像識別問題緊密相關(guān)，并目_能夠充分的體現(xiàn)路面破損圖像的具體信息;通過使用遺傳算法改進的支持向量機分類器模型，不僅有效地提高了對破損圖像分類識別的準(zhǔn)確率，而且能增強支持向量機分類器的魯棒性。
