一种基于无人机视觉图像的道路安全隐患识别方法与流程

摘要: 本发明涉及图像识别,特别是指一种基于无人机视觉图像的道路安全隐患识别方法。背景技术:1、随着我国交通基础设施建设的飞速发展,公路网络的养护工作量日益增加,道路安...
一种基于无人机视觉图像的道路安全隐患识别方法与流程

本发明涉及图像识别,特别是指一种基于无人机视觉图像的道路安全隐患识别方法。

背景技术:

1、随着我国交通基础设施建设的飞速发展,公路网络的养护工作量日益增加,道路安全隐患的及时识别对于保障行车安全具有重要意义。传统的人工巡查方式不仅效率低下、劳动强度大,且存在人身安全隐患,难以满足现代化道路运维的需求。近年来,无人机技术因其灵活、高效、覆盖面广等优点,逐渐被引入到道路巡检领域,利用无人机视觉图像进行道路表观病害的自动识别已成为当前研究的热点,旨在替代人工实现高效、客观的安全隐患排查。

2、当前,现有技术通常采用固定尺度的滑动窗口对道路图像进行分块处理,通过提取诸如灰度共生矩阵、局部二值模式或gabor滤波器等固定参数的纹理特征,训练分类器或设定固定阈值来判断当前区块是否存在裂缝或坑槽等安全隐患。

3、然而,现有技术往往孤立地对单个区块进行判定,缺乏对区块间空间相关性的有效利用,导致识别结果容易受局部噪声干扰,缺乏空间连续性约束,无法在复杂路况下通过空间聚合生成准确的安全隐患分布结果。

技术实现思路

1、为了解决现有技术往往孤立地对单个区块进行判定,缺乏对区块间空间相关性的有效利用,导致识别结果容易受局部噪声干扰,缺乏空间连续性约束,无法在复杂路况下通过空间聚合生成准确的安全隐患分布结果的技术问题,本发明提供了一种基于无人机视觉图像的道路安全隐患识别方法。

2、本发明实施例提供的技术方案如下:

3、本发明实施例的第一方面提供的一种基于无人机视觉图像的道路安全隐患识别方法,包括:

4、s1:通过无人机获取道路场景图像和对应的位姿数据;

5、s2:基于道路场景图像和位姿数据,生成道路正射影像图,并将道路正射影像图划分为多个区块;

6、s3:提取区块中灰度纹理的纹理周期,并结合自适应尺度,提取纹理特征向量;

7、s4:根据纹理周期和纹理特征向量,计算周期异常指数和方向一致性指标,并基于周期异常指数和方向一致性指标,将区块分类为线状隐患候选区或面状隐患候选区;

8、s5:分别计算线状隐患候选区的裂缝置信度和面状隐患候选区的坑槽严重指数,得到区块隐患指数;

9、s6:结合邻域区块纹理周期,构建几何扩散核,并基于几何扩散核和区块隐患指数,对区块隐患指数进行空间聚合,生成热力图;

10、s7:基于热力图,确定全局分割阈值,并输出安全隐患区域标注结果。

11、本发明实施例提供的技术方案带来的有益效果至少包括:

12、在本发明中,通过结合邻域区块纹理周期构建几何扩散核,利用其引导区块隐患指数进行空间聚合生成热力图,有效克服了现有技术孤立判定区块的缺陷。充分利用了区块间的空间相关性,通过几何扩散核的自适应聚合机制,能够抑制局部噪声干扰并增强隐患区域的空间连续性,从而在复杂路况下提高了对安全隐患分布的准确识别与表达。

1.一种基于无人机视觉图像的道路安全隐患识别方法,其特征在于,包括:

2.根据权利要求1所述的基于无人机视觉图像的道路安全隐患识别方法,其特征在于,所述s2具体包括:

3.根据权利要求1所述的基于无人机视觉图像的道路安全隐患识别方法,其特征在于,所述s3具体包括:

4.根据权利要求1所述的基于无人机视觉图像的道路安全隐患识别方法,其特征在于,所述s4具体包括:

5.根据权利要求1所述的基于无人机视觉图像的道路安全隐患识别方法,其特征在于,所述s5具体包括:

6.根据权利要求5所述的基于无人机视觉图像的道路安全隐患识别方法,其特征在于,所述s504中的根据所述相对高程差的统计特征,确定高程异常下限和高程异常上限具体包括:

7.根据权利要求1所述的基于无人机视觉图像的道路安全隐患识别方法,其特征在于,所述s6具体包括:

8.根据权利要求7所述的基于无人机视觉图像的道路安全隐患识别方法,其特征在于,所述s602具体包括:

9.根据权利要求1所述的基于无人机视觉图像的道路安全隐患识别方法,其特征在于,所述s7具体包括:

10.根据权利要求9所述的基于无人机视觉图像的道路安全隐患识别方法,其特征在于,所述安全隐患区域标注结果具体包括:线状隐患区域和面状隐患区域。