[发明专利]一种适用于车辆远景图像的划痕检测方法

说明书

本发明提供了一种适用于车辆远景图像的划痕检测方法，包括：利用深度学习算法分割出划痕可能出现的感兴趣区域；利用融合颜色与空间信息的划痕检测和MSER方法得到所述感兴趣区域中的候选划痕区域；综合利用Hough线检测及SVM方法对所述候选划痕区域进行筛选，进而标记出划痕区域。本发明综合使用了多种图像处理方法检测感兴趣区域中的划痕区域，避免了车辆远景图像中划痕区域面积过小导致的特征不明显，划痕与干扰区域难以区分的问题。同时，本发明不需要人为拍摄近景图像，将人工操作从复杂的划痕检测任务中解放出来。

技术领域

本发明涉及图像处理和深度学习领域，具体而言，尤其涉及一种适用于车辆远景图像的划痕检测方法。

背景技术

目前缺少专门针对车辆表面划痕检测的研究，与之相近的是针对车辆损伤检测的研究。已有的车辆损伤检测方法主要可分为基于计算机视觉的损伤检测方法和基于深度学习的损伤检测方法两类，其中基于深度学习的车辆损伤检测方法又可分为基于残差密集网络的检测方法和基于Faster R-CNN目标识别算法的检测方法。各类方法的主要思路如下：

(1)基于计算机视觉的车辆损伤判别方法：该方法首先需要布置双目图像采集系统，并利用定标板定标；之后，采集监控区域内的车辆图像并获取采集图像的深度图；然后将上述深度图作为训练集，训练卷积神经网络并获得车辆损伤程度判别模型；最后，利用判别模型对新采集的车辆图像进行损伤程度判别。

(2)基于残差密集网络的车辆损伤检测方法：该方法首先通过密集残差网络对输入图像进行多次处理,得到输入图像的全局特征图；然后通过基于单点多盒识别器算法的损伤检测模型对全局特征图进行检测，标记出检测到的车辆损伤。

(3)基于Faster R-CNN目标识别算法的车辆损伤检测方法：首先将训练图像中的损伤区域标记为前景，其他区域标记为背景；然后将标记后的训练图像输入Faster R-CNN神经网络进行训练，得到损伤模型；最后输入测试图像，利用损伤模型检测出测试图像中的损伤区域并标记。

基于计算机视觉的车辆划痕检测算法存在的问题在于：搭建双目图像采集系统需要将两台相同型号的摄像机以一定的基线距离固定在光学平台上，保证观测目标在两台摄像机成像范围之内，并利用标定板进行定标。搭建系统的成本高、准备工作繁琐，不适于大范围应用。

基于深度学习的车辆划痕检测算法存在的问题在于：处理车辆的近景图像时检测准确率较高，但对于车辆的远景图像，检测准确率会大幅下降。但是近景图像需要人为拍摄，即现存的方法必须加入人为操作才能使用。基于深度学习的车辆划痕检测算法在处理车辆的远景图像时，检测准确率会大幅下降的原因在于：处理远景图像时图像中的干扰增多，如行人衣服上的花纹、地面上砖块之间的缝隙、车体上部件连接处的缝隙等等。除干扰增多以外，划痕面积过小导致特征不明显是另一原因。在车辆的远景图像中，划痕只占据图像中很小的一部分，以一张1080×960的远景图像为例，划痕在图像中平均只占据180个像素，即只占据图像面积的约0.02％。在神经网络中为了减少特征图的数据量，图像经过卷积层后尺寸会大幅度减小，相当于下采样，原本面积就很小的划痕经过下采样后面积大幅度减小，甚至可能会在特征图中消失。这导致划痕的特征不明显，难以与干扰区域区分开。

发明内容

根据上述提出现有技术使用成本高、但检测精度不佳的技术问题，而提供一种适用于车辆远景图像的划痕检测方法。所述的远景图像指：满足单幅图像中至少包含一辆汽车整体的图像，图3、图4分别展示了车辆的远景图像和近景图像。所述的车辆划痕指：车漆受损而未损坏钣金件导致的车辆损伤。本发明综合使用多种图像处理方法检测感兴趣区域中的划痕区域，避免了车辆远景图像中划痕区域面积过小导致的特征不明显，划痕与干扰区域难以区分的问题。

本发明采用的技术手段如下：

一种适用于车辆远景图像的划痕检测方法，其特征在于，包括：

S1、利用深度学习算法检测出划痕可能出现的感兴趣区域；