(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211226118.7 (22)申请日 2022.10.09 (71)申请人 上海同陆云交通科技有限公司 地址 201804 上海市嘉定区安亭镇墨玉南 路888号2201室J1000 (72)发明人 张晓明　杨康　严京旗　钟盛　 杜佳奇　 (74)专利代理 机构 上海秋冬专利代理事务所 (普通合伙) 31414 专利代理师 张月 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/74(2022.01)G06V 10/82(2022.01) G06V 10/40(2022.01) G06F 16/583(2019.01) G06F 16/51(2019.01) (54)发明名称 一种基于特征匹配的道路病害检测方法 (57)摘要 本发明涉及一种基于特征匹配的道路病害 检测方法， 包括以下步骤： S1、 在云端服务器上建 立道路病害特征库， 在巡查车辆上安装相互连接 的车载相机与中央工控机， 车载相机用于采集路 面的图像信息并上传至中央工控机， 中央工控机 用于将图像信息与GPS数据推送到云端服务器； S2、 启动设备采集图像信息和GPS数据,实时推送 至云端服务器， 云端服务器接收到数据后， 检测 出待检测图片中的道路病害信息， 完成道路病害 的检测， 并将结果写入数据库。 其能快速检测出 路面图像中的道路病害信息， 没有耗时的训练过 程， 能够快速部署实施， 能够实现实时检测路面 状况， 持续优化检测能力。 权利要求书2页 说明书7页 附图4页 CN 115497064 A 2022.12.20 CN 115497064 A 1.一种基于特 征匹配的道路病害检测方法， 其特 征在于： 包括以下步骤： S1、 在云端服务器上建立道路病害特征库， 在巡查车辆上安装相互连接的车载相机与 中央工控机， 车载相 机用于采集路面的图像信息并上传至所述中央工控机， 所述中央工控 机用于将图像信息与GP S数据推送到所述云端服 务器； S2、 启动设备采集 图像信息和GPS数据,实时推送至云端服务器， 云端服务器接收到数 据后， 检测出待检测图片中的道路病害信息， 完成道路病害的检测， 并将结果写入数据库。 2.根据权利要求1所述的一种基于特征匹配的道路病 害检测方法， 其特征在于： 在步骤 S1中， 在云端服 务器上建立道路病害特 征库的方法包括以下步骤： S101： 在原 始图像中标注 道路病害区域； S102： 获取道路病害图片库P1、 道路病害图片和道路病害类别的映射表B1； S103:获取特征提取神经网络N1； S104： 获取道路病害特 征库V1和道路病害特 征和道路病害图片名称的映射表B2。 3.根据权利要求1所述的一种基于特征匹配的道路病 害检测方法， 其特征在于： 在步骤 S2中， 检测出待检测图片中的道路病害信息的方法包括以下步骤： S201:将一张待检测的图片通过图像金字塔 变化， 得到一组不同尺寸的图片； S202:对S201得到每张图片， 使用滑窗操作， 得到k张待检测的小图片p p1； S203:将S202得到的所有的n张待检测小图片INPUT， 输入特征提取神经网络N1,每张小 图片INPUT得到一个特 征向量， 共得到n个待匹配特 征向量tvn； S204:将每一个待匹配的特征向量和道路病害特征库V1中的所有特征计算相似度， 使 用余弦相似度， 其计算公式为： ； 记录每个待匹配的特征向量tvn和道路病害特征库V1中最相似的特征v及相似度 similarity； S205:过滤掉similarity小于阈值的待匹配特征向量tvn， 对于保留下待匹配特征向量 tvn， 根据和其最相似的特征v,通过道路病害 特征和道路病害图片名称的映射表B2、 道路病 害图片名称和道路病害类别的映射表B1， 得到特征v在特征库中的图片名称和病害类别 class_name， 即为该待匹配特 征向量tvn的病类别； 根据该待匹配的特征向量对应的输入INPUT， 查到该INPUT裁剪源的图片缩放比例 scale_1、 裁 剪位置 （top_x,top_y） ， 计算出 该区域在原 始图片中的位置信息Box， 公式为： Box = (top_x, top_y, top_x + W, top_y + H) * scale_1； S206:通过NMS （非极大值抑制） 过滤掉重复的Box， 即可得到该待检测图像上的病害位 置信息Box和病害类别clas s_name。 4. 根据权利要求2所述的一种基于特征匹配的道路病害检测方法， 其特征在于： 在步 骤S101 中， 采集道路病害图像， 进行人工标注， 标出病害在图片中的位置box （h_top,w_ top,h_bot tom,w_bot tom） 和病害类别clas s_name。 5.根据权利要求2所述的一种基于特征匹配的道路病 害检测方法， 其特征在于： 在步骤 S102中， 获取的方式为： 根据病害位置信息box， 从原始图片中裁剪出病害区域， 并缩放到固权　利　要　求　书 1/2 页 2 CN 115497064 A 2定的尺寸Size （H,W） 得到道路病害图片p1并保存， 将box的道路病害类别class_name和病害 图片名称p1记录下来建立道路病害图片名称和道路病害类别的映射表B1。 6.根据权利要求5所述的一种基于特征匹配的道路病 害检测方法， 其特征在于： 所述缩 放的方式为下列方式的其中之一： 方式一： 通过双线性插值的方式直接裁剪的得到的病害区域图片img1缩放到Size （H, W） 得到p1； 方式二： 保持img1的长宽比例， 将img1缩放到 （min(H/img1.h， W/img1.w)*img1.h， min (H/img1.h， W/img1.w)*img1.w） 得到img2， 而后使用固定像素值 img2补充成Size(H,W)； img1.w： 通过box裁 剪下来的图片区域宽， img1.h:通过box裁 剪下来的图片区域高。 7. 根据权利要求5所述的一种基于特征匹配的道路病害检测方法， 其特征在于： 所述 Size(H,W)通过统计实验得到， 统计的方式为： 统计所有人工标注道路病害框box的长h宽w 比scale的分布情况， 选取所有scale的中位数,得到Size （H,W） 的H,W比， 而后采用同样的 方式统计得到Size （H,W） 的W， 此时可以计算得到Size （H,W） ； 公式如下： Scale= Median(scale1， scale2， . ..， scalen)； W = Median(boxw1， boxw2， . ..， boxwn)； H = w * scale； Size = (H, W)。 8.根据权利要求2所述的一种基于特征匹配的道路病 害检测方法， 其特征在于： 在步骤 S103中， 获取特征提取神经网络N 1时， 采用在已有大数据集上取得优秀 成绩的开源网络， 或 是使用道路病害数据P1训练的特 征提取的神经网络 。 9.根据权利要求2所述的一种基于特征匹配的道路病 害检测方法， 其特征在于： 在步骤 S103中， 将道路病害图片库P1的图片 （p 1,p2,...,pn） 输入特征提取神经网络N1， 每张 图片 得到n维的特 征向量v； 将特 征向量v通过如下归一 化变化： ； 而后保存该特征向量， 得到道路病害特征库V1,并记录下病害特征v和病害图片名称p1 的映射关系， 得到道路病害特 征和道路病害图片名称的映射表B2。 10. 根据权利要求3所述的一种基于特征匹配的道路病 害检测方法， 其特征在于： 在步 骤S201中， 每次将待检测的图片 （h,w） 的缩放到新的尺寸(new_h,new_w)， new_h = * h, new_w = * w (m:缩放的轮次) ， 直到new_h< H 或new_2 < W停止； 得到m张不 同尺寸的图片， 并记录下每张图片缩放比例 scale_1 = ； 在步 骤S202中， 使用尺寸为Size(H,W)的滑窗在图片上长滑动， 得到一个个尺寸为Size(H,W)的 输入图片INPUT， 并记录下每张照片的在图中的裁剪位置 （top_x,top_ y） 和该图片的缩放比 例scale_1； 滑动的步长为Step （s1,s2）,s1是W方向每次移动的像素数数量， s2为H方向每次 移动的像素 数量， Step可以根据检测场景需要的精度确定， 精度要求越高值越小， 最小为1。权　利　要　求　书 2/2 页 3 CN 115497064 A 3