路面裂缝作为最常见的公路病害类型,及时地对其进行发现和治理不仅能够减少经济损失,同时对于公路交通安全具有至关重要的作用。传统的人工检测方法耗时耗力,无法满足当前国家公路飞速发展的需求,同时人工检测方法会影响车辆通行,检测环境安全性较低。近些年来,计算机硬件技术得到了大力发展,“人工智能”也取得了前所未有的关注,这些软硬件的进步使得通过计算机来实现路面裂缝的自动化检测成为可能。目前,国内外众多研究学者对该领域进行了广泛而深入的研究。由于实际路面环境的复杂多变、不确定噪声的干扰以及信息挖掘的不全面,现有的路面裂缝检测算法检测效果都有待改善,在各种量化性能评价指标上的表现都需要进一步提升。本文以提高路面裂缝检测精度为目标,首先针对实际存在的光照不均等噪声干扰,设计了路面图像预处理步骤。然后分别从子块识别和像素分割两个角度进行研究,提出了两种基于多特征融合的路面裂缝检测算法。最后设计了路面裂缝类型自动识别算法。论文的研究成果主要体现在以下几个方面:(1)提出了一种具有针对性的路面裂缝图像灰度校正方法。针对路面图像存在的纵向光照不均现象,基于Retinex图像增强理论,采用纵向迭代灰度校正的方式消除光照干扰。同时,针对路面颗粒背景选用各向异性滤波进行平滑处理。通过定性实验分析,本文设计的路面图像预处理步骤,为后续的裂缝特征提取提供了良好的基础。(2)提出了一种基于多特征融合的路面裂缝子块识别算法。为了充分挖掘裂缝特征信息,选取对裂缝分类有效的统计、纹理和形状特征。针对路面图像存在的复杂噪声问题,选择鲁棒性较好的稀疏表示分类器。最后基于优化决策思想融合各个特征的稀疏表示分类结果。在实际采集的沪宁高速(HN)路面图像数据集上,该方法的检测准确率和召回率都达到了 85%以上,与几种代表性的裂缝子块识别算法相比具有明显的优势。(3)提出了一种融合全局和局部显著性特征的路面裂缝识别算法。基于裂缝像素的灰度对比度信息,利用全局显著性抑制高频噪声干扰,结合多尺度的局部显著性提取裂缝细节,依据裂缝空间分布特性融合构建综合显著图。实验结果表明,该方法提取路面裂缝的准确性、完整性要优于几种典型的裂缝分割算法,综合指标值也高于其它算法。(4)提出了结合BP神经网络和几何结构特征的路面裂缝类型识别算法。通过分析裂缝子块识别结果呈现的几何结构特征,设计了基于BP神经网络的路面裂缝类型识别算法。本文实验中,各类型的平均识别正确率达到了 95%以上。