城市地下综合管廊正处于高速发展阶段,受运输对象以及自然界不可控因素的影响,管道表面难免会产生破损,常见破损有裂痕、孔洞等。传统的管廊维护方式中,人工检测工作量大、检测周期长;固定节点监控存在监控死角,不能将管道表面场景覆盖,而且监控成本过高;漏磁检测会受到管廊中其它线缆影响。高效准确地检测管廊中管道表面破损是目前待解决的重要问题。针对以上检测方式的不足,本文提出了基于Haar-like特征快速提取的破损检测算法,实现了管道表面破损的视频检测。主要工作如下:1.由于管廊空间狭窄,照明不充分。本文采用室内自主移动机器人搭载720P摄像头进行视频采集,通过对H.264视频编码中的关键帧I帧的提取,提高了图像的获取效率,保证了视频图像检测的实时性要求。同时,根据高斯滤波、均值滤波以及中值滤波三种滤波方法对该场景图像的去噪效果对比,提出了具有更好滤波效果的加权均值滤波,实现了对管道表面图像噪声的有效过滤。然后,运用差影法与投影法并行的方式快速筛选出疑似破损图像,减少检测工作量,提升检测效率。2.为了有效分割管道表面破损区域,本文根据常用的一阶微分算子以及二阶微分算子对本场景图像进行边缘检测效果对比,提出改进卷积模型的Canny边缘检测算法以及基于自动标记的分水岭算法。实验结果表明,增加了边缘卷积模型的Canny算法与通过光影删除法实现自动标记的分水岭算法能精确分割出图像破损区域。3.为了对管道表面破损实现快速分类检测,本文针对尺度不变特征变换算法特征提取时间长以及加速稳健特征算法(Speeded Up Robust Features,SURF)过于依赖局部区域像素的梯度方向,以致特征描述向量不准确的缺陷,提出基于Haar-Like特征的SURF算法对破损区域进行特征提取。最后,使用自适应增强算法对管道表面破损进行分类。实验结果表明,本文提出的基于Haar-Like特征的SURF算法能在破损图像旋转、模糊以及尺度变化时快速且有效地提取出特征向量,并且结合自适应增强算法能准确对管道表面破损分类,识别精度能到达91%。