路面裂缝检测一直是交通运输部门关注的重点。随着计算机视觉技术的快速发展,基于数字图像处理技术的裂缝检测成为智能交通研究的重点。本文以提高裂缝检测准确度为出发点,针对现有路面裂缝检测技术中存在的问题,根据所获取路面裂缝的数据特点,对三维点云及图像数据在路面裂缝检测的关键技术问题进行深入研究,主要内容包括如下几个方面:(1)针对路面点云数据的噪声特点,本文设计一种适用于三维路面数据的滤波处理方案,根据不同的滤波方法分别实现大小尺度的噪声去除。针对大尺度噪声,根据点云数据中邻域范围内各点的分布特征和距离信息进行分析比较,去除不符合范围的孤立点和离散点,完成大尺度滤波。针对小尺度噪声,本文提出了一种基于双边滤波的三维路面数据滤波方法。该方法根据路面平面距离信息(x轴和y轴信息)计算平面邻近度因子,根据点云数据的深度信息(z轴信息)计算深度相似度因子,进而计算得到三维路面双边滤波因子,实现小尺度噪声去除。实验结果表明,所提出的三维路面点云数据的滤波方法能够消除路面噪声影响,为后续的裂缝提取和测量奠定基础。(2)针对裂缝深度信息在路面点云数据中体现出的边缘特性,本文提出了一种基于分数阶微分的三维裂缝提取算法。与传统基于整数阶微分的边缘检测方法不同,分数阶微分算子能有效提取图像高频信息的同时保留中低频信息。本文方法建立在G-L分数阶微分定义的Tiansi模板基础上,通过提出的非线性拉伸算子对各项微分系数的作用,能够有效提取三维裂缝信息的同时并非线性的保留纹理信息。最后,选取经典的边缘检测算法以及其他流行的裂缝提取算法与本文方法进行比较,并通过准确-召回率的体系验证本文提出的方法能够有效提取三维裂缝信息。(3)针对已提取的三维裂缝信息,本文提出了一种分段测量的方法实现裂缝三维参数计算,包括长度、宽度和深度。首先,根据裂缝骨架距离信息将裂缝分为若干段。其次,通过计算每段裂缝的最优外接矩形得到裂缝的长度和宽度信息。针对裂缝深度信息计算,文中提出了一种基于RANSAC的特征值平面拟合算法,可以在点云数据三个方向都存在误差的情况下实现平面计算。通过分别对每段裂缝的上下平面进行拟合,最终根据上下平面之间的距离确定裂缝的深度信息。最后,针对不同类型裂缝的特征分析,在提出裂缝面积比例和裂缝分布密度定义和计算的基础上,本文设计并实现一种裂缝分类的模型,可以实现简单裂缝和复杂裂缝的有效区分。(4)针对路面裂缝图像的分类,本文设计并实现了一种基于卷积神经网络的裂缝图像分类模型。该模型由输入层、两个卷积层、两个池化层、全连接层和输出层等共七层构成。其利用ReLU函数作为激活函数,采用最大池化的方法进行降维操作,并通过Softmax分类器将裂缝分为横向裂缝,纵向裂缝以及复杂裂缝(网状和块状)。最后,实验数据选用4000幅裂缝图像进行训练,并用1000幅图像进行样本测试。实验结果表明,所提出的的裂缝分类方法可以得到良好的分类结果。