随着图像处理技术的深入发展,将这些新的技术应用于公路路面破损的检测,既可以解放劳动力,排除人的主观因素的干扰,又能快速而准确地进行公路路况的评价,具有重要的实用价值。本文基于路面破损二值图像,研究基于图像的路面破损自动识别方法,主要涉及两点:路面破损图像的特征提取方法;分类器的选择。在路面破损识别中,如何使破损类型特征化是实现实时、准确识别图像的关键。本文综合考虑路面破损图像的结构特征和统计特征,对现有的特征提取方法进行改进,选择路面子块图像在水平和垂直方向的差分向量、3×3,5×5密度因子与对应的路面图像的卷积、裂缝子块数作为提取的特征向量。支持向量机(Support Vector Machine,SVM)方法是建立在统计学习理论的VC维理论和结构风险最小原则基础之上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,能够获得最好的推广能力,有效解决神经网络过学习现象;模型求解最终体现在一个二次规划问题上,从理论上讲,可以得到全局最优解,解决了在神经网络方法中无法避免的局部极值问题。基于此,论文选择支持向量机作为分类器,通过试验选择径向基核函数。分类输出横向裂缝、纵向裂缝、龟状裂缝、块状裂缝、无裂缝五种路面破损类型。本文立足于路面二值图像破损特征提取和分类器选择两方面问题,阐述了传统的方法的缺陷,对其加以改进,选择实际和生成的路面图像作为训练和测试样本,用Matlab仿真试验。首先考虑了在BP神经网络分类器下和其他特征提取方法进行实验对比,再次考虑了在本文提出的特征提取方法下选择支持向量机和BP神经网络作对比。实验证明均提高识别精度、识别效率及其鲁棒性。