路面裂缝识别属于图像纹理分类问题。近年来,在路面裂缝检测领域,主要研究方向围绕在高效、准确地测量计算出路面上各类裂缝信息,特别是初期较为细小的裂缝。由于高速路面上的裂缝本身存在不规则的方向变化,并掺杂有正常沥青石子间的纹理、油斑、物体影斑、车辙、标线等复杂的噪音源,路面裂缝的自动识别分类仍然存在许多难点。使用传统的人工检测路面裂缝周期往往达到3～6个月,严重制约了道路养护决策,已经在一定程度了失去了时效性;同时,使用人工进行路面裂缝检测受到检测技术自动化程度不足、检测人员主观判断程度高等因素的作用,精准度和稳定性往往也受到影响。论文研究了使用机器学习技术和图像处理技术对高速路面中的裂缝进行分类识别和参数测量的方法。通过机器学习实现对路面图像中存在裂缝的路面图像区域的标识,主要包括裂缝样本选择、特征值计算、分类器训练和裂缝外接矩形计算。使用优化的Haar模板和改进检测机制改进减少了路面裂缝分类器训练所需时间,并提高了路面裂缝识别检测速度。论文中对裂缝特征测量主要利用裂缝骨架和轮廓信息求取裂缝长度、宽度、面积等各项参数。裂缝骨架提取应用了细化算法,然后对细化得到的裂缝骨架进行毛刺消除和骨架跟踪。在长度计算上,论文采用直线拟合法对裂缝分段求取长度,然后再计算总长;在裂缝方向上通过判断拟合直线斜率完成裂缝方向进一步判定;在宽度计算上,论文设计一种算法在骨架的邻域内搜索裂缝轮廓边缘,实现裂缝宽度计算;在块度计算上,根据块度的定义,设计一种最小闭合骨架单元搜索算法搜索计算网状裂缝的块度值;在面积计算上,设计一种面积计算方法实现对网状类裂缝的面积计算。最后,论文在Visual Studio 2015平台上利用OpenCV对高速路面实测图像的分析识别、裂缝参数测量进行编程实现。论文设计的系统对评定、鉴定高速路面裂缝破损,缩短路面养护周期具有重要应用价值和经济效益,同时该系统也可以应用于桥梁、隧道等诸多领域。