作为国民经济发展的命脉,公路交通对于运输业、制造业、旅游业以及农业等国家支柱产业的发展都有着举足轻重的作用。近年来,随着我国公路使用寿命的延长和交通负荷的增加,路面破损检测和养护已成为公路交通领域的主要任务。路面裂缝是公路交通路面损害的早期表现形式,及时对路面裂缝进行检测并养护能够避免裂缝进一步发展而对交通安全造成的影响,具有重要的现实意义。现阶段,路面裂缝识别与提取是路面裂缝检测领域中亟待解决的关键问题,存在着极大的挑战。一方面,由于路面情况复杂,纹理、噪声、阴影等干扰因素的存在,目前的路面裂缝识别任务中存在大量的误判和漏判现象;另一方面,当已知路面上存在裂缝时,如何排除干扰因素的影响,实现路面裂缝的自动、准确提取是路面裂缝检测中的另一个关键问题。因此本文围绕路面裂缝检测这一主题,以提高裂缝识别与提取算法的准确性为出发点,利用基于计算机视觉的方法从路面裂缝在线识别和离线识别以及路面裂缝提取三个方面展开研究,具体研究内容如下:(1)为保证低功耗平台下路面裂缝在线识别方法的效率并提高复杂拓扑结构路面裂缝的识别精度,提出了一种基于先验知识的Min Max k-Means路面裂缝识别算法。该算法能够在聚类过程中分配与簇内方差大小成正比的可自动修正的权重,并且由于引入了先验知识,避免了传统k-Means算法对聚类中心初始位置敏感问题。通过在相同数据集上与传统k-Means算法、Min Max k-Means的比较,显示了所提算法的准确性和有效性。(2)鉴于深度学习技术在目标检测与识别领域中已经得到了广泛应用并取得了良好的效果,本文为进一步提高识别精度,将深度学习技术应用到硬件平台资源不再受限的路面裂缝离线识别任务中,提出了一种基于迁移学习与深度卷积神经网络结合的路面裂缝识别算法,用于路面裂缝离线识别。首先在模型的训练与验证过程中,采用图像数据增强技术对数据集进行扩充处理,提高数据集中样本的量级和多样性。然后在VGG-Net网络基础上进行改进,设计了一种针对道路裂缝离线识别任务的卷积神经网络模型(Crack-CNN)。最后在卷积网络训练过程中,引入同构空间下的迁移学习,进一步提升了Crack-CNN的识别精度与泛化能力。(3)针对路面裂缝提取任务中的裂缝拓扑结构复杂,以及实际路面图像中存在的修补痕迹、油污、车道线和光照等干扰的问题,提出了一种结构化随机森林的路面裂缝自动提取算法。首先通过积分通道特征提取的方法来获得多层次的路面裂缝特征信息,包含HSV颜色特征、梯度幅值特征以及梯度直方图特征。然后利用得到的积分通道特征和基准图像的结构化标记特征构建结构化随机森林模型。最后利用提取到的测试集图像的积分通道特征,结合训练好的结构化随机森林模型,得到初步的路面裂缝提取效果图,为进一步消除噪声等干扰的影响,选择合适的阈值,对初步的提取效果图进行二值化和形态学方法去除噪声,得到最终的路面裂缝提取效果图。将所提算法与最小路径选择、Canny边缘检测、裂缝树以及迭代阈值分割等四种裂缝提取算法进行的定性与定量分析表明,所提算法能够提取具有任意复杂拓扑结构的裂缝,其精度和召回率均优于其他路面裂缝提取算法。