1.基于卷积神经网络和卡尔曼滤波的道路损伤识别方法，其特征在于：步骤1、对n张含有道路损伤的损伤图进行排序；第i张损伤图的分辨率为vi×hi，vi为第i张损伤图上一行像素的个数；hi为第i张损伤图上一列像素的个数，i＝1,2,…,n；第i张损伤图的损伤类别为zi；

步骤2、图像增强与卷积神经网络的训练；

2.1、i＝1,2,…,n，依次执行步骤2.2至2.4；

2.2、将步骤1所得第i张损伤图放大ti倍；

若hi>vi，则ti＝300/hi，并将第i张损伤图的左 列像素以第i张损伤图的左侧边缘作为对称轴进行镜像对称，并将第i张损伤图的右 行像素以第i张损伤图的右侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第i张一级扩展图；

若hi≤vi，则t＝300/vi，并将第i张损伤图的上 行像素以第i张损伤图的上侧边缘作为对称轴进行镜像对称，并将第i张损伤图的下 行像素以第i张损伤图的下侧边缘作为对称轴进行镜像对称，得到分辨率为300×300的第i张一级扩展图；

2.3、将步骤2.2所得的第i张一级扩展图放大1.5倍，得到分辨率为450×450的第i张二级扩展图；将第i张一级扩展图放大2倍，得到分辨率为600×600的第i张三级扩展图；

2.4、用步骤2.2所得的第i张一级扩展图复制出第i张四级扩展图、第i张五级扩展图、第i张六级扩展图、第i张七级扩展图；并将第i张四级扩展图、第i张五级扩展图、第i张六级扩展图、第i张七级扩展图分别调整为0.8倍、0.9倍、1.1倍和1.2倍；

2.5、将第i张一级扩展图、第i张二级扩展图、第i张三级扩展图、第i张四级扩展图、第i张五级扩展图、第i张六级扩展图和第i张七级扩展图导入卷积神经网络进行训练；

步骤3、k＝1,2,…,m，依次执行步骤4至6；m为被测图像的数量；

步骤4、将分辨率为v′k×h′k的第k张被测图像放大t′k倍；若h′k

步骤5、将步骤4所得的第k张被测扩展图像输入步骤2训练所得的卷积神经网络中；卷积神经网络输出中获取被测图片的特征信息矩阵Hk和权重矩阵wk；

步骤6、将步骤5所得的权重初始值wk通过卡尔曼滤波算法进行优化；

6.1、计算权重预测值 的表达式如式(1)所示：式(1)中，I为两行两列的单位矩阵；

6.2、计算权重预测值 的协方差矩阵Pk′如式(2)所示：T

Pk′＝I′·Pk·I′+Q   (2)

T

式(2)中，Q为过程噪声，其值为0.00003；I′为单位矩阵I′的转置；I′为c行c列的单位矩阵；Pk为c行c列，且主对角线上所有元素均为0.001，其余元素均为零的矩阵；c为全连接层输出节点个数；

6.3、计算第k个最优增益阵Kk如式(3)所示：式(3)中， 为矩阵Hk的转置；R为观测噪声，其值为0.005；

6.4、计算第k个权重更新矩阵w′k如式(4)所示：式(4)中，R为观测噪声，其值为0.005；

步骤七、根据第k个权重更新矩阵w′k计算M矩阵式(5)所示；

T

M＝[Hk·w′k]   (5)

T

式(5)中，[Hk·w′k]为矩阵[Hk·w′k]的转置。

2.根据权利要求1所述的基于卷积神经网络和卡尔曼滤波的道路损伤识别方法，其特征在于：所述的卷积神经网络采用VGG16。

3.根据权利要求1所述的基于卷积神经网络和卡尔曼滤波的道路损伤识别方法，其特征在于：步骤5执行后，对权重矩阵wk通过主成分分析算法进行降维。

4.根据权利要求1所述的基于卷积神经网络和卡尔曼滤波的道路损伤识别方法，其特征在于：所述的全连接层输出节点个数c等于4096。