CN108665466A - 一种道路激光点云中路面病害自动提取方法 - Google Patents

Abstract

本发明公开了一种道路激光点云中路面病害自动提取方法，首先根据原始道路点云数据选取包含路面病害信息的种子点；利用环形邻域约束的反距离权重插值获得完整的包含路面病害信息的所有种子点；利用直方图统计对种子点去噪，再栅格化计算坡度并进行顾及病害特征约束的中值滤波，消除椒盐噪声；然后线性归一化生成路面病害特征图像，利用移动窗口法对图像二值化；再进行病害邻域分布特征的形态学去噪；最后对路面病害聚类生长，生成可编辑的路面病害矢量要素成果，完成对路面病害的自动化提取。本发明采用了激光点云和图像处理相结合的方法，开创了运用激光点云完整地提取路面病害的新方法，为道路养护管理提供了可靠的数据支撑。

Description

一种道路激光点云中路面病害自动提取方法

技术领域

本发明属于激光点云数据处理技术领域，具体涉及一种道路激光点云中路面病害自动提取方法。

背景技术

道路交通在国民经济和人民生活中占有重要地位，极大地促进了国民经济的发展。随着道路使用年限的增加，加上雨雪、高温、超载等极端条件的影响，导致大多数路面出现了多种不同程度的病害，比如坑槽、裂缝、网裂、沉陷、车辙和松散等，从而影响了道路的正常使用，并且带来了很大的交通安全隐患。路面养护工作已经越来越重要，路面病害检测是养护工作的重要前期阶段。及时和准确的路面病害检测可以节约维修成本，为行车安全提供保障。

我国在道路路面状况检测方面仍采用人工或半机械化的方式，不但效率低，只能抽样检测，而且需要封闭道路,给正常的公路交通带来很大影响。因此，路面病害自动化检测已经成为一种趋势。

发明内容

本发明的目的在于提出一种道路激光点云中路面病害自动提取方法，以便能够将激光点云数据快速、自动转换成路面病害特征图像和可编辑的路面病害矢量要素。

为了实现上述目的，本发明采用如下技术方案：

一种道路激光点云中路面病害自动提取方法，其特征包括如下步骤：

a.将原始道路点云数据划分为多个小块，每块中含有多个点，并组成一个点集，从点集中选取包含路面病害信息的点作为种子点；

进一步：选取种子点的时候，先选取点云数据中高程最小的点，其次为点集高程中值，作为路面种子点；

b.基于环形邻域种子点的空间位置，进行有约束的反距离权重插值，对路面内少量缺失的种子点进行插值计算，获得完整的包含路面病害信息的所有种子点；

c.针对整体路面内有较多噪点的情况，对步骤b局部区域所有种子点的高程值进行直方图统计，过滤掉种子点异常高程值；

d.对上述步骤c获取的种子点进行栅格化，以种子点为中心，寻找8邻域，利用三阶反距离平方权差分的方法，计算x方向(垂直)和y方向(水平)上的增量，从而计算出中心栅格的坡度值；

e.在不损失路面病害信息的前提下，将中心栅格坡度值与邻域比较，进行顾及病害特征约束的中值滤波，进一步消除椒盐噪声；

f.将滤波后的坡度值进行线性归一化，将其变换到0-255之间，生成路面病害特征图像；

g.在路面病害特征图像中，按每个车道设置移动窗口，在每一块窗口内对灰度值的分布情况进行统计分析，当所取的分割阈值K使前景和背景之间的类间方差最大时就意味着错分概率最小，从而找出最适灰度阈值K，将路面病害特征图像分成背景和路面病害两部分；

h.分析路面病害的邻域分布特征，以邻域关系作为约束，进行形态学去噪；

i.最后对路面病害进行聚类生长，去除面积过小的病害和孔洞，计算每块病害的面积和深度，生成可编辑的路面病害矢量要素成果，完成对路面病害的自动化提取。

优选地，步骤b中，利用环形邻域约束的反距离权重插值方法获取包含路面病害信息的所有种子点的步骤如下：

b1.获取步骤a中选取的路面种子点，路面种子点有部分缺失；

b2.根据缺失的种子点，遍历其环形邻域，若邻域内存在种子点，则统计该邻域内所有种子点在x、y、z方向上的坐标值，计算出均值，将计算出的环形邻域内每个邻域均值作为缺失种子点的参考点信息，其中x、y、z方向分别指垂直方向、水平方向和高程方向；

b3.计算其每个邻域内参考点与缺失种子点的距离d_i，根据距离计算每个参考点所占的权重λ_i：

最后根据反距离权重计算公式，将缺失的种子点高程插值出来，高程插值计算公式为：

优选地，步骤c中，利用直方图统计的方法过滤掉异常种子点高程的步骤如下：

首先遍历范围在(0.2-0.5)*(0.2-0.5)之间内的所有种子点的高程值，以相同的间隔距离3mm-2cm之间划分为多个高程间隔，然后统计每个间隔内种子点的数量(count)；如果该间隔内点数(count)过少，则认为该范围内的点为异常种子点，从而过滤掉这些种子点异常高程值。

优选地，步骤e中，顾及病害特征约束的中值滤波消除椒盐噪声的步骤如下：

首先，遍历中心栅格的8邻域，判断中心栅格是否是包含邻域栅格在内的极大或者极小值。如果是，则找出该邻域内的坡度中值，作为该中心栅格的坡度值；如果不是，则不予处理。

优选地，步骤g中，利用移动窗口法找出最大类间方差进行二值化的步骤如下：

g1.在路面病害特征图像中，按每个车道宽设置移动窗口大小,窗口大小等于车宽*车宽(例如单个车道宽度为4m，则窗口大小设为4m*4m)，在每一块窗口内统计像素值及每个像素值出现的概率；

假设该窗口内有L个灰度级[1,2,…,L]，灰度级为i的像素点的个数为n_i，那么总的像素点个数就应该为N＝n₁+n₂+…+n_L，则灰度级为i的像素点概率分布式为：

p_i＝n_i/N

g2.假设灰度级K为该窗口内前景与背景的分割阈值，分别统计前景和背景中所有像素值的总概率，计算前景和背景之间的类间方差σ²；其中：

前景的像素点数总概率分布ω₀为：

平均灰度μ₀为：

同理，背景的像素点数总概率分布为ω₁＝1-ω₀，平均灰度为μ₁，则图像的总平均灰度μ为：

μ＝ω₀×μ₀+ω1×μ₁

由此可计算出前景和背景图象的方差σ²为：

g3.当前景和背景之间的类间方差σ²最大时，就说明构成图像的两个部分之间的差别最大，此时K为最适灰度阈值，以此将该窗口分成路面病害和背景两部分，移动窗口，遍历整幅特征图像，最终提取出该路面内所有的病害特征。

优选地，步骤h中，利用病害邻域分布特征进行形态学去噪的步骤如下：

h1.先进行“膨胀”处理，遍历每个背景点的8邻域，统计8邻域内包含病害点的数量n，当n>3时，则认为该处为路面病害断接处，将该处的背景点“膨胀”为病害点；

h2.再进行“腐蚀”处理，遍历每个病害点的8邻域，统计8邻域内包含背景点的数量n，当n>3时，则认为该处为孤立的较小路面病害噪点，将该处的病害点“腐蚀”为背景点。依次遍历整幅灰度图，完成形态学去噪。

本发明具有如下优点：

本发明根据原始道路点云数据选取包含路面病害信息的种子点；利用环形邻域约束的反距离权重插值，将路面内少量缺失的种子点进行插值计算，获得完整的包含路面病害信息的所有种子点；针对整体路面内有较多噪点的情况，进行直方图统计的种子点去噪；然后进行栅格化，利用三阶反距离平方权差分方法计算出中心格网的坡度值；在不损失路面病害信息的前提下，进行顾及病害特征约束的中值滤波，进一步消除椒盐噪声；然后将滤波后的坡度值线性归一化，生成路面病害特征图像；在特征图像基础上，通过移动窗口法找出最大类间方差，对图像进行二值化；再进行病害邻域分布特征的形态学去噪；最后对路面病害聚类生长，去除面积过小的病害和孔洞，生成可编辑的路面病害矢量要素成果，完成对路面病害的自动化提取。本发明采用了激光点云和图像处理相结合的方法，开创了运用激光点云完整地提取路面病害的新方法，直观准确的反映了路面病害的分布情况，为道路养护管理提供了可靠的数据支撑。

附图说明

图1为本发明提供的一种道路激光点云中路面病害自动提取方法的具体算法流程图；

图2为本发明提供的一段高速道路原始点云数据划分示意图。

图3为三阶反距离平方权差分栅格计算示意图。

图4为本发明提供的一种基于移动窗口的最大类间差方法示意图。

图5为本发明提供的路面病害特征图像与病害矢量要素成果叠加示意图，其中，图5中a为本方法选取的一段高速路面生成的病害特征图像，其中的粗线条表示路面病害及零散噪点；b为本方法生成的病害矢量要素和特征图像叠加效果示意图，其中粗线条为路面裂缝矢量要素。

具体实施方式

本发明的基本思想是：根据激光点云的空间分布特征和坐标信息，采用点云结合图像处理的方法，运用面向对象提取的思想，结合路面病害的空间形态特征，实现了一种道路激光点云中路面病害自动提取方法，能够将激光点云数据快速、自动转换成路面病害特征图像和可编辑的路面病害矢量要素。

下面结合附图以及具体实例对本发明作进一步详细说明，实施例中以某地一段高速道路为例。

结合图1所示，一种道路激光点云中路面病害自动提取方法，包括如下步骤：

a.获取该段高速道路的原始点云数据，具体见图2，将该段高速道路原始点云数据划分为多个小块，每块中含有多个点，并组成一个点集，优先选取点集中高程最小的点，其次为点集高程中值，作为路面种子点。

b.基于环形邻域种子点的空间位置，进行有约束的反距离权重插值，对路面内少量缺失的种子点进行插值计算，获得完整的包含路面病害信息的所有种子点。

其中，利用环形邻域约束的反距离权重插值方法获取包含路面病害信息的所有种子点的步骤如下：

b1.获取步骤a中选取的路面种子点，路面种子点有部分缺失；

b2.根据缺失的种子点，遍历其环形邻域，若邻域内存在种子点，则统计该邻域内所有种子点的x、y、z信息，计算出均值，将计算出的环形邻域内每个邻域均值作为缺失种子点的参考点信息；

b3.计算其每个邻域内参考点与缺失种子点的距离d_i，根据距离计算每个参考点所占的权重λ_i为式(1)：

最后根据反距离权重计算公式，将缺失的种子点高程插值出来。最终计算公式为式(2)：

目前，反距离权重插值针对参考点选取策略上的方法普遍采用固定搜索半径和固定参考点数这两种。第一种选取方法不是参考点过多，影响计算速度且过度平滑，就是参考点过少，影响插值精度；第二种选取方法通常会导致过多的种子点聚集一侧影响插值精度。通过本发明环形邻域约束的方法，利用邻域数量进行限制，既保证了插值的效率，不会造成过度平滑，又确保了插值的精度，使参考点均匀分布在缺失种子点的周围，对噪点进行了很好的抑制，防止过度插值对生成后续病害特征图的干扰。

c.针对整体路面内有较多噪点的情况(例如石块，路面内垃圾等)，对局部区域所有种子点的高程值进行直方图统计，过滤掉种子点异常高程值。

在实际路面内通常含有较多的异常高程值，主要是由于路面内含有小石块、垃圾等异常地物引起的。本发明实施例综合分析石块、路面垃圾的高程分布规律，提出一种利用直方图统计的方法过滤掉种子点异常高程值，其具体过程如下：

首先，遍历0.3m*0.3m范围内的所有种子点的高程值；然后以5mm(可调参数)为高程间隔，统计每个间隔内种子点的数量count；如果该间隔内点数count少于5个，则认为该范围内的点为异常种子点，从而过滤掉这些异常种子点高程。

通过直方图统计的方法，可以统计出路面内局部种子点高程变化情况，在局部范围内，异常种子点的数量相对较少，路面病害的种子点高程变化分布均匀，利用这一特点，可以很好地过滤掉路面内异常点。

d.对上述获取的种子点进行栅格化，以种子点为中心，寻找8邻域，利用三阶反距离平方权差分的方法，计算x方向(垂直)和y方向(水平)上的增量，从而计算出中心栅格的坡度值。

其中，三阶反距离平方权差分计算方法具体如下：

以种子点为中心，进行栅格化，使每个种子点都在一个小栅格内，而传统的坡度计算通常是基于中心点栅格，寻找其8邻域，通过计算其x方向(垂直)和y方向(水平)上的增量，从而计算出中心格网的坡度值。其三阶反距离平方权差分栅格计算窗口如图3所示。

这些相邻的栅格代表着种子点的高程值，用字母a至i进行确定。

其中，e表示正在计算的中心栅格，栅格e在x方向上的变化率通过公式(3)进行计算(gridsize表示一个栅格边长)：

t_x＝((c+2f+i)-(a+2d+g))/(8*gridsize) (3)

栅格e在y方向上的变化率通过公式(4)进行计算：

t_y＝((g+2h+i)-(a+2b+c))/(8*gridsize) (4)

最终中心栅格e的坡度计算结果为公式(5)：

e.在不损失路面病害信息的前提下，将中心栅格坡度值与邻域比较，进行顾及病害特征约束的中值滤波，进一步消除椒盐噪声。

在计算坡度后初步得到的路面病害特征图中，含有较多的异常坡度值，主要是由于路面内含有小石块等异常地物引起的。本发明实施例综合分析病害的特征，对于包含路面病害特征的栅格，其坡度值变化具有梯度特征且分布规律，不存在突变的情况，利用此原理，提出一种顾及病害特征约束的中值滤波方法，其具体过程如下：

首先，遍历中心栅格的8邻域，判断中心栅格是否是包含邻域栅格在内的极大或者极小值。如果是，则找出该邻域内的坡度中值，作为该中心栅格的坡度值；如果不是，则不予处理。

这种方法能够非常有效地去除突发噪声点，尤其是椒盐噪声，且几乎不影响路面病害的边缘特征。该算法可以根据局部邻域的具体情况而自行选择执行不同的操作。

f.将滤波后的坡度值进行线性归一化，将其变换到0-255之间，生成路面病害特征图像。具体包括如下子步骤：

首先，遍历所有栅格的坡度值，找出最小坡度值s₀和最大坡度值s₁；然后，根据线性归一化计算公式，计算出每个栅格变换后的像素值，具体公式为式(6)(其中s_i为该栅格内的坡度值)：

g.在路面病害特征图像中，按每个车道设置移动窗口，在每一块窗口内对灰度值的分布情况进行统计分析，当所取的分割阈值K使前景和背景之间的类间方差最大时就意味着错分概率最小，从而找出最适灰度阈值K，将特征图像分成背景和路面病害两部分。

最大类间方差算法是一种基于全局的二值化算法，当应用于路面病害提取时，会过多的损失路面病害细节。基于此，提出一种基于移动窗口的最大类间差方法，具体步骤如下：

g1.在路面病害特征图像中，按每个车道设置移动窗口大小(可调参数)，在每一块窗口内统计像素值，假设该窗口内有L个灰度级[1,2,…,L]，灰度级为i的像素点的个数为n_i，那么总的像素点个数就应该为N＝n₁+n₂+…+n_L，则灰度级为i的像素点概率分布为式(7)：

p_i＝n_i/N (7)

g2.假设灰度级K为该窗口内前景与背景的分割阈值，则前景的像素点数总概率分布ω₀为式(8)：

平均灰度μ₀为式(9)：

同理，背景的像素点数总概率分布为ω₁＝1-ω₀，平均灰度为μ₁。则图像的总平均灰度μ为式(10)：

μ＝ω₀×μ₀+ω1×μ₁ (10)

由此可计算出前景和背景图象的方差σ²为式(11)：

g3.找出前景和背景之间的最大类间方差σ²，前景和背景之间的类间方差如果越大，就说明构成图像的两个部分之间的差别越大，当部分目标被错分为背景或部分背景被错分为目标，都会导致两部分差别变小，当所取的分割阈值K使类间方差最大时就意味着错分概率最小。从而找出最适灰度阈值K，将该窗口分成路面病害和背景两部分，移动窗口，遍历整幅特征图像，最终提取出该路面内所有的病害特征。

该方法通过移动窗口的模式，统计局部范围内的最佳阈值，可以较完整的提取出路面病害，较好的保留病害边缘特征。其移动窗口原理如图4所示，其中实线框表示当前移动窗口，虚线框表示下一移动位置，箭头表示移动方向。

h.分析路面病害的邻域分布特征，以邻域关系作为约束，进行形态学去噪。

针对步骤g提取出来的路面病害，用一种基于病害邻域分布特征的形态学去噪方法来对病害的边缘和细节进行修饰。具体包括如下子步骤：

h1.先进行“膨胀”处理，遍历每个背景点的8邻域，统计8邻域内包含病害点的数量n，当n>3时，则认为该处为路面病害断接处，将该处的背景点“膨胀”为病害点；

h2.再进行“腐蚀”处理，遍历每个病害点的8邻域，统计8邻域内包含背景点的数量n，当n>3时，则认为该处为孤立的较小路面病害噪点，将该处的病害点“腐蚀”为背景点。依次遍历整幅灰度图，完成形态学去噪。

病害邻域分布特征的形态学去噪是利用集合运算原理对图像进行滤波，腐蚀和膨胀运算是形态学图像处理的基础算子，通常用于“减少”(腐蚀)或“增大”(膨胀)图像中特征的尺寸。基于空间分布特征的形态学去噪可以很好地用来填充路面病害内细小孔洞、连接病害断接处、平滑其边界的同时并不明显改变其面积，同时抑制较小结构元病害的暗细节。

i.最后对路面病害进行聚类生长，去除面积过小的病害和孔洞，计算每块病害的面积和深度，生成可编辑的路面病害矢量要素成果，完成对路面病害的自动化提取。具体包括如下子步骤：

以一个病害种子点为起点，遍历其8邻域，若邻域含有路面病害种子点，则聚为一类，然后再以含有病害种子点的邻域为起点，遍历其8邻域，从而进行迭代，直至邻域没有病害种子点为止，将此作为一块病害区域；再进行下一块病害区域寻找，以此将所有病害区域寻找出来，设定病害面积area>0.1m²的保留下来，最后统计每块病害区域的局部深度，将面积和深度信息赋给矢量要素，最终生成可编辑的路面病害矢量要素成果。具体见图5。

当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (7)

1.一种道路激光点云中路面病害自动提取方法,其特征在于，包括如下步骤：

a.将原始道路点云数据划分为多个小块，每块中含有多个点，并组成一个点集，从点集中选取包含路面病害信息的点作为种子点；

b.基于环形邻域种子点的空间位置，进行有约束的反距离权重插值，对路面内少量缺失的种子点进行插值计算，获得完整的包含路面病害信息的所有种子点；

c.针对整体路面内有较多噪点的情况，对步骤b局部区域所有种子点的高程值进行直方图统计，过滤掉种子点异常高程值；

d.对上述步骤c获取的种子点进行栅格化，以种子点为中心，寻找8邻域，利用三阶反距离平方权差分的方法，计算垂直方向x和水平方向y上的增量，从而计算出中心栅格的坡度值；

e.在不损失路面病害信息的前提下，将中心栅格坡度值与邻域比较，进行顾及病害特征约束的中值滤波，进一步消除椒盐噪声；

f.将滤波后的坡度值进行线性归一化，将其变换到0-255之间，生成路面病害特征图像；

g.在路面病害特征图像中，按每个车道设置移动窗口，在每一块窗口内对灰度值的分布情况进行统计分析，当所取的分割阈值K使前景和背景之间的类间方差最大时就意味着错分概率最小，从而找出最适灰度阈值K，将路面病害特征图像分成背景和路面病害两部分；

h.分析路面病害的邻域分布特征，以邻域关系作为约束，进行形态学去噪；

i.最后对路面病害进行聚类生长，去除面积过小的病害和孔洞，计算每块病害的面积和深度，生成可编辑的路面病害矢量要素成果，完成对路面病害的自动化提取。

2.如权利要求1所述的道路激光点云中路面病害自动提取方法,其特征在于，在步骤a选取种子点的时候，先选取点云数据中高程最小的点，其次为点集高程中值，作为路面种子点。

3.如权利要求1所述的道路激光点云中路面病害自动提取方法,其特征在于，步骤b中，利用环形邻域约束的反距离权重插值方法获取包含路面病害信息的所有种子点的步骤如下：

b1.获取步骤a中选取的路面种子点，路面种子点有部分缺失；

b2.根据缺失的种子点，遍历其环形邻域，若邻域内存在种子点，则统计该邻域内所有种子点在x、y、z方向上的坐标值，计算出均值，将计算出的环形邻域内每个邻域均值作为缺失种子点的参考点信息，其中x、y、z方向分别指垂直方向、水平方向和高程方向；

b3.计算其每个邻域内参考点与缺失种子点的距离d_i，根据距离计算每个参考点所占的权重λ_i：

最后根据反距离权重计算公式，将缺失的种子点高程插值出来，高程插值计算公式为：

4.如权利要求1所述的道路激光点云中路面病害自动提取方法,其特征在于，步骤c中，利用直方图统计的方法过滤掉异常种子点高程的步骤如下：

首先遍历范围在(0.2-0.5)*(0.2-0.5)之间内的所有种子点的高程值，以相同的间隔距离3mm-2cm之间划分为多个高程间隔，然后统计每个间隔内种子点的数量；如果该间隔内点数过少，则认为该范围内的点为异常种子点，从而过滤掉这些种子点异常高程值。

5.如权利要求1所述的道路激光点云中路面病害自动提取方法,其特征在于，步骤e中，顾及病害特征约束的中值滤波消除椒盐噪声的步骤如下：

首先，遍历中心栅格的8邻域，判断中心栅格是否是包含邻域栅格在内的极大或者极小值；如果是，则找出该邻域内的坡度中值，作为该中心栅格的坡度值；如果不是，则不予处理。

6.如权利要求1所述的道路激光点云中路面病害自动提取方法,其特征在于，步骤g中，利用移动窗口法找出最大类间方差进行二值化的步骤如下：

g1.在路面病害特征图像中，按每个车道宽设置移动窗口大小,窗口大小等于车宽*车宽，在每一块窗口内统计像素值及每个像素值出现的概率；

假设该窗口内有L个灰度级[1,2,…,L]，灰度级为i的像素点的个数为n_i，那么总的像素点个数就应该为N＝n₁+n₂+…+n_L，则灰度级为i的像素点概率分布式为：

p_i＝n_i/N

g2.假设灰度级K为该窗口内前景与背景的分割阈值，分别统计前景和背景中所有像素值的总概率，计算前景和背景之间的类间方差σ²；其中：

前景的像素点数总概率分布ω₀为：

平均灰度μ₀为：

同理，背景的像素点数总概率分布为ω₁＝1-ω₀，平均灰度为μ₁，则图像的总平均灰度μ为：

μ＝ω₀×μ₀+ω1×μ₁

由此可计算出前景和背景图象的方差σ²为：

g3.当前景和背景之间的类间方差σ²最大时，就说明构成图像的两个部分之间的差别最大，此时K为最适灰度阈值，以此将该窗口分成路面病害和背景两部分，移动窗口，遍历整幅特征图像，最终提取出该路面内所有的病害特征。

7.如权利要求1所述的道路激光点云中路面病害自动提取方法,其特征在于，步骤h中，利用病害邻域分布特征进行形态学去噪的步骤如下：

h1.先进行膨胀处理，遍历每个背景点的8邻域，统计8邻域内包含病害点的数量n，当n>3时，则认为该处为路面病害断接处，将该处的背景点膨胀为病害点；

h2.再进行腐蚀处理，遍历每个病害点的8邻域，统计8邻域内包含背景点的数量n，当n>3时，则认为该处为孤立的较小路面病害噪点，将该处的病害点腐蚀为背景点，依次遍历整幅灰度图，完成形态学去噪。