CN110473187A - 一种面向对象的线扫描三维路面裂缝提取方法 - Google Patents

Abstract

本发明提供一种面向对象的线扫描三维路面裂缝提取方法，方法包括：获取线扫描三维路面数据，并获取三维路面数据中向下凹陷的各点集，将各点集作为初始对象，对各初始对象的特征进行表征；根据初始对象的特征，从初始对象中选取一轮疑似裂缝段对象，对一轮疑似裂缝段对象进行合并，从合并结果中选取二轮疑似裂缝段对象，再进行合并‑选择，直到达到预设选取次数；将最后选取的对象所覆盖的初始对象作为子对象，结合子对象方向属性和对象级张量投票算法计算各子对象的张量显著性场，根据张量显著性场大于第一预设阈值的各子对象和覆盖各子对象的裂缝段对象构造连接单元，根据各连接单元确定最终的裂缝段对象。本发明提取的裂缝更加精确和完整。

Description

一种面向对象的线扫描三维路面裂缝提取方法

技术领域

本发明属于激光扫描数据处理和三维测量技术领域，尤其涉及一种面向对象的线扫描三维路面裂缝提取方法。

背景技术

随着线扫描三维测量技术的发展，三维测量系统能获取的数据精度越来越高。利用高精度路面三维测量系统获取路面高程数据，现有方法能对该数据中的裂缝高程信息进行分析进而完成裂缝检测。

现有的路面裂缝检测方法主要包括基于二维视觉特性的路面裂缝检测方法和基于三维路面数据的路面裂缝检测方法。其中，前者主要通过光学相机及视频等获取路面数据，通过路面裂缝的边缘及灰度特性与路面背景差异进行分析提取。例如，利用裂缝的灰度低于路面背景而提取裂缝种子区域，再结合裂缝的形状特性进行判定；结合裂缝的边缘特性利用图像处理中常用的边缘检测算子获取二维数据中的裂缝信息等。后者通常使用车载线扫描三维数据，结合三维数据精度，利用路面裂缝的高程通常低于路面背景的特性进行检测。例如，在采集的高程数据横断面级别，利用裂缝区域在高程断面数据中表现出的尖锐“倒三角”特性获取裂缝种子区域，再结合裂缝的形状特性进行判定；在采集的高程数据点云级别，利用局部阈值或者稀疏表达的方法提取裂缝。

第一种方法无法克服环境光照、阴影以及路表轮胎磨痕、油渍等对标线检测的影响，其适用性较为有限，而且基于二维视觉特性的方法无法测量路面裂缝的高程等三维参数信息。第二种方法虽然能克服传统二维灰度图像方法容易受到光照、阴影等影响的缺陷，但是当三维数据的精度足够高时，三维路面高程数据中包含复杂的路面场景信息，不仅有裂缝，也包含了路面变形、标线、修补及路面纹理。而且在高精度数据中，不同类型的路面病害或者指标等都对裂缝提取有一定的影响，例如纹理较粗的路面中纹理波动与裂缝的深度特征较为相似，仅仅利用裂缝深度特征而不考虑路面构造深度影响，将会影响裂缝提取方法的鲁棒性和实用性。

发明内容

为克服上述现有的路面裂缝检测易受外部环境和路面纹理背景差异影响的问题或者至少部分地解决上述问题，本发明实施例提供一种面向对象的线扫描三维路面裂缝提取方法。

本发明实施例提供一种面向对象的线扫描三维路面裂缝提取方法，包括：

S101，获取三维路面数据，并获取三维路面数据中向下凹陷的各点集，将各点集作为初始对象，对各初始对象的局深度统计特征、几何形状特征和拓扑特征进行表征；

S102，根据各初始对象的特征，从所有初始对象中选取一轮疑似裂缝段对象，对一轮疑似裂缝段对象进行逐一邻近对象合并判断，根据各合并结果的特征，从所有合并结果中再次选取二轮疑似裂缝段对象，再对二轮疑似裂缝段对象进行合并和选择步骤，直到达到预设选取次数；

S103，将最后一次选取的疑似裂缝段对象所覆盖的初始对象作为子对象，根据子对象的方向属性和对象级张量投票算法计算各子对象的张量显著性场，根据张量显著性场大于第一预设阈值的各子对象和覆盖各子对象的疑似裂缝段对象构造连接单元，根据各连接单元确定最终的裂缝段对象。

本发明实施例提供一种面向对象的线扫描三维路面裂缝提取方法，该方法通过获取三维路面数据中向下凹陷的各点集，并对各点集的特征进行表征，根据表征的点集特征对纹理及裂缝对象统计信息进行多层处理，逐层增强裂缝对象，并逐层去除纹理对象，从而去除纹理对裂缝的影响，利用裂缝段对象的朝向特性及三维深度特性，进行对象级棒张量方向编码，利用张量投票具备的连接推理能力，完成裂缝段对象间的连接判定，从而使得从三维路面数据中提取出精准、完整的裂缝，基于提取的裂缝获取的裂缝属性特征也更加准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的面向对象的线扫描三维路面裂缝提取方法整体流程示意图；

图2为本发明另一实施例提供的面向对象的线扫描三维路面裂缝提取方法流程示意图；

图3为本发明实施例提供的面向对象的线扫描三维路面裂缝提取方法中面向对象分析的初始对象的特征示意图；

图4为本发明实施例提供的面向对象的线扫描三维路面裂缝提取方法中行车姿态起伏去除示意图；

图5为本发明实施例提供的面向对象的线扫描三维路面裂缝提取方法中初始对象和部分特征表征示意图；

图6为本发明实施例提供的面向对象的线扫描三维路面裂缝提取方法中基于纹理统计信息的多尺度对象合并效果示意图；

图7为本发明实施例提供的面向对象的线扫描三维路面裂缝提取方法中对象方向属性和张量显著性场示意图；

图8为本发明实施例提供的面向对象的线扫描三维路面裂缝提取方法中基于张量投票的裂缝对象判定及推理示意图；

图9为本发明实施例提供的面向对象的线扫描三维路面裂缝提取方法中三维路面裂缝对象级属性获取效果示意图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

在本发明的一个实施例中提供一种面向对象的线扫描三维路面裂缝提取方法，图1为本发明实施例提供的面向对象的线扫描三维路面裂缝提取方法整体流程示意图，该方法包括：

S101，获取线扫描三维路面数据，并获取所述三维路面数据中向下凹陷的各点集，将各所述点集作为初始对象，对各所述初始对象的深度统计特征、几何形状特征和拓扑特征进行表征；

如图2所示，本实施例基于线扫描三维测量技术获取高精度的道路表面高程的三维数据，线扫描三维测量技术根据激光三角测量原理，结合线扫描三维测量方法可获取同一姿态、同一时刻的路面横断面高程信息。但本实施例不限于这种三维路面数据获取方法。

然后从线扫描三维路面数据中获取向下凹陷的点集，将向下凹陷的点集作为后续处理的初始对象。线扫描三维路面数据中向下凹陷的点集包括裂缝部分和向下纹理部分。裂缝的产生可认为是组成裂缝的点集基元与其周围的纹理点集基元产生局部小范围的差异而逐步形成的。

本实施例通过面向对象分析方法具备的区域统计、拓扑以及多尺度表达能力，描述三维路面数据中裂缝疑似区域向下凹陷点集的局部深度、形状和邻域结构等，实现对三维路面数据中各初始对象的表征，进而区分三维路面数据中向下凹陷的点集中的裂缝和纹理。图3为面向对象分析的初始对象的特征示意图，表1为对初始对象的特征进行进一步说明。

表1三维数据对象特征说明

S102，根据各初始对象表征的特征，从所有初始对象中选取一轮疑似裂缝段对象，对一轮疑似裂缝段对象进行逐一邻近对象合并判断，根据各合并结果的特征，从所有合并结果中再次选取二轮疑似裂缝段对象，再对二轮疑似裂缝段对象进行合并和选择步骤，直到达到预设选取次数；

在获取的初始对象的基础上，利用裂缝局部统计特性与纹理局部统计特性差异进行多尺度对象合并，获取裂缝段对象。

首先，根据初始对象的特征选取可能为裂缝段的点集，即从初始对象中选取裂缝段对象。选取条件为初始对象的点集较深且面积较大或者初始对象的点集深度或面积本身比其邻域点集总深度或总面积大。

按照上述选取条件，在初始对象的基础上进行一轮选取。之后，在一轮选取疑似裂缝段对象的基础上，根据选取疑似裂缝段对象的方向和距离属性对选取的疑似裂缝段对象进行连接判断；合并条件为若在一轮疑似裂缝段对象的邻域对象中，存在与该疑似裂缝段对象方向一致且距离足够近的邻近对象，则对这两者进行最短距离连接及合并。将合并后的疑似裂缝段对象按照上述选取条件进行二轮选取。

在二轮选取疑似裂缝段对象的基础上，先后按照上述合并条件和选取条件处理后，即可获取三轮选取疑似裂缝段对象，直到达到预设选取次数。预设选取次数可以设置为三次，通常情况下，第三轮选取的疑似裂缝段对象中属于向下纹理的点集大多被删除，裂缝段对象逐渐增强。

S103，将最后一次选取的疑似裂缝段对象所覆盖的初始对象作为子对象，根据子对象的方向属性和对象级张量投票算法计算各子对象的张量显著性场，根据张量显著性场大于第一预设阈值的各子对象和覆盖各子对象的疑似裂缝段对象构造连接单元，根据各连接单元确定最终的裂缝段对象。

本实施例将对象方向属性结合张量投票算法对疑似裂缝段对象间的连接进行推理，获取最终完整的裂缝段对象。

首先，将最后一次选取的疑似裂缝段对象所覆盖的初始对象作为子对象，将选取的子对象的位置和方向作为张量投票(Tensor Voting，TV)算法的输入，结合子对象区域及对象方向张量编码，即可获取输入子对象的张量显著性场。结合获取的张量显著性场与多层对象属性信息，进行后续的疑似裂缝段对象判定及推理。根据张量显著场中较为显著的子对象，构造出可能的连接单元。

疑似裂缝段对象的连接判断通过张量连接单元与最后一次选取对象的结合进行判断的：判断最后一次选取的疑似裂缝段对象在连接单元中的占比大小，若连接单元占比较小，则将连接单元计为疑似裂缝段对象；若连接单元占比过大，则删除该连接单元，该过程充分利用了高层对象较为准确的整体位置信息，以及底层子对象的局部方向信息，获取最终完整的裂缝段对象。

本实施例通过获取三维路面数据中向下凹陷的各点集，并对各点集的特征进行表征，根据表征的点集特征对纹理及裂缝对象统计信息进行多层处理，逐层增强裂缝对象，并逐层去除纹理对象，从而去除纹理对裂缝的影响，利用裂缝段对象的朝向特性及三维深度特性，进行对象级棒张量方向编码，利用张量投票具备的连接推理能力，完成裂缝段对象间的连接判定，从而使得从三维路面数据中提取出精准、完整的裂缝，基于提取的裂缝获取的裂缝属性特征也更加准确。

在上述实施例的基础上，本实施例中获取线扫描三维路面数据的步骤具体包括：基于线扫描三维测量传感器，沿路面的测量方向采集一系列所述路面的断面轮廓；

本实施例利用线扫描三维测量传感器，沿测量方向采集一系列路面的断面轮廓，将一系列路面断面轮廓拼接得到三维路面像方数据。以线扫描方式实现同一姿态、同一时刻的断面轮廓同步测量，在数据采集中将三维测量传感器安装在测量载体上，在测量载体运动过程中，对被测路面的三维轮廓连续进行数据采集。基于线扫描三维测量传感器通过三角测量原理测量得到被测路面的相对高程，获取的三维路面数据可以反映被测路面的高程信息。

对于任一所述断面轮廓，使用靠近该断面轮廓的中心区域的非异常采用点替换该断面轮廓中的异常噪声点，获取该断面轮廓的像方断面数据；

在将路面的断面轮廓进行拼接之前，对断面轮廓中由于系统异常和环境异常产生的异常值进行校正。由于测量环境的干扰，如路面水渍、油渍或被测区域有异物等，采集到的三维路面数据可能存在少量异常噪声，如零值点。由于线扫描三维测量传感器由面阵相机与线激光器相结合的方式构成，相机中心处的畸变最小。采集到的路面横断面三维数据在断面中心点附近最为稳定，本实施例利用靠近断面中心区域的非异常采样点替换异常噪声点，得到像方断面数据。

基于预设的标定文件对像方断面数据进行转换，获取该断面轮廓的物方断面数据，将所述物方断面数据作为线扫描三维路面数据。

面阵相机与大功率线激光器组成的路面三维测量系统中，存在着传感器安装角度、激光线准直度和激光光强分布不均等系统误差。这些系统误差将弱化路面感兴趣目标的特征，因此本实施例对三维测量传感器采集的路面断面轮廓通过标定文件进行校正，并将像方数据转换成物方数据。之后将预处理后的一系列断面轮廓沿测量载体的行车方向进行拼接，得到路面三维数据。

本实施例通过预处理，对三维测量传感器测量的路面断面轮廓因测量环境干扰引起的部分异常零值噪声点进行处理，获取像方断面轮廓；利用标定文件，有效校正三维测量传感器测量的路面断面轮廓中因传感器安装、激光线弧度及光强不均引起的系统误差，并进行像方向物方的转换，获取被测路面的真实的物方断面轮廓信息，为后续的裂缝检测及其属性信息提取提供了良好的数据输入。

在上述实施例的基础上，本实施例中获取三维路面数据中向下凹陷的各点集，将各点集作为初始对象，对各初始对象的深度统计特征、几何形状特征和拓扑特征进行表征的步骤具体包括：基于三维路面数据成分分析方法对所述三维路面数据进行分析，提取所述三维路面数据中的低频成分，保留所述三维路面数据中的稀疏成分和振动成分，将所述稀疏成分和振动成分之和作为处理后的三维路面数据；

具体地，测量载体上的线扫描三维测量传感器在采集三维路面数据过程中，由于测量载体的颠簸起伏，以及路面存在的变形病害等影响，所采集的原始三维路面数据中存在明显的低频幅度姿态起伏信息，裂缝隐藏在这些宏观变化信息中。为了减少测量载体的姿态起伏对裂缝提取的影响，以及后续裂缝深度信息的提取，有必要采用相关算法对三维路面数据中包含的姿态起伏进行去除。

去除姿态起伏的方法可以采用三维路面数据成分分析方法提取三维路面数据中的低频成分，仅保留稀疏成分及振动成分，将保留的两者之和作为后续处理的输入。该方法使用具备路面成分频率特性的高通滤波器去除三维数据中的行车姿态起伏。为了保证细小裂缝的完整性，此处没有仅仅使用稀疏成分作为后续的输入，仅仅使用稀疏成分检测裂缝容易漏检细小裂缝。

姿态起伏信息去除的效果如图4所示。图4中的a为含行车姿态信息的三维路面原始数据示例；图4中的b为图4中的a经过去除姿态起伏的三维路面高频数据。

本实施例在不损失裂缝信息的前提下，减少测量载体的姿态起伏和路面变形对裂缝检测的影响，以利于裂缝及高程信息提取。

基于空心滑窗的最小选择恒虚警检测方法，从所述处理后的三维路面数据中提取向下凹陷的各点集，将各点集作为初始对象；其中，所述点集包括裂缝点集和纹理点集。

具体地，本实施例通过基于空心滑窗的最小选择恒虚警(SO-CFAR，Smallest ofConstant False-Alarm Rate)检测方法获取三维路面数据中向下凹陷的点集，将其作为后续处理的初始对象。在去除姿态起伏后，结合恒虚警检测获取剩余高频数据中V型结构，形成包含裂缝感兴趣区域和纹理较低部分的三维点集。

在雷达信号检测中，事先常常不知道目标在一定条件下的出现概率，也不知道一次漏检所造成的损失，故在CFAR检测中采用奈曼-皮尔逊准则：在给定虚警概率条件下，使检测概率达到最大。当外界干扰强度变化时，CFAR能自动调整其灵敏度，使虚警概率保持不变，这种特性称为恒虚警率特性。CFAR检测算法作为一种简单快速的目标检测算法，通过逐个比较每个像素灰度是否超过某一门限值来实现目标检测。

对于路面裂缝检测，也有类似的问题：事先很难知道裂缝在一定条件下的出现概率。为了从去除姿态起伏后的三维路面数据中获取较全面的裂缝段种子区域，即深度值低于背景区域的区域，本实施例采用CFAR检测，设定虚检率，使检测裂缝段种子区域概率达到最大，即保证检全。鉴于裂缝种子区域的深度值通常要低于路面纹理部分，采用CFAR检测的目的是尽可能全面地检测出三维路面数据中向下凹陷的点集。考虑到检测效率以及裂缝具备的宽度特性，所采用的CFAR算法通过空心滑窗的SO-CFAR检测实现。

另一方面，考虑到不同路面的纹理通常存在较大差异，为了使得所采用CFAR检测器对于不同路面均能获取较为适量的点集,不至于分割不足或分割，因此虚警率通过背景区域的统计分布来设置和调整。由于威布尔分布在可靠性工程中被广泛应用，本专利方法也采用威布尔分布对路面背景杂波进行建模，而阈值的设置与滑窗内统计特征关联。

各所述初始对象表征的特征包括深度统计特征、几何形状特征和拓扑特征；其中，所述深度统计特征包括深度的均值、方差和总和；所述几何形状特征包括面积、长宽比、主方向、不规则度、端点和位置；所述拓扑特征包括各所述初始对象的邻域位置和各所述初始对象邻域的属性信息。

图5中的a示例了经过去除姿态后的三维数据的初始对象获取结果，从中可以看出CFAR所获取的点集对象包括裂缝部分和向下纹理部分。由于裂缝为路面中较低的线状结构，裂缝破坏纹理的局部统计特性，组成裂缝的点集基元与其周围的纹理点集基元产生局部范围的差异。

在这一前提下，结合获取的初始对象具备的区域统计、拓扑以及多尺度表达能力，描述三维路面数据中疑似裂缝段的局部深度、形状、邻域结构等。图5中的b、c、d和e示例了获取的初始对象的部分特征，对应为初始对象的朝向特征、对象深度方差特征、初始对象邻域面积特征以及初始对象邻域深度特征。从中可以看出，在初始对象的基础上利用对象级特征是有利于裂缝的表征和选取。

在上述实施例的基础上，本实施例中根据各所述初始对象的特征，从所有所述初始对象中选取一轮疑似裂缝段对象的步骤具体包括：对于任一所述初始对象，判断该初始对象是否满足第一预设条件，若是，则保留该初始对象，将保留的该初始对象作为一轮疑似裂缝段对象；若否，则删除该初始对象；

其中，所述第一预设条件为该初始对象的面积大于所有所述初始对象的面积平均值的第一预设倍数，或者该初始对象的深度平均值大于所有所述初始对象的深度平均值的均值的第二预设倍数，或者该初始对象的邻域对象的面积之和大于所有所述初始对象的面积平均值的第三预设倍数，或者该初始对象的邻域对象的深度平均值之和大于所有所述初始对象的深度平均值的均值的第四预设倍数。

具体地，本实施例在获取的初始对象级特征表征的基础上，选取其中点集较深且面积较大，或者点集深度或面积本身比其邻域点集总深度或总面积大。具体的选取条件SR如下：

①设所有初始对象Obj_0的总个数为N0，获取所有初始对象的面积均值M0a，所有初始对象的深度平均值的均值M0d；

②遍历每一个初始对象的面积A0i，其中1≤i≤N0,深度均值D0i,邻域对象的面积和AS0i，邻域对象的深度均值之和DS0i；

③若某一初始对象的A0i>1.8×M0a，或D0i>2×M0d，或AS0i>6×M0a，或DS0i>5×M0d,则保留该初始对象，否则删除该初始对象。

其中，1.8为第一预设倍数，2为第二预设倍数，6为第三预设倍数，5为第四预设倍数。在一轮选取的基础上进行合并和二次选取的步骤；在二次选取的基础上进行合并和三次选取的步骤，以此类推，直到达到预设选取次数。每次选取的条件相同，每次合并的条件相同。

在上述实施例的基础上，本实施例中对各所述一轮疑似裂缝段对象进行逐一邻近对象合并判断的步骤具体包括：对于任一所述一轮疑似裂缝段对象，获取该一轮疑似裂缝段对象的所有邻近对象；

对于任一所述邻近对象，判断该邻近对象是否满足第二预设条件，若是，则通过该邻近对象和该一轮裂缝段对象的最近邻端点之间的最短线段，将该邻近对象和该一轮裂缝段对象进行连接；若否，则将该邻近对象和该裂缝段对象不进行合并；

其中，所述第二预设条件为该邻近对象和该一轮裂缝段对象之间的最近邻距离小于所有所述一轮裂缝段对象的面积平均值的第五预设倍数，且该邻近对象和该一轮裂缝段对象的主方向角度差小于第二预设阈值；

相应地，从所有所述合并结果中再次选取二轮疑似裂缝段对象的步骤具体包括：

对于任一所述合并结果，判断该合并结果是否满足所述第一预设条件，若是，则保留该合并结果，将保留的该合并结果作为二轮疑似裂缝段对象；若否，则删除该合并结果。

具体地，在一轮点集Obj_1的基础上，利用对象的方向和距离属性对对象进行连接判断，若一轮合并的对象与其邻近的对象存在方向一致且距离足够近的邻近对象，则对这两者进行最短距离连接，即合并。具体的合并条件CR如下：

①设所有一轮对象Obj_1的总个数为N1，获取所有一轮对象的面积均值M1a；

②对于每一个一轮对象Obj_1j，其中1≤j≤N1，遍历该对象的每一个邻近对象，设有K个邻近对象，获取该对象与每一个邻近对象的最近邻距离Dp，1≤p≤K，获取该对象与其邻近对象的主方向角度差的绝对值OAp，1≤p≤K；若Dp<0.3×M1a，而且OAp<40°，则将邻域对象与对象Obj_1j进行合并，否则不合并；其中，0.3为第五预设倍数，40为第二预设阈值；

③对于上述步骤中标记为需要合并的邻近对象，通过两个对象最近邻的端点之间的最短线段进行连接，完成合并。

在上述一轮合并的基础上，重新获取合并对象的属性，更新相应的属性阈值，按照上述选取条件SR进行二轮对象选取；在二轮选取对象基础上按照上述合并条件和选取条件，即可获取三轮选取对象。通常情况下，到第三轮对象级别，属于向下纹理的点集大多被删除，大部分裂缝都可以在三轮对象中有所体现。

图6中的a示例了一轮选取结果，图6中的b示例了二轮选取结果，图6中的c示例了三轮选取结果，从中可以看出向下的纹理点逐渐减少，而裂缝段逐渐增强。以图6的c中面积较大的对象作为裂缝段种子对象，作为后续裂缝段连接及判定的基础。图6中的d示例了初始对象、一轮、二轮和三轮选取结果的叠加。

在上述实施例的基础上，本实施例中将最后一次选取的疑似裂缝段对象所覆盖的初始对象作为子对象，根据子对象的方向属性和对象级张量投票算法计算各子对象的张量显著性场，根据张量显著性场大于第一预设阈值的各子对象和覆盖各子对象的疑似裂缝段对象构造连接单元，根据各连接单元确定最终的裂缝段对象的步骤具体包括：对于最后一次选取的任一所述疑似裂缝段对象，将该裂缝段对象所覆盖的初始对象作为子对象；

根据子对象的方向属性和对象级张量投票算法，计算各子对象的张量显著性场；

将该疑似裂缝段对象和该疑似裂缝段对象覆盖的所述张量显著性场大于所述第一预设阈值的子对象进行连接，构造连接单元；

判断该裂缝段对象在所述连接单元中的占比是否大于第三预设阈值，若是，则将所述连接单元作为裂缝段对象；若否，则删除所述连接单元，确定最终的裂缝段对象。

具体地，张量投票算法通过特征的张量表示和非线性投票从数据中推断显著性结构。最后一次获取的疑似裂缝段对象，如三轮对象的面积范围通常较大，其包含的裂缝定位信息较为准确，但单个对象的整体方向难以在较细的尺度上获取裂缝的局部走向信息，而底层的初始对象能较为准确的体现裂缝的局部走向信息。因此，本实施例在最后一次选取的疑似裂缝段对象的基础上，通过位置信息获取三轮对象覆盖的初始对象，将挑选的位于三轮对象的初始对象记为子对象，获取子对象的位置及方向属性。

将选取的子对象位置及其方向作为张量投票算法的输入，结合子对象区域及对象方向张量编码。在此基础上，进行对象方向改进的棒张量投票，即对每个子对象构建基于对象方向的棒状投票域，通过张量投票，投票对象收集来自于投票域内所有方向张量投票综合，作为该子对象的张量投计算结果Q。将矩阵Q进行分解获取特征值和特征向量，特征值之差即可表征线性显著度的量，将其对应到图像中作为每个对象的曲线结构显著性值，及可得到一幅表征曲线结构出现在某一位置可能性的概率图，称之为子对象的张量显著性场。

结合获取的张量显著性场与多层对象属性信息，进行后续的裂缝段对象判定及推理。根据上述张量显著场中较为显著的线段，构造出的可能的连接单元，而裂缝段的连接判断是通过张量连接单元与三轮对象的结合进行判断的：以对象作为中心，若对象在连接单元部分的占比较大，如三轮对象部分占比70％及以上，即连接部分主要在首尾端的延伸或者在邻近对象之间有连接关系，则计入三轮对象内；若对象在连接单元部分的占比较小，则删除该连接单元。该过程充分利用了高层对象较为准确的整体位置信息，以及底层子对象的局部方向信息。将连接后的对象层记为第四轮对象，即最终裂缝段对象。

在上述获取的三轮对象的基础上，如图6中的c，通过位置信息获取存在于三轮对象覆盖的初始对象，将挑选的位于三轮对象的初始对象记为子对象，获取子对象的位置及方向属性，如图7中的a所示，

图7中的a为对象方向属性示意图。将选取的子对象位置及其方向作为张量投票算法的输入，结合子对象区域及对象方向棒张量编码。获取张量显著性场如图7中的b所示。

根据上述张量显著场中较为显著的线段，如图8中的d所示。结合三轮对象在显著线段构造出可能的连接单元，如图8中的e所示，根据对象在连接单元中占比，获取最终的对象推理结果，如图8中的g和h所示，将连接后的对象层记为第四轮对象。图8示例了整个基于张量投票的裂缝对象判定及推理过程。图8中的a为三维路面原始数据，图8中的b为结合高尺度位置信息及低尺度邻域信息获取的对象点集，图8中的c为对象点集的局部方向信息，图8中的d为结合对象局部方向张量编码的显著性图，图8中的e为TV构造出的可能的连接单元，图8中的f为b和e的叠加效果，图8中的g和h为连接后的裂缝段对象。

在上述实施例的基础上，本实施例根据各所述连接单元确定最终的裂缝段对象的步骤之后还包括：获取所述最终的裂缝段对象的子对象位置和深度信息；

根据所述最终的裂缝段对象的总体平均深度，确定最终的裂缝段对象中除其覆盖的子对象部分以外的其他连接部分的深度信息，，并分级显示各轮疑似裂缝段对象的深度信息；

对最终的裂缝段对象的属性信息及数据分辨率进行换算，获取最终的裂缝段对象的属性，所述属性包括长度和宽度。

具体地，目前还鲜有较为成熟的方法实现三维裂缝的属性信息提取。而实际应用中，不仅仅是路面裂缝的定位信息，裂缝的长度、深度及宽度等属性信息也可为道路养护工程提供有利的决策支持。现有方法大多仅能获取定位信息，尚不足以支撑精准全面决策的需求。高精度的三维路面数据中，裂缝的提取方法容易受到路面纹理背景差异的影响。从三维路面数据所具备的高精度及当前道路检测养护的需求角度，都有必要获取三维路面裂缝的定位、长度、深度及宽度等属性信息。

本实施例在上述获取的裂缝推理结果的基础上，进一步获取裂缝的深度属性信息。具体地，在最终获取的推理裂缝位置的基础上，对应地获取子对象位置及其深度信息，可分别获取初始对象、二轮对象、三轮对象及四轮对象在该位置上的深度信息，即可获取多个尺度下的对象级深度属性，可以进行分层的裂缝深度信息显示。而剩余连接部分的深度信息通过推理裂缝的总体平均深度确定，深度信息可分级显示。而裂缝的长度、宽度等属性通过四轮对象的属性信息及数据分辨率进行换算。

在上述获取的裂缝推理结果，如图8中的g的基础上，进一步获取裂缝的深度属性信息。具体地，以最终获取的第四轮对象位置的基础上，对应地获取初始对象位置及其深度信息并进行分层的裂缝深度信息显示，如图9中的b和c所示。根据需要也可以在二轮及三轮对象层中进行深度显示。而裂缝的长度、宽度等属性通过四轮对象的属性信息及数据分辨率进行换算。图9中的a为三维路面数据深度转灰度图，图9中的b为对象深度示意图，图9中的c为获取的裂缝对象级属性结果图，图9的c中仅显示了方向。

综上所述，本发明实施例的主要技术特征包括：

(1)线扫描三维路面数据对象级分析方法

本实施例采用对象级分析方式，首选获取裂缝种子区域，通过对象邻域的属性差异逐层增强裂缝候选对象，并逐层删除纹理对象。在能达到检测细小裂缝的同时，也能获取裂缝的对象级属性信息。

(2)面向对象的线扫描三维路面裂缝及其属性提取方法

本实施例主要根据以下两个特性进行展开：

①三维数据中，裂缝为向下的点集合组成，而路面中向下的点集基元包括裂缝部分和向下纹理部分；

②裂缝的产生可认为是组成裂缝的点集基元与其周围的纹理点集基元产生局部小范围的差异而逐步形成的。

依据上述特性，通过面向对象分析方法具备的区域统计、拓扑以及多尺度表达能力，描述三维路面数据中裂缝的局部深度、形状、邻域结构等，克服传统的基于边缘检测的裂缝提取方法受纹理背景影响大、细小裂缝检测不全等问题，并利用对象级棒张量方向编码检测裂缝并获取裂缝的属性信息。

面向对象的线扫描三维路面裂缝及其属性提取方法主要包括以下步骤：

a.对断面数据进行预处理，以校正三维测量传感器测量的物体断面轮廓中因传感器安装及激光线弧度引起的系统误差，同时矫正异常零值点；

b.三维路面数据对象获取及表征，在上述去除姿态后的三维数据的基础上，通过空心滑窗的最小选择检测器SO-CFAR实现数据中向下点集的提取，作为后续处理的初始对象。CFAR所获取的点集对象包括裂缝部分和向下纹理部分。本专利方法通过面向对象分析方法具备的区域统计、拓扑以及多尺度表达能力，描述三维路面数据中裂缝向下点集的局部深度、形状、邻域结构等，实现三维路面数据对象的表征，进而区分三维数据中向下凹陷的点集中的裂缝和纹理。对象的表征特征包括深度统计特征、几何形状特征以及拓扑特征三大类；

c.基于纹理统计信息的多尺度裂缝对象合并，本实施例在上述获取的初始对象级特征表征的基础上，选取其中较深且面积较大的对象，或者该点集深度或面积本身比其邻域点集总深度或总面积大的对象，按照对象选取条件SR进行对象选取；在选取对象的基础上，利用对象的方向和距离属性对对象进行连接判断，可分别获取二轮、三轮对象；

d.基于张量投票的裂缝对象判定及推理，本实施例在上述获取的三轮对象的基础上，通过位置信息获取存在于三轮对象覆盖的初始对象，将挑选的位于三轮对象的初始对象记为子对象，获取子对象的位置及方向属性作为张量投票算法的输入，结合子对象区域及对象方向张量编码。在此基础上，进行对象方向改进的棒张量投票，作为该对象的张量投计算结果；结合获取的张量显著性场与多层对象属性信息，进行后续的裂缝段对象判定及推理，将推理连接后的对象层记为第四轮对象；

e.三维路面裂缝对象级属性获取，本实施例在上述获取的裂缝推理结果的基础上，进一步获取裂缝的深度属性信息。具体地，以最终获取的第四轮对象位置的基础上，对应地获取子对象位置及其深度信息，可分别获取初始对象、二轮对象、三轮对象及四轮对象在该位置上的深度信息，即可获取多个尺度下的对象级深度属性，可以进行分层的裂缝深度信息显示。而裂缝的长度、宽度等属性通过四轮对象的属性信息及数据分辨率进行换算。

(3)三维路面数据对象获取及表征

在上述去除姿态后的三维数据的基础上，通过空心滑窗的最小选择检测器SO-CFAR实现数据中向下点集的提取，作为后续处理的初始对象。通过面向对象分析方法具备的区域统计、拓扑以及多尺度表达能力，描述三维路面数据中裂缝的局部深度、形状、邻域结构等。

(4)基于纹理统计信息的多尺度疑似裂缝对象合并

三维路面数据中，裂缝破坏纹理的局部统计特性，组成裂缝的点集基元与其周围的纹理点集基元产生局部范围的差异。通过多层的处理，逐层增强裂缝对象，并逐层去除纹理对象。

(5)基于张量投票的裂缝对象判定及推理

疑似裂缝段对象的朝向特性及三维深度特性，用于对象级棒张量方向编码，利用张量投票具备的连接推理能力，完成疑似裂缝段对象之间的连接判定。

(6)三维路面裂缝对象级属性获取

本专利在上述获取的裂缝推理结果的基础上，进一步获取裂缝的对象级属性信息。具体地，以最终获取的第四轮对象位置的基础上，可根据需要对应地获取子对象位置及其深度信息，裂缝的长度、宽度等属性通过四轮对象的属性信息及数据分辨率进行换算。

综上所述，本发明实施例的主要技术效果包括：

(1)本实施例通过预处理，对三维测量传感器测量的路面断面轮廓因测量环境干扰引起的部分异常零值噪声点进行处理，获取像方断面轮廓；利用标定文件，有效校正三维测量传感器测量的路面断面轮廓中因传感器安装、激光线弧度及光强不均引起的系统误差，并进行像方向物方的转换，获取被测路面的真实的物方断面轮廓信息，为后续的裂缝检测及其属性信息提取提供了良好的数据输入。

(2)本实施例利用空心滑窗的最小选择CFAR检测器实现数据中向下点集的提取，作为后续处理的初始对象。通过面向对象分析方法具备的区域统计、拓扑以及多尺度表达能力，描述及表征三维路面数据中裂缝的局部深度、形状、邻域结构等。

(3)三维路面数据中，裂缝破坏纹理的局部统计特性，组成裂缝的点集基元与其周围的纹理点集基元产生局部范围的差异。本实施例通过纹理及裂缝对象统计信息进行多层处理，逐层增强裂缝对象，并逐层去除纹理对象。

(4)本实施例利用裂缝段对象的朝向特性及三维深度特性，进行对象级棒张量方向编码，利用张量投票具备的连接推理能力，完成裂缝段对象间的连接判定。

(5)本实施例在上述获取的裂缝推理结果的基础上，获取裂缝的对象级属性信息。具体地，在获取的第四轮对象位置的基础上，可根据需要对应地获取子对象位置及其深度信息，裂缝的长度、宽度等属性通过四轮对象的属性信息及数据分辨率进行换算。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种面向对象的线扫描三维路面裂缝提取方法，其特征在于，包括：

S101，获取线扫描三维路面数据，并获取三维路面数据中向下凹陷的各点集，将各点集作为初始对象，对各初始对象的深度统计特征、几何形状特征和拓扑特征进行表征；

S102，根据各初始对象表征的特征，从所有初始对象中选取一轮疑似裂缝段对象，对一轮疑似裂缝段对象进行逐一邻近对象合并判断，根据各合并结果的特征，从所有合并结果中再次选取二轮疑似裂缝段对象，再对二轮疑似裂缝段对象进行合并和选择步骤，直到达到预设选取次数；

S103，将最后一次选取的疑似裂缝段对象所覆盖的初始对象作为子对象，根据子对象的方向属性和对象级张量投票算法计算各子对象的张量显著性场，根据张量显著性场大于第一预设阈值的各子对象和覆盖各子对象的疑似裂缝段对象构造连接单元，根据各连接单元确定最终的裂缝段对象。

2.根据权利要求1所述的方法，其特征在于，获取线扫描三维路面数据的步骤具体包括：

基于线扫描三维测量传感器，沿路面的测量方向采集一系列所述路面的断面轮廓；

对于任一所述断面轮廓，使用靠近该断面轮廓的中心区域的非异常采用点替换该断面轮廓中的异常噪声点，获取该断面轮廓的像方断面数据；

基于预设的标定文件对所述像方断面数据进行转换，获取该断面轮廓的物方断面数据，将所述物方断面数据作为线扫描三维路面数据。

3.根据权利要求1所述的方法，其特征在于，获取三维路面数据中向下凹陷的各点集，将各点集作为初始对象，对各初始对象的深度统计特征、几何形状特征和拓扑特征进行表征，具体包括：

基于三维路面数据成分分析方法对所述三维路面数据进行分析，提取所述三维路面数据中的低频成分，保留所述三维路面数据中的稀疏成分和振动成分，将所述稀疏成分和振动成分之和作为处理后的三维路面数据；

基于空心滑窗的最小选择恒虚警检测方法，从所述处理后的三维路面数据中提取向下凹陷的各点集，将各点集作为初始对象；其中，所述点集包括裂缝点集和纹理点集；

其中，各所述初始对象表征的特征包括深度统计特征、几何形状特征和拓扑特征；

所述深度统计特征包括深度的均值、方差和总和；

所述几何形状特征包括面积、长宽比、主方向、不规则度、端点和位置；

所述拓扑特征包括各所述初始对象的邻域位置和各所述初始对象邻域的属性信息。

4.根据权利要求1所述的方法，其特征在于，根据各所述初始对象的特征，从所有所述初始对象中选取一轮疑似裂缝段对象的步骤，具体包括：

对于任一所述初始对象，判断该初始对象是否满足第一预设条件，若是，则保留该初始对象，将保留的该初始对象作为一轮疑似裂缝段对象；若否，则删除该初始对象；

其中，所述第一预设条件为该初始对象的面积大于所有所述初始对象的面积平均值的第一预设倍数，或者该初始对象的深度平均值大于所有所述初始对象的深度平均值的均值的第二预设倍数，或者该初始对象的邻域对象的面积之和大于所有所述初始对象的面积平均值的第三预设倍数，或者该初始对象的邻域对象的深度平均值之和大于所有所述初始对象的深度平均值的均值的第四预设倍数。

5.根据权利要求4所述的方法，其特征在于，对各所述一轮疑似裂缝段对象进行逐一邻近对象合并判断的步骤，具体包括：

对于任一所述一轮疑似裂缝段对象，获取该一轮疑似裂缝段对象的所有邻近对象；

对于任一所述邻近对象，判断该邻近对象是否满足第二预设条件，若是，则通过该邻近对象和该一轮疑似裂缝段对象的最近邻端点之间的最短线段，将该邻近对象和该一轮疑似裂缝段对象进行连接；若否，则将该邻近对象和该一轮疑似裂缝段对象不进行合并；

其中，所述第二预设条件为该邻近对象和该一轮疑似裂缝段对象之间的最近邻距离小于所有所述一轮疑似裂缝段对象的面积平均值的第五预设倍数，且该邻近对象和该一轮疑似裂缝段对象的主方向角度差小于第二预设阈值；

相应地，从所有所述合并结果中再次选取二轮疑似裂缝段对象的步骤具体包括：

对于任一所述合并结果，判断该合并结果是否满足所述第一预设条件，若是，则保留该合并结果，将保留的该合并结果作为二轮疑似裂缝段对象；若否，则删除该合并结果。

6.根据权利要求1所述的方法，其特征在于，将最后一次选取的疑似裂缝段对象所覆盖的初始对象作为子对象，根据子对象的方向属性和对象级张量投票算法计算各子对象的张量显著性场，根据张量显著性场大于第一预设阈值的各子对象和覆盖各子对象的疑似裂缝段对象构造连接单元，根据各连接单元确定最终的裂缝段对象的步骤具体包括：

对于最后一次选取的任一所述疑似裂缝段对象，将该疑似裂缝段对象所覆盖的初始对象作为子对象；

根据子对象的方向属性和对象级张量投票算法，计算各子对象的张量显著性场；

将该疑似裂缝段对象和该疑似裂缝段对象覆盖的所述张量显著性场大于所述第一预设阈值的子对象进行连接，构造连接单元；

判断该裂缝段对象在所述连接单元中的占比是否大于第三预设阈值，若是，则将所述连接单元作为裂缝段对象；若否，则删除所述连接单元，确定最终的裂缝段对象。

7.根据权利要求1所述的方法，其特征在于，根据各连接单元确定最终的裂缝段对象的步骤之后还包括：

获取最终的裂缝段对象覆盖的子对象的位置和深度信息；

根据最终的裂缝段对象的总体平均深度，确定最终的裂缝段对象中除其覆盖的子对象部分以外的其他连接部分的深度信息，并分级显示各轮疑似裂缝段对象的深度信息；

对最终的裂缝段对象的属性信息及数据分辨率进行换算，获取最终的裂缝段对象的属性，所述属性包括长度和宽度。