CN110675392A - 一种基于路面连续激光点云的车辙精细三维特征提取方法 - Google Patents
一种基于路面连续激光点云的车辙精细三维特征提取方法 Download PDFInfo
- Publication number
- CN110675392A CN110675392A CN201910929815.0A CN201910929815A CN110675392A CN 110675392 A CN110675392 A CN 110675392A CN 201910929815 A CN201910929815 A CN 201910929815A CN 110675392 A CN110675392 A CN 110675392A
- Authority
- CN
- China
- Prior art keywords
- image
- rut
- road surface
- point
- point cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 239000010426 asphalt Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于路面连续激光点云的车辙精细三维特征提取方法,首先用点云数据拟合路面平面,将路面点云数据预处理,进一步生成路面高程特征图像、坡度特征图像和坡向特征图像,综合分析各特征图像中车辙特性,提取出车辙凹槽侧壁边缘线和凹槽底部中线信息。然后基于横断面激光点云扫描线,等间隔连续采样精确提取车辙平面轮廓位置点和横断面轮廓线;以基于点云提取的精确车辙轮廓点为约束,修正基于特征图像提取的连续车辙轮廓线信息。最终用车辙凹槽侧壁边缘线、凹槽底部中线和横断面轮廓线表达车辙精细三维特征。本发明能获取连续精确的车辙位置信息,克服了基于点云提取车辙时非断面处信息缺失的问题。
Description
技术领域
本发明涉及移动测量系统路面病害检测技术领域,特别是涉及一种基于路面连续激光点云的车辙精细三维特征提取方法。
背景技术
由于自然环境特别是高温的影响,沥青容易软化,再在行车荷载作用下沥青路面容易产生塑性流动或进一步被压实,轮迹带逐渐变形下凹,两侧鼓起形成车辙。车辙使得路面平整度下降,影响行车舒适度和安全性;同时车辙消弱了路面整体强度,会进一步诱发其他路面病害。因此,路面车辙病害的监测预防至关重要。
目前,国内外对于路面病害的测量提取正在实现由人工测量到车载移动测量的转变。这种转变大大减少了外业工作强度,可以在不影响行车安全的情况下快速获取海量路面点云数据,为公路养护管理提供数据支撑。
现有方法存在如下不足:路面点云数据的车辙提取多采用断面法,这种方法可以精细获取当前断面处的车辙信息,但是两个断面之间的间隔通常都很大,导致断面之间的信息完全丢失,不能达到车辙整体的精细化提取。
发明内容
针对现有方法存在的不能达到车辙整体的精细化提取的问题,本发明提供了一种基于路面连续激光点云的车辙精细三维特征提取方法。
本发明采用以下的技术方案:
一种基于路面连续激光点云的车辙精细三维特征提取方法,包括以下步骤:
步骤1:抽样提取一定数量的路面点云数据,粗略拟合路面平面,以路面平面为基准,对路面点云数据高程归一化;
步骤2:获取路面点云数据的平面投影范围,交互确定尺度信息,生成路面高程特征图像,并对高程特征图像进行基于图像的滤波去噪;
生成路面坡度特征图和坡向特征图像;
根据车辙不同位置在三幅特征图像中表现的特征分类;
通过聚类、去噪、区域生长和图像补全获取包括车辙凹槽侧壁边缘线和凹槽底部中线的连续位置信息;
步骤3:等间隔获取路面横断面激光点云扫描线,对断面扫描线采用传统的车辙提取方法精细获取车辙局部三位维位置和断面曲线;
步骤4:以基于路面横断面激光点云扫描线提取的离散精细车辙位置信息为约束,修正基于特征图像提取的连续车辙位置信息,获取连续且更加精细的车辙位置信息;
用修正后的车辙凹槽侧壁边缘线、凹槽底部中线和车辙断面曲线共同表达车辙三维特征。
优选地,步骤1具体包括:
建立路面平面多元线性回归模型:
z=b0+b1x+b2y+e;
矩阵法求解平面方程系数,得到路面平面方程:
b1x+b2y+(-1)z+b0=0;
计算点到路面平面的距离,将高程以路面平面为基准归一化:
x、y和z代表路面点的三维坐标;
b0、b1和b2为多元线性回归系数,即平面方程系数;
d为路面点到拟合路面平面的距离,也即为归一化后相对高程。
优选地,步骤2具体包括以下子步骤:
步骤2.1:正射投影生成初始路面高程特征图像:
获取点云平面投影的最小外接矩形,即由横坐标最大值xmax、最小值xmin和纵坐标最大值ymax、最小值ymin所确定的二维平面范围;
交互输入生成图像精度的参数,即图像沿行方向的分辨率Pixr和图像沿列方向的分辨率Pixc;
根据点云平面投影范围和图像像素分辨率计算图像的尺寸并向上取整,即图像的行Row数、列Col数;
其中,ceil为向上取整;
预设一张Row行,Col列的空白图像;
由点的平面坐标计算投影后对应图像中的位置,由归一化后高程计算对应图像位置的灰度值,计算过程如下:
依次计算单个点(x,y,z)对应图像中的位置:
rID、cID分别为点在图像中对应的行号和列号,即点在图像中的位置,round为四舍五入取整;
计算对应图像位置的灰度值Grayval:
zmin和zmax分别为归一化后相对高程最大值和最小值;
遍历点云,将所有点投影到平面图像上,生成初始路面高程特征图像,其中多个点投影到同一像素位置时,保留灰度值较小点;
步骤2.2:处理路面高程特征图像,使之变成行与道路前进方向一致,列与道路横断面方向一致的最终路面高程特征图像;
步骤2.2.1:判断图像行列的大小,初步确定道路大致走向:
行>列,道路大致为南北走向;
行<列,道路大致走向为东西走向;
步骤2.2.2:沿道路大致走向对应的行或列获取道路边缘点,计算道路前进方向的方位角;
步骤2.2.3:根据道路方位角对高程特征图像旋转,使道路前进方向对应图像的行,道路横断面对应图像的列;
步骤2.2.4:获取图像中道路边界范围,裁剪图像,使之只包含路面信息;
步骤2.2.5:对图像先进行一次均值滤波,再进行一次中值滤波,形成最终的路面高程特征图像;
步骤2.3:基于高程特征图像生成坡度特征图像和坡向特征图像;
步骤2.3.1:对高程特征图像分别按行和列求差,获取行、列方向的梯度分量图像;
步骤2.3.2:梯度分量图像对应像素求模长并归一化到uint8(0~255)灰阶,获取坡度特征图像;
梯度分量图像对应像素求梯度向量方位角并归一化到uint8(0~255)灰阶,获取坡向特征图像;
步骤2.4:以灰度变化率最大为约束,基于图像的边缘提取获取车辙特征线;
高程特征图像提取车辙边坡中线;
坡度特征图像提取车辙边坡轮廓线;
坡向特征图像提取车辙凹槽底点连线。
步骤2.5:基于图像处理精细获取车辙位置信息;
步骤2.5.1:对车辙边坡中线进行聚类,分离出四条线;
步骤2.5.2:对边坡中线区域生长,获取最优中线起算线段;
步骤2.5.3:根据已有最优车辙中线线段的走向预测车辙点走向并沿该方向寻找最近车辙边坡中线点,采用图像补全算法补全车辙边坡中线,获取完整的车辙边坡中线;
步骤2.5.4:以车辙边坡中线为约束,分离车辙边坡轮廓线和车辙凹槽底点连线并删除干扰点:
删除边坡轮廓线图层中同一车辙两边坡中线之间的干扰点;
删除车辙凹槽底点连线图层中同一车辙两边坡中线之间以外的干扰点;
步骤2.5.5:对边坡轮廓线和车辙凹槽底点连线图层进行聚类分离特征线,进行区域生长获取最优起算线段,采用图像补全算法补全边坡轮廓线和车辙凹槽底点连线。
优选地,步骤3具体包括以下子步骤:
步骤3.1:以车道标线为约束,获取横断面激光点云扫描线;
步骤3.1.1:交互输入扫描线采样间隔,以采样间隔为约束,获取沿道路前进方向左侧车道标线上一点;
步骤3.1.2:以车道标线上一点为中心,运用K-d树索引获取路面点云中距离该点最近的一点,并获取该点的扫描线序号;
步骤3.1.3:以扫描线序号为索引,提取该扫描线,再以两条车道标线为约束,获取车道内横断面激光点云扫描线;
步骤3.2:基于横断面激光点云扫描线提取车辙位置信息;
步骤3.2.1:对扫描线进行平滑处理,先进行一次均值滤波,再进行一次中值滤波;
步骤3.2.2:对处理后扫描线进行曲线拟合,再对曲线求二阶导获取四个拐点即车辙凹槽侧壁边缘轮廓点;
步骤3.2.3:对扫描线拟合曲线求一阶导数,并以同侧车辙两个车辙凹槽侧壁边缘点为约束,位于两点之间且一阶导数为0的点即为车辙凹槽底部中线点;
步骤3.2.4:以车辙凹槽侧壁边缘轮廓点为约束,同侧两车辙凹槽侧壁边缘轮廓点之间的扫描线曲线为车辙断面曲线。
优选地,所述步骤4具体包括:
用扫描线提取的车辙位置修正基于特征图像的车辙位置信息:
以基于特征图像提取的连续线状车辙凹槽侧壁边缘线和凹槽底部中线为观测值,基于点云扫描线提取的离散点状车辙凹槽侧壁边缘点和凹槽最低点为限制条件,对车辙位置进行附有限制条件的间接平差以修正车辙位置信息,获取更加精细的车辙位置信息;
用修正后的车辙凹槽侧壁边缘线、凹槽底部中线和车辙断面曲线共同表达车辙三维特征。
本发明具有的有益效果是:
(1)将道路点云数据预处理成道路特征图像,变离散点云为连续图像,通过图像处理的方法,根据车辙在不同特征图像终的特征提取车辙位置信息,克服了点云数据提取成果不连续的问题;
(2)图像处理技术比点云处理技术更加成熟,二维图像计算速度比三维点云计算速度更加快速,采用图像处理技术从离散点云中提取车辙信息算法更加稳健,同时克服了海量点云数据处理速度慢的问题;
(3)根据初始点云密度和不同等级路网或不同级别公路监测标准,人机交互确定特征图像像素分辨率,适应多尺度车辙病害位置和属性信息的提取;
(4)以基于特征图像提取的车辙位置信息控制车辙整体走向,以已有的断面法获取局部车辙精确位置为约束条件,进一步修正车辙位置,从而获取连续精确的车辙位置信息,克服了基于点云提取车辙时非断面处信息缺失的问题。
附图说明
图1为基于路面连续激光点云的车辙精细三维特征提取方法的流程图。
图2为基于路面连续激光点云的车辙精细三维特征提取方法的原理图。
图3为地理空间坐标系与图像素坐标系示意图。
图4为初始高程特征图像的路面像素其中一种分布情况示意图。
图5为初始高程特征图像的路面像素其中一种分布情况示意图。
图6为初始高程特征图像的路面像素其中一种分布情况示意图。
图7为初始高程特征图像的路面像素其中一种分布情况示意图。
图8为沿道路前进方向的路面高程特征图像生成流程图。
图9为基于高程特征图像的边缘提取结果图。
图10为基于坡度特征图像的边缘提取结果图。
图11为基于坡向特征图像的边缘提取结果图。
图12为基于图像的车辙位置信息成果图。
图13为车辙精细三维特征模型。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
结合图1至图13,一种基于路面连续激光点云的车辙精细三维特征提取方法,包括以下步骤:
步骤1:抽样提取一定数量的路面点云数据,采用多元线性回归粗略拟合路面平面,以路面平面为基准,对路面点云数据高程归一化。
将点云数据z坐标作为因变量,x和y坐标为两个自变量,建立路面平面多元线性回归模型:
z=b0+b1x+b2y+e;
用矩阵法求解:
则粗略路面平面方程一般式为:
b1x+b2y+(-1)z+b0=0;
以该平面为约束,遍历计算各点到该平面的距离,对点云高程归一化,并以此作为点云相对高程。点到平面的距离计算方法如下:
x、y和z代表路面点的三维坐标;
b0、b1和b2为多元线性回归系数,即平面方程系数;
d为路面点到拟合路面平面的距离,也即为归一化后相对高程。
步骤2:获取路面点云数据的平面投影范围,交互确定尺度信息,生成路面高程特征图像,并对高程特征图像进行基于图像的滤波去噪;
生成路面坡度特征图和坡向特征图像;
根据车辙不同位置在三幅特征图像中表现的特征分类;
通过聚类、去噪、区域生长和图像补全获取包括车辙凹槽侧壁边缘线和凹槽底部中线的连续位置信息。
具体的,步骤2具体包括以下子步骤:
步骤2.1:正射投影生成初始路面高程特征图像:
获取点云平面投影的最小外接矩形,即由横坐标最大值xmax、最小值xmin和纵坐标最大值ymax、最小值ymin所确定的二维平面范围;
交互输入生成图像精度的参数,即图像沿行方向的分辨率Pixr和图像沿列方向的分辨率Pixc;
根据点云平面投影范围和图像像素分辨率计算图像的尺寸并向上取整,即图像的行Row数、列Col数;
预其中,ceil为向上取整;
预设一张Row行,Col列的空白图像;
遍历计算点云各点在图像中的位置,并将一个像素对应的多个路面点最小相对高程拉伸到uint8(0~255)灰阶上,作为该像素的灰度值。
空间地理坐标系和图像素坐标系如图3所示,由点的平面坐标计算投影后对应图像中的位置,由归一化后高程计算对应图像位置的灰度值,计算过程如下:
依次计算单个点(x,y,z)对应图像中的位置:
rID、cID分别为点在图像中对应的行号和列号,即点在图像中的位置,round为四舍五入取整;
计算对应图像位置的灰度值Grayval:
zmin和zmax分别为归一化后相对高程最大值和最小值;
遍历点云,将所有点投影到平面图像上,生成初始路面高程特征图像,其中多个点投影到同一像素位置时,保留灰度值较小点。
步骤2.2:处理路面高程特征图像,使之变成行与道路前进方向一致,列与道路横断面方向一致的最终路面高程特征图像。
步骤2.2.1:判断图像行列的大小,初步确定道路大致走向:
行>列,道路大致为南北走向;
行<列,道路大致走向为东西走向;
步骤2.2.2:沿道路大致走向对应的行或列获取道路边缘点,计算道路前进方向的方位角,即二维旋转参数;
步骤2.2.3:以初始路面高程特征图像的第一列第一个路面点为旋转中心,将图像旋转为沿道路前进方向的路面高程特征图像,使道路前进方向对应图像的行,道路横断面对应图像的列;
步骤2.2.4:获取图像中道路边界范围,裁剪图像,使之只包含路面信息。
初始高程特征图像的路面像素分布情况有四种,如图4至图7所示。
以图4为例,由初始路面高程特征图像到沿道路前进方向的路面高程特征图像生成流程如图8所示。
步骤2.2.5:对图像先进行一次均值滤波,再进行一次中值滤波,形成最终的路面高程特征图像。
由于沥青路面固有的粗糙度,原始数据存在高斯噪声,并且这种噪声伴随出现在高程特征图像上;同时,由于从地理空间坐标到图像素坐标的转换存在取整问题,导致高程特征图像还存在有椒盐噪声。对图像先进行均值滤波,再进行中值滤波,去除上述噪声,达到平滑的效果,使得高程特征图像更加逼真。
步骤2.3:基于高程特征图像生成坡度特征图像和坡向特征图像。
步骤2.3.1:对高程特征图像分别按行和列求差,获取行、列方向的梯度分量图像。
步骤2.3.2:梯度分量图像对应像素求模长并归一化到uint8(0~255)灰阶,获取坡度特征图像;
梯度分量图像对应像素求梯度向量方位角并归一化到uint8(0~255)灰阶,获取坡向特征图像;
对高程特征图像逐列相减,生成行方向的梯度分量图dCol;逐行相减,生成列方向的梯度分量图dRow。dCol和dRow中对应位置像素值就是图像梯度的两个分量,两幅图像叠加求取坡度特征图像和坡向特征图像,具体计算方法为:
上式中.*和.+分别表示图像中各像素对应位置做积或和运算,SlopMap0为初始坡度特征图像,再根据初始坡度特征图像中灰度值的最大最小值将图像灰度拉伸为0~255,生成最终的坡度特征图像SlopMap。
生成坡向特征图像:
首先计算梯度向量与x轴的夹角Angle;
Angle=arctan|dRow./dCol|
./表示图像中各对应像素的除法运算,然后判断该向量所在象限,从而确定其方位角Azimuth:
①dRow>0&dCol>0,第一象限,Azimuth=Angle;
②dRow>0&dCol<0,第二象限,Azimuth=π-Angle;
③dRow<0&dCol<0,第三象限,Azimuth=π+Angle;
④dRow<0&dCol>0,第四象限,Azimuth=2π-Angle;
步骤2.4:以灰度变化率最大为约束,基于图像的边缘提取获取车辙特征线。
高程特征图像提取车辙边坡中线;
坡度特征图像提取车辙边坡轮廓线;
坡向特征图像提取车辙凹槽底点连线。
以灰度变化率较大位置为图像边缘特征,自适应提取三幅特征图像的边缘信息。
图9为高程特征图像边缘提取结果,表示车辙边坡中线;图10为坡度特征图像边缘提取结果,表示车辙边坡轮廓线;图11为坡向特征图像边缘提取结果,表示车辙凹槽底点连线和平坦路面。
首先对图9中车辙边坡中线进行基于图像的聚类,将四条车辙边坡中线分离出来;以图像中首个白色像素点为种子点,通过区域生长算法获取多段线段;统计获取最长线段,以该线段端点为新的种子点,通过线段走向预测下一点方位并检索到该方向上最近点,运用图像补全算法将线段连通,从而生成完整的四条车辙边坡中线。
然后以这四条车辙边坡中线为约束,四条边坡中线从上到下编号依次为1、2、3、4,如图9所示。四条边坡中线与车辙边坡轮廓线和车辙凹槽底点连线相对位置关系如图10和图11所示。分别对图10和图11做如下操作:删除图10中1号和2号边坡中线之间的对应部分,删除图10中3号和4号边坡中线之间的对应部分;删除图11中1号边坡中线以上对应部分,删除图11中2号和三号边坡中线之间对应部分,删除4号边坡中线以下对应部分。
最后通过图像聚类、区域生长和图像补全算法将图10和图11中各线连通(具体方法同图9各线连通),则浅色线表示车辙辙凹槽侧壁边缘线,深色线表示车辙凹槽底部最低位置连线。提取结果如图12所示。
步骤2.5:基于图像处理精细获取车辙位置信息。
步骤2.5.1:对车辙边坡中线进行聚类,分离出四条线;
步骤2.5.2:对边坡中线区域生长,获取最优中线起算线段;
步骤2.5.3:根据已有最优车辙中线线段的走向预测车辙点走向并沿该方向寻找最近车辙边坡中线点,采用图像补全算法补全车辙边坡中线,获取完整的车辙边坡中线;
步骤2.5.4:以车辙边坡中线为约束,分离车辙边坡轮廓线和车辙凹槽底点连线并删除干扰点:
删除边坡轮廓线图层中同一车辙两边坡中线之间的干扰点;
删除车辙凹槽底点连线图层中同一车辙两边坡中线之间以外的干扰点;
步骤2.5.5:对边坡轮廓线和车辙凹槽底点连线图层进行聚类分离特征线,进行区域生长获取最优起算线段,采用图像补全算法补全边坡轮廓线和车辙凹槽底点连线。
步骤3:等间隔获取路面横断面激光点云扫描线,对断面扫描线采用传统的车辙提取方法精细获取车辙局部三位维位置和断面曲线。
步骤3具体包括以下子步骤:
步骤3.1:以车道标线为约束,获取横断面激光点云扫描线。
步骤3.1.1:交互输入扫描线采样间隔,以采样间隔为约束,获取沿道路前进方向左侧车道标线上一点;
步骤3.1.2:以车道标线上一点为中心,运用K-d树索引获取路面点云中距离该点最近的一点,并获取该点的扫描线序号;
步骤3.1.3:以扫描线序号为索引,提取该扫描线,再以两条车道标线为约束,获取车道内横断面激光点云扫描线。
步骤3.2:基于横断面激光点云扫描线提取车辙位置信息。
步骤3.2.1:对扫描线进行平滑处理,先进行一次均值滤波,再进行一次中值滤波;
步骤3.2.2:对处理后扫描线进行曲线拟合,再对曲线求二阶导获取四个拐点即车辙凹槽侧壁边缘轮廓点;
步骤3.2.3:对扫描线拟合曲线求一阶导数,并以同侧车辙两个车辙凹槽侧壁边缘点为约束,位于两点之间且一阶导数为0的点即为车辙凹槽底部中线点;
步骤3.2.4:以车辙凹槽侧壁边缘轮廓点为约束,同侧两车辙凹槽侧壁边缘轮廓点之间的扫描线曲线为车辙断面曲线。
步骤4:以基于路面横断面激光点云扫描线提取的离散精细车辙位置信息为约束,修正基于特征图像提取的连续车辙位置信息,获取连续且更加精细的车辙位置信息。
用修正后的车辙凹槽侧壁边缘线、凹槽底部中线和车辙断面曲线共同表达车辙三维特征。
用扫描线提取的车辙位置修正基于特征图像的车辙位置信息。
以基于特征图像提取的连续线状车辙凹槽侧壁边缘线和凹槽底部中线为观测值,基于点云扫描线提取的离散点状车辙凹槽侧壁边缘点和凹槽最低点为限制条件,对车辙位置进行附有限制条件的间接平差以修正车辙位置信息,获取更加精细的车辙位置信息。
用修正后的车辙凹槽侧壁边缘线、凹槽底部中线和车辙断面曲线共同表达车辙三维特征。车辙精细三维特征模型如图11所示。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种基于路面连续激光点云的车辙精细三维特征提取方法,其特征在于,包括以下步骤:
步骤1:抽样提取一定数量的路面点云数据,粗略拟合路面平面,以路面平面为基准,对路面点云数据高程归一化;
步骤2:获取路面点云数据的平面投影范围,交互确定尺度信息,生成路面高程特征图像,并对高程特征图像进行基于图像的滤波去噪;
生成路面坡度特征图和坡向特征图像;
根据车辙不同位置在三幅特征图像中表现的特征分类;
通过聚类、去噪、区域生长和图像补全获取包括车辙凹槽侧壁边缘线和凹槽底部中线的连续位置信息;
步骤3:等间隔获取路面横断面激光点云扫描线,对断面扫描线采用传统的车辙提取方法精细获取车辙局部三位维位置和断面曲线;
步骤4:以基于路面横断面激光点云扫描线提取的离散精细车辙位置信息为约束,修正基于特征图像提取的连续车辙位置信息,获取连续且更加精细的车辙位置信息;
用修正后的车辙凹槽侧壁边缘线、凹槽底部中线和车辙断面曲线共同表达车辙三维特征。
3.根据权利要求2所述的一种基于路面连续激光点云的车辙精细三维特征提取方法,其特征在于,步骤2具体包括以下子步骤:
步骤2.1:正射投影生成初始路面高程特征图像:
获取点云平面投影的最小外接矩形,即由横坐标最大值xmax、最小值xmin和纵坐标最大值ymax、最小值ymin所确定的二维平面范围;
交互输入生成图像精度的参数,即图像沿行方向的分辨率Pixr和图像沿列方向的分辨率Pixc;
根据点云平面投影范围和图像像素分辨率计算图像的尺寸并向上取整,即图像的行Row数、列Col数;
其中,ceil为向上取整;
预设一张Row行,Col列的空白图像;
由点的平面坐标计算投影后对应图像中的位置,由归一化后高程计算对应图像位置的灰度值,计算过程如下:
依次计算单个点(x,y,z)对应图像中的位置:
rID、cID分别为点在图像中对应的行号和列号,即点在图像中的位置,round为四舍五入取整;
计算对应图像位置的灰度值Grayval:
zmin和zmax分别为归一化后相对高程最大值和最小值;
遍历点云,将所有点投影到平面图像上,生成初始路面高程特征图像,其中多个点投影到同一像素位置时,保留灰度值较小点;
步骤2.2:处理路面高程特征图像,使之变成行与道路前进方向一致,列与道路横断面方向一致的最终路面高程特征图像;
步骤2.2.1:判断图像行列的大小,初步确定道路大致走向:
行>列,道路大致为南北走向;
行<列,道路大致走向为东西走向;
步骤2.2.2:沿道路大致走向对应的行或列获取道路边缘点,计算道路前进方向的方位角;
步骤2.2.3:根据道路方位角对高程特征图像旋转,使道路前进方向对应图像的行,道路横断面对应图像的列;
步骤2.2.4:获取图像中道路边界范围,裁剪图像,使之只包含路面信息;
步骤2.2.5:对图像先进行一次均值滤波,再进行一次中值滤波,形成最终的路面高程特征图像;
步骤2.3:基于高程特征图像生成坡度特征图像和坡向特征图像;
步骤2.3.1:对高程特征图像分别按行和列求差,获取行、列方向的梯度分量图像;
步骤2.3.2:梯度分量图像对应像素求模长并归一化到uint8(0~255)灰阶,获取坡度特征图像;
梯度分量图像对应像素求梯度向量方位角并归一化到uint8(0~255)灰阶,获取坡向特征图像;
步骤2.4:以灰度变化率最大为约束,基于图像的边缘提取获取车辙特征线;
高程特征图像提取车辙边坡中线;
坡度特征图像提取车辙边坡轮廓线;
坡向特征图像提取车辙凹槽底点连线。
步骤2.5:基于图像处理精细获取车辙位置信息;
步骤2.5.1:对车辙边坡中线进行聚类,分离出四条线;
步骤2.5.2:对边坡中线区域生长,获取最优中线起算线段;
步骤2.5.3:根据已有最优车辙中线线段的走向预测车辙点走向并沿该方向寻找最近车辙边坡中线点,采用图像补全算法补全车辙边坡中线,获取完整的车辙边坡中线;
步骤2.5.4:以车辙边坡中线为约束,分离车辙边坡轮廓线和车辙凹槽底点连线并删除干扰点:
删除边坡轮廓线图层中同一车辙两边坡中线之间的干扰点;
删除车辙凹槽底点连线图层中同一车辙两边坡中线之间以外的干扰点;
步骤2.5.5:对边坡轮廓线和车辙凹槽底点连线图层进行聚类分离特征线,进行区域生长获取最优起算线段,采用图像补全算法补全边坡轮廓线和车辙凹槽底点连线。
4.根据权利要求1所述的一种基于路面连续激光点云的车辙精细三维特征提取方法,其特征在于,步骤3具体包括以下子步骤:
步骤3.1:以车道标线为约束,获取横断面激光点云扫描线;
步骤3.1.1:交互输入扫描线采样间隔,以采样间隔为约束,获取沿道路前进方向左侧车道标线上一点;
步骤3.1.2:以车道标线上一点为中心,运用K-d树索引获取路面点云中距离该点最近的一点,并获取该点的扫描线序号;
步骤3.1.3:以扫描线序号为索引,提取该扫描线,再以两条车道标线为约束,获取车道内横断面激光点云扫描线;
步骤3.2:基于横断面激光点云扫描线提取车辙位置信息;
步骤3.2.1:对扫描线进行平滑处理,先进行一次均值滤波,再进行一次中值滤波;
步骤3.2.2:对处理后扫描线进行曲线拟合,再对曲线求二阶导获取四个拐点即车辙凹槽侧壁边缘轮廓点;
步骤3.2.3:对扫描线拟合曲线求一阶导数,并以同侧车辙两个车辙凹槽侧壁边缘点为约束,位于两点之间且一阶导数为0的点即为车辙凹槽底部中线点;
步骤3.2.4:以车辙凹槽侧壁边缘轮廓点为约束,同侧两车辙凹槽侧壁边缘轮廓点之间的扫描线曲线为车辙断面曲线。
5.根据权利要求4所述的一种基于路面连续激光点云的车辙精细三维特征提取方法,其特征在于,所述步骤4具体包括:
用扫描线提取的车辙位置修正基于特征图像的车辙位置信息:
以基于特征图像提取的连续线状车辙凹槽侧壁边缘线和凹槽底部中线为观测值,基于点云扫描线提取的离散点状车辙凹槽侧壁边缘点和凹槽最低点为限制条件,对车辙位置进行附有限制条件的间接平差以修正车辙位置信息,获取更加精细的车辙位置信息;
用修正后的车辙凹槽侧壁边缘线、凹槽底部中线和车辙断面曲线共同表达车辙三维特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910929815.0A CN110675392B (zh) | 2019-09-29 | 2019-09-29 | 一种基于路面连续激光点云的车辙精细三维特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910929815.0A CN110675392B (zh) | 2019-09-29 | 2019-09-29 | 一种基于路面连续激光点云的车辙精细三维特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110675392A true CN110675392A (zh) | 2020-01-10 |
CN110675392B CN110675392B (zh) | 2022-04-22 |
Family
ID=69079875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910929815.0A Active CN110675392B (zh) | 2019-09-29 | 2019-09-29 | 一种基于路面连续激光点云的车辙精细三维特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675392B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241647A (zh) * | 2020-01-14 | 2020-06-05 | 中国核电工程有限公司 | 核电厂电缆长度预估方法及装置 |
CN111462141A (zh) * | 2020-05-19 | 2020-07-28 | 北京爱笔科技有限公司 | 点云平面的获取方法及装置、设备、计算机可读存储介质 |
CN111724322A (zh) * | 2020-06-19 | 2020-09-29 | 杭州海康机器人技术有限公司 | 去除激光条纹图像噪点的方法和系统 |
CN112132159A (zh) * | 2020-09-07 | 2020-12-25 | 山东科技大学 | 一种连续剖面点云特征分析的路面坑槽提取方法 |
CN112446293A (zh) * | 2020-10-30 | 2021-03-05 | 华设设计集团股份有限公司 | 一种公路路面车辙污染事件视频检测方法 |
CN112465765A (zh) * | 2020-11-24 | 2021-03-09 | 山东科技大学 | 一种基于车载移动激光点云的路面深度信息模型构建方法 |
CN113434928A (zh) * | 2021-05-26 | 2021-09-24 | 南昌大学 | 一种复杂三维线性结构的参数化建造方法 |
CN113469990A (zh) * | 2021-07-15 | 2021-10-01 | 绍兴文理学院 | 路面病害检测方法及装置 |
CN111414848B (zh) * | 2020-03-19 | 2023-04-07 | 小米汽车科技有限公司 | 一种全类别3d障碍物检测方法、系统和介质 |
CN117952823A (zh) * | 2024-03-26 | 2024-04-30 | 青岛慧拓智能机器有限公司 | 一种露天矿区坡面顶底线自动提取、分类和更新方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809668A (zh) * | 2016-01-15 | 2016-07-27 | 武汉武大卓越科技有限责任公司 | 基于线扫描三维点云的物体表面变形特征提取方法 |
US20170204569A1 (en) * | 2016-01-15 | 2017-07-20 | Fugro Roadware Inc. | High speed stereoscopic pavement surface scanning system and method |
CN108665466A (zh) * | 2018-05-21 | 2018-10-16 | 山东科技大学 | 一种道路激光点云中路面病害自动提取方法 |
CN108664715A (zh) * | 2018-04-26 | 2018-10-16 | 长安大学 | 一种路面积水车辙三维评价与行车安全分析方法 |
CN108765376A (zh) * | 2018-05-03 | 2018-11-06 | 武汉武大卓越科技有限责任公司 | 一种线扫描三维路面数据成分分析方法 |
-
2019
- 2019-09-29 CN CN201910929815.0A patent/CN110675392B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809668A (zh) * | 2016-01-15 | 2016-07-27 | 武汉武大卓越科技有限责任公司 | 基于线扫描三维点云的物体表面变形特征提取方法 |
US20170204569A1 (en) * | 2016-01-15 | 2017-07-20 | Fugro Roadware Inc. | High speed stereoscopic pavement surface scanning system and method |
CN108664715A (zh) * | 2018-04-26 | 2018-10-16 | 长安大学 | 一种路面积水车辙三维评价与行车安全分析方法 |
CN108765376A (zh) * | 2018-05-03 | 2018-11-06 | 武汉武大卓越科技有限责任公司 | 一种线扫描三维路面数据成分分析方法 |
CN108665466A (zh) * | 2018-05-21 | 2018-10-16 | 山东科技大学 | 一种道路激光点云中路面病害自动提取方法 |
Non-Patent Citations (4)
Title |
---|
DEJIN ZHANG等: "Automatic pavement rutting measurement by fusing a high speed-shot camera and a linear laser", 《AUTOMATION IN CONSTRUCTION》 * |
LUIS GÉZERO等: "Road Rutting Measurement Using Mobile LiDAR Systems Point Cloud", 《INTERNATIONAL JOURNAL OF GEO-INFORMATION》 * |
刘如飞等: "一种针对路面损坏识别的点云特征图像生成方法", 《遥感信息》 * |
李甜甜: "基于三维线激光技术的路面车辙检测技术研究", 《工程科技Ⅱ辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241647A (zh) * | 2020-01-14 | 2020-06-05 | 中国核电工程有限公司 | 核电厂电缆长度预估方法及装置 |
CN111241647B (zh) * | 2020-01-14 | 2023-07-14 | 中国核电工程有限公司 | 核电厂电缆长度预估方法及装置 |
CN111414848B (zh) * | 2020-03-19 | 2023-04-07 | 小米汽车科技有限公司 | 一种全类别3d障碍物检测方法、系统和介质 |
CN111462141A (zh) * | 2020-05-19 | 2020-07-28 | 北京爱笔科技有限公司 | 点云平面的获取方法及装置、设备、计算机可读存储介质 |
CN111462141B (zh) * | 2020-05-19 | 2024-01-12 | 北京爱笔科技有限公司 | 点云平面的获取方法及装置、设备、计算机可读存储介质 |
CN111724322A (zh) * | 2020-06-19 | 2020-09-29 | 杭州海康机器人技术有限公司 | 去除激光条纹图像噪点的方法和系统 |
CN111724322B (zh) * | 2020-06-19 | 2023-08-22 | 杭州海康机器人股份有限公司 | 去除激光条纹图像噪点的方法和系统 |
CN112132159B (zh) * | 2020-09-07 | 2022-10-28 | 山东科技大学 | 一种连续剖面点云特征分析的路面坑槽提取方法 |
CN112132159A (zh) * | 2020-09-07 | 2020-12-25 | 山东科技大学 | 一种连续剖面点云特征分析的路面坑槽提取方法 |
CN112446293A (zh) * | 2020-10-30 | 2021-03-05 | 华设设计集团股份有限公司 | 一种公路路面车辙污染事件视频检测方法 |
CN112465765A (zh) * | 2020-11-24 | 2021-03-09 | 山东科技大学 | 一种基于车载移动激光点云的路面深度信息模型构建方法 |
CN113434928B (zh) * | 2021-05-26 | 2022-08-30 | 南昌大学 | 一种复杂三维线性结构的参数化建造方法 |
CN113434928A (zh) * | 2021-05-26 | 2021-09-24 | 南昌大学 | 一种复杂三维线性结构的参数化建造方法 |
CN113469990A (zh) * | 2021-07-15 | 2021-10-01 | 绍兴文理学院 | 路面病害检测方法及装置 |
CN113469990B (zh) * | 2021-07-15 | 2024-01-05 | 绍兴文理学院 | 路面病害检测方法及装置 |
CN117952823A (zh) * | 2024-03-26 | 2024-04-30 | 青岛慧拓智能机器有限公司 | 一种露天矿区坡面顶底线自动提取、分类和更新方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110675392B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675392B (zh) | 一种基于路面连续激光点云的车辙精细三维特征提取方法 | |
CN106650640B (zh) | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN103699900B (zh) | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 | |
CN112633092B (zh) | 基于车载激光扫描点云的道路信息提取方法 | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN104392212A (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN108665466B (zh) | 一种道路激光点云中路面病害自动提取方法 | |
KR20140020837A (ko) | 표면 검사에 이용하기 위한 타이어 표면의 삼차원 이미지 전처리 방법 | |
CN101609555B (zh) | 一种基于灰度共生矩阵的灰度模板匹配方法 | |
CN111079611A (zh) | 一种道路面及其标志线的自动提取方法 | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
CN112131963B (zh) | 一种基于行驶方向结构特征约束的道路标识线提取方法 | |
CN112184725B (zh) | 一种沥青路面图像的结构光光条中心提取方法 | |
CN107784646B (zh) | 一种路用集料的自适应检测方法 | |
CN111340723B (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
CN107578430A (zh) | 一种基于自适应权值和局部熵的立体匹配方法 | |
TW201516969A (zh) | 視訊物件追蹤方法 | |
CN111508073A (zh) | 一种三维建筑模型屋顶轮廓线的提取方法 | |
CN111783722B (zh) | 一种激光点云的车道线提取方法和电子设备 | |
CN109657525A (zh) | 一种针对传统LiDAR滤波误差的快速修正方法 | |
CN114387288A (zh) | 基于车载激光雷达点云数据的单立木三维信息提取方法 | |
CN111860501A (zh) | 基于形状匹配的高铁高度调整杆脱出故障图像识别方法 | |
CN115861247A (zh) | 一种高分辨率遥感影像轮廓多级正则化方法、系统及应用 | |
CN107093182A (zh) | 一种基于特征拐点的人体高度估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |