CN112411324A - 一种线结构光路面跳车检测方法 - Google Patents
一种线结构光路面跳车检测方法 Download PDFInfo
- Publication number
- CN112411324A CN112411324A CN202011069400.XA CN202011069400A CN112411324A CN 112411324 A CN112411324 A CN 112411324A CN 202011069400 A CN202011069400 A CN 202011069400A CN 112411324 A CN112411324 A CN 112411324A
- Authority
- CN
- China
- Prior art keywords
- elevation
- section
- points
- point
- vehicle
- 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
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
- E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
- E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明实施例提供一种线结构光路面跳车检测方法,该方法包括:线扫描路面横纵断面数据零值处理及断面局部毛刺异常值处理;基于路面构造深度的断面局部极值提取;基于局部极值的拐点提取;基于跳车定义的邻近拐点删除;基于保留拐点的跳车位置判断及跳车高程测量。本发明实施例利用线扫描三维路面数据断面拐点相对位置关系自动获取跳车位置和跳车高程测量信息,能去除断面数据中姿态信息和路面缓慢坡度变化对于跳车检测的影响,同时对于路面裂缝、水泥路面正常接缝等相对较小的路面形变不会造成跳车虚检,从而使得路面跳车检测更加精确,鲁棒性更强。
Description
技术领域
本发明涉及动态精密三维测量技术领域,尤其涉及一种线结构光路面跳车检测方法。
背景技术
三维测量系统在路面病害自动检测方面发挥着越来越重要的作用。路面跳车由于路面、桥头或伸缩缝处的差异沉降或破坏而使路面纵坡出现台阶引起车辆通过时产生跳跃的现象。路面跳车属于路基病害,车辆通过跳车路面时及易产生跳跃和冲击,从而对桥涵和路面造成附加的冲击荷载,使司机和乘客感到颠簸不适,甚至造成车辆大幅度减速,严重的可导致交通事故。因此,及时检测及解决桥头跳车的问题,具有重要的研究及实际行车安全意义。
目前国内外文献关于路面跳车检测的具体方法极少,国内关于路面跳车自动检测的文献也几乎没有明确发表。《公路技术状况评定标准》对于路面跳车自动化检测提出了明确要求,并规定了具体的跳车指标计算方式,但是该标准不涉及具体的数据处理及跳车检测方法。标准中指明路面跳车应采用断面类检测设备,应根据路面纵断面高差Δh确定,路面纵断面高差应按如下公式计算:
Δh=max{h1,h2,...,hi,...,h100}-
min{h1,h2,...,hi,...,h100}
式中,Δh为路面纵断面高差,单位为cm,具体为10cm路面纵断面最大高程和最小高程之差;hi为第i点的路面纵断面高程;i为路面纵断面上的第i个点。路面纵断面高程应为自动化设备检测数据,每0.1m计一个高程,10m路面纵断面共计100个高程数据。2cm≤Δh<5cm为轻度跳车;5cm≤Δh<8cm为中度跳车;Δh≥8cm为重度跳车。
《公路技术状况评定标准》的颁布实施说明了路面跳车检测的必要性,标准中要求利用断面类检测设备通过路面纵断面,即车辆正常行驶行车方向的高差来确定路面跳车的位置和轻中重程度信息。但是标准中并不涉及具体的断面数据跳车检测方法,以及如何通过断面数据获取纵断面高差来确定跳车位置及高差。而且实际获取的路面断面数据存在噪声、行车姿态等异常信息,要从断面数据中获取跳车检测信息需要克服噪声、行车姿态以及路面纵坡对于路面纵断面高程差计算的影响。
另外,通过纵断面获取路面跳车只能检测一个维度的跳车信息,实际上引起跳车的伸缩缝、错台、坑槽、拥包、沉陷、波浪、井盖突起或沉陷、路面与桥隧构造物异常连接等都是存在三维信息的,即这些跳车形成因素不仅会在行车方向引起跳车,也会在横断面方向对车辆的行驶造成安全隐患。仅利用纵断面高程数据能较为高效地获取跳车在纵断面方向的位置信息,获取的跳车信息不准确,从而无法实现精准的跳车检测。
发明内容
本发明实施例提供一种线结构光路面跳车检测方法,用以解决现有技术中跳车检测信息受其他因素的影响,且只使用一个维度的跳车信息进行跳车检测导致跳车检测不精确的缺陷,实现更加精确的跳车检测。
本发明实施例提供一种线结构光路面跳车检测方法,包括:
获取路面的线扫描三维数据,并对所述线扫描三维数据中横断面和纵断面的高程数据进行预处理;其中,所述预处理包括零值处理和滤波处理;
根据预处理后的横断面和纵断面的高程数据中相邻两点的高程差值,获取所述横断面的局部高程极大值点和局部高程极小值点,以及所述纵断面的局部高程极大值点和局部高程极小值点;并将所述横断面和纵断面中与相邻的局部高程极大值点之间的高程差值大于预设路面构造深度阈值的局部高程极大值点删除,与相邻的局部高程极小值点之间的高程差值大于预设路面构造深度阈值的局部高程极小值点删除;
将所述横断面删除后的局部高程极大值点和极小值点作为拐点,整体按照横坐标从小到大的顺序进行排序,获取所述横断面的拐点序列;将所述纵断面删除后的局部高程极大值点和极小值点作为拐点,整体按照横坐标从小到大的顺序进行排序,获取所述纵断面的拐点序列;
若所述横断面和纵断面的拐点序列中相邻两个拐点不满足预设条件,则对所述相邻两个拐点中的一个拐点进行删除;其中,所述预设条件为所述相邻两个拐点之间的距离小于预设距离,且高程差值大于预设高程差值;
若所述横断面和纵断面的拐点序列中保留的相邻两个拐点之间的距离小于所述预设距离且高程差值大于所述预设高程差值,则将所述相邻两个拐点作为跳车点;若保留的相邻两个拐点之间的距离大于所述预设距离且高程差值大于所述预设高程差值,则过对相邻两个拐点之间的距离进行分段,将每段中高程差值大于所述预设高程差值的一对局部高程极大值点和极小值点作为跳车点;
按照所述横断面和纵断面中所有跳车点的连通域形成二值图像,根据所述二值图像获取所述路面中跳车的三维信息;所述三维信息包括跳车的深度、宽度和长度。
本发明实施例提供的一种线结构光路面跳车检测方法,通过对线扫描路面横纵断面数据进行零值处理及断面局部毛刺异常值处理,然后基于路面构造深度从处理后的横纵断面数据中提取断面局部极值,并基于局部极值提取拐点,基于跳车定义对邻近拐点进行删除,最后基于保留的拐点进行跳车位置判断,从而利用线扫描三维路面数据断面拐点相对位置关系自动获取跳车位置和跳车高程测量信息,能去除断面数据中姿态信息和路面缓慢坡度变化对于跳车检测的影响,同时对于路面裂缝、水泥路面正常接缝等相对较小的路面形变不会造成跳车虚检,从而使得路面跳车检测更加精确,鲁棒性更强。
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一简单地介绍,显而易见地,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是本发明实施例提供的一种线结构光路面跳车检测方法的流程示意图;
图2是本发明实施例提供的一种线结构光路面跳车检测方法的完整流程示意图;
图3是本发明实施例提供的一种线结构光路面跳车检测方法中的三维路面跳车数据及其横纵断面示意图;
图4是本发明实施例提供的一种线结构光路面跳车检测方法中纵断面局部极值和拐点示意图;
图5是本发明实施例提供的一种线结构光路面跳车检测方法中跳车位置判定结果及可视化效果示意图;
图6是本发明实施例提供的一种线结构光路面跳车检测方法中沥青路面跳车检测结果可视化及纵断面方向高程计算结果;
图7是本发明实施例提供的一种线结构光路面跳车检测方法中水泥路面跳车检测结果可视化及纵断面方向高程计算结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1描述本发明实施例的一种线结构光路面跳车检测方法,该方法包括:S101,获取路面的线扫描三维数据,并对所述线扫描三维数据中横断面和纵断面的高程数据进行预处理;其中,所述预处理包括零值处理和滤波处理;
本实施例结合《公路技术状况评定标准》路面跳车指标测量要求及线扫描三维路面数据特性,利用实际道路线扫描三维路面数据进行横纵断面跳车自动检出定位,并结合检出的跳车位置和高程获取跳车三维测量信息。完整的流程示意图如图2所示。
线扫描三维测量传感器基于三角测量原理测量得到被测物表面相对高程情况,获取的三维数据可以反映被测物表面的高程信息。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运动载体上。在测量载体运动过程中,对被测物体三维轮廓进行数据采集。利用线扫描三维测量传感器沿测量方向采集一系列路面断面轮廓,将预处理后的一系列路面断面轮廓拼接得到三维路面。其中横断面方向的采样间隔X1为1mm,纵断面方向的采样间隔Y1在1至5mm范围内可选。数据横断面方向与纵断面方向垂直。图3示例了一个典型的沥青路面含跳车的线扫描三维数据,如图3中的a所示。图3中的b为三维路面数据深度转灰度图。其横纵断面的示例分别图3中的c和d所示。
由于测量环境的干扰,如路面水渍、油渍或被测区域有异物,采集到的数据可能存在少量异常噪声,如零值点和断面局部毛刺异常值。由于本实施例中的路面跳车检测方法建立在具有实际物理意义的断面局部极值点和拐点的基础上,在对数据进行有效的极值点和拐点提取之前,有必要把断面中的零值和断面局部毛刺异常值进行去除。
对于断面零值数据,由于三维测量传感器是由面阵相机与线激光器相结合的方式构成的,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,得到不含零值的断面数据。
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、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,因此需要对三维测量传感器采集的数据通过标定文件进行校正,同时将像方数据转换成物方数据,以校正测量系统中的系统误差。对于断面局部毛刺异常值,在上述处理的基础上,对断面各个点进行窗口为5的中值滤波。经过上述去零值和去局部毛刺异常步骤,获取的断面有利于后续极值的准确有意义获取。
S102,根据预处理后的横断面和纵断面的高程数据中相邻两点的高程差值,获取所述横断面的局部高程极大值点和局部高程极小值点,以及所述纵断面的局部高程极大值点和局部高程极小值点;
对于经过零值处理和毛刺异常处理的横纵断面数据,首先利用邻近点高程差值序列关系求取横纵断面所有局部高程极大值点和局部高程极小值点。
S103,将所述横断面和纵断面中与相邻的局部高程极大值点之间的高程差值大于预设路面构造深度阈值的局部高程极大值点删除,与相邻的局部高程极小值点之间的高程差值大于预设路面构造深度阈值的局部高程极小值点删除;
由于路面纹理的存在,所获取的极值数据量较多,难以直接反映潜在的跳车位置。为了获取更具代表性的极值位置,这里参考一般不超过3mm的标准设置路面构造深度阈值,但不限于这种设置。分别对于相邻近的局部高程极大值点和相邻近的局部高程极小值点,删除高程差值不超过路面构造深度阈值的局部高程极大值点和极小值点,获取具有局部代表性的局部高程极大值点和局部高程极小值点序列。以图3中的纵断面为例,图4示例了纵断面局部极值,图4中的a为纵断面局部极大值示意图,图4中的b为纵断面局部极小值示意图。
S104,将所述横断面删除后的局部高程极大值点和极小值点作为拐点,整体按照横坐标从小到大的顺序进行排序,获取所述横断面的拐点序列;将所述纵断面删除后的局部高程极大值点和极小值点作为拐点,整体按照横坐标从小到大的顺序进行排序,获取所述纵断面的拐点序列;
在上述获取的具有局部代表性的局部高程极大值点序列P2max和局部高程极小值点序列P2min的基础上,将极值点按照横向坐标从小到大进行排序获取断面拐点序列Pp,如图4中的c所示。断面拐点即为断面中具有一定范围意义发生转折的点,由上述局部高程极大值点和极小值点组成。
S105,若所述横断面和纵断面的拐点序列中相邻两个拐点不满足预设条件,则对所述相邻两个拐点中的一个拐点进行删除;其中,所述预设条件为所述相邻两个拐点之间的距离小于预设距离,且高程差值大于预设高程差值;
结合跳车测量标准中的定义可知,对于路面断面凸起或陷落高程在0.1m左右范围内均超过2cm,则计入一处跳车。而基于断面特征点获取的断面拐点,其间距和高差未必都满足断面0.1m间距和2cm的高差,因此有必要基于跳车定义对部分较为平缓的拐点进行删除,将剩余的拐点进行保留输入到下一个步骤进行跳车位置判断。删除邻近拐点的依据来自于标准中定义的跳车在0.1m范围内需超过2cm的高差变化。本实施例中的预设距离可以设置为0.1m,预设高程差值可以设置为2cm,但不限于这种设定。
图4中c图中的拐点数据经过按照跳车定义的约束删除部分拐点后,保留的拐点如图4中的d所示。该断面数据中第三个凸起位置的高度明显不满足2cm的要求,即该位置不应该判定为跳车,图4中的d图中断面保留拐点检测结果说明了本实施例中跳车检测方法的有效性。
S106,若所述横断面和纵断面的拐点序列中保留的相邻两个拐点之间的距离小于所述预设距离且高程差值大于所述预设高程差值,则将所述相邻两个拐点作为跳车点;若保留的相邻两个拐点之间的距离大于所述预设距离且高程差值大于所述预设高程差值,则过对相邻两个拐点之间的距离进行分段,将每段中高程差值大于所述预设高程差值的一对局部高程极大值点和极小值点作为跳车点。
在上述保留拐点的基础上,将距离小于预设距离如100mm且高程差值大于预设高程差值如20mm的相邻两个拐点构成的邻近拐点对直接作为跳车点,将横断面的跳车点记为X_D1,纵断面的跳车点记Y_D1。将间距大于预设距离如100mm且高程差值大于预设高程差值如大于20mm的相邻两个拐点构成的邻近拐点对直接的距离进行分段。例如以100mm作为基本单元进行分段,将相邻两段之间的交点称为添加点。将每段如100mm的距离内高差超过20mm的一对点作为跳车点补充,横断面的跳车点补充记X_D2,纵断面的跳车点补充记Y_D2。其中,纵断面的跳车检测结果如图5中的a所示,横断面的跳车检测结果如图5中的b所示。
S107,按照所述横断面和纵断面中所有跳车点的连通域形成二值图像,根据所述二值图像获取所述路面中跳车的三维信息;所述三维信息包括跳车的深度、宽度和长度。
本实施例通过对线扫描路面横纵断面数据进行零值处理及断面局部毛刺异常值处理,然后基于路面构造深度从处理后的横纵断面数据中提取断面局部极值,并基于局部极值提取拐点,基于跳车定义对邻近拐点进行删除,最后基于保留的拐点进行跳车位置判断,从而利用线扫描三维路面数据断面拐点相对位置关系自动获取跳车位置和跳车高程测量信息,能去除断面数据中姿态信息和路面缓慢坡度变化对于跳车检测的影响,同时对于路面裂缝、水泥路面正常接缝等相对较小的路面形变不会造成跳车虚检,从而使得路面跳车检测更加精确,鲁棒性更强。
在上述实施例的基础上,本实施例中根据预处理后的横断面和纵断面的高程数据中相邻两点的高程差值,获取所述横断面的局部高程极大值点和局部高程极小值点,以及所述纵断面的局部高程极大值点和局部高程极小值点的步骤包括:将任一横断面和纵断面的高程数据中当前点的高程减去当前点的后一个点的高程,获取第一差值;将当前点的前一个点的高程减去当前点的高程,获取第二差值;若所述第一差值大于0且所述第一差值与所述第二差值的乘积小于0,则将当前点作为局部高程极大值点;若所述第一差值小于0且所述第一差值与所述第二差值的乘积小于0,则将当前点作为局部高程极小值点;
具体地,车载三维系统获取的路面数据包含了具有高程突变特性的纹理、裂缝病害等影响,但是跳车也多存在于断面突变的高程变化中,为了减少数据纹理和裂缝对于跳车位置的判定,有必要减弱路面纹理和裂缝局部高程变化对于跳车检测的影响。对于任一横断面或纵断面的高程数据E,设该横断面或纵断面的长度为N,则E=[e1,e2,…,ei,…,eN],i∈[1,N]。获取相邻两点的高程差值构成的序列DiffE,则DiffE=[e1-e2,e2-e3,…,ei-ei+1,…,eN-1-eN]。DiffE中的第i个高程差值为di=ei-ei+1,第i-1个高程差值为di-1=ei-1-ei。若di>0且di与di-1的乘积小于0,则将横断面的第i点记为局部高程极大值点Pmax。若di<0且di与di-1的乘积小于0,则将横断面的第i点记为局部高程极小值点Pmin。
在上述实施例的基础上,本实施例中将所述横断面和纵断面中与相邻的局部高程极大值点之间的高程差值大于预设路面构造深度阈值的局部高程极大值点删除,与相邻的局部高程极小值点之间的高程差值大于预设路面构造深度阈值的局部高程极小值点删除的步骤包括:对于所述横断面和纵断面中任意相邻的三个局部高程极大值点,若中间的局部高程极大值点到两侧的局部高程极大值点之间连线的垂直距离大于预设路面构造深度阈值,则将所述中间的局部高程极大值点保留;否则,将所述中间的局部高程极大值点删除;对于所述横断面和纵断面中任意相邻的三个局部高程极小值点,若中间的局部高程极小值点到两侧的局部高程极小值点之间连线的垂直距离大于预设路面构造深度阈值,则将所述中间的局部高程极小值点保留;否则,将所述中间的局部高程极小值点删除。
对于所有Pmax中任意相邻的三个局部高程极大值点形成的三角形,计算中间局部高程极大值点到两侧局部高程极大值点连线的垂直距离dmax。参考路面构造深度一般不超过3mm的标准设置路面构造深度阈值,但不限于这种设置。若dmax>3mm,则将中间局部高程极大值点保留,否则标记中间局部高程极大值点为0。遍历所有相邻的三个局部高程极大值点进行上述判断。对经过上述基于构造深度的断面局部极大值判断的局部高程极大值点,去除标记为0的局部高程极大值点,将剩余的局部高程极大值点作为局部极大值点集P2max进入下一个步骤。
对于Pmin,也按照每三个相邻的局部高程极小值点形成的三角形,计算中间局部高程极小值点到两侧局部高程极小值点连线的垂直距离,按照上述相同的判断处理方式,获取局部极小值点集P2min,进入下一个步骤。
在上述实施例的基础上,本实施例中若所述横断面和纵断面的拐点序列中相邻两个拐点不满足预设条件,则对所述相邻两个拐点中的一个拐点进行删除的步骤包括:若所述横断面和纵断面的拐点序列中相邻两个拐点之间的距离小于所述预设距离,且高程差值小于预设高程差值,则对所述相邻两个拐点中的一个拐点进行删除;
具体地,相邻拐点的删除主要包括一轮删点和二轮删点。其中,在一轮删点中,将断面中相邻两个拐点形成点对,判断点对之间的横向间距及高程差值。若距离小于预设距离如100mm且高程差值小于预设高程差值如20mm,则仅保留点对中的一个拐点,依次遍历断面中的所有相邻两个拐点。将一轮删点后的结果保留,输入到第二轮删点步骤。点间距按照点序列位置X1或断面方向分辨率Y1进行换算。
将所述横断面和纵断面的拐点序列中保留的拐点按照排序分为奇数点和偶数点;若相邻两个奇数点之间的距离大于所述预设距离,且高程差值小于预设高程差值,则对所述相邻两个奇数点中的一个拐点进行删除;若相邻两个偶数点之间的距离大于所述预设距离,且高程差值小于预设高程差值,则对所述相邻两个偶数点中的一个拐点进行删除。
在一轮删点的基础上,为了防止邻近点对删除过多的点,则将一轮删点结果进行划分,按照一轮删点后的拐点序列中各拐点的排序将一轮删点结果分为奇数点和偶数点。对于相邻两个奇数点构成的奇数点对,删除其中高程差值小于预设高程差值如20mm且距离大于预设距离如100mm的点对中的其中一个,遍历所有奇数点对。对于偶数点也进行相同处理,并将奇数点和偶数点删除后的点进行保留和叠加,形成第二轮删点结果。
在上述各实施例的基础上,本实施例中在获取到所述横断面和纵断面中的所有跳车点后还包括:计算所述横断面中相邻两个跳车点之间的高程差值,将所述高程差值作为所述横断面处的跳车高程测量值;计算所述纵断面中相邻两个跳车点之间的高程差值,将所述高程差值作为所述纵断面处的跳车高程测量值。
具体地,结合获取的跳车点和预处理后的高程数据。对于横断面,获取断面范围内的跳车点X_D1和X_D2中相邻两个跳车点的高程差值作为该横断面处的跳车高程测量值。对于纵断面,获取断面范围内的跳车点Y_D1和Y_D2中相邻两个跳车点的高程差值作为该纵断面处的跳车高程测量值。
在上述实施例的基础上,本实施例中在获取到所述横断面和纵断面中的所有跳车点后还包括:将所述横断面和纵断面中的所有跳车点进行叠加,若所述横断面和所述纵断面上存在相同跳车点,则将所述相同跳车点在所述横断面和纵断面中的跳车高程测量值中的最大值作为所述相同跳车点的跳车高程测量值;将所述横断面和纵断面中的所有跳车点进行全图级别的可视化显示;将所述纵断面和横断面之间同一跳车点的最大跳车高程测量值和平均跳车高程测量值进行可视化分析;其中,最大跳车高程测量值为该同一跳车点在纵断面和横断面中的跳车高程测量值中的最大值;所述平均跳车高程测量值为该同一跳车点在纵断面和横断面中的跳车高程测量值的平均值;根据叠加结果中各跳车点的跳车高程测量值,确定跳车等级。
具体地,为了便于查看跳车的统计值,将横纵断面的跳车检测结果进行叠加,叠加的效果如图5中的c所示。按照国标中关于跳车严重程度的划分依据,图5中的d示例了跳车严重程度可视化效果。对于横纵断面均存在跳车的点取高程测量值中的较大值作为该跳车位置的高程。将跳车检测结果进行全图级别,即数据纵向长度≥10米可视化显示,并且也按照标准将纵断面对各个横断面出现的最大跳车值和存在跳车点的均值高程进行了可视化分析。可视化过程中,按照《公路技术状况评定标准》标准中的规则,将跳车划分为三个等级:2cm~5cm高程测量值的跳车记为轻度,5~8cm高程测量值的跳车记为中度,高差大于8cm的跳车记为重度。图6示例了沥青路面跳车检测结果可视化及纵断面方向高程计算结果。图6中的a为沥青路面跳车数据,b为跳车检测结果严重程度可视化效果,c为纵断面方向跳车高程计算结果。图7示例了水泥路面跳车检测结果可视化及纵断面方向高程计算结果。图7中的a为水泥路面跳车数据,b为跳车检测结果严重程度可视化效果,c为纵断面方向跳车高程计算结果。
本实施例将得到的跳车定位结果形成二值图,按照连通域形成图像对象,并获取跳车位置的高程信息,即可获取跳车的三维信息,如深度、宽度和长度等信息。
综上所述,本实施例的主要发明点包括:
(1)基于断面拐点高程特征的路面跳车检测及三维信息获取技术路线
本实施例提出一种基于断面拐点高程特征的路面跳车检测及三维信息获取方法,主要步骤包括:(1)线扫描路面横纵断面数据零值处理及断面局部毛刺异常值处理;(2)基于路面构造深度的断面局部极值提取;(3)基于局部极值的拐点提取;(4)基于跳车定义的邻近拐点删除;(5)基于保留拐点的跳车位置判断;(6)断面跳车高程计算;(7)横纵断面跳车检测结果叠加及跳车测量结果可视化;(8)跳车三维信息获取。
本实施例充分估计路面跳车指数计算标准,结合三维数据高程及分辨率信息以及断面拐点获取跳车定位信息和三维测量信息,不仅能满足国标跳车检测要求,还能获取更加完善全面的三维跳车信息。
(2)基于路面构造深度的断面局部极值提取
对于经过零值处理和毛刺异常处理的横断面数据,首先利用邻近点高程差值序列关系求取横断面所有极大值和极小值。由于路面纹理的存在,所获取的极值数据量较多,难以直接反映潜在的跳车位置。为了获取更具代表性的极值位置,这里参考路面构造深度一般不超过3mm的标准设置阈值。分别对于相邻近的极大值和相邻近的极小值删除高差不超过路面构造深度阈值的极值进行删除。获取具有局部代表性的局部极大值和局部极小值序列。这一处理能减少路面纹理和路面裂缝等高程突变点对于拐点提取的影响,减少跳车检测的虚检。
(3)基于断面局部极值的断面拐点提取
本实施例在上述获取的断面局部极大值和局部极小值序列基础上,将序列混合并按照断面所在位置从小到大排序获取断面拐点的位置序列Pp。断面拐点即为断面中具有一定范围意义发生转折的点,由上述局部极大值和局部极小值组成。断面拐点是后续判断跳车位置的候选位置,跳车特征点从理论上都应该包含于所述的拐点中。
(4)基于跳车定义的邻近拐点删除
结合跳车测量标准中的定义可知,对于路面断面凸起/陷落高程在0.1m左右范围内均超过2cm,则计入一处跳车。而基于断面特征点获取的断面拐点,其间距和高差未必都满足横向0.1m和高差2cm的计算间距,因此有必要基于跳车定义对部分较为平缓的拐点进行删除。结合跳车测量定义和断面特性的邻近拐点删除可以有利于从拐点中进一步挑选出符合跳车特性的断面突变位置,为后续断面跳车位置判断减少虚检。
(5)基于保留拐点的断面跳车位置判断及断面跳车高程计算
在上述保留拐点的基础上,将距离小于100mm且高差大于20mm的邻近拐点对直接作为跳车点,其中横断面记X_D1,纵断面记Y_D1;将间距大于100mm且高差大于20mm的点对进行分段。以100mm作为基本单元添加点;继续判断添加点的间距和高差,将满足100mm距离内高差超过20mm的点作为跳车点补充。其中横断面记X_D2,纵断面记Y_D2。结合获取的跳车位置及邻近跳车位置高程差,对于横断面获取的X_D1、X_D2跳车点,对相邻点的高差进行提取作为该横断面处跳车高程测量值;对于纵断面获取断面范围内Y_D1、Y_D2跳车点,对相邻点的高差作为该纵断面处跳车高程测量值。
(6)横纵断面跳车检测结果叠加及跳车测量结果可视化及跳车三维信息获取
上述方法获取了三维数据所有横纵断面的跳车位置及其对应的测量信息。为了便于查看跳车的统计值,横纵断面的跳车检测结果进行叠加。对于横纵断面均存在跳车的点取高程差较大的值作为该跳车位置的高程。将跳车检测结果进行全图级别,即数据纵向长度≥10米可视化显示,并且也按照标准将纵断面对各个横断面出现的最大跳车值和存在跳车点的均值高程进行了可视化分析。可视化依据检测结果及《公路技术状况评定标准》跳车严重程度划分的标准。本专利将得到的跳车定位结果形成二值图,按照连通域形成图像对象,并获取跳车位置的高程信息,即可获取跳车的三维信息:深度、宽度和长度等信息。
本实施例获取的路面跳车信息有以下三方面的特点:
(1)利用断面拐点相对位置关系自动获取跳车位置,而不是简单的0.1m断面分段内的高程计算,能去除断面数据中姿态信息和路面缓慢坡度变化对于跳车检测的影响,同时路面裂缝、水泥路面正常接缝等相对较小的路面形变不会对本实施例方法造成跳车虚检;
(2)横纵断面分别进行断面级跳车检测之后,将横纵断面获取的跳车信息进行叠加,并能将跳车位置及高程信息进行三维可视化显示和跳车指标结果可视化;
(3)充分估计路面跳车指数计算标准,结合三维数据高程及分辨率信息以及断面拐点获取跳车定位信息和三维测量信息,不仅能满足国标跳车检测要求,还能获取更加完善全面的三维跳车信息。
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 (6)
1.一种线结构光路面跳车检测方法,其特征在于,包括:
获取路面的线扫描三维数据,并对所述线扫描三维数据中横断面和纵断面的高程数据进行预处理;其中,所述预处理包括零值处理和滤波处理;
根据预处理后的横断面和纵断面的高程数据中相邻两点的高程差值,获取所述横断面的局部高程极大值点和局部高程极小值点,以及所述纵断面的局部高程极大值点和局部高程极小值点;
将所述横断面和纵断面中与相邻的局部高程极大值点之间的高程差值大于预设路面构造深度阈值的局部高程极大值点删除,与相邻的局部高程极小值点之间的高程差值大于预设路面构造深度阈值的局部高程极小值点删除;
将所述横断面删除后的局部高程极大值点和极小值点作为拐点,整体按照横坐标从小到大的顺序进行排序,获取所述横断面的拐点序列;将所述纵断面删除后的局部高程极大值点和极小值点作为拐点,整体按照横坐标从小到大的顺序进行排序,获取所述纵断面的拐点序列;
若所述横断面和纵断面的拐点序列中相邻两个拐点不满足预设条件,则对所述相邻两个拐点中的一个拐点进行删除;其中,所述预设条件为所述相邻两个拐点之间的距离小于预设距离,且高程差值大于预设高程差值;
若所述横断面和纵断面的拐点序列中保留的相邻两个拐点之间的距离小于所述预设距离且高程差值大于所述预设高程差值,则将所述相邻两个拐点作为跳车点;若保留的相邻两个拐点之间的距离大于所述预设距离且高程差值大于所述预设高程差值,则过对相邻两个拐点之间的距离进行分段,将每段中高程差值大于所述预设高程差值的一对局部高程极大值点和极小值点作为跳车点;
按照所述横断面和纵断面中所有跳车点的连通域形成二值图像,根据所述二值图像获取所述路面中跳车的三维信息;所述三维信息包括跳车的深度、宽度和长度。
2.根据权利要求1所述的线结构光路面跳车检测方法,其特征在于,根据预处理后的横断面和纵断面的高程数据中相邻两点的高程差值,获取所述横断面的局部高程极大值点和局部高程极小值点,以及所述纵断面的局部高程极大值点和局部高程极小值点的步骤包括:
将任一横断面和纵断面的高程数据中当前点的高程减去当前点的后一个点的高程,获取第一差值;
将当前点的前一个点的高程减去当前点的高程,获取第二差值;
若所述第一差值大于0且所述第一差值与所述第二差值的乘积小于0,则将当前点作为局部高程极大值点;
若所述第一差值小于0且所述第一差值与所述第二差值的乘积小于0,则将当前点作为局部高程极小值点。
3.根据权利要求1所述的线结构光路面跳车检测方法,其特征在于,将所述横断面和纵断面中与相邻的局部高程极大值点之间的高程差值大于预设路面构造深度阈值的局部高程极大值点删除,与相邻的局部高程极小值点之间的高程差值大于预设路面构造深度阈值的局部高程极小值点删除的步骤包括:
对于所述横断面和纵断面中任意相邻的三个局部高程极大值点,若中间的局部高程极大值点到两侧的局部高程极大值点之间连线的垂直距离大于预设路面构造深度阈值,则将所述中间的局部高程极大值点保留;否则,将所述中间的局部高程极大值点删除;
对于所述横断面和纵断面中任意相邻的三个局部高程极小值点,若中间的局部高程极小值点到两侧的局部高程极小值点之间连线的垂直距离大于预设路面构造深度阈值,则将所述中间的局部高程极小值点保留;否则,将所述中间的局部高程极小值点删除。
4.根据权利要求1所述的线结构光路面跳车检测方法,其特征在于,若所述横断面和纵断面的拐点序列中相邻两个拐点不满足预设条件,则对所述相邻两个拐点中的一个拐点进行删除的步骤包括:
若所述横断面和纵断面的拐点序列中相邻两个拐点之间的距离小于所述预设距离,且高程差值小于预设高程差值,则对所述相邻两个拐点中的一个拐点进行删除;
将所述横断面和纵断面的拐点序列中保留的拐点按照排序分为奇数点和偶数点;
若相邻两个奇数点之间的距离大于所述预设距离,且高程差值小于预设高程差值,则对所述相邻两个奇数点中的一个拐点进行删除;
若相邻两个偶数点之间的距离大于所述预设距离,且高程差值小于预设高程差值,则对所述相邻两个偶数点中的一个拐点进行删除。
5.根据权利要求1-4任一所述的线结构光路面跳车检测方法,其特征在于,在获取到所述横断面和纵断面中的所有跳车点后还包括:
计算所述横断面中相邻两个跳车点之间的高程差值,将所述高程差值作为所述横断面处的跳车高程测量值;
计算所述纵断面中相邻两个跳车点之间的高程差值,将所述高程差值作为所述纵断面处的跳车高程测量值。
6.根据权利要求5所述的线结构光路面跳车检测方法,其特征在于,在获取到所述横断面和纵断面中的所有跳车点后还包括:
将所述横断面和纵断面中的所有跳车点进行叠加,若所述横断面和所述纵断面上存在相同跳车点,则将所述相同跳车点在所述横断面和纵断面中的跳车高程测量值中的最大值作为所述相同跳车点的跳车高程测量值;
将所述横断面和纵断面中的所有跳车点进行全图级别的可视化显示;
将所述纵断面和横断面之间同一跳车点的最大跳车高程测量值和平均跳车高程测量值进行可视化分析;其中,最大跳车高程测量值为该同一跳车点在纵断面和横断面中的跳车高程测量值中的最大值;所述平均跳车高程测量值为该同一跳车点在纵断面和横断面中的跳车高程测量值的平均值;
根据叠加结果中各跳车点的跳车高程测量值,确定跳车等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011069400.XA CN112411324B (zh) | 2020-09-30 | 2020-09-30 | 一种线结构光路面跳车检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011069400.XA CN112411324B (zh) | 2020-09-30 | 2020-09-30 | 一种线结构光路面跳车检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112411324A true CN112411324A (zh) | 2021-02-26 |
CN112411324B CN112411324B (zh) | 2022-03-29 |
Family
ID=74854320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011069400.XA Active CN112411324B (zh) | 2020-09-30 | 2020-09-30 | 一种线结构光路面跳车检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112411324B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966393A (zh) * | 2021-03-26 | 2021-06-15 | 深圳大学 | 路面跳车指数计算方法、装置、设备及可读存储介质 |
CN113340239A (zh) * | 2021-05-20 | 2021-09-03 | 东南大学 | 一种基于无人机的路面跳车检测装置与方法 |
CN113537102A (zh) * | 2021-07-22 | 2021-10-22 | 深圳智微电子科技有限公司 | 一种微震信号的特征提取方法 |
CN113701678A (zh) * | 2021-09-18 | 2021-11-26 | 武汉光谷卓越科技股份有限公司 | 一种基于线扫描三维的路面平整度检测方法 |
CN113847884A (zh) * | 2021-09-18 | 2021-12-28 | 武汉光谷卓越科技股份有限公司 | 基于线扫描的精细化三维测量与建模方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105133471A (zh) * | 2015-05-15 | 2015-12-09 | 南京航空航天大学 | 一种基于线结构光路面检测系统的路面深度图像生产方法 |
CN105675811A (zh) * | 2016-01-19 | 2016-06-15 | 中公高科养护科技股份有限公司 | 一种公路桥头跳车的快速检测方法 |
CN107462204A (zh) * | 2017-09-21 | 2017-12-12 | 武汉武大卓越科技有限责任公司 | 一种三维路面标准轮廓提取方法及系统 |
CN107633516A (zh) * | 2017-09-21 | 2018-01-26 | 武汉武大卓越科技有限责任公司 | 一种识别路面变形类病害的方法和装置 |
CN110295533A (zh) * | 2019-08-02 | 2019-10-01 | 武汉夕睿光电技术有限公司 | 一种路面移动测量装置、系统及方法 |
-
2020
- 2020-09-30 CN CN202011069400.XA patent/CN112411324B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105133471A (zh) * | 2015-05-15 | 2015-12-09 | 南京航空航天大学 | 一种基于线结构光路面检测系统的路面深度图像生产方法 |
CN105675811A (zh) * | 2016-01-19 | 2016-06-15 | 中公高科养护科技股份有限公司 | 一种公路桥头跳车的快速检测方法 |
CN107462204A (zh) * | 2017-09-21 | 2017-12-12 | 武汉武大卓越科技有限责任公司 | 一种三维路面标准轮廓提取方法及系统 |
CN107633516A (zh) * | 2017-09-21 | 2018-01-26 | 武汉武大卓越科技有限责任公司 | 一种识别路面变形类病害的方法和装置 |
CN110295533A (zh) * | 2019-08-02 | 2019-10-01 | 武汉夕睿光电技术有限公司 | 一种路面移动测量装置、系统及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966393A (zh) * | 2021-03-26 | 2021-06-15 | 深圳大学 | 路面跳车指数计算方法、装置、设备及可读存储介质 |
CN112966393B (zh) * | 2021-03-26 | 2024-01-12 | 深圳大学 | 一种路面跳车指数计算方法 |
CN113340239A (zh) * | 2021-05-20 | 2021-09-03 | 东南大学 | 一种基于无人机的路面跳车检测装置与方法 |
CN113537102A (zh) * | 2021-07-22 | 2021-10-22 | 深圳智微电子科技有限公司 | 一种微震信号的特征提取方法 |
CN113701678A (zh) * | 2021-09-18 | 2021-11-26 | 武汉光谷卓越科技股份有限公司 | 一种基于线扫描三维的路面平整度检测方法 |
CN113847884A (zh) * | 2021-09-18 | 2021-12-28 | 武汉光谷卓越科技股份有限公司 | 基于线扫描的精细化三维测量与建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112411324B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112411324B (zh) | 一种线结构光路面跳车检测方法 | |
CN108664715B (zh) | 一种路面积水车辙三维评价与行车安全分析方法 | |
CN106087677B (zh) | 沥青路面裂缝类型自动识别方法 | |
CN109522804B (zh) | 一种道路边沿识别方法及系统 | |
CN103886594B (zh) | 路面线激光车辙检测与识别方法及处理系统 | |
CN108319920A (zh) | 一种基于线扫描三维点云的路面标线检测及参数计算方法 | |
CN106529593B (zh) | 路面病害检测方法和系统 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
Chua et al. | Simple procedure for identifying pavement distresses from video images | |
CN111455787A (zh) | 一种基于路面三维数字化的路面检测系统 | |
CN111192283A (zh) | 一种限高杆检测和高度计算方法 | |
CN115661164A (zh) | 一种基于精密三维路面的病害三维信息提取方法 | |
CN116242774A (zh) | 适用于农村公路的轻量化三维检测方法及装置 | |
CN113514030B (zh) | 一种道床断面检测方法及系统 | |
CN115797338A (zh) | 基于双目视觉的全景路面多性能指标计算方法及系统 | |
CN113551636B (zh) | 基于异常数据矫正的平整度检测方法 | |
Wang et al. | Hydroplaning risk evaluation of highway pavements based on IMU and 1 mm 3D texture data | |
CN112254701B (zh) | 车载式桥头跳车检测分析系统及其方法 | |
CN114862892A (zh) | 基于增强深度边缘特征的二维及三维路面裂缝识别方法 | |
CN116336939A (zh) | 一种基于自动化检测的路面车辙指标即时分析方法 | |
CN109064417B (zh) | 地铁隧道图像处理方法及装置 | |
CN113808124B (zh) | 一种基于点云技术的桥头跳车判定方法 | |
KR0156610B1 (ko) | 이동차량 자동계수시스템 및 방법 | |
CN104915647A (zh) | 一种高速公路前方车辆的检测方法 | |
CN115272298B (zh) | 基于道路监控的城市路面维护监察方法及系统 |
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 |