CN114509045A - 车轮区域高程检测方法和系统 - Google Patents

Abstract

本发明公开了一种车轮区域高程检测方法和系统，所述方法包括：获取同时刻的双目图像，并计算双目图像的视差图；计算检测区域的各图像像素点的三维信息坐标，对所述三维点云图进行点云筛选，以得到目标三维点云图；基于预存的路面模型，分别计算目标三维点云图中每个像素点的垂直高度值，以及每个像素点在俯视栅格图上的投影数据；对目标三维点云图中所有像素点的垂直高度值和投影数据进行高度数据累计和融合，以得到基于所述检测区域的高程图；获取车轮参数，并基于车轮参数和所述高程图，得到车轮区域的高程曲线。通过该方法为汽车控制系统做出驾驶策略处理提供更准确的数据支持，解决了现有技术中自动驾驶舒适性和安全性较差的技术问题。

Description

车轮区域高程检测方法和系统

技术领域

本发明涉及智能驾驶技术领域，具体涉及一种车轮区域高程检测方法和系统。

背景技术

随着自动驾驶的发展，在保障车辆及驾驶员安全的基础上，舒适性的要求也越来越高。监测前方道路并评估其危险情况是自动驾驶技术发展中的关键的环节，因此，提供一种车轮区域高程检测方法，利用车轮区域高程检测实时识别前方道路环境，为汽车控制系统做出驾驶策略处理提供数据支持，从而提高驾驶的舒适性和安全性，就成为本领域技术人员亟待解决的问题。

发明内容

为此，本发明一种车轮区域高程检测方法和系统，以至少部分解决现有技术中自动驾驶舒适性和安全性较差的技术问题。

为了实现上述目的，本发明实施例提供如下技术方案：

一种车轮区域高程检测方法，其特征在于，所述方法包括：

获取同时刻的双目图像，并计算所述双目图像的视差图；

在视差图中划定检测区域，并计算所述检测区域的各图像像素点的三维信息坐标，以得到三维点云图；

对所述三维点云图进行点云筛选，以得到目标三维点云图；

基于预存的路面模型，分别计算所述目标三维点云图中每个像素点的垂直高度值，以及每个像素点在俯视栅格图上的投影数据；

对所述目标三维点云图中所有像素点的垂直高度值和投影数据进行高度数据累计和融合，以得到基于所述检测区域的高程图；

获取车轮参数，并基于所述车轮参数和所述高程图，得到车轮区域的高程曲线。

进一步地，在视差图中划定检测区域，并计算所述检测区域的图像像素点的三维信息，具体包括：

依据预存的双目立体视觉系统成像模型选取成像中心点下侧的区域作为检测区域，通过三维重建获取各图像像素点的三维信息坐标：

其中：（cx，cy）是成像图像的成像中心点坐标，base_line是车载双目视觉传感器的基线，（Xi,Yi）是图像像素点，

是图像像素点计算得到的三维信息坐标。

进一步地，对所述三维点云图进行点云筛选，以得到目标三维点云图，具体包括：

根据预存的可行驶区域检测结果对三维点云筛选，以选取可行驶区域内的点云拟合路面模型；且/或，

根据预存的路面语义分割结果对三维点云筛选，仅保留在路面上有高度起伏变化类别的点云，以得到目标三维点云图。

进一步地，判定路面模型为直线模型

，则利用以下公式，分别计算所述目标三维点云图中每个像素点的垂直高度值：

其中，a,b,c和d是路面模型方的参数项，

是图像像素点计算得到的三维信息坐标；height为图像像素点距离路面模型的垂直距离。

进一步地，判定路面模型为平面模型

，则利用以下公式，分别计算所述目标三维点云图中每个像素点的垂直高度值：

其中，a,b,c和d是路面模型方的参数项，

是图像像素点计算得到的三维信息坐标；height为图像像素点距离路面模型的垂直距离。

进一步地，利用以下公式，计算每个像素点在俯视栅格图上的投影数据：

其中，

是图像像素点

在俯视栅格图上的投影位置,

和

是俯视栅格图上一个格子代表的真实横向宽度和纵向长度，

是俯视栅格图像素宽度的一半。

进一步地，获取车轮参数，并基于所述车轮参数和所述高程图，得到车轮区域的高程曲线，具体包括：

获取世界坐标系下的车轮宽度和两车轮间距，依据预存的双目立体视觉系统成像模型和小孔成像模型完成世界坐标系向图像坐标系的转换，获得车轮区域在俯视栅格图上的位置坐标；

所述高程图上，对车轮区域内的位置坐标数据进行统计分析，在每个车轮区域中，每个距离对应输出一组高度数据，以获得在车轮区域内每个距离下的高程值；

将车轮区域内的所有像素点对应的高度数据显示为高程曲线。

本发明还提供一种车轮区域高程检测系统，所述系统包括：

图像获取单元，用于获取同时刻的双目图像，并计算所述双目图像的视差图；

点云计算单元，用于在视差图中划定检测区域，并计算所述检测区域的各图像像素点的三维信息坐标，以得到三维点云图；

点云筛选单元，用于对所述三维点云图进行点云筛选，以得到目标三维点云图；

高度值计算单元，用于基于预存的路面模型，分别计算所述目标三维点云图中每个像素点的垂直高度值，以及每个像素点在俯视栅格图上的投影数据；

高程图计算单元，用于对所述目标三维点云图中所有像素点的垂直高度值和投影数据进行高度数据累计和融合，以得到基于所述检测区域的高程图；

高程曲线计算单元，用于获取车轮参数，并基于所述车轮参数和所述高程图，得到车轮区域的高程曲线。

本发明还提供一种智能终端，所述智能终端包括：数据采集装置、处理器和存储器；

所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如上所述的方法。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如上所述的方法。

本发明所提供的车轮区域高程检测方法，通过获取同时刻的双目图像，并计算所述双目图像的视差图，而后在视差图中划定检测区域，并计算所述检测区域的各图像像素点的三维信息坐标，以得到三维点云图；对所述三维点云图进行点云筛选，以得到目标三维点云图；基于预存的路面模型，分别计算所述目标三维点云图中每个像素点的垂直高度值，以及每个像素点在俯视栅格图上的投影数据；从而对所述目标三维点云图中所有像素点的垂直高度值和投影数据进行高度数据累计和融合，以得到基于所述检测区域的高程图；进而获取车轮参数，并基于所述车轮参数和所述高程图，得到车轮区域的高程曲线。这样，该车轮区域高程检测方法，利用车轮区域高程检测实时识别前方道路环境，为汽车控制系统做出驾驶策略处理提供数据支持，从而提高驾驶的舒适性和安全性，解决了现有技术中自动驾驶舒适性和安全性较差的技术问题。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明说提供的车轮区域高程检测方法一种具体实施方式的流程图；

图2为一个使用场景下检测区域的示意图；

图3为图2所示使用场景下可行驶区域检测结果示意图；

图4为图2所示使用场景下语义分割结构示意图；

图5为图2所示使用场景下得到的高度栅格图；

图6为图2所示使用场景下得到的高程图；

图7为图2所示使用场景下车轮区域的投影示意图；

图8为图7所示车轮区域的高程曲线图。

图9为本发明说提供的车轮区域高程检测系统一种具体实施方式的结构框图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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做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。

需要指出的是，在该实施例中，为了方便描述，以双目立体相机坐标系为参考系，沿左目相机光轴方向是Z轴距离方向，双目立相机基线方向为X轴横向方向，竖直方向为Y轴纵向方向。

请参考图1，图1为本发明说提供的车轮区域高程检测方法一种具体实施方式的流程图。

在一种具体实施方式中，本发明所提供的车轮区域高程检测方法包括以下步骤：

S101：获取同时刻的双目图像，并计算所述双目图像的视差图。具体地，通过车载双目视觉传感器，获取同时刻的双目图像，并对所述双目图像进行处理，通过立体匹配算法，得到双目图像的稠密视差图，简称视差图。

S102：在视差图中划定检测区域，并计算所述检测区域的各图像像素点的三维信息坐标，以得到三维点云图；

在一些实施例中，视差图中划定检测区域时，如图2所示，可依据预存的双目立体视觉系统成像模型选取成像中心点下侧的区域作为检测区域，通过三维重建获取各图像像素点的三维信息坐标：

其中：（cx，cy）是成像图像的成像中心点坐标，base_line是车载双目视觉传感器的基线，（Xi,Yi）是图像像素点，

是图像像素点计算得到的三维信息坐标。

S103：对所述三维点云图进行点云筛选，以得到目标三维点云图。

具体地，首先根据预存的可行驶区域检测结果对三维点云筛选，以选取可行驶区域内的点云拟合路面模型。

其中，可行驶区域检测方法不限，可行驶区域检测是一种常见的用于自动驾驶方向的检测技术，实现了路面区域边界感知，应用可行使区域边界信息，可以有效选择出属于路面区域的点云，以得到如图3所示的可行驶区域检测结果示意图。

进一步地，在通过可行驶区域检测结果进行点云筛选之后，还可以根据预存的路面语义分割结果对三维点云筛选，仅保留在路面上有高度起伏变化类别的点云，以得到目标三维点云图。

其中，路面语义分割可以对道路中所可能出现的地形情况进行分析，对地形常见场景类别进行像素级别的分类，可识别路面上无高度起伏变化的类别，如阴影识别，路面标识识别，也可识别路面上有高度起伏变化的目标，如减速带，井盖，破损，坑洞和其他障碍物，例如图4所示的路面和减速带的分类。

这样，在不损失感知能力的前提下，通过可行驶区域检测结果、路面语义分割结果对三维点云的筛选，显著降低了三维点云的数据量，提高了计算效率。通过可行驶区域检测结果、路面语义分割结果的筛选方法可选取一种使用，也可全部使用，后续步骤仅采用筛选后形成的目标三维点云图进行处理。

S104：基于预存的路面模型，分别计算所述目标三维点云图中每个像素点的垂直高度值，以及每个像素点在俯视栅格图上的投影数据；

在实际使用场景中，路面模型可以为直线模型，也可以为平面模型。据此，在步骤S104中，当判定路面模型为直线模型

时，则利用以下公式，分别计算所述目标三维点云图中每个像素点的垂直高度值：

其中，a,b,c和d是路面模型方的参数项，

是图像像素点计算得到的三维信息坐标；height为图像像素点距离路面模型的垂直距离。

当判定路面模型为平面模型

时，则利用以下公式，分别计算所述目标三维点云图中每个像素点的垂直高度值：

其中，a,b,c和d是路面模型方的参数项，

是图像像素点计算得到的三维信息坐标；height为图像像素点距离路面模型的垂直距离。

进一步地，在S104中，高度数据投影时，将三维点云投影至在俯视栅格图（X0Z平面）上，具体地，利用以下公式，计算每个像素点在俯视栅格图上的投影数据：

其中，

是图像像素点

在俯视栅格图上的投影位置,

和

是俯视栅格图上一个格子代表的真实横向宽度和纵向长度，

是俯视栅格图像素宽度的一半。

如图5所示的高度栅格图中，当

和

选取较小的值时，一个格子代表的区域也较小，可近似将该区域高度看作一致的通过三维点云投影，将三维点的高度数据记录在对应网格中，生成栅格高度图。双目传感器感知数据生成的栅格高度图和常见激光雷达传感器获得的相比，点云更稠密。

S105：对所述目标三维点云图中所有像素点的垂直高度值和投影数据进行高度数据累计和融合，以得到基于所述检测区域的高程图；

应当理解的是，上述步骤S104是单帧图像的栅格高度图的计算过程， 由于单帧观测数据存在观测误差，因此需要积累世界坐标系下同位置的多次观测高度数据，该处理需要帧与帧之间的高度数据位置对齐，通过传感器，车身姿态算法，图像位姿算法可实现数据对齐，完成高度数据积累。

通过高度数据的积累，同位置可以获得一个测高数据集合，对该数据集合滤波（中值滤波，均值滤波等常见滤波方式都可以），每个位置确定唯一高度值，即可生成如图6所示的高程图。应当理解的是，高程图是地形检测功能的高度感知结果，表示了车辆前方区域，检测区域内每个位置的高度信息。

S106：获取车轮参数，并基于所述车轮参数和所述高程图，得到车轮区域的高程曲线。

在一些实施例中，步骤S106具体包括以下步骤：

获取世界坐标系下的车轮宽度和两车轮间距，依据预存的双目立体视觉系统成像模型和小孔成像模型完成世界坐标系向图像坐标系的转换，获得车轮区域在俯视栅格图上的位置坐标；

所述高程图上，对车轮区域内的位置坐标数据进行统计分析，在每个车轮区域中，每个距离对应输出一组高度数据，以获得在车轮区域内每个距离下的高程值；

将车轮区域内的所有像素点对应的高度数据显示为高程曲线。

车辆行驶过程中，车轮行驶区域的路面状况和驾车舒适性紧密相关，为获得准确的车轮行驶区域高程变化，作为主动悬架功能的信息输入，以此提高驾车舒适性，基于高程图做进一步处理：依据真实世界坐标系下的车轮宽度，两车轮间距，依据双目立体视觉系统成像模型和小孔成像模型完成世界坐标系向图像坐标系的转换，获得车轮区域在俯视栅格图（X0Z平面）的位置，如图7所示，其中说明了车轮区域在俯视栅格图（X0Z平面）的位置。

车轮区域高程检测时，在俯视栅格图（X0Z平面）上的高程图上，对车轮区域内的数据进行统计分析，在每个车轮区域中，每个距离仅有唯一的高度数据输出。以此获得在车轮区域内每个距离下的高程值，将这些高度数据显示为如图8所示的高程曲线效果图。

在上述具体实施方式中，本发明所提供的车轮区域高程检测方法，通过获取同时刻的双目图像，并计算所述双目图像的视差图，而后在视差图中划定检测区域，并计算所述检测区域的各图像像素点的三维信息坐标，以得到三维点云图；对所述三维点云图进行点云筛选，以得到目标三维点云图；基于预存的路面模型，分别计算所述目标三维点云图中每个像素点的垂直高度值，以及每个像素点在俯视栅格图上的投影数据；从而对所述目标三维点云图中所有像素点的垂直高度值和投影数据进行高度数据累计和融合，以得到基于所述检测区域的高程图；进而获取车轮参数，并基于所述车轮参数和所述高程图，得到车轮区域的高程曲线。这样，该车轮区域高程检测方法，利用车轮区域高程检测实时识别前方道路环境，为汽车控制系统做出驾驶策略处理提供数据支持，从而提高驾驶的舒适性和安全性，解决了现有技术中自动驾驶舒适性和安全性较差的技术问题。

除了上述方法，本发明还提供一种车轮区域高程检测系统，如图9所示，所述系统包括：

图像获取单元100，用于获取同时刻的双目图像，并计算所述双目图像的视差图；

点云计算单元200，用于在视差图中划定检测区域，并计算所述检测区域的各图像像素点的三维信息坐标，以得到三维点云图；

点云筛选单元300，用于对所述三维点云图进行点云筛选，以得到目标三维点云图；

高度值计算单元400，用于基于预存的路面模型，分别计算所述目标三维点云图中每个像素点的垂直高度值，以及每个像素点在俯视栅格图上的投影数据；

高程图计算单元500，用于对所述目标三维点云图中所有像素点的垂直高度值和投影数据进行高度数据累计和融合，以得到基于所述检测区域的高程图；

高程曲线计算单元600，用于获取车轮参数，并基于所述车轮参数和所述高程图，得到车轮区域的高程曲线。

在上述具体实施方式中，本发明所提供的车轮区域高程检测系统，通过获取同时刻的双目图像，并计算所述双目图像的视差图，而后在视差图中划定检测区域，并计算所述检测区域的各图像像素点的三维信息坐标，以得到三维点云图；对所述三维点云图进行点云筛选，以得到目标三维点云图；基于预存的路面模型，分别计算所述目标三维点云图中每个像素点的垂直高度值，以及每个像素点在俯视栅格图上的投影数据；从而对所述目标三维点云图中所有像素点的垂直高度值和投影数据进行高度数据累计和融合，以得到基于所述检测区域的高程图；进而获取车轮参数，并基于所述车轮参数和所述高程图，得到车轮区域的高程曲线。这样，该车轮区域高程检测方法，利用车轮区域高程检测实时识别前方道路环境，为汽车控制系统做出驾驶策略处理提供数据支持，从而提高驾驶的舒适性和安全性，解决了现有技术中自动驾驶舒适性和安全性较差的技术问题。

本发明还提供一种智能终端，所述智能终端包括：数据采集装置、处理器和存储器；

所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如上所述的方法。

与上述实施例相对应的，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中包含一个或多个程序指令。其中，所述一个或多个程序指令用于被一种双目相机深度标定系统执行如上所述的方法。

在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器（Digital Signal Processor，简称DSP）、专用集成电路（Application Specific工ntegrated Circuit，简称ASIC）、现场可编程门阵列（FieldProgrammable Gate Array，简称FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。

存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。

其中，非易失性存储器可以是只读存储器（Read-Only Memory，简称ROM）、可编程只读存储器（Programmable ROM，简称PROM）、可擦除可编程只读存储器（Erasable PROM，简称EPROM）、电可擦除可编程只读存储器（Electrically EPROM，简称EEPROM）或闪存。

易失性存储器可以是随机存取存储器（Random Access Memory，简称RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（Static RAM，简称SRAM）、动态随机存取存储器（Dynamic RAM，简称DRAM）、同步动态随机存取存储器（Synchronous DRAM，简称SDRAM）、双倍数据速率同步动态随机存取存储器（Double Data RateSDRAM，简称DDRSDRAM）、增强型同步动态随机存取存储器（EnhancedSDRAM，简称ESDRAM）、同步连接动态随机存取存储器（Synchlink DRAM，简称SLDRAM）和直接内存总线随机存取存储器（DirectRambus RAM，简称DRRAM）。

本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机可读存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种车轮区域高程检测方法，其特征在于，所述方法包括：

获取同时刻的双目图像，并计算所述双目图像的视差图；

在视差图中划定检测区域，并计算所述检测区域的各图像像素点的三维信息坐标，以得到三维点云图；

对所述三维点云图进行点云筛选，以得到目标三维点云图；

基于预存的路面模型，分别计算所述目标三维点云图中每个像素点的垂直高度值，以及每个像素点在俯视栅格图上的投影数据；

对所述目标三维点云图中所有像素点的垂直高度值和投影数据进行高度数据累计和融合，以得到基于所述检测区域的高程图；

获取车轮参数，并基于所述车轮参数和所述高程图，得到车轮区域的高程曲线。

2.根据权利要求1所述的车轮区域高程检测方法，其特征在于，在视差图中划定检测区域，并计算所述检测区域的图像像素点的三维信息，具体包括：

依据预存的双目立体视觉系统成像模型选取成像中心点下侧的区域作为检测区域，通过三维重建获取各图像像素点的三维信息坐标：

其中：（cx，cy）是成像图像的成像中心点坐标，

是车载双目视觉传感器的基线，(Xi,Yi)是图像像素点，

是图像像素点计算得到的三维信息坐标。

3.根据权利要求2所述的车轮区域高程检测方法，其特征在于，对所述三维点云图进行点云筛选，以得到目标三维点云图，具体包括：

根据预存的可行驶区域检测结果对三维点云筛选，以选取可行驶区域内的点云拟合路面模型；且/或，

根据预存的路面语义分割结果对三维点云筛选，仅保留在路面上有高度起伏变化类别的点云，以得到目标三维点云图。

4.根据权利要求3所述的车轮区域高程检测方法，其特征在于，判定路面模型为直线模型

，则利用以下公式，分别计算所述目标三维点云图中每个像素点的垂直高度值：

其中，a，b,c和d是路面模型方的参数项，

是图像像素点计算得到的三维信息坐标；height为图像像素点距离路面模型的垂直距离。

5.根据权利要求4所述的车轮区域高程检测方法，其特征在于，判定路面模型为平面模型

，则利用以下公式，分别计算所述目标三维点云图中每个像素点的垂直高度值：

其中，a，b,c和d 是路面模型方的参数项，

是图像像素点计算得到的三维信息坐标；height 为图像像素点距离路面模型的垂直距离。

6.根据权利要求5所述的车轮区域高程检测方法，其特征在于，利用以下公式，计算每个像素点在俯视栅格图上的投影数据：

其中，

是图像像素点

在俯视栅格图上的投影位置,

和

是俯视栅格图上一个格子代表的真实横向宽度和纵向长度，

是俯视栅格图像素宽度的一半。

7.根据权利要求6所述的车轮区域高程检测方法，其特征在于，获取车轮参数，并基于所述车轮参数和所述高程图，得到车轮区域的高程曲线，具体包括：

获取世界坐标系下的车轮宽度和两车轮间距，依据预存的双目立体视觉系统成像模型和小孔成像模型完成世界坐标系向图像坐标系的转换，获得车轮区域在俯视栅格图上的位置坐标；

所述高程图上，对车轮区域内的位置坐标数据进行统计分析，在每个车轮区域中，每个距离对应输出一组高度数据，以获得在车轮区域内每个距离下的高程值；

将车轮区域内的所有像素点对应的高度数据显示为高程曲线。

8.一种车轮区域高程检测系统，其特征在于，所述系统包括：

图像获取单元，用于获取同时刻的双目图像，并计算所述双目图像的视差图；

点云计算单元，用于在视差图中划定检测区域，并计算所述检测区域的各图像像素点的三维信息坐标，以得到三维点云图；

点云筛选单元，用于对所述三维点云图进行点云筛选，以得到目标三维点云图；

高度值计算单元，用于基于预存的路面模型，分别计算所述目标三维点云图中每个像素点的垂直高度值，以及每个像素点在俯视栅格图上的投影数据；

高程图计算单元，用于对所述目标三维点云图中所有像素点的垂直高度值和投影数据进行高度数据累计和融合，以得到基于所述检测区域的高程图；

高程曲线计算单元，用于获取车轮参数，并基于所述车轮参数和所述高程图，得到车轮区域的高程曲线。

9.一种智能终端，其特征在于，所述智能终端包括：数据采集装置、处理器和存储器；

所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如权利要求1-6任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1-6任一项所述的方法。

Images