CN114821541B - 一种基于网格模型的道路面损伤检测方法及相关设备 - Google Patents

一种基于网格模型的道路面损伤检测方法及相关设备 Download PDF

Info

Publication number
CN114821541B
CN114821541B CN202210715519.2A CN202210715519A CN114821541B CN 114821541 B CN114821541 B CN 114821541B CN 202210715519 A CN202210715519 A CN 202210715519A CN 114821541 B CN114821541 B CN 114821541B
Authority
CN
China
Prior art keywords
point
damage
road surface
point cloud
mesh model
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.)
Active
Application number
CN202210715519.2A
Other languages
English (en)
Other versions
CN114821541A (zh
Inventor
王伟玺
谢林甫
黄俊杰
李晓明
汤圣君
郭仁忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202210715519.2A priority Critical patent/CN114821541B/zh
Publication of CN114821541A publication Critical patent/CN114821541A/zh
Application granted granted Critical
Publication of CN114821541B publication Critical patent/CN114821541B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明公开了一种基于网格模型的道路面损伤检测方法及相关设备，所述方法包括：基于三角面片面积的自适应网格模型进行点云采样；根据采样得到的网格模型点云进行多尺度点簇的分割，对点簇大小进行分析提取地面点簇，生成道路面基准面；识别位于基准面负方向的点，对这些点进行欧式聚类生成点簇，通过对点簇大小的判断，识别道路面损伤，提取损伤点云，通过采样点云与网格模型间索引关系，获得道路损伤处的实景网格模型；计算损伤点云中点到道路面基准面距离，获得损伤处的塌陷程度量化数据，同时通过将损伤点云投影到基准面上，拟合投影后损伤的最佳外包椭圆，获得道路面损伤相对长轴、短轴以及面积，从而完成对道路面损伤处的完整量化评估。

Description

一种基于网格模型的道路面损伤检测方法及相关设备
技术领域
本发明涉及道路损伤检测技术领域，尤其涉及一种基于网格模型的道路面损伤检测方法及相关设备。
背景技术
道路建设是衡量国家基础设施建设水平的重要指标之一。随着物流产业的持续发展、车辆保有量持续增长，道路损伤问题日益凸显。如何快速的发现道路面损伤，并准确地对损伤区域进行识别以及量化评估具有重要意义。
目前基于二维图像识别道路损伤并进行量化评估的方法较为成熟，相关技术人员已经提出多种方法用于实用，但是道路损伤通常为一种塌陷性损伤，需要对其塌陷程度进行准确的量化评估，由于二维图像通常不具有三维信息以及深度信息，虽然能有效识别损伤位置，但是无法对损伤进行准确的量化评估，不符合道路建设的新要求。三维数据（点云、网格模型）为道路面损伤检测和量化评估提供了一种新的技术手段。
随着倾斜摄影测量技术和三维重建技术的发展，实景三维网格模型已经成为了城市空间道路面损伤识别的理想数据载体。相较于点云，其不需要使用专业的设备既可以获取，具有更低的数据采集成本。同时实景三维网格模型具有高逼真的纹理信息和几何信息，为损伤评估提供依据。目前，常见的道路损伤检测算法通常以深度学习为基础，此类算法还是以二维图像为基础，只能用于发现损伤，但是不能对损伤进行量化评估，并且此类方法需要大量训练样本不符合实际应用需求。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种基于网格模型的道路面损伤检测方法、系统、终端及计算机可读存储介质，旨在解决现有技术中道路损伤检测算法通常以深度学习为基础，此类算法还是以二维图像为基础，只能用于发现损伤，但是不能对损伤进行量化评估，并且此类方法需要大量训练样本不符合实际应用需求的问题。
为实现上述目的，本发明提供一种基于网格模型的道路面损伤检测方法，所述基于网格模型的道路面损伤检测方法包括如下步骤：
基于三角面片面积的自适应网格模型进行点云采样，得到网格模型点云；
根据采样得到的网格模型点云进行多尺度点簇的分割，对点簇大小进行分析提取地面点簇，生成道路面基准面；
识别位于道路面基准面负方向的目标点，对目标点进行欧式聚类生成点簇，通过对点簇大小的判断识别道路面损伤，提取损伤点云，根据采样点云与自适应网格模型间的索引关系，获得道路损伤处的实景网格模型；
计算损伤点云中点到道路面基准面距离，获得损伤处的塌陷程度量化数据，同时通过将损伤点云投影到基准面上，拟合投影后损伤的最佳外包椭圆，获得道路面损伤相对长轴、道路面损伤相对短轴以及道路面损伤相对面积。
所述的基于网格模型的道路面损伤检测方法，其中，所述基于三角面片面积的自适应网格模型进行点云采样，得到网格模型点云，具体包括：
提取空间分辨率为dm的原始点云
Figure 220669DEST_PATH_IMAGE001
；
根据公式（1）计算三角面片的面积
Figure 872230DEST_PATH_IMAGE002
：
Figure 307760DEST_PATH_IMAGE003
；（1）
其中，V1、V2、V3指三角面片的三个顶点，
Figure 234127DEST_PATH_IMAGE004
指顶点V1和顶点V2间的距离，
Figure 720603DEST_PATH_IMAGE005
指顶点V1和顶点V2构成的直线，
Figure 74224DEST_PATH_IMAGE006
指顶点V3到直线
Figure 75678DEST_PATH_IMAGE005
的距离；
若
Figure 930371DEST_PATH_IMAGE007
，则根据公式（2）计算该三角面片的质心点
Figure 395987DEST_PATH_IMAGE008
，将质心点以及该三角面片的顶点加入到原始点云
Figure 123772DEST_PATH_IMAGE001
中；
Figure 284626DEST_PATH_IMAGE009
；（2）
其中，
Figure 818375DEST_PATH_IMAGE010
、
Figure 76181DEST_PATH_IMAGE011
、
Figure 158888DEST_PATH_IMAGE012
指顶点V的三维坐标，
Figure 931672DEST_PATH_IMAGE013
指三角面片
Figure 878900DEST_PATH_IMAGE014
的顶点；
若
Figure 53529DEST_PATH_IMAGE015
，则将原始三角面片剖分为若干个的小三角面片，依次选取两个三角面片顶点取其中点，连接各个顶点间的中点完成一次剖分，剖分次数M由公式（3）计算得到：
Figure 123116DEST_PATH_IMAGE016
；（3）
完成三角面片的剖分后得到若干个小三角面片，根据公式（2）计算每一个小三角面片的质心点
Figure 773409DEST_PATH_IMAGE008
加入到原始点云
Figure 383382DEST_PATH_IMAGE001
中；
对自适应网格模型中的每一个三角面片进行相同操作，记录三角面片与采样点之间的索引关系
Figure 615780DEST_PATH_IMAGE017
，生成最终的网格模型点云
Figure 793952DEST_PATH_IMAGE018
；
其中，
Figure 541328DEST_PATH_IMAGE019
表示三角面片，
Figure 158254DEST_PATH_IMAGE020
表示采样点。
所述的基于网格模型的道路面损伤检测方法，其中，所述根据采样得到的网格模型点云进行多尺度点簇的分割，对点簇大小进行分析提取地面点簇，生成道路面基准面，具体包括：
将网格模型点云
Figure 166530DEST_PATH_IMAGE018
根据公式（4）进行超体素分割，根据预设方式进行区域生长，获取多尺度平面点簇；
Figure 905816DEST_PATH_IMAGE021
；（4）
其中，
Figure 750275DEST_PATH_IMAGE022
指能量函数，
Figure 905313DEST_PATH_IMAGE023
表示两点是否在同一个超素体中，
Figure 909041DEST_PATH_IMAGE024
表示两点间的差异性，
Figure 943862DEST_PATH_IMAGE025
表示用于控制前后两项之间的比例，
Figure 603514DEST_PATH_IMAGE026
表示期望的数量，
Figure 358980DEST_PATH_IMAGE027
表示当前生成的超体素数量；
将平面点簇中尺寸最大的点簇视为地面点簇
Figure 92581DEST_PATH_IMAGE028
，通过PCA主成分分析法计算得到该平面点簇的法向量
Figure 908090DEST_PATH_IMAGE029
，设置要拟合的基准面平面法向量为
Figure 55038DEST_PATH_IMAGE030
；
根据公式（5）计算地面点簇
Figure 741759DEST_PATH_IMAGE028
的质心点
Figure 720079DEST_PATH_IMAGE031
；
Figure 644173DEST_PATH_IMAGE032
；（5）
其中，n表示地面点簇中点的数量；
确定道路面基准面为
Figure 950520DEST_PATH_IMAGE033
。
所述的基于网格模型的道路面损伤检测方法，其中，所述预设方式包括：
获取多尺度超体素、角度阈值、距离阈值和大小阈值；
将所有多尺度超体素初始化为种子超体素，将种子超体素输入到待输出点簇中，将种子超体素的邻接超体素输入到待计算超体素中；
依次计算待输出点簇与待计算超体素间的距离及法向量角度差异；
判断待输出点簇与待计算超体素间的距离和角度是否分别小于距离阈值和角度阈值；
若是，将待计算超体素与待输出点簇进行合并，将待计算超体素的邻接超体素输入到待计算超体素中；
若否，判断是否还存在待计算超体素，若不存在待计算超体素，则判断待输出点簇大小是否大于大小阈值；
若待输出点簇大小大于大小阈值，则输出待输出点簇，所述待输出点簇为多尺度平面点簇。
所述的基于网格模型的道路面损伤检测方法，其中，所述识别位于道路面基准面负方向的目标点，对目标点进行欧式聚类生成点簇，通过对点簇大小的判断识别道路面损伤，提取损伤点云，根据采样点云与自适应网格模型间的索引关系，获得道路损伤处的实景网格模型，具体包括：
从原始点云
Figure 313368DEST_PATH_IMAGE034
中，剔除被聚类到地面点簇
Figure 270829DEST_PATH_IMAGE028
中的所有点，构成新的点云集合
Figure 365824DEST_PATH_IMAGE035
；
从点云集合
Figure 549681DEST_PATH_IMAGE035
中提取所有位于基准面法向量方向负方向的目标点，构成点云集合
Figure 326007DEST_PATH_IMAGE036
；
根据公式（6）计算点云集合
Figure 951023DEST_PATH_IMAGE036
中点间的平均密度
Figure 279236DEST_PATH_IMAGE038
，使用欧式聚类方法对新的点云集合中各个点簇进行聚类；
Figure 809444DEST_PATH_IMAGE039
；（6）
其中，
Figure 717357DEST_PATH_IMAGE040
表示
Figure 259196DEST_PATH_IMAGE041
的领域点，m表示领域点数量；
计算每一个点簇的大小，将所有点簇中最大的点簇作为损伤点簇
Figure 899256DEST_PATH_IMAGE042
；
根据损伤点簇
Figure 526547DEST_PATH_IMAGE042
中的点以及建立的采样点与面片之间的索引关系
Figure 972572DEST_PATH_IMAGE043
，获取原始网格模型中发生损伤的模型部分，以获得道路损伤处的实景网格模型。
所述的基于网格模型的道路面损伤检测方法，其中，所述计算损伤点云中点到道路面基准面距离，获得损伤处的塌陷程度量化数据，同时通过将损伤点云投影到基准面上，拟合投影后损伤的最佳外包椭圆，获得道路面损伤相对长轴、道路面损伤相对短轴以及道路面损伤相对面积，具体包括：
以道路面基准面
Figure 493552DEST_PATH_IMAGE044
为基准面，根据公式（7）计算损伤点簇中每一个点
Figure 429147DEST_PATH_IMAGE045
到基准面的距离
Figure 746996DEST_PATH_IMAGE046
，
Figure 403236DEST_PATH_IMAGE046
表示损伤位置的塌陷深度；
Figure 919668DEST_PATH_IMAGE047
；（7）
其中，
Figure 147868DEST_PATH_IMAGE048
表示点
Figure 749751DEST_PATH_IMAGE049
与基准面中心点间距离，
Figure 537578DEST_PATH_IMAGE050
表示点
Figure 49462DEST_PATH_IMAGE049
与基准面中心点连成直线方向，
Figure 61281DEST_PATH_IMAGE051
表示投影夹角；
以道路面基准面
Figure 88142DEST_PATH_IMAGE052
的法向量
Figure 866611DEST_PATH_IMAGE053
所代表方向对损伤点簇
Figure 92056DEST_PATH_IMAGE054
中的点进行投影，根据公式（8）将损伤点簇
Figure 478038DEST_PATH_IMAGE055
中的三维点
Figure 929879DEST_PATH_IMAGE056
转换为二维点
Figure 121826DEST_PATH_IMAGE057
；
Figure 405040DEST_PATH_IMAGE058
；（8）
将二维点
Figure 148874DEST_PATH_IMAGE059
转换为图像坐标，生成损伤点簇向道路面基准面
Figure 212645DEST_PATH_IMAGE052
投影获得的二维灰度图像
Figure 818070DEST_PATH_IMAGE060
；
使用基于最小二乘拟合算法的椭圆拟合方法在二维灰度图像
Figure 955790DEST_PATH_IMAGE060
上拟合损伤的最大外接椭圆
Figure 11471DEST_PATH_IMAGE061
；
其中，
Figure 421593DEST_PATH_IMAGE062
为最大外接椭圆长轴的平方，
Figure 893025DEST_PATH_IMAGE063
为最大外接椭圆短轴的平方；
则道路面损伤相对长轴
Figure 213148DEST_PATH_IMAGE064
，道路面损伤相对短轴
Figure 377413DEST_PATH_IMAGE065
，道路面损伤相对面积
Figure 759984DEST_PATH_IMAGE066
。
所述的基于网格模型的道路面损伤检测方法，其中，所述角度阈值为10，所述距离阈值为1和所述大小阈值为15。
此外，为实现上述目的，本发明还提供一种基于网格模型的道路面损伤检测系统，其中，所述基于网格模型的道路面损伤检测系统包括：
点云采样模块，用于基于三角面片面积的自适应网格模型进行点云采样，得到网格模型点云；
道面基准面提取模块，用于根据采样得到的网格模型点云进行多尺度点簇的分割，对点簇大小进行分析提取地面点簇，生成道路面基准面；
道路面损伤提取模块，用于识别位于道路面基准面负方向的目标点，对目标点进行欧式聚类生成点簇，通过对点簇大小的判断识别道路面损伤，提取损伤点云，根据采样点云与自适应网格模型间的索引关系，获得道路损伤处的实景网格模型；
损伤信息定量评估模块，用于计算损伤点云中点到道路面基准面距离，获得损伤处的塌陷程度量化数据，同时通过将损伤点云投影到基准面上，拟合投影后损伤的最佳外包椭圆，获得道路面损伤相对长轴、道路面损伤相对短轴以及道路面损伤相对面积。
此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于网格模型的道路面损伤检测程序，所述基于网格模型的道路面损伤检测程序被所述处理器执行时实现如上所述的基于网格模型的道路面损伤检测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于网格模型的道路面损伤检测程序，所述基于网格模型的道路面损伤检测程序被处理器执行时实现如上所述的基于网格模型的道路面损伤检测方法的步骤。
本发明中，基于三角面片面积的自适应网格模型进行点云采样，得到网格模型点云；根据采样得到的网格模型点云进行多尺度点簇的分割，对点簇大小进行分析提取地面点簇，生成道路面基准面；识别位于道路面基准面负方向的目标点，对目标点进行欧式聚类生成点簇，通过对点簇大小的判断识别道路面损伤，提取损伤点云，根据采样点云与自适应网格模型间的索引关系，获得道路损伤处的实景网格模型；计算损伤点云中点到道路面基准面距离，获得损伤处的塌陷程度量化数据，同时通过将损伤点云投影到基准面上，拟合投影后损伤的最佳外包椭圆，获得道路面损伤相对长轴、道路面损伤相对短轴以及道路面损伤相对面积。本发明根据损伤道路面网格模型，对道路面损伤位置进行识别，从而完成对道路面损伤处的完整量化评估。
附图说明
图1是本发明基于网格模型的道路面损伤检测方法的较佳实施例的流程图；
图2是本发明基于网格模型的道路面损伤检测方法的较佳实施例中基于网格模型的道路面损伤识别与量化评估方法总体流程图；
图3是本发明基于网格模型的道路面损伤检测方法的较佳实施例中区域生长算法流程图；
图4是本发明基于网格模型的道路面损伤检测系统的较佳实施例的原理示意图；
图5为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明旨在根据损伤道路面网格模型，对道路面损伤位置进行识别，同时对损伤进行量化评估。本发明首先考虑到实际应用网格模型由于面片大小不均匀，数据量大等问题，提出了一种根据网格面片大小自适应分辨率的网格模型采样点云的方法，然后根据采样得到的点云进行多尺度点簇的分割，对点簇大小进行分析提取地面点簇，生成道路面基准面，然后识别位于基准面负方向的点，对这些点进行欧式聚类生成点簇，通过对点簇大小的判断，识别道路面损伤，提取损伤点云，通过采样点云与网格模型间索引关系，获得道路损伤处的实景网格模型，最后计算损伤点云中点到道路面基准面距离，获得损伤处的塌陷程度量化数据，同时通过将损伤点云投影到基准面上，拟合投影后损伤的最佳外包椭圆，获得道路面损伤相对长轴、短轴以及面积，从而完成对道路面损伤处的完整量化评估。
本发明较佳实施例所述的基于网格模型的道路面损伤检测方法，如图1和图2所示，所述基于网格模型的道路面损伤检测方法包括以下步骤：
步骤S10、基于三角面片面积的自适应网格模型进行点云采样，得到网格模型点云。
具体地，相较于点云，网格模型的算法适用性不强，因此本发明首先将网格模型采样成点云，同时传统的基于固定数量的和固定分辨率的网格模型点云采样方法无法很好的作用于实际作业中碰到的不同尺度、不同场景的网格模型，因此本步骤提出了基于三角面片面积的自适应网格模型点云采样方法。
其中，网格模型点云指基于这个网格模型采样获得的点云。
根据实际应用需求，本发明假设提取空间分辨率为d m的原始点云
Figure 97425DEST_PATH_IMAGE034
。具体操作如下：
S11、根据公式（1）计算三角面片的面积
Figure 399617DEST_PATH_IMAGE002
：
Figure 469205DEST_PATH_IMAGE003
；（1）
其中，V1、V2、V3指三角面片的三个顶点，
Figure 729285DEST_PATH_IMAGE004
指顶点V1和顶点V2间的距离，
Figure 480203DEST_PATH_IMAGE005
指顶点V1和顶点V2构成的直线，
Figure 712601DEST_PATH_IMAGE006
指顶点V3到直线
Figure 749827DEST_PATH_IMAGE005
的距离。
S12、若
Figure 887416DEST_PATH_IMAGE067
，则根据公式（2）计算该三角面片的质心点
Figure 301080DEST_PATH_IMAGE068
，将质心点以及该三角面片的顶点加入到原始点云
Figure 60089DEST_PATH_IMAGE034
中；
Figure 737058DEST_PATH_IMAGE069
；（2）
其中，
Figure 971730DEST_PATH_IMAGE010
、
Figure 48139DEST_PATH_IMAGE011
、
Figure 255130DEST_PATH_IMAGE070
指顶点V的三维坐标，
Figure 306262DEST_PATH_IMAGE013
指三角面片
Figure 762652DEST_PATH_IMAGE014
的顶点；
若
Figure 721380DEST_PATH_IMAGE071
，则将原始三角面片剖分为若干个的小三角面片，依次选取两个三角面片顶点取其中点，连接各个顶点间的中点完成一次剖分，剖分次数M由公式（3）计算得到：
Figure 969828DEST_PATH_IMAGE016
；（3）
S13、完成三角面片的剖分后得到若干个小三角面片，根据公式（2）计算每一个小三角面片的质心点
Figure 785337DEST_PATH_IMAGE068
加入到原始点云
Figure 932285DEST_PATH_IMAGE034
中。
S14、对自适应网格模型中的每一个三角面片进行上述S11-S13的操作，记录三角面片与采样点之间的索引关系
Figure 366808DEST_PATH_IMAGE072
，生成最终的网格模型点云
Figure 79549DEST_PATH_IMAGE073
；
其中，
Figure 269222DEST_PATH_IMAGE019
表示三角面片，
Figure 821908DEST_PATH_IMAGE020
表示采样点。
步骤S20、根据采样得到的网格模型点云进行多尺度点簇的分割，对点簇大小进行分析提取地面点簇，生成道路面基准面。
具体地，该步骤S20基于上一步骤S10获取的基于道路面网格模型的降采样点云进行，由于道路面通常为连续平整道路面，损伤通常低于道路面基准面，因此本步骤提出了道路面基准面的提取方法。
具体操作如下：
S21、首先以原始点云
Figure 184756DEST_PATH_IMAGE034
的密度density12倍为分辨率，将网格模型点云
Figure 627370DEST_PATH_IMAGE073
根据公式（4）进行超体素分割，根据预设方式（如图3所示，表示区域生长算法流程图）进行区域生长，获取多尺度平面点簇；
Figure 987944DEST_PATH_IMAGE021
；（4）
其中，
Figure 171800DEST_PATH_IMAGE022
指能量函数，可以理解为点之间差异，
Figure 931815DEST_PATH_IMAGE023
表示两点是否在同一个超素体中，
Figure 822411DEST_PATH_IMAGE074
表示两点间的差异性，
Figure 416203DEST_PATH_IMAGE025
表示用于控制前后两项之间的比例，
Figure 431563DEST_PATH_IMAGE026
表示期望的数量，
Figure 339477DEST_PATH_IMAGE027
表示当前生成的超体素数量。
如图3所示，根据图3中的算法流程进行区域生长，获取多尺度的平面点簇的过程包括：
S211、获取多尺度超体素、角度阈值、距离阈值和大小阈值，其中，所述角度阈值为10，所述距离阈值为1和所述大小阈值为15。
S212、将所有多尺度超体素初始化为种子超体素（种子超体素就是超体素，种子超体素是区域生长算法中的说法，以种子体素为起点，开始向外扩展）。
S213、将种子超体素输入到待输出点簇中，将种子超体素的邻接超体素输入到待计算超体素中。
S214、以此计算待输出点簇与待计算超体素间的距离（距离可以是两个超体素之间的霍斯多夫距离）及法向量角度差异（法向量角度差异就是两个超体素之间的法向量差异）。
S215、判断待输出点簇与待计算超体素间的距离和角度是否分别小于距离阈值和角度阈值。
S216、若是，将待计算超体素与待输出点簇进行合并，将待计算超体素的邻接超体素输入到待计算超体素中，再返回执行步骤S214；
S217、若否，判断是否还存在待计算超体素。
S218、若不存在待计算超体素，则判断待输出点簇大小是否大于大小阈值。
S219、若待输出点簇大小大于大小阈值，则输出待输出点簇，所述待输出点簇为多尺度平面点簇。
S22、由于S21中能够很好保持道路面平面特征，因此本发明将平面点簇中尺寸最大的点簇视为地面点簇
Figure 146896DEST_PATH_IMAGE028
，通过PCA主成分分析法计算得到该平面点簇的法向量
Figure 770644DEST_PATH_IMAGE029
，同时为了确保基准面的正方向竖直向上，本发明设置要拟合的基准面平面法向量为
Figure 601197DEST_PATH_IMAGE030
；
S23、根据公式（5）计算地面点簇
Figure 578380DEST_PATH_IMAGE028
的质心点
Figure 381251DEST_PATH_IMAGE031
；
Figure 51267DEST_PATH_IMAGE075
；（5）
其中，n表示地面点簇中点的数量；
S24、最后确定道路面基准面为
Figure 369115DEST_PATH_IMAGE033
。
步骤S30、识别位于道路面基准面负方向的目标点，对目标点进行欧式聚类生成点簇，通过对点簇大小的判断识别道路面损伤，提取损伤点云，根据采样点云与自适应网格模型间的索引关系，获得道路损伤处的实景网格模型。
具体地，该步骤S30基于步骤S20获取的多尺度平面点簇以及道路面基准面
Figure 274623DEST_PATH_IMAGE076
进行。
具体操作如下：
S31、从原始点云
Figure 56635DEST_PATH_IMAGE034
中，剔除被聚类到地面点簇
Figure 100814DEST_PATH_IMAGE028
中的所有点，构成新的点云集合
Figure 843642DEST_PATH_IMAGE035
；
S32、从点云集合
Figure 428207DEST_PATH_IMAGE077
中提取所有位于基准面法向量方向负方向的目标点，构成点云集合
Figure 2408DEST_PATH_IMAGE036
；
S33、根据公式（6）计算点云集合
Figure 141790DEST_PATH_IMAGE036
中点间的平均密度
Figure 230969DEST_PATH_IMAGE079
，使用欧式聚类方法对新的点云集合中各个点簇进行聚类；
Figure 822487DEST_PATH_IMAGE080
；（6）
其中，
Figure 923298DEST_PATH_IMAGE040
表示
Figure 371597DEST_PATH_IMAGE041
的领域点，m表示领域点数量；
S34、计算每一个点簇的大小，将所有点簇中最大的点簇作为损伤点簇
Figure 151334DEST_PATH_IMAGE055
；
S35、根据损伤点簇
Figure 202336DEST_PATH_IMAGE042
中的点以及建立的采样点与面片之间的索引关系
Figure 547866DEST_PATH_IMAGE043
，获取原始网格模型中发生损伤的模型部分，以获得道路损伤处的实景网格模型。
步骤S40、计算损伤点云中点到道路面基准面距离，获得损伤处的塌陷程度量化数据，同时通过将损伤点云投影到基准面上，拟合投影后损伤的最佳外包椭圆，获得道路面损伤相对长轴、道路面损伤相对短轴以及道路面损伤相对面积。
该步骤基于步骤S30中获取到的损伤点簇
Figure 42433DEST_PATH_IMAGE042
进行量化分析，从而对道路面损伤情况进行量化评估；该步骤量化评估了损伤的塌陷深度，以及损伤的长轴、短轴以及面积。
具体操作如下：
S41、首先对损伤塌陷程度进行量化评估，以道路面基准面
Figure 43887DEST_PATH_IMAGE044
为基准面，根据公式（7）计算损伤点簇中每一个点
Figure 773945DEST_PATH_IMAGE045
到基准面的距离
Figure 98616DEST_PATH_IMAGE046
，
Figure 91980DEST_PATH_IMAGE046
表示损伤位置的塌陷深度；
Figure 377468DEST_PATH_IMAGE047
；（7）
其中，
Figure 786584DEST_PATH_IMAGE081
表示点
Figure 44390DEST_PATH_IMAGE049
与基准面中心点间距离，
Figure 739813DEST_PATH_IMAGE050
表示点
Figure 902810DEST_PATH_IMAGE049
与基准面中心点连成直线方向，
Figure 177934DEST_PATH_IMAGE051
表示投影夹角，可以理解为
Figure 86984DEST_PATH_IMAGE050
与平面法向量之间的夹角；
S42、以道路面基准面
Figure 359833DEST_PATH_IMAGE052
的法向量
Figure 557597DEST_PATH_IMAGE053
所代表方向对损伤点簇
Figure 433149DEST_PATH_IMAGE082
中的点进行投影，根据公式（8）将损伤点簇
Figure 873005DEST_PATH_IMAGE055
中的三维点
Figure 910231DEST_PATH_IMAGE083
转换为二维点
Figure 860870DEST_PATH_IMAGE057
；
Figure 415479DEST_PATH_IMAGE058
；（8）
S43、将二维点
Figure 299122DEST_PATH_IMAGE084
转换为图像坐标，生成损伤点簇向道路面基准面
Figure 710511DEST_PATH_IMAGE052
投影获得的二维灰度图像
Figure 804238DEST_PATH_IMAGE060
；
S44、使用基于最小二乘拟合算法的椭圆拟合方法在二维灰度图像
Figure 287172DEST_PATH_IMAGE060
上拟合损伤的最大外接椭圆
Figure 228583DEST_PATH_IMAGE085
；
其中，
Figure 748557DEST_PATH_IMAGE062
为最大外接椭圆长轴的平方，
Figure 470526DEST_PATH_IMAGE063
为最大外接椭圆短轴的平方；
S45、则道路面损伤相对长轴
Figure 350626DEST_PATH_IMAGE064
，道路面损伤相对短轴
Figure 412123DEST_PATH_IMAGE065
，道路面损伤相对面积
Figure 493211DEST_PATH_IMAGE066
。
有益效果：
（1）本发明为了充分发挥基于三维数据算法在道路面损伤检测及量化评估的作用，首先将网格模型采样至点云，使得多种算法可以综合应用到道路面三维数据上来；同时本发明考虑到传统的固定分辨率的点云采样方法或者固定点云数量的点云采样方法无法适用于不同尺度网格数据场景，因此提出了一种基于三角形面积的自适应分辨率的点云采样方法，提升了整体方法的可靠性。
（2）本发明通过一种多尺度的平面点簇分割方法，从数据中提取出了道路面的光滑水平基准面，拟合了网格模型表面不连续带来的精度损失，为后续的损伤量化评估提供了同一尺度的基准信息，提升了评估精度。
（3）本发明提出了一种二三维结合的道路面损伤定量评估方法，基于网格模型具有三维信息的特点，本发明基于基准面计算了损伤的塌陷深度，这是衡量道路面损伤程度的重要参数；同时由于在三维空间中，无法对损伤面积大小进行准确定量描述，因此本发明将损伤处的三维信息依照道路面基准面投影到二维空间，对损伤大小的定量评估。
进一步地，如图4所示，基于上述基于网格模型的道路面损伤检测方法，本发明还相应提供了一种基于网格模型的道路面损伤检测系统，其中，所述基于网格模型的道路面损伤检测系统包括：
点云采样模块51，用于基于三角面片面积的自适应网格模型进行点云采样，得到网格模型点云；
道面基准面提取模块52，用于根据采样得到的网格模型点云进行多尺度点簇的分割，对点簇大小进行分析提取地面点簇，生成道路面基准面；
道路面损伤提取模块53，用于识别位于道路面基准面负方向的目标点，对目标点进行欧式聚类生成点簇，通过对点簇大小的判断识别道路面损伤，提取损伤点云，根据采样点云与自适应网格模型间的索引关系，获得道路损伤处的实景网格模型；
损伤信息定量评估模块54，用于计算损伤点云中点到道路面基准面距离，获得损伤处的塌陷程度量化数据，同时通过将损伤点云投影到基准面上，拟合投影后损伤的最佳外包椭圆，获得道路面损伤相对长轴、道路面损伤相对短轴以及道路面损伤相对面积。
进一步地，如图5所示，基于上述基于网格模型的道路面损伤检测方法和系统，本发明还相应提供了一种终端，所述终端包括处理器10、存储器20及显示器30。图5仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有基于网格模型的道路面损伤检测程序40，该基于网格模型的道路面损伤检测程序40可被处理器10所执行，从而实现本申请中基于网格模型的道路面损伤检测方法。
所述处理器10在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述基于网格模型的道路面损伤检测方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中基于网格模型的道路面损伤检测程序40时实现上述基于网格模型的道路面损伤检测方法的步骤，此处不再赘述。
本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于网格模型的道路面损伤检测程序，所述基于网格模型的道路面损伤检测程序被处理器执行时实现如上所述的基于网格模型的道路面损伤检测方法的步骤。
综上所述，本发明提供了一种基于网格模型的道路面损伤检测方法及相关设备，基于三角面片面积的自适应网格模型进行点云采样，得到网格模型点云；根据采样得到的网格模型点云进行多尺度点簇的分割，对点簇大小进行分析提取地面点簇，生成道路面基准面；识别位于道路面基准面负方向的目标点，对目标点进行欧式聚类生成点簇，通过对点簇大小的判断识别道路面损伤，提取损伤点云，根据采样点云与自适应网格模型间的索引关系，获得道路损伤处的实景网格模型；计算损伤点云中点到道路面基准面距离，获得损伤处的塌陷程度量化数据，同时通过将损伤点云投影到基准面上，拟合投影后损伤的最佳外包椭圆，获得道路面损伤相对长轴、道路面损伤相对短轴以及道路面损伤相对面积。本发明根据损伤道路面网格模型，对道路面损伤位置进行识别，从而完成对道路面损伤处的完整量化评估。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件（如处理器，控制器等）来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种基于网格模型的道路面损伤检测方法，其特征在于，所述基于网格模型的道路面损伤检测方法包括：
基于三角面片面积的自适应网格模型进行点云采样，得到网格模型点云；
根据采样得到的网格模型点云进行多尺度点簇的分割，对点簇大小进行分析提取地面点簇，生成道路面基准面；
识别位于道路面基准面负方向的目标点，对目标点进行欧式聚类生成点簇，通过对点簇大小的判断识别道路面损伤，提取损伤点云，根据采样点云与自适应网格模型间的索引关系，获得道路损伤处的实景网格模型；
计算损伤点云中点到道路面基准面距离，获得损伤处的塌陷程度量化数据，同时通过将损伤点云投影到基准面上，拟合投影后损伤的最佳外包椭圆，获得道路面损伤相对长轴、道路面损伤相对短轴以及道路面损伤相对面积；
所述基于三角面片面积的自适应网格模型进行点云采样，得到网格模型点云，具体包括：
提取空间分辨率为dm的原始点云
Figure DEST_PATH_IMAGE001
，具体操作如下：
根据公式（1）计算三角面片的面积
Figure DEST_PATH_IMAGE002
：
Figure DEST_PATH_IMAGE003
；（1）
其中，V1、V2、V3指三角面片的三个顶点，
Figure DEST_PATH_IMAGE004
指顶点V1和顶点V2间的距离，
Figure DEST_PATH_IMAGE005
指顶点V1和顶点V2构成的直线，
Figure DEST_PATH_IMAGE006
指顶点V3到直线
Figure 496777DEST_PATH_IMAGE005
的距离；
若
Figure DEST_PATH_IMAGE007
，则根据公式（2）计算该三角面片的质心点
Figure DEST_PATH_IMAGE008
，将质心点以及该三角面片的顶点加入到原始点云
Figure 86021DEST_PATH_IMAGE001
中；
Figure DEST_PATH_IMAGE009
；（2）
其中，
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE011
、
Figure DEST_PATH_IMAGE012
指顶点V的三维坐标，
Figure DEST_PATH_IMAGE013
指三角面片
Figure DEST_PATH_IMAGE014
的顶点；
若
Figure DEST_PATH_IMAGE015
，则将原始三角面片剖分为若干个的小三角面片，依次选取两个三角面片顶点取其中点，连接各个顶点间的中点完成一次剖分，剖分次数M由公式（3）计算得到：
Figure DEST_PATH_IMAGE016
；（3）
完成三角面片的剖分后得到若干个小三角面片，根据公式（2）计算每一个小三角面片的质心点
Figure 646184DEST_PATH_IMAGE008
加入到原始点云
Figure 775814DEST_PATH_IMAGE001
中；
对自适应网格模型中的每一个三角面片进行相同操作，记录三角面片与采样点之间的索引关系
Figure DEST_PATH_IMAGE017
，生成最终的网格模型点云
Figure DEST_PATH_IMAGE018
；
其中，
Figure DEST_PATH_IMAGE019
表示三角面片，
Figure DEST_PATH_IMAGE020
表示采样点。
2.根据权利要求1所述的基于网格模型的道路面损伤检测方法，其特征在于，所述根据采样得到的网格模型点云进行多尺度点簇的分割，对点簇大小进行分析提取地面点簇，生成道路面基准面，具体包括：
将网格模型点云
Figure 980400DEST_PATH_IMAGE018
根据公式（4）进行超体素分割，根据预设方式进行区域生长，获取多尺度平面点簇；
Figure DEST_PATH_IMAGE021
；（4）
其中，
Figure DEST_PATH_IMAGE022
指能量函数，
Figure DEST_PATH_IMAGE023
表示两点是否在同一个超素体中，
Figure DEST_PATH_IMAGE024
表示两点间的差异性，
Figure DEST_PATH_IMAGE025
表示用于控制前后两项之间的比例，
Figure DEST_PATH_IMAGE026
表示期望的数量，
Figure DEST_PATH_IMAGE027
表示当前生成的超体素数量；
将平面点簇中尺寸最大的点簇视为地面点簇
Figure DEST_PATH_IMAGE028
，通过PCA主成分分析法计算得到该平面点簇的法向量
Figure DEST_PATH_IMAGE029
，设置要拟合的基准面平面法向量为
Figure DEST_PATH_IMAGE030
；
根据公式（5）计算地面点簇
Figure 786550DEST_PATH_IMAGE028
的质心点
Figure DEST_PATH_IMAGE031
；
Figure DEST_PATH_IMAGE032
；（5）
其中，n表示地面点簇中点的数量；
确定道路面基准面为
Figure DEST_PATH_IMAGE033
。
3.根据权利要求2所述的基于网格模型的道路面损伤检测方法，其特征在于，所述预设方式包括：
获取多尺度超体素、角度阈值、距离阈值和大小阈值；
将所有多尺度超体素初始化为种子超体素，将种子超体素输入到待输出点簇中，将种子超体素的邻接超体素输入到待计算超体素中；
依次计算待输出点簇与待计算超体素间的距离及法向量角度差异；
判断待输出点簇与待计算超体素间的距离和角度是否分别小于距离阈值和角度阈值；
若是，将待计算超体素与待输出点簇进行合并，将待计算超体素的邻接超体素输入到待计算超体素中；
若否，判断是否还存在待计算超体素，若不存在待计算超体素，则判断待输出点簇大小是否大于大小阈值；
若待输出点簇大小大于大小阈值，则输出待输出点簇，所述待输出点簇为多尺度平面点簇。
4.根据权利要求3所述的基于网格模型的道路面损伤检测方法，其特征在于，所述识别位于道路面基准面负方向的目标点，对目标点进行欧式聚类生成点簇，通过对点簇大小的判断识别道路面损伤，提取损伤点云，根据采样点云与自适应网格模型间的索引关系，获得道路损伤处的实景网格模型，具体包括：
从原始点云
Figure DEST_PATH_IMAGE034
中，剔除被聚类到地面点簇
Figure 178217DEST_PATH_IMAGE028
中的所有点，构成新的点云集合
Figure DEST_PATH_IMAGE035
；
从点云集合
Figure 829648DEST_PATH_IMAGE035
中提取所有位于基准面法向量方向负方向的目标点，构成点云集合
Figure DEST_PATH_IMAGE036
；
根据公式（6）计算点云集合
Figure 701789DEST_PATH_IMAGE036
中点间的平均密度
Figure DEST_PATH_IMAGE038
，使用欧式聚类方法对新的点云集合中各个点簇进行聚类；
Figure DEST_PATH_IMAGE039
；（6）
其中，
Figure DEST_PATH_IMAGE040
表示
Figure DEST_PATH_IMAGE041
的领域点，m表示领域点数量；
计算每一个点簇的大小，将所有点簇中最大的点簇作为损伤点簇
Figure DEST_PATH_IMAGE042
；
根据损伤点簇
Figure 554207DEST_PATH_IMAGE042
中的点以及建立的采样点与面片之间的索引关系
Figure DEST_PATH_IMAGE043
，获取原始网格模型中发生损伤的模型部分，以获得道路损伤处的实景网格模型。
5.根据权利要求4所述的基于网格模型的道路面损伤检测方法，其特征在于，所述计算损伤点云中点到道路面基准面距离，获得损伤处的塌陷程度量化数据，同时通过将损伤点云投影到基准面上，拟合投影后损伤的最佳外包椭圆，获得道路面损伤相对长轴、道路面损伤相对短轴以及道路面损伤相对面积，具体包括：
以道路面基准面
Figure DEST_PATH_IMAGE044
为基准面，根据公式（7）计算损伤点簇中每一个点
Figure DEST_PATH_IMAGE045
到基准面的距离
Figure DEST_PATH_IMAGE046
，
Figure 433170DEST_PATH_IMAGE046
表示损伤位置的塌陷深度；
Figure DEST_PATH_IMAGE047
；（7）
其中，
Figure DEST_PATH_IMAGE048
表示点
Figure 357133DEST_PATH_IMAGE045
与基准面中心点间距离，
Figure DEST_PATH_IMAGE049
表示点
Figure 83780DEST_PATH_IMAGE045
与基准面中心点连成直线方向，
Figure DEST_PATH_IMAGE050
表示投影夹角；
以道路面基准面
Figure 716887DEST_PATH_IMAGE044
的法向量
Figure DEST_PATH_IMAGE051
所代表方向对损伤点簇
Figure DEST_PATH_IMAGE052
中的点进行投影，根据公式（8）将损伤点簇
Figure 879884DEST_PATH_IMAGE042
中的三维点
Figure DEST_PATH_IMAGE053
转换为二维点
Figure DEST_PATH_IMAGE054
；
Figure DEST_PATH_IMAGE055
；（8）
将二维点
Figure DEST_PATH_IMAGE056
转换为图像坐标，生成损伤点簇向道路面基准面
Figure 279641DEST_PATH_IMAGE044
投影获得的二维灰度图像
Figure DEST_PATH_IMAGE057
；
使用基于最小二乘拟合算法的椭圆拟合方法在二维灰度图像
Figure 126374DEST_PATH_IMAGE057
上拟合损伤的最大外接椭圆
Figure DEST_PATH_IMAGE058
；
其中，
Figure DEST_PATH_IMAGE059
为最大外接椭圆长轴的平方，
Figure DEST_PATH_IMAGE060
为最大外接椭圆短轴的平方；
则道路面损伤相对长轴
Figure DEST_PATH_IMAGE061
，道路面损伤相对短轴
Figure DEST_PATH_IMAGE062
，道路面损伤相对面积
Figure DEST_PATH_IMAGE063
。
6.根据权利要求3所述的基于网格模型的道路面损伤检测方法，其特征在于，所述角度阈值为10，所述距离阈值为1和所述大小阈值为15。
7.一种基于网格模型的道路面损伤检测系统，其特征在于，所述基于网格模型的道路面损伤检测系统包括：
点云采样模块，用于基于三角面片面积的自适应网格模型进行点云采样，得到网格模型点云；
道面基准面提取模块，用于根据采样得到的网格模型点云进行多尺度点簇的分割，对点簇大小进行分析提取地面点簇，生成道路面基准面；
道路面损伤提取模块，用于识别位于道路面基准面负方向的目标点，对目标点进行欧式聚类生成点簇，通过对点簇大小的判断识别道路面损伤，提取损伤点云，根据采样点云与自适应网格模型间的索引关系，获得道路损伤处的实景网格模型；
损伤信息定量评估模块，用于计算损伤点云中点到道路面基准面距离，获得损伤处的塌陷程度量化数据，同时通过将损伤点云投影到基准面上，拟合投影后损伤的最佳外包椭圆，获得道路面损伤相对长轴、道路面损伤相对短轴以及道路面损伤相对面积；
所述基于三角面片面积的自适应网格模型进行点云采样，得到网格模型点云，具体包括：
提取空间分辨率为dm的原始点云
Figure 38705DEST_PATH_IMAGE001
，具体操作如下：
根据公式（1）计算三角面片的面积
Figure 502047DEST_PATH_IMAGE002
：
Figure 49703DEST_PATH_IMAGE003
；（1）
其中，V1、V2、V3指三角面片的三个顶点，
Figure 282101DEST_PATH_IMAGE004
指顶点V1和顶点V2间的距离，
Figure 522590DEST_PATH_IMAGE005
指顶点V1和顶点V2构成的直线，
Figure 456916DEST_PATH_IMAGE006
指顶点V3到直线
Figure 808263DEST_PATH_IMAGE005
的距离；
若
Figure 895168DEST_PATH_IMAGE007
，则根据公式（2）计算该三角面片的质心点
Figure 306558DEST_PATH_IMAGE008
，将质心点以及该三角面片的顶点加入到原始点云
Figure 478913DEST_PATH_IMAGE001
中；
Figure 617639DEST_PATH_IMAGE009
；（2）
其中，
Figure 824630DEST_PATH_IMAGE010
、
Figure 406921DEST_PATH_IMAGE011
、
Figure 66572DEST_PATH_IMAGE012
指顶点V的三维坐标，
Figure 759722DEST_PATH_IMAGE013
指三角面片
Figure 555639DEST_PATH_IMAGE014
的顶点；
若
Figure 558099DEST_PATH_IMAGE015
，则将原始三角面片剖分为若干个的小三角面片，依次选取两个三角面片顶点取其中点，连接各个顶点间的中点完成一次剖分，剖分次数M由公式（3）计算得到：
Figure 705047DEST_PATH_IMAGE016
；（3）
完成三角面片的剖分后得到若干个小三角面片，根据公式（2）计算每一个小三角面片的质心点
Figure 201887DEST_PATH_IMAGE008
加入到原始点云
Figure 852312DEST_PATH_IMAGE001
中；
对自适应网格模型中的每一个三角面片进行相同操作，记录三角面片与采样点之间的索引关系
Figure 776405DEST_PATH_IMAGE017
，生成最终的网格模型点云
Figure 394337DEST_PATH_IMAGE018
；
其中，
Figure 694869DEST_PATH_IMAGE019
表示三角面片，
Figure 465378DEST_PATH_IMAGE020
表示采样点。
8.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于网格模型的道路面损伤检测程序，所述基于网格模型的道路面损伤检测程序被所述处理器执行时实现如权利要求1-6任一项所述的基于网格模型的道路面损伤检测方法的步骤。
9.一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存储有基于网格模型的道路面损伤检测程序，所述基于网格模型的道路面损伤检测程序被处理器执行时实现如权利要求1-6任一项所述的基于网格模型的道路面损伤检测方法的步骤。
CN202210715519.2A 2022-06-23 2022-06-23 一种基于网格模型的道路面损伤检测方法及相关设备 Active CN114821541B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210715519.2A CN114821541B (zh) 2022-06-23 2022-06-23 一种基于网格模型的道路面损伤检测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210715519.2A CN114821541B (zh) 2022-06-23 2022-06-23 一种基于网格模型的道路面损伤检测方法及相关设备

Publications (2)

Publication Number Publication Date
CN114821541A CN114821541A (zh) 2022-07-29
CN114821541B true CN114821541B (zh) 2022-10-04

Family

ID=82520337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210715519.2A Active CN114821541B (zh) 2022-06-23 2022-06-23 一种基于网格模型的道路面损伤检测方法及相关设备

Country Status (1)

Country Link
CN (1) CN114821541B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187619A (zh) * 2022-09-13 2022-10-14 深圳市其域创新科技有限公司 网格数据分割方法、装置、设备及计算机可读存储介质
CN116309566B (zh) * 2023-05-17 2023-09-12 深圳大学 基于点云的粘连人造杆状物单体化提取方法及相关设备
CN117036393B (zh) * 2023-10-09 2023-12-19 中国电建集团昆明勘测设计研究院有限公司 基于倾斜实景三维模型的建筑物轮廓提取方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968813A (zh) * 2012-10-29 2013-03-13 北京工商大学 一种三角面片网格模型的表面采样方法
JP2013088999A (ja) * 2011-10-18 2013-05-13 Aero Asahi Corp 建物抽出装置、方法及びプログラム
JP2017223511A (ja) * 2016-06-14 2017-12-21 日本電信電話株式会社 道路構造化装置、道路構造化方法、及び道路構造化プログラム
JP2018071973A (ja) * 2016-10-24 2018-05-10 日本電信電話株式会社 路面凹凸量推定装置、方法、及びプログラム
CN112396133A (zh) * 2021-01-20 2021-02-23 深圳大学 基于多尺度空间的城市区域空地一体融合点云分类方法
CN113205486A (zh) * 2021-04-08 2021-08-03 南京汇川图像视觉技术有限公司 基于三维点云的表面缺陷检测方法、装置及存储介质
CN113470095A (zh) * 2021-09-03 2021-10-01 贝壳技术有限公司 室内场景重建模型的处理方法和装置
WO2021195697A1 (en) * 2020-03-30 2021-10-07 Anditi Pty Ltd Feature extraction from mobile lidar and imagery data
CN113868733A (zh) * 2021-09-01 2021-12-31 浙江大学 一种基于三维点云的既有结构bim模型自动化生成方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729872B (zh) * 2013-12-30 2016-05-18 浙江大学 一种基于分段重采样和表面三角化的点云增强方法
CN106875462B (zh) * 2017-01-13 2020-07-07 北京航空航天大学 一种基于元球模型和混合驱动方法的实时数字器官切割方法
CN109671154B (zh) * 2018-12-11 2021-05-25 中南大学 三角网格表示的曲面非迭代重新网格化方法
US20200207356A1 (en) * 2018-12-26 2020-07-02 Uatc, Llc Automated Bump and/or Depression Detection in a Roadway
CN112785682A (zh) * 2019-11-08 2021-05-11 华为技术有限公司 模型的生成方法、模型的重建方法及装置
US11810364B2 (en) * 2020-08-10 2023-11-07 Volvo Car Corporation Automated road damage detection

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013088999A (ja) * 2011-10-18 2013-05-13 Aero Asahi Corp 建物抽出装置、方法及びプログラム
CN102968813A (zh) * 2012-10-29 2013-03-13 北京工商大学 一种三角面片网格模型的表面采样方法
JP2017223511A (ja) * 2016-06-14 2017-12-21 日本電信電話株式会社 道路構造化装置、道路構造化方法、及び道路構造化プログラム
JP2018071973A (ja) * 2016-10-24 2018-05-10 日本電信電話株式会社 路面凹凸量推定装置、方法、及びプログラム
WO2021195697A1 (en) * 2020-03-30 2021-10-07 Anditi Pty Ltd Feature extraction from mobile lidar and imagery data
CN112396133A (zh) * 2021-01-20 2021-02-23 深圳大学 基于多尺度空间的城市区域空地一体融合点云分类方法
CN113205486A (zh) * 2021-04-08 2021-08-03 南京汇川图像视觉技术有限公司 基于三维点云的表面缺陷检测方法、装置及存储介质
CN113868733A (zh) * 2021-09-01 2021-12-31 浙江大学 一种基于三维点云的既有结构bim模型自动化生成方法
CN113470095A (zh) * 2021-09-03 2021-10-01 贝壳技术有限公司 室内场景重建模型的处理方法和装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Supervoxel-Based Random Forest Method for Robust and Effective Airborne LiDAR Point Cloud Classification;Lingfeng Liao 等;《Remote Sensing》;20220321;第1-18页 *
Automated Feature-Based Down-Sampling Approaches for Fine Registration of Irregular Point Clouds;Abdulla Al-Rawabdeh 等;《remote sensing》;20200410;第1-25页 *
三维激光扫描技术在矿区道路沉陷监测中应用;陈年青 等;《北京测绘》;20210831;第35卷(第8期);第1131-1135页 *
基于移动激光雷达数据的路面状况检测方法研究;钟棉卿;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20210615(第06期);第C034-11页 *
堆场场景下的船体分段三维扫描点云分割研究;唐厚鹏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20220131(第01期);第C036-186页 *
顾及矢量特征的机载LiDAR点云数据压缩方法;杨玲 等;《地理与地理信息科学》;20090731;第25卷(第4期);第25-29页 *

Also Published As

Publication number Publication date
CN114821541A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN114821541B (zh) 一种基于网格模型的道路面损伤检测方法及相关设备
CN108604301B (zh) 用于大rgb-d扫描的可缩放自动全局配准的基于关键点的点对特征
US7995055B1 (en) Classifying objects in a scene
CN109146948B (zh) 基于视觉的作物长势表型参数量化与产量相关性分析方法
Xu et al. Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor
CN102804231B (zh) 三维场景的分段平面重建
CN111780763A (zh) 一种基于视觉地图的视觉定位方法、装置
EP1791082A1 (en) Feature extraction using pixel cues and object cues
CN110866531A (zh) 一种基于三维建模的建筑物特征提取方法、系统及存储介质
CN109934847B (zh) 弱纹理三维物体姿态估计的方法和装置
Wang et al. A robust approach for automatic registration of aerial images with untextured aerial lidar data
CN108399424B (zh) 一种点云分类方法、智能终端及存储介质
CN114332348B (zh) 一种融合激光雷达与图像数据的轨道三维重建方法
CN112085840A (zh) 语义分割方法、装置、设备及计算机可读存储介质
WO2010042466A1 (en) Apparatus and method for classifying point cloud data based on principal axes
Pound et al. A patch-based approach to 3D plant shoot phenotyping
CN116229007B (zh) 利用bim建模的四维数字图像构建方法、装置、设备及介质
CN113689535B (zh) 基于无人机影像的建筑物模型的生成方法和装置
CN111259808A (zh) 一种基于改进ssd算法的交通标识的检测识别方法
WO2024060529A1 (zh) 一种道路病害识别方法、系统、设备及存储介质
CN113673400A (zh) 基于深度学习的实景三维语义重建方法、装置及存储介质
CN116563493A (zh) 基于三维重建的模型训练方法、三维重建方法及装置
CN114627073B (zh) 地形识别方法、装置、计算机设备和存储介质
CN115375857A (zh) 三维场景重建方法、装置、设备及存储介质
CN110793441A (zh) 一种高精度物体几何尺寸测量方法及装置

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