CN115797338A

CN115797338A - 基于双目视觉的全景路面多性能指标计算方法及系统

Info

Publication number: CN115797338A
Application number: CN202310052003.9A
Authority: CN
Inventors: 李家乐; 王雪菲; 刘涛
Original assignee: Hebei University of Technology
Current assignee: Hebei University of Technology
Priority date: 2023-02-02
Filing date: 2023-02-02
Publication date: 2023-03-14
Anticipated expiration: 2043-02-02
Also published as: CN115797338B

Abstract

本发明为基于双目视觉的全景路面多性能指标计算方法及系统，包括：自适应动态抽帧模块，点云数据获取模块，点云预处理模块，校准点云获取模块，网格分割模块，纵向分割模块，IRI计算模块，横向分割模块，车辙检测计算模块，路面磨耗指数计算模块。该方法对校准后的路面点云数据进行纵向、横向和网格分析，得到待测路面的路面点云纵向分布、横向轮廓和区域构造深度；通过纵向点云分布和区域构造深度计算路面平整度IRI和路面磨耗指数PWI；利用横向轮廓获得车辙深度指数RDI。通过双目相机实现对路面IRI、PWI和RDI指标的提取和计算。

Description

基于双目视觉的全景路面多性能指标计算方法及系统

技术领域

本发明涉及一种基于双目视觉的全景路面多性能指标计算方法及系统。

背景技术

近年来公路基础设施建设迅猛发展，路网规模不断扩大，养护里程逐年提升。路面性能评价是诊断路面健康状态的重要手段和方法。路面性能评价指标是反应路面性能的直接参数。因此需要对路面进行巡检来获取路面性能评价指标。不同的路面性能评价指标反应路面不同的使用性能。路面平整度是路面评价及路面施工验收中的一个重要指标，主要反映的是路面纵断面剖面曲线的平整性，目前使用国际平整度指数（IRI）表征。路面磨耗指数（PWI）是评价路面磨损和抗滑性能的指标，通过计算道路表面纹理的构造深度计算所得。同时路面车辙深度指数（RDI）也是评价路面服务水平和行驶质量的重要指标，RDI主要是对车辙深度的计算，车辙是在车辆荷载影响下道路形成的变形病害。车辙的形态提取以及类型判别对于养护方法决策具有指导意义。车辙根据表现形式有W型车辙和U型车辙，W车辙一般为失稳型车辙，失稳型车辙主要是由于沥青混合料高温稳定性不足，或车辆超载严重，引起沥青混合料产生剪切永久变形的结果。U型车辙一般为结构型车辙，结构型车辙主要是由于路面结构设计不合理、施工过程质量控制不严引起的，如结构层压实度不足、材料离析、整体性差，尤其是路基承载能力不足。国际平整度指数（IRI）、路面车辙深度指数（RDI）、路面磨耗指数（PWI）的检测能为决策者提供重要的信息，使决策者能为路面的维修、养护及翻修等做出优化决策。同时也是评价道路服务水平和行驶质量的重要途径。

目前对于IRI的检测主要通过3M直尺、车载颠簸累积仪或者车载激光雷达进行测量。3M直尺、车载颠簸累积仪因为操作简单、设备成本低廉应用较为广泛，但是这两种方法只能选取道路某一条直线进行测量的评价，无法避免偶然因素造成的测量误差，3M直尺法在工作时还需要阻断交通，对道路的正常使用会造成影响，车载颠簸累积仪通过获取振动信号对平整度进行计算，车辆自身的振动会对结果造成影响。车载激光雷达法和3D激光扫描系统通过激光扫描获取路面信息，精度较高，可以获取路面三维信息对IRI和 RDI进行检测。但是车载激光雷达设备成本十分高昂，同时激光雷达易受空气介质的影响，抗干扰能力较差。数据采集质量易受激光发射和被扫描物体粗糙度影响。因此车载激光雷达法目前只适用于小范围实验，无法在工程领域大范围推广。PWI的工程检测主要是通过铺砂法进行，基本原理是使用一定体积的细砂，将其平铺在道路表面，计算覆盖面积，以此获取路面构造深度，虽然有电动铺砂仪，但是由于只能进行抽检，无法避免偶发因素对结果造成的影响。铺砂法无法重复利用，会对交通造成影响并且效率较低。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于双目视觉的连续性多路面性能指标计算方法及系统。

本发明解决所述技术问题采用的技术方案是：

第一方面，一种基于双目视觉的全景路面多性能指标计算方法，所述计算方法包括以下内容：

获得双目相机及测试车辆采集路面图像时的采集参数；

获得路面图像的校准后的路面点云数据，对校准后的路面点云数据进行纵向、横向和网格分析，得到待测路面的路面点云纵向分布、横向轮廓和区域构造深度；

通过点云纵向分布和区域构造深度计算路面平整度IRI和路面磨耗指数PWI；利用横向轮廓获得车辙深度指数RDI。

对横向轮廓添加趋势线并进行极值分析，根据极值点确定车辙波谷，以此判断车辙类型，并且通过极值点分割得到完整车辙病害，进而获取车辙深度、覆盖面积和车辙体积。

该计算方法的具体过程是：

（1）采集双目相机在不同相机安装高度、不同采集帧率和分辨率下时动态车速的路面图像，同时使用速度采集设备，以秒为单位记录速度信息；将GPS安装在双目相机的左右两个镜头之间，采集三维重建后的点云中心坐标；GPS、双目相机和速度采集设备同时启动和结束；分析双目相机在不同相机安装高度、不同采集帧率和不同分辨率、不同车速时的抽帧数，并拟合抽帧函数，得到综合的动态抽帧规律，保证在相机安装高度、采集帧率、分辨率、车辆行驶速度变化时能确定抽帧数；

（2）根据双目三维重建原理得到路面点云数据，对点云数据降采样、滤波去除离群点、平面拟合、旋转、平移操作实现点云预处理，得到校准后的路面点云数据；校准后的点云中心三维坐标为坐标原点，车辆前进方向为Y轴正方向，在旋转平移后的拟合平面内垂直于Y方向的为X方向，X轴右向为正方向，垂直于旋转平移后的拟合平面的方向为Z方向，指向双目相机镜头平面为Z轴正方向，X方向为横向，Y方向为纵向；

（3）使用相同采集参数的双目相机对基准平面进行双目图像采集，通过双目三维重建得到点云，获得校准后的基准平面点云，以单位长度进行点云纵向分割，计算每个纵向单位点云的平整度并取平均值作为基准IRI；对校准后左右路轮迹范围的点云同样以单位长度进行点云纵向分割，分别对左右轮迹的平整度进行计算，并于减去基准IRI进行修正，取左右轮迹修正后的平整度值最大的为待测路段的国际平整度指标IRI；

（4）对校准后的路面点云数据以单位长度进行点云横向分割，在每个横向单位点云中以X坐标和Z坐标绘制二维散点图，对散点图添加趋势线；对趋势线进行滤波和平滑处理，计算趋势线的极值，当与端点相邻的极值点是极大值点时，则端点忽略不计，若与端点相邻的极值点是极小值点时，则将端点认为为极大值点；根据相邻极大值点之间的波谷宽度和两极大值点之间的波谷深度值判断车辙波谷，含有一个车辙波谷的为U型车辙，含有两个车辙波谷的为W型车辙；

按照车辙波谷两侧的极大值点分割点云，将所有横向单位分割点云组合得到完整车辙；U型车辙波谷极小值点到车辙波谷两侧两极大值点连线的垂线距离的最大值为车辙深度，W型车辙两个车辙波谷的极小值点到车辙波谷两侧两极大值点连线的垂线距离的最大值为车辙深度，根据车辙深度计算RDI指标，车辙在XOY平面的投影为车辙面积；根据车辙点云中点的数量和车辙总面积计算每个点的面积，结合每个点到车辙波谷两侧两极大值点连线的垂线距离计算车辙体积；

（5）使用相同采集参数的双目相机采集无磨损路面点云，经过点云预处理后获得校准后的磨耗基准平面点云，将校准后的磨耗基准平面点云分割成100mm*100mm的网格区域，选取每个网格区域的Z坐标最大的三个点构造顶面，计算区域内所有点到顶面的距离并求和，获得每个网格单元的区域构造深度，将所有网格单元区域构造深度取平均值，获得路面构造深度基准值MPD_C，同样将待测路面上的左右轮迹范围的校准后的路面点云分割成100mm*100mm的网格区域，采取相同的方式计算左右轮迹的路面构造深度；利用左、右轮迹的路面构造深度计算路面磨耗指数PWI。

第二方面，本发明提供一种基于双目视觉的全景路面多性能指标计算系统，其特征在于，该计算系统包括：

自适应动态抽帧模块，用于确定抽帧数，包含抽帧数与车辆行驶速度以及双目相机的相机安装高度、采集帧率、分辨率至少一个之间的函数关系；

点云数据获取模块，用于根据双目相机获取的图像数据进行双目三维重建得到点云数据；

点云预处理模块，用于对点云数据进行预处理，获得校准后的点云；

校准点云获取模块，用于获取并存储校准后的点云，包括校准后的基准平面点云、校准后的磨耗基准平面点云和校准后的路面点云；

网格分割模块，对校准后的点云进行网格分割，对每个网格单元Z坐标最大的三个点构造顶面，网格单元内每个点到顶面的距离总和为该网格单元的区域构造深度，计算所有网格单元区域构造深度平均值；

纵向分割模块，以单位长度对校准后的点云进行纵向分割，获得若干数量的纵向单位点云，计算每一个纵向单位点云中所有点Z坐标的标准差，进而获得每个纵向单位点云的IRI，最后求所有纵向单位点云的IRI的均值，为国际平整度指标均值；

横向分割模块，以单位长度对校准后的路面点云进行横向分割，获得若干数量的横向单位点云，将每个横向单位点云的X坐标和Z坐标绘制一次散点图，散点图中Z坐标数据为纵坐标，X坐标数据为横坐标，对散点图添加趋势线；计算趋势线中的极值点，寻找趋势线中所有的极值点和端点，当与端点相邻的极值点是极大值点时，忽略该端点，当与端点相邻的极值点是极小值点时，将该端点视为极大值点；

IRI计算模块，用于对校准后的基准平面点云利用纵向分割模块处理获得的国际平整度指标均值为基准IRI，对校准后的路面点云利用纵向分割模块处理获得的在车辆的左右轮迹范围内的国际平整度指标均值分别为车辆左右轮迹的国际平整度指标均值，左右轮迹的国际平整度指标均值减去基准IRI得到左右轮迹平整度终值，取左右轮迹中平整度终值最大者为IRI计算模块输出的国际平整度指标IRI；

车辙检测计算模块，利用横向分割模块确定极大值点，两个相邻极大值点横坐标宽度大于200mm时，将两个相邻极大值点之间的区域认定为备选波谷；波谷深度为波谷极小值点到波谷左右两个极大值点连线的垂线距离，将备选波谷中波谷深度大于10mm的认定为车辙波谷；趋势线有一个车辙波谷的认定为U型车辙，趋势线存在两个车辙波谷的认定为W型车辙；将车辙波谷两侧的极大值点进行分割，提取车辙波谷，将每个横向单元分割出的车辙波谷进行拼接得到完整的车辙点云；将所有车辙波谷极小值点到车辙波谷两侧两极大值点连线的垂线距离的最大值认为是该车辙的车辙深度，利用车辙深度获得车辙深度指数RDI；

路面磨耗指数计算模块，对校准后的磨耗基准平面点云利用网格分割模块进行网格分割，获得的所有网格单元区域构造深度平均值为路面构造深度基准值MPD_C；对校准后的路面点云利用网格分割模块处理获得的所有网格单元区域构造深度平均值在车辆的左右轮迹范围内分别为车辆左、右轮迹的路面构造深度；利用左、右轮迹的路面构造深度计算路面磨耗指数PWI；

其中校准后的点云中心三维坐标为坐标原点，车辆前进方向为Y轴正方向，指向双目相机镜头平面为Z轴正方向，垂直于Y轴且垂直Z轴的方向为X方向，X方向为横向，Y方向为纵向。

自适应动态抽帧模块中，包含抽帧数与车辆行驶速度以及双目相机的相机安装高度、采集帧率、分辨率至少一个之间的函数关系，双目相机安装高度、采集帧率、分辨率、车辆行驶速度统称为采集参数，所述函数关系可以是以抽帧数为因变量，双目相机安装高度、采集帧率、分辨率、车辆行驶速度这四个参数为自变量进行拟合获得，也可以是固定双目相机安装高度、采集帧率、分辨率、车辆行驶速度中的至少一个，将剩余的参数作为自变量与抽帧数进行函数拟合获得；所述函数关系用于实现在任意安装高度、采集帧率、分辨率、车辆行驶速度时实现自适应动态抽帧，完成路面无重叠、全覆盖式图像采集，避免路面信息重复或者遗漏；

若自适应动态抽帧模块中存在抽帧数与相关参数的多个函数关系时，选择R²较大的函数关系作为抽帧数计算的依据。

校准点云获取模块中，所述基准平面是任意水平、无明显凹凸变化的平面，如水平墙面，该基准平面目的是计算双目相机生成的点云在计算平整度时的系统误差，可以与采集对象无关。其中对基准平面和无磨损路面图像进行图像采集时，可以是在静止状态下的采集，可以不考虑抽帧数的变化，仅考虑单帧下相同采集参数时的相应的图像即可。当然也可以按照抽帧数相同的要求对基准平面和无磨损路面图像进行图像采集三维重建。

所述单位长度不小于8mm，且最大不能超过一个轮迹带的宽度。

与现有技术相比，本发明的有益效果是：

本发明运用基于双目三维重建的方法实现对路面多性能评价指标的连续性检测方法，通过一个成本低廉，操作简便的双目相机就可以实现对路面IRI、PWI和RDI指标的提取和计算。

本发明经过连续性采集路面图像数据，通过对相机安装高度、相机采集帧率、相机分辨率和车辆行车车速与抽帧数之间的关系进行函数拟合，通过拟合函数可以得到任意参数组合和车速时的抽帧频率，实现道路图像数据全覆盖、无重叠采集。对抽帧后的图像进行双目三维重建得到道路点云，对点云进行预处理，实现校正和去噪等操作。对校正的点云的分别进行横向、纵向和网格分割，以此来提取路面平整度、路面磨耗指数和路面车辙，并且可以实现车辙的分割，进而提取面积、深度和体积等参数，并进行破损程度分级。

本发明通过单一的双目相机实现多路面评价指标计算，节省检测成本，提升数据利用率和检测效率，降低检测的时间复杂度。

附图说明

图1为本发明基于双目视觉的全景路面多性能指标计算方法的流程图。

图2为坑槽识别示意图。

图3是点云横向、纵向分割示意图：图中（a）是倾斜视角，方便看出点云起伏状态，（b）是俯视图，方便看出横纵两个方向的分割情况，图中M所指示的为10mm为单位的点云横向分割示意，用以识别并提取车辙，N所指示的方向为10mm为单位的纵向点云分割示意，用以计算平整度。

图4是抽帧拟合图。

图5是抽帧过程的示意图。

图6为本发明基于双目视觉的全景路面多性能指标计算系统一种实施例的结构示意图。

实施方式

下面结合实施例及附图，详细叙述本发明。具体实施例仅是对发明的进一步详细地说明及解释，并不以此限定本发明的保护范围。

本发明基于双目视觉的全景路面多性能指标计算方法（参见图1），该方法的步骤是：

S1：获得双目相机及测试车辆采集路面图像时的采集参数；

S2：获得路面图像的校准后的路面点云数据，对校准后的路面点云数据进行纵向、横向和网格分析，得到待测路面的路面点云纵向分布、横向轮廓和区域构造深度；

S3：通过点云纵向分布和区域构造深度计算路面平整度IRI和路面磨耗指数PWI；利用横向轮廓获得车辙深度指数RDI；

具体地，对横向轮廓添加趋势线并进行极值分析，根据极值点确定车辙波谷，以此判断车辙类型，并且通过极值点分割得到完整车辙病害，进而获取车辙深度、覆盖面积和车辙体积，利用车辙深度计算车辙深度指数RDI。

所述计算方法的详细过程是：

（1）设备安装及双目相机连续采集

将ZED2i双目相机安装在测试车辆尾部，使用三角吸盘支架固定，镜头垂直向下，包括左目镜头和右目镜头。测量双目相机镜头离地面高度。采集前记录使用双目相机的采集帧率和分辨率。将GPS定位装置安装在左右目两个镜头之间，用来采集左右目图像的GPS位置信息。使用速度采集设备采集测试车辆行驶过程中的速度。GPS位置信息和采集的图像通过时间戳匹配。数据采集时双目相机、GPS定位装置和速度采集设备同时开始和关闭。

（2）自适应动态抽帧

数据采集和巡检过程是连续的不间断的采集模式，相邻图像之间覆盖的区域会产生重叠，为了避免路面信息重复检测，提升检测效率和准确率，减少检测时间，实现数据采集的全覆盖、无重叠，需要对连续采集的图像进行抽帧分析。对不同相机安装高度、不同分辨率、不同采集帧率和不同车辆行驶速度的参数组合下进行数据采集。双目相机的分辨率和采集帧率组合有：2K，15FPS；1080P，15、30FPS；720P，15、30、60FPS；376P，15、30、60、100FPS。双目相机安装高度可以设置为0.5m-2.5m。车辆行驶速度范围0-60km/h，速度以1秒为单位记录。数据采集完毕后根据采集帧率划分图像数据，将图像数据与GPS位置信息和速度信息及时间戳匹配，例如采集帧率为60FPS，则取从第一张图像开始，连续60张图像和第一秒速度进行匹配。速度在启动之后做变速运动，然后在接下来的每一秒选取任一图像中的底部的特征点，统计该特征点从刚出现到刚好消失需要多少帧图像，所需帧数即为该秒需要进行的抽帧数量，从而实现路面信息连续不丢失且无重叠，记录下该秒下的速度，获得每秒速度对应的抽帧数，将每秒速度与抽帧数进行函数拟合，从而确定固定安装高度、采集帧率与分辨率下抽帧数与速度的函数关系。依据抽帧数与速度的函数关系可实现动态抽帧。

如图5所示的抽帧的过程中车辆行驶速度为6Km/h，采集帧率为30FPS,分辨率为1080P下，编号1014的帧图像与编号1051的帧图像可以连接且不重叠，这两帧之间的所差的帧数即为抽帧数，以该抽帧数进行抽帧。

图4所示拟合的函数关系是在相机安装高度1.8m，分辨率和采集帧率为720P，60FPS时，速度与抽帧数的函数关系，拟合的函数关系时为：

，

其中FPS为速度v时的抽帧数，若根据函数关系计算不为整数时则进行四舍五入取值，v是数据采集测试车辆每秒的车辆行驶速度，单位m/s。

本实施例中根据实际采集场景的实际情况，以安装高度、采集帧率与分辨率为已知定值时，直接拟合抽帧数和车辆行驶速度的函数关系，使抽帧更加简便。通过抽帧数的确定能获得任意一秒的行车速度要抽多少帧图像，留下来图像用于进行三维重建。

（3）点云预处理

对抽帧后的双目图像进行双目三维重建得到路面点云数据，对路面点云数据进行点云预处理，包括降采样操作、半径滤波操作、最小二乘法拟合平面、点云旋转和平移操作。对点云进行降采样操作，减小数据量，同时去除部分噪声点。使用半径滤波法去除离群点，减小误差。对点云数据使用最小二乘法进行平面拟合，最小二乘法可以保证每次拟合的平面唯一确定。为了避免车辆采集过程出现颠簸或者设备安装时出现镜头不垂直导致的点云倾斜需要进行点云旋转和平移操作。根据拟合平面的法向量进行旋转，将点云中心平移到三维空间坐标原点，得到校准后的路面点云数据。校准后的路面点云数据中，车辆前进方向为Y轴正方向，在旋转平移后的拟合平面内垂直于Y方向的为X方向，X轴右向为正方向。垂直于旋转平移后的拟合平面为Z方向。指向双目相机镜头平面为Z轴正方向。X方向为横向，Y方向为纵向。图3中X方向为M标记所示方向，Y方向为N标记所示方向，坐标轴以毫米为单位。

（4）平整度检测

确定双目相机的采集参数后，在相同相机安装高度、分辨率和采集帧率下对基准平面进行一次图像采集，得到平面点云，基准平面是指近似水平的平面。平面点云经过降采样、滤波离群点去除、平面拟合、旋转、平移后获得校准后的基准平面点云。

以10mm为单位对校准后的基准平面点云进行纵向分割，获得纵向单位点云，计算每一个纵向单位点云中所有点Z坐标的标准差。根据标准差与国际平整度指数计算公式获得基准平整度。标准差与国际平整度指数IRI转换公式为：

，

其中IRI为国际平整度指数，σ为纵向单位点云Z坐标标准差。

计算所有纵向单位点云的IRI，并求国际平整度指数均值。所得国际平整度指数均值作为基准IRI。

在道路检测和实际应用时，对左右轮迹范围的点云以10mm为单位进行纵向分割。根据普通家用A级轿车轮胎宽度和轮距确定轮迹范围。轿车轮距取1.6m，轮胎宽度取200mm。左轮迹范围的横坐标为[-1000，-800]，右轮迹范围横坐标为[800，1000]。分别计算左右轮迹的国际平整度指数均值，计算方法与基准平整度值（基准IRI）计算方法一致，即根据道路检测和实际应用时的单位点云Z坐标标准差获得单位点云的IRI，再计算所有点云的IRI，并求均值，获得左右轮迹的国际平整度指数均值；基准平整度值是相同相机安装高度、分辨率和采集帧率的双目相机在静态时采集的基准平面计算得到的基准IRI, 基准平整度值是双目相机的系统误差，实现误差校正。左右轮迹的国际平整度指数均值减去基准平整度值得到左右轮迹平整度终值。取左右轮迹中平整度终值最大者为待测路段国际平整度指数IRI。

（5）车辙检测与RDI计算

对校准后的路面点云以10mm为一个横向单元进行横向分割，将每个横向单位点云的X坐标和Z坐标绘制一次散点图，散点图中Z坐标数据为纵坐标，X坐标数据为横坐标，对散点图添加趋势线，如图2所示。对趋势线进行平滑和滤波操作，去除趋势线中的小范围波动和异常突起，形成两个端点和多个极值点。计算趋势线中的极值点，寻找趋势线中所有的极值点和端点，当与端点相邻的极值点是极大值点时，忽略该端点。当与端点相邻的极值点是极小值点时，将该端点视为极大值点。图2中，两个端点相邻极值点均为极小值点，则两个端点均为极大值点。

两个相邻极大值点横坐标宽度大于200mm时，将两个相邻极大值点之间的区域认定为备选波谷，两个相邻极大值点之间的水平距离为波谷宽度。波谷深度为波谷极小值点到波谷左右两个极大值点连线的垂线距离。将备选波谷中波谷深度大于10mm的认定为车辙波谷。趋势线有一个车辙波谷的认定为U型车辙，U型车辙为结构型车辙，趋势线存在两个车辙波谷的认定为W型车辙，W型车辙为失稳型车辙。将车辙波谷两侧的极大值点进行分割，将车辙波谷进行提取。将每个横向单元分割出的车辙波谷进行拼接得到完整的车辙点云。将所有车辙波谷极小值点到车辙波谷两侧两极大值点连线的垂线距离的最大值认为是该车辙的车辙深度。所述车辙检测计算模块计算的车辙深度若在10-15mm范围内为轻度车辙，若计算的车辙深度大于15mm为重度车辙。

路面车辙深度指数RDI计算公式为：

，

其中RDI为路面车辙深度指数，RD：车辙深度（mm）；

：车辙深度参数下限值，采用 10.0；

：车辙深度参数上限值，采用 40.0；

：模型参数，采用 3.0。

完整车辙点云在XOY平面的映射为该车辙的面积。用车辙面积和车辙点云中所有点数计算每个点代表的实际面积，用每个点的面积与该点到车辙波谷两侧两极大值点连线的垂线距离相乘并加和得到车辙体积。

（6）路面磨耗指数PWI计算

使用相同相机安装高度、分辨率和采集帧率的双目相机采集无磨损路面图像，对图像进行双目三维重建得到磨耗路面点云，所述无磨损路面图像为待测路面上状态较好的路面所采集的图像为基准，每次采集前需要确定一下待测道路的无磨损路面图像，具体确定方式可依据现有技术实现。

通过同样的点云预处理（步骤（3））得到校准后的磨耗基准平面点云。对校准后的磨耗基准平面点云进行网格分割，每个网格单元尺寸为100mm*100mm。对每个网格单元Z坐标最大的三个点构造顶面，网格单元内每个点到顶面的距离总和为该网格单元的区域构造深度，计算所有网格单元区域构造深度平均值为路面构造深度基准值MPD_C。

在道路检测时，将左右轮迹范围划分成100mm*100mm的网格区域，左轮迹范围的横坐标为[-1000，-800]，右轮迹范围横坐标为[800，1000]。按照与计算路面构造深度基准值MPD_C相同的方式计算左右轮迹的路面构造深度，即对道路检测获得的待检测道路的实际抽帧后的图像经三维重建并预处理后获得的点云进行网格分割，每个网格单元尺寸为100mm*100mm。对每个网格单元Z坐标最大的三个点构造顶面，网格单元内每个点到顶面的距离总和为该网格单元的区域构造深度，计算所有网格单元区域构造深度平均值分别为左右轮迹的路面构造深度。路面磨耗指数PWI的计算公式如下：

，

，

其中WR ：路面磨耗率（%）；

—— 模型参数，采用 1.696；

—— 模型参数，采用 0.785；

MPD —— 路面构造深度（mm）；

MPD_C —— 路面构造深度基准值（mm）；

MPD_L —— 左轮轮迹的路面构造深度（mm）；

MPD_R —— 右轮轮迹的路面构造深度（mm）。

本发明基于双目视觉的全景路面多性能指标计算系统，如图6所示，利用双目相机1连续采集路面图像，包括：

自适应动态抽帧模块2，包含抽帧数与车辆行驶速度以及双目相机的相机安装高度、采集帧率、分辨率至少一个之间的函数关系，根据已知参数代入函数关系能获得相应采集条件的抽帧数，所述已知参数为车辆行驶速度、双目相机的相机安装高度、采集帧率、分辨率中的至少一个；

点云数据获取模块3，根据实际场景下的已知参数，利用自适应动态抽帧模块获得所述抽帧数，根据所述抽帧数和已知参数获得图像数据，以获得的图像数据进行双目三维重建得到点云数据；

点云预处理模块4，用于对点云数据进行包括降采样、滤波、最小二乘法拟合获得拟合平面、点云旋转和平移操作在内的预处理操作，获得校准后的点云，校准后的点云中心三维坐标为坐标原点，以车辆前进方向为Y轴正方向，在旋转平移后的拟合平面内垂直于Y方向的为X方向，垂直于旋转平移后的拟合平面的方向为Z方向，指向双目相机镜头平面为Z轴正方向，X方向为横向，Y方向为纵向；

校准点云获取模块5，使用相同相机安装高度、分辨率和采集帧率的双目相机对基准平面进行双目图像采集，通过双目三维重建得到基准点云，并利用点云预处理模块获得校准后的基准平面点云；使用相同相机安装高度、分辨率和采集帧率时的双目相机采集待测路面上的无磨损路面图像，对图像进行双目三维重建得到磨耗路面点云，并利用点云预处理模块获得校准后的磨耗基准平面点云；使用相同相机安装高度、分辨率和采集帧率时动态采集的双目相机采集待测路面上的实际双目图像，对实际双目图像进行双目三维重建得到路面点云，并利用点云预处理模块获得校准后的路面点云；

网格分割模块8，对校准后的点云进行网格分割，对每个网格单元Z坐标最大的三个点构造顶面，网格单元内每个点到顶面的距离总和为该网格单元的区域构造深度，计算所有网格单元区域构造深度平均值；

纵向分割模块6，以单位长度对校准后的点云进行纵向分割，获得若干数量的纵向单位点云，计算每一个纵向单位点云中所有点Z坐标的标准差，进而获得每个纵向单位点云的IRI，最后求所有纵向单位点云的IRI的均值，即为国际平整度指标均值；

IRI计算模块9，对校准后的基准平面点云利用纵向分割模块处理获得的国际平整度指标均值为基准IRI，对校准后的路面点云利用纵向分割模块处理，获得在车辆的左右轮迹范围内的国际平整度指标均值分别为车辆左右轮迹的国际平整度指标均值，左右轮迹的国际平整度指标均值减去基准IRI得到左右轮迹平整度终值，取左右轮迹中平整度终值最大者为IRI计算模块输出的国际平整度指标IRI；

横向分割模块7，以单位长度对校准后的路面点云进行横向分割，获得若干数量的横向单位点云，将每个横向单位点云的X坐标和Z坐标绘制一次散点图，散点图中Z坐标数据为纵坐标，X坐标数据为横坐标，对散点图添加趋势线；对趋势线进行平滑和滤波操作，计算趋势线中的极值点，寻找趋势线中所有的极值点和端点，当与端点相邻的极值点是极大值点时，忽略该端点，当与端点相邻的极值点是极小值点时，将该端点视为极大值点；

车辙检测计算模块10，利用横向分割模块确定极大值点，两个相邻极大值点横坐标宽度大于200mm时，将两个相邻极大值点之间的区域认定为备选波谷；波谷深度为波谷极小值点到波谷左右两个极大值点连线的垂线距离，将备选波谷中波谷深度大于10mm的认定为车辙波谷；趋势线有一个车辙波谷的认定为U型车辙，趋势线存在两个车辙波谷的认定为W型车辙；将车辙波谷两侧的极大值点进行分割，提取车辙波谷，将每个横向单元分割出的车辙波谷进行拼接得到完整的车辙点云；将所有车辙波谷极小值点到车辙波谷两侧两极大值点连线的垂线距离的最大值认为是该车辙的车辙深度，车辙深度在10-15mm的为轻度车辙，大于15mm的为重度车辙；利用车辙深度获得车辙深度指数RDI；

路面磨耗指数计算模块11，对校准后的磨耗基准平面点云利用网格分割模块进行网格分割，获得的所有网格单元区域构造深度平均值为路面构造深度基准值MPD_C；对校准后的路面点云利用网格分割模块处理获得的所有网格单元区域构造深度平均值在车辆的左右轮迹范围内分别为车辆左、右轮迹的路面构造深度；利用左、右轮迹的路面构造深度计算路面磨耗指数PWI。

本发明未述及之处适用于现有技术。

Claims

1.一种基于双目视觉的全景路面多性能指标计算方法，其特征在于，所述计算方法包括以下内容：

获得双目相机及测试车辆采集路面图像时的采集参数；

2.根据权利要求1所述的基于双目视觉的全景路面多性能指标计算方法，其特征在于，该计算方法的具体过程是：

（2）根据双目三维重建原理得到路面点云数据，对点云数据降采样、滤波去除离群点、平面拟合、旋转、平移操作实现点云预处理，得到校准后的路面点云数据；校准后的点云中心三维坐标为坐标原点，车辆前进方向为Y轴正方向，指向双目相机镜头平面为Z轴正方向，垂直于Y轴且垂直Z轴的方向为X方向，X方向为横向，Y方向为纵向；

3.一种基于双目视觉的全景路面多性能指标计算系统，其特征在于，该计算系统包括：

IRI计算模块，用于对校准后的基准平面点云利用纵向分割模块处理获得的国际平整度指标均值为基准IRI，对校准后的路面点云利用纵向分割模块处理获得的在车辆的左右轮迹范围内的国际平整度指标均值分别为车辆左右轮迹的国际平整度指标均值，左右轮迹的国际平整度指标均值减去基准IRI得到左右轮迹平整度终值，取左右轮迹中平整度终值最大者为待测路段的国际平整度指标IRI；

路面磨耗指数计算模块，对校准后的磨耗基准平面点云利用网格分割模块进行网格分割，获得的所有网格单元区域构造深度平均值为路面构造深度基准值MPD_C；对校准后的路面点云利用网格分割模块处理，获得的所有网格单元区域构造深度平均值在车辆的左右轮迹范围内分别为车辆左、右轮迹的路面构造深度；利用左、右轮迹的路面构造深度计算路面磨耗指数PWI；

4.根据权利要求3所述的基于双目视觉的全景路面多性能指标计算系统，其特征在于，

所述自适应动态抽帧模块根据已知参数代入函数关系能获得相应采集条件的抽帧数，所述已知参数为车辆行驶速度、双目相机的相机安装高度、采集帧率、分辨率中的至少一个；

所述点云数据获取模块，根据实际场景下的已知参数，利用自适应动态抽帧模块获得所述抽帧数，根据所述抽帧数和已知参数获得图像数据，以获得的图像数据进行双目三维重建得到点云数据；

所述点云预处理模块中所述预处理包括降采样、滤波、最小二乘法拟合平面、点云旋转和平移操作；

所述校准点云获取模块中，使用相同相机安装高度、分辨率和采集帧率的双目相机对基准平面进行双目图像采集，通过双目三维重建得到基准点云，并利用点云预处理模块获得校准后的基准平面点云；使用相同相机安装高度、分辨率和采集帧率时的双目相机采集待测路面上的无磨损路面图像，对图像进行双目三维重建得到磨耗路面点云，并利用点云预处理模块获得校准后的磨耗基准平面点云；使用相同相机安装高度、分辨率和采集帧率时动态采集的双目相机采集待测路面上的实际双目图像，对实际双目图像进行双目三维重建得到路面点云，并利用点云预处理模块获得校准后的路面点云；

所述车辙检测计算模块计算的车辙深度若在10-15mm范围内为轻度车辙，若计算的车辙深度大于15mm为重度车辙。

5.根据权利要求3所述的基于双目视觉的全景路面多性能指标计算系统，其特征在于，所述函数关系是以抽帧数为因变量，车辆行驶速度以及双目相机的相机安装高度、采集帧率、分辨率这四个参数为自变量进行拟合获得；或者固定车辆行驶速度、双目相机的相机安装高度、采集帧率、分辨率中的至少一个，将剩余的参数作为自变量与抽帧数进行函数拟合获得。

6.根据权利要求3所述的基于双目视觉的全景路面多性能指标计算系统，其特征在于，所述路面磨耗指数PWI按照下述公式获得：

，

，

其中WR ：路面磨耗率，单位是%；

—— 模型参数，采用 1.696；

—— 模型参数，采用 0.785；

MPD_C —— 路面构造深度基准值，单位是mm；

MPD_L —— 左轮轮迹的路面构造深度，单位是mm；

MPD_R —— 右轮轮迹的路面构造深度，单位是mm；

所述车辙深度指数RDI按照下述公式获得：

，

其中，RD：车辙深度，单位mm；

：车辙深度参数下限值，采用 10.0；

：车辙深度参数上限值，采用 40.0；

：模型参数，采用 3.0。

7.根据权利要求3所述的基于双目视觉的全景路面多性能指标计算系统，其特征在于，所述双目相机安装在测试车辆尾部，镜头垂直向下，包括左目镜头和右目镜头，将GPS定位装置安装在左右目两个镜头之间，用来采集左右目图像的GPS位置信息，使用速度采集设备采集测试车辆行驶过程中的速度，GPS位置信息和采集的图像通过时间戳匹配，数据采集时双目相机、GPS定位装置和速度采集设备同时开始和关闭。

8.根据权利要求3所述的基于双目视觉的全景路面多性能指标计算系统，其特征在于，所述单位长度不小于8mm，且最大不能超过一个轮迹带的宽度。