CN115797784B - 公路边坡地质监测方法及监测系统 - Google Patents

Abstract

本发明公开了公路边坡地质监测方法及监测系统，包括：采集公路边坡的多视图影像和所述多视图影像所相应的特征点位；把所述多视图影像和所述特征点位输入神经网络模型一，输出二维特征图；把所述多视图影像、所述特征点位以及所述二维特征图输入神经网络模型二，输出三维图像；将所述三维图像进行纹理映射处理，得到所述公路边坡的实景图；根据公路边坡的实景图，识别判断公路边坡的安全状况，并进行对应的检修。通过本发明的技术方案，达到了更快、更好地、更精准的获取公路边坡的实景图的目的，便于直观分析公路边坡的使用状态，从而对公路边坡的损害进行抢修。

Description

公路边坡地质监测方法及监测系统

技术领域

本发明属于公路边坡监测技术领域，具体涉及公路边坡地质监测方法及监测系统。

背景技术

工程建设过程的爆破开挖、极端环境变化等均会对公路边坡原有结构造成破坏，使其处于不稳定状态而加剧地质灾害发生，边坡地质灾害的发生具有预测难、危害强等特点。传统技术中对边坡的监测主要采用人工借助监测仪器定期进行观测，随着电子信息技术的发展， 现有技术中已有边坡开始采用智能监测系统，

（1）运用智能监测系统实现对边坡变形实时监测和分析，具体为在高边坡设立在线监测点，分析了高边坡坡面滑坡的原因。

（2）利用光纤传感技术、数字化近景摄影测量技术、全球导航卫星系统与合成孔径雷达干涉技术等新型边坡监测技术的特点、适用性和应用情况。

（3）采用激光雷达技术、光纤光栅传感技术、视频监控和 GNNS 时间同步技术，构建了危险边坡路段的智能监测及预报警综合系统。

上述现有技术中的监测识别方法，一方面需要设立很多监测站点，成本巨大，同时监测设备出现异常状态时，无法及时进行检修，会出现监测图像的缺失和异常。另一方面，卫星遥感监测技术采集的影像精度较低，仅适用于大范围滑坡的初步调查，实时性也难以保证。同时由于公路边坡的地貌形状比较复杂，上述的摄影采集测量技术采集的是二维平面图像，仅能对平面位移进行计算，在二维尺度上判断边坡的变化，无法体现边坡的实体全貌变化，从而准确判断公路边坡的实际状态。

发明内容

为了克服现有技术的不足，本发明的目的在于提供公路边坡地质监测方法及监测系统，旨在解决现有技术中的监测识别方法存在的如下问题：

（1）利用现场监测设备进行监测，需要设立很多监测站点，成本巨大，同时监测设备出现异常状态时，无法及时进行检修，会出现监测图像的缺失和异常。

（2）卫星遥感监测技术采集的影像精度较低，仅适用于大范围滑坡的初步调查，实时性也难以保证。

（3）由于公路边坡的地貌形状比较复杂，常规的摄影采集测量技术采集的是二维平面图像，仅能对平面位移进行计算，在二维尺度上判断边坡的变化，无法体现边坡的实体全貌变化困难问题。

本发明采取以下技术方案实现：

根据本发明实施例的一个方面，提供了一种公路边坡地质监测方法，包括：采集公路边坡的多视图影像和多视图影像所相应的特征点位；把多视图影像和特征点位输入神经网络模型一，输出二维特征图，其中，神经网络模型一用于将多视图影像和特征点位进行背景分割处理，二维特征图至少包括公路边坡的轮廓信息；把多视图影像、特征点位以及二维特征图输入神经网络模型二，输出三维图像，其中，神经网络模型二用于将多视图影像、特征点位以及二维特征图进行轮廓信息优化处理，三维图像至少包括公路边坡的纹理信息；将三维图像进行纹理映射处理，得到公路边坡的实景图；根据公路边坡的实景图，识别判断公路边坡的安全状况，并进行对应的检修。

为优化上述技术方案，采取的具体措施还包括：

进一步地，把所述多视图影像和所述特征点位输入神经网络模型一，输出二维特征图，具体为：

首先将多视图影像按照采集角度进行划分；

构建空间坐标系，获取同一角度多视图影像的特征点位的位置信息；

以特征点位为基准点，将多个角度的多视图影像进行组合，形成多个公路边坡的平面图像；

将平面图像中的特征点位进行连接并提取，得到二维特征图。

进一步地，把所述多视图影像、所述特征点位以及所述二维特征图输入神经网络模型二，输出三维图像，具体为：

将多个二维特征图按照空间位置进行排列；

获取每个二维特征图中特征点位的平面坐标，根据多个平面坐标合成空间坐标；

以特征点位的空间坐标为基准点，将多个二维特征图进行组合，形成三维图像。

进一步地，将所述三维图像进行纹理映射处理，得到所述公路边坡的实景图，具体为：

采集所述多视图影像中的多个像素点；

将多个所述像素点进行排列处理，得到排列结果，其中，所述排列结果表征了每个所述像素点在三维图像中的空间位置；

基于所述排列结果映射纹理图像，得到所述公路边坡的实景图。

进一步地，基于所述排列结果映射纹理图像，得到所述公路边坡的实景图，具体为：

采集多个纹理特征，其中，多个所述纹理特征用于表征所述纹理图像的相似性；

将多个所述纹理特征进行间隔采样，得到多个间隔纹理特征；

基于多个所述间隔纹理特征映射所述纹理图像，得到所述公路边坡的实景图。

进一步地，在将所述三维图像进行纹理映射处理，得到所述公路边坡的实景图之前，所述方法还包括：接收所述三维图像进行检测的检测指令；基于所述检测指令，将所述多视图影像和所述三维图像进行对比分析，得到分析结果，其中，所述分析结果表征所述三维图像中是否存在轮廓差异；根据所述分析结果，确定是否将所述三维图像进行轮廓优化处理。

进一步地，根据所述分析结果，确定是否将所述三维图像进行轮廓优化处理，包括：在所述三维图像中存在所述特征点位异常的情况下，将所述特征点位进行补全和/或特征点位进行重新配对处理。

根据本发明实施例的另一方面，还提供了一种公路边坡地质监测系统，包括：

采集模块，用于采集公路边坡的多视图影像和多视图影像所相应的特征点位；

处理模块一，用于把多视图影像和特征点位输入神经网络模型一，输出二维特征图，其中，神经网络模型一用于将多视图影像和特征点位进行背景分割处理，二维特征图至少包括公路边坡的轮廓信息；

处理模块二，用于把多视图影像、特征点位以及二维特征图输入神经网络模型二，输出三维图像，其中，神经网络模型二用于将多视图影像、特征点位以及二维特征图进行轮廓信息优化处理，三维图像至少包括公路边坡的纹理信息；

处理模块三，用于将三维图像进行纹理映射处理，得到公路边坡的实景图；

分析模块，用于根据公路边坡的实景图，识别判断公路边坡的安全状况，并进行对应的检修。

根据本发明实施例的另一方面，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存储有计算机程序，其中，计算机程序被设置为运行时执行上述的公路边坡地质监测方法。

根据本发明实施例的另一方面，还提供了一种电子设备，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的公路边坡地质监测方法。

在本发明实施例中，采用通过卷积神经网络将公路边坡进行特征提取的方式，首先采集公路边坡的多视图影像和多视图影像所相应的特征点位，然后把多视图影像和特征点位输入神经网络模型一，输出二维特征图，再把多视图影像、特征点位以及二维特征图输入神经网络模型二，输出三维图像，最后将三维图像进行纹理映射处理，得到公路边坡的实景图。其中，神经网络模型一用于将多视图影像和特征点位进行背景分割处理，二维特征图至少包括公路边坡的轮廓信息和位置信息，神经网络模型二用于将多视图影像、特征点位以及二维特征图进行轮廓信息重组处理，三维图像至少包括公路边坡的立体信息。

在上述过程中，通过采集公路边坡的多视图影像和多视图影像所相应的特征点位，为神经网络模型一提供了像素来源；通过神经网络模型一将多视图影像和特征点位进行背景分割处理，可以得到公路边坡的二维特征图，从公路边坡的图像中提取轮廓线条的过程，为后续构建三维图像提供了便利；通过神经网络模型二将多视图影像、特征点位以及二维特征图进行轮廓信息优化处理，可以得到精细度更高的公路边坡的三维图像，最后将三维图像进行纹理映射处理，可以得到立体轮廓对应的实景图。

本发明的有益效果：

相比现有技术而言，本发明的公路边坡地质监测方法，通过对多视图影像进行分解，得到二维特征图，再对二维特征图进一步构建三维轮廓图像，最后对三维轮廓图像进行纹理映射，得到公路边坡的实景图像，由此可见，通过本发明的技术方案，达到了更快、更好地、更精准的获取公路边坡的实景图的目的，便于直观分析公路边坡的使用状态，从而进行公路边坡的损害进行抢修，进而解决了现有技术中摄影采集二维平面图像，仅能对平面位移进行计算，在二维尺度上判断边坡的变化，无法体现边坡的实体全貌变化，从而准确判断公路边坡的实际状态的技术问题。

附图说明

图1是本发明实施例1提供的公路边坡地质监测方法流程图。

图2是本发明实施例1提供的M点邻域的示意图。

图3是本发明实施例1提供的构造公路边坡实景图的工作流程图。

图4是本发明实施例2提供的公路边坡地质监测系统的模块连接示意图。

实施方式

为了阐明本发明的技术方案和工作原理，下面结合附图于具体实施例将本发明作进一步详细描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

实施例

根据本发明实施例，提供了一种公路边坡地质监测方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种可选的公路边坡地质监测方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，采集公路边坡的多视图影像和多视图影像所相应的特征点位。

具体而言：公路是重要的交通运输道路，需要保证其安全性，而在监测公路安全的过程中，对于公路边坡的监测尤为重要，同时由于公路穿过的地形复杂，常常一个视角的图像无法清晰体现公路边坡的地形地貌，因此需要采集公路边坡的多视图影像，同时需要从该多视图影像中提取特征点位，该特征点位用于表示相应视图影像中公路边坡的空间位置（轮廓点），该特征点位要满足反光性较强，易于提取等特性。该该多视图影像可以是公路边坡现有的比较突出的位置，也可以是人为设置的标志。

特征点位可以是将多视图影像进行像素初步优化后得到的特征点位。其中，像素初步优化可以包括图像编码、分割、复原等图像处理操作。

可选的，由于公路边坡的地形地貌比较复杂，同时由于拍摄的图像会受到外界环境的干扰，因此需要将多视图影像进行像素初步优化。初步优化后的多视图影像中的干扰信息会降低，同时可以凸显相关特征点位的信息。

需要说明的是，通过采集公路边坡的多视图影像和多视图影像所相应的特征点位，给神经网络模型一供应了图像样本。

步骤S102，把多视图影像和特征点位输入神经网络模型一，输出二维特征图，其中，神经网络模型一用于将多视图影像和特征点位进行背景分割处理，二维特征图至少包括公路边坡的轮廓信息和位置信息。

可选地，由于公路边坡占地面积比较大，且地形复杂，单纯依靠一个视角采集的几个多视图影像无法完整勾画出公路边坡的多个角度的二维图像，因此需要多个角度采集多个多视图影像，对多视图影像进行拼接重组，最终形成公路边坡的多个角度的二维图像。对每个二维图像进行处理，得到对应的二维特征图。

首先将多视图影像按照采集角度进行划分；构建空间坐标系，获取同一角度多视图影像的特征点位的位置信息；以特征点位为基准点，将多个角度的多视图影像进行组合，形成多个公路边坡的平面图像；将平面图像中的特征点位进行连接并提取，得到二维特征图。

在将多视图影像按照采集角度进行划分时，可以划分为俯视和侧视，同时由于拍摄时，同一个角度相邻的视图影像存在相同的特征点位，例如，图片A中存在特征点位123，图片B中存在特征点位345，图片C中存在特征点位567，其中，对于图片A和B而言，可以根据特征点位3为基准进行融合拼接，对于图片B和C而言，可以根据特征点位5为基准进行融合拼接，最终凭借形成的整体图像包括所有的特征点位1234567。

在上述步骤中，本申请的神经网络模型一采用BP神经网络将公路边坡图像即多视图影像进行图像处理以及特征点位的提取，从而获得多视图影像对应的轮廓清晰的图像，以及获得该视图影像对应的位置信息。可选的，上述过程中通过神经网络模型一将多视图影像和特征点位进行背景分割处理也可以称为平面轮廓提取任务。

可选的，由于公路边坡上存在植被覆盖、杂物遮挡等干扰现象，以及，由于拍摄的角度差异，会存在反光等现象，都会导致公路边坡轮廓对应的特征点位难以识别，因此在本申请中，使用BP神经网络，能够很好地提取特征点位，提高了二维特征图的有效形成。其中，BP神经网络的多级特征融合功能，在二维特征图的建立过程中表现出突出的降噪能力。

需要说明的是，通过神经网络模型一将多视图影像和特征点位进行背景分割处理，可以得到公路边坡的二维特征图，为采集公路边坡实时图像提供了便利，并且，与现有技术通过现场监测设备进行单纯二维照片拍摄的方法相比，提供了公路边坡更精准的轮廓实时图像。

步骤S103，把特征点位以及二维特征图输入神经网络模型二，输出三维图像，其中，神经网络模型二用于将特征点位以及二维特征图进行轮廓信息和位置信息整合处理，三维图像至少包括公路边坡的立体信息。

可选地，利用多个角度的二维特征图构建对应的三维轮廓图，从而实现还原出准确的公路边坡的轮廓图。

将多个二维特征图按照空间位置进行排列；获取每个二维特征图中特征点位的平面坐标，根据多个平面坐标合成空间坐标；以特征点位的空间坐标为基准点，将多个二维特征图进行组合，形成三维图像。

例如，经过处理获得了第一视角的二维特征图，第二视角的二维特征图，第三视角的二维特征图，将三个二维特征图按照对应的视角进行放置，同时计算第一视角下二维特征图中的特征点位的坐标A（x,y），第二视角下二维特征图中的特征点位的坐标B（y,z），第三视角下二维特征图中的特征点位的坐标C（x,z），根据三个坐标合成特征点位的三维坐标（x,y,z），然后根据多个特征点位的三维坐标，将多个二维特征图进行组合，形成三维图像。

在上述步骤中，可选的，轮廓信息至少包括特征点位的位置，在通过神经网络模型一将多视图影像的干扰信息进行有效过滤之后，得到的二维特征图中存在特征点位的重复采样，且由于不同视图影像中存在同一特征点位的位置不对应，导致特征点位的位置不匹配的问题，即在前述过程中，多级特征融合带来了新问题，即特征点的位置不匹配，此时通过神经网络模型二可以将特征点位的平面位置进行调整融合，得到准确的特征点位的空间位置，以及将多张二维特征图进行空间叠加形成立体图像。

需要说明的是，在上述过程中得到的三维图像，精准程度更高，从而使得最终的实景图既能保证相对干净的背景，又能保证相对准确的相对位置。

步骤S104，将三维图像进行纹理映射处理，得到公路边坡的实景图。

在上述步骤中，由于通过神经网络算法自动生成的轮廓提取结果即三维图像，是与实际公路边坡立体轮廓相一致的轮廓线图，无法体现公路边坡的实景图像，因此通过纹理映射获得公路边坡的实景图。

可选的，公路边坡的实景图可以用于记录公路边坡的轮廓、特征点的位置，还可以用于记录地面裸露区域、损坏状态（例如可在实景图上标记损坏区域）等，还能够以时间为单位记录公路边坡表面地形的变化。

需要说明的是，在上述过程中，通过将三维图像进行纹理映射处理，实现了将优化后的轮廓与多个特征点位对应的纹理图像进行纹理映射，使得最终生成的公路边坡的实景图更加精准。

步骤S105，根据公路边坡的实景图，识别判断公路边坡的安全状况，并进行对应的检修。

基于上述步骤S101至步骤S105所限定的方案，可以获知，在本发明实施例中，采用通过卷积神经网络将公路边坡进行特征提取的方式，首先采集公路边坡的多视图影像和多视图影像所相应的特征点位，然后把多视图影像和特征点位输入神经网络模型一，输出二维特征图，再把多视图影像、特征点位以及二维特征图输入神经网络模型二，输出三维图像，最后将三维图像进行纹理映射处理，得到公路边坡的实景图。其中，神经网络模型一用于将多视图影像和特征点位进行背景分割处理，二维特征图至少包括公路边坡的轮廓信息和位置信息，神经网络模型二用于将多视图影像、特征点位以及二维特征图进行轮廓信息和位置信息的重组处理，三维图像至少包括公路边坡的立体信息。

容易注意到的是，在上述过程中，通过采集公路边坡的多视图影像和多视图影像所相应的特征点位，为神经网络模型一提供了像素来源；通过神经网络模型一将多视图影像和特征点位进行背景分割处理，可以得到公路边坡的二维特征图，实现了把公路边坡的图像转换为轮廓线条的过程，可以得到清晰的公路边坡的轮廓信息，以及该轮廓信息中对应轮廓线的相对位置信息；通过神经网络模型二将多视图影像、特征点位以及二维特征图进行轮廓信息和位置信息的重组处理，可以得到精细度更高的公路边坡立体的三维图像，使得最终的公路边坡实景图既能保证相将干净的背景，又能保证相对准确的位置；通过将三维图像进行纹理映射处理，使得最终生成的公路边坡的实景图更加精准。

由此可见，通过本发明的技术方案，实现了更快、更好地映射公路边坡的实景图，同时根据实景图进行分析判断公路边坡的使用寿命和风险安全值，实现对公路边坡更高效的风险预警监测。

从而得到了公路边坡的立体三维实景图，进而解决了现有技术中常规的摄影采集测量技术采集的是二维平面图像，仅能将平面位移进行计算，在二维尺度上判断边坡的变化，无法体现边坡的实体全貌变化困难问题。

在一种可选的实施例中，在将三维图像进行纹理映射处理，得到公路边坡的实景图的过程中，首先采集多视图影像中特征点位对应的多个像素点，建立空间坐标系，根据空间坐标系将多个像素点进行重组排列处理，得到排列结果，最后基于排列结果生成纹理图像，得到公路边坡的实景图。其中，排列结果表征了每个像素点在三维图像中的空间位置。

可选的，纹理映射过程可以包括：将每个像素点进行离散化，离散的分离出每点的灰度值和颜色值等。具体方法由工作人员根据需求自行确认，本实施方式中不做具体限定。

可选的，利用相邻像素近似原则，对二维特征图中每个特征点位的空间位置进行排列，从而获得了用于映射纹理图像的纹理特征。

进一步地，纹理图像化是指通过各个像素点的纹理特征的相似性，将不同视图上若干个对应的特征点位进行重组拼接的过程，在重组拼接前先通过纹理特征的相似性进行分类，根据相似性的高低程度进行聚类，从而重组拼接出立体的纹理图像。可选的，纹理图像具有交互性，因此可以通过组合拼接纹理特征来优化纹理图像，得到公路边坡的实景图。

需要说明的是，在上述过程中，通过将三维图像进行纹理映射处理，对神经网络模型二生成的立体轮廓图进行纹理映射，实现了精确还原公路边坡的实景图像。

如图2-3所示，在一种可选的实施例中，在基于排列结果映射纹理图像，得到公路边坡的纹理图像的过程中，首先采集多个纹理特征，然后将多个纹理特征进行间隔采样，得到多个间隔纹理特征，最后基于多个间隔纹理特征映射纹理图像，得到公路边坡的纹理图像。其中，多个纹理特征用于表征纹理图像的相似性。

可选的，通过相邻像素近似原则将每个像素点的空间位置进行排列。具体的，如图2所示，若计算出的M点的相邻域像素灰度和为1，则说明M点与M0-M7中的点相邻，若计算出的M点的相邻域像素灰度和为0，则说明M点与M0-M7中的点不相邻。其中，对于某一个区域而言，计算出的相邻域像素灰度和在0和1之间，当相邻域像素灰度和越接近0，表明根据重组排列后的空间位置而言，该像素点不是处于该位置，设定该像素点为外部点；当相邻域像素灰度和越接近1，表明根据重组排列后的空间位置而言，该像素点处于该位置，设定该像素点为内部点。

进一步地，将外部点进行相邻域搜索，寻找下一个点，找到下一个点后，当前点退出计算，继续从下一点的相邻域搜索接下来的点，从而实现将每个像素点的空间位置进行排列，进而获得了用于映射纹理图像的纹理特征。

进一步地，将多个纹理特征进行间隔采样即进行像素排列，得到多个稀疏纹理特征即多个间隔纹理特征，可选的，使用该稀疏纹理特征即可实现平滑过度。当纹理图像需要放大时，将像素排列进行相对密集采样处理，得到相对密集的纹理特征，使得纹理图像放大时，能够保持图像过度平缓的同时实现不失真。

需要说明的是，在上述过程中，使得公路边坡的纹理图像有更好的呈现效果。

在一种可选的实施例中，在采集公路边坡的多视图影像和多视图影像所相应的特征点位之前，将多视图影像进行图像增强处理。

可选的，通过图像增强算法将多视图影像中有用的轮廓细节进行图像增强处理。

需要说明的是，通过将多视图影像进行图像增强处理，实现了对保留的轮廓细节进行强调的过程。此外，初步优化后得到的特征点位更利于后续神经网络的学习。

在一种可选的实施例中，在将三维图像进行纹理映射处理，得到公路边坡的实景图之前，接收对三维图像进行检测的检测指令，然后基于检测指令，将多视图影像和三维图像进行将比分析，得到分析结果，然后根据分析结果，确定是否将三维图像进行轮廓优化处理。其中，分析结果表征三维图像中是否存在轮廓差异。

其中，在一种可选的实施例中，在三维图像中存在轮廓差异的情况下，对轮廓差异进行优化处理。

可选的，由于公路边坡的多样性，以及公路边坡表面覆盖干扰物的不确定性，使得提取到的三维图像可能会出现轮廓差异，例如，特征点位不完全、特征点位错位等。通过将多视图影像即公路边坡的原始图像和三维图像进行将比分析，可以得知三维图像中是否存在轮廓差异。例如，在三维图像中存在轮廓差异的情况下，进行修正。可选的，工作人员也可以查看三维图像，并将特征点位进行补全和/或特征点位进行重新配对等。

需要说明的是，通过将三维图像进行检测，实现了将三维图像中的轮廓差异的修正过程，提升了公路边坡实景图的准确度。

可选的，将本发明的技术方案进行简单总结：首先，进行像素初步优化，然后通过“平面轮廓”到“立体轮廓”两个阶段实现公路边坡轮廓提取，再辅以后期人工修正，最后把完整的三维图像进行纹理映射，得到最终的立体图像，即公路边坡实景图。其中，在将像素进行初步优化的过程中，主要进行像素的滤波处理和二值化处理；在将纹理特征进行纹理映射处理的过程中，主要将纹理特征进行像素排列和纹理图像化处理。

由此可见，通过本发明的技术方案，达到了更快、更好地映射公路边坡的轮廓图的目的，从而获得了公路边坡的立体实景图像，可以更加直观的体现公路边坡的实时状态，便于分析公路边坡的运行状况，及时对出现问题的路段位置进行检修，进而解决了现有技术中常规摄影采集的是二维平面图像，仅能将平面位移进行计算，在二维尺度上判断边坡的变化，无法体现边坡的实体全貌变化的技术问题。

实施例

根据本发明实施例，提供了一种公路边坡实景图的生成装置的实施例，其中，图4是根据本发明实施例的一种可选的公路边坡实景图的生成装置的示意图，如图4所示，该装置包括：

采集模块1001，用于采集公路边坡的多视图影像和多视图影像所相应的特征点位；

处理模块一1002，用于把多视图影像和特征点位输入神经网络模型一，输出二维特征图，其中，神经网络模型一用于将多视图影像和特征点位进行背景分割处理，二维特征图至少包括公路边坡的轮廓信息和位置信息；

处理模块二1003，用于把多视图影像、特征点位以及二维特征图输入神经网络模型二，输出三维图像，其中，神经网络模型二用于将多视图影像、特征点位以及二维特征图进行轮廓信息和位置信息重组处理，三维图像至少包括公路边坡的立体信息；

处理模块三1004，用于将三维图像进行纹理映射处理，得到公路边坡的实景图；

分析模块1005，用于根据公路边坡的实景图，识别判断公路边坡的安全状况，并进行对应的检修。

需要说明的是，上述采集模块1001、处理模块一1002、处理模块二1003、处理模块三1004以及分析模块1005相应于上述实施例中的步骤S101至步骤S105，五个模块与相应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。

可选的，处理模块三包括：采集模块，用于采集多视图影像中的多个像素点；排列模块，用于将多个像素点进行排列处理，得到排列结果，其中，排列结果表征了在每个像素点在三维图像中的空间位置；映射模块，用于基于排列结果映射纹理图像，得到公路边坡的实景图。

可选的，映射模块包括：采集模块，用于采集多个纹理特征，其中，多个纹理特征用于表征纹理图像的相似性；采样模块，用于将多个纹理特征进行间隔采样，得到多个间隔纹理特征；第一映射模块，用于基于多个间隔纹理特征映射纹理图像，得到公路边坡的实景图。

可选的，公路边坡地质监测系统还包括：增强模块，用于将多视图影像进行图像增强处理。

可选的，公路边坡地质监测系统还包括：接收模块，用于接收将三维图像进行检测的检测指令；分析模块，用于基于检测指令，将多视图影像和三维图像进行将比分析，得到分析结果，其中，分析结果表征三维图像中是否存在轮廓差异；确定模块，用于根据分析结果，确定是否将三维图像进行轮廓优化处理。

可选的，确定模块包括：处理模块，用于在三维图像中存在轮廓差异的情况下，将轮廓差异进行修正。

实施例

根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的公路边坡地质监测方法。

实施例

根据本发明实施例的另一方面，还提供了一种电子设备，该电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的公路边坡地质监测方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器、随机存取存储器、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (8)

1.一种公路边坡地质监测方法，其特征在于，包括以下步骤：

采集公路边坡的多视图影像和所述多视图影像所相应的特征点位；

把所述多视图影像和所述特征点位输入神经网络模型一，输出二维特征图，其中，所述神经网络模型一用于将所述多视图影像和所述特征点位进行背景分割处理，所述二维特征图至少包括所述公路边坡的轮廓信息和位置信息；

首先将多视图影像按照采集角度进行划分；

构建空间坐标系，获取同一角度多视图影像的特征点位的位置信息；

以特征点位为基准点，将多个角度的多视图影像进行组合，形成多个公路边坡的平面图像；

将平面图像中的特征点位进行连接并提取，得到二维特征图；

把所述多视图影像、所述特征点位以及所述二维特征图输入神经网络模型二，输出三维图像，其中，所述神经网络模型二用于将所述多视图影像、所述特征点位以及所述二维特征图进行轮廓信息重组处理，所述三维图像至少包括所述公路边坡的立体信息；

将多个二维特征图按照空间位置进行排列；

获取每个二维特征图中特征点位的平面坐标，根据多个平面坐标合成空间坐标；

以特征点位的空间坐标为基准点，将多个二维特征图进行组合，形成三维图像；

将所述三维图像进行纹理映射处理，得到所述公路边坡的实景图；

根据公路边坡的实景图，识别判断公路边坡的安全状况，并进行对应的检修。

2.根据权利要求1所述的公路边坡地质监测方法，其特征在于，将所述三维图像进行纹理映射处理，得到所述公路边坡的实景图，具体为：

采集所述多视图影像中的多个像素点；

将所述多个像素点进行排列处理，得到排列结果，其中，所述排列结果表征了每个所述像素点在三维图像中的空间位置；

基于所述排列结果映射纹理图像，得到所述公路边坡的实景图。

3.根据权利要求2所述的公路边坡地质监测方法，其特征在于，基于所述排列结果映射纹理图像，得到所述公路边坡的实景图，具体为：

采集多个纹理特征，其中，多个所述纹理特征用于表征所述纹理图像的相似性；

将多个所述纹理特征进行间隔采样，得到多个间隔纹理特征；

基于多个所述间隔纹理特征映射所述纹理图像，得到所述公路边坡的实景图。

4.根据权利要求3所述的公路边坡地质监测方法，其特征在于，在将所述三维图像进行纹理映射处理，得到所述公路边坡的实景图之前，所述方法还包括：接收所述三维图像进行检测的检测指令；基于所述检测指令，将所述多视图影像和所述三维图像进行对比分析，得到分析结果，其中，所述分析结果表征所述三维图像中是否存在轮廓差异；根据所述分析结果，确定是否将所述三维图像进行轮廓优化处理。

5.根据权利要求4所述的公路边坡地质监测方法，其特征在于，根据所述分析结果，确定是否将所述三维图像进行轮廓优化处理，包括：在所述三维图像中存在所述特征点位异常的情况下，将所述特征点位进行补全和/或特征点位进行重新配对处理。

6.根据权利要求1-5任一项所述方法的公路边坡地质监测系统，其特征在于：包括，

采集模块，用于采集公路边坡的多视图影像和所述多视图影像所相应的特征点位；

处理模块一，用于把所述多视图影像和所述特征点位输入神经网络模型一，输出二维特征图，其中，所述神经网络模型一用于将所述多视图影像和所述特征点位进行背景分割处理，所述二维特征图至少包括所述公路边坡的轮廓信息和位置信息；

处理模块二，用于把所述多视图影像、所述特征点位以及所述二维特征图输入神经网络模型二，输出三维图像，其中，所述神经网络模型二用于将所述多视图影像、所述特征点位以及所述二维特征图进行轮廓信息重组处理，所述三维图像至少包括所述公路边坡的立体信息；

处理模块三，用于将所述三维图像进行纹理映射处理，得到所述公路边坡的实景图；

分析模块，用于根据公路边坡的实景图，识别判断公路边坡的安全状况，并进行对应的检修。

7.一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存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的公路边坡地质监测方法。

8.一种电子设备，其特征在于，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现用于运行程序，其中，所述程序被设置为运行时执行权利要求1至5任一项中所述的公路边坡地质监测方法。

Images