CN116935199A - 一种公路施工水平度智能检测方法及系统 - Google Patents

Abstract

本发明涉及道路检测技术领域，具体涉及一种公路施工水平度智能检测方法及系统。首先获取到待测公路段的点云数据，根据高度值差异筛选出噪声点；引入势力场，通过噪声点与其他数据点之间的高度值变化的情况获得数据点对噪声点影响范围的影响因子，进而根据影响因子以及数据点之间的位置分布信息构建引力场模型和斥力场模型，获取引力值和斥力值；进而确定每个噪声点的影响范围；然后通过优化ICA分解算法的最优模型，获得噪声成分，根据每个噪声区域的噪声成分获得每个区域的自适应滤波强度，基于维纳滤波，实现滤波平滑，获得待测公路段去噪后的点云数据；从而完成路面水平度检测，提高了水平度检测结果的准确性和可靠性。

Description

一种公路施工水平度智能检测方法及系统

技术领域

本发明涉及道路检测技术领域，具体涉及一种公路施工水平度智能检测方法及系统。

背景技术

公路施工水平度是施工质量重要的评价指标之一,保持公路水平度的良好状态对于提高道路安全性、行车舒适性、减少车辆磨损、提升交通效率以及保障路面排水等方面都具有重要意义，对交通系统的可靠性和可持续性发展起到至关重要的作用，因此，需要对公路施工水平度进行检测。

通常利用车载激光雷达、摄像机等设备，在车辆行驶时对公路表面进行实时扫描和采集数据，通过多传感器数据结合进行分析检测公路水平度。但是激光雷达在采集路面数据时，总会受到室外复杂的环境光影响，导致数据质量较差，需要强大的预处理系统来清洗数据质量，但是现有技术在对数据进行清洗时，通常采用无差别平滑的方法，会导致路面数据失真严重，进而影响到公路水平度检测结果的准确性和可靠性。

发明内容

为了解决现有技术对数据进行清洗时，通常采用无差别平滑的方法，导致路面数据失真严重，进而影响到公路水平度检测结果的准确性和可靠性的技术问题，本发明的目的在于提供一种公路施工水平度智能检测方法及系统，所采用的技术方案具体如下：

本发明提出了一种公路施工水平度智能检测方法，所述方法包括：

获取待测公路段的点云数据；根据所述点云数据中每个数据点与对应距离最近的预设数量个数据点的高度值差异，从所述点云数据中筛选噪声点，将除噪声点外的数据点作为目标数据点；

以任一噪声点作为待测点；根据目标数据点与待测点之间的高度值变化的情况获得每个目标数据点对待测点影响范围的影响因子；根据所述影响因子以及目标数据点的位置分布特征获取每个目标数据点对待测点影响范围的引力值和斥力值；根据每个目标数据点对待测点影响范围的引力值和斥力值确定待测点的影响范围；每个待测点的所述影响范围均不发生重叠；

对每个待测点的影响范围进行噪声分析，获得每个影响范围的噪声成分；根据每个影响范围的噪声成分对每个影响范围进行自适应滤波，获得去噪后的点云数据；

根据所述去噪后的点云数据对公路水平度进行检测，获得水平度检测结果。

进一步地，所述噪声点的获取方法包括：

将与每个数据点距离最近的预设数量个数据点作为每个数据点的邻域数据点；

将高度值大于对应的所有邻域数据点高度值的数据点作为噪声点，以及将高度值小于对应的所有邻域数据点高度值的数据点作为噪声点。

进一步地，所述根据目标数据点与待测点之间的高度值变化的情况获得每个目标数据点对待测点影响范围的影响因子，包括：

获取每个目标数据点与待测点的距离值和高度值差值，将所述高度值差值与所述距离值的比值作为每个目标数据点与待测点的高度平均变化率；

将所有目标数据点根据与待测点的距离值的升序对目标数据点进行排列，获得排列序列，将所述排列序列中从起始位置开始，到每个目标数据点所在位置的子序列作为每个目标数据点对应的数据序列；获得每个所述数据序列中目标数据点的高度值的差分序列，将所述差分序列中所有数值的平均值作为高度变化值；

将每个目标数据点对应的高度平均变化率的值作为分子，对应的高度变化值与预设参数的和值作为分母，获得每个目标数据点对待测点影响范围的影响因子。

进一步地，所述引力值的获取方法包括：

获取每个数据序列中相邻两个目标数据点之间的距离值并组成距离序列，将所述距离序列中所有距离值的均方差作为距离均方差；

将所述排列序列中每个目标数据点对应的距离均方差与前一个目标数据点对应的距离均方差的差值作为每个目标数据点对应的混乱程度；

将每个目标数据点对应的影响因子取相反数后与对应的混乱程度相乘，获得引力乘积，根据所述引力乘积和预设第一增益常量获得引力值，所述引力值与所述引力乘积、所述预设第一增益常量皆呈正相关。

进一步地，所述斥力值的获取方法包括：

将所述混乱程度的相反数作为稳定程度；

将每个目标数据点与除待测点外距离最近的噪声点之间的距离值作为距离对比值，将每个目标数据点与待测点之间的距离值和所述距离对比值的差异作为距离差异；将所述距离差异进行负相关映射获得距离因子；

将预设数值与每个目标数据点对应的影响因子的差值、每个目标数据点对应的稳定程度以及距离因子的乘积，作为斥力乘积，根据所述斥力乘积和预设第二增益常量获得斥力值，所述斥力值与所述斥力乘积、所述预设第二增益常量皆呈正相关。

进一步地，所述根据每个数据点对待测点影响范围的引力值和斥力值确定待测点的影响范围，包括：

以待测点为起点，每个目标数据点为终点，获取待测点与每个目标数据点的连线，并将连线的方向作为待测点影响范围的扩张方向；

依次对所述排列序列中每个目标数据点的斥力值与引力值进行分析，当目标数据点的引力值大于斥力值时，则所述目标数据点在所述待测点的影响范围内，沿着对应的扩张方向对下一个目标数据点进行分析，直至目标数据点的引力值小于或等于斥力值时，则待测点的影响范围在对应的扩张方向上停止扩张，对应的目标数据点为边界数据点；

获取所有的边界数据点，将所有的边界数据点进行平滑连接，获得待测点的影响范围。

进一步地，所述对每个待测点的影响范围进行噪声分析，获得每个影响范围的噪声成分，包括：

基于ICA分解算法，将每个待测点的影响范围分离为两个独立成分，其中，分解时会有多种分解结果，每种分解结果皆有两个独立成分；

基于峰度公式根据每个独立成分中的分解高度值获得每个独立成分的峰度值；

将所述两个独立成分之间峰度值的差异最大时对应的分解结果作为最优分解结果；

将所述最优分解结果中峰度值最大的独立成分作为每个待测点的影响范围的噪声成分。

进一步地，所述根据每个影响范围的噪声成分对每个影响范围进行自适应滤波，获得去噪后的点云数据，包括：

基于标准点云矩阵获取维纳滤波的正则化参数；

将每个影响范围的噪声成分的标准差作为噪声强度；将所述噪声强度进行归一化并与预设常数相加，获得调节因子；将所述调节因子与所述正则化参数的乘积作为每个影响范围的自适应滤波强度；

基于维纳滤波和每个影响范围的自适应滤波强度对每个影响范围进行滤波平滑，获得去噪后的点云数据。

进一步地，所述水平度检测结果的获取方法包括：

将待测公路段去噪后的点云数据高度值的标准差作为待测公路段的水平度；

当所述水平度大于预设判断阈值时，则待测公路段水平度异常；当所述水平度小于或等于预设判断阈值时，则待测公路段水平度正常。

本发明还提出了一种公路施工水平度智能检测系统，所述系统包括：

存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时可实现任意一项所述方法的步骤。

本发明具有如下有益效果：

本发明的目的在于对待测公路段的点云数据实现区域分割，然后完成点云数据的局部自适应去噪，增加自适应滤波的适配性，从而提高公路水平度检测结果的准确性和可靠性；首先获取待测公路段的点云数据，由于噪声的存在会使点云数据中局部高度值发生变化，因此可通过点云数据中数据点之间的高度值差异筛选出噪声点并将除噪声点外的数据点作为目标数据点；然后引入势力场，通过数据点之间的高度值变化的情况以及位置分布特征获取每个目标数据点对于噪声点影响范围的引力值和斥力值，进而基于引力值和斥力值确定每个噪声点的影响范围大小，每个噪声点的影响范围即可视为一个独立的噪声干扰的噪声区域，以此实现了待测公路段点云数据的区域分割；然后通过对每个影响范围进行噪声分析，获得噪声成分，然后基于噪声成分对每个影响范围进行自适应滤波，进而实现了每个影响范围的自适应去噪，即可获得更高质量的去噪后的点云数据；然后基于去噪后的点云数据对公路水平度进行检测，可以有效提高水平度检测结果的准确性和可靠性。

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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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它附图。

图1为本发明一个实施例所提供的一种公路施工水平度智能检测方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种公路施工水平度智能检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

一种公路施工水平度智能检测方法及系统实施例：

下面结合附图具体的说明本发明所提供的一种公路施工水平度智能检测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种公路施工水平度智能检测方法的方法流程图，该方法包括以下步骤：

步骤S1：获取待测公路段的点云数据；根据点云数据中每个数据点与对应距离最近的预设数量个数据点的高度值差异，从点云数据中筛选噪声点，将除噪声点外的数据点作为目标数据点。

公路施工水平度是评价施工质量的指标之一，并且保证公路水平度的良好状态有利于提高道路安全性、行车舒适性以及交通效率，因此需要对公路施工水平度进行检测。

通常使用检测车并利用车载激光雷达进行路面数据的获取，过程大致包括：由激光发射器发射激光，当激光遇到物体时，经过漫反射，返回至激光接收器，雷达模块根据发送和接受信号的时间间隔获取发射器与路面之间的距离，也即高度值；由此，利用检测车搭载的阵列探地雷达，获取待测公路段的点云数据。需要说明的是，待测公路段的点云数据中每一个数据点均包含三维坐标。

由于激光光束发出至接收器接收以及生成测量数据这一过程在瞬间即可完成，因此在不考虑传感器质量的情况下，可忽略检测车行驶过程中的振动影响，那么公路段的点云数据中的噪声主要来源于路面上的反光物体，例如，路面的交安标线中的玻璃珠或反光微粒等，均会时激光光束出现散射，从而导致点云数据中产生噪声；噪声不仅会改变点云数据的高度信息，还会使点云数据位置发生偏移；且噪声数据并不会出现在整个点云数据中，而是随机分布。

因为公路路面自身的水平度会呈现出一个低频的高度变化特征，而噪声数据的存在会使得路面自身的高度值发生变化，且该变化具有局部特征，假设产生高度值变化的区域都可能为噪声区域，那么在此基础上可根据点云数据中每个数据点与距离最近的预设数量个数据点之间的高度值差异筛选噪声点，并将除噪声点外的数据点作为目标数据点，用以与噪声点进行区分。

优选地，本发明一个实施例噪声点的获取方法包括：

产生高度值变化的区域必然会存在极值点，因此首先将与每个数据点距离最近的预设数量个数据点作为每个数据点的邻域数据点，即每个数据点都有对应的预设数量个邻域数据点。那么当一个数据点的高度值大于对应的所有邻域数据点的高度值或者高度值小于对应的所有邻域数据点的高度值时，将其作为极值点，然后将极值点作为噪声点。需要说明的是，距离可采用欧式距离，欧式距离的计算方法为本领域技术人员熟知的计算过程，在此不做赘述；预设数量取值为8，具体数值可根据具体实施场景进行调整，在此不做限定。

至此，可以根据点云数据中局部高度值的变化情况筛选出噪声点并规定目标数据点，便于后续进行噪声点的影响范围的确定。

步骤S2：以任一噪声点作为待测点；根据目标数据点与待测点之间的高度值变化的情况获得每个目标数据点对待测点影响范围的影响因子；根据影响因子以及目标数据点的位置分布特征获取每个目标数据点对待测点影响范围的引力值和斥力值；根据每个目标数据点对待测点影响范围的引力值和斥力值确定待测点的影响范围；每个待测点的影响范围均不发生重叠。

在获取到噪声点之后，即可确定每个噪声点的影响范围，所谓影响范围即可视为对局部噪声分布范围的估测，属于同一个影响范围内的噪声成分越可能来源于同一干扰源。

在本发明实施例中，引入势力场，通过构建引力场模型和势力场模型进而获取每个噪声点的影响范围；为了便于解释和说明，以任一噪声点为例，作为待测点，通过对待测点进行分析，解释本发明中确定噪声点的影响范围的整个过程。

首先确定其他数据点即目标数据点对待测点影响范围扩张的影响因子，根据步骤S1中的分析可知，噪声数据的存在会使得路面自身的高度值发生变化；故可通过目标数据点与待测点之间的高度值变化特征获得每个目标数据点对待测点影响范围的影响因子。

优选地，本发明一个实施例中根据目标数据点与待测点之间的高度值变化的情况获得每个目标数据点对待测点影响范围的影响因子，包括：

由于高度值会发生变化，因此获取每个目标数据点与待测点之间的距离值和高度差值，然后根据高度差值和距离值的比值得到每个目标数据点与待测点之间的高度平均变化率。

然后将所有的目标数据点根据与待测点之间的距离值按照升序，即从小到大的顺序，将所有的目标数据点进行排列，获得全部目标数据点都参与排序的排列序列，然后从排列序列的起始位置开始，到排列序列中每个目标数据点停止，获得子序列，将该子序列作为停止时目标数据点的数据序列；此时，每个目标数据点都会对应一个数据序列。获得每个数据序列中目标数据点的高度值的差分序列，即数据序列中后一个目标数据点的高度值减去前一个目标数据点的高度值，此时每个目标数据点都会有一个对应的差分序列；然后将差分序列中所有数值的平均值作为每个目标数据点与待测点的高度变化值。

最后将每个目标数据点对应的高度平均变化率的值作为分子，对应的高度变化值与预设参数的和值作为分母，获得每个目标数据点对待测点影响范围的影响因子。影响因子的公式模型为：

其中，表示第个目标数据点对待测点影响范围的影响因子，表示待测点 的高度值，表示第个目标数据点的高度值，表示第个目标数据点与待测点之间 的距离值，表示第个目标数据点的数据序列中第个目标数据点的高度值，表示 第个目标数据点的数据序列中第个目标数据点的高度值，表示预设参数。需要说 明的是，当时，表示第个目标数据点的数据序列中第0个目标数据点的高度值，设置 为0。

在影响因子的公式模型中，分子为第个目标数据点对应的高度平均变 化率，分母为第个目标数据点对应的高度变化值；当待测点的影 响范围扩张到第个目标数据点时，如果此时对应的高度变化率和高度变化值的正负关系 一致，即分母分子全为正或分子分母全为负，并且分子高度平均变化率的数字部分还远小 于分母高度变化值的数字部分时，那么则说明目标数据点的高度值变化是由待测点的高度 值缓慢变化得到的，并没有受到噪声的影响，故该目标数据点对于待测点影响范围扩张的 引力就较小，更多的是斥力；反之，当分母分子的正负关系不一致时，并且分子和分母差异 越大，尤其分子高度平均变化率的数字部分还远大于分母高度变化值的数字部分时，说明 目标数据点的高度值变化受到了待测点的影响，故该目标数据点对待测点影响范围扩张的 引力就越大，斥力就越小。需要说明的是，预设参数的作用是防止分母为0，在这里可取值 为0.01，具体数值的大小可根据实施场景进行调整，在此不做限定。

在获取到每个目标数据点对待测点影响范围扩张的影响因子之后，便可根据影响因子以及目标数据点的位置分布特征构建引力场模型以及斥力场模型，从而获取引力值和斥力值。

优选地，本发明一个实施例中引力值的获取方法包括：

首先获取每个数据序列中相邻两个目标数据点之间的距离值，并将所有的距离值组成距离序列，此时每个目标数据点对应一个距离序列；然后获取每个距离序列中所有距离值的均方差，将该均方差作为距离均方差，那么每个目标数据点都会对应有一个距离均方差。

然后将排列序列中每个目标数据点对应的距离均方差与前一个目标数据点对应的距离均方差作为该目标数据点对应的混乱程度；此时每个目标数据点都有对应的混乱程度。

最后即可根据每个目标数据点对应的混乱程度、影响因子以及预设第一增益常量构建引力场模型，获得引力值。引力场模型具体可以例如为：

其中，表示第个目标数据点对待测点影响范围的引力值，表示第 个目标数据点对待测点影响范围的影响因子，表示第个目标数据点对应的距离均方 差，表示第个目标数据点对应的距离均方差，表示预设第一增益常量。需 要说明的是，当时，表示第0个目标数据点对应的距离均方差，设置为0。

在引力场模型中，根据影响因子获取过程中的分析可知，当影响因子为负数时才 表示目标数据点对待测点影响范围扩张存在引力，并且越小引力就越大，故对影响因子进 行取相反数矫正逻辑关系，此时越大引力越大；然后当混乱程度 越大时，那么表示当待测点的影响范围扩张到第个目标数据点时促进了目标数据点密度 的混乱程度，也说明了此时引力越大，因此将二者相乘获得引力乘积，同时与第一增益常量 相结合，获得引力值。需要说明的是，预设第一增益常量在本发明实施例中设置为1，具体数 值可根据实施场景进行调整，在此不做限定。

同理，优选地，本发明一个实施例中斥力值的获取方法包括：

与引力值相反，当待测点的影响范围扩张到某个目标数据点时，目标数据点对应的密度趋于稳定，则说明该目标数据点对待测点影响范围扩张的斥力越大；故将混乱程度的相反数作为稳定程度。

另外，由于噪声点之间存在相斥关系，因此当待测点的影响范围随着扩张越来越靠近另一个噪声点时，二者之间的斥力也在不断增加。故将每个目标数据点与除待测点外，距离最近的噪声点的距离值作为距离对比值，然后将每个目标数据点与待测点之间的距离值与距离对比值的差异作为距离差异，用来表征噪声点之间的相斥关系。

最后即可根据每个目标数据点对应的稳定程度、影响因子、距离差异以及预设第二增益常量构建斥力场模型，获取斥力值。斥力场模型具体可以例如为：

其中，表示第个目标数据点对待测点影响范围的斥力值，表示第 个目标数据点对待测点影响范围的影响因子，表示第个目标数据点对应的距离均方 差，表示第个目标数据点对应的距离均方差，表示第个目标数据点与 待测点之间的距离值，表示第个目标数据点与除待测点外最近的噪声点之间的距 离值，表示自然常数，表示预设第二增益常量，表示预设数值。需要说明的是，当时，表示第0个目标数据点对应的距离均方差，设置为0。

在斥力场模型中，根据影响因子获取过程中的分析可知，当影响因子为正数时才 表示目标数据点对待测点影响范围扩张存在斥力，并且越小斥力就越大，所以用预设数值 与影响因子做差完成逻辑关系矫正，由于影响因子为正数时值小于1，因此此处使用，即预设数值设置为1，此时越大斥力越大；然后当稳定程度越大时，表示当待测点的影响范围扩张到第个目标数据点时，目标数 据点的密度趋于稳定，说明了此时斥力越大；同时，当距离差异越小时，说明在 待测点的影响范围扩张过程中，越接近另一个噪声点，那么此时斥力也越大，所以对距离差 异进行负相关映射获得距离因子，完成逻辑关系矫正；最后将三 者相乘，获得斥力乘积，同时与预设第二增益常量相结合，获得斥力值。需要说明的是，预设 第二增益常量在本发明实施例中设置为1，具体数值可根据实施场景进行调整，在此不做限 定。

在获取到每个目标数据点对待测点影响范围的引力值和斥力值之后，便可基于二者确定待测点的影响范围。

优选地，本发明一个实施例中根据每个目标数据点对待测点影响范围的引力值和斥力值确定待测点的影响范围，包括：

以待测点为起点，每个目标数据点为终点，获取待测点与每个目标数据点的连线，并将连线的方向作为待测点影响范围的扩张方向。

依次对根据所有目标数据点与待测点的距离值获取的排列序列中每个目标数据点的斥力值与引力值进行分析，当目标数据点的引力值大于斥力值时，那么该目标数据点就在待测点的影响范围内，然后沿着对应的扩张方向对下一个目标数据点继续进行分析，直至当目标数据点的引力值小于或等于斥力值时，那么待测点的影响范围在对应的扩张方向上停止扩张，此时的目标数据点即为一个边界数据点。

最后根据待测点对应的所有的边界数据点的位置确定待测点的影响范围，即将所有的边界数据点进行平滑连接，获得影响范围。需要说明的是，在待测点的影响范围向外扩张的过程中，会根据斥力值与引力值控制影响范围扩张的大小和形状，直至影响范围确定；同时由于斥力场模型在构建过程中考虑到了噪声点之间的相斥情况，因此在根据引力值和斥力值在确定每个噪声点的影响范围时，不会发生重叠现象。

至此，通过引入势力场，分析数据点的高度值以及位置信息获取到了待测点的影响范围，可为后续的噪声分析以及去噪处理提供基础。

步骤S3：对每个待测点的影响范围进行噪声分析，获得每个影响范围的噪声成分；根据每个影响范围的噪声成分对每个影响范围进行自适应滤波，获得去噪后的点云数据。

根据步骤S2中的方法即可获取到每个噪声点的影响范围，且每个影响范围可视为一个独立的噪声干扰源干扰的噪声区域。因此在分割出不同的噪声干扰区域之后，可对每个区域进行噪声分析，获取到每个影响范围的噪声成分。

优选地，本发明一个实施例中对每个待测点的影响范围进行噪声分析，获得每个影响范围的噪声成分，包括：

基于独立成分分析(Independent Component Analysis，ICA)分解算法，将每个待测点的影响范围分离为两个独立成分，使被分离的成分具有最大高斯性，且剩余成分具有最大非高斯性；其中，分解时会有多种分解结果，每种分解结果皆有两个独立成分。

基于峰度公式根据每个独立成分中的分解高度值获得每个独立成分的峰度值；将两个独立成分之间峰度值的差异最大时对应的分解结果作为最优分解结果；然后将最优分解结果中峰度值较大的独立成分作为每个待测点的影响范围的噪声成分。获取噪声成分过程中可构建最优化目标函数，最优化目标函数包括：

其中，表示第个独立成分的峰度值，表示第1个独立成分的峰度值，表示 第2个独立成分的峰度值，表示第类分解高度值在影响范围内的分布概率，表示所有 分解高度值分布概率的均值，表示所有分解高度值分布概率的标准差，表示影响范围内 分解高度值的种类数，表示同一分解结果中不同独立成分峰度值的差异。

在最优化目标函数中，为分解高度值的峰度公式，峰度值越大 代表高斯性越强，反之越弱；代表同一分解结果中两种独立成分的峰度值差异， 当差异值最大时，代表两种独立成分的独立效果最好，此时的分解结果为最优分解结果。 最后将最优分解结果中峰度值最大的独立成分作为影响范围的噪声成分。需要说明的是， ICA分解算法为本领域技术人员熟知的技术手段，在此不作赘述。

在获取到每个待测点，也即噪声点的影响范围中的噪声成分后，即可根据噪声成分完成自适应滤波，获得去噪后的点云数据。

优选地，本发明一个实施例中根据每个影响范围的噪声成分对每个影响范围进行自适应滤波，获得去噪后的点云数据，包括：

维纳滤波是最优的线性滤波器，具有保留点云细节信息、自适应能力强的优点，维 纳滤波通过调节正则化参数来控制滤波强度，传统的值一般通过一个模板点云矩阵与 目标点云矩阵获取目标点云矩阵的信噪比，以信噪比的倒数作为值，所以本发明实施例 中以绝对水平度作为维纳滤波的标准点云矩阵，进而获取默认的滤波强度正则化参数。

将每个影响范围的噪声成分的标准差作为噪声强度；将噪声强度进行归一化并与预设常数相加，获得调节因子；将调节因子与正则化参数的乘积作为每个影响范围的自适应滤波强度。自适应滤波强度的公式模型具体可以例如为：

其中，表示自适应滤波强度，表示影响范围内的噪声成分，表示噪声成分 的标准差，也即噪声强度，表示正则化参数，表示自然常数，表示预设常数。

在自适应滤波强度的公式模型中，表示对噪声强度进行归一化，之所 以采用函数是因为其函数曲线在接近0时会具有较大的变化率，后续则趋于平稳，这一 特征可避免利用噪声强度自适应滤波强度时，局部滤波强度差异过大导致块效应；然后，本发明实施例中将预设常数设置为1，即在原本滤波强度的基础上， 提高的滤波强度，然后获得调节因子，最后将调节因子与正则化参数的乘积作 为自适应滤波强度。

基于维纳滤波和每个影响范围的自适应滤波强度对每个影响范围进行滤波平滑，即可获得去噪后的点云数据。需要说明的是，维纳滤波为本领域技术人员熟知的技术手段，在此不做赘述。

至此，可以完成对点云数据的去噪处理，获得高质量的去噪后的点云数据，便于后续提高路面水平度检测结果的准确性和可靠性。

步骤S4：根据去噪后的点云数据对公路水平度进行检测，获得水平度检测结果。

根据步骤S3获取到的去噪后的点云数据，即可完成对公路水平度的检测，获取水平度检测结果。

优选地，本发明一个实施例中水平度检测结果的获取方法包括：

将待测公路段去噪后的点云数据高度值的标准差作为待测公路段的水平度，将其作为该段公路的水平度；然后将该值与预设判断阈值进行比较，若大于预设判断阈值，则说明待测公路段水平度异常；若小于或等于预设判断阈值，则说明待测公路段水平度正常。

本实施例还提供了一种公路施工水平度智能检测系统，该系统包括存储器、处理器和计算机程序，其中存储器用于存储相应的计算机程序，处理器用于运行相应的计算机程序，计算机程序在处理器上运行时能够实现任意一项一种公路施工水平度智能检测方法的步骤。

综上所述，本发明实施例通过引入势力场，对待测公路段的点云数据进行分析，对其进行精确分割，然后实现每个区域的自适应滤波，获得高质量去噪后的点云数据，有效提高了路面水平度检测结果的精确度和可靠性。由于现有利用车载激光雷达检测路面水平度时，检测数据受到环境光反射、散射影响导致数据中存在质量问题，且噪声的存在会使的点云数据的局部数据发生高度值的变化，因此在获取到待测公路段的点云数据之后，根据高度值差异筛选出噪声点；进一步的，引入势力场，通过噪声点与其他数据点之间的高度值变化特征获得数据点对噪声点影响范围的影响因子，噪声点的影响范围即可视为一个噪声区域；进而根据影响因子以及数据点之间的位置分布信息构建引力场模型和斥力场模型，即可获取每个数据点对噪声点影响范围扩张的引力值和斥力值；最终可根据引力值和斥力值确定每个噪声点的影响范围；每个噪声点的影响范围即可视为一个噪声区域，然后通过优化ICA分解算法的最优模型，对噪声区域进行噪声分析，获得噪声成分，进而可根据每个噪声区域的噪声成分获得每个区域适配的滤波强度，即自适应滤波强度，然后基于维纳滤波，根据每个噪声区域的自适应滤波强度实现滤波平滑，获得待测公路段去噪后的点云数据；根据去噪后的点云数据完成路面水平度检测，提高了水平度检测结果的准确性和可靠性。本发明实施例在无先验信息的情况下对噪声区域的精确分割，将不同噪声干扰源的区域单独分割，最大程度提高自适应滤波的适配性，提高路面检测数据质量与水平度检测结果的准确性和可靠性。

一种公路路面数据去噪方法实施例：

保持公路水平度的良好状态对于提高道路安全性、行车舒适性、减少车辆磨损、提升交通效率以及保障路面排水等方面都具有重要意义，对交通系统的可靠性和可持续性发展起到至关重要的作用。而准确的检测结果的前提是需要高质量的公路路面数据，因为在获取路面数据时检测数据受到环境光反射、散射影响导致数据中存在质量问题，现有滤波方法在处理过程中会使点云数据无差别平滑，丢失有效信息，造成去噪效果差的问题；因此本发明实施例提供了一种公路路面数据去噪方法，包括：

步骤S1：获取待测公路段的点云数据；根据点云数据中每个数据点与对应距离最近的预设数量个数据点的高度值差异，从点云数据中筛选噪声点，将除噪声点外的数据点作为目标数据点；

步骤S2：以任一噪声点作为待测点；根据目标数据点与待测点之间的高度值变化的情况获得每个目标数据点对待测点影响范围的影响因子；根据影响因子以及目标数据点的位置分布特征获取每个目标数据点对待测点影响范围的引力值和斥力值；根据每个目标数据点对待测点影响范围的引力值和斥力值确定待测点的影响范围；每个待测点的影响范围均不发生重叠；

步骤S3：对每个待测点的影响范围进行噪声分析，获得每个影响范围的噪声成分；根据每个影响范围的噪声成分对每个影响范围进行自适应滤波，获得去噪后的点云数据。

其中，步骤S1~S3在上述一种公路施工水平度智能检测方法及系统实施例中已给出了详细说明，在此不再赘述。

本实施例带来的有益效果包括：

本发明的目的在于对待测公路段的点云数据实现区域分割，然后完成点云数据的局部自适应去噪，增加自适应滤波的适配性，从而提高公路路面数据的去噪效果；首先获取待测公路段的点云数据，由于噪声的存在会使点云数据中局部高度值发生变化，因此可通过点云数据中数据点之间的高度值差异筛选出噪声点，并将除噪声点外的数据点作为目标数据点；然后引入势力场，通过数据点之间的高度值变化特征以及位置分布特征获取每个目标数据点对于噪声点影响范围的引力值和斥力值，进而基于引力值和斥力值确定每个噪声点的影响范围大小，每个噪声点的影响范围即可视为一个独立的噪声干扰的噪声区域，以此实现了待测公路段点云数据的区域分割；然后通过对每个影响范围进行噪声分析，获得噪声成分，然后基于噪声成分对每个影响范围进行自适应滤波，进而实现了每个影响范围的自适应去噪，即可获得更高质量的去噪后的点云数据；本发明在无先验信息的情况下对噪声区域的精确分割，将不同噪声干扰源的区域单独分割，最大程度提高自适应滤波的适配性，有效提高了公路路面数据的去噪精度。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种公路施工水平度智能检测方法，其特征在于，所述方法包括：

获取待测公路段的点云数据；根据所述点云数据中每个数据点与对应距离最近的预设数量个数据点的高度值差异，从所述点云数据中筛选噪声点，将除噪声点外的数据点作为目标数据点；

以任一噪声点作为待测点；根据目标数据点与待测点之间的高度值变化的情况获得每个目标数据点对待测点影响范围的影响因子；根据所述影响因子以及目标数据点的位置分布特征获取每个目标数据点对待测点影响范围的引力值和斥力值；根据每个目标数据点对待测点影响范围的引力值和斥力值确定待测点的影响范围；每个待测点的所述影响范围均不发生重叠；

对每个待测点的影响范围进行噪声分析，获得每个影响范围的噪声成分；根据每个影响范围的噪声成分对每个影响范围进行自适应滤波，获得去噪后的点云数据；

根据所述去噪后的点云数据对公路水平度进行检测，获得水平度检测结果。

2.根据权利要求1所述的一种公路施工水平度智能检测方法，其特征在于，所述噪声点的获取方法包括：

将与每个数据点距离最近的预设数量个数据点作为每个数据点的邻域数据点；

将高度值大于对应的所有邻域数据点高度值的数据点作为噪声点，以及将高度值小于对应的所有邻域数据点高度值的数据点作为噪声点。

3.根据权利要求1所述的一种公路施工水平度智能检测方法，其特征在于，所述根据目标数据点与待测点之间的高度值变化的情况获得每个目标数据点对待测点影响范围的影响因子，包括：

获取每个目标数据点与待测点的距离值和高度值差值，将所述高度值差值与所述距离值的比值作为每个目标数据点与待测点的高度平均变化率；

将所有目标数据点根据与待测点的距离值的升序对目标数据点进行排列，获得排列序列，将所述排列序列中从起始位置开始，到每个目标数据点所在位置的子序列作为每个目标数据点对应的数据序列；获得每个所述数据序列中目标数据点的高度值的差分序列，将所述差分序列中所有数值的平均值作为高度变化值；

将每个目标数据点对应的高度平均变化率的值作为分子，对应的高度变化值与预设参数的和值作为分母，获得每个目标数据点对待测点影响范围的影响因子。

4.根据权利要求3所述的一种公路施工水平度智能检测方法，其特征在于，所述引力值的获取方法包括：

获取每个数据序列中相邻两个目标数据点之间的距离值并组成距离序列，将所述距离序列中所有距离值的均方差作为距离均方差；

将所述排列序列中每个目标数据点对应的距离均方差与前一个目标数据点对应的距离均方差的差值作为每个目标数据点对应的混乱程度；

将每个目标数据点对应的影响因子取相反数后与对应的混乱程度相乘，获得引力乘积，根据所述引力乘积和预设第一增益常量获得引力值，所述引力值与所述引力乘积、所述预设第一增益常量皆呈正相关。

5.根据权利要求4所述的一种公路施工水平度智能检测方法，其特征在于，所述斥力值的获取方法包括：

将所述混乱程度的相反数作为稳定程度；

将每个目标数据点与除待测点外距离最近的噪声点之间的距离值作为距离对比值，将每个目标数据点与待测点之间的距离值和所述距离对比值的差异作为距离差异；将所述距离差异进行负相关映射获得距离因子；

将预设数值与每个目标数据点对应的影响因子的差值、每个目标数据点对应的稳定程度以及距离因子的乘积，作为斥力乘积，根据所述斥力乘积和预设第二增益常量获得斥力值，所述斥力值与所述斥力乘积、所述预设第二增益常量皆呈正相关。

6.根据权利要求4所述的一种公路施工水平度智能检测方法，其特征在于，所述根据每个数据点对待测点影响范围的引力值和斥力值确定待测点的影响范围，包括：

以待测点为起点，每个目标数据点为终点，获取待测点与每个目标数据点的连线，并将连线的方向作为待测点影响范围的扩张方向；

依次对所述排列序列中每个目标数据点的斥力值与引力值进行分析，当目标数据点的引力值大于斥力值时，则所述目标数据点在所述待测点的影响范围内，沿着对应的扩张方向对下一个目标数据点进行分析，直至目标数据点的引力值小于或等于斥力值时，则待测点的影响范围在对应的扩张方向上停止扩张，对应的目标数据点为边界数据点；

获取所有的边界数据点，将所有的边界数据点进行平滑连接，获得待测点的影响范围。

7.根据权利要求1所述的一种公路施工水平度智能检测方法，其特征在于，所述对每个待测点的影响范围进行噪声分析，获得每个影响范围的噪声成分，包括：

基于ICA分解算法，将每个待测点的影响范围分离为两个独立成分，其中，分解时会有多种分解结果，每种分解结果皆有两个独立成分；

基于峰度公式根据每个独立成分中的分解高度值获得每个独立成分的峰度值；

将所述两个独立成分之间峰度值的差异最大时对应的分解结果作为最优分解结果；

将所述最优分解结果中峰度值最大的独立成分作为每个待测点的影响范围的噪声成分。

8.根据权利要求1所述的一种公路施工水平度智能检测方法，其特征在于，所述根据每个影响范围的噪声成分对每个影响范围进行自适应滤波，获得去噪后的点云数据，包括：

基于标准点云矩阵获取维纳滤波的正则化参数；

将每个影响范围的噪声成分的标准差作为噪声强度；将所述噪声强度进行归一化并与预设常数相加，获得调节因子；将所述调节因子与所述正则化参数的乘积作为每个影响范围的自适应滤波强度；

基于维纳滤波和每个影响范围的自适应滤波强度对每个影响范围进行滤波平滑，获得去噪后的点云数据。

9.根据权利要求1所述的一种公路施工水平度智能检测方法，其特征在于，所述水平度检测结果的获取方法包括：

将待测公路段去噪后的点云数据高度值的标准差作为待测公路段的水平度；

当所述水平度大于预设判断阈值时，则待测公路段水平度异常；当所述水平度小于或等于预设判断阈值时，则待测公路段水平度正常。

10.一种公路施工水平度智能检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。