一种道路激光点云中路面病害自动提取方法技术

本发明专利技术公开了一种道路激光点云中路面病害自动提取方法，首先根据原始道路点云数据选取包含路面病害信息的种子点；利用环形邻域约束的反距离权重插值获得完整的包含路面病害信息的所有种子点；利用直方图统计对种子点去噪，再栅格化计算坡度并进行顾及病害特征约束的中值滤波，消除椒盐噪声；然后线性归一化生成路面病害特征图像，利用移动窗口法对图像二值化；再进行病害邻域分布特征的形态学去噪；最后对路面病害聚类生长，生成可编辑的路面病害矢量要素成果，完成对路面病害的自动化提取。本发明专利技术采用了激光点云和图像处理相结合的方法，开创了运用激光点云完整地提取路面病害的新方法，为道路养护管理提供了可靠的数据支撑。

An automatic extraction method for road surface diseases in road laser point clouds

The invention discloses an automatic extraction method of pavement disease in road laser point cloud. Firstly, seed points containing pavement disease information are selected according to the original road point cloud data; all seed points containing pavement disease information are obtained by inverse distance weight interpolation with ring neighborhood constraints; and seeds are statistically analyzed by histogram. Point denoising, rasterization calculation of slope and median filtering considering disease characteristics constraints, eliminating salt and pepper noise; then linear normalization of the road disease feature image, using moving window method to binarize the image; then the morphological denoising of disease neighborhood distribution characteristics; finally, the road disease clustering growth, health. It can edit the pavement disease vector elements and complete the automatic extraction of pavement distress. The invention adopts the method of combining laser point cloud with image processing, and opens up a new method of using laser point cloud to extract pavement disease completely, which provides reliable data support for road maintenance and management.

【技术实现步骤摘要】
一种道路激光点云中路面病害自动提取方法
本专利技术属于激光点云数据处理
，具体涉及一种道路激光点云中路面病害自动提取方法。
技术介绍
道路交通在国民经济和人民生活中占有重要地位，极大地促进了国民经济的发展。随着道路使用年限的增加，加上雨雪、高温、超载等极端条件的影响，导致大多数路面出现了多种不同程度的病害，比如坑槽、裂缝、网裂、沉陷、车辙和松散等，从而影响了道路的正常使用，并且带来了很大的交通安全隐患。路面养护工作已经越来越重要，路面病害检测是养护工作的重要前期阶段。及时和准确的路面病害检测可以节约维修成本，为行车安全提供保障。我国在道路路面状况检测方面仍采用人工或半机械化的方式，不但效率低，只能抽样检测，而且需要封闭道路,给正常的公路交通带来很大影响。因此，路面病害自动化检测已经成为一种趋势。
技术实现思路
本专利技术的目的在于提出一种道路激光点云中路面病害自动提取方法，以便能够将激光点云数据快速、自动转换成路面病害特征图像和可编辑的路面病害矢量要素。为了实现上述目的，本专利技术采用如下技术方案：一种道路激光点云中路面病害自动提取方法，其特征包括如下步骤：a.将原始道路点云数据划分为多个小块，每块中含有多个点，并组成一个点集，从点集中选取包含路面病害信息的点作为种子点；进一步：选取种子点的时候，先选取点云数据中高程最小的点，其次为点集高程中值，作为路面种子点；b.基于环形邻域种子点的空间位置，进行有约束的反距离权重插值，对路面内少量缺失的种子点进行插值计算，获得完整的包含路面病害信息的所有种子点；c.针对整体路面内有较多噪点的情况，对步骤b局部区域所有种子点的高程值进行直方图统计，过滤掉种子点异常高程值；d.对上述步骤c获取的种子点进行栅格化，以种子点为中心，寻找8邻域，利用三阶反距离平方权差分的方法，计算x方向(垂直)和y方向(水平)上的增量，从而计算出中心栅格的坡度值；e.在不损失路面病害信息的前提下，将中心栅格坡度值与邻域比较，进行顾及病害特征约束的中值滤波，进一步消除椒盐噪声；f.将滤波后的坡度值进行线性归一化，将其变换到0-255之间，生成路面病害特征图像；g.在路面病害特征图像中，按每个车道设置移动窗口，在每一块窗口内对灰度值的分布情况进行统计分析，当所取的分割阈值K使前景和背景之间的类间方差最大时就意味着错分概率最小，从而找出最适灰度阈值K，将路面病害特征图像分成背景和路面病害两部分；h.分析路面病害的邻域分布特征，以邻域关系作为约束，进行形态学去噪；i.最后对路面病害进行聚类生长，去除面积过小的病害和孔洞，计算每块病害的面积和深度，生成可编辑的路面病害矢量要素成果，完成对路面病害的自动化提取。优选地，步骤b中，利用环形邻域约束的反距离权重插值方法获取包含路面病害信息的所有种子点的步骤如下：b1.获取步骤a中选取的路面种子点，路面种子点有部分缺失；b2.根据缺失的种子点，遍历其环形邻域，若邻域内存在种子点，则统计该邻域内所有种子点在x、y、z方向上的坐标值，计算出均值，将计算出的环形邻域内每个邻域均值作为缺失种子点的参考点信息，其中x、y、z方向分别指垂直方向、水平方向和高程方向；b3.计算其每个邻域内参考点与缺失种子点的距离di，根据距离计算每个参考点所占的权重λi：最后根据反距离权重计算公式，将缺失的种子点高程插值出来，高程插值计算公式为：优选地，步骤c中，利用直方图统计的方法过滤掉异常种子点高程的步骤如下：首先遍历范围在(0.2-0.5)*(0.2-0.5)之间内的所有种子点的高程值，以相同的间隔距离3mm-2cm之间划分为多个高程间隔，然后统计每个间隔内种子点的数量(count)；如果该间隔内点数(count)过少，则认为该范围内的点为异常种子点，从而过滤掉这些种子点异常高程值。优选地，步骤e中，顾及病害特征约束的中值滤波消除椒盐噪声的步骤如下：首先，遍历中心栅格的8邻域，判断中心栅格是否是包含邻域栅格在内的极大或者极小值。如果是，则找出该邻域内的坡度中值，作为该中心栅格的坡度值；如果不是，则不予处理。优选地，步骤g中，利用移动窗口法找出最大类间方差进行二值化的步骤如下：g1.在路面病害特征图像中，按每个车道宽设置移动窗口大小,窗口大小等于车宽*车宽(例如单个车道宽度为4m，则窗口大小设为4m*4m)，在每一块窗口内统计像素值及每个像素值出现的概率；假设该窗口内有L个灰度级[1,2,…,L]，灰度级为i的像素点的个数为ni，那么总的像素点个数就应该为N＝n1+n2+…+nL，则灰度级为i的像素点概率分布式为：pi＝ni/Ng2.假设灰度级K为该窗口内前景与背景的分割阈值，分别统计前景和背景中所有像素值的总概率，计算前景和背景之间的类间方差σ2；其中：前景的像素点数总概率分布ω0为：平均灰度μ0为：同理，背景的像素点数总概率分布为ω1＝1-ω0，平均灰度为μ1，则图像的总平均灰度μ为：μ＝ω0×μ0+ω1×μ1由此可计算出前景和背景图象的方差σ2为：g3.当前景和背景之间的类间方差σ2最大时，就说明构成图像的两个部分之间的差别最大，此时K为最适灰度阈值，以此将该窗口分成路面病害和背景两部分，移动窗口，遍历整幅特征图像，最终提取出该路面内所有的病害特征。优选地，步骤h中，利用病害邻域分布特征进行形态学去噪的步骤如下：h1.先进行“膨胀”处理，遍历每个背景点的8邻域，统计8邻域内包含病害点的数量n，当n>3时，则认为该处为路面病害断接处，将该处的背景点“膨胀”为病害点；h2.再进行“腐蚀”处理，遍历每个病害点的8邻域，统计8邻域内包含背景点的数量n，当n>3时，则认为该处为孤立的较小路面病害噪点，将该处的病害点“腐蚀”为背景点。依次遍历整幅灰度图，完成形态学去噪。本专利技术具有如下优点：本专利技术根据原始道路点云数据选取包含路面病害信息的种子点；利用环形邻域约束的反距离权重插值，将路面内少量缺失的种子点进行插值计算，获得完整的包含路面病害信息的所有种子点；针对整体路面内有较多噪点的情况，进行直方图统计的种子点去噪；然后进行栅格化，利用三阶反距离平方权差分方法计算出中心格网的坡度值；在不损失路面病害信息的前提下，进行顾及病害特征约束的中值滤波，进一步消除椒盐噪声；然后将滤波后的坡度值线性归一化，生成路面病害特征图像；在特征图像基础上，通过移动窗口法找出最大类间方差，对图像进行二值化；再进行病害邻域分布特征的形态学去噪；最后对路面病害聚类生长，去除面积过小的病害和孔洞，生成可编辑的路面病害矢量要素成果，完成对路面病害的自动化提取。本专利技术采用了激光点云和图像处理相结合的方法，开创了运用激光点云完整地提取路面病害的新方法，直观准确的反映了路面病害的分布情况，为道路养护管理提供了可靠的数据支撑。附图说明图1为本专利技术提供的一种道路激光点云中路面病害自动提取方法的具体算法流程图；图2为本专利技术提供的一段高速道路原始点云数据划分示意图。图3为三阶反距离平方权差分栅格计算示意图。图4为本专利技术提供的一种基于移动窗口的最大类间差方法示意图。图5为本专利技术提供的路面病害特征图像与病害矢量要素成果叠加示意图，其中，图5中a为本方法选取的一段高速路面生成的病害特征图像，其中的粗线条表示路面病本文档来自技高网...

【技术保护点】
1.一种道路激光点云中路面病害自动提取方法,其特征在于，包括如下步骤：a.将原始道路点云数据划分为多个小块，每块中含有多个点，并组成一个点集，从点集中选取包含路面病害信息的点作为种子点；b.基于环形邻域种子点的空间位置，进行有约束的反距离权重插值，对路面内少量缺失的种子点进行插值计算，获得完整的包含路面病害信息的所有种子点；c.针对整体路面内有较多噪点的情况，对步骤b局部区域所有种子点的高程值进行直方图统计，过滤掉种子点异常高程值；d.对上述步骤c获取的种子点进行栅格化，以种子点为中心，寻找8邻域，利用三阶反距离平方权差分的方法，计算垂直方向x和水平方向y上的增量，从而计算出中心栅格的坡度值；e.在不损失路面病害信息的前提下，将中心栅格坡度值与邻域比较，进行顾及病害特征约束的中值滤波，进一步消除椒盐噪声；f.将滤波后的坡度值进行线性归一化，将其变换到0‑255之间，生成路面病害特征图像；g.在路面病害特征图像中，按每个车道设置移动窗口，在每一块窗口内对灰度值的分布情况进行统计分析，当所取的分割阈值K使前景和背景之间的类间方差最大时就意味着错分概率最小，从而找出最适灰度阈值K，将路面病害特征图像分成背景和路面病害两部分；h.分析路面病害的邻域分布特征，以邻域关系作为约束，进行形态学去噪；i.最后对路面病害进行聚类生长，去除面积过小的病害和孔洞，计算每块病害的面积和深度，生成可编辑的路面病害矢量要素成果，完成对路面病害的自动化提取。...

【技术特征摘要】
1.一种道路激光点云中路面病害自动提取方法,其特征在于，包括如下步骤：a.将原始道路点云数据划分为多个小块，每块中含有多个点，并组成一个点集，从点集中选取包含路面病害信息的点作为种子点；b.基于环形邻域种子点的空间位置，进行有约束的反距离权重插值，对路面内少量缺失的种子点进行插值计算，获得完整的包含路面病害信息的所有种子点；c.针对整体路面内有较多噪点的情况，对步骤b局部区域所有种子点的高程值进行直方图统计，过滤掉种子点异常高程值；d.对上述步骤c获取的种子点进行栅格化，以种子点为中心，寻找8邻域，利用三阶反距离平方权差分的方法，计算垂直方向x和水平方向y上的增量，从而计算出中心栅格的坡度值；e.在不损失路面病害信息的前提下，将中心栅格坡度值与邻域比较，进行顾及病害特征约束的中值滤波，进一步消除椒盐噪声；f.将滤波后的坡度值进行线性归一化，将其变换到0-255之间，生成路面病害特征图像；g.在路面病害特征图像中，按每个车道设置移动窗口，在每一块窗口内对灰度值的分布情况进行统计分析，当所取的分割阈值K使前景和背景之间的类间方差最大时就意味着错分概率最小，从而找出最适灰度阈值K，将路面病害特征图像分成背景和路面病害两部分；h.分析路面病害的邻域分布特征，以邻域关系作为约束，进行形态学去噪；i.最后对路面病害进行聚类生长，去除面积过小的病害和孔洞，计算每块病害的面积和深度，生成可编辑的路面病害矢量要素成果，完成对路面病害的自动化提取。2.如权利要求1所述的道路激光点云中路面病害自动提取方法,其特征在于，在步骤a选取种子点的时候，先选取点云数据中高程最小的点，其次为点集高程中值，作为路面种子点。3.如权利要求1所述的道路激光点云中路面病害自动提取方法,其特征在于，步骤b中，利用环形邻域约束的反距离权重插值方法获取包含路面病害信息的所有种子点的步骤如下：b1.获取步骤a中选取的路面种子点，路面种子点有部分缺失；b2.根据缺失的种子点，遍历其环形邻域，若邻域内存在种子点，则统计该邻域内所有种子点在x、y、z方向上的坐标值，计算出均值，将计算出的环形邻域内每个邻域均值作为缺失种子点的参考点信息，其中x、y、z方向分别指垂直方向、水平方向和高程方向；b3.计算其每个邻域内参考点与缺失种子点的距离di，根据距离计算每个参考点所占的权重λi：最后根据反距离权重计算公式，将缺失的种子点高程插值出来，高程插值计算公式为：4.如权利要求1所述的道路激光点云中路面病害自动提取方...

【专利技术属性】
技术研发人员：刘如飞，卢秀山，朱健，马新江，王鹏，杨雷，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东,37