一种基于结构光的路面车辙精细测量方法技术

本发明专利技术提供一种基于结构光的路面车辙精细化测量方法，首先对采集的路面点云数据进行去噪、去坡度和二维栅格化处理，然后将栅格化内的点云数据的各类特征映射为灰度图像，最后基于图像识别和多特征融合的方法实现车辙的识别与精细测量。由于采用了车载结构光采集设备进行点云数据采集，因此能够支持动态车流速度下路面车辙程度的测量，实现更为快速、精细的车辙检测与精细评价。同时，也为道路养护部门提供更加精细的道路损伤情况，为养护资金分配和措施选择提供依据。还由于采用二维栅格化处理点云数据，因此极大地降低了点云数据处理的计算量以及对人工或高精度仪器的依赖，对大规模路面性能高频数字化检测具有重要意义。规模路面性能高频数字化检测具有重要意义。规模路面性能高频数字化检测具有重要意义。

【技术实现步骤摘要】
一种基于结构光的路面车辙精细测量方法


[0001]本专利技术属于路面质量检测和信息自动采集
，特别涉及一种基于结构光的路面车辙精细测量方法。

技术介绍

[0002]车辙是路面由汽车轮胎反复行驶碾压，在车行道轨迹线上产生的永久性变形。近年来随着交通量的迅猛增长和重载、超载情况加剧，车辙成为影响道路使用性能的主要因素之一，不仅直接行车安全性和舒适性，还严重危害道路结构整体性和稳定性，缩短道路使用寿命，增加养护维修成本。
[0003]车辙检测技术主要可分为两类，人工检测和自动化检测。传统基于人工接触式的车辙测量方法，如AASHTO车辙量规、表面高程计、手推式断面仪等，测量效率低、测量精度与准确性受人员影响较大，具有随机性误差，不适用于大规模车辙检测。随着激光技术的快速发展，三维激光技术已经逐渐成熟并开始应用于路面检测领域，目前的自动化检测设备均为激光设备，包括点激光车辙仪和线激光车辙仪。点激光采用三角测距原理，接受方向不可变，每次处理一个点，测量速度慢；线激光通过投射源投射出平面狭缝光，每次投射一个结构光条纹，得到一个截面的深度，但车载线激光易受到车辆颠簸和自身振动的影响，精度大幅降低。因此相对于现有车辙测量设备效率低、误差大的劣势，先进的面结构光3D快照技术为大范围的车辙检测提供了可能。
[0004]面结构光技术通过对道路表面的高帧率快照，得到拍摄面同一瞬时的三维坐标信息，分析可得路面的彩色深度图像，实现了车辙的亚毫米高精度测量，且不受车载振动和颠簸影响，在保证车载大规模测量的同时最大可能满足了精度要求。

技术实现思路

[0005]为解决上述问题，提供一种基于结构光的路面车辙精细化测量方法，本专利技术采用了如下技术方案：
[0006]本专利技术提供了一种基于结构光的路面车辙精细测量方法，其特征在于，包括：步骤S1，将结构光采集设备安装在检测车上，以俯视角度拍摄待测路面，采集路面点云数据；步骤S2，对点云数据进行预处理；步骤S3，对预处理后的点云数据进行二维栅格化处理；步骤S4，提取各栅格内的点云数据的各类特征，并将归一化后的各类特征分别映射为灰度图像；步骤S5，利用图像识别方法识别灰度图像中的异常区域作为车辙区域；步骤S6，提取车辙区域内的点云数据，以此计算该车辙区域的最大深度、宽度、长度、区域面积以及区域体积作为车辙的评价指标。
[0007]在本专利技术提供的一种基于结构光的路面车辙精细测量方法中，还可以具有这样的技术特征，其中，路面点云数据至少包含深度信息，即被采集点距离采集设备的距离。
[0008]在本专利技术提供的一种基于结构光的路面车辙精细测量方法中，还可以具有这样的技术特征，其中，预处理包括去噪和去坡度。
[0009]在本专利技术提供的一种基于结构光的路面车辙精细测量方法中，还可以具有这样的技术特征，其中，去噪包括以下步骤：步骤S2
‑
1a，计算点云数据中每个点到其最近的k个点的平均距离d，并构建集合D{d1,d2,
…
,d
n
}；步骤S2
‑
2a，正态拟合集合D{d1,d2,
…
,d
n
}，并计算其均值μ和方差σ；步骤S2
‑
2a，取d
i
超出[μ
‑
3σ,μ+3σ]区间的点作为噪声点并剔除。
[0010]在本专利技术提供的一种基于结构光的路面车辙精细测量方法中，还可以具有这样的技术特征，其中，去坡度的过程如下：步骤S2
‑
1b，取所有点云数据的三维坐标集合O{(x1,y1,z1),(x2,y2,z2),
…
,(x
n
,y
n
,z
n
)}；步骤S2
‑
2b，采用最小二乘法拟合集合O，获取对应的三维平面参数k
x
,k
y
,b；步骤S2
‑
3b，计算去坡度后的点云数据三维坐标集合O
′
{(x1,y1,z1‑
k
x
x1‑
k
y
y1‑
b),(x2,y2,z2‑
k
x
x2‑
k
y
y2‑
b),
…
,(x
n
,y
n
,z
n
‑
k
x
x
n
‑
k
y
y
n
‑
b)}。
[0011]在本专利技术提供的一种基于结构光的路面车辙精细测量方法中，还可以具有这样的技术特征，其中，在步骤S4中，点云数据的特征类型至少包括去坡度后的点云的高度值、点云的反射强度值、表面法线、主曲率、点特征直方图描述子、快速点特征直方图描述子和3D形状内容描述子。
[0012]在本专利技术提供的一种基于结构光的路面车辙精细测量方法中，还可以具有这样的技术特征，其中，在步骤S4中，映射的过程为：步骤S4
‑
1，计算特征值的最大值与最小值；步骤S4
‑
2，将特征最大值位置的灰度值映射为255，将特征最小值位置的灰度值映射为0，其余位置按照线性比例映射为[0,255]的整数，映射为小数时四舍五入取整。
[0013]在本专利技术提供的一种基于结构光的路面车辙精细测量方法中，还可以具有这样的技术特征，其中，图像识别方法至少采用卷积神经网络识别方法或支持向量机识别方法中的任意一种。
[0014]在本专利技术提供的一种基于结构光的路面车辙精细测量方法中，还可以具有这样的技术特征，其中，车辙区域的最大深度的计算过程如下：步骤S6
‑
1，计算的车辙区域的点云数据中每个点到其最近的k个点的z轴方向的平均距离d
z
，所有点构成集合D
z
{d
z1
,d
z2
,
…
,d
zn
}；步骤S6
‑
2，取集合D
z
中的最大值对应的点云作为最高点，取其z轴坐标作为地面高度z
o
；步骤S6
‑
3，计算归一化的车辙区域点云数据z轴最小值对应的点云作为最低点，取其z轴坐标作为车辙最大深度处高度z2；步骤S6
‑
4，取z
o
‑
z2作为该车辙区域的最大深度。
[0015]在本专利技术提供的一种基于结构光的路面车辙精细测量方法中，还可以具有这样的技术特征，其中，车辙区域的宽度通过采用最小二乘法在的灰度图像中拟合车辙区域的最小外接矩形，将该最小外接矩形的短边长度作为车辙区域的宽度w，车辙区域的长度为最小外接矩形的场边长度l，车辙区域的区域面积为w
×
l，车辙区域的区域体积为式中，为平均深度，该平均深度通过该车辙区域内点云z轴的平均值取地面高度z本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于结构光的路面车辙精细测量方法，其特征在于，包括：步骤S1，将结构光采集设备安装在检测车上，以俯视角度拍摄待测路面，采集路面点云数据；步骤S2，对所述点云数据进行预处理；步骤S3，对预处理后的点云数据进行x,y平面的二维栅格化处理；步骤S4，提取各栅格内的点云数据的各类特征，并将归一化后的各类特征分别映射为灰度图像；步骤S5，利用图像识别方法识别所述灰度图像中的异常区域作为车辙区域；步骤S6，提取所述车辙区域内的点云数据，以此计算该车辙区域的最大深度、宽度、长度、区域面积以及区域体积作为车辙的评价指标。2.根据权利要求1所述的一种基于结构光的路面车辙精细测量方法，其特征在于：其中，所述路面点云数据至少包含深度信息，即被采集点距离采集设备的距离。3.根据权利要求1所述的一种基于结构光的路面车辙精细测量方法，其特征在于：其中，所述预处理包括去噪和去坡度。4.根据权利要求3所述的一种基于结构光的路面车辙精细测量方法，其特征在于：其中，所述去噪包括以下步骤：步骤S2
‑
1a，计算所述点云数据中每个点到其最近的k个点的平均距离d，并构建集合D{d1,d2,
…
,d
n
}；步骤S2
‑
2a，正态拟合集合D{d1,d2,
…
,d
n
}，并计算其均值μ和方差σ；步骤S2
‑
2a，取d
i
超出[μ
‑
3σ,μ+3σ]区间的点作为噪声点并剔除。5.根据权利要求4所述的一种基于结构光的路面车辙精细测量方法，其特征在于：其中，所述去坡度的过程如下：步骤S2
‑
1b，取所有点云数据的三维坐标集合O{(x1,y1,z1),(x2,y2,z2),
…
,(x
n
,y
n
,z
n
)}；步骤S2
‑
2b，采用最小二乘法拟合集合O，获取对应的三维平面参数k
x
,k
y
,b；步骤S2
‑
3b，计算去坡度后的点云数据三维坐标集合O
′
{(x1,y1,z1‑
k
x
x1‑
k
y
y1‑
b),(x2,y2,z2‑
k
x
x2‑
k
y
y2‑
b),
…
,(x
n
,y
...

【专利技术属性】
技术研发人员：戴振宇，滕丽，李亦舜，杜豫川，操莉，刘成龙，张香，
申请(专利权)人：同济大学，
类型：发明
国别省市：