劉如飛1，朱健1，楊正清2，馬新江

(1.山東科技大學(xué) 測繪科學(xué)與工程學(xué)院，山東 青島 266590；2.天津水運工程勘察設(shè)計院，天津 300456；3.青島秀山移動測量有限公司，山東 青島 266590)

0 引言

隨著公路交通運輸?shù)目焖侔l(fā)展，加上雨雪、高溫、超載等極端條件影響，導(dǎo)致大多數(shù)路面出現(xiàn)裂縫、松散、擁包、坑槽、沉陷等多種不同程度的損壞，影響了路面使用性能，帶來很大的交通安全隱患。車載移動測量技術(shù)是一種先進的三維空間數(shù)據(jù)測量技術(shù)，該系統(tǒng)集成了慣性組合導(dǎo)航和激光掃描技術(shù)，能夠在不與被測物體接觸情況下連續(xù)獲取空間基準(zhǔn)統(tǒng)一的路面及兩側(cè)三維激光點云數(shù)據(jù)。與傳統(tǒng)的道路檢測技術(shù)相比，該技術(shù)不受自然光照等干擾因素的影響，獲取的點云包含空間幾何特征，相對測距精度達到1 mm，為高精度的路面損壞檢測提供了基礎(chǔ)[1]。因此，面向點云中路面損壞目標(biāo)的快速識別是該技術(shù)的關(guān)鍵所在。

由于人工智能的迅速崛起，圖像處理算子基本成熟，基于圖像處理是點云識別分類的重要研究方向。在利用點云特征圖像進行目標(biāo)檢測方面，許多學(xué)者做了大量的工作。SHI 等[2]利用投影點密度對建筑物進行距離圖像分割，通過分析不同地物的投影點密度(DOPP)差異進行點云分類。YU等[3]基于三維模型表面重建的思想，將車載激光獲取的路面點云通過Delaunay三角剖分、插值，并利用正則平滑算子去噪，生成路面表面模型，通過模型中路面損壞的幾何細節(jié)和深度等信息來評價路面損壞情況。楊必勝等[4]提出一種面向車載激光掃描數(shù)據(jù)快速分類的點云特征圖像生成方法，將掃描區(qū)域進行平面規(guī)則格網(wǎng)投影，通過分析格網(wǎng)內(nèi)部點云的空間分布特征(平面距離、高程差異、點密集程度等)生成掃描區(qū)域的點云特征圖像，進而結(jié)合圖像處理的方法對點云特征圖像進行分割和特征提取，從而實現(xiàn)點云數(shù)據(jù)的快速分類。LI[5]采用改進的增量式Delaunay三角剖分算法構(gòu)建不規(guī)則三角網(wǎng)，根據(jù)三角形包含格網(wǎng)原則，對格網(wǎng)點高程進行距離倒數(shù)加權(quán)插值計算，從而快速生成規(guī)則格網(wǎng)DEM。譚凱等[6]首先利用激光點云反射強度信息，生成強度圖像，然后對強度圖像進行中值濾波，最后利用Canny算子進行建筑物邊緣提取。彭晨等[7]通過選取點云的6種特征(法向量與水平面夾角θ、全方差v、維數(shù)特征α1、α2、α3 和特征根熵Ef)生成點云特征圖像，再利用支持向量機實現(xiàn)對建筑物立面的提取。LEHTOMAKI[8]基于三維機器視覺的思想，通過局部描述直方圖和自旋二維圖像進行點云特征匹配和分類。

上述利用點云生成特征圖像的方法大體可以分為四類：一是利用點云投影后的密度信息，生成密度圖像，該方法可以較好識別房屋、樹木、路面等密度差異較大的地物，而對路面與損壞目標(biāo)等密度差異較小的地物識別度不高，無法進一步提取；二是利用單站激光掃描儀所獲得的離散矢量點，以掃描儀為球心，生成球面距離圖像，該方法可以準(zhǔn)確識別有明顯差異的房屋、道路等地物，而無法精細識別路面上的損壞目標(biāo)等細節(jié)要素；三是利用激光掃描采集的回波強度信息，生成強度圖像，該方法能夠識別目標(biāo)邊緣特征，但是容易受噪聲的干擾；四是利用點云的高程或坡度等空間信息，加以插值、平滑等方法生成點云特征圖像，該方法充分利用了點云的空間特征，穩(wěn)健性相對較好，噪聲相對較少，但利用傳統(tǒng)計算方法進行路面損壞識別的針對性不強，容易損失路面損壞細節(jié)，如何針對性的利用點云空間信息準(zhǔn)確識別目標(biāo)特征是該方法需要改進的地方。本文充分分析路面損壞的空間分布特征[9]，在第四類方法研究的基礎(chǔ)上，設(shè)計一種基于損壞特征參考的插值算子，構(gòu)建圓形結(jié)構(gòu)高程梯度差分窗口進行路面梯度分析，生成能夠反映路面損壞細節(jié)的點云特征圖像。

1 路面損壞特征圖像生成方法

本文提出一種針對路面損壞識別的點云特征圖像生成方法。該方法首先統(tǒng)計路面點高程，過濾異常噪聲；然后分析路面損壞點云的空間分布特征，綜合路面損壞點云高程信息，設(shè)計基于損壞特征參考的插值算子，插值缺失點；再進一步分析不同路面損壞的空間幾何分布特點，構(gòu)建圓形結(jié)構(gòu)的路面損壞高程梯度差分窗口，進行路面梯度分析；最后結(jié)合極值約束下的中值濾波濾除椒鹽噪聲，進一步增強路面損壞特征，生成路面損壞特征圖像。主要流程如圖1所示。

圖1 路面損壞特征圖像生成算法流程圖

1.1 預(yù)處理

車載移動測量系統(tǒng)采集的點云數(shù)據(jù)不僅包括道路，還有路面上的行駛車輛、道路兩側(cè)的建筑物和樹木等噪點。算法首先對原始路面點云進行預(yù)處理，剔除車輛、建筑物、樹木等明顯的非路面點云，獲取路面點云數(shù)據(jù)，再進一步過濾由路面雜物引起的少量異常噪聲，并對路面點云遮擋區(qū)域進行插值，最終得到完整的路面點云數(shù)據(jù)，為路面損壞識別提供基礎(chǔ)數(shù)據(jù)源。

1)路面點云提取。原始點云中含有大量的非路面點，為了減小數(shù)據(jù)量，提高數(shù)據(jù)處理效率，同時削弱非路面點對路面損壞特征圖像生成的影響，首先要對原始點云進行路面濾波，得到路面點云。結(jié)合本文的數(shù)據(jù)索引方法，采用文獻[10]的算法進行路面濾波。

濾波后的路面點云通常含有少量的噪點，主要是由路面雜物等引起的。本文對路面點和噪點進行高程統(tǒng)計分析，發(fā)現(xiàn)如下規(guī)律：路面點高程起伏較小，路面損壞處的高程起伏始終較大，點云分布連續(xù)，而噪點均高于路面，且高程值起伏較大，分布突兀，數(shù)量稀少，如圖2所示。

圖2 路面點云縱剖面示意圖

基于上述分析，設(shè)定統(tǒng)計窗口邊長Dside，利用直方圖統(tǒng)計每個窗口內(nèi)的路面點云高程值，以5 mm為高程間隔(根據(jù)公路技術(shù)狀況評定標(biāo)準(zhǔn)，路面損壞最低檢測深度為5 mm[11])劃分高程值，根據(jù)以上統(tǒng)計規(guī)律，去除直方圖中路面點右側(cè)少于閾值N0的間隔內(nèi)所有點。圖3為4種點云分布直方圖統(tǒng)計示意圖。

圖3 4種點云分布直方圖統(tǒng)計示意圖

2)路面點云缺失插值。為了保留路面損壞細節(jié)，建立二維虛擬格網(wǎng)后，取每個格網(wǎng)內(nèi)高程最小的點為格網(wǎng)點。針對缺失的點，通過分析路面損壞的空間分布特征可知，損壞處點云的分布具有緊密性，損壞點之間的距離與路面點相比更加鄰近，并且，損壞處的高程分布具有漸變性，即高程值逐級由兩側(cè)向內(nèi)部降低，而局部路面點的高程分布具有隨機性，即高程值在一定范圍內(nèi)無序分布。如圖4為路面損壞特征示意圖，圖4(a)、圖4(c)紅色虛線為變形類損壞形狀示意線，圖4(b)、圖4(d)紅色虛線為裂縫類損壞形狀示意線。

基于上述路面損壞分布特點，構(gòu)建以下插值原則：

①統(tǒng)計待插點8鄰域內(nèi)含有格網(wǎng)點的高程值，取總數(shù)前1/2的較低高程格網(wǎng)點，作為疑似損壞點；

②根據(jù)損壞處點云的分布緊密性特點，隨機選取三個疑似損壞點組成三角形，若有三角形任意邊長經(jīng)過中心格網(wǎng)，則認為缺失點鄰近疑似損壞點，將所有疑似損壞點作為參考點，取參考點的高程中值插值缺失點高程，如圖4(a)、圖4(b)所示；

③若沒有三角形經(jīng)過中心格網(wǎng)，則認為缺失點鄰近路面點，取總數(shù)后1/2的較大高程格網(wǎng)點作為參考點進行高程中值插值，如圖4(c)、圖4(d)所示。

注：▲路面點 ●路面損壞點 +待插缺失點

1.2 路面損壞特征圖像生成

預(yù)處理完成后，需要進一步分析不同路面損壞的空間幾何分布特點，構(gòu)建分析窗口，精細識別路面損壞目標(biāo)，最后濾除椒鹽噪聲，進一步增強損壞特征，生成路面損壞特征圖像。

路面損壞主要包含變形類和裂縫類兩種[12]，在空間分布上，變形類損壞具有一定的面積和深度，邊緣具有明顯的弧線特征；裂縫類損壞具有一定的寬度和深度，邊緣表現(xiàn)出一定的線性特征，且線性特征方向具有不確定性。總地來說，路面損壞的邊緣特征各異，在方向上具有各向異性。因此，本文利用具有多尺度圓形結(jié)構(gòu)特征的分析窗口，進行高程梯度差分，精細識別路面損壞目標(biāo)，具體過程如下：

①尋找第一層鄰域格網(wǎng)。以一個格網(wǎng)中心點為圓心，2.5倍的格網(wǎng)邊長為半徑作圓，在圓形結(jié)構(gòu)內(nèi)找到完整的格網(wǎng)，分別計算x、y、45°和135°方向上的高程梯度增量，分析窗口如圖5所示。

注：1～13表示第一層鄰域格網(wǎng)，其中5為中心格網(wǎng)，內(nèi)圓為第一層圓形結(jié)構(gòu)，外圓為第二層圓形結(jié)構(gòu)。

中心格網(wǎng)5在x、y、45°和135°方向上的高程梯度變化分別通過式(1)～式(4)計算：

Sx=z9+2z6+z3-z7+2z4+z1/(8×dstep)

(1)

Sy=z1+2z2+z3-z7+2z8+z9/(8×dstep)

(2)

(3)

(4)

式中:Si為某一方向的高程梯度變化值；zi為某一鄰域格網(wǎng)點的高程值；dstep為格網(wǎng)邊長。

②尋找第二層鄰域格網(wǎng)。以3.5倍的格網(wǎng)邊長為半徑作圓，在圓形結(jié)構(gòu)內(nèi)找到完整的格網(wǎng)，分別計算出第二層4個方向上的增量，方法同①。圓形結(jié)構(gòu)的權(quán)重配比規(guī)則是根據(jù)鄰域與中心格網(wǎng)的距離關(guān)系進行分配，距離越近權(quán)重越大[12]：與中心格網(wǎng)相鄰的4鄰域，最能體現(xiàn)中心格網(wǎng)的高程梯度變化情況，故權(quán)重配比為2；次之為8鄰域斜方向的4個格網(wǎng)，權(quán)重配比為1；16鄰域權(quán)重配比為1/2，以此類推。

③通過步驟①和步驟②得到第一層和第二層鄰域格網(wǎng)4個方向上總共8個高程梯度變化值，從8個高程梯度變化的絕對值中找出最大值，即為中心格網(wǎng)的最終值，以此輸出路面損壞的初始特征圖像。中心格網(wǎng)值的計算公式為：

(5)

式中：slope為中心格網(wǎng)值；S1i表示第一層鄰域4個方向的高程梯度變化值；S2i表示第二層鄰域4個方向的高程梯度變化值。

④將格網(wǎng)值slope直接做為點云特征圖像的像素值，生成初始損壞特征圖像。

高程梯度差分后得到的初始損壞特征圖中，含有椒鹽噪聲[13]，對生成精細的路面損壞特征圖像造成了干擾，統(tǒng)計噪聲的分布規(guī)律，發(fā)現(xiàn)主要包含兩類：一類是分布在路面損壞中的，如圖6(a-Ⅰ)，該類噪聲被路面損壞點包圍，與鄰近格網(wǎng)值相比，屬于極小值；另一類是分布在正常路面中的，如圖6(a-Ⅱ)，該類噪聲被正常路面點包圍，與鄰近格網(wǎng)值相比，屬于極大值。

基于以上規(guī)律，本文利用一種中心格網(wǎng)極值約束的中值濾波方法濾除椒鹽噪聲：將中心格網(wǎng)值與8鄰域格網(wǎng)值比較，判斷中心格網(wǎng)值是否為極值。如果是，則找出8鄰域格網(wǎng)值的中值，作為該中心格網(wǎng)值。噪聲濾波后的圖像如圖6(b)所示。

圖6 噪聲濾波前后對比

2 實驗分析

本文采用青島秀山移動測量公司研發(fā)的VSurs-E型移動測量系統(tǒng)，該系統(tǒng)空間定位精度達到3 cm，相對測距精度達到1 mm，采集青島市黃島區(qū)渭河路和元寶山路實驗數(shù)據(jù)。如圖7所示，實驗路段總長度約1.8 km，移動測量系統(tǒng)沿雙向車道行駛采集數(shù)據(jù)，包含瀝青和水泥兩類路面，路面點云平均間距3 cm左右，路面坡度小于12.6%。實驗路段多為重型車輛行駛，路面損壞較多，路面石塊等雜物穿插其中。

圖7 車載激光點云數(shù)據(jù)

本文算法需要設(shè)置的參數(shù)為：統(tǒng)計窗口邊長Dside、統(tǒng)計去噪閾值N0、二維虛擬格網(wǎng)邊長dstep。統(tǒng)計窗口邊長設(shè)置原則為窗口內(nèi)點云厚度不超過1 cm，去噪閾值則根據(jù)局部路面點數(shù)量設(shè)置百分比，為了不損失路面損壞細節(jié)，二維虛擬格網(wǎng)邊長根據(jù)點云最大間距設(shè)置。針對本文實驗數(shù)據(jù)，設(shè)置統(tǒng)計窗口邊長Dside=0.5 m，統(tǒng)計去噪閾值N0=統(tǒng)計窗口內(nèi)路面點的1/10，格網(wǎng)邊長dstep=0.01 m。圖8為生成的路面損壞特征圖像，全部38幅特征圖像中，存在路面損壞的圖像有25幅，包含的損壞類型主要有坑槽、沉陷、波浪擁包、橫縱向裂縫和破碎板等。其中最小損壞目標(biāo)長為0.025 m，寬為0.009 m，最大的路面損壞面積達4.663 m2，最深的路面損壞為瀝青路面坑槽，坡度達12.6%。

圖8 路面損壞特征圖像

為驗證本文算法的可靠性，選取圖9中的4處位置，利用ArcGIS中傳統(tǒng)的三階反距離平方權(quán)坡度差分方法[14]，插值算子選擇反距離權(quán)重線性插值，格網(wǎng)邊長為0.01 m，輸出特征圖像，與本文算法進行比較，圖9(a)為傳統(tǒng)方法提取結(jié)果，圖9(b)為本文算法提取結(jié)果。

圖9 2種方法對比

截取特征圖像部分區(qū)域，進行精細對比，由圖9可見，瀝青路面中，a1-Ⅰ、b1-Ⅰ為坑槽，a2-Ⅰ、b2-Ⅰ為裂縫，a3-Ⅰ、b3-Ⅰ為塊裂，a3-Ⅱ、b3-Ⅱ為波浪擁包；水泥路面中，a4-Ⅰ、b4-Ⅰ為破碎板。對比發(fā)現(xiàn)，傳統(tǒng)方法只能識別坑槽、波浪擁包部分損壞嚴重的區(qū)域，微弱識別塊裂和破碎板的內(nèi)部邊緣，無法識別出特征微弱的外部邊緣，完全損失裂縫類損壞邊緣特征，由于傳統(tǒng)算法利用反距離權(quán)重插值，沒有實現(xiàn)面向路面損壞特征的針對性插值，造成了損壞邊緣的過度平滑，加上傳統(tǒng)坡度差分方法的局限性，從而導(dǎo)致其邊緣特征不明顯；而本文算法用一種基于損壞特征參考的插值算子，不會造成坑槽、波浪擁包處缺失點的過度平滑及內(nèi)部損壞細節(jié)的損失，從而可以完整識別整塊損壞區(qū)域，再加上圓形結(jié)構(gòu)下的高程梯度差分窗口，適應(yīng)路面損壞特征分布的各向異性，精細識別出塊裂和破碎板的外部和內(nèi)部邊緣特征，特別針對裂縫，算子以路面損壞的實際特征為基礎(chǔ)，突顯出了裂縫的損壞細節(jié)及連續(xù)性，精細識別其實際的邊緣特征，不會造成邊緣的過度識別。

最終，統(tǒng)計上述所有實驗路段實際路面損壞類型及數(shù)量，通過人工判讀，根據(jù)式(6)和式(7)計算出各個方法的準(zhǔn)確率(precision)和召回率(recall)[15]，與傳統(tǒng)方法進行比較，如表1所示。

(6)

(7)

式中：TP為正確識別出來的損壞目標(biāo)數(shù)量；FP為錯誤識別的數(shù)量；FN為未識別的數(shù)量。

表1 提取結(jié)果定量分析統(tǒng)計

綜合表1可得，對于不同類型的路面，本文算法對路面損壞的準(zhǔn)確率和召回率為88.89%和92.31%，遠遠高于傳統(tǒng)方法，說明本文算法對不同類型路面損壞的識別度高，具有較強的適用性。其中，針對裂縫類損壞，本文算法的召回率高達91.89%和92.31%，說明本文算法針對特征不明顯的裂縫類損壞具有較好的識別作用。但是，由于裂縫類損壞往往與其他類別損壞相互穿插，人工識別容易受到干擾，所以準(zhǔn)確率相對較低。綜合來看，本文算法生成的路面損壞特征圖像可以明顯提高路面損壞檢測的準(zhǔn)確度，具有較強的可靠性，同時能降低誤檢和漏檢，是一種實用的路面損壞特征圖像生成方法。

3 結(jié)束語

針對車載激光點云中路面損壞目標(biāo)的特征圖像生成，本文充分挖掘了路面損壞點云中的空間幾何特征，通過結(jié)合路面點云高程差異，先過濾異常噪聲，設(shè)計基于損壞特征參考的插值算子，插值缺失點；然后進一步分析不同路面損壞的空間幾何分布特點，利用多尺度圓形結(jié)構(gòu)下的路面損壞高程梯度差分窗口進行路面梯度分析；最后結(jié)合中心格網(wǎng)極值約束下的中值濾波濾除椒鹽噪聲，進一步增強路面損壞特征，生成路面損壞特征圖像。與傳統(tǒng)方法相比，本文算法生成的路面損壞特征圖像整體提取準(zhǔn)確率和召回率分別為88.89%和92.31%，提高了路面損壞檢測的可靠性和準(zhǔn)確性，解決了在不同環(huán)境條件下?lián)p壞目標(biāo)圖像生成算法的一致性問題，進一步為高精度路面損害自動化檢測提供可靠的數(shù)據(jù)源。本文所做研究為路面損壞高精度檢測和損壞目標(biāo)矢量化等打下了重要基礎(chǔ)，后續(xù)工作將重點研究路面損壞目標(biāo)的高精度自動提取。