廖飛欽, 馬榮貴, 王 朵, 陳鑫龍

1(長(zhǎng)安大學(xué) 信息工程學(xué)院, 西安 710064)

2(陜西交通控股集團(tuán)有限公司 寶雞分公司, 寶雞 721399)

截止2021 年4 月, 全國(guó)汽車(chē)保有量已達(dá)到2.87 億輛, 呈逐年累加趨勢(shì). 巨大的車(chē)流量使得公路路面病害也在逐年累加, 給公路進(jìn)行預(yù)防性養(yǎng)護(hù)工作帶來(lái)了很大的困難[1,2]. 其中, 坑槽是公路路面常見(jiàn)的病害之一,其不但影響行車(chē)駕駛的舒適度, 而且會(huì)導(dǎo)致嚴(yán)重的安全隱患. 因此, 路面坑槽檢測(cè)技術(shù)對(duì)進(jìn)行公路預(yù)防性養(yǎng)護(hù)工作具有重要的意義[3].

目前檢測(cè)公路路面坑槽病害的途徑主要是以下3 種: 一是震動(dòng)法[4], 該方法利用加速度傳感器的信號(hào)反饋來(lái)檢測(cè)坑槽病害, 設(shè)備價(jià)格低廉, 處理速度快, 但存在漏檢的缺點(diǎn), 不適用于準(zhǔn)確提取路面坑槽病害. 二是二維圖像分析法[5,6]. 王朋輝等人[6]提出了基于圖像紋理特征以及灰度特征的坑槽提取算法. 該方法主要利用了坑槽與正常路面之間的灰度差異, 但其缺點(diǎn)在于采集圖像的灰度值容易受到采集場(chǎng)地環(huán)境的限制,即光照、天氣變化、陰影、水漬等因素嚴(yán)重影響圖像的灰度分布. 這樣將影響到坑槽識(shí)別所獲取的面積、深度等信息的精度與準(zhǔn)確性. 三是三維重建法, 采用三維技術(shù)來(lái)重建坑槽的立體模型, 該方法包括立體視覺(jué)法[7,8]和三維激光掃描法[9-11]. 張豐梁[7]采用車(chē)載雙目識(shí)別技術(shù)的被動(dòng)檢測(cè)算法來(lái)實(shí)現(xiàn)坑槽深度的檢測(cè). 該方法易受環(huán)境光照變化、單一紋理等因素的影響, 從而導(dǎo)致圖像匹配具有不穩(wěn)定性, 并且大量的像素點(diǎn)計(jì)算使得算法要求較高, 故不適應(yīng)于公路路面的坑槽提取. Zhang等人[8]基于立體視覺(jué), 使用視差算法生成的視差圖, 根據(jù)坑槽與擬合的二次曲面之間的距離來(lái)檢測(cè)坑槽. 楊雷等人[10]以激光點(diǎn)云為研究對(duì)象, 提出一種剖面自適應(yīng)曲線(xiàn)擬合的坑槽提取算法, 該方法以剖面中的高曲率點(diǎn)作為坑槽邊界候選點(diǎn), 之后進(jìn)行聚類(lèi)優(yōu)化提取出坑槽輪廓. 該方法需要對(duì)每個(gè)點(diǎn)計(jì)算曲率, 計(jì)算量較大.暢陳豪等人[11]提出了基于點(diǎn)云剖面特征描述的坑槽提取算法. 該方法對(duì)點(diǎn)云的橫斷剖面以及縱斷剖面分別計(jì)算坑槽特征描述, 構(gòu)建坑槽特征描述算子來(lái)自動(dòng)識(shí)別坑槽. 基于三維激光點(diǎn)云, 通過(guò)分析點(diǎn)云特征提取坑槽. 該方法可以克服天氣、光照、水漬、陰影等環(huán)境因素的干擾, 具有較高的實(shí)用性. 但是該方法受點(diǎn)云密度的影響, 對(duì)點(diǎn)云特征點(diǎn)的計(jì)算量大、耗時(shí)長(zhǎng), 對(duì)算法以及處理設(shè)備要求較高.

針對(duì)車(chē)載三維激光點(diǎn)云掃描計(jì)算量大的問(wèn)題, 本文結(jié)合RANSAC 算法思想, 快速掃描橫斷面數(shù)據(jù)并判斷坑槽點(diǎn), 并且與曲率特征檢測(cè)坑槽的掃描算法進(jìn)行對(duì)比. 實(shí)驗(yàn)結(jié)果顯示, 該方法具有較高的效率, 并且由此采集到的坑槽深度、面積等數(shù)據(jù)準(zhǔn)確程度高.

1 RANSAC 算法

隨機(jī)抽樣一致性算法RANSAC (random sample consensus)[12,13], 是通過(guò)重復(fù)的隨機(jī)選取樣本集去估算出一個(gè)適用于數(shù)據(jù)集的比較好的數(shù)據(jù)模型. RANSAC算法能夠很好的避開(kāi)噪聲數(shù)據(jù)對(duì)結(jié)果的影響, 是比較穩(wěn)健的模型估計(jì)方法.

RANSAC 的主要步驟分為以下幾步:

(1)從數(shù)據(jù)集N中隨機(jī)抽樣選取建模所需最小樣本集n;

(2)使用最小樣本集n來(lái)計(jì)算出符合該數(shù)據(jù)集N的數(shù)據(jù)模型參數(shù);

(3)計(jì)算所有數(shù)據(jù)與這個(gè)模型的誤差, 在誤差閾值內(nèi)符合這個(gè)模型的數(shù)據(jù)記為“內(nèi)點(diǎn)”, 反之則為“外點(diǎn)”;

(4)比較當(dāng)前模型與先前計(jì)算所得最好模型的“內(nèi)點(diǎn)”個(gè)數(shù), “內(nèi)點(diǎn)”數(shù)目越多則模型越好, 保存更好模型;

(5)重復(fù)步驟(1)-(4), 直到達(dá)到設(shè)定的迭代次數(shù)k,得出最優(yōu)模型參數(shù).

1.1 RANSAC 算法與最小二乘法

由于最小二乘法是對(duì)所有的數(shù)據(jù)進(jìn)行的整體最優(yōu)策略, 容易受到異常數(shù)據(jù)的影響, 進(jìn)而影響實(shí)驗(yàn)效果的精度. RANSAC 算法不僅常用于計(jì)算機(jī)視覺(jué)領(lǐng)域特征點(diǎn)匹配問(wèn)題上, 同樣在路面點(diǎn)云數(shù)據(jù)優(yōu)化處理上也有非常好的效果[14]. 在存在坑槽的路面橫斷面數(shù)據(jù)上, 計(jì)算橫斷面回歸線(xiàn), 采用最小二乘法與RANSAC 算法計(jì)算結(jié)果示意圖如圖1 所示.

圖1 RANSAC 算法與最小二乘法比較示意圖

該測(cè)試示例數(shù)據(jù)包含16 個(gè)正常路面點(diǎn)以及4 個(gè)異常點(diǎn), 可以看出采用最小二乘法受到異常點(diǎn)的影響,在一定程度上偏離了大部分的正常路面點(diǎn), 即存在了明顯的誤差. 而采用RANSAC 算法, 則能很好的避開(kāi)異常點(diǎn), 誤差較小, 實(shí)驗(yàn)效果良好. 因此, 在存在異常數(shù)據(jù)的情況下去估計(jì)數(shù)據(jù)模型, 采用RANSAC 算法要更優(yōu)于最小二乘法.

2 坑槽識(shí)別算法

由激光檢測(cè)車(chē)采集的三維高程點(diǎn)云數(shù)據(jù), 可以簡(jiǎn)化為一個(gè)個(gè)二維的橫斷面數(shù)據(jù). 由于路面點(diǎn)云的橫斷面數(shù)據(jù)大多數(shù)是不存在坑槽的, 需要避免對(duì)點(diǎn)云中大量的正常路面點(diǎn)進(jìn)行復(fù)雜的特征點(diǎn)提取判斷, 節(jié)省計(jì)算量及計(jì)算時(shí)間, 首先使用RANSAC 對(duì)點(diǎn)云橫斷面數(shù)據(jù)進(jìn)行基準(zhǔn)線(xiàn)分析, 矯正車(chē)載檢測(cè)橫梁帶來(lái)的擾動(dòng), 并且初步判斷該橫斷面上是否存在坑槽點(diǎn)及記錄其位置;對(duì)于存在坑槽的橫斷面, 選出存在坑槽點(diǎn)的局部區(qū)域,可認(rèn)為局部區(qū)域是一個(gè)平面, 使用RANSAC 計(jì)算回歸基準(zhǔn)平面, 即路面所在平面; 之后由點(diǎn)云數(shù)據(jù)與局部基準(zhǔn)平面的關(guān)系, 將坑槽點(diǎn)進(jìn)行連通域提取, 從而得出屬于同一個(gè)坑槽的點(diǎn)集; 然后對(duì)坑槽點(diǎn)集進(jìn)行邊界提取并優(yōu)化, 利用點(diǎn)云領(lǐng)域內(nèi)點(diǎn)的均勻程度來(lái)判斷邊界點(diǎn);最后得出坑槽輪廓, 使用三次B 樣條插值進(jìn)行擬合, 將坑槽邊界映射到二維平面上進(jìn)行積分運(yùn)算, 從而分析出該坑槽的面積信息. 該流程如圖2 所示.

圖2 坑槽提取流程圖

2.1 橫斷面分析

2.1.1 路面三維坐標(biāo)系

將路面三維點(diǎn)云數(shù)據(jù)融合到以X 軸為里程、Y 軸為橫斷面坐標(biāo)、Z 軸為點(diǎn)高程的三維坐標(biāo)系[15]里, 如圖3 所示. 基準(zhǔn)平面是一個(gè)平行于平面XOY, 為方便分析, 一般選取平面XOY 為基準(zhǔn)平面. 則路面上任意一點(diǎn)P相對(duì)于基準(zhǔn)平面的坐標(biāo)為(x,y,z), 那么整個(gè)路面R可以表示為:

圖3 路面點(diǎn)云三維坐標(biāo)系

因此, 對(duì)三維點(diǎn)云的分析可簡(jiǎn)化為對(duì)橫斷面數(shù)據(jù)的分析. 為了較好的分析橫斷面信息, 將數(shù)據(jù)點(diǎn)映射到二維坐標(biāo)平面YOZ 上, 則當(dāng)前橫斷面數(shù)據(jù)T:

由于在道路檢測(cè)車(chē)的檢測(cè)過(guò)程中, 容易出現(xiàn)車(chē)身顛簸震動(dòng), 導(dǎo)致檢測(cè)車(chē)的檢測(cè)橫梁不能始終保持在同一測(cè)量基準(zhǔn)線(xiàn)上, 造成所測(cè)量的路面高程線(xiàn)已偏離實(shí)際高程線(xiàn), 導(dǎo)致無(wú)準(zhǔn)確參考基準(zhǔn)面判斷路面破損, 如圖4 所示.

圖4 橫梁傾斜時(shí)的橫斷面檢測(cè)情況

因此, 為了使數(shù)據(jù)高程更接近實(shí)際值, 需要矯正檢測(cè)數(shù)據(jù), 使其以理想基準(zhǔn)線(xiàn)為基準(zhǔn). 當(dāng)檢測(cè)橫梁存在震動(dòng)時(shí), 橫斷面Y 坐標(biāo)不會(huì)改變, 而高程坐標(biāo)Z 則會(huì)存在一個(gè)偏移, 則偏移后的橫斷面數(shù)據(jù)為:

2.1.3 RANSAC 初步判斷坑槽點(diǎn)

根據(jù)實(shí)際情況需求, 本文采用RANSAC 算法, 進(jìn)行橫斷面基準(zhǔn)線(xiàn)分析. 橫斷面上所有的點(diǎn)都以橫斷面基準(zhǔn)線(xiàn)為基準(zhǔn), 即所有點(diǎn)高程都是相對(duì)于基準(zhǔn)路面的高度. 點(diǎn)高程越接近于0, 則表示點(diǎn)越接近基準(zhǔn)路面, 即不是坑槽點(diǎn). 反之, 當(dāng)點(diǎn)高程越小于0 則表示點(diǎn)高程向下凹陷越深, 即坑槽點(diǎn).

參照J(rèn)TC 5210-2018《公路技術(shù)狀況評(píng)定標(biāo)準(zhǔn)》,對(duì)于瀝青路面的坑槽破損程度, 由坑槽深度作為判定標(biāo)準(zhǔn)有: 坑槽深度小于25 mm 為輕度; 坑槽深度大于或者等于25 mm 為重度. 因此, 參考上述判定標(biāo)準(zhǔn), 設(shè)定深度閾值T1, 當(dāng)整個(gè)橫斷面數(shù)據(jù)高度值都在閾值T1以?xún)?nèi),則認(rèn)為該橫斷面不存在坑槽, 或者認(rèn)為坑槽特征不明顯, 還未成為坑槽病害. 將超出閾值T1的點(diǎn)高程數(shù)據(jù)認(rèn)為坑槽數(shù)據(jù), 并且標(biāo)記為坑槽點(diǎn). 由閾值T1可以確定坑槽深度范圍, 用以區(qū)分坑槽的嚴(yán)重程度. 橫斷面高程點(diǎn)經(jīng)過(guò)RANSAC 初步判定坑槽點(diǎn), 結(jié)果示意圖如圖5 所示.

圖5 RANSAC 初步判定坑槽點(diǎn)

在實(shí)際情況下, 大部分路面是完好的, 少數(shù)會(huì)出現(xiàn)坑槽病害. 因此, 在龐大的路面點(diǎn)云數(shù)據(jù)中, 只有少部分?jǐn)?shù)據(jù)是存在坑槽的. 使用RANSAC 進(jìn)行橫斷面初步分析, 能夠很好的定位到存在坑槽的位置, 記錄坑槽點(diǎn)云位置并且取出相鄰的橫斷面點(diǎn)云, 之后再對(duì)該位置進(jìn)行詳細(xì)的坑槽提取分析. 該方法能夠很好地解決路面點(diǎn)云計(jì)算量大的問(wèn)題.

2.2 局部基準(zhǔn)面計(jì)算

由第2.1 節(jié)橫斷面分析可以初步判斷出坑槽的位置以及部分被標(biāo)記的坑槽點(diǎn). 為了減少各個(gè)橫斷面之間的誤差, 還原更加準(zhǔn)確的坑槽形狀, 需要對(duì)坑槽附近的局部橫斷面數(shù)據(jù)進(jìn)行整體處理. 因此, 需要計(jì)算坑槽附近的局部基準(zhǔn)路面, 即相對(duì)高程基準(zhǔn)路面. 局部平面上的點(diǎn)與該基準(zhǔn)面的相對(duì)高程即為坑槽深度. 當(dāng)相對(duì)高程接近0 時(shí), 這說(shuō)明該點(diǎn)在基準(zhǔn)面附近, 屬于正常路面點(diǎn); 當(dāng)高程小于0 時(shí), 說(shuō)明該點(diǎn)向下凹陷, 越是偏離基準(zhǔn)面, 則其下陷程度越明顯, 即屬于坑槽點(diǎn). 因?yàn)榭紤]的是局部坑槽路面, 可認(rèn)為該局部路面是接近于平面而非曲面. 為此, 使用RANSAC 算法計(jì)算坑槽的局部基準(zhǔn)面, 用于計(jì)算平面模型的采樣數(shù)據(jù)為坑槽周?chē)鸀槲幢粯?biāo)記的路面點(diǎn), 這樣能夠更好地估計(jì)平面模型.

2.3 坑槽點(diǎn)連通域提取

選出坑槽局部區(qū)域點(diǎn)云, 計(jì)算每個(gè)點(diǎn)到達(dá)局部坑槽基準(zhǔn)面的相對(duì)高程. 設(shè)定坑槽判定規(guī)則: 當(dāng)點(diǎn)相對(duì)高程小于設(shè)定閾值T2, 即認(rèn)為當(dāng)前點(diǎn)與基準(zhǔn)路面差距較小, 應(yīng)歸類(lèi)為路面點(diǎn); 反之, 則認(rèn)為坑槽點(diǎn). 使用種子填充算法, 令其中一個(gè)坑槽點(diǎn)作為種子點(diǎn), 如果相鄰的點(diǎn)被判斷為坑槽點(diǎn), 則將其加入坑槽點(diǎn)集S; 重復(fù)操作, 直至沒(méi)有種子點(diǎn), 停止. 則點(diǎn)集S即為一個(gè)完整的坑槽點(diǎn)集. 然后在下一個(gè)坑槽種子點(diǎn)開(kāi)始新的聚類(lèi). 點(diǎn)數(shù)較少的坑槽點(diǎn)集認(rèn)為存在錯(cuò)誤數(shù)據(jù)或者坑槽特征不明顯,應(yīng)去掉. 如圖6 所示, 經(jīng)過(guò)局部基準(zhǔn)面計(jì)算, 并且進(jìn)行坑槽點(diǎn)連通域提取, 可以分離出坑槽點(diǎn)與路面點(diǎn).

2.4 坑槽邊界提取與優(yōu)化

由于邊界點(diǎn)一側(cè)不存在其他的點(diǎn); 而非邊界點(diǎn)其周?chē)鶆蚍植计渌c(diǎn). 本文采用的是文獻(xiàn)[16]中的坑槽邊界提取方法, 利用點(diǎn)云領(lǐng)域內(nèi)點(diǎn)的均勻程度來(lái)判斷邊界點(diǎn), 即邊界點(diǎn)的外側(cè)無(wú)其他坑槽點(diǎn), 而其內(nèi)側(cè)則均為坑槽點(diǎn). 總體方法為計(jì)算某點(diǎn)P與其近鄰點(diǎn)組成的向量之間的夾角, 然后對(duì)個(gè)夾角進(jìn)行排序, 計(jì)算連續(xù)夾角間的最大差值, 將這個(gè)差值與設(shè)置的閾值進(jìn)行比較, 若大于則該點(diǎn)則為邊界點(diǎn), 否則不是.

計(jì)算所得的邊界點(diǎn)為了使邊界線(xiàn)平滑, 更接近實(shí)際形狀, 并且方便與后續(xù)的面積積分操作, 需要進(jìn)行插值擬合優(yōu)化處理. 本文采用三次樣條插值法進(jìn)行邊界擬合處理, 所得結(jié)果為坑槽邊界點(diǎn)集B.

2.5 坑槽分析

圖7 坑槽面積積分示意圖

3 實(shí)驗(yàn)分析

本文的實(shí)驗(yàn)數(shù)據(jù)分為室內(nèi)及室外兩部分. 室內(nèi)數(shù)據(jù)是由激光測(cè)距儀, 固定測(cè)量高度后, 在實(shí)驗(yàn)室測(cè)試矩形以及圓形等規(guī)則的坑槽模型. 點(diǎn)云掃描橫斷面間距為10 mm, 橫斷面每個(gè)點(diǎn)的距離也為10 mm, 測(cè)距精度為1 mm. 室外路面數(shù)據(jù)是由低速道路檢測(cè)車(chē)采集獲得,采集數(shù)據(jù)為校園瀝青路段中的一條車(chē)道. 該實(shí)驗(yàn)路段的長(zhǎng)度100 m, 掃描寬度為3.5 m, 點(diǎn)云間間距為10 mm,掃描線(xiàn)間距為10 mm, 測(cè)距精度為1 mm, 每個(gè)橫斷面的點(diǎn)數(shù)量為350 個(gè), 數(shù)據(jù)總量為3 500 000 個(gè). 處理數(shù)據(jù)設(shè)備為筆記本電腦, 配置CPU 為Intel 9 代i7, 主頻為2.6 GHz, 顯卡型號(hào)為GTX1650, 并使用Matlab 處理數(shù)據(jù).

3.1 效率性分析

本文方法提高點(diǎn)云計(jì)算效率在于進(jìn)行快速的掃描,而掃描出存在坑槽的橫斷面則由坑槽形狀提取算法進(jìn)行處理. 對(duì)橫斷面掃描檢測(cè)坑槽算法進(jìn)行效率性分析,使用文獻(xiàn)[10]中的曲率特征點(diǎn)檢測(cè)方法作為對(duì)照方法.文獻(xiàn)[10]采用的橫斷面坑槽掃描算法步驟為: (1)采用最小二乘法對(duì)橫斷面進(jìn)行曲線(xiàn)擬合; (2)計(jì)算橫斷面上每個(gè)點(diǎn)的曲率, 并計(jì)算高于平均曲率的高曲率點(diǎn);(3)由高曲率點(diǎn)進(jìn)一步計(jì)算并進(jìn)行坑槽特征點(diǎn)判定. 計(jì)算橫斷面上的每一個(gè)點(diǎn)的曲率K, 計(jì)算公式為:

其中,y'和y''分別為當(dāng)前點(diǎn)在橫斷面擬合曲線(xiàn)曲線(xiàn)上的一階導(dǎo)數(shù)和二階導(dǎo)數(shù).

對(duì)照實(shí)驗(yàn)所使用的數(shù)據(jù)為100 m 路段點(diǎn)云, 點(diǎn)云數(shù)量為3 500 000 個(gè). 使用本文橫斷面掃描算法與曲率特征點(diǎn)算法, 對(duì)該數(shù)據(jù)進(jìn)行10 次橫斷掃描檢測(cè)計(jì)算,其對(duì)照實(shí)驗(yàn)結(jié)果如表1 所示.

由表1 結(jié)果, 采用曲率特征點(diǎn)算法所需要的平均時(shí)間12.554 s, 方差為0.025 6, 標(biāo)準(zhǔn)差為0.160; 采用本文方法所需的平均時(shí)間為5.466 s, 方差為0.018 9, 標(biāo)準(zhǔn)差為0.137. 采用曲率特征點(diǎn)方法與本文掃描方法的計(jì)算時(shí)間的平均差值為7.088 s, 使用本文方法相對(duì)于曲率特征點(diǎn)算法平均提升的效率為56.46%. 由此結(jié)果顯示,采用本文的掃描方法, 同一數(shù)據(jù)量的計(jì)算時(shí)間要明顯低于使用曲率特征點(diǎn)的算法, 計(jì)算時(shí)間的分布更為收斂.

使用RANSAC 算法計(jì)算橫斷面直線(xiàn)模型只需要兩個(gè)樣本點(diǎn), 迭代多次后, 遍歷每個(gè)點(diǎn)與最優(yōu)模型的高度差, 所涉及的計(jì)算復(fù)雜度較低; 而采用計(jì)算特征點(diǎn)的方法, 使用最小二乘法計(jì)算橫斷面擬合曲線(xiàn), 并求出橫斷面上每個(gè)點(diǎn)的一階和二階導(dǎo)數(shù), 最后取平均曲率為閾值去比較每個(gè)點(diǎn)的曲率, 該方法計(jì)算復(fù)雜度較高, 計(jì)算量較大. 針對(duì)點(diǎn)云的數(shù)量到達(dá)千萬(wàn)甚至億級(jí)別, 本文算法能夠快速掃描出坑槽點(diǎn)的位置, 并將存在坑槽點(diǎn)的局部橫斷面提取出, 以供后續(xù)的坑槽詳細(xì)信息提取,使得掃描橫斷面點(diǎn)云與提取詳細(xì)坑槽信息算法可以并發(fā)執(zhí)行, 提高執(zhí)行效率.

3.2 準(zhǔn)確性分析

圖8 所示為在室內(nèi)使用木板模型采集數(shù)據(jù)處理的結(jié)果. 圖9 和圖10 為在公路采集到的坑槽及實(shí)驗(yàn)結(jié)果.實(shí)驗(yàn)結(jié)果顯示, 本文方法能夠很好的提取出坑槽的形狀輪廓. 本文以坑槽的深度及面積為指標(biāo)驗(yàn)證本文方法效果, 采集到坑槽樣本12 個(gè), 對(duì)每個(gè)樣本進(jìn)行10 次計(jì)算, 結(jié)果取平均值. 用人工測(cè)量的方法與本文方法進(jìn)行對(duì)比, 實(shí)驗(yàn)結(jié)果如表2 所示.

圖9 路面坑槽1 實(shí)驗(yàn)結(jié)果

圖10 路面坑槽2 實(shí)驗(yàn)結(jié)果

由表2 本文方法與人工方法的對(duì)比結(jié)果, 坑槽深度采集精度為1 mm, 其誤差范圍在0.9-2.3 mm 之間,相對(duì)誤差范圍在3.00%-6.59%之間, 平均相對(duì)誤差為4.73%. 由坑槽面積結(jié)果顯示, 其相對(duì)誤差范圍在2.43%-5.65%, 平均相對(duì)誤差為4.50%. 由此數(shù)據(jù)可知,本文實(shí)驗(yàn)結(jié)果的深度及面積平均相對(duì)誤差都小于5%,實(shí)驗(yàn)結(jié)果良好, 能夠有效地提取出坑槽的信息.

表2 路面坑槽實(shí)驗(yàn)結(jié)果比較

由JC 510-2018《公路技術(shù)狀況評(píng)定標(biāo)準(zhǔn)》定義坑槽標(biāo)準(zhǔn)損壞程度: 坑槽深度小于25 mm, 或面積小于0.1 m2屬于輕度坑槽; 坑槽深度大于或等于25 mm,或大于或等于0.1 m2屬于重度坑槽. 由該標(biāo)準(zhǔn), 坑槽編號(hào)為1、5、10 為輕度坑槽; 其余編號(hào)的為重度坑槽.由表結(jié)果顯示, 屬于重度坑槽的平均誤差為4.21%, 誤差較小; 而輕度坑槽平均誤差為5.38%, 誤差較大. 產(chǎn)生該結(jié)果的原因?yàn)椴杉g隔為10 mm, 在坑槽較小的時(shí)候, 該采集精度對(duì)計(jì)算結(jié)果的精度影響較大.

依照本文算法進(jìn)行坑槽面積計(jì)算, 其結(jié)果比實(shí)際值要小. 產(chǎn)生該問(wèn)題的原因在于計(jì)算坑槽局部0 高程平面后, 聚類(lèi)坑槽點(diǎn)云方法決定的. 因?yàn)樵O(shè)定距離0 高程平面的閾值作為劃分坑槽點(diǎn)與平面點(diǎn), 所以部分坑槽邊緣點(diǎn)距離0 高程平面較近而被劃分為路面點(diǎn), 導(dǎo)致缺少部分邊界點(diǎn)而計(jì)算出的面積要小于實(shí)際值.

4 結(jié)論

針對(duì)車(chē)載三維點(diǎn)云掃描提取坑槽特征點(diǎn)計(jì)算量大的問(wèn)題, 本文使用RANSAC 算法思想, 以整體基準(zhǔn)判定異常點(diǎn)的方法去提取坑槽. 首先使用橫斷面基準(zhǔn)線(xiàn)整體判斷并標(biāo)記坑槽點(diǎn), 然后針對(duì)坑槽區(qū)域進(jìn)行局部基準(zhǔn)面整體判斷坑槽點(diǎn)集, 之后使用種子填充算法進(jìn)行坑槽連通域點(diǎn)集提取, 最后對(duì)坑槽點(diǎn)集進(jìn)行邊界提取以及插值擬合, 從而可以計(jì)算出坑槽有效信息.

實(shí)驗(yàn)結(jié)果表明, 相較于由曲率特征點(diǎn)判定坑槽的方法, 本文使用RANSAC 掃描檢測(cè)橫斷面方法的效率平均提升56.46%, 能夠快速掃描出坑槽點(diǎn)的位置, 提高識(shí)別提取的效率. 采集坑槽樣本12 個(gè), 深度指標(biāo)平均誤差為4.73%, 面積指標(biāo)平均誤差為4.50%. 實(shí)驗(yàn)結(jié)果誤差較小, 具有良好的識(shí)別效果.

本文方法針對(duì)橫斷面掃描檢測(cè)坑槽位置進(jìn)行處理,避免了在正常路面點(diǎn)云上的大量分析和處理, 能夠準(zhǔn)確地提取出不規(guī)則坑槽的輪廓形狀、面積和深度等信息. 本文算法處理后提取的坑槽與實(shí)際路面坑槽存在一定范圍的誤差, 但該誤差較小, 提取結(jié)果與真實(shí)結(jié)果之間具有較高的一致性.