劉如飛,柴永寧,陳 敏

(1.交通運(yùn)輸部公路科學(xué)研究院，北京 100088； 2.山東科技大學(xué) 測(cè)繪與空間信息學(xué)院，山東 青島 266590)

0 引言

由于受各類自然環(huán)境影響，在行車荷載作用下瀝青路面容易發(fā)生局部變形，輪跡帶逐漸變形下凹，兩側(cè)鼓起形成車轍。車轍會(huì)使得路面平整度下降，影響行車安全[1-2]；同時(shí)車轍削弱了路面整體強(qiáng)度，會(huì)進(jìn)一步誘發(fā)其他路面病害。因此，路面車轍病害的監(jiān)測(cè)預(yù)防至關(guān)重要。

傳統(tǒng)車轍測(cè)量多利用人工直尺法或包絡(luò)線法對(duì)斷面車轍深度進(jìn)行分析，兩種方法利用推包和推波產(chǎn)生的波峰、波谷進(jìn)行測(cè)量，會(huì)存在一定誤差[3-5]。目前，國(guó)內(nèi)外對(duì)于路面病害的檢測(cè)正由人工測(cè)量向移動(dòng)測(cè)量轉(zhuǎn)變。通過(guò)移動(dòng)測(cè)量系統(tǒng)快速獲取海量路面激光掃描數(shù)據(jù)，能夠高效準(zhǔn)確地進(jìn)行路面病害檢測(cè)，為公路養(yǎng)護(hù)管理提供數(shù)據(jù)支撐[6-7]。

吳智山等[8]利用單點(diǎn)激光器的測(cè)量方法采集路面斷面數(shù)據(jù)，設(shè)計(jì)并開(kāi)發(fā)出相應(yīng)的車轍測(cè)量?jī)x器，通過(guò)對(duì)系統(tǒng)測(cè)量誤差進(jìn)行研究分析，證明了共梁式非均勻分布13點(diǎn)激光器用于車轍檢測(cè)的可行性[9-12]，但由于點(diǎn)數(shù)有限，密度較小，導(dǎo)致道路橫斷面數(shù)據(jù)不連續(xù)，同時(shí)檢測(cè)車的行駛偏移也會(huì)導(dǎo)致車轍測(cè)量誤差；Tsai等[13]通過(guò)控制路面橫斷面上點(diǎn)的數(shù)量，研究了橫向點(diǎn)的數(shù)量與車轍斷面提取精度的關(guān)系，證實(shí)了橫向點(diǎn)數(shù)量對(duì)車轍斷面提取精度的影響；馬榮貴等[14]進(jìn)一步深入研究橫向點(diǎn)的密度對(duì)車轍斷面提取精度的影響，得出了隨著傳感器數(shù)目的增加，車轍測(cè)量最大誤差在橫向輪廓點(diǎn)的數(shù)量小于21時(shí)減小較快，大于33時(shí)衰減緩慢的結(jié)論；李清泉等[15]使用Delaunay三角網(wǎng)進(jìn)行標(biāo)定點(diǎn)建網(wǎng)與激光掃描線物方坐標(biāo)解算的方法快速獲取足夠密集的車轍橫斷面剖面線，用于車轍分析；洪梓銘[16]和孫權(quán)[17]等則根據(jù)激光掃描數(shù)據(jù)的坐標(biāo)分布特征生成特征圖像，基于圖像處理技術(shù)快速獲取車轍等路面病害信息。

針對(duì)上述問(wèn)題，本研究提出了一種基于連續(xù)激光點(diǎn)云的路面車轍精細(xì)三維特征提取方法?？紤]到圖像像素相對(duì)于離散點(diǎn)云較好的連續(xù)性和二維圖像處理相對(duì)于三維點(diǎn)云數(shù)據(jù)處理的高效性，本研究根據(jù)正常路面和車轍目標(biāo)的空間分布差異生成多元化特征圖像，綜合運(yùn)用圖像處理和點(diǎn)云擬合分析方法提取車轍平面輪廓線和橫斷面輪廓線，進(jìn)行車轍精細(xì)三維特征表達(dá)。

1 車轍精細(xì)三維特征提取

以車道標(biāo)線為邊界約束，從路面點(diǎn)云中提取單車道點(diǎn)云，作為提取車轍精細(xì)三維特征的基礎(chǔ)數(shù)據(jù)。路面點(diǎn)云數(shù)據(jù)及車道標(biāo)線如圖1所示。

圖1 原始點(diǎn)云數(shù)據(jù)(強(qiáng)度)Fig.1 Original point cloud data (intensity)

方法為首先將路面激光點(diǎn)云數(shù)據(jù)處理轉(zhuǎn)化成高程特征圖像、坡度特征圖像和坡向特征圖像，基于圖像提取車轍平面輪廓線;再基于斷面密集的激光掃描線點(diǎn)精細(xì)提取車轍輪廓邊界點(diǎn)和斷面輪廓線；最后運(yùn)用精確輪廓點(diǎn)修正平面輪廓線，實(shí)現(xiàn)車轍精細(xì)三維特征表達(dá)。路面車轍精細(xì)三維特征提取流程如圖2所示。

圖2 路面車轍精細(xì)三維特征提取流程Fig.2 Flowchart of fine 3D feature extraction of pavement rutting

1.1 基于特征圖像的車轍縱向平面輪廓線提取

(1)點(diǎn)云數(shù)據(jù)預(yù)處理

一般情況下，車轍特征表現(xiàn)為沿道路縱向?yàn)橹本€形，沿道路橫斷面方向?yàn)椤皐”形，有先下降后上升、再下降再上升的變化規(guī)律。為了消除路面橫向排水坡和縱向上下坡對(duì)車轍特征提取的影響，本研究采用多元線性回歸方法擬合路面平面并將點(diǎn)云數(shù)據(jù)高程進(jìn)行歸一化處理，即將點(diǎn)云數(shù)據(jù)z坐標(biāo)作為因變量，x和y坐標(biāo)為兩個(gè)自變量，建立二元線性回歸模型，如式(1)所示:

z=b0+b1x+b2y+e,

(1)

式中，b0，b1，b2，e為平面方程系數(shù)。抽樣點(diǎn)云數(shù)據(jù)計(jì)算得路面平面方程一般式，如式(2)所示：

b1x+b2y+(-1)z+b0=0。

(2)

以該平面為約束，遍歷計(jì)算各點(diǎn)到該平面的距離，并以此作為點(diǎn)云的相對(duì)高程值。點(diǎn)到平面的距離計(jì)算方法如式(3)所示：

(3)

式中，x，y，z為路面點(diǎn)的三維坐標(biāo)；d為路面點(diǎn)到擬合路面平面的距離,即歸一化后相對(duì)高程。

(2)路面特征圖像生成

獲取車道點(diǎn)云平面圖像投影范圍，即由xmin，xmax，ymin，ymax確定的最小外接矩形，設(shè)定像素分辨率Pixr和Pixc，其中Pixr和Pixc分別為圖像沿行和列方向的分辨率，由此計(jì)算圖像尺寸，計(jì)算公式如式(4)所示：

(4)

預(yù)設(shè)一張尺寸為Row行，Col列的空白圖像，遍歷計(jì)算點(diǎn)云各點(diǎn)在圖像中的位置，并將1個(gè)像素對(duì)應(yīng)的多個(gè)路面點(diǎn)最小相對(duì)高程拉伸到uint8(0～255)灰階上，作為該像素的灰度值。點(diǎn)云到像素的坐標(biāo)換算方法如式(5)所示：

(5)

高程到灰度值的拉伸計(jì)算方法如式(6)所示:

(6)

式中，zmax和zmin分別為歸一化后相對(duì)高程最大值和最小值。通過(guò)以上方法獲取路面高程特征圖像，進(jìn)一步采用中值平滑方法進(jìn)行濾波去噪，獲取更加平滑的路面高程特征圖像。

對(duì)路面高程特征圖像求梯度，梯度向量值作為路面坡度特征圖像對(duì)應(yīng)位置的灰度值，生成坡度特征圖像；進(jìn)一步將梯度向量方位角換算為灰度值填入路面坡向特征圖像對(duì)應(yīng)像素位置，生成路面坡向特征圖像。路面特征圖像如圖3所示。

圖3 路面特征圖像Fig.3 Pavement feature images

(3)車轍平面輪廓線提取

車轍位置特征圖像像素灰度值特征如表1所示，高程特征圖像中由路面到車轍底點(diǎn)呈倒“S”形變化，由車轍底點(diǎn)到路面點(diǎn)呈現(xiàn)“S”形變化，“S”或倒“S”形腰部處為高程特征圖像橫斷面拐點(diǎn)。對(duì)高程特征圖像求二階導(dǎo)并對(duì)二階導(dǎo)圖像二值化：二階導(dǎo)數(shù)為0處即為高程特征圖像橫斷面拐點(diǎn)，其灰度值為1，其他位置灰度值為0。坡度特征圖像中路面和車轍底點(diǎn)處坡度較小，車轍側(cè)壁與路面點(diǎn)交匯處有突變，與車轍底點(diǎn)交匯處有突變。對(duì)坡度特征圖像進(jìn)行二值化：以坡度特征突變處為1，其他位置處為0。坡向特征圖像中路面點(diǎn)由于其平坦度和破損的粗糙度呈現(xiàn)各方向差異性，車轍側(cè)壁由于上下坡方向相反，呈現(xiàn)明暗分布，下坡灰度值較小，呈灰色，上坡灰度值較大，亮度較高，車轍下坡和上坡過(guò)渡處即車轍底點(diǎn)，坡度接近0或2π。對(duì)坡向特征圖像求導(dǎo)生成二值圖：以導(dǎo)數(shù)突變處為1，其他位置處為0。

表1 車轍不同位置處特征圖像像素灰度值特征Tab.1 Gray value characteristics of feature image pixels at different positions of rut

將3種特征圖像生成的二值圖疊加顯示，如圖4所示。圖中黑色線圖層為高程特征圖像提取結(jié)果，提取內(nèi)容為車轍側(cè)壁中線；灰色線圖層為坡度特征圖像提取結(jié)果，提取內(nèi)容為車轍側(cè)壁上下邊緣輪廓線；淺灰色線圖層為坡向特征圖像提取結(jié)果，提取內(nèi)容為車轍凹槽底點(diǎn)連線及一些路面雜亂線。

圖4 特征圖像二值化結(jié)果Fig.4 Feature image binarization result

對(duì)特征圖像分析結(jié)果中黑色圖層進(jìn)行縱向約束聚類分析，從上到下黑色線依次編號(hào)為①，②，③，④。首先濾波去除孤立點(diǎn)或較小線段；其次通過(guò)區(qū)域生長(zhǎng)獲取任意1條曲線上最長(zhǎng)線段；最后通過(guò)曲線走向約束，采用連通性分析技術(shù)提取4條完整的曲線。

以黑色圖層4條曲線為約束條件，刪除灰色圖層中①號(hào)和②號(hào)側(cè)壁中線之間的部分，刪除灰色圖層中③號(hào)和④號(hào)側(cè)壁中線之間的部分；刪除淺灰色圖層中①號(hào)側(cè)壁中線以上部分，刪除淺灰色圖層中②號(hào)和③號(hào)側(cè)壁中線之間的部分，刪除④號(hào)側(cè)壁中線以下部分。

對(duì)余下灰色、淺灰色圖層分別再進(jìn)行聚類、濾波、區(qū)域生長(zhǎng)和連通性分析處理，最終獲取車轍平面輪廓線，如圖5所示。圖中類型Ⅰ的4條曲線表示為車轍凹槽上邊緣輪廓線；類型Ⅱ的2條曲線表示為車轍凹槽底部中線。

圖5 車轍平面輪廓線提取結(jié)果Fig.5 Extracted rutting plane contour line

1.2 基于掃描線點(diǎn)擬合的橫斷面輪廓精提取

路面激光點(diǎn)云采用連續(xù)掃描線方式采集，掃描線上相鄰點(diǎn)間距可達(dá)1 cm，任一點(diǎn)均存儲(chǔ)掃描線編號(hào)，進(jìn)而可快速獲取該掃描線上其他所有點(diǎn)；然后通過(guò)中值濾波，去除掃描線上噪聲，獲取平滑的路面橫斷面掃描線點(diǎn)。

對(duì)平滑后掃描線密集點(diǎn)進(jìn)行曲線擬合分析，通過(guò)曲線求導(dǎo)獲取4個(gè)拐點(diǎn)即車轍凹槽側(cè)壁邊緣的輪廓點(diǎn)；以同側(cè)車轍兩個(gè)車轍凹槽側(cè)壁邊緣點(diǎn)為約束，位于兩點(diǎn)之間且一階導(dǎo)數(shù)為0 的點(diǎn)即為車轍凹槽底部中線點(diǎn)，如圖6中的大圓點(diǎn)所示。

圖6 車轍凹槽輪廓點(diǎn)精細(xì)提取結(jié)果Fig.6 Extracted fine rutting groove contour points

以車轍凹槽側(cè)壁輪廓點(diǎn)為約束，將車轍凹槽側(cè)壁輪廓點(diǎn)之間的掃描線點(diǎn)擬合為曲線，作為車轍斷面輪廓線。

1.3 車轍平面輪廓線的修正

基于特征圖像的輪廓錢提取方法能較好地保留道路縱向線狀分布特征，但車轍凹槽側(cè)壁邊緣輪廓線和凹槽底部中線提取位置存在不準(zhǔn)確的問(wèn)題，因此還需運(yùn)用精確提取的車轍凹槽側(cè)壁輪廓點(diǎn)和凹槽底部點(diǎn)對(duì)其位置進(jìn)行修正。將車轍平面輪廓線進(jìn)行分段處理，然后計(jì)算分段范圍內(nèi)精確的輪廓點(diǎn)到待修正輪廓線的平面距離，對(duì)距離差值進(jìn)行最小二乘平差擬合，獲取輪廓線上不同位置的修正參數(shù)，進(jìn)行邊緣輪廓線和凹槽底部中線的修正。

最后用修正后的車轍凹槽側(cè)壁邊緣線、凹槽底部中線和車轍橫斷面曲線共同表達(dá)車轍精細(xì)三維特征。車轍精細(xì)三維特征表達(dá)效果如圖7所示。其中底面為初始路面點(diǎn)云，Ⅰ號(hào)標(biāo)記線為車轍凹槽側(cè)壁邊緣線，Ⅱ號(hào)標(biāo)記線為車轍凹槽底部中線，垂直于Ⅰ，Ⅱ的標(biāo)記線為車轍斷面輪廓線。

圖7 車轍精細(xì)三維特征表達(dá)Fig.7 Expression of fine rutting 3D feature

2 試驗(yàn)結(jié)果與分析

本研究以車載激光移動(dòng)測(cè)量系統(tǒng)采集的某道路路面連續(xù)激光點(diǎn)云數(shù)據(jù)為基礎(chǔ)進(jìn)行試驗(yàn)驗(yàn)證。獲取任意位置的4個(gè)橫斷面，以連續(xù)激光點(diǎn)云掃描線橫斷面為分析對(duì)象，分別用傳統(tǒng)方法和本研究方法提取車轍橫斷面，按照文獻(xiàn)[18]的方法計(jì)算單個(gè)車轍寬度、深度和橫斷面面積并進(jìn)行比較分析。

提取某斷面位置的點(diǎn)云數(shù)據(jù)，生成標(biāo)準(zhǔn)斷面,如圖8中菱形標(biāo)志曲線所示；用傳統(tǒng)方法獲取的路面相對(duì)深度，生成斷面曲線，如圖8中三角形標(biāo)志曲線所示；本研究方法以車轍平面輪廓為限制條件獲取擬合后的斷面，如圖8中圓形標(biāo)志曲線所示。

圖8 車轍橫斷面曲線對(duì)比Fig.8 Comparison of rutting cross-section curves

對(duì)上述方法生成的車轍斷面進(jìn)行信息提取，將傳統(tǒng)方法及本研究方法的提取結(jié)果與基于點(diǎn)云的直接提取結(jié)果進(jìn)行對(duì)比，如表2所示。兩種方法提取的車轍寬度都不超過(guò)4 cm，相對(duì)誤差小于5%；傳統(tǒng)方法提取的車轍深度與點(diǎn)云斷面提取結(jié)果的差值大于1 mm，而本研究方法提取結(jié)果的差值小于0.5 mm，采用本研究方法提取的車轍深度信息明顯優(yōu)于傳統(tǒng)方法；對(duì)于車轍橫斷面面積的提取結(jié)果，傳統(tǒng)方法與點(diǎn)云斷面提取結(jié)果差值的相對(duì)誤差多數(shù)超過(guò)10%，而本研究方法提取結(jié)果的相對(duì)誤差基本小于10%，優(yōu)于傳統(tǒng)方法。

表2 不同方法的車轍提取結(jié)果對(duì)比Tab.2 Comparison of rutting extraction results obtained by different methods

3 結(jié)論

針對(duì)傳統(tǒng)斷面法提取車轍存在縱向分布信息缺失的問(wèn)題，研究了一種基于多元點(diǎn)云特征圖像的車轍精細(xì)三維特征提取方法。該方法充分挖掘了路面連續(xù)激光點(diǎn)云數(shù)據(jù)中車轍目標(biāo)的空間分布特征信息，并將三維點(diǎn)云數(shù)據(jù)轉(zhuǎn)化為二維特征圖像進(jìn)行處理，既降低了數(shù)據(jù)的復(fù)雜度，也綜合運(yùn)用了多種穩(wěn)健的圖像處理方法。最終利用提取的車轍平面輪廓線和橫斷面輪廓線共同表達(dá)車轍三維特征，為車轍病害的精細(xì)化檢測(cè)提供了可行的方案。