1、第 46 卷 第 1 期2023 年 1 月测绘与空间地理信息GEOMATICS&SPATIAL INFORMATION TECHNOLOGYVol.46,No.1Jan.,2023收稿日期:2022-01-24作者简介:安 卫(1984-),男,彝族,贵州大方人,高级工程师,硕士,2014 年毕业于武汉大学测绘工程专业,主要从事土地与规划勘测方面的应用研究工作。基于表面特征差异的车载点云道路坑槽提取方法安 卫(天津市测绘院有限公司,天津 300380)摘要:为克服图像提取道路坑槽的局限性,本文提出一种基于车载点云表面特征差异的道路坑槽提取方法。该方法在完成原始点云预处理的基础上,基于最优邻域
2、选择构建点云表面特征并分析表面特征变化趋势,结合点云表面特征差异分割提取道路坑槽初始三维点云数据,最后基于聚类分析的方法获取坑槽点云。实验结果表明:该方法能够准确从路面点云数据中提取路面坑槽,获取坑槽三维点云数据,为道路坑槽定量评价提供一种新的方法。关键词:道路坑槽;车载 LiDAR;表面特征;最优邻域;特征差异中图分类号:P225 文献标识码:A 文章编号:1672-5867(2023)01-0169-03Road Pit Extraction Method Based on Surface Feature Difference of Vehicle-borne Point CloudAN
3、Wei(Tianjin Surveying and Mapping Institute Co.,Ltd.,Tianjin 300380,China)Abstract:In order to overcome the limitations of image extraction of road pits,a road pit extraction method based on the surface fea-ture difference of vehicle-borne point cloud is proposed.On the basis of completing the prepr
4、ocessing of the original point cloud,this method constructs the point cloud surface features based on the optimal neighborhood selection,analyzes the change trend of the sur-face features,extracts the initial three-dimensional point cloud data of the road pit combined with the difference segmentatio
5、n of the point cloud surface features,and finally obtains the pit point cloud based on the cluster analysis method.The experimental results show that this method can accurately extract pavement pits from pavement point cloud data and obtain three-dimensional point cloud data of pits,which provides a
6、 new method for quantitative evaluation of road pits.Key words:road pits,vehicle-borne LiDAR,surface feature,optimal neighborhood,feature difference0 引 言路面坑槽是一种较为常见的道路病害类型,对道路安全行驶、道路健康评测有很大影响。坑槽产生的主要原因是面层的网裂、龟裂后不及时养护而逐渐形成的。另外,基层局部强度不足,在行车作用下也易产生坑槽1-4。道路病害影响道路的防水能力,会对道路结构造成严重影响,降低道路平整性,影响车辆的正常行驶。为提高道
7、路使用年限及行驶安全,对存在病害的路面及时检测并处理十分重要。坑槽紧贴路面与建筑物、树木、路灯等,没有明显的地表特征,增添了检测难度。传统的道路坑槽提取主要依赖人工目视核查,直接影响道路正常使用,成本高、耗时耗力,很难适应实际需求。因此国内外学者对坑槽提取进行了一定的研究,主要分为以下方法:1)基于图像数据。该方法基于坑槽与健康路面在图像上不同灰度值信息区分潜在坑槽。构建图像纹理特征、面积形态特征,根据特征差异提取坑槽信息。该方法能够提取道路坑槽受限与图像纹理等其他信息,但图像纹理信息易受图像采集环境,如光照、积水、阴影等因素影响,直接影响坑槽提取的准确性;且该方法无法获取坑槽的深度等三维信息
8、5。2)基于逆向工程的三维重建技术。此类方法是采用立体相机获取路面环境,基于视差实现三维重建,进而提取道路坑槽。该方法容易受到不规则纹理与颜色影响,具有不稳定性,不宜大范围使用6-7。3)基于三维激光点云。该方法主要基于点云强度信息构建二维强度图,提取坑槽信息。能有效避免阴影等环境因素的干扰,且能获取坑槽的深度等三维信息8-9。表明三维点云数据在坑槽提取方面具有一定的优势,但是此类方法受病害区域深度和面积的影响,使轻微病害生成的深度图效果不佳导致识别效果不好,或者是受点云密度的影响构建的病害特征不适用于中轻度病害。1 坑槽提取算法车载点云扫描系统能够准确描述场景内目标物三维信息,本文以车载三维
9、激光点云为数据源,在进行预处理的基础上获取路面数据,结合点云特征计算原理,利用峭度分析的突变值检测能力进行最优邻域分析,构建点云表面特征,对坑槽进行特征描述,基于聚类方法获取坑槽三维点云,并分析坑槽三维特征信息。1.1 坑槽点云特征分析特征差异分割方法的思想是基于坑槽处于路面发生突变的地方,坑槽与局部路面高程存在差异,周边点密度较低,呈离散状态。点云表面特征构建主要包括法向量、高斯曲率、平均曲率和曲面变化度等,曲面的几何信息是指能够反映曲面局部特性的数据量1012。本文将法向量和曲率作为点云的表面特征参数。1.2 表面特征构建1.2.1 最优邻域选择邻域点的选择是对点云数据微分几何属性估计的主
10、要依据,邻域范围的合理性对分析结果有着较为明显的影响。对于特征变化明显的区域,邻域越小,法向、曲率估计越准确,但对于平坦健康路面数据会出现跳变现象。当 K 邻域较大时,对平坦区域的法向、曲率,邻域值估计较为稳健,但对特征明显区域,由于过多邻域非特征点的加入会导致存在破损点的特征点法向、曲率被平滑。因此,若采用全局同一的 K 邻域进行法向、曲率估计会导致特征区域特征点曲率被过度平滑12。为准确估计点云表面特征,凸显特征明显区域表面特征,本文利用峭度分析的突变值检测能力对点云法向一致性进行分析,获取最优邻域。法向一致性测度公式如下:(pi,n)=1nki=1(i-)4(1)i=arccosei-1
11、,eiei-1 ei(2)式中:ei-1、ei分别为相邻 2 个不同邻域大小的求取点云的法向量。通过一定规则运算选取 K 邻域点数据进行散乱点协方差矩阵构建:C=1mmi=1(pi-p)(pi-p)T(3)Cei=jei(4)式(1)中,C 为协方差矩阵,m 表示 P 邻域中点集点数量,表示邻域内所有点的质心。所有点的质心,由协方差矩阵 C 求取,1、2、3为 3 个非负实数特征值,且 123,v1、v2、v3为其对应的特征向量,取最小特征值对应的特征向量作为点的法向量方向。同时点的曲率为 Qi:Qi=11+2+3(5)如图 1、图 2 所示,坑槽病害区域点法向一致性随着邻域尺度范围变化,当邻
12、域范围由 340 逐渐增长时,法向一致性测度变化十分明显且保持较大数值,随着邻域尺度增大,法向一致性趋向一致,当邻域范围变大且由于加入过多的非特征点,导致突变被平滑,波动减小。健康路面法向一致性基本保持在 10-3数量级,表明平坦区域法向一致性保持性很好,无明显突变性。通过对 2 种数据在不同尺度邻域下法向一致性变化特性分析,可在较小的邻域范围内对特征点进行法向、曲率值分析构建。图 1 坑槽破损点法向一致性评测Fig.1 Normal consistency evaluation of rutting damage points图 2 健康路面点法向一致性评测Fig.2 Normal cons
13、istency evaluation of healthy pavement points1.2.2 不同尺度邻域下特征变化分析在分析邻域稳定性的同时,随着尺度变化,破损点法向一致性突变性较强,健康平坦路面基本保持不变。点局部法向、曲率与受引入点特征有密切联系影响,以不同邻域尺度变化引起的法向、曲率特征的变化作为特征点提取的辅助依据进行分析14-16。原理如图 3 所示。曲面的曲率特征能够反映局部区域的地形特征,健康道路面比较平整,在道路破损处形成尖锐特征,通过点云平均曲率的方法计算点的局部特征权值。局部曲率特征权值需能反映破损点的特征,局部特征权值越大则表明点所在范围内的无序性越高,邻域范围
14、的变化突变点的加入点云法向、曲率会改变,能够提供更丰富的信息作为特征点进行提取。健康路面的曲率值很小,路面坑槽破损处点云局部曲率与健康平整路面有明显的区别性。2 实验结果与分析为验证算法提取道路坑槽的适应性,本文以车载 Li-DAR 扫描系统为平台获取 2 段实验路段,验证本文方法的有效性。因为本文方法对于轻微变形的坑槽也有一定的效果,通过坑槽的特征描述之后可以提取坑槽,但会把一些裂缝和修补识别为轻微变形的坑槽,本文构建最优071 测绘与空间地理信息 2023 年图 3 不同局部邻域下点法向分析Fig.3 Normal analysis of points in different local
15、 neighborhoods邻域下曲率、法向特征如图 4 所示,并基于特征突变构建不同邻域下曲率、法向特征如图 5 所示,分析特征差异提取道路坑槽;但路段中仍存在裂缝、修补类的病害造成噪声干扰,再基于密度聚类分析剔除噪声点,得出如图 5 右侧所示识别效果。从结果来看,本文的方法可以提取出路面坑槽,并且对于道路其他病害的干扰有一定的对抗性。图 4 点云局部邻域曲率分析Fig.4 Curvature analysis of local neighborhood of point cloud 分析相同尺度邻域下,点局部曲率表现特征如图 4所示,不同类型点局部法向、曲率具有较大的差异性,坑槽破损位置曲
16、率值较大,健康路面点云曲率值基本保持在 10-4范围内,同时分析不同邻域尺度下点局部曲率变化特征分别以 K1,K2(K2K1)为邻域范围逐点构建散点特征向量计算点局部曲率值,求取不同邻域下点的曲率变化如图 5 所示,对比发现图 5 与图 4 有着相同的变化形式。破损点在不同邻域尺度下变化较大,健康路面曲率值基本保持不变。图 5 不同尺度邻域范围点曲率变化分析Fig.5 Curvature change analysis of points in different scale neighborhood对点局部邻域曲率、不同尺度下局部曲率变化特征进行分析,坑槽破损点云局部曲率值较大且邻域发生变化时,曲率变化明显,表明坑槽病害破损位置,点云离散型强,点云含有较多信息,可认为是道路坑槽破损位置的点,作为特征值进行提取坑槽点云信息。曲率分析存在一定的鲁棒性,当路面中存在杂物或颗粒状等物体时,会引起高程变化,导致曲率与正常路面产生差异。点云分布呈现一定的离散型,分布稀疏可通过局部点云密度进行有效处理,去除噪点数据干扰。3 结束语本文以车载 LiDAR 扫描系统为平台,获取道路三维空间数据。为充分