基于路面3D激光點云數據的車轍自動測量與橫向定位*

李中軼,羅文婷,李 林,郭建鋼

(福建農林大學交通與土木工程學院,福州 350100)

車轍是由汽車輪胎荷載,溫度和環境因素的共同作用下形成的行車道輪跡帶處的永久形變。車輛行駛時,轍槽處積水所產生的水霧影響行車視線,導致制動系數下降,會影響車輛轉彎或變道時的穩定性。同時,車轍病害會繼續惡化為龜裂等路面病害,影響行車的安全性和舒適性以及路面結構完整性[1-2]。因此,對路面車轍進行快速,準確地檢測并對其特征參數進行提取,是路面養護工作的重要任務。

目前國內普遍采用共梁式非均布13點激光檢測設備進行車轍測量[3-4]。但由于點激光數量有限,無法獲得完整、連續的道路橫斷面數據;固定點提取車轍最大深度信息,會影響測量的準確性。同時,采集過程中檢測車的偏移,致使無法準確獲取車轍的橫向位置。模擬人工直尺法和包絡線法是較為常用的車轍最大深度測量方法[5-7]。但模擬直尺法和包絡線法需要借助于擁包和推波產生的波峰和波谷點,導致了一定的測量誤差。

本研究采用全車道覆蓋、完全匹配的2D/3D激光點云數據進行車轍的測量及橫向定位。研究針對傳統車轍檢測由于檢測車偏移導致車轍定位不準及擁包和推波影響的問題,提出基于路面水平軸處理車轍數據的方法,實現路面車轍的精確測量。同時,通過定位路面2D圖像數據中的車道邊緣線,獲取車轍于車道上的橫向位置。最后,本文結合應用實例對比基于路面水平軸的車轍測量方法與包絡線法,并通過人工測量結果驗證兩種方法的準確性。

1 路面3D激光點云數據采集方法

1.1 車載三維激光圖像采集設備

本研究采用車載三維激光圖像設備進行數據采集,見圖1。該設備由兩組激光成像設備構成,設備間距2 m,距離地面1.65 m,通過圖像拼接,可覆蓋整個車道寬度,數據采集速度達100 km/h。檢測車行駛中,高功率線激光投影系統向路面發射扇形高亮度線激光,CCD相機以一定角度實時采集路面車轍激光線圖像,激光線在相機傳感器上顯示為被測對象的一個斷面,其隨車轍深度形態變化而發生彎曲變形[2]。根據激光三角測量原理,測點高程值可以由CCD像平面測量值,相機距地面高度,相機焦距,激光入射線與受光面法線夾角和激光入射線與相機光軸夾角計算得出[8]。通過高功率線激光投影系統和定制光學濾波器,該系統可以在不同光線條件下工作,并保證圖像質量的一致性[9-10]。

圖1 路面3D激光圖像采集設備

1.2 路面2D/3D激光點云數據

三維激光成像設備同時采集完全匹配的2D/3D路面圖像數據。2D圖像尺寸為4 096 mm(寬)(2 048 mm(長),3D數據尺寸為3 884 mm(寬)(2 048 mm(長)。3D激光點云數據垂直方向上精度可達0.3 mm,水平方向精度可達1 mm[11-12]。2D激光圖像數據用于車道邊緣線的識別。3D激光點云數據中可提取連續的路面橫斷面高程曲線,作為車轍檢測數據樣本。

2 基于路面水平軸的車轍檢測方法

2.1 車道內區域數據截取

本文所用的原始數據為4 m覆蓋寬度的路面3D激光點云數據。由于數據覆蓋范圍超過車道寬度,采集數據時會受車道外高程差較大的路面雜物或沿線交通設施的影響,導致激光點云數據兩側出現異常值,從而干擾路面橫斷面曲線坡度校正和數據平滑,造成曲線坡度校正過高或過低,進而影響車轍參數測量。因此,本研究首先提取路面2D圖像上的車道邊緣線的橫向位置,并基于此截取車道內區域的3D路面圖像數據[13-14]。

首先,提取2D路面數據車道邊緣線橫向位置。本文使用窗口大小為7×7的二維自適應維納濾波對2D路面圖像進行濾波處理,并對非標線區域進行平滑,明確標線區域和非標線區域邊緣。采用OSTU最大類間方差法自適應地獲取圖像閾值,將圖像分割為前景(標線區域)和背景(非標線區域)。最后采取準偏區域的方法對標線邊緣進行提取和定位。圖2(a)為2D路面原始數據,采用上述方法對其標線邊緣進行檢測和定位,結果見圖2(b):左側標線內側邊緣位于圖像上的橫坐標為199,右側標線內側邊緣位于圖像上的橫坐標為3 553,結果表明,可以實現2D圖像標線邊緣的提取和橫向坐標定位。

圖2 車道邊緣線橫向位置提取示意圖

在標線邊緣提取的基礎上,對3D激光點云數據中提取的路面橫斷面曲線進行截取,以獲得車道內區域。圖3為提取的原始橫斷面數據和截取后效果對比,圖2(a)為處理前效果,圖2(b)為處理后效果,方框內為車道外區域,X軸表示路面橫斷面寬度,Z軸表示激光點高程值,單位均為(mm)。圖3(a)曲線兩端方框區域存在高差較大的異常激光點高程數據。根據標線邊緣定位結果,截取車道內區域,截取后效果如圖3(b)曲線所示,可以消除車道兩側異常值的影響,解決其干擾橫斷面曲線坡度校正和數據平滑的問題。

圖3 車道內區域截取示意圖

2.2 路面橫斷面中縫消除及平滑處理

為覆蓋整條車道寬度,本研究使用兩個工業相機(每個相機橫向覆蓋2 m寬度)采集路面激光3D圖像數據。檢測車行駛中的顛簸會影響圖像拼接的效果[15],導致拼接后路面橫斷面曲線存在中縫,如圖4(a)曲線所示,方框內為拼接處中縫,圖4(b)曲線為處理后效果。

圖4 路面橫斷面中縫去除結果示意圖

假設左右兩側激光點云數據橫坐標范圍分別為[1,n1]和[1,n2],可由式(1)～式(4)對曲線左右兩部分激光點云數據進行處理,消除路面橫斷面曲線中縫[16]?；趫D4中的數據,計算得出mean1和mean2分別為341 mm和334 mm,對yj進行7 mm的提升,從而去除中縫,其效果如圖4(b)曲線所示。

(1)

(2)

m1=mean1-mean2

(3)

yi=yi+m1,m1<0

yj=yj+m1,m1>0

(4)

式中:mean1為曲線左半部分激光點高程均值(mm);yi為曲線左半部分激光點高程(mm);mean2為曲線右半部分激光點高程均值(mm);yj為曲線左右半部分激光點高程(mm);m1為兩者側高程均值差(mm)。

同時,路面反光物的反射會導致激光數據存在高頻干擾噪聲和系統隨機噪聲[17]。如圖4所示,高頻干擾噪聲以幅值較大的尖峰形式出現,系統隨機噪聲以幅值較小的均勻毛刺形式出現,二者都會影響車轍參數的測量及橫向定位,需要對其進行平滑處理。本文利用局部加權回歸的方法對路面橫斷面曲線激光數據進行平滑,去除高頻干擾噪聲及系統隨機噪聲,平滑效果如圖5所示。

圖5 路面橫斷面曲線坡度校正結果示意圖

2.3 基于路面水平軸的橫斷面坡度校正

檢測車采集數據時在存在橫坡度的路面上行駛,激光橫剖面數據會存在一定的傾角,如圖5(a)曲線所示,這會影響車轍最大深度、寬度的測量,因此需要對路面橫斷面曲線進行坡度校正,使其旋轉至水平,再進行車轍表征參數的測量[18]。

首先,受路面形變的影響,需提取非形變區域數據構建路面水平軸。提取截取后的車道內橫截面左右邊緣點云數據。通過式(5)計算橫剖面曲線傾斜角θ。然后,基于此傾斜角將整個橫剖曲線旋轉至水平,其中各點的高度值可通過式(6)、式(7)計算得到。坡度校正后的效果如圖5(b)曲線所示。同時為了方便后續對車轍進行測量和定位,將路面橫斷面曲線整體下移至坐標軸y=0處。

(5)

h=(xk-x1)tanθ

(6)

yk=yk-h

(7)

式中:θ為水平軸與坐標系x軸之間的夾角;yn為曲線右端未發生形變點的高程,(mm);y1為曲線左端未發生形變點的高程,(mm);h為曲線上每點應校正的高度差,(mm);x1為曲線左端未發生形變點的的橫坐標;k的范圍為[1,n];xk為曲線上點的橫坐標;yk為曲線上點的高程,(mm)。

2.4 基于路面水平軸的車轍特征點提取

車轍的特征點包括左右車轍的端點及谷底點。研究定義橫剖面與路面水平軸的交點為車轍端點,車轍的最深點為谷底點,如圖6所示。

圖6 車轍特征點提取示意圖

車轍端點及谷底點的提取算法如下:假設左/右車轍激光點橫坐標范圍為[1,a],分別設定O(x,y)為車轍谷底點,P(x,y)為車轍左端點,Q(x,y)為車轍右端點,具體見式(8)～式(10):

O(x,y):

yd=min(yk)
(xd,yd)

(8)

P(x,y):

ym1=max(yk),1ifym1=0
(xm1,ym1)
ifym1>0
(xp,0),xm1

(9)

Q(x,y):

ym2=max(yk),xdifym2=0
(xm2,ym2)
ifym2>0
(xq,0),xm2

(10)

式中:k的范圍為[1,a];yk為左車轍每點的高程,(mm);yd為左車轍谷底點高程,(mm);ym1為橫坐標在[x1,xd]內最大高程,(mm);xp為[xm1,xd]內高程為0點的橫坐標;ym2為橫坐標在[xd,a]內最大高程,(mm);xq為[xm2,a]內高程為0時點的橫坐標;

2.5 車轍表征參數測量及橫向定位

在車轍特征點提取的基礎上,可對路面橫斷面曲線進行車轍表征參數的測量(車轍寬度及最大深度)以及車轍的橫向定位。

車轍寬度即車轍壁左右端點之間的水平距離,車轍最大深度即路面橫斷面曲線谷底點到路面水平軸的垂直距離,可通過式(10)、式(11)計算得出?；趫D7車轍數據,左車轍寬度為1 185 mm,右車轍寬度為1 680 mm;左車轍最大深度為11 mm,右車轍最大深度為20 mm。

widthL=wL1-wL2

(10)

widthR=wR1-wR2

(11)

式中:widthL:左車轍寬度,單位(mm);wL1:左車轍左交點橫坐標;wL2:左車轍右交點橫坐標;widthR:右車轍寬度,單位(mm);wR1:右車轍左交點橫坐標;wR2:右車轍右交點橫坐標。

結合車轍特征點及車道邊緣線坐標,可實現對車轍的橫向定位。以圖7為例,左車轍3個特征點與左側標線內側邊緣的相對距離分別是88 mm,719 mm,1 273 mm,右車轍3個特征點與左側標線內側邊緣的相對距離分別是1 675 mm,2 372 mm,3 271 mm。根據以上6點和標線邊緣的相對距離,可以得出車轍在路面上的精確橫向定位。

圖7 車轍最大深度示意圖

3 試驗與分析

3.1 數據采集計劃

本文所用數據樣本采集地點為福州三環快速路,道路采用瀝青路面,數據采集路段總長2.1 km。起點A經緯度坐標為(26.047 44,119.235 21),終點B經緯度坐標為(26.028 38,119.244 32)。

3.2 試驗結果對比及分析

本節分別采用包絡線法和本文算法對30組路面橫斷面數據檢測處理。同時,為驗證包絡線法和本文算法檢測結果的準確性,本文采用人工檢測法對數據樣本進行車轍測量和橫向定位,將結果和包絡線法及本文算法檢測結果作對比分析。按照瀝青路面車轍測試方法[19],人工檢測法具體流程如下:由3名有充分車轍檢測經驗的檢測人員分別對該數據樣本進行人工檢測,得出車轍橫向定位,車轍寬度和車轍最大深度,然后對3組人工檢測結果求平均值,將其作為人工檢測結果。

圖8 包絡線法、本文算法和人工檢測車轍參數測量結果對比

3.2.1 車轍表征參數測量結果對比及分析

如圖8所示,針對車轍測量結果,對包絡線法、本文算法和人工檢測3種方法進行對比。車轍最大深度分布情況如圖8(a)、8(b)所示,車轍寬度分布情況如圖8(c)、8(d)所示。通過計算包絡線法,本文算法和人工檢測結果的相對誤差[20],對比2種算法車轍測量結果的準確性。對比人工測量結果,包絡線法車轍最大深度平均測量誤差為31%;車轍寬度平均測量誤差為25%。本文算法車轍最大深度平均測量誤差為1%,寬度平均測量誤差為2%。由此可得,本文算法測量結果相對誤差更小。

3.2.2 車轍定位結果及對比分析

針對車轍定位點,對本文算法和人工檢測結果進行對比,針對左右車轍6個定位點,使用描述性統計中的相關系數對本文算法結果和人工檢測結果進行相關性分析,以驗證本文算法車轍定位結果的準確性。本文算法車轍端點橫向定位與人工測量結果的相關系數為0.91,車轍谷底點橫向定位與人工測量結果的相關系數為0.99,該結果表明本文算法可以實現對車轍的精確得橫向定位。

4 結語

本文利用2D圖像和3D激光點云數據,結合基于路面水平軸的車轍檢測方法進行車道內區域截取、中縫消除、平滑、坡度校正、坐標定位及車轍參數計算處理,實現對路面車轍的自動測量及定位。

①研究提出的車轍檢測方法消除了推波、擁包及車道外雜物干擾帶來的誤差;通過坡度校正,精準提取車轍表征參數;自動識別提取車道邊緣線坐標,實現對車轍于車道內的橫向定位。

②將研究所提算法與包絡線法、人工測量結果對比,本文算法在車轍參數測量方面與人工檢測結果的相對誤差更小,獲得的車轍最大深度和車轍寬度更符合路面實際情況;在車轍定位方面通過三點定位法可以對車轍進行精確地橫向定位,與人工檢測結果相關度在90%以上,最高可達99%。

③本文提出路面水平軸確定路面車轍自動測量及橫向定位方法,可用于路面車轍檢測,為道路養護提供數據支撐,有一定的應用價值。