點云剖面特征描述的路面坑槽提取方法

暢陳豪，劉如飛*，柴永寧，王風春

（1.山東科技大學測繪科學與工程學院，山東 青島 266590；2.齊魯交通信息集團有限公司，山東 濟南 250101）

隨著城市建設進程的加快，早期公路已不能滿足城市的需要，部分路面出現了多種不同程度的問題，路面養護工作已經越來越重要[1-2]。路面坑槽是在行車荷載和雨水等自然因素作用下，路面骨料局部脫落而產生的坑洼。如果不能及時發現，就會嚴重影響道路的壽命與使用功能，因此研究一種高效準確的自動化路面坑槽檢測技術具有越來越重要的意義[3-4]。

目前傳統目視法的道路坑槽檢測影響公路正常行駛，成本高，耗費大量的人力、物力[5-6]。因此，國內外學者致力于開發一種自動化的坑槽檢測方法，并且有了較大的進展。現有的方法大致可以分為三類：一是基于二維圖像的方法，該方法利用坑槽與正常路面的灰度差異區分出潛在的路面坑槽，再根據圖像的紋理信息、面積形狀信息[7-8]或潛在病害區域與背景區域的相似性和標準差最終檢測出是否存在坑槽[9-10]。這類方法能夠提取出潛在的坑槽并且根據圖像的其他信息進一步確認，但是圖像容易受到光照、水漬、道路其他病害等的影響，這將嚴重影響坑槽識別的精度與準確性，并且這種方法也無法獲取坑槽的面積、深度以及位置信息。二是三維重建的方法，該類方法采用立體相機獲取路面的視差值，再通過表面擬合實現三維重構，進而得到路面坑槽[11-12]。該方法易受不規則紋理和顏色的影響，具有不穩定性，不能廣泛適應復雜路面的坑槽提取。三是基于三維激光技術的方法，利用點云的高程信息計算標準輪廓和測量斷面的差異區分出疑似損壞數據二值圖像，再進行變形損壞定位和分類[13-14]，或者利用點云的高程和強度信息構建病害的特征提取坑槽[15]。這類方法可以克服路面陰影、光照不均、油污等環境因素的干擾，具有較強的適應性，并且可以獲得坑槽的位置，面積和深度等信息。但是此類方法受病害區域深度和面積的影響，使輕微病害生成的深度圖效果不佳導致識別效果不好，或者是受點云密度的影響構建的病害特征不適用于中輕度病害。

針對三維點云識別坑槽對輕微變形的識別效果不好的問題，本文結合特征點提取的原理，將道路剖面上的坑槽特征點提取出來并對提取點云的輪廓進行分析，能夠獲得較好的坑槽識別效果，識別結果可為養護單位判別路面損害程度提供依據。

1 坑槽提取算法

以車載三維激光點云數據為基礎，結合特征點提取的原理，將道路剖面上的坑槽特征點提取出來并進行特征描述，再將提取出來的點云輪廓進行分析識別出坑槽。提取算法流程如圖1 所示。

圖1 坑槽提取算法流程圖

1.1 路面點云濾波

原始的激光點云中不僅包括路面信息，還包括車輛、行道樹等非路面信息。在對路面點云處理前需要進行濾波，去除非路面點云的影響。本文采用文獻[16]的方法進行濾波，消除非路面噪聲，保留路面點云。

1.2 道路剖面提取

由于點云的數據量較大，將路面點云進行分塊處理，沿道路行車方向每隔10 m 對點云進行分塊。因為路面坑槽的形狀是不規則的，在坑槽比較窄的邊緣位置進行單個方向剖面提取出來的坑槽點不能完整地表示實際坑槽的形狀，分別建立橫向和縱向剖面進行坑槽提取。車載掃描系統可以獲取點云的掃描線信息，以每一條掃描線作為道路的橫向剖面，以垂直于掃描線方向每隔一定距離的點云作為縱向剖面，設置縱向剖面距離分割閾值為D。

1.3 剖面輪廓擬合

道路剖面擬合采用道格拉斯-普克算法的原理。首先連接道路剖面上首尾兩個端點AB，在剖面上找出距離直線AB 最大的一點S，然后判斷S 到直線AB 的距離是否大于設定的閾值d。如果此距離大于或等于設定的閾值，分別連接AS 和BS，將剖面分成兩部分處理，重復上述步驟，直到每個點到直線距離小于設定的閾值。如果此距離小于設定的閾值，則認為該剖面上不存在坑槽點。此過程如圖2 所示。將這些折線上的節點定義為疑似坑槽特征點，從左到右以每兩個節點間的點云進行最小二乘擬合，擬合出來的分段曲線即為路面剖面輪廓。

圖2 路面輪廓擬合過程示意圖

1.4 坑槽特征描述

1.4.1 坑槽特征點的積分不變量

Manay等[17]在文獻中首次提出積分不變量的概念，此算子可以用來提取特殊形狀的特征點，并且相對于曲率與法向量等特征點提取方法，積分不變量在進行特征點提取時受周圍噪聲影響較小，因此本文將此算子應用于坑槽剖面的特征點提取。

對于剖面擬合的路面輪廓上任意一點p，其積分不變量定義為：

式中，R2為以p 點為圓心；r 為半徑的圓形；g(x)是與路面輪廓有關的常數函數，如果以疑似坑槽特征點p為圓心的圓形的某一點在路面輪廓上邊，則取g(x)為1，否則取為0。

對于剖面上的點p 計算積分不變量的值B(p)為圖3 中陰影部分與整個圓的面積之比。如果p 點為非坑槽點，陰影部分的面積為整個圓形面積的一半，B(p)的值接近于0.5；如果p 點為坑槽邊緣點，這個位置在形態上是凸形，陰影部分面積大于圓形面積的一半，B(p)的值大于0.5；如果p 點為坑槽邊緣底部的點，這個位置在形態上是凹形，陰影部分面積小于圓形面積的一半，B(p)的值小于0.5。

圖3 積分不變量

1.4.2 坑槽部分的微分特性

對于坑槽位置擬合的曲線，它的形狀類似“碗形”，圖4 所示是一典型坑槽的剖面圖。坑槽位置在高程上的變化是先變小，在底部趨于平坦，然后再變大。根據坑槽在高程上的這一變化特性對道路剖面進行微分分析進一步判定坑槽特征點的屬性。它具有以下特性：

1）從坑槽內最低點分別向左右進行移動計算擬合輪廓的一階導數，導數值大于0，到達坑槽邊緣處，導數值小于或等于0；

2）在坑槽邊緣處，它的二階導數為負數；

3）在整個坑槽內，存在大多數點的二階導數值大于0。

圖4 坑槽剖面圖

1.4.3 坑槽特征的判定條件

判定條件1：計算疑似坑槽點處的積分不變量，如果積分不變量的值大于0.5，則判定該點屬性為凸；如果小于0.5，則判定該點的屬性為凹。

判定條件2：①經過判定條件1，確定剖面上是否存在屬性為凹的點。如果存在，則從任一凹點開始，分別向左、向右進行梯度值計算，直到一階導數值小于或等于0 時停止，分別記錄左右兩個停止點。②判定左右兩側停止點處的二階導數值是否為負，若為負則保留2 個停止點之間的點為坑槽點；否則不保留。③如果左右兩側停止點處的二階導數值都為負，則計算2 個停止點之間每個點的二階導數，并保留二階導大于等于0 的點。

按照以上2 個判定條件，分別從分塊數據的橫向和縱向剖面進行坑槽點云提取，將2 個方向上的識別結果疊加，得到最終的提取結果。

1.5 聚類優化

通過以上運算可以獲得坑槽點云和少量的噪聲點，本文以點云的間距和連續性作為聚類條件。從某個坑槽種子點開始，如果一定范圍內存在其他坑槽點，則將這些坑槽點聚為一類，并從這一類中另一個點重復上一個步驟，直到這些點在這一范圍內沒有新的點。然后在下一個坑槽種子點開始新的聚類，刪除類中點云數量少于10 的類聚。本文采用點云數據同一掃描線上點間距為3 cm，掃描線間的距離為5 cm，所以設置搜索半徑為5 cm。

1.6 坑槽形狀面積分析

本文采用Alpha Shapes 算子從離散坑槽點集中獲取坑槽的輪廓，此輪廓即為坑槽的邊界。相對于路面上存在比較嚴重的細長型裂縫等病害，路面坑槽的形狀比較接近橢圓。計算坑槽邊界的長軸和短軸比值，即為坑槽的橢圓率e。根據e 的大小判定是否屬于坑槽，設置判定閾值Te，如果e 大于設定閾值Te則判定屬于坑槽，否則不屬于坑槽。

式中，lmin為過坑槽中心的與坑槽邊界交點距離最小的值；lmax為過坑槽中心的與坑槽邊界交點距離最大的值。

2 實驗分析

本文的實驗數據是由車載移動測量系統采集獲得，如圖5 所示。該實驗數據的長度約0.553 km，共12 631 812 個點，點云間間距為3 cm，掃描線間距為5 cm。路面信息包括坑槽、修補、裂縫和標識線等。

圖5 道路點云數據

因為點云間的間距為3 cm，掃描線間距為5 cm，為確保縱向剖面在每條掃面線上至少有一個點，設置縱向剖面分割閾值D 為4 cm。根據《公路技術狀況評定標準》規定設置路面輪廓擬合閾值d 為2 cm。參考文獻[7]將橢圓率的閾值Te設為0.16。

為驗證本文方法的有效性，從全部實驗數據中選取分塊數據中某一個的識別效果，如圖6 所示。從濾波后的點云可以看出此段數據包含坑槽、裂縫，修補等路面信息如圖6 左側所示。因為本文方法對于輕微變形的坑槽也有一定的效果，通過坑槽的特征描述之后可以提取坑槽，但會把一些裂縫和修補識別為輕微變形的坑槽，本文通過聚類分析和形狀分析可以剔除這些干擾，得出如圖右側所示識別效果。從結果來看，本文的方法可以提取出路面坑槽，并且對于道路其他病害的干擾有一定的對抗性。

在全部的識別結果中選取不同程度，不同形狀的坑槽（如圖7 所示）。圖中第一行為本文方法的識別結果，第二行為坑槽所對應的圖像。從識別結果看，本文方法針對細長型，圓形和不規則的坑槽，都能夠較好地提取；針對圖中的不明顯坑槽，本文方法也有較好的識別效果；針對圖中坑槽周圍有裂縫，龜裂等病害，本文方法中利用聚類去燥，形狀分析也能夠得到較好的提取效果。

圖6 某塊數據識別效果

圖7 不同坑槽識別效果

以坑槽的面積和深度為指標驗證提取質量，用本文的提取結果與人工測量的方法進行對比，坑槽提取結果對比如表1 所示。

對于輕微變形的坑槽即面積小于900 cm2，提取的結果相對誤差小于5%；對于相對比較嚴重的坑槽及坑槽面積大于900 cm2的坑槽，提取的結果相對誤差不超過6%。根據《公路養護質量檢查評定標準》對坑槽損壞程度的定義，本文方法可以有效提取輕微變形的坑槽，并且獲取坑槽面積與人工測量相比具有較小的誤差。本文坑槽的深度是坑槽的所有剖面中最低點到坑槽左右邊界點連線的距離最大值，相對于人工測量深度絕對誤差小于0.12 cm，較為精確。《公路養護質量檢查評定標準》規定輕微坑槽深度小于2.5 cm，本文方法可以提取到1.6 cm 的坑槽，能夠滿足公路養護質量檢查評定標準的要求。

表1 坑槽提取結果對比

3 結 語

本文以車載移動測量系統采集的點云數據為研究對象，結合特征點提取的原理，提出一種基于點云剖面特征描述的路面坑槽提取方法。首先對點云進行濾波獲得路面點云，根據路面點云的掃描線獲取道路橫向和縱向剖面；采用道格拉斯-普克算法擬合道路剖面輪廓，然后根據坑槽剖面的積分不變性和微分特性構建坑槽的特征描述算子，自動識別路面坑槽；通過點云的連續性和點云間的距離進行聚類去噪，最后經過形狀分析進一步確定坑槽。實驗表明本文利用點云識別坑槽有以下幾個優點：提取坑槽抗干擾性強，在路面情況比較復雜情況下，本文的方法可以抵抗修補，裂縫等路面病害的影響，準確提取坑槽；提取坑槽適用性強，可以適用于不同損壞程度，不同形狀的坑槽；提取坑槽準確度、精度高。本文方法可以有效識別坑槽，但對于擁包、車轍等病害未建立特征描述。在后續的研究中，將嘗試引入不同變形類病害的不同特征，以同時提取并分類多種變形類病害。