基于壓路機多角度判別的傾軋軌跡面檢測算法

范榮全，林明星，劉克亮，張 勁，劉俊勇+，劉友波

(1.國家電網四川省電力公司 建設部，四川 成都 610041；2.國家電網四川省電力公司 天府新區供電公司，四川 成都 610041；3.國家電網四川省電力公司 阿壩供電公司， 四川 阿壩 623200；4.四川大學 電氣工程學院，四川 成都 610065)

0 引 言

近年來，施工管理的信息化是一個研究熱點。但相比于其它行業，建筑業的施工及相關管理活動依然主要依靠人完成。在此背景下，運用新技術變革傳統施工管理方式，構建智慧工地系統，具有顯著的探索意義和實踐價值。本研究主要針對在施工場景中，壓路機在地面行駛的軌跡測量問題。

在智慧工地的車輛研究中，施工車輛的軌跡面積實時監控是重要內容之一，特別是壓路機等對路面進行操作的車輛，獲取其行駛的軌跡面積是保證其行駛安全和完成相關任務的基礎。在施工車輛行駛軌跡測量方面，有學者進行了研究：例如，GPS技術與溫度、壓實度傳感器被廣泛用于施工場景下壓路機對路的碾壓遍數與線軌跡測量中[1]；阮樹斌等[2]通過車牌及時間戳排序提取出行鏈，基于K則最短路徑算法及灰色關聯法，對機動車的出行軌跡進行補全重構。于青青等[3]利用KLT方法檢測視頻中的運動角點，確定運動車輛位置，再利用壓縮跟蹤方法，提取視頻序列中運動車輛完整的運動軌跡，較為準確地描述了路側停車的動態過程。

目前對車輛的軌跡測量方面的研究，大都是對車輛的線狀軌跡進行跟蹤，還沒有涉及車輛的軌跡面積測量問題，而在壓路機的運行中，測量其運行軌跡面積對施工管理是必要的。

因此，本研究針對壓路機的軌跡面積測量提出了一種基于壓路機多角度判別的傾軋軌跡面積自動檢測算法。為了定位壓路機傾軋路徑，實時監控壓路機的覆蓋情況，首先，在首幀圖像中確定目標車輛，再利用Mean-Shift目標跟蹤算法[4]實現目標車輛的跟蹤，輸出目標車輛位置坐標；其次，基于本文提出的BOF-MCF(bag-of-feature-matched correlation filter)特征參數識別壓路機的角度信息；最后，對于不同角度的壓路機，使用不同的軌跡面測量方法得到壓路機的傾軋軌跡面。實驗結果表明，本研究有助于實時監測工地傾軋情況，提升施工工地的管控效率。

1 基于壓路機多角度判別的傾軋軌跡面自動檢測算法

為了定位壓路機傾軋軌跡面，實現壓路機填方壓實過程的實時監控，本文提出了基于多角度壓路機判別的傾軋軌跡面自動檢測算法。該算法主要包括壓路機的實時定位、角度識別及軌跡面自動檢測3部分。首先，基于Mean-Shift算法對壓路機進行位置跟蹤，定位目標車輛。其次，搭建多角度壓路機樣本訓練庫，結合本文提出的BOF-MCF特征參數對目標圖像進行角度判別。最后，對于不同角度的壓路機，提出不同的自動分割算法，實現壓路機輪廓自動提取，再基于LSD[5](line segment detector)算法自動檢測壓路機的碾輪軸長/架長，并將相鄰兩幀所檢測到的橫桿直線相連得到四邊形，最終得到施工車輛傾軋軌跡面。基于多角度壓路機路徑識別的傾軋軌跡面自動檢測算法總流程如圖1所示。

圖1 基于壓路機多角度判別的傾軋軌跡面檢測算法總流程

1.1 基于Mean-Shift算法的壓路機目標跟蹤

本文基于Mean-Shift跟蹤算法[4]，實現壓路機的自動目標跟蹤。首先分別計算壓路機目標區域和候選區域內像素的特征概率，以此得到目標模型和候選模型的描述。然后利用相似函數度量壓路機初始幀目標模型和當前幀的候選模型的相似性，選擇使相似函數最大的候選模型并得到目標模型的Mean-Shift向量，該向量正是目標由初始位置移動到下一位置的向量，通過不斷的迭代計算Mean-Shift向量，算法最終將收斂到壓路機的真實位置，達到目標跟蹤的目的。

1.2 本文提出的基于BOF-MCF特征參數的壓路機多角度自動識別算法

本文提出BOF-MCF特征參數，實現壓路機多角度的自動識別。該算法提取基于多角度壓路機樣本訓練庫中待識別目標圖像的BOF(bag-of-feature)特征[6]，結合MC相關濾波器[7]對不同角度的壓路機進行相關匹配，計算樣本訓練庫與目標圖像的響應因子，得到目標幀圖像中壓路機的角度。

1.2.1 基于目標圖像BOF特征的匹配相關濾波器參數學習

本文提出基于匹配相關濾波器的壓路機多角度自動檢測算法。初始化一維高斯濾波器參數，由目標圖片的BOF特征向量更新濾波器參數，計算壓路機訓練樣本庫中每張圖片的濾波器響應分數作為相關性指標，最高響應分數對應的壓路機角度即目標圖片中壓路機的角度。

(1)基于多角度壓路機樣本訓練庫的目標圖像BOF特征提取

首先提取壓路機角度匹配圖像集{I1,I2,…Im}中每一區域的特征，再通過K均值聚類方法將特征聚類，每個聚類中心形成一個有代表性的特征單詞(word)，圖像集所提取到的n個特征單詞即構成特征詞典Feature_dictionary，即{word1,word2,…wordn}，最后，每一張圖片通過特征詞典中單詞出現的概率直方圖構成的n維特征向量{v1,v2,…vn}表征，壓路機圖片BOF特征計算過程如圖2所示。

圖2 壓路機圖片BOF特征提取流程

假設目標圖片為I0，目標跟蹤識別結果是單一壓路機，I0的主體元素為壓路機本身和泥土背景，沒有太多其它干擾因素，因此使用BOF特征詞袋方法可以有效地表征壓路機的角度特征，高效識別目標圖片中的壓路機角度。

(1)

(2)匹配相關濾波器參數自適應學習

(2)

其中，式(2)中，*表示循環相關，第二項加數是權重為ε的濾波器參數正則化。一般理想的相關響應輸出為參數化標準差的高斯函數，因此初始化濾波器參數時設置高斯濾波器。

式(2)為典型的線性最小二乘問題，使用Parseval定理[8]將式(2)轉換到頻域，可計算出使式(2)結果最小的濾波器為

(3)

(4)

(5)

其中，ω是濾波器更新速率參數，利用新一幀圖像的BOF特征的離散傅里葉變換Vnew>，結合當前濾波器參數Bnow和Dnow>，得到新一幀目標圖像的濾波器參數，表征當前幀圖像中壓路機的角度信息，更好地匹配多角度壓路機訓練樣本庫中的圖片。

1.2.2 基于BOF-MCF的相關濾波響應

(6)

其中，Bnow和Dnow是根據當前目標圖像BOF特征計算得到的濾波器參數，λ為常數，保證分母不為0。此處計算的結果為相關分數的離散傅里葉變換，為了得到實相關分數，對計算結果做傅里葉逆變換，取實數部分記為樣本訓練庫圖像Im與當前目標圖片的相關分數

(7)

最后，相關分數更高的圖片即認為是目標圖片最匹配的對象，該對象的角度標簽即認為是目標圖片中壓路機的角度。若角度自動檢測結果為Ⅰ型角度，輸出圖片I′，若角度自動檢測結果為Ⅱ型角度，輸出圖片I″。

1.3 基于不同角度下壓路機的傾軋路徑面自動提取算法

由于拍攝角度不同，壓路機傾軋長度提取算法不同。針對不同角度下的壓路機，本文提出了不同的傾軋長度檢測線。如圖3所示，當壓路機處于正面、前側面和側面時，提取壓路機前方碾輪軸長作為壓路機傾軋長度；當壓路機處于背側面和背面時，碾輪軸長被車身遮擋，因此檢測壓路機后車架長作為壓路機傾軋長度。圖中的白色虛線表示的是壓路機的碾輪軸長/架長。

圖3 不同角度的壓路機及其碾輪軸長/架長

由于壓路機位于正面及背面時，圖像色彩較為單一，相比于側面擁有更少的精細結構。而側面壓路機圖像黃色區域較多，所以本文將壓路機位于正面及背面時稱為Ⅰ型角度壓路機，將壓路機位于正側面、側面、背側面時稱為Ⅱ型角度壓路機。

本文提出基于Ⅰ型與Ⅱ型角度下的壓路機傾軋路徑面算法：首先對壓路機圖像進行ROI粗定位與二級分割算法，自動分割出壓路機輪廓，并根據輪廓線提取其碾輪軸長/架長，再將相鄰兩幀檢測到的碾輪軸長/架長兩端相連，得幀間差四邊形，最終將整個視頻中所有幀間差四邊形疊加，得到壓路機傾軋的路徑面。

1.3.1 基于色彩空間轉換及Otsu算法的ROI粗定位

(1)I型角度下壓路機的ROI粗定位

壓路機與土地等背景在常用的HSI色彩空間中難以區分，圖4(a)為壓路機灰度直方圖，存在多個峰值，區分度較小；而CMY色彩空間中的C分量直方圖存在明顯的雙峰，能夠較好地區分壓路機與背景，如圖4(b)所示。

圖4 壓路機灰度直方圖及C分量直方圖

圖5(a)表示的是壓路機原圖I′，壓路機圖像I′進行色彩空間轉換，其轉換公式如下

圖5 I型角度壓路機的ROI粗定位步驟的結果

(8)

(2)Ⅱ型角度下壓路機的ROI粗定位

相較于I型角度壓路機圖像，Ⅱ型角度壓路機圖像的黃色區域大且細節結構較多。因此Ⅱ型角度壓路機的ROI粗定位算法應在HSI色彩空間中利用色調分量提取黃色區域，以及提取CMY色彩空間中C分量使壓路機與背景區分度變大，并進一步使用Otsu算法進行處理。

圖6 Ⅱ型角度壓路機的ROI粗定位步驟的結果

1.3.2 基于形態學及DOG(difference of two-Gaussians functions)算子的壓路機輪廓二級定位

為了更好地提取壓路機碾輪軸長/架長，需要將所得壓路機ROI圖像Ibw進行形態學操作，以去除背景等干擾項對分割結果的影響。在對壓路機圖像進行ROI粗定位后，ROI圖像Ibw存在駕駛艙位置等部分缺失，因此利用孔洞填充將部分丟失的位置進行填補。其公式如下

Ik=(Ik-1⊕B)∩Ibwk=1,2,3…

(9)

其中，B為3×3的對稱結構元，其中心元素為1其余部分為0；Ik是與壓路機圖像Ibw尺寸相同的陣列，I0為全0矩陣，Ik為當前所填充的孔洞陣列。當給定每個孔洞中的一個點后，用式(9)進行迭代填充所有孔洞，當Ik=Ik-1時算法在迭代的第k步結束。Ik和A的并集包含所有填充的孔洞及這些孔洞的邊界，如圖7(a)。再去除孤立小面積對象，將圖像Ik中混雜的土地和雜物等非壓路機區域得到更為準確的輪廓圖像Ie，避免干擾，如圖7(b)所示。由于壓路機輪廓Ie存在較多噪聲及毛刺，所以采用中值濾波[10]對壓路機分割圖像Ie進行平滑,其公式如下

Im=median[Ie(x-1,y-1)+Ie(x,y-1)+Ie(x+1,y-1)+Ie(x-1,y)+Ie(x,y)+Ie(x+1,y)+Ie(x-1,y+1)+Ie(x,y+1)+Ie(x+1,y+1)]

(10)

其中，x，y分別為圖像Im的橫縱坐標(如圖7(c)所示)，中值濾波能夠減弱壓路機圖像Im中的噪聲對直線檢測的影響，保證直線檢測時的有效性和可靠性。

為了下一步提取壓路機碾輪軸長/架長，本研究利用DoG算子[11]對壓路機圖像Im邊緣進行自動提取。DoG算子計算復雜量小、且邊緣提取準確、抗噪能力強，該算子對圖像Im進行兩次不同的高斯變換，再進行差分運算，其數學表達式如下式

(11)

其中，A、B、σ1、σ2是DoG算子的參數，x、y分別為DoG算子橫縱坐標。將所得DoG算子與圖像Im卷積，得到壓路機輪廓的自動分割IDoG，實現壓路機邊緣的二級分割，其自動分割結果如圖7(d)所示。

圖7 輪廓精定位步驟的結果

1.3.3 基于LSD的碾輪軸長/架長自動檢測

本文利用LSD算法[7]檢測出候選的碾輪軸長/架長區域，然后根據實際需求篩選目標碾輪軸長/架長，達到檢測壓路機碾輪軸長/架長目的，碾輪軸長/架長檢測算法流程圖如圖8所示。

圖8 碾輪軸長/架長檢測算法流程

LSD直線檢測算法首先計算圖像中所有點的梯度大小和方向，然后將梯度方向變化小且相鄰的點作為一個連通域，接著對每一個域進行矩形驗證，按照規則將其斷開以形成多個域，最后對生成的所有的域做改善和篩選，保留其中滿足條件的域，即為最后的直線檢測結果。該算法的優點在于檢測速度快，而且無需參數調節，提高了直線檢測的準確度。具體的計算步驟如下：

(1)梯度計算及偽排序：首先利用式(12)對壓路機輪廓圖IDoG中每個像素點IDoG(x,y)的右下方的4個像素進行梯度計算，找到可能有線段邊緣的地方。其中式(13)及式(14)分別是像素點IDoG(x,y)在x,y方向上的一階微分。然后對梯度值按照其的分布進行一定程度的排序，偽排序將時間縮短到O(n)線性時間內

(12)

(13)

(14)

(2)分割水平線場得到LSR(line support regions)區域：每個像素點梯度的垂直方向角度是像素點的水平線角度，可利用式(15)求得

(15)

所有點的水平線角度形成了一個水平線場，依據水平線角度用區域生長的方法將水平線場切割成若干個連通域，每個連通域中所有像素點的水平線角度變化不能超過一個容忍值τ，這樣的連通域稱為線支持區域，每個線支持區域都是碾輪軸長/架長的候選區。

其中區域生長的方法是利用偽排序得到的排序列表中梯度幅值大的點作為種子點，以該點的水平線角度作為區域的初始角度θregion，然后在八鄰域中尋找與θregion的偏差小于容忍值τ的點，然后將該點加入到區域中并更新，更新算法如下

(16)

其中，j表示遍歷時的像素點下標，當區域中所有點的八鄰域中都不滿足與θregion的偏差小于容忍值τ時，停止生長。誤差容忍值τ默認被設為22.5，對于整個區域矩形來說，誤差容忍度是45°。由于梯度值小的像素對應于圖像中平滑或者變化較緩的區域，而它們在量化時將會引起更大的梯度計算誤差，所以需要通過設置梯度閾值，使梯度值小于梯度閾值的點不會在LSR中使用。

(3)矩形驗證：為了得到更準確更小的可能碾輪軸長/架長所在的區域，需要利用Contrario方法和Helmholtz法則[7]對LSR進行矩形驗證。對IDoG的LSD檢測結果如圖9(a)所示，圖中的粗黑直線是檢測出來的直線，可根據實際需求篩選掉碾輪軸長/架長。

圖9 碾輪軸長結果

(4)篩選目標碾輪軸長/架長：在本文中，為了快速篩選目標橫桿直線，我們先對橫桿位置進行初定位，因為橫桿位置位于壓路機靠下位置，所以我們選取壓路機圖像下1/2部分來進行直線結構的提取。然后對于不同角度的壓路機有不同的橫桿約束條件。

正面背面橫桿約束條件為：直線角度的絕對值應在±20°內，且直線長度大于圖片寬度的1/2。圖9(b)中的粗黑直線最終篩選出來的橫桿結果。

側面、前側面、后側面橫桿約束條件為：直線角度的絕對值應在±10°內，且直線長度大于圖片寬度的1/2。

使用以上約束條件對初定位的可能碾輪軸長/架長進行判斷，最終得到我們想要得到的不同角度的碾輪軸長/架長，用于傾軋面積的識別。

1.3.4 幀間差四邊形構建

將相鄰兩幀圖像中所檢測到的碾輪軸長/架長直線的兩端相連，如圖10中虛線連接的直線A1A2和B1B2，構成幀間差四邊形A1A2B2B1，該四邊形即為相鄰兩幀內壓路機的傾軋路徑面。

圖10 正面壓路機幀間四邊形的疊加

將視頻中所有相鄰兩幀的幀間差四邊形疊加，即可表示出該視頻中壓路機完整的傾軋軌跡面，如圖11所示。

圖11 各個角度壓路機傾軋路徑軌跡面結果

2 實驗數據庫

2.1 施工現場視頻數據庫

本實驗測試視頻數據由大疆無人機在國家電網施工現場30 m高度實地航拍得到。無人機采集視頻格式為mp4，共采集施工現場視頻15段，視頻平均時長70 s，視頻分辨率為1080 P，即圖片像素為1920*1080，幀率為25，共10 629幀圖像。

視頻中無人機與壓路機相對位置隨機，視頻中包含1-3個不同的施工車型，壓路機概貌完整，包含完整的壓路機行駛過程。

2.2 多角度壓路機的訓練樣本庫搭建

由于無人機與壓路機的相對位置不同，視頻中壓路機的角度不同。壓路機向靠近無人機的方向行駛時，壓路機的碾輪完整可見，此時用碾輪軸長表示壓路機的傾軋面；壓路機向遠離無人機的方向行駛時，壓路機的碾輪被遮擋，無法用碾輪軸長表示傾軋面。為了準確識別壓路機傾軋軌跡面，本文在識別壓路機傾軋軌跡前先實現壓路機角度的自動識別，對于不同角度的壓路機，提出不同的壓路機傾軋面自動檢測算法。

3 實驗結果與分析

3.1 壓路機角度判別對比實驗

3.1.1 壓路機角度判別實驗結果

圖像的BOF特征表征了圖像的區域特征信息，涵蓋了壓路機的角度信息，通過多角度壓路機樣本訓練庫中基準圖片的匹配相關濾波響應，可準確識別目標圖像中壓路機的角度信息。

整段壓路機視頻角度識別結果如圖12所示。

圖12中，橫坐標表示視頻幀數，縱坐標表示壓路機角度數值化的結果，壓路機的“正面”、“正側”、“側面”、“背側”和“側面”分別對應數值2、1.5、1、0.5、0。由圖可知，壓路機視頻中只存在單個角度時，識別正確率較高，但若存在角度轉變，則正確率有所下降。因為壓路機行駛速度較慢，相鄰幀之間的偏移不大，導致在兩個角度的臨界位置難以判斷其真實角度，出現角度判斷錯誤的圖片。

圖12 壓路機多角度識別結果

3.1.2 壓路機角度判別對比實驗分析

圖像匹配可以通過不同的特征進行相關濾波實現，典型的圖像特征包括方向梯度直方圖[16-18](histogram of orie-nted gridients，HOG)特征、輪廓(Outline)特征[12-14]等，本文采用7段視頻對比上述特征與匹配相關濾波相結合實現壓路機角度識別效果和基于BOF-MCF的角度識別效果，7段視頻包含的角度信息為：“正側”、“正側-正面-正側”、“正側-側面”、“正面”、“背側-背面”、“背側”、“側面”，結果見表1。

表1 基于不同特征的MCF壓路機角度識別效果對比

表1的可視化結果如圖13所示。

圖13 不同圖像特征對應的壓路機視頻識別正確率

對比表1的結果可知， 基于BOF特征的匹配相關濾波器可以精準高效地識別壓路機的角度信息，角度識別正確率均在90%以上。其中，“正側”、“正面”和“背面”3類單一角度識別正確率高，而“側面”和有角度變化的識別率有所下降，因為視頻中壓路機幀間角度差較小，無人機與壓路機的相對位置的稍微偏移都會導致壓路機角度判別錯誤。

壓路機圖像的BOF特征是基于匹配圖像庫計算得到的特征單詞出現頻率直方圖，即使圖片大小不一，也可以得到維度相同的特征向量，因此BOF特征在不對圖像做任何處理的情況下，可以較好地表征彩色圖片的特征，基本沒有信息丟失。HOG特征和輪廓特征向量的維度與圖片大小相關，而進行匹配相關濾波的輸入參數必須維度一致，因此計算上述兩類特征向量之前需要對壓路機圖片進行大小調整，大小調整處理涉及圖像降采樣或插值，會導致壓路機圖像信息部分丟失或被修改，進而造成壓路機角度信息不完整，角度識別正確率低。

3.2 基于壓路機不同角度處理的傾軋路徑面自動提取結果與分析

為了分析本研究的碾輪軸長/架長檢測效果及壓路機傾軋路徑面檢測性能，本實驗每隔10幀手動標定一次標準樣本，其中包含正面78幀的壓路機碾輪軸長、前側面46幀的壓路機碾輪軸長、側面25幀的壓路機碾輪軸長、后側面50幀的壓路機架長以及背面80幀的架長作為本實驗的標準樣本。

3.2.1 碾輪軸長/架長實驗結果與分析

本研究利用LSD對碾輪軸長/架長進行檢測，為了分析LSD的檢測效果，本實驗通過標準的碾輪軸長/架長與檢測的碾輪軸長/架長的絕對角度差Δθ進行分析。其中絕對角度差Δθ的定義如下：

假設一條標準碾輪軸長/架長的兩個端點坐標分別為A1(x1,y1)、B1(x2,y2)，一條通過LSD算法檢測出來的碾輪軸長/架長的兩個端點坐標分別為A2(x3,y3)、B2(x4,y4)，則有

(17)

根據式(17)，本實驗計算了壓路機5個角度的絕對角度差Δθ。壓路機5個角度的絕對角度差Δθ大小的占比見表2。

表2 壓路機5個角度的絕對角度差Δθ大小的占比/%

由表2可知，標準的碾輪軸長/架長與檢測的碾輪軸長/架長的絕對角度差Δθ主要分布在0°～5°的范圍，絕對角度Δθ差的范圍較小，LSD的檢測效果較好，具有實際意義，適用于本研究的壓路機碾輪軸長/架長檢測。

3.2.2 壓路機傾軋路徑面檢測結果與分析

為了評估本研究提出算法的壓路機傾軋路徑面檢測性能，利用Dice系數[15](the Dice similarity coefficient)、過識別率、欠識別率作為評估路徑面識別結果的指標。使用Dice系數作為算法提取及手動標記的壓路機路徑面的重疊部分度量，代表本研究算法所提取的傾軋路徑面結果與手動標記結果的相似度，其公式如式(18)所示

(18)

其中，TS為提出算法輸出的壓路機傾軋路徑面集合，RS為手動標記的參考路徑面集合。

過識別率：即識別結果在手動標記的參考路徑面之外的像素點的占比，其公式如式(19)所示

(19)

式中：OS表示識別結果中不被包含在參考路徑面結果中的像素點個數。OSR值越大則說明本研究提出的算法過識別越嚴重。

欠識別率：即識別結果在參考路徑面之中所缺少的像素點的占比，其公式如式(20)所示

(20)

式中：US表示在參考路徑面結果中沒有被包含在本研究算法識別結果中的像素點個數,且USR值越大則說明本研究提出算法的檢測結果欠識別越嚴重。表3為本研究測試結果的Dice系數、過識別率、欠識別率結果。

表3 提出算法的性能分析結果

由表3中參數可知，本文提出的算法DSC參數在83.00%-92.72%的范圍內，說明路徑面識別結果與手動標記參考結果相似度高，且過識別率和欠識別率較低，則提出算法所得結果誤差較小，適用于不同角度的壓路機傾軋路徑面自動檢測。

4 結束語

本研究針對施工車輛的軌跡面積測量方面提出了一種基于多角度判別的施工車輛軌跡面積分析方案。首先，在首幀圖像中確定目標車輛，再利用Mean-Shift目標跟蹤算法實現目標車輛的跟蹤，輸出目標車輛位置坐標；其次，基于本文提出的BOF-MCF特征參數識別壓路機的角度信息；然后，基于不同角度的壓路機，提出不同的軌跡面檢測方法。將不同角度壓路機的軌跡面相連接，最終得到施工車輛傾軋軌跡面。

整套施工車輛軌跡面積的測量方案可行性高：首先，本研究基于實際施工車輛運行軌跡的實際情況，提出BOF-MCF特征參數來識別壓路機的角度信息，不同角度的施工車輛調用不同的軌跡面積檢測方案，測量精準，適用性高；其次，在軌跡面測量中，本研究利用碾輪軸長/架長來替代整個施工車輛，在能表征施工車輛的同時提高整個項目壓路機的識別效率，最后的路徑面識別結果與手動標記參考結果誤差小，適用于施工車輛的軌跡面測量。

本方案可以有效跟蹤施工車輛，獲取施工車輛運行軌跡面積，有助于實時監測工地傾軋情況，提升施工工地的管控效率。