一種針對路面損壞識別的點云特征圖像生成方法

劉如飛1，朱健1，楊正清2，馬新江

(1.山東科技大學 測繪科學與工程學院，山東 青島 266590；2.天津水運工程勘察設計院，天津 300456；3.青島秀山移動測量有限公司，山東 青島 266590)

0 引言

隨著公路交通運輸的快速發展，加上雨雪、高溫、超載等極端條件影響，導致大多數路面出現裂縫、松散、擁包、坑槽、沉陷等多種不同程度的損壞，影響了路面使用性能，帶來很大的交通安全隱患。車載移動測量技術是一種先進的三維空間數據測量技術，該系統集成了慣性組合導航和激光掃描技術，能夠在不與被測物體接觸情況下連續獲取空間基準統一的路面及兩側三維激光點云數據。與傳統的道路檢測技術相比，該技術不受自然光照等干擾因素的影響，獲取的點云包含空間幾何特征，相對測距精度達到1 mm，為高精度的路面損壞檢測提供了基礎[1]。因此，面向點云中路面損壞目標的快速識別是該技術的關鍵所在。

由于人工智能的迅速崛起，圖像處理算子基本成熟，基于圖像處理是點云識別分類的重要研究方向。在利用點云特征圖像進行目標檢測方面，許多學者做了大量的工作。SHI 等[2]利用投影點密度對建筑物進行距離圖像分割，通過分析不同地物的投影點密度(DOPP)差異進行點云分類。YU等[3]基于三維模型表面重建的思想，將車載激光獲取的路面點云通過Delaunay三角剖分、插值，并利用正則平滑算子去噪，生成路面表面模型，通過模型中路面損壞的幾何細節和深度等信息來評價路面損壞情況。楊必勝等[4]提出一種面向車載激光掃描數據快速分類的點云特征圖像生成方法，將掃描區域進行平面規則格網投影，通過分析格網內部點云的空間分布特征(平面距離、高程差異、點密集程度等)生成掃描區域的點云特征圖像，進而結合圖像處理的方法對點云特征圖像進行分割和特征提取，從而實現點云數據的快速分類。LI[5]采用改進的增量式Delaunay三角剖分算法構建不規則三角網，根據三角形包含格網原則，對格網點高程進行距離倒數加權插值計算，從而快速生成規則格網DEM。譚凱等[6]首先利用激光點云反射強度信息，生成強度圖像，然后對強度圖像進行中值濾波，最后利用Canny算子進行建筑物邊緣提取。彭晨等[7]通過選取點云的6種特征(法向量與水平面夾角θ、全方差v、維數特征α1、α2、α3 和特征根熵Ef)生成點云特征圖像，再利用支持向量機實現對建筑物立面的提取。LEHTOMAKI[8]基于三維機器視覺的思想，通過局部描述直方圖和自旋二維圖像進行點云特征匹配和分類。

上述利用點云生成特征圖像的方法大體可以分為四類：一是利用點云投影后的密度信息，生成密度圖像，該方法可以較好識別房屋、樹木、路面等密度差異較大的地物，而對路面與損壞目標等密度差異較小的地物識別度不高，無法進一步提??；二是利用單站激光掃描儀所獲得的離散矢量點，以掃描儀為球心，生成球面距離圖像，該方法可以準確識別有明顯差異的房屋、道路等地物，而無法精細識別路面上的損壞目標等細節要素；三是利用激光掃描采集的回波強度信息，生成強度圖像，該方法能夠識別目標邊緣特征，但是容易受噪聲的干擾；四是利用點云的高程或坡度等空間信息，加以插值、平滑等方法生成點云特征圖像，該方法充分利用了點云的空間特征，穩健性相對較好，噪聲相對較少，但利用傳統計算方法進行路面損壞識別的針對性不強，容易損失路面損壞細節，如何針對性的利用點云空間信息準確識別目標特征是該方法需要改進的地方。本文充分分析路面損壞的空間分布特征[9]，在第四類方法研究的基礎上，設計一種基于損壞特征參考的插值算子，構建圓形結構高程梯度差分窗口進行路面梯度分析，生成能夠反映路面損壞細節的點云特征圖像。

1 路面損壞特征圖像生成方法

本文提出一種針對路面損壞識別的點云特征圖像生成方法。該方法首先統計路面點高程，過濾異常噪聲；然后分析路面損壞點云的空間分布特征，綜合路面損壞點云高程信息，設計基于損壞特征參考的插值算子，插值缺失點；再進一步分析不同路面損壞的空間幾何分布特點，構建圓形結構的路面損壞高程梯度差分窗口，進行路面梯度分析；最后結合極值約束下的中值濾波濾除椒鹽噪聲，進一步增強路面損壞特征，生成路面損壞特征圖像。主要流程如圖1所示。

圖1 路面損壞特征圖像生成算法流程圖

1.1 預處理

車載移動測量系統采集的點云數據不僅包括道路，還有路面上的行駛車輛、道路兩側的建筑物和樹木等噪點。算法首先對原始路面點云進行預處理，剔除車輛、建筑物、樹木等明顯的非路面點云，獲取路面點云數據，再進一步過濾由路面雜物引起的少量異常噪聲，并對路面點云遮擋區域進行插值，最終得到完整的路面點云數據，為路面損壞識別提供基礎數據源。

1)路面點云提取。原始點云中含有大量的非路面點，為了減小數據量，提高數據處理效率，同時削弱非路面點對路面損壞特征圖像生成的影響，首先要對原始點云進行路面濾波，得到路面點云。結合本文的數據索引方法，采用文獻[10]的算法進行路面濾波。

濾波后的路面點云通常含有少量的噪點，主要是由路面雜物等引起的。本文對路面點和噪點進行高程統計分析，發現如下規律：路面點高程起伏較小，路面損壞處的高程起伏始終較大，點云分布連續，而噪點均高于路面，且高程值起伏較大，分布突兀，數量稀少，如圖2所示。

圖2 路面點云縱剖面示意圖

基于上述分析，設定統計窗口邊長Dside，利用直方圖統計每個窗口內的路面點云高程值，以5 mm為高程間隔(根據公路技術狀況評定標準，路面損壞最低檢測深度為5 mm[11])劃分高程值，根據以上統計規律，去除直方圖中路面點右側少于閾值N0的間隔內所有點。圖3為4種點云分布直方圖統計示意圖。

圖3 4種點云分布直方圖統計示意圖

2)路面點云缺失插值。為了保留路面損壞細節，建立二維虛擬格網后，取每個格網內高程最小的點為格網點。針對缺失的點，通過分析路面損壞的空間分布特征可知，損壞處點云的分布具有緊密性，損壞點之間的距離與路面點相比更加鄰近，并且，損壞處的高程分布具有漸變性，即高程值逐級由兩側向內部降低，而局部路面點的高程分布具有隨機性，即高程值在一定范圍內無序分布。如圖4為路面損壞特征示意圖，圖4(a)、圖4(c)紅色虛線為變形類損壞形狀示意線，圖4(b)、圖4(d)紅色虛線為裂縫類損壞形狀示意線。

基于上述路面損壞分布特點，構建以下插值原則：

①統計待插點8鄰域內含有格網點的高程值，取總數前1/2的較低高程格網點，作為疑似損壞點；

②根據損壞處點云的分布緊密性特點，隨機選取三個疑似損壞點組成三角形，若有三角形任意邊長經過中心格網，則認為缺失點鄰近疑似損壞點，將所有疑似損壞點作為參考點，取參考點的高程中值插值缺失點高程，如圖4(a)、圖4(b)所示；

③若沒有三角形經過中心格網，則認為缺失點鄰近路面點，取總數后1/2的較大高程格網點作為參考點進行高程中值插值，如圖4(c)、圖4(d)所示。

注：▲路面點 ●路面損壞點 +待插缺失點

1.2 路面損壞特征圖像生成

預處理完成后，需要進一步分析不同路面損壞的空間幾何分布特點，構建分析窗口，精細識別路面損壞目標，最后濾除椒鹽噪聲，進一步增強損壞特征，生成路面損壞特征圖像。

路面損壞主要包含變形類和裂縫類兩種[12]，在空間分布上，變形類損壞具有一定的面積和深度，邊緣具有明顯的弧線特征；裂縫類損壞具有一定的寬度和深度，邊緣表現出一定的線性特征，且線性特征方向具有不確定性?？偟貋碚f，路面損壞的邊緣特征各異，在方向上具有各向異性。因此，本文利用具有多尺度圓形結構特征的分析窗口，進行高程梯度差分，精細識別路面損壞目標，具體過程如下：

①尋找第一層鄰域格網。以一個格網中心點為圓心，2.5倍的格網邊長為半徑作圓，在圓形結構內找到完整的格網，分別計算x、y、45°和135°方向上的高程梯度增量，分析窗口如圖5所示。

注：1～13表示第一層鄰域格網，其中5為中心格網，內圓為第一層圓形結構，外圓為第二層圓形結構。

中心格網5在x、y、45°和135°方向上的高程梯度變化分別通過式(1)～式(4)計算：

Sx=z9+2z6+z3-z7+2z4+z1/(8×dstep)

(1)

Sy=z1+2z2+z3-z7+2z8+z9/(8×dstep)

(2)

(3)

(4)

式中:Si為某一方向的高程梯度變化值；zi為某一鄰域格網點的高程值；dstep為格網邊長。

②尋找第二層鄰域格網。以3.5倍的格網邊長為半徑作圓，在圓形結構內找到完整的格網，分別計算出第二層4個方向上的增量，方法同①。圓形結構的權重配比規則是根據鄰域與中心格網的距離關系進行分配，距離越近權重越大[12]：與中心格網相鄰的4鄰域，最能體現中心格網的高程梯度變化情況，故權重配比為2；次之為8鄰域斜方向的4個格網，權重配比為1；16鄰域權重配比為1/2，以此類推。

③通過步驟①和步驟②得到第一層和第二層鄰域格網4個方向上總共8個高程梯度變化值，從8個高程梯度變化的絕對值中找出最大值，即為中心格網的最終值，以此輸出路面損壞的初始特征圖像。中心格網值的計算公式為：

(5)

式中：slope為中心格網值；S1i表示第一層鄰域4個方向的高程梯度變化值；S2i表示第二層鄰域4個方向的高程梯度變化值。

④將格網值slope直接做為點云特征圖像的像素值，生成初始損壞特征圖像。

高程梯度差分后得到的初始損壞特征圖中，含有椒鹽噪聲[13]，對生成精細的路面損壞特征圖像造成了干擾，統計噪聲的分布規律，發現主要包含兩類：一類是分布在路面損壞中的，如圖6(a-Ⅰ)，該類噪聲被路面損壞點包圍，與鄰近格網值相比，屬于極小值；另一類是分布在正常路面中的，如圖6(a-Ⅱ)，該類噪聲被正常路面點包圍，與鄰近格網值相比，屬于極大值。

基于以上規律，本文利用一種中心格網極值約束的中值濾波方法濾除椒鹽噪聲：將中心格網值與8鄰域格網值比較，判斷中心格網值是否為極值。如果是，則找出8鄰域格網值的中值，作為該中心格網值。噪聲濾波后的圖像如圖6(b)所示。

圖6 噪聲濾波前后對比

2 實驗分析

本文采用青島秀山移動測量公司研發的VSurs-E型移動測量系統，該系統空間定位精度達到3 cm，相對測距精度達到1 mm，采集青島市黃島區渭河路和元寶山路實驗數據。如圖7所示，實驗路段總長度約1.8 km，移動測量系統沿雙向車道行駛采集數據，包含瀝青和水泥兩類路面，路面點云平均間距3 cm左右，路面坡度小于12.6%。實驗路段多為重型車輛行駛，路面損壞較多，路面石塊等雜物穿插其中。

圖7 車載激光點云數據

本文算法需要設置的參數為：統計窗口邊長Dside、統計去噪閾值N0、二維虛擬格網邊長dstep。統計窗口邊長設置原則為窗口內點云厚度不超過1 cm，去噪閾值則根據局部路面點數量設置百分比，為了不損失路面損壞細節，二維虛擬格網邊長根據點云最大間距設置。針對本文實驗數據，設置統計窗口邊長Dside=0.5 m，統計去噪閾值N0=統計窗口內路面點的1/10，格網邊長dstep=0.01 m。圖8為生成的路面損壞特征圖像，全部38幅特征圖像中，存在路面損壞的圖像有25幅，包含的損壞類型主要有坑槽、沉陷、波浪擁包、橫縱向裂縫和破碎板等。其中最小損壞目標長為0.025 m，寬為0.009 m，最大的路面損壞面積達4.663 m2，最深的路面損壞為瀝青路面坑槽，坡度達12.6%。

圖8 路面損壞特征圖像

為驗證本文算法的可靠性，選取圖9中的4處位置，利用ArcGIS中傳統的三階反距離平方權坡度差分方法[14]，插值算子選擇反距離權重線性插值，格網邊長為0.01 m，輸出特征圖像，與本文算法進行比較，圖9(a)為傳統方法提取結果，圖9(b)為本文算法提取結果。

圖9 2種方法對比

截取特征圖像部分區域，進行精細對比，由圖9可見，瀝青路面中，a1-Ⅰ、b1-Ⅰ為坑槽，a2-Ⅰ、b2-Ⅰ為裂縫，a3-Ⅰ、b3-Ⅰ為塊裂，a3-Ⅱ、b3-Ⅱ為波浪擁包；水泥路面中，a4-Ⅰ、b4-Ⅰ為破碎板。對比發現，傳統方法只能識別坑槽、波浪擁包部分損壞嚴重的區域，微弱識別塊裂和破碎板的內部邊緣，無法識別出特征微弱的外部邊緣，完全損失裂縫類損壞邊緣特征，由于傳統算法利用反距離權重插值，沒有實現面向路面損壞特征的針對性插值，造成了損壞邊緣的過度平滑，加上傳統坡度差分方法的局限性，從而導致其邊緣特征不明顯；而本文算法用一種基于損壞特征參考的插值算子，不會造成坑槽、波浪擁包處缺失點的過度平滑及內部損壞細節的損失，從而可以完整識別整塊損壞區域，再加上圓形結構下的高程梯度差分窗口，適應路面損壞特征分布的各向異性，精細識別出塊裂和破碎板的外部和內部邊緣特征，特別針對裂縫，算子以路面損壞的實際特征為基礎，突顯出了裂縫的損壞細節及連續性，精細識別其實際的邊緣特征，不會造成邊緣的過度識別。

最終，統計上述所有實驗路段實際路面損壞類型及數量，通過人工判讀，根據式(6)和式(7)計算出各個方法的準確率(precision)和召回率(recall)[15]，與傳統方法進行比較，如表1所示。

(6)

(7)

式中：TP為正確識別出來的損壞目標數量；FP為錯誤識別的數量；FN為未識別的數量。

表1 提取結果定量分析統計

綜合表1可得，對于不同類型的路面，本文算法對路面損壞的準確率和召回率為88.89%和92.31%，遠遠高于傳統方法，說明本文算法對不同類型路面損壞的識別度高，具有較強的適用性。其中，針對裂縫類損壞，本文算法的召回率高達91.89%和92.31%，說明本文算法針對特征不明顯的裂縫類損壞具有較好的識別作用。但是，由于裂縫類損壞往往與其他類別損壞相互穿插，人工識別容易受到干擾，所以準確率相對較低。綜合來看，本文算法生成的路面損壞特征圖像可以明顯提高路面損壞檢測的準確度，具有較強的可靠性，同時能降低誤檢和漏檢，是一種實用的路面損壞特征圖像生成方法。

3 結束語

針對車載激光點云中路面損壞目標的特征圖像生成，本文充分挖掘了路面損壞點云中的空間幾何特征，通過結合路面點云高程差異，先過濾異常噪聲，設計基于損壞特征參考的插值算子，插值缺失點；然后進一步分析不同路面損壞的空間幾何分布特點，利用多尺度圓形結構下的路面損壞高程梯度差分窗口進行路面梯度分析；最后結合中心格網極值約束下的中值濾波濾除椒鹽噪聲，進一步增強路面損壞特征，生成路面損壞特征圖像。與傳統方法相比，本文算法生成的路面損壞特征圖像整體提取準確率和召回率分別為88.89%和92.31%，提高了路面損壞檢測的可靠性和準確性，解決了在不同環境條件下損壞目標圖像生成算法的一致性問題，進一步為高精度路面損害自動化檢測提供可靠的數據源。本文所做研究為路面損壞高精度檢測和損壞目標矢量化等打下了重要基礎，后續工作將重點研究路面損壞目標的高精度自動提取。