基于三维激光点云的路面裂缝识别方法研究

摘要：本文主要针对路面裂缝识别过程中存在的问题进行研究，采用三维激光扫描仪对路面进行快速获取路面点云数据，分析点云数据的数据组织结构，为点云数据处理提供基础。利用二阶导数算法对路面扫描三维激光点云进行初步处理，获得包含伪裂缝的路面裂缝信息，然后采用最小生成树算法进行初步处理结果进行精细处理，得到了较为精确的路面裂缝信息。这为路面裂缝的高效快速监测提供了一个技术方法。同时还可以为识别路面裂缝宽度和深度，为路面养护提供重要的依据。

关键词：三维点云;数据结构;特征提取;裂缝识别

1引言

道路的裂缝是路面养护中重点关注目标，裂缝的宽度、深度、走向、离层等形态，对行车安全有不同程度的危险。因此，如何采用先进的检测手段快速准确的识别裂缝，检测形态已经成为路面养护诸多课题中的热点课题｡随着科学技术快速发展，高效、高鲁棒性、高精度的检测路面裂缝已经逐渐被学者所关注｡国外的路面检测技术目前已经做的相对成熟，而国内这方面的技术研究起步较晚。从李德仁院士等开始尝试采用不同的技术进行的路面裂缝检测开始，王荣本教授等的基于图像处理技术的路面裂缝检测系统研究取得的不错成果。2004年南京理工大学研制了激光三维路面状况智能检测车，给路面检测开辟了新的思路。2008年武汉大学开发并制造出来了智能道路检测车。使得我国路面检测系统上的研究，逐渐走向成熟、并在诸多学者开始针对检测算法展开深入研究。目的是为了提高检测系统的复杂环境下的适用性与鲁棒性，提高检测精度和速度等指标｡各种新技术和新算法大量应用于路面裂缝检测的研究过程中。三维激光点云在地理信息系统、数字城市等方面的研究应用已经具有一定的规模和效益，Aleksey Boyko，Thomas Funkhouser等利用不同时间扫描的三维点云数据进行叠加处理，有效的提取了道路的范围，赵振峰等利用机载LiDAR点云的提取道路，获得较好的效果｡三维激光技术检测路面裂缝还需要进一步研究，优化点云处理算法，提高检测效率和精度。结合二维影像和三维深度信息检测路面裂缝等信息也有了一些新的突破成果。本文主要从三维激光数据组织结构出发，分析点云存储方式，并依据平面点云边界处理算法，针对平面边界识别算法在道路的路面裂隙识别的过程中存在效率不高，检测不准确问题进行改进，建立一种基于激光点云的路面裂缝自动识别算法。用以提高三维激光技术在路面裂缝检测中检测的效率和精度，该算法也很好地克服了灰度影像在这些方面的不足。该算法必然使得路面裂缝检测效率大大提高，并大幅度提高路面裂缝的识别率及识别精度｡

2三维激光点云的数据结构组织

点云（Point Cloud）是指通过设备发射激光到测量物体然后发射回来的被测量设备接收到的点坐标以及颜色信息或强度信息等点数据，按照一定的组织形式进行存储，获得到扫描物体或场景以点的形式存储的三维信息。点云的每个点的采样三维坐标是物体表面真实点在扫描系统坐标空间中的位置信息，颜色信息是点云中点对应位置像素的颜色赋值｡此外，还有记录扫描仪接收反射激光的强度信息，用以反映物体表面粗糙程度｡三维点云是物体表面采样点的集合，点间离散、稀疏分布，点之间不具有任何几何拓扑关系，并且由于设备和技术的限制，采集得到的点云不仅包含大量冗余数据，而且噪声和异常值较多，因此，点云数据需要进行合理组织，通过滤波等手段使得点云数据能够高效为数据获取提供重要信息

三维激光点云数据利用三维激光扫描设备，通过主动式获取的、包含地位丰富信息的一种数据形式。点云数据是一种散乱、无组织、无序的点状数据，根据点云的采集设备的不同，点云的数据密度和点云所包含的地物信息也各不相同，数据组织结构也是千差万别。点云数据的数据量非常大，巨量的点云信息数据给后续处理和信息提取带来极大麻烦。因此，优化点云数据组织，使得散乱点数据形成较好的数据结构组织，便于后续数据存储和信息提取等处理｡点云数据的有效组织对邻近点云查询非常高效，获取点云的几何性质需要分析邻近点云局部信息的估算。随着科学技术的推进，三维扫描设备的快速发展，其采集数据量，包含的数据信息以及数据压缩等组织结构显著增加。点云数据高效组织，有利于提高点云信息提取算法的效率｡因此，点云数据组织结构是研究点云信息提取算法的前提和基础，也是点云算法处理的重点｡常用的点云数据组织结构有几大类：空间立方体、K-D树、八叉树（Octree）以及其他的结构形式｡其中八叉树形式和K-D树形式最为常见的“树”形式的索引形式｡它们的主要区别就在于叶子节点的组织形式，八叉树叶子节点为一个空间，可以含有多个点;K-D树叶子节点仅为一个点｡对点云空间划分采用八叉树更具优势，对单个点的索引采用K-D树更加准确｡根据八叉树的优势，考虑后续处理中的点云体素化、超体素生成，采用八叉树法对点云数据进行存储和管理，并通过八叉树选取种子点｡

3 路面裂缝边界识别算法

基于梯度的算法是建立在一阶偏导数的基础上，针对裂缝点的一阶偏导的特点采用双阈值来划分描述裂缝边缘点和裂缝轮廓点。一阶偏导描述点的变化率，可以识别出裂缝处点的明显变化，借鉴Log算子的边缘检测算法，可以在一阶的梯度的基础上计算点的二阶导数。二阶导数的几何意义表示切线斜率变化的速度或函数的凹凸性，因此，当二阶导数大于零则表示曲线为凹曲线，若某区间内各点的二阶导数均大于零，则该区间内的轨迹是凹的，可用来进行裂缝点特征识别。

最小生成树算法在聚类、图像分割等诸多领域得到广泛应用，其主要解决点和边组成的图中，按照最小代价原则遍历所有点，寻找最小生成树（最优路径）的问题。最小生产树算法的基本思想是：历遍所有的边，每次寻找权值最小的边，将两端的点加入到生成树中，如权值相同时，任取其中一条边，若最终生成树中形成了环路则放弃该边，取另外同权边，重复上述操作，直到找到最小边的路径，使得有点都在一颗生成树中。最小生成树的算法是建立在图论最小生成树基础上的。目前建立最小生成树的经典算法包括Prim算法（加点法）和Kruskal算法（加边法）。Prim算法每一步都要维护一棵树，将当时最小的边添加到树中，直到没有可以选择的边为止。而Kruskal算法每一步处理多棵树，将不构成环的最小边添加到这些树中，直到没有可以选择的边为止。由于Prim算法每一次添加新边后，会更新树上每个节点到其他非树节点的最短距离。而Kruskal算法只用在最开始的时候对所有边进行一次排序。所以本文选择Kruskal算法对坦克的点云生成最小生成樹。

最小生成樹算法针对少量点云处理具有很好的效果，因此在路面裂缝检测中，先采用二阶导数算法对路面裂缝进行识别，针对识别过程中产生的伪裂缝进行剔除则可以采用最小生成树算法进行改进。

4 改进路面裂缝识别算法方法

路面裂缝点云也是无序点所组成，经特征提取得到的裂缝，会提取出或多或少的伪裂缝点｡基于二阶导数方法提取路面裂缝信息点云，则会产生很多伪裂缝点，会给最终评估结果的精确性造成一定的影响｡综合提取得到的裂缝点云的特点和最小生成树算法的特点，可以将最小生成树算法用在裂缝点云的伪裂缝处理上。

最小生成树算法对特征提取得到的裂缝点云进行裂缝识别，需要对点云进行二阶导数特征提取得到的初步的裂缝点云范围，再利用最小生成树算法进行提取路面裂缝信息。步骤如下：

（1）粗识别。利用二阶导数算法对路面点云数据进行二阶导数特征提取，初步确定裂缝区域和范围;

（2）确定基本算法。根据得到的包含伪裂缝信息的路面裂缝点云进行分析，裂缝不止一个，且点云没有方向性，因此选择最小生成树点云识别Kruskal算法，更符合路面裂缝识别的要求;

（3）计算边长。最小生成树Kruskal算法需要计算各点间的边长，计算所有点之间的边长值｡因裂缝的枝干上点是连续的，连续点的边长是最短，所以，最小生成树计算时，优先选择最短的边。利用PCL（Point Cloud Library）中提供的K-D tree算法，计算邻域内K个点的欧氏距离。循环计算，记录起始点序号、边的终点序号和边长，并添加到一个map中，直到计算完所有点和边;

（4）剔除冗余边｡根据map中的数据的键值对应的哈希图，依据无向图的边长都加入到哈希图中，最后从边集中消除冗余边的重复存储;

（5）按边长排序｡Kruskal算法每次选取的都是最短的边，需要先对计算得到的哈希图按边长进行排序，再从哈希图中按顺序提取边，并记录边的起点和终点，剔除互为反向的相同的边，最终得到裂缝点云的边集｡

（6）设置父节点哈希图map<child，parent>｡在计算最小生成树之前，裂缝点云中的每个边都是一颗独立的树，将所有边的父节点都设置成自身｡

（7）计算最小生成树。得到边集和树图后，开始计算最小生成树｡从边集中按顺序取出一条边，判断其端点是否同属同一棵树，如果属于同一颗树则直接加入该树，并修改各自对应父节点，如果不属于同一棵树则将这条边作为一个新树的边，将其中一个点作为父节点另一个作为子节点，修改对应父节点｡

（8）获得路面裂缝信息。当边集为空时结束计算，对最小生成树做剪裁，查找并去除所有度数小于3的结点，以此类推，除总权值最大的分支外，去除所有分支上的结点，就得到了最小生成树识别的路面裂缝｡

5 结论

利用三维激光扫描方法可以获得地物的三维表面信息，如何根据点云数据信息的特点对点云进行信息提取是研究的热门方向。本文针对路面点云数据特点，采用二阶导数算法提取了路面裂缝信息，引入最小生成树算法对其识别结果进行精细化识别。可以有效剔除伪裂缝，提高了路面裂缝激光点云信息识别效率和精度。

参考文献

[1]周林.基于图像处理的路面裂缝检测系统设计与研究[D].太原理工大.2013.

[2]Aleksey Boyko，Thomas Funkhouser.Extracting roads from dense point clouds in large scale urban environment[J].ISPRS Jounal of Photogrammetry and Remote Sensing，2011，66（5）：S2-S12.

[3]赵振峰.基于机载 Li DAR 点云的道路提取研究[D].昆明理工大学，2012.

[4]黄建平.基于二维图像和深度信息的路面裂缝检测关键技术研究[D].哈尔滨工业大学.2013.

[5]梅笑，章光，徐卫青，等.基于三维激光扫描点云的边界特征自动提取算法[J].武汉理工大学学报，2017，39（06）：68-72.

[6]承君，孙刚，尹李亮，等.散乱点云的边界提取[J].计算机技术与发展，2017，27（07）：83-86.

[7]杜秋，郭广礼.三维激光扫描点云边界提取研宄[J].金属矿山，2017（10）：67-71.

[8]Meyer F，Najman L.Segmentation，minimum spanning tree and hierarchies.Mathematical morphology：from theory to applications，2013：229-261

[9]Banerjee B，Varma S，Buddhiraju K M，et al.Unsupervised multi-spectral satellite image segmentation combining modified mean-shift and a new minimum spanning tree based clustering technique.Selected Topics in Applied Earth Observations and Remote Sensing，IEEE Journal of，2014，7（3）：888-894

[10]余浩.基于三维激光点云的路面裂缝自动识别技术研究[D].湖北工业大学，2015.

作者简介：刘杰，1988年生，河南济源人，现就职于江苏数创智能科技发展有限公司，主要从事三维地理信息系统开发与研究。