CN110674732B - 一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位方法 - Google Patents

一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位方法 Download PDF

Info

Publication number
CN110674732B
CN110674732B CN201910897749.3A CN201910897749A CN110674732B CN 110674732 B CN110674732 B CN 110674732B CN 201910897749 A CN201910897749 A CN 201910897749A CN 110674732 B CN110674732 B CN 110674732B
Authority
CN
China
Prior art keywords
lane
rut
line
edge
points
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910897749.3A
Other languages
English (en)
Other versions
CN110674732A (zh
Inventor
罗文婷
刘乐璇
李林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Ruidao Engineering Technology Consulting Co ltd
Fujian Agriculture and Forestry University
Original Assignee
Fujian Ruidao Engineering Technology Consulting Co ltd
Fujian Agriculture and Forestry University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujian Ruidao Engineering Technology Consulting Co ltd, Fujian Agriculture and Forestry University filed Critical Fujian Ruidao Engineering Technology Consulting Co ltd
Priority to CN201910897749.3A priority Critical patent/CN110674732B/zh
Publication of CN110674732A publication Critical patent/CN110674732A/zh
Application granted granted Critical
Publication of CN110674732B publication Critical patent/CN110674732B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位方法，将多元数据，进行匹配融合。针对路面车辙三维尺寸的自动检测，首先通过噪声剔除、坡度校正对横剖线数据进行预处理；然后提出一种通过建立路面未形变轴来定位车辙特征点的方法；最后根据确定的车辙谷底点及边缘点，测量车辙的宽度、最大深度、车辙壁坡度，以及凹陷面积。针对路面车辙的自动定位，首先通过路面二维图像，进行车道边缘线的识别，并结合识别的车道边缘线定位车道中心线；然后以车道中心线为参照，测量左右车辙谷底点的位于车道内的位置；最后测量左右车辙中心相对车道中心的偏移量。本发明为路面车辙检测提供了更丰富的信息。

Description

一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位 方法
技术领域
本发明涉及沥青路面车辙病害的自动检测及定位领域，特别是一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位方法。
背景技术
车辙的自动化测量已在国内外普及应用，主要通过在检测车前部或尾部安装激光位移传感器来获取路面形变信息、提取车辙表征参数。针对不同的数据采集设备(点激光位移传感器和线扫激光位移传感器)，车辙表征参数的计算方法也不相同。
基于点激光的车辙测量方法是通过多个点激光位移传感器，来获取路面特定位置的纵向高度值，从而描绘路面形变特征。但有限的点激光无法获取整个路面的形变信息，其通常只能测量车辙深度，且与车辙最大深度存在一定偏差。基于点激光的车辙表征参数计算方法包括虚车辙法、模拟直尺法和包络线法。虚车辙法利用轮迹带区域的纵向高度平均值来定义车辙深度信息，但车辙和检测车的偏移都会导致误差的产生。模拟直尺法采用一定长度的虚拟直尺搜寻车辙端点，测量车辙深度。但长度固定的模拟直尺不能覆盖所有形态车辙的端点，会导致误差的产生。包络线法则利用遍历算法搜寻车辙端点，但车道中心线附近的形变会影响车辙深度测量的准确性。
线扫激光具有较高的点云采样频率，可得到近似连续的路面横剖线信息。然而高密度的数据采集频率，路面微观信息也被提取出来，在一定程度上会影响车辙的测量。通过滤波算法可去除路面纹理、裂缝对车辙测量的影响。线扫激光相对于点激光能提取更多的车辙表征信息。然而，目前大量研究集中于车辙形态的测量，却鲜有研究针对车辙轨迹的提取展开深入。这主要由于车载激光位移传感器虽能描绘车辙的形变状态，但检测车的行驶偏移，会导致无法准确定位车辙轨迹。本发明拟结合同步采集的激光横剖线数据及路面图像数据，通过提取车辙形态特征、定位车道边缘线坐标，来获取车辙轨迹信息。
发明内容
有鉴于此，本发明的目的是提供一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位方法，为路面车辙检测提供了更丰富的信息，从而提高路面运行的可靠性。
本发明采用以下方案实现：一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位方法，包括以下步骤：
步骤S1：对采集的原始路面横剖线数据进行预处理；
步骤S2：对预处理后的横剖线数据进行坡度校正；
步骤S3：采用遍历算法自动提取路面左右车辙边缘点及谷底点；
步骤S4：测量车辙三维尺寸，包括：宽度、最大深度、内壁坡度、凹陷面积，以及左右车辙间距；
步骤S5：通过路面二维图像进行车道边缘线的识别，确定车道中心线位置；
步骤S6：根据车道边缘线及车道中心点的位置定位左右车辙，并测量其相对车道中心线的偏移量。
进一步地，步骤S1中所述的对原始路面横剖线数据进行预处理具体包括以下步骤：
步骤S11：通过公式(1)提取原始路面横剖线数据中心部分的拼接缝区域段，通过公式(2)计算拼接缝区域段相邻点间的高度差；
Figure GDA0003574653780000031
M＝ys-ys-1 (2)
式中，S表示横剖线数据中心的拼接缝区域；f(xs,ys)表示路面横剖线数据；n表示单条路面横剖线数据的总像素点；M表示拼接缝区域相邻点间的高度差，单位为mm；
步骤S12：通过公式(3)搜寻定位拼接缝区域的跳跃点；通过公式(4)确定拼接缝消除的横剖线位移量；
Figure GDA0003574653780000032
mk＝yj-yj-1 (4)
式中，Jk(xj,yj)表示拼接缝区域的跳跃点；
l表示左相机采集的横剖线数据，l＝1,2,…,n/2；r表示右相机采集的横剖线数据，r＝(n/2)+1,(n/2)+2,…，n；mk表示消除拼接缝的横剖线位移量，单位为mm；k表示拼接缝区域的跳跃点的数量；
步骤S13：上移或下移跳跃点后横剖线数据上的所有点m个位移量，用以消除拼接缝；
步骤S14：通过公式(5)建模，利用公式(6)计算xi和xj之间的距离；
Figure GDA0003574653780000041
dij＝|xi-xj| (6)
式中，β表示横剖线x的参数；ε表示独立分布随机误差；dij表示xi和xj之间的距离；其中，i＝1,2,…,n；j＝1,2,…,n；xi、xj分别为横剖线上两点的横坐标；
步骤S15：通过公式(7)确定横剖线平滑处理的移动窗口大小，利用公式(8)计算移动窗口内所有点的权重值，其中权重满足公式(9)中的要求，通过公式(10)、(11)确定滤波参数；
Figure GDA0003574653780000042
Figure GDA0003574653780000043
Figure GDA0003574653780000044
Figure GDA0003574653780000045
Figure GDA0003574653780000046
式中，r’表示移动窗口的宽度；hi表示dij中的第r个值；W(x)表示权重系数；k表示移动窗口内横剖线的点数；
Figure GDA0003574653780000047
表示滤波参数。
进一步地，步骤S2中所述对预处理后的横剖线数据进行坡度校正具体包括以下步骤：
步骤S21：基于车道边缘受轮胎碾压次数少，形变几率小的特性，取路面横剖线数据两端各10cm片段，进行拟合建立路面非形变水平轴；
步骤S22：提取惯性导航***采集的倾斜角作为路面横坡度测量的原始数据；结合三维线扫激光***测量的路面横剖线数据，通过公式(12)计算检测车相对路面存在的倾角；最后利用公式(13)获取路面真实横坡度；
Figure GDA0003574653780000051
Sc＝tan(θ)+tan(γ) (13)
式中，γ表示检测车与路面间的夹角，单位为度；θ表示惯导***采集的倾斜角，单位为度；L表示路面横剖线数据的长度，单位为mm；hL表示左端10cm片段横剖线数据的高度平均值，单位为mm；hR表示右端10cm片段横剖线数据的高度平均值，单位为mm；Sc表示路面横坡度，单位为m/m；
步骤S23：平移横剖线数据包括路面非形变轴直至左端点与原点重合，将平移后的横剖线绕原点旋转，直至路面非形变轴的坡度与路面横坡度一致；通过公式(14)至(16)获取坡度校正后的横剖线数据；
x′＝x·cosα+y·sinα (14)
y′＝-x·sinα+y·cosα (15)
α＝γ-arctan(Sc) (16)
式中，x’表示坡度校正后的横剖线数据横坐标，单位为mm；y’表示坡度校正后的横剖线数据纵坐标，单位为mm；α表示旋转角度，单位为度。
进一步地，所述步骤S3具体包括以下步骤：
步骤S31：车辙谷底点的确定：首先，标记横剖线中点，然后从中点开始分别向左右遍历横剖线数据上每一个点，最后将左右两端距离非形变轴垂直距离最大的两个点分别为左右车辙的谷底点；
步骤S32：车辙边缘点的确定：首先标记横剖线与非形变轴的所有交点，然后从左右车辙谷底点分别向两端遍历搜寻，定义左右两端距离谷底点最近的交点为车辙边缘点；针对存在中央凹陷的路面，车辙内边缘点则定义为在两个车辙谷底点之间，且距离非形变轴最近的点。
进一步地，所述步骤S4的具体内容为：
车辙三维尺寸的测量包括，根据公式(17)计算车辙宽度；根据公式(18)计算车辙最大深度；根据公式(19)计算车辙凹陷面积；根据公式(20)计算左右车辙间距；车辙内壁坡度则为车辙边缘点与谷底点之前横剖线段拟合直线的坡度值；
Figure GDA0003574653780000061
Figure GDA0003574653780000062
Figure GDA0003574653780000063
Figure GDA0003574653780000064
式中，y'j表示横剖线数据上第j个点的高度值，单位为mm；W表示车辙宽度，单位为mm；xO表示车辙外边缘点的横坐标位置，单位为mm；xI表示车辙内边缘点的横坐标位置，单位为mm；D表示车辙最大深度，单位为mm；xV表示车辙谷底点的横坐标位置，单位为mm；xV1表示内车辙谷底点横坐标，单位为mm；xV2表示外车车谷底点横坐标，单位为mm；yV表示车辙谷底点在横剖线数据上的高度值，单位为mm；A表示车辙凹陷面积，单位为mm2；S表示左右车辙间距，单位为mm。
进一步地，步骤S5中所述通过路面二维图像进行车道边缘线的识别确定车道中心线位置，即车道边缘线自动识别定位算法的具体内容包括以下步骤：
步骤S51：对采集的2D路面图像进行二值化处理：首先通过维纳滤波对图像进行滤波处理；然后利用大津法对图像进行二值化处理，根据公式(21)至(23)确定图像二值化的阈值；
Figure GDA0003574653780000071
Figure GDA0003574653780000072
Figure GDA0003574653780000073
式中，t表示图像二值化阈值，取值范围为0～(L-1)；L表示单张图像中最大灰度值；Pi表示灰度值为i的像素格占整张图像的百分比，％；w0表示背景区域占图像百分比，％；w1表示前景区域占图像百分比，％；
步骤S52：车道边缘线边缘识别：对通过步骤S51得到的二值化图像，利用膨胀腐蚀操作，消除边缘线脱漆、内部缺损的影响；然后通过Canny边缘识别算法提取车道边缘线；
若两端车道边缘线均被捕捉则执行步骤S53进行车道中心线确定；若一端车道边缘线被捕捉则执行步骤S54进行车道中心线确定；若两端车道边缘线均未被捕捉则执行步骤S55进行车道中心线确定；
其中，所述车道中心线为该车道横截面中点的连线，通过两侧的车道边缘线来定义车道中心线的位置，即距离两侧车道边缘线等距的中点连线为车道中心线；
步骤S53：两端车道边缘线均被捕捉情况下的车道中心线确定：首先提取左右车道边缘线中心线的位置信息，并测量车道宽度，然后取两条中心线中点的连接线为车道中心线；
步骤S54：一端车道边缘线均被捕捉情况下的车道中心线确定：首先提取被捕捉的车道边缘线中心线的位置信息，然后根据车道宽度，以一端边缘线为基准，取距离一端边缘线中心1/2车道宽度的点的连接线为车道中心线；
步骤S55：两端车道边缘线均未被捕捉情况下的车道中心线确定：首先提取前后图像中车道中心线在图像尾端的位置信息；然后根据前后图像车道中心线的位置定义未捕捉车道边缘线的图像的车道中心线位置。
进一步地，所述步骤S6的具体内容为：根据左右车辙谷底点及车道中心线的位置，利用公式(24)确定左右车辙在车道内的位置信息；车辙偏移量为左右车辙谷底点中点距离车道中心线间的距离，通过公式(25)计算得出，
Figure GDA0003574653780000081
Figure GDA0003574653780000082
式中，Pvi表示车辙谷底点相对于车道中心线的位置，单位为mm；xLC表示车道中心线位于图像上横坐标位置，单位为mm；Sc表示路面横坡度，单位为m/m；DEruts表示车辙横向偏移量，单位为mm；xvi表示车辙谷底点位于横剖线数据上的坐标位置，单位为mm。
与现有技术相比，本发明具有以下有益效果：
本发明适用于路面车辙病害的检测，较传统的检测方法提供了更多的车辙信息，同时也消除了路面拥包、推波、中心沉陷，以及检测车车道偏移对于车辙病害检测的影响。本发明可应用于道路路面维修养护工作中，为路面车辙检测提供了更丰富的信息，从而提高路面运行的可靠性。
附图说明
图1为本发明实例的路面横剖线数据预处理过程图；其中，图1(a)为原始横剖线数据图，图1(b)为校正拼接缝的横剖线数据图，图1(c)为剔除高频噪声的横剖线数据图，图1(d)为建立非形变水平轴的横剖线数据图,图1(e)为旋转的横剖线数据图。
图2为本发明实例的拥波路面车辙特征点定位图；其中图2(a)为中点标注过程图，图2(b)为谷底点搜寻过程图，图2(c)为交点确定过程图，图2(d)为边缘点定位过程图。
图3为本发明实例的中心凹陷路面车辙特征点定位图；其中图3(a)为中点标注过程图，图3(b)为谷底点搜寻过程图，图3(c)为交点确定过程图，图3(d)为边缘点定位过程图。
图4为本发明实例的路面车辙尺寸测量图，图4(a)为针对拥波路面的车辙尺寸测量图，图4(b)为针对中央凹陷路面的车辙尺寸测量图。
图5为本发明实例的车道边缘线自动识别图；其中图5(a)为采集的原始路面图片，图5(b)为二值化后的路面图片，图5(c)为边缘检测车道边缘线的路面图，图5(d)定位车道边缘线中线的路面图。
图6为本发明实例的针对两侧车道边缘线均被捕捉时的车道中心线提取图；其中，图6(a)为双侧车道边缘线被垂直拍摄的车道中心线提取过程图，图6(b)为双侧车道边缘线被倾斜拍摄的车道中心线提取过程图，图6(c)为一侧车道边缘线被部分拍摄的车道中心线提取过程图。
图7为本发明实例的针对一侧车道边缘线被捕捉时的车道中心线提取图；
图7(a)为单侧车道边缘线被垂直拍摄的车道中心线提取过程图，图7(b)为单侧车道边缘线被倾斜拍摄的车道中心线提取过程图，图7(c)为单侧车道边缘线被部分拍摄的车道中心线提取过程图。
图8为本发明实例的两侧车道边缘线均未被捕捉时的车道中心线提取图。
图9为本发明实例的路面车辙定位图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位方法，包括以下步骤：
步骤S1：对采集的原始路面横剖线数据进行预处理；
步骤S2：对预处理后的横剖线数据进行坡度校正；
步骤S3：采用遍历算法自动提取路面左右车辙边缘点及谷底点；
步骤S4：测量车辙三维尺寸，包括：宽度、最大深度、内壁坡度、凹陷面积，以及左右车辙间距；
步骤S5：通过路面二维图像进行车道边缘线的识别，确定车道中心线位置；
步骤S6：根据车道边缘线及车道中心点的位置定位左右车辙，并测量其相对车道中心线的偏移量。
在本实施例中，步骤S1中所述的对原始路面横剖线数据进行预处理具体包括以下步骤：
步骤S11：通过公式(1)提取原始路面横剖线数据中心部分的拼接缝区域段，通过公式(2)计算拼接缝区域段相邻点间的高度差；
Figure GDA0003574653780000111
M＝ys-ys-1 (2)
式中，S表示横剖线数据中心的拼接缝区域；f(xs,ys)表示路面横剖线数据；n表示单条路面横剖线数据的总像素点；M表示拼接缝区域相邻点间的高度差，单位为mm；
步骤S12：通过公式(3)搜寻定位拼接缝区域的跳跃点；见图1(a)，通过公式(4)确定拼接缝消除的横剖线位移量；
Figure GDA0003574653780000121
mk＝yj-yj-1 (4)
式中，Jk(xj,yj)表示拼接缝区域的跳跃点；
l表示左相机采集的横剖线数据，l＝1,2,…,n/2；r表示右相机采集的横剖线数据，r＝(n/2)+1,(n/2)+2,…，n；mk表示消除拼接缝的横剖线位移量，单位为mm；k表示拼接缝区域的跳跃点的数量；
步骤S13：上移或下移跳跃点后横剖线数据上的所有点m个位移量，拼接缝消除后的横剖线数据见图1(b)；
步骤S14：通过公式(5)建模，利用公式(6)计算xi和xj之间的距离；
Figure GDA0003574653780000122
dij＝|xi-xj| (6)
式中，β表示横剖线x的参数；ε表示独立分布随机误差；dij表示xi和xj之间的距离；其中，i＝1,2,…,n；j＝1,2,…,n；xi、xj分别为横剖线上两点的横坐标；
步骤S15：通过公式(7)确定横剖线平滑处理的移动窗口大小，利用公式(8)计算移动窗口内所有点的权重值，其中权重满足公式(9)中的要求，通过公式(10)、(11)确定滤波参数；达到数据平滑的效果，见图1(c)。
Figure GDA0003574653780000123
Figure GDA0003574653780000131
Figure GDA0003574653780000132
Figure GDA0003574653780000133
Figure GDA0003574653780000134
Figure GDA0003574653780000135
式中，r’表示移动窗口的宽度；hi表示dij中的第r个值；W(x)表示权重系数；k表示移动窗口内横剖线的点数；
Figure GDA0003574653780000136
表示滤波参数。
在本实施例中，步骤S2中所述对预处理后的横剖线数据进行坡度校正具体包括以下步骤：
步骤S21：基于车道边缘受轮胎碾压次数少，形变几率小的特性，取路面横剖线数据两端各10cm片段，进行拟合建立路面非形变水平轴；见图1(d)。
步骤S22：提取惯性导航***采集的倾斜角(Roll)作为路面横坡度测量的原始数据；原始数据受检测车相对路面倾斜的影响，存在一定误差。结合三维线扫激光***测量的路面横剖线数据，通过公式(12)计算检测车相对路面存在的倾角；最后利用公式(13)获取路面真实横坡度；
Figure GDA0003574653780000137
Sc＝tan(θ)+tan(γ) (13)
式中，γ表示检测车与路面间的夹角，单位为度；θ表示惯导***采集的倾斜角，单位为度；L表示路面横剖线数据的长度，单位为mm；hL表示左端10cm片段横剖线数据的高度平均值，单位为mm；hR表示右端10cm片段横剖线数据的高度平均值，单位为mm；Sc表示路面横坡度，单位为m/m；
步骤S23：平移横剖线数据包括路面非形变轴直至左端点与原点重合，将平移后的横剖线绕原点旋转，直至路面非形变轴的坡度与路面横坡度一致；见图1(e)。通过公式(14)至(16)获取坡度校正后的横剖线数据；
x′＝x·cosα+y·sinα (14)
y′＝-x·sinα+y·cosα (15)
α＝γ-arctan(Sc) (16)
式中，x’表示坡度校正后的横剖线数据横坐标，单位为mm；y’表示坡度校正后的横剖线数据纵坐标，单位为mm；α表示旋转角度，单位为度。
在本实施例中，所述步骤S3具体包括以下步骤：
步骤S31：进行车辙谷底点的确定(见图2)：首先，标记横剖线中点，然后从中点开始分别向左右遍历横剖线数据上每一个点，最后将左右两端距离非形变轴垂直距离最大的两个点分别为左右车辙的谷底点；
针对存在中央凹陷的车辙路面，进行车辙谷底点的确定(见图3)：首先标记横剖线中点，然后从中点开始分别向左右遍历横剖线数据上每一个点，最后将左右两端距离非形变轴垂直距离最大的两个点分别为左右车辙的谷底点；
步骤S32：进行车辙边缘点的确定(见图2)：首先标记横剖线与非形变轴的所有交点，然后从左右车辙谷底点分别向两端遍历搜寻，定义左右两端距离谷底点最近的交点为车辙边缘点。
针对存在中央凹陷的车辙路面，进行车辙边缘点的确定(见图3)：首先标记横剖线与非形变轴的所有交点，然后从左右车辙谷底点分别向车辙外端遍历搜寻，定义外端距离谷底点最近的交点为车辙外边缘点；搜寻左右车辙谷底点间，距离非形变轴最近的点为左右车辙共同内边缘点。
在本实施例中，所述步骤S4的具体内容为：
车辙三维尺寸的测量包括，根据公式(17)计算车辙宽度；根据公式(18)计算车辙最大深度；根据公式(19)计算车辙凹陷面积；根据公式(20)计算左右车辙间距；车辙内壁坡度则为车辙边缘点与谷底点之前横剖线段拟合直线的坡度值；各车辙尺寸的定义见图4。
Figure GDA0003574653780000151
Figure GDA0003574653780000152
Figure GDA0003574653780000153
Figure GDA0003574653780000154
式中，y'j表示横剖线数据上第j个点的高度值，单位为mm；W表示车辙宽度，单位为mm；xO表示车辙外边缘点的横坐标位置，单位为mm；xI表示车辙内边缘点的横坐标位置，单位为mm；D表示车辙最大深度，单位为mm；xV表示车辙谷底点的横坐标位置，单位为mm；xV1表示内车辙谷底点横坐标，单位为mm；xV2表示外车车谷底点横坐标，单位为mm；yV表示车辙谷底点在横剖线数据上的高度值，单位为mm；A表示车辙凹陷面积，单位为mm2；S表示左右车辙间距，单位为mm。
在本实施例中，步骤S5中所述通过路面二维图像进行车道边缘线的识别确定车道中心线位置，即车道边缘线自动识别定位算法的具体内容包括以下步骤：
步骤S51：对采集的2D路面图像进行二值化处理：首先通过维纳滤波对图像进行滤波处理；然后利用大津法对图像进行二值化处理，根据公式(21)至(23)确定图像二值化的阈值，见图5。
Figure GDA0003574653780000161
Figure GDA0003574653780000162
Figure GDA0003574653780000163
式中，t表示图像二值化阈值，取值范围为0～(L-1)；L表示单张图像中最大灰度值；Pi表示灰度值为i的像素格占整张图像的百分比，％；w0表示背景区域占图像百分比，％；w1表示前景区域占图像百分比，％；
步骤S52：车道边缘线边缘识别：对通过步骤S51得到的二值化图像，利用膨胀腐蚀操作，消除边缘线脱漆、内部缺损的影响；然后通过Canny边缘识别算法提取车道边缘线；
若两端车道边缘线均被捕捉则执行步骤S53进行车道中心线确定；若一端车道边缘线被捕捉则执行步骤S54进行车道中心线确定；若两端车道边缘线均未被捕捉则执行步骤S55进行车道中心线确定；
其中，所述车道中心线为该车道横截面中点的连线，通过两侧的车道边缘线来定义车道中心线的位置，即距离两侧车道边缘线等距的中点连线为车道中心线；
步骤S53：两端车道边缘线均被捕捉情况下的车道中心线确定：首先提取左右车道边缘线中心线的位置信息，并测量车道宽度，然后取两条中心线中点的连接线为车道中心线，见图6。
步骤S54：一端车道边缘线均被捕捉情况下的车道中心线确定：首先提取被捕捉的车道边缘线中心线的位置信息，然后根据车道宽度，以一端边缘线为基准，取距离一端边缘线中心1/2车道宽度的点的连接线为车道中心线，见图7。
步骤S55：两端车道边缘线均未被捕捉情况下的车道中心线确定：首先提取前后图像中车道中心线在图像尾端的位置信息；然后根据前后图像车道中心线的位置定义未捕捉车道边缘线的图像的车道中心线位置，见图8。
在本实施例中，所述步骤S6的具体内容为：根据左右车辙谷底点及车道中心线的位置，利用公式(24)确定左右车辙在车道内的位置信息；车辙偏移量为左右车辙谷底点中点距离车道中心线间的距离，通过公式(25)计算得出，具体定义见图9。
Figure GDA0003574653780000171
Figure GDA0003574653780000172
式中，Pvi表示车辙谷底点相对于车道中心线的位置，单位为mm；xLC表示车道中心线位于图像上横坐标位置，单位为mm；Sc表示路面横坡度，单位为m/m；DEruts表示车辙横向偏移量，单位为mm；xvi表示车辙谷底点位于横剖线数据上的坐标位置，单位为mm。
较佳的，在本实施例设计了一种横剖线数据拼接缝消除算法，消除两组设备采集拼接后的横剖线数据的中缝；然后融合惯导数据及横剖线数据计算路面坡度，并建立路面非形变轴，将横剖线数据与非形变轴一同进行旋转，旋转直至非形变轴与路面坡度一致；根据建立的路面未形变轴，分别针对存在拥波以及中心凹陷等形变特征的路面，提出不同的车辙边缘点及谷底点的确定方法；最后结合已确定的车辙边缘点及谷底点，测量车辙的宽度、最大深度、车辙壁坡度，凹陷面积以及左右车辙谷距。
较佳的，在本实施例对采集的原始路面二维图像进行滤波除噪处理，然后再将图片二值化，利用Canny边缘识别算法提取车道线边缘信息；然后根据提取的车道边缘线位置信息，确定车道中心线于图片上的位置信息；结合车辙谷底点及车道中心线于横剖线及图像上的位置信息，确定车辙谷底点相对于车道中心的位置；最后测量左右车辙中心相对车道中心的偏移量。
较佳的，本实施例的具体实施方式如下：
(1)设备参数及其工作原理
本实施例采用集成三维线扫激光***及惯性导航***的道路检测车进行路面数据采集。集成后的***可同时采集完全匹配的二维路面图像数据、三维路面图像数据(由间隔1mm的路面横剖线数据组成)、惯导数据。二维路面图像数据的精度为1mm；三维路面图像数据横纵方向精度为1mm，垂直方向精度为0.3mm；惯导数据的采集间隔为10cm。三维线扫激光***，由两个工业相机及两个线扫激光构成，每个相机采集的图像可覆盖路面2m×2m的范围，将左右两端相机采集的图像进行拼接后，单张图像可覆盖路面横向4m宽度，纵向2m长度。***的采集速度可达100km/h，采集的数据不受光照的影响。
(2)原始路面横剖线数据预处理
原始的横剖线数据存在拼接缝，以及高频噪音，会影响车辙的测量，需要先对横剖线数据进行预处理。首先，提取横剖线数据中心部分的拼接缝区域段，并计算拼接缝区域段相邻点间的高度差；然后搜寻定位拼接缝区域的跳跃点，确定拼接缝消除的横剖线位移量；上移或下移跳跃点后横剖线数据上的所有点“m”个位移量，消除横剖线数据拼接缝；最后，对拼接缝消除后的横剖线数据进行平滑处理；
(3)路面横剖线数据坡度校正
线扫激光***采集的横剖线数据自身的坡度反映了检测车与路面之间的倾角，并不代表路面的实际横坡度。因此需要对横剖线数据进行坡度校正，使其与路面实际横坡度一致。首先，基于车道边缘受轮胎碾压次数少，形变几率小的特性，取路面横剖线数据两端各10cm片段，进行拟合建立路面非形变水平轴；然后结合惯导数据与横剖线数据测量路面实际横坡度：提取惯导***采集的倾斜角(Roll)作为路面横坡度测量的原始数据，通过线扫激光测量的路面横剖线数据计算检测车相对路面存在的倾角，获取路面真实横坡度；平移横剖线数据(包括路面非形变轴)直至左端点与原点重合，将平移后的横剖线绕原点旋转，直至路面非形变轴的坡度与路面横坡度一致。
(4)车辙边缘点及谷底点搜寻
确定车辙边缘点及谷底点是车辙测量的前提。本实施例针对车辙路面存在拥波及中心凹陷两种情况，分别设计了不同的算法进行车辙边缘点及谷底点的搜寻。针对存在拥波的车辙路面，车辙谷底点的确定：首先，标记横剖线中点，然后从中点开始分别向左右遍历横剖线数据上每一个点，最后将左右两端距离非形变轴垂直距离最大的两个点分别为左右车辙的谷底点。针对存在拥波的车辙路面，车辙边缘点的确定：首先标记横剖线与非形变轴的所有交点，然后从左右车辙谷底点分别向两端遍历搜寻，定义左右两端距离谷底点最近的交点为车辙边缘点。针对存在中央凹陷的车辙路面，车辙谷底点的确定：首先标记横剖线中点，然后从中点开始分别向左右遍历横剖线数据上每一个点，最后将左右两端距离非形变轴垂直距离最大的两个点分别为左右车辙的谷底点。针对存在中央凹陷的车辙路面，车辙边缘点的确定：首先标记横剖线与非形变轴的所有交点，然后从左右车辙谷底点分别向车辙外端遍历搜寻，定义外端距离谷底点最近的交点为车辙外边缘点；搜寻左右车辙谷底点间，距离非形变轴最近的点为左右车辙共同内边缘点。
(5)车辙三维尺寸自动检测
本实施例在已确定了车辙边缘点及谷底点的基础上，在经过预处理及坡度校正的横剖线数据上进行车辙三维尺寸测量，主要测量的车辙尺寸包括：左右车辙宽度、左右车辙最大深度、左右车辙横截面凹陷面积、左右车辙内外壁坡度、以及左右车辙间的谷底间距。本实施例针对车辙路面存在拥波及中心凹陷两种情况，分别设计了不同的算法进行车辙三维尺寸检测。
(6)车道边缘线识别及车道中心线定位
识别定位车道边缘线在图像中的定位，可消除检测车行驶中横向偏移的影响，进而对车辙进行定位。首先，通过维纳滤波对图像进行滤波处理，利用大津法对二维路面图像进行二值化处理；在二值化后的二维路面图像上进行车道边缘线识别，通过膨胀腐蚀操作，消除车道边缘线脱漆、内部缺损的影响，再利用Canny边缘识别算法提取车道线边缘。本实施例根据单张图像上所捕获的车道边缘线的数量，分三种情况进行车道中心线位置的确定。两端车道边缘线均被捕捉情况下的车道中心线确定：首先提取左右车道边缘线中心线的位置信息，并测量车道宽度，然后取两条中心线中点的连接线为车道中心线。一端车道边缘线均被捕捉情况下的车道中心线确定：首先提取被捕捉的车道边缘线中心线的位置信息，然后根据车道宽度，以一端边缘线为基准，取距离一端边缘线中心1/2车道宽度的点的连接线为车道中心线。两端车道边缘线均未被捕捉情况下的车道中心线确定：首先提取前后图像中车道中心线在图像尾端的位置信息；然后根据前后图像车道中心线的位置定义未捕捉车道边缘线的图像的车道中心线位置。
(7)左右车辙定位及车辙偏移测量
根据左右车辙谷底点及车道中心线在图像上及横剖线上的横坐标位置，确定左右车辙在车道内的位置信息(车辙谷底点相对车道中心线的横向位置)；车辙偏移测量，首先定义左右车辙谷底点中点代表左右车辙的中心位置，测量左右车辙中心与车道中心线间的距离，定义其为车辙偏移量。以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (1)

1.一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位方法，其特征在于：包括以下步骤：
步骤S1：对采集的原始路面横剖线数据进行预处理；
步骤S2：对预处理后的横剖线数据进行坡度校正；
步骤S3：采用遍历算法自动提取路面左右车辙边缘点及谷底点；
步骤S4：测量车辙三维尺寸，包括：宽度、最大深度、内壁坡度、凹陷面积，以及左右车辙间距；
步骤S5：通过路面二维图像进行车道边缘线的识别，确定车道中心线位置；
步骤S6：根据车道边缘线及车道中心点的位置定位左右车辙，并测量其相对车道中心线的偏移量；
步骤S1中对原始路面横剖线数据进行预处理具体包括以下步骤：
步骤S11：通过公式(1)提取原始路面横剖线数据中心部分的拼接缝区域段，通过公式(2)计算拼接缝区域段相邻点间的高度差；
Figure FDA0003574653770000011
M＝ys-ys-1 (2)
式中，S表示横剖线数据中心的拼接缝区域；f(xs,ys)表示路面横剖线数据；n表示单条路面横剖线数据的总像素点；M表示拼接缝区域相邻点间的高度差，单位为mm；
步骤S12：通过公式(3)搜寻定位拼接缝区域的跳跃点；通过公式(4)确定拼接缝消除的横剖线位移量；
Figure FDA0003574653770000021
mk＝yj-yj-1 (4)
式中，Jk(xj，yj)表示拼接缝区域的跳跃点；
l表示左相机采集的横剖线数据，l＝1，2，…，n/2；r表示右相机采集的横剖线数据，r＝(n/2)+1，(n/2)+2，…，n；mk表示消除拼接缝的横剖线位移量，单位为mm；k表示拼接缝区域的跳跃点的数量；
步骤S13：上移或下移跳跃点后横剖线数据上的所有点m个位移量，用以消除拼接缝；
步骤S14：通过公式(5)建模，利用公式(6)计算xi和xj之间的距离；
Figure FDA0003574653770000022
dij＝|xi-xj| (6)
式中，β表示横剖线x的参数；εi 表示独立分布随机误差；dij表示xi和xj之间的距离；其中，i＝1，2，…，n；j＝1，2，…，n；xi、xj分别为横剖线上两点的横坐标；
步骤S15：通过公式(7)确定横剖线平滑处理的移动窗口大小，利用公式(8)计算移动窗口内所有点的权重值，其中权重满足公式(9)中的要求，通过公式(10)、(11)确定滤波参数；
Figure FDA0003574653770000023
Figure FDA0003574653770000031
Figure FDA0003574653770000032
Figure FDA0003574653770000033
Figure FDA0003574653770000034
式中，r’表示移动窗口的宽度；hi表示dij中的第r个值；W(x)表示权重系数；k表示移动窗口内横剖线的点数；
Figure FDA0003574653770000035
表示滤波参数；
步骤S2中所述对预处理后的横剖线数据进行坡度校正具体包括以下步骤：
步骤S21：基于车道边缘受轮胎碾压次数少，形变几率小的特性，取路面横剖线数据两端各10cm片段，进行拟合建立路面非形变水平轴；步骤S22：提取惯性导航***采集的倾斜角作为路面横坡度测量的原始数据；结合三维线扫激光***测量的路面横剖线数据，通过公式(12)计算检测车相对路面存在的倾角；最后利用公式(13)获取路面真实横坡度；
Figure FDA0003574653770000036
Sc＝tan(θ)+tan(γ) (13)
式中，γ表示检测车与路面间的夹角，单位为度；θ表示惯导***采集的倾斜角，单位为度；L表示路面横剖线数据的长度，单位为mm；hL表示左端10cm片段横剖线数据的高度平均值，单位为mm；hR表示右端10cm片段横剖线数据的高度平均值，单位为mm；Sc表示路面横坡度，单位为m/m；
步骤S23：平移横剖线数据包括路面非形变轴直至左端点与原点重合，将平移后的横剖线绕原点旋转，直至路面非形变轴的坡度与路面横坡度一致；通过公式(14)至(16)获取坡度校正后的横剖线数据；
x′＝x·cosα+y·sinα (14)
y′＝-x·sinα+y·cosα (15)
α＝γ-arctan(Sc) (16)
式中，x’表示坡度校正后的横剖线数据横坐标，单位为mm；y’表示坡度校正后的横剖线数据纵坐标，单位为mm；α表示旋转角度，单位为度；
所述步骤S3具体包括以下步骤：
步骤S31：车辙谷底点的确定：首先，标记横剖线中点，然后从中点开始分别向左右遍历横剖线数据上每一个点，最后将左右两端距离非形变轴垂直距离最大的两个点分别为左右车辙的谷底点；
步骤S32：车辙边缘点的确定：首先标记横剖线与非形变轴的所有交点，然后从左右车辙谷底点分别向两端遍历搜寻，定义左右两端距离谷底点最近的交点为车辙边缘点；针对存在中央凹陷的路面，车辙内边缘点则定义为在两个车辙谷底点之间，且距离非形变轴最近的点；
所述步骤S4的具体内容为：
车辙三维尺寸的测量包括，根据公式(17)计算车辙宽度；根据公式(18)计算车辙最大深度；根据公式(19)计算车辙凹陷面积；根据公式(20)计算左右车辙间距；车辙内壁坡度则为车辙边缘点与谷底点之前横剖线段拟合直线的坡度值；
Figure FDA0003574653770000041
Figure FDA0003574653770000051
Figure FDA0003574653770000052
Figure FDA0003574653770000053
式中，y′j表示横剖线数据上第j个点的高度值，单位为mm；W表示车辙宽度，单位为mm；xO表示车辙外边缘点的横坐标位置，单位为mm；xI表示车辙内边缘点的横坐标位置，单位为mm；D表示车辙最大深度，单位为mm；xV表示车辙谷底点的横坐标位置，单位为mm；xV1表示内车辙谷底点横坐标，单位为mm；xV2表示外车车谷底点横坐标，单位为mm；yV表示车辙谷底点在横剖线数据上的高度值，单位为mm；A表示车辙凹陷面积，单位为mm2；S表示左右车辙间距，单位为mm；
步骤S5中所述通过路面二维图像进行车道边缘线的识别确定车道中心线位置，即车道边缘线自动识别定位算法的具体内容包括以下步骤：
步骤S51：对采集的2D路面图像进行二值化处理：首先通过维纳滤波对图像进行滤波处理；然后利用大津法对图像进行二值化处理，根据公式(21)至(23)确定图像二值化的阈值；
Figure FDA0003574653770000054
Figure FDA0003574653770000061
Figure FDA0003574653770000062
式中，t表示图像二值化阈值，取值范围为0～(L-1)；L表示单张图像中最大灰度值；Pi表示灰度值为i的像素格占整张图像的百分比，％；w0表示背景区域占图像百分比，％；w1表示前景区域占图像百分比，％；
步骤S52：车道边缘线边缘识别：对通过步骤S51得到的二值化图像，利用膨胀腐蚀操作，消除边缘线脱漆、内部缺损的影响；然后通过Canny边缘识别算法提取车道边缘线；
若两端车道边缘线均被捕捉则执行步骤S53进行车道中心线确定；若一端车道边缘线被捕捉则执行步骤S54进行车道中心线确定；若两端车道边缘线均未被捕捉则执行步骤S55进行车道中心线确定；
其中，所述车道中心线为该车道横截面中点的连线，通过两侧的车道边缘线来定义车道中心线的位置，即距离两侧车道边缘线等距的中点连线为车道中心线；
步骤S53：两端车道边缘线均被捕捉情况下的车道中心线确定：首先提取左右车道边缘线中心线的位置信息，并测量车道宽度，然后取两条中心线中点的连接线为车道中心线；
步骤S54：一端车道边缘线均被捕捉情况下的车道中心线确定：首先提取被捕捉的车道边缘线中心线的位置信息，然后根据车道宽度，以一端边缘线为基准，取距离一端边缘线中心1/2车道宽度的点的连接线为车道中心线；
步骤S55：两端车道边缘线均未被捕捉情况下的车道中心线确定：首先提取前后图像中车道中心线在图像尾端的位置信息；然后根据前后图像车道中心线的位置定义未捕捉车道边缘线的图像的车道中心线位置；
所述步骤S6的具体内容为：根据左右车辙谷底点及车道中心线的位置，利用公式(24)确定左右车辙在车道内的位置信息；车辙偏移量为左右车辙谷底点中点距离车道中心线间的距离，通过公式(25)计算得出，
Figure FDA0003574653770000071
Figure FDA0003574653770000072
式中，Pvi表示车辙谷底点相对于车道中心线的位置，单位为mm；xLC表示车道中心线位于图像上横坐标位置，单位为mm；Sc表示路面横坡度，单位为m/m；DEruts表示车辙横向偏移量，单位为mm；xvi表示车辙谷底点的横坐标位置，单位为mm。
CN201910897749.3A 2019-09-21 2019-09-21 一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位方法 Active CN110674732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910897749.3A CN110674732B (zh) 2019-09-21 2019-09-21 一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910897749.3A CN110674732B (zh) 2019-09-21 2019-09-21 一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位方法

Publications (2)

Publication Number Publication Date
CN110674732A CN110674732A (zh) 2020-01-10
CN110674732B true CN110674732B (zh) 2022-06-07

Family

ID=69078645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910897749.3A Active CN110674732B (zh) 2019-09-21 2019-09-21 一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位方法

Country Status (1)

Country Link
CN (1) CN110674732B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112361977B (zh) * 2020-11-10 2021-05-28 成都新西旺自动化科技有限公司 一种基于权重分配的直线间距测量方法
CN114896767B (zh) * 2022-04-21 2024-04-19 中冶（贵州）建设投资发展有限公司 一种基于精细化轴载作用的沥青路面车辙深度预测方法
CN116091714B (zh) * 2022-11-18 2023-10-31 东南大学 一种沥青路面车辙三维形貌自动生成方法
CN118196092B (zh) * 2024-05-17 2024-07-12 智汇新能科技(大连)有限公司 一种公路施工质量自动检测方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101089548A (zh) * 2007-07-06 2007-12-19 哈尔滨工业大学 路面车辙三维信息检测装置及检测方法
WO2013180273A1 (ja) * 2012-06-01 2013-12-05 株式会社日本自動車部品総合研究所 車線の境界線を検出する装置及びその方法
CN104239628A (zh) * 2014-09-10 2014-12-24 长安大学 一种检测车辆横向偏移对车辙深度误差的模拟分析方法
CN108664715A (zh) * 2018-04-26 2018-10-16 长安大学 一种路面积水车辙三维评价与行车安全分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101089548A (zh) * 2007-07-06 2007-12-19 哈尔滨工业大学 路面车辙三维信息检测装置及检测方法
WO2013180273A1 (ja) * 2012-06-01 2013-12-05 株式会社日本自動車部品総合研究所 車線の境界線を検出する装置及びその方法
CN104239628A (zh) * 2014-09-10 2014-12-24 长安大学 一种检测车辆横向偏移对车辙深度误差的模拟分析方法
CN108664715A (zh) * 2018-04-26 2018-10-16 长安大学 一种路面积水车辙三维评价与行车安全分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于路面3D激光点云数据的车辙自动测量与横向定位;李中轶等;《传感技术学报》;20190415(第04期);全文 *

Also Published As

Publication number Publication date
CN110674732A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN110674732B (zh) 一种融合多元数据的沥青路面车辙三维尺寸自动检测及定位方法
CN107462223B (zh) 一种公路转弯前行车视距自动测量装置及测量方法
CN104916163B (zh) 泊车位检测方法
US8180100B2 (en) Plane detector and detecting method
CN110647850A (zh) 一种基于逆透视原理的车道偏移自动测量方法
JP4363295B2 (ja) ステレオ画像による平面推定方法
CN110379168B (zh) 一种基于Mask R-CNN的交通车辆信息获取方法
EP1783683A1 (en) Mobile peripheral monitor
CN103196418A (zh) 一种弯道车距测量方法
CN108596165A (zh) 基于无人机低空航拍图像的道路交通标线检测方法及***
CN109060820B (zh) 基于激光检测的隧道病害检测方法及隧道病害检测装置
CN104574393A (zh) 一种三维路面裂缝图像生成***和方法
CN110197173B (zh) 一种基于双目视觉的路沿检测方法
CN108645375B (zh) 一种用于车载双目***快速车辆测距优化方法
CN112070756B (zh) 一种基于无人机倾斜摄影的路面立体病害测量方法
CN113554646B (zh) 基于计算机视觉的智慧城市道路路面检测方法及***
CN106600592A (zh) 一种基于连续帧图像拼接的轨道长弦测量方法
CN111694011A (zh) 一种摄像机和三维激光雷达数据融合的路沿检测方法
Botha et al. Real time rut profile measurement in varying terrain types using digital image correlation
CN103810676A (zh) 一种钢管运行速度的监测方法
Ryu et al. Feature-based pothole detection in two-dimensional images
CN211498390U (zh) 一种车载冰面识别追踪***
CN110374045B (zh) 一种智能化除冰方法
JP7191671B2 (ja) キャリブレーション装置、キャリブレーション方法
CN116958837A (zh) 基于无人机的市政设施故障检测***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Luo Wenting

Inventor after: Liu Lexuan

Inventor after: Li Lin

Inventor before: Luo Wenting

Inventor before: Li Lin

GR01 Patent grant
GR01 Patent grant