[发明专利]一种基于车载激光点云的路面裂缝检测方法

权利要求书

1.一种基于车载激光点云的路面裂缝检测方法，其特征在于，所述方法包括如下步骤：

1)获取原始路面点云数据，对所述原始路面点云数据进行提取，得到第二点云数据；

2)对所述第二点云数据进行结构增强，放大所述第二点云数据中裂缝点与非裂缝点的差异；

3)选取训练数据训练图卷积神经网络得到模型；

4)通过所述模型获取所述第二点云数据中路面裂缝；所述步骤2)对所述第二点云数据进行结构增强为对所述第二点云数据进行主特征距离分布空间构造，在所述主特征距离分布空间中为所述第二点云数据构建邻接矩阵；所述对所述第二点云数据进行主特征距离分布空间构造包括：将所述第二点云数据中的点采用三维空间坐标表示，所述点的主特征为所述点反射强度的函数；获取所述点的映射点，映射点集合为主特征距离分布空间；所述在所述主特征距离分布空间中为所述第二点云数据构建邻接矩阵包括：在所述主特征距离分布空间中定义所述映射点集合中意两点的主特征距离为所述映射点的欧几里得距离；利用所述主特征距离，采用固定半径的最近邻算法定义所述映射点集合中每个点的邻居点；对所述映射点集合中每个点执行上述操作，得到所述映射点集合中所有点的邻居集合为映射点邻居集合；按照与所述映射点集合中所有点排列的相同顺序将所述映射点集合中每个点的邻居向量连接起来，得到所述映射点集合的邻接矩阵；还包括构建所述第二点云数据的特征矩阵，选取所述特征矩阵为训练数据，对所述图卷积神经网络进行训练；所述特征矩阵包括映射点横坐标、映射点纵坐标、主特征、主特征空间密度特征、高程上下文特征、强度上下文特征和局部分布特征；

构建输入点云的邻接矩阵；

首先，对于下采样后点云记为P＝{p₁，p₂，...，p_n|p_i＝(x_i，y_i，z_i，I_i)}，其中n是P中所包含的点的个数；对于点p_i，C_i＝(x_i，y_i，z_i)为点p_i的三维空间坐标，I_i为点p_i的反射强度，p_i的主特征M_i为其反射强度I_i的函数，通过以下公式计算得到：

对P中每个点都执行上述操作，从而可以得到P的主特征为M＝{M₁，M₂，...，M_n}；

然后，对于点p_i∈P，交换z_i和I_i的位置，并将I_i替换为M_i，从而得到点p_i的映射点q_i，对P中每个点执行上述操作，从而能够将P中所有点都映射到一个主特征距离分布空间中，得到点集Q＝{q₁，q₂，...，q_n|q_i＝(x_i，y_i，M_i，z_i)}，其中q_i的空间坐标为，z_i为q_i的高程特征；

接着，在主特征距离分布空间中定义Q中任意两点q_i，q_j的主特征距离为q_i，q_j的空间坐标的欧几里得距离，||·||为欧几里得范数，则点q_i，q_j在主特征距离分布空间中的距离由以下公式计算得到：

利用主特征距离分布空间中点之间的主特征距离，采用固定半径的最近邻算法(fr-NN)定义Q中每个点的邻居点，对于q_i∈Q，将q_i的邻居定义为有：

其中r为fr-NN所选定的半径，半径可以通过公式计算得到；将半径尺度设为T＝3，则计算得到半径为米，sd为最小距离；

最后，对Q中每个点执行上述操作，得到Q中所有点的邻居集合为Q^neighbor，由Q中每个点的邻居列表组成，对于点q_i∈Q，点q_i的邻居可以表示为一个n维向量，若某一点q_j∈Q是点q_i的邻居，则将点q_i的邻居向量中第j个元素的值赋为1；否则，将其值赋为0；按照与Q中所有点排列的相同顺序将Q中每个点的邻居向量连接起来，得到Q的邻接矩阵A_n×n，

构建输入点云的特征矩阵：

首先，构建主特征空间密度特征，将下采样后的点云P映射在主特征距离分布空间中的点云Q的主特征空间密度定义为Md，根据以下公式计算得到：

Md＝normalize(number(Q^neighbor)，range(0，1))

其中，number(·)计算Q^neighbor中每个元素所包含的点的个数，normalize(·，range(0，1))将值归一化到[0，1]；

接着，构建高程上下文特征，设计高程上下文特征来获取每个点附近的高程的上下文信息，从而利用主特征距离分布空间中放大的局部分布结构来增强裂缝点边缘附近点的特征，对于点q_i∈Q，z_i为q_i的高程特征，V_i为q_i的邻居点的集合，记V_i的局部高程集合为由V_i中所有点的高程特征组成，记高程上下文特征为有：

然后，构建强度上下文特征，将反射强度转换为主特征以构建主特征距离分布空间，尽管该反射强度转换放大了裂纹点与非裂纹点之间的反射强度区别，但信息丢失是不可避免的，为了补偿信息损失，设计强度上下文特征以进一步利用输入点云的反射强度，对于q_i∈Q，I_i为q_i的反射强度，V_i为q_i的邻居点的集合，记V_i的局部反射强度集合为由V_i中所有点的反射强度组成，记强度上下文特征为有：

再然后，构建局部分布特征，对于q_i∈Q，D_i为q_i的主特征距离，V_i为q_i的邻居点的集合，记V_i的局部分布集合为由V_i中所有点与点q_i的主特征距离组成，记局部分布特征为有：

最后，将X、Y、主特征、主特征空间密度特征、高程上下文特征、强度上下文特征和局部分布特征组合起来，获得特征矩阵F_n×16。