英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
基于移动激光扫描数据的迭代张量投票路面裂缝提取
Haiyan Guan，Jonathan Li，IEEE高级会员，Yongtao Yu，Michael Chapman，Hanyun Wang，IEEE会员，Cheng Wang，IEEE会员，Ruifang Zhai
摘要 ：路面裂缝的评估是道路维护的基本任务之一。 本文提出了一种新的框架，称为ITVCrack，用于基于迭代张量投票（ITV）的自动裂缝提取，来自移动激光扫描系统收集的高密度点云。 ITVCrack包括以下内容：（1）预处理涉及使用车辆轨迹数据将道路点与非道路点分离; （2）由路面点生成的地理参考特征（GRF）图像; （3）从有噪声的GRF图像中提取基于ITV的裂缝，然后精确描绘曲线裂缝。 定性地，该方法适用于低对比度，低信噪比和连续性较差的路面裂缝提取。 除了应用于GRF图像之外，所提出的框架在与合成数据和路面图像的现有方法进行定量比较时表现出更好的裂缝提取性能。
关键词：地理参考，强度，迭代张量投票（ITV），ITVCrack，移动激光扫描（MLS），路面裂缝提取。
1、引言
路面裂缝是最常见的沥青混凝土表面路面破损类型，可能是由于过载，疲劳，热变化，水分损坏，滑移或收缩造成的裂缝造成的。 通常，在形状和位置方面，裂缝分为以下类型之一：纵向，边缘，反射，块状和横向[1],[2]。 在过去，裂缝检查和评估涉及高度的主观性和危险性暴露，以及低生产率。 到目前为止，已经探索了用于评估铺路的视觉检查技术。 这些技术涉及捕获视频和相机，使用专门配备的车辆收集的图像。
基于动态优化的方法有效地处理模糊和不连续的路面图像[3]-[5]。但是，大多数都是计算密集型的。基于阈值分割方法的有效性基于灰度不连续性或相似性[6]-[9]，主要取决于路面环境和材料，导致不可靠的裂缝提取结果。虽然基于小波变换，例如子束波，轮廓波及其变体，是另一种常见的裂缝提取技术[10],[11]，由于小波的各向异性特性，它们经常无法处理高曲率裂缝或连续性差。基于数学形态学的方法已被用于检测路面图像中的裂缝[12]。但是，这些算法仅限于三个结构元素（即圆盘、线和方形）以及参数的选择。在人工智能，数据挖掘，机器学习和神经网络领域已经进行了许多裂缝提取工作[13] - [15]。但是，参数的选择取决于裂缝变化和图像质量。此外，基于图像、视频的裂缝提取算法受到若干环境因素的影响，例如以下因素：(1）树木和移动车辆投射的阴影;(2）天气状况; (3）成像时间，对路面的可见度影响最大。
近年来，移动激光扫描（MLS）已经成为一种快速发展的技术，特别是对于精确的角度测绘（例如，铁路，高速公路和道路），因为该技术能够以前所未有的方式收集毫米级的测量级数据。高速公路上的细节，低于传统的调查成本[16]。沿着走廊，MLS系统捕获（并由三维点云代表）以下：可见树木，桥梁，路灯杆，建筑物，电力线，道路标记，裂缝等。因此，从单一任务收集的数据可用于多个任务而无需进一步的现场访问，从而提高数据的可用性和效率。更重要的是，MLS系统能够实现关于道路走廊的零交通影响数据采集，因为夜间可以减少拥堵。因此，就丰富而详细的数据，安全性和效率而言，MLS系统因其为运输相关应用丰富可用的地理信息系统3-D数据库的能力而受到认可[17]。
然而，MLS系统捕获高密度点云的能力对于大量MLS数据的后处理提出了巨大挑战，以便获得关于裂缝的可读和全面的信息。 例如，集成两个Riegl VQ-250激光扫描仪的Trimble MX-8系统可在20分钟内生成高达35 GB的数据。特别是，道路点占扫描数据的很大一部分。 因此，考虑使用已建立的图像处理算法进行特征提取，将无组织的3-D点云转换为2-D灰度图像的插值方法。
物理反映接收到的回波功率的MLS强度数据[18]已广泛用于自动提取不同类型的街景物体[19]，如高反射道路标记[20]甚至照明结构（如隧道）[21]。 基于强度，MLS数据被内插到地理参考特征（GRF）图像中，其中裂缝通常表示为曲线结构。 然而，与真实路面图像相比，GRF图像包含大量噪声。 此外，由于沥青混凝土路面的颗粒材料，GRF图像中的曲线裂缝表现为强度不均匀，与周围环境对比度低，信噪比（SNR）低。 因此，上述方法无法从GRF图像中提取裂缝。
如[22]中提出的张量投票，一种感知分组方法，比从嘈杂和损坏的数据推断曲线结构的其他方法更强大和有效。张量投票方法是在格式塔心理学的基础上发展起来的，它基于图像特征和非线性投票的张量表示。在张量投票的2-D情况下，输入数据首先被编码为结构感知张量，其中结构是特征空间中的点或曲线。接近和持续约束的支持信息通过投票过程从邻域中的张量传播到张量，通过投票过程可以从投票形式的嘈杂和损坏的数据估计感知结构的显着性。给定张量收到的投票越多，显着特征出现在相应位置的概率就越高[23]。虽然声称非迭代张量投票（ITV）在许多情况下提供了良好的结果，但是张量投票框架的迭代版本证明了更有效地进行复制处理复杂的数据配置以及改进输入基元的方向估计和总体曲线推断[24]，[25]。结合张量投票和迭代投票的ITV框架的功效在[26]中针对医学细胞膜的不明确的曲线结构进行了讨论和证明。在[27]中执行的算法开始于将图像中的每个像素编码为未定向的球张量。通过球张量，所有张量均获得其优选的方向，这表明了潜在的曲线结构。然后施加一组迭代棒张量程序。每次迭代都旨在逐步缩小规模来改进先前的结果。因此，迭代操作增强了对有希望的曲线结构的投票集中度。
鉴于GRF图像中的裂缝表现为扩散和非均匀曲线结构，采用ITV方案来改进裂缝分组和推断。 与传统的张量投票算法相比，改进的ITV算法具有以下两个区别：(1）在稀疏投票之前，裂缝候选被分段并编码为单位球张量。 由于使用了裂缝候选，而不是图像中的所有像素，处理复杂性显着降低。 (2）在每次迭代中（以密集投票的形式），我们考虑球张量和棒张量，而不是单独粘贴张量投票，通过逐渐减少棒投票场的孔径来精炼突出的曲线结构。 密集的球张量和棒张量可以保留许多微妙的曲线裂缝细节。
在本文中，我们开发了一个ITVCrack的新型框架，用于从MLS数据中自动检测裂缝。 我们首先提出了一种基于路缘的道路边缘提取算法，该算法使用MLS数据将道路点与非道路点分开。 在对MLS数据进行分类之后，我们使用修改的反距离权重（IDW）算法将道路点插入GRF图像中。 然后我们使用改进的ITV和形态变薄来提取裂缝。
本文的其余部分安排如下。 第二节定义了张量投票框架。 第三部分详细介绍了所提出的ITVCrack。 第IV节陈述了三个用于验证ITVCrack的数据集，并讨论了实验结果。第五节总结了我们的工作。
2、张量投票框架
张量投票由两部分组成：表示的张量演算和数据通信的非线性投票[26] - [32]。 在二维中，二阶，对称和非负定张量由2负定矩阵表示，分解为
T = (lambda;1 minus; lambda;2) e1 e1T lambda;2(e1 e1T e1e2T) (1)
其中lambda;1和lambda;2（lambda;1gt;lambda;2）是特征值; e1和e2是相应的特征向量。 在几何学上，张量可视化为由张量的特征向量方向和特征值的大小所形成的椭圆。 具体地说，张量的大小和形状由其特征值给出，而取向由相应的特征向量确定。 张量的形状定义了感兴趣的结构类型（如曲线），其大小代表显着性。（1）中的第一项称为棒张量，表示基本曲线元素，其中e1为其曲线法线。 第二项称为球张量，表示没有任何优选方向的感知结构。 例如，GRF图像中x的裂缝像素，由棒张量表示并且由细椭圆可视化，其长轴表示估计的优选取向e1并且其长度（lambda;1-lambda;2）表示估计的显着性。
基于2-D中的张量表示，首先将输入编码为张量。 如果输入没有方向，则将其编码为球张量，其特征值为lambda;1=lambda;2= 1，以2times; 2形式的单位矩阵T=。 如果输入具有方向nx , ny)，那么它被编码为具有特征值lambda;1= 1和lambda;lambda;= 1的棒张量，以2棒张矩阵的形式
T=.
在输入被编码为张量之后，它们的信息将按照格式塔平滑、邻近和良好连续性原则，传播给它们的邻居。这种传播被称为张量投票。如图1（a）所示，位于O和P的两个张量，在O_XY坐标系中具有法线N，分别称为选举者和接收者。从O到P的弧是建模其平滑度和接近度的最简单方法。设L表示投票点和接收者之间的距离;让theta;表示投票点的密切圆的切线与通过投票点和接收点的线之间的角度。弧长s和曲率kappa;分别由s=L/sin()和k= 2sin（）/ L给出。因此，假设投票点和接收点属于相同的感知结构，由密切圆定义的从O到P的路径是最可能的平滑路径。这是保持恒定曲率的路径的结果。因此，P的投票定义为
V (P) =DF(s, k,)NPNPT
(2)
其中NP和NO分别是P和O处同一密切圆的切线的法线。 DF（s，kappa;，sigma;）是显着衰减函数。 比例参数被视为平滑度的度量，并且是用户唯一的自由参数。 控制衰减程度的系数c定义为
C = -16log(0.1) times; ( - 1)/2 (3)
投票场用作查找表，其存储是棒投票和球投票在其相邻接收区域以各种距离和角度投射的预先计算的投票。 与线性卷积类似，此预先计算的查找表可以加快投票过程。 张量投票框架提供两种形式的投票领域：棒投票场[见图1（b）和球投票场见图1（c）。 投票领域的范围是由比例参数控制。小对应于一个小投票邻域; 它使投票过程成为局部，导致对异常值腐败的更高敏感性，但更好地保留细节。 另一方面，大对应于大投票邻域; 大强制实现更高程度的平滑度，从而有助于去除噪音。 投票场仅限于 45°，被称为场光圈。超出此范围，从O到P的最平滑路径不能用O和P上的张量形成的密切圆表示。 为了计算张量投票，投票场与张量对齐。 然后，可以从投票场中查找接收点的幅度和方向。
图1.（a）投票生成 （b）二维棒投票场的大小（显着性） （c）二维球投票场的大小（显着性）
每个输入收集其邻域中的张量所投的所有投票，并将它们整合到新的张量中，最终揭示图像原语之间的行为一致性。 通过张量加法执行投票累积：更具体地，2 2个矩阵的总和。 例如，P处的最终张量可以表示为
TP = TOV(P) (4)
其中TP是通过累积来自位置O处的邻居TO的所有投票V（P）而获得的总和张量。因此，在将投票从张量转换为张量并通过张量加法累积之后，生成P的新张量。结构提取可以从张量中解释预期的结构。例如，在2-D中，如果P处的新张量具有lambda;的-lambda;的新张量，则这表示在该位置处具有估计的正常e1的曲线。但是，由于异常值只能得到不一致的矛盾投票，因此特征值之间的差异很小，导致显着性低。反过来，低显著性表明所讨论的点是要去除的噪声。
投票过程中有两种投票方式：稀疏张量投票和密集张量投票。稀疏投票限制张量投票给其他张量投票，而密集投票涉及张贴投票到其附近的所有位置，无论是否存在张量或缺乏张量。
3、ITVCRACK的描述
提出的ITVCrack包括三个步骤：预处理，GRF图像生成和基于ITV的裂缝提取。 ITVCrack算法的输入是无组织的MLS点云，输出是一组曲线裂缝。 在本文中，我们探讨了MLS数据在破解提取中的应用。从MLS数据中提取的裂缝可能需要通过点分辨率进行修复; 因此，我们专注于提取路面裂缝的类型和位置，而不是裂缝宽度。
3.1预处理
大多数城市中，路缘几乎是垂直的表面，将道路与人行道或绿地隔开。 基于这种现象，我们提出了一种基于路缘的道路提取方法。 在该方法中，从MLS数据中检测用于识别道路边缘的高度急剧跳跃（表示路缘）。
此外，提供关于车辆的实时位置信息的车辆轨迹数据便于基于路缘的道路提取。 垂直于轨迹数据，我们以间隔的方式将MLS数据划分为多个像几厘米一样的轮廓，如图2（a）所示。 实证分析表明，为了保持足够的路缘检测点，合适的轮廓尺寸为30厘米，对于几乎直的道路，合适的间隔长度为3米，对于急转弯道路，合适的间隔长度为1米。 图2（b）显示了其中一个轮廓，其上的路缘清晰地显示为连接路面和人行道的垂直线。 因此，两个简单的阈值，即斜率和高度差，用于通过轮廓检测路缘轮廓。
图2.路面提
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[18159]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
课题毕业论文、外文翻译、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
