一种多窗口累计差分的裂缝提取方法技术

本发明专利技术实施例提供一种多窗口累计差分的裂缝提取方法，包括：获取目标路面经过姿态及变形信息去除后的三维路面数据；对于三维路面数据中断面上每个点，基于预设窗口数和点高程计算每个窗口下的累计差分特征，得到目标路面对应的逐点多窗口累计差分特征；根据Kmeans聚类算法对目标路面对应的逐点多窗口累计差分特征进行非监督聚类，或，根据训练后的监督分类器模型对目标路面对应的逐点多窗口累计差分特征进行基于不同源样本的监督分类，获取目标路面中的所有裂缝对象。本发明专利技术实施例具有样本共用能力的特征，均能在少量标注样本下实现大规模三维路面裂缝提取，为实际路面裂缝检测提供稳定鲁棒的方法。

【技术实现步骤摘要】
一种多窗口累计差分的裂缝提取方法
本专利技术涉及线扫描三维数据处理
，尤其涉及一种多窗口累计差分的裂缝提取方法。
技术介绍
随着线扫描三维测量技术的发展，三维测量系统能获取的越来越多的三维路面数据，包括不同路面背景及不同裂缝类型的数据。现有方法能对路面中部分较为清晰特征明显的裂缝进行分析进而完成裂缝检测。但是，目前现有的方法都难以适用于背景较为复杂、背景差异大、裂缝类型及特性差异大的实际路面裂缝检测任务。另一方面，传统的机器学习甚至深度学习难以直接在线扫描三维路面数据裂缝提取中获取较好的效果，一方面线扫描三维数据存在行车姿态变形病害等因素影响，实际裂缝检测任务对于方法的鲁棒性较高，需要适用于不同类型裂缝不同路面背景的数据；另一方面来自完全相同的数据获取准确的标注信息较难，传统的模板匹配、边缘检测方法甚至深度学习方法对不同数据不同路面裂缝的适用性有限。因此，亟需能克服裂缝类型多、背景复杂且能与机器学习相适配的三维路面裂缝方法，在此背景下提出一种多窗口累计差分的裂缝提取方法。
技术实现思路
为了解决上述问题，本专利技术实施例提供一种多窗口累计差分的裂缝提取方法。第一方面，本专利技术实施例提供一种多窗口累计差分的裂缝提取方法，该方法包括：获取目标路面经过姿态及变形信息去除后的三维路面数据；对于所述目标路面的三维路面数据中断面上每个点，以当前点为起点，基于预设窗口数和点高程计算每个窗口下的累计差分特征，得到所述目标路面对应的逐点多窗口累计差分特征；根据Kmeans聚类算法对所述目标路面对应的逐点多窗口累计差分特征进行非监督聚类，获取所述目标路面中的所有裂缝对象；或，根据训练后的监督分类器模型对所述目标路面对应的逐点多窗口累计差分特征进行基于不同源样本的监督分类，获取所述目标路面中的所有裂缝对象。优选地，所述获取目标路面经过姿态及变形信息去除后的三维路面数据，之前还包括：基于若干经过姿态及变形信息去除后的三维路面数据样本，采用逐点多窗口累计差分特征对三维路面数据横断面裂缝和纹理的波动特性进行建模表征，获取每一样本对应的逐点多窗口累计差分特征；若所有样本的标注信息未知，利用所有样本对应的逐点多窗口累计差分特征通过Kmeans聚类算法进行非监督聚类，获取训练后的Kmeans聚类算法参数；若所有样本中部分样本的标注信息是已知的，利用已知标注信息的样本，对监督分类器模型进行训练，获取训练后的监督分类器模型。优选地，所述基于预设窗口数和点高程计算每个窗口下的累计差分特征，得到所述目标路面对应的逐点多窗口累计差分特征，具体包括：对于所述目标路面的三维路面数据中的每个横断面的各个采集点，以当前采集点为起点，对每个所述横断面，基于横断面的采集点的高程及预设窗口数获取逐点多窗口累计差分特征；具体通过如下表达式计算逐点多窗口累计差分特征：DN＝[d1,d2,…,di,…,dN],i∈[1,2,3,…,N]，其中，DN表示逐点多窗口累计差分特征，i表示窗口范围，di表示窗口范围阈值，e表示横断面的采集点的高程，ep表示第p个点对应的高程，N表示预设窗口数。优选地，所述根据获取的Kmeans聚类算法参数对所述目标路面对应的逐点多窗口累计差分特征进行非监督聚类，获取所述目标路面中的所有裂缝对象，具体包括：根据Kmeans聚类算法对所述目标路面对应的逐点多窗口累计差分特征进行非监督聚类，将获取的聚类类别，按照聚类标签对标签一致的点集合，分别获取每一聚类类别的平均深度，将平均深度最小的聚类类别作为疑似裂缝类别；将得到的疑似裂缝类别对应的点集二值图，按照连通域形成疑似裂缝对象；从疑似裂缝对象中选取最终的所述目标路面中所有的裂缝对象。优选地，所述利用已知标注信息的样本，对监督分类器模型进行训练，获取训练后的监督分类器模型，具体包括：从不同源三维路面的标注数据集中随机选择裂缝样本点和非裂缝样本点，作为训练样本，所述训练样本即为已知标注信息的样本；根据监督分类器模型和每一训练样本的断面逐点多窗口累计差分特征进行监督分类器模型训练，得到训练后的监督分类器模型；其中，所述监督分类器模型包括支持向量机SVM、K近邻分类器KNN或随机森林RF分类器。本专利技术实施例提供的一种多窗口累计差分的裂缝提取方法，利用路面纹理在一定范围内的波动特性趋稳，而存在裂缝的断面部分则存在高程波动起伏趋势的特性进行建模，在克服噪声和背景差异的同时，也能将获取的模板在同源数据间进行聚类或者在不同源数据之间进行样本共用，减少裂缝提取过程中阈值设定或者对同源标注样本的依赖。在该特征的基础上，实现线扫描三维路面数据裂缝提取技术路线，具体包括非监督情况下，也就是完全没有样本标注的情况下，利用所提出的逐点多窗口累计差分特征自身的聚集性以及典型的非监督机器学习方法，例如Kmeans实现三维路面非监督裂缝信息提取。在存在少量裂缝标注的情况下，将标注信息和提出的逐点多窗口累计差分特征经过训练形成特征模板，可实现不同源样本共用达到减少监督机器学习方法对于样本标注的要求，从而更精确快速地获取三维路面裂缝提取结果。此外，所提出的基于逐点多窗口累计差分特征技术路线对现有的非监督及监督机器学习方法有跟高的适配度，高效的机器学习方法引入，具有样本共用能力的特征，均能在少量标注样本下实现大规模三维路面裂缝提取，为实际路面裂缝检测提供稳定鲁棒的方法。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种多窗口累计差分的裂缝提取方法的流程图；图2为本专利技术实施例提出的一种基于逐点多窗口累计差分特征的线扫描三维路面裂缝提取路线示意图；图3为本专利技术实施例中提供的两种典型包含裂缝的三维路面数据示意图和对应的裂缝标注示意图；图4为本专利技术实施例中两种横断面裂缝及其局部显示示意图；图5为本专利技术实施例中横断面逐点多窗口累计差分特征计算示意图及基本抽象模型的示意图；图6为本专利技术实施例中横断面逐点多窗口累计差分特征计算实例图；图7表示断面及裂缝点和纹理点的多窗口累计差分特征示例图；图8为本专利技术实施例中基于逐点多窗口累计差分特征及kmeans聚类的非监督三维路面裂缝提取示例1示意图；图9为本专利技术实施例中基于逐点多窗口累计差分特征及kmeans聚类的非监督三维路面裂缝提取示例2的示意图；图10为本专利技术实施例基于逐点多窗口累计差分特征的随机森林分类器训练获取的裂缝/纹理点特征模板示意图；图11为本专利技术实施例基于逐点多窗口累计差分特征及随机森林的不同源三维路面裂缝提取示例1示意图；图12为本专利技术实施例基于逐点多窗口累计差分本文档来自技高网...

【技术保护点】
1.一种多窗口累计差分的裂缝提取方法，其特征在于，包括：/n获取目标路面经过姿态及变形信息去除后的三维路面数据；/n对于所述目标路面的三维路面数据中断面上每个点，以当前点为起点，基于预设窗口数和点高程计算每个窗口下的累计差分特征，得到所述目标路面对应的逐点多窗口累计差分特征；/n根据Kmeans聚类算法对所述目标路面对应的逐点多窗口累计差分特征进行非监督聚类，获取所述目标路面中的所有裂缝对象；/n或，根据训练后的监督分类器模型对所述目标路面对应的逐点多窗口累计差分特征进行基于不同源样本的监督分类，获取所述目标路面中的所有裂缝对象。/n

【技术特征摘要】
1.一种多窗口累计差分的裂缝提取方法，其特征在于，包括：
获取目标路面经过姿态及变形信息去除后的三维路面数据；
对于所述目标路面的三维路面数据中断面上每个点，以当前点为起点，基于预设窗口数和点高程计算每个窗口下的累计差分特征，得到所述目标路面对应的逐点多窗口累计差分特征；
根据Kmeans聚类算法对所述目标路面对应的逐点多窗口累计差分特征进行非监督聚类，获取所述目标路面中的所有裂缝对象；
或，根据训练后的监督分类器模型对所述目标路面对应的逐点多窗口累计差分特征进行基于不同源样本的监督分类，获取所述目标路面中的所有裂缝对象。


2.根据权利要求1所述的多窗口累计差分的裂缝提取方法，其特征在于，所述获取目标路面经过姿态及变形信息去除后的三维路面数据，之前还包括：
基于若干经过姿态及变形信息去除后的三维路面数据样本，采用逐点多窗口累计差分特征对三维路面数据横断面裂缝和纹理的波动特性进行建模表征，获取每一样本对应的逐点多窗口累计差分特征；
若所有样本的标注信息未知，利用所有样本对应的逐点多窗口累计差分特征通过Kmeans聚类算法进行非监督聚类，获取训练后的Kmeans聚类算法参数；
若所有样本中部分样本的标注信息是已知的，利用已知标注信息的样本，对监督分类器模型进行训练，获取训练后的监督分类器模型。


3.根据权利要求1所述的多窗口累计差分的裂缝提取方法，其特征在于，所述基于预设窗口数和点高程计算每个窗口下的累计差分特征，得到所述目标路面对应的逐点多窗口累计差分特征，具体包括：
对于所述目标路面的三维路面数据中的每个横断面的各个采集点，以当前采集点为起点，对每个所述横断面...

【专利技术属性】
技术研发人员：张德津，曹民，桂容，卢毅，严懿，
申请(专利权)人：武汉武大卓越科技有限责任公司，
类型：发明
国别省市：湖北;42