一种基于行车记录仪视频的路面波动信息识别方法
本发明涉及道路检测与计算机视觉,具体涉及一种基于行车记录仪视频的路面波动信息识别方法。
背景技术:
1、道路平整度是衡量道路服务质量的关键指标。传统检测方法(如激光剖面仪、惯性测量单元)精度高但设备昂贵、作业复杂,难以普及。近年来,基于行车记录仪的视频方法因低成本、易部署而受到关注。然而,现有方法在从视频图像运动中准确提取路面不平整引起的微小波动方面仍存在不足。例如,专利公开号为cn121747065a公开日为2026.03.27公开了一种基于多传感器融合的路面病害检测方法,其依赖专用检测车辆和多传感器硬件,设备成本高、部署复杂。专利公开号为cn122150271a公开日为2026.06.05公开了一种基于图像识别的路面健康状态检测方法,其依赖精确的帧间配准和反光分离处理,计算复杂度高。专利公开号为cn120279402a公开日为2025.07.08公开了一种基于深度学习的路面病害检测方法,其依赖大量标注数据训练,泛化能力受限。
2、上述现有技术普遍忽视了行车记录仪视频中蕴含的深层几何运动规律,未能有效区分车辆正常前向运动所产生的规律性图像变化与路面不平整所诱发的异常波动,致使在复杂行车工况下的检测精度与鲁棒性仍有较大提升空间。因此,需要一种基于行车记录仪视频的路面波动信息识别方法,以解决上述问题。
技术实现思路
1、本发明的目的在于提供一种基于行车记录仪视频的路面波动信息识别方法,以解决上述背景技术中提出的现有技术中存在的问题。
2、为实现上述目的,本发明提供如下技术方案:
3、一种基于行车记录仪视频的路面波动信息识别方法,包括以下步骤:
4、s1:获取行车记录仪采集的连续视频帧序列;
5、s2:在所述视频帧序列的路面区域内识别并追踪多个路面特征点,获取每个特征点在连续帧中的运动轨迹;
6、s3:建立所述路面特征点在理想平坦路面下的透视缩放与平移运动模型,所述模型描述路面特征点因车辆前向运动而产生的由远及近、由小变大的规律性变化过程;
7、s4:计算所述特征点的实际运动轨迹与理想运动模型之间的偏差量;
8、s5:对所述偏差量进行去趋势化处理,提取其中由路面不平整引起的波动分量,构建路面波动指标;
9、s6:基于所述路面波动指标识别路面异常区段。
10、优选的,步骤s2中,所述运动轨迹包括所述特征点在图像坐标系中的像素坐标变化信息和/或光流矢量信息;
11、所述路面特征点为路面上的静止地物,包括车道线、裂缝、纹理或修补痕迹。
12、优选的,步骤s3中,所述理想运动模型基于针孔相机模型建立,将行车记录仪固设于车辆前挡风玻璃,路面为平面,车辆匀速行驶;所述理想运动模型满足以下透视规律:
13、特征点的纵向坐标在短时窗口内近似线性递减:
14、
15、特征点的光流模长在短时窗口内近似线性递增:
16、
17、其中,y0为特征点初始纵向坐标,
ky为纵向移动速率,
α为光流模长增长率,
β为初始光流模长。
18、优选的,步骤s3中,建立理想运动模型时,引入车辆行驶速度参数对模型进行时间尺度自适应调整,使所述理想运动模型适用于不同行驶速度;具体包括:
19、获取基准速度vref下的基准模型参数αref、βref和基准时间窗口tref;
20、在实际行驶过程中获取当前车速vreal,计算速度缩放因子:
21、
22、根据所述缩放因子动态调整时间窗口,在调整后的时间窗口内更新模型参数,完成模型的自适应更新。
23、优选的,所述车辆行驶速度通过车载obd接口、gps信号或视频帧间匹配估算获得。
24、优选的,步骤s4中,所述偏差量的计算方式为:
25、计算实际运动轨迹与理想运动模型在同一时刻的差值,并对所有追踪到的特征点的差值进行统计聚合,所述统计聚合采用以下方式中的至少一种:
26、(1) 均值聚合:
27、计算所有特征点偏差量的算术平均值,公式为:
28、
29、其中,n为当前帧中成功追踪的特征点总数,δi(t)为第i个特征点在时刻t的偏差量;
30、(2) 均方根聚合:
31、计算所有特征点偏差量的均方根值,公式为:
32、
33、(3) 中位数聚合:
34、取所有特征点偏差量在时刻 t的中位数。
35、优选的,步骤s5中,所述去趋势化处理为:
36、计算所述偏差量在滑动时间窗口内的局部均值作为趋势分量,将所述偏差量减去所述趋势分量,得到路面波动指标ppi(t):
37、
38、其中e(t)为时刻t的偏差量,w为滑动窗口长度,k为遍历窗口内的各时刻。
39、优选的,步骤s6中,识别路面异常区段的方式为:
40、设定动态阈值,将所述路面波动指标曲线中连续超过所述阈值的区段标记为路面异常区段;所述动态阈值根据所述偏差量在预设时间窗口内的统计分布确定,具体为:
41、
42、其中,μ为所述时间窗口内偏差量e(t)的平均值,σ为标准差,n为调节系数,取值范围为[2,4],所述动态阈值随道路环境变化自适应调整。
43、优选的,还包括将识别出的路面异常区段按行驶距离坐标进行空间化标定与显示,生成道路沿程的波动图谱,所述距离坐标通过车辆行驶速度与时间积分获得。
44、与现有技术相比,本发明的有益效果是:
45、1、本发明利用路面固定地物在视频序列中由远及近、由小变大的透视缩放固有规律,建立具有明确物理几何意义的理想运动模型,并通过计算实际运动轨迹与该理想模型之间的偏差量来提取路面波动信息;与现有技术相比,本发明不依赖深度学习训练样本和多传感器融合硬件,仅利用普通行车记录仪的单目视频即可实现路面平整度检测,显著降低了设备成本和部署难度;同时,由于理想运动模型精确描述了车辆前向运动产生的规律性图像变化,将其作为基准扣除后,所提取的偏差量能够真实反映路面不平整引起的车辆颠簸扰动,物理意义明确,检测结果可解释性强,有效提升了在复杂工况下检测的精度和鲁棒性。
46、2、本发明通过在理想运动模型中引入车辆速度参数并建立归一化时间尺度,实现了模型时间窗口和参数的动态自适应调整,使得所述方法在车辆高速巡航、城市中速行驶及低速蠕行等不同速度工况下均能保持稳定的检测性能,无需针对每种车速单独训练或标定,具有良好的速度适应性和泛化能力;同时,本发明采用滑动平均法对偏差量进行去趋势化处理,有效削弱了车辆加减速、路面坡度变化和镜头姿态缓变等低频干扰,并通过动态阈值设定实现异常区段的准确识别,进一步结合多特征点统计聚合策略,有效抑制了个别特征点追踪失败或野值点带来的随机误差,提高了路面波动检测的稳定性和可靠性,适用于城市道路、国省干道及农村公路的大规模、低成本、高频次路面平整度快速巡检。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com