基于车载激光点云数据的城市道路横坡和超高值计算方法

1.本发明属于交通安全分析技术领域，尤其涉及一种基于车载激光点云数据的城市道路横坡和超高值计算方法。


背景技术：

2.横坡是道路几何设计的重要元素。它通常是在垂直于道路前进方向的平面上测量的，从最高的路面中心到两个边缘(在直线段上)或从外缘到内缘(在曲线上)。横坡测量通常是手工进行的。这些手工现场测量要求工程师将设备放置在路面上以获取横坡。图2显示，三位中国工程师正在使用数字水平仪测量已建成道路的横坡。此外，如果在测量点周围设置交通锥，将会影响交通。现场测量相对而言耗费时间和人工较大，且很难解决完成大尺度的道路横坡测量。因此，需要提出更自动化和高精度的方法。目前，移动激光扫描系统是一种新兴的、很有前途的测量技术，它集成了激光扫描仪、导航传感器(全球导航卫星系统(gnss)和惯性测量单元(imu))以及移动平台上的图像数据采集传感器(全景和数码相机)。通过连续的激光扫描，在装载点云的车辆沿着给定道路行驶时，收集到路面和路边设施上密集的点云。由于点云数据具有较高的准确性和丰富的信息包容性，广泛应用于路面、道路标记、行车线、道路裂缝、道路人孔等各类道路物体的检测和提取。
3.然而，尽管已有一些研究利用点云数据对横坡进行了评估，但仍有一些可改进的地方。本文讨论的噪音主要是非基础设施噪音，如车辆、行人和骑自行车的人，而不是由空气尘埃引起的噪音。理想情况下，当激光雷达发射的激光从路面反射回来时，可以获得路面的点云。而非基础设施噪声的存在使得发射的激光在半途在车辆表面反射回来，获取的点云为非基础设施点云，同时地面点云由于车辆遮挡出现孔洞。这些车辆噪声引起的非基础设施噪声和缺失点区域会对横截面的拟合产生不利影响。在低交通流量小时收集数据或合并多个数据集可以有效缓解噪音问题。然而，这两种措施可能会增加成本。因此，从嘈杂的点云数据中评估横坡是一种适用范围更广的方式，既可以减少在特定时间收集点云数据的需求，也可以减少数据收集的数量。
4.专利号为cn114170149a的发明中提及一种基于激光点云的道路几何信息提取方法，包括：对点云进行半径滤波和网格降采样以精简点云；考虑到路面点高程分布较为集中，且道路表面更为平滑，提取点云的高程特征与局部法向量特征用来区分地面点与非地面点；在地面点上使用区域生长法连接路面点，经过误删点恢复后得到完整的路面点云；最后根据采集车辆的轨迹信息，计算轨迹向量并切取道路横截面，使用最小二乘法获取道路的几何参数。本发明同时兼顾了提取精度和程序运行效率，可以全方面考虑不同道路环境下道路几何信息的自动化提取。但该发明需要借助车辆轨迹，也没有涉及大量地物噪音存在的情况的道路点云提取方法。


技术实现要素：

5.解决的技术问题：本发明针对现有技术中的不足，提供一种基于车载激光点云数
据的城市道路横坡和超高值计算方法，能够在大量地物噪音存在的情况下，从高密度的激光点云数据中将道路部分完整提取出来，并计算出道路横坡和超高值，验算路段指标安全性。
6.技术方案：
7.一种基于车载激光点云数据的城市道路横坡和超高值计算方法，所述道路横坡和超高值计算方法包括以下步骤：
8.s10，对点云数据进行预处理，将原始点云数据重构为对齐的扫描格式网格；
9.s20，采用基于高度直方图、基于k近邻的滤波和基于欧氏距离的聚类技术分割道路点云，将包括周边建筑物、路灯和标牌在内的非地面点分离出去，得到完整的道路点云；
10.s30，建立点云空间索引，在此基础上采用两步自适应高度阈值法去除包括道路上行驶的车辆、植被在内的地物点；
11.s40，采用基于虚拟格网的插值算法对点云空洞进行填补，以获得完整的道路点云；
12.s50，按预设间距提取道路横断面，对于每个提取的横断面，采用随机一致性抽样算法对高程和横向数值进行回归，求取横坡值；将计算得到的横坡值与规范横坡值对比，确定不合规范的横坡及超高值所处位置。
13.进一步地，步骤s10中，对点云数据进行预处理，将原始点云数据重构为对齐的扫描格式网格的过程包括以下步骤：
14.s11，对原始激光点云数据进行坐标转换，根据原始激光点云数据与轨迹数据的对应关系，将点云重构为扫描格式网格；
15.s12，利用稳健局部加权回归算法对点云坐标转换中的多个参数进行平滑处理，扭直道路点云中的曲线段，且所有道路点云处于相似的高程范围。
16.进一步地，步骤s11中，将点云重构为扫描格式网格的过程包括以下步骤：
17.s111，使用每个激光点的时间戳将所有激光点划分为扫描线，每条扫描线都有相应的轨迹点；令t{t1，t2...tk...tn|1≤k＜n，k，n∈n

}为轨迹点的集合，s{s1，s2...sk...sn|1≤k＜n，k，n∈n

}为轨迹点对应的扫描线的lidar点集；
18.s112，对于第k条扫描线，令tk为轨迹向量的起点，t
k 1
为轨迹向量的终点，正向向量表示为以tk为原点，以为x
′
轴，建立局部三维坐标系，y’轴沿水平方向与x
′
轴正交，z’轴垂直于x
’‑
y’平面向上的向量；利用坐标变换矩阵，将测地线点变换为x
′y′z′
空间中的局部点：
[0019][0020]
式中：是轨迹点tk的坐标；(x
k y
k zk)
t
是用大地坐标系描述的sk的点坐标；(x
′
k y
′
k z
′k)
t
是用局部坐标系描述的sk的点坐标；βk是x轴和大地平面的夹角；γk是向量和x轴的夹角；
[0021]
将原始点云被转换为扫描模式格网，起始间隔d；βk和γk利用相邻路径点的坐标计
算得到：
[0022][0023]
进一步地，步骤s20中，所述得到完整的道路点云的过程包括以下步骤：
[0024]
s21：采用高度直方图方法对高于路面的地物进行滤除，对点云进行重构时，将所有点的高程值范围按0.2m的间距等分，得到各范围点的数量、索引以及纵坐标为点数量的直方图，找到最高的条段对应的高程值范围，保留高程值在此高程值范围附近的点；
[0025]
s22：采用几何范围划定的方式对道路两侧的设施进行滤除，重构点云，通过划定感兴趣区域的方式，去除区域路侧的离群点，得到初步划定的道路点云；
[0026]
s23：对初步划定的道路点云，建立k近邻点云索引，计算所有点云的平均距离；遍历所有点云，查找每个查询点附近k个最近邻点，计算查询点与其的k个近邻的平均距离；若任意一个查询点的近邻点平均距离大于所有点云平均距离，则将该查询点标记为离群点；待所有点遍历完成后，剔除道路点云中所有离群点；
[0027]
s24：对剔除过离群点的道路点云，将所有点的欧几里得距离小于给定阈值的点云组成一个集群，该阈值按经验确定为所有点平均距离的两倍；完成聚类后，点云中所有点都有一个集群标签，将点的数量最多的集群定义为道路点云，按标签将其分割出来。
[0028]
进一步地，步骤s30中，所述多步自适应高度阈值地物滤除的过程包括以下步骤：
[0029]
s31，建立虚拟格网，将离散三维点云所在的平面区域用格网先划分为众多大小一致的虚拟格网，各虚拟格网相当于点云空间的一个子空间容器，每个激光点必将落入其中一个格网内；
[0030]
s32，遍历所有格网，查找格网内高程的最低值z
′
min
，计算格网内点云高程的平均值z
′
mean
，计算出高程波动参数δz′
；遍历格网内点云，剔除高程值大于z
′
min
δz′
的激光点；
[0031]
s33，遍历所有格网，查找格网周围8个邻域格网内所有激光点的高程的最低值z
′
min2
，计算出此时的高程波动参数ωz′
；遍历格网内点云，剔除高程值大于z
′
min2
ωz′
的激光，计算各点位高程值的标准差；
[0032]
s34，重复步骤s33，直至相邻两次的标准差变化小于设定临界值，停止滤波。
[0033]
进一步地，步骤s31中，建立虚拟格网，将离散三维点云所在的平面区域用格网先划分为众多大小一致的虚拟格网的过程包括以下步骤：
[0034]
s311，在matlab环境中建立虚拟格网，确定虚拟格网尺寸ε，创建一个[(y
′
l-y
′r)/ε 1]
×
[x
′
max
/ε 1]的空白元胞数组；
[0035]
s312，遍历所有原始激光点云数据，求解其在xoz平面的坐标范围，放入对应的元胞数组内；任意点(x
′i，y
′i，z
′i)所在的虚拟格网行列数如下：
[0036]
w＝[x
′
i-x
′
min
/ε] 1
[0037]
l＝[(y
′
i-y
′
min
)/ε] 1
[0038]
式中，w、l表示该点所在虚拟格网行列号，x
′
min
、y
′
min
表示点集中的最小坐标，[.]
表示取整，ε为虚拟格网尺寸。
[0039]
进一步地，对于点云中的任一点(x
′i，y
′i，z
′i)，自适应高度阈值法中的参数和的计算方法如下：
[0040][0041][0042]
式中，ε为虚拟格网尺寸，为初次滤波的高度阈值，为二次滤波的高度阈值，为二次滤波影响范围。
[0043]
进一步地，步骤s40中，所述采用基于虚拟格网的插值算法对点云空洞进行填补的过程包括以下步骤：
[0044]
s41，提取道路边界点云；
[0045]
s42，采用稳健的加权局部加权回归算法对道路边界进行平滑处理，获取完整的道路边界点云；
[0046]
s43，遍历所有虚拟格网，若某格网满足在道路边界内且内部无点，则将该区域视为空洞区域；查找道路范围内的空洞区域，并均匀生成待插值点的平面二维坐标；
[0047]
s44，计算待插值点的竖向坐标，查找待插值点所在格网周围8个非空格网，采用delaunay三角空间插值，确定待插值点竖向坐标，当所有空洞区域内的插值点竖向坐标均被计算出来后，空洞填补完成。
[0048]
进一步地，步骤s42中，采用稳健的加权局部加权回归算法对道路边界进行平滑处理，获取完整的道路边界点云的过程包括以下步骤：
[0049]
s421，定义滤波器的窗口宽度，窗口宽度表示用于计算平滑值的数据点数占全体数据点总数的比例；
[0050]
s422，遍历所有点，找到给定点窗宽内的所有点，并计算该点所有邻近点的权重值，计算方法如下：
[0051][0052]
式中，x表示待平滑点，xi表示x跨度内的临近点，dis为从x到窗宽内最远处预测值的水平距离；
[0053]
s423，获取x的临时平滑值x
t
，利用计算得到的权重wi对x进行加权线性回归计算，令x
t
为临时的平滑后点集；
[0054]
s424，计算点集x
t
与x内点的逐点差异r{r1，r2，r3...rk...rn|1≤k＜n，k，n∈n

}，基于逐点差异，再次计算窗宽内所有临近点的权重值，计算方法如下：
[0055][0056]
式中：ri为第i个点的残差，δ为残差的中位绝对偏差；当剩余大6δ，稳健性权重是0时，相关的异常值在计算过程中将被剔除；
[0057]
s425，采用wi和对道路边界进行平滑处理。
[0058]
进一步地，步骤s50中，所述求取横坡值的过程包括以下步骤：
[0059]
s51，沿道路前进方向，在重构空间内与y轴方向一致，按给定间隔提取一定厚度的剖面，作为横断面；
[0060]
s52，对于每个提取的横断面，用随机抽样一致性算法对横断面点集的高程和横向数值进行拟合，模型的斜率即为横坡值，在曲线段表现为超高值；
[0061]
s53，参照目前的城市道路设计规范，将规范值与计算值对比，将不合规范的横坡值所在站点进行标记。
[0062]
有益效果：
[0063]
本发明提及的基于车载激光点云数据的城市道路横坡和超高值计算方法，在存在相当大的车辆噪声和数据差距的情况下，能从密集的mls数据准确计算出横坡。该方法可用于评估已建成道路的横截面状况。一般适用于路面养护和道路改造。通过确定不合标准的边坡位置，相关道路机构可以及时进行修复，避免因道面水损坏而造成的事故。因此，在考虑道路沉降或缺乏设计数据的情况下，研究结果也可为道路拓宽提供依据。利用该方法可以准确地获取道路横截面信息。随着建筑信息建模和激光雷达技术的进步，这种道路库存可以导入到设计和建模平台，以进行全生命周期的设计和维护。
附图说明
[0064]
图1为本发明实施例的基于车载激光点云数据的城市道路横坡和超高值计算方法流程图。
[0065]
图2为本发明实施例的将原始点云重构为扫描格式网格效果示意图。
[0066]
图3为本发明实施例的高度直方图和几何划分提取道路的效果示意图；其中，图3(a)是重构空间点云示意图；图3(b)是划分后道路点云示意图。
[0067]
图4为本发明实施例的道路提取方法的最终效果示意图。
[0068]
图5为本发明实施例的delaunay三角空间插值的结构示意图。
[0069]
图6为本发明实施例的路面空洞填补效果示意图；其中，图6(a)是空洞填补前路面示意图；图6(b)是空洞填补后路面示意图。
[0070]
图7为本发明实施例的ransac拟合道路横断面效果示意图。
具体实施方式
[0071]
下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。
[0072]
图1为本发明一种基于车载激光点云数据的城市道路横坡和超高值计算方法的结构示意图。本实施例适用于车激光点云数据的城市道路横坡和超高值计算方法，参考图1所示，该计算方法包括以下步骤：
[0073]
s10，对点云数据进行预处理，将原始点云数据重构为对齐的扫描格式网格。
[0074]
s20，采用基于高度直方图、基于k近邻的滤波和基于欧氏距离的聚类技术分割道路点云，将大部分的非地面点(周边建筑物、路灯、标牌等)分离出去，得到完整的道路点云。
[0075]
s30，建立点云空间索引，在此基础上采用两步自适应高度阈值法去除地物点(道
路上行驶的车辆、植被)。
[0076]
s40，采用基于虚拟格网的插值算法对点云空洞进行填补，以获得完整的道路点云。
[0077]
s50，按给定间距提取道路横断面，对于每个提取的横断面，采用随机一致性抽样算法对高程和横向数值进行回归，求取横坡值。将计算得到的横坡值与规范对比，确定不合规范的横坡及超高值所处位置。
[0078]
图2为本发明将原始点云重构为扫描格式网格效果示意图。在一个实施例中，步骤s10中，采集点云数据预处理过程包括以下步骤：
[0079]
s11，对原始激光点云数据进行坐标转换，根据原始激光点云数据与轨迹数据的对应关系，将点云重构为扫描格式网格。
[0080]
首先，使用每个激光点的时间戳将这些点划分为扫描线。每条扫描线都有相应的轨迹点。设t{t1，t2...tk...tn|1≤k＜n，k，n∈n

}为轨迹点的集合。设s{s1，s2...sk...sn|1≤k＜n，k，n∈n

}为轨迹点对应的扫描线的lidar点集。对于第k条扫描线，设tk为轨迹向量的起点，t
k 1
为轨迹向量的终点。因此，正向向量表示为以tk为原点，以为x
′
轴，建立局部三维坐标系。y
′
轴沿水平方向与x’轴正交。然后z’轴是垂直于x
’‑y′
平面向上的向量。利用坐标变换矩阵，将测地线点变换为x
′y′z′
空间中的局部点：
[0081][0082]
式中各参数含义如下：
[0083]
轨迹点坐标。
[0084]
(x
k y
k zk)
t
＝sk中用大地坐标系描述的点坐标。
[0085]
(x
′
k y
′
k z
′k)
t
＝sk中用局部坐标系描述的点坐标。
[0086]
βk＝x轴和大地平面的夹角。
[0087]
γk＝向量和x轴的夹角。
[0088]
原始点云被转换为扫描模式格网，起始间隔d。βk和γk是计中的关键参数，可以利用相邻路径点的坐标来计算：
[0089][0090]
s12，利用稳健局部加权回归算法对点云坐标转换中的重要参数进行平滑处理，以保证重构效果，重构后的道路点云的曲线段将被扭直，且所有道路点云将基本处于相似的高程范围。
[0091]
图3为本发明高度直方图和几何划分提取道路的效果示意图；其中，图3(a)是重构
空间点云示意图；图3(b)是划分后道路点云示意图。图4本发明道路提取方法的最终效果示意图。
[0092]
在一个实施例中，步骤s20中，所述对点云数据进行路面识别分割处理的过程包括以下步骤：
[0093]
s21：采用高度直方图方法对高于路面的地物进行滤除：对点云进行重构时，将所有点的高程值范围按0.2m的间距等分，可以得到各范围点的数量和索引，及纵坐标为点数量的直方图，找到最高的条段对应的高程值范围，保留高程值在此范围附近的点。
[0094]
s22：采用几何范围划定的方式将道路两侧的大部分设施滤除：对点云进行重构后，道路点云横向范围(即y值)波动不大，因此，可以通过划定感兴趣区域的方式，将路侧的离群点去除。
[0095]
s23：进行基于k近邻的滤波：对初步划定的道路点云，建立k近邻点云索引，计算所有点云的平均距离，然后遍历所有点云，查找其附近k个最近邻点，并计算查询点与其的k个近邻的平均距离，若该点的近邻点平均距离大于所有点云平均距离，则将该点标记为离群点，待所有点遍历完成后，将所有离群点剔除。
[0096]
s24：进行基于欧氏距离聚类的地面点云分割：对剔除过离群点的道路点云，将所有点的欧几里得距离小于给定阈值的点云组成一个集群，该阈值按经验确定为所有点平均距离的两倍，完成聚类后，点云中所有点都有一个集群标签，点的数量最多的集群为道路点云，按标签将其分割出来即可。
[0097]
图4为本发明道路提取的最终效果示意图。本实施例步骤s24中，欧式聚类方法的处理过程包括以下步骤：
[0098]
s241：找到空间中某点p
11
，用kd-tree找到离他最近的n个点，判断这n个点到p
11
的欧几里得距离。将距离小于阈值r的点p
12
，p
13
，p
14
...放在类q里。
[0099]
s242：在q(p
11
)里找到一点p
12
，重复步骤s241。
[0100]
s243：在q(p
11
，p
12
)找到一点，重复步骤s241，找到p
22
，p
23
，p
24
...全部放进q里。
[0101]
s244：当q再也不能有新点加入了，搜索完成。
[0102]
在一个实施例中，步骤s30中，所述自适应高度阈值地物滤除的过程包括以下步骤：
[0103]
s31：建立虚拟格网：将离散三维点云所在的平面区域用格网先划分为众多大小一致的虚拟格网，各虚拟格网相当于点云空间的一个子空间容器，每个激光点必将落入其中一个格网内。
[0104]
具体地，在matlab环境中建立虚拟格网，首先确定虚拟格网尺寸ε，创建一个[(y
′
l-y
′r)/ε 1]
×
[x
′
max
/ε 1]的空白元胞数组，然后遍历所有原始激光点云数据，求解其在xoz平面的坐标范围，放入对应的元胞数组内。任意点(x
′i，y
′i，z
′i)所在的虚拟格网行列数如下：
[0105]
w＝[x
′
i-x
′
min
/ε] 1
[0106]
l＝[(y
′
i-y
′
min
)/ε] 1
[0107]
式中各参数含义如下：w、l表示该点所在虚拟格网行列号，x
′
min
、y
′
min
表示点集中的最小坐标，[.]表示取整。
[0108]
s32：进行第一步高度阈值地物滤波：遍历所有格网，查找该格网内高程的最低值z′
min
，计算格网内点云高程的平均值z
′
mean
，计算出高程波动参数δz′
。遍历格网内点云，剔除高程值大于z
′
min
δz′
的激光点。
[0109]
进行第二步高度阈值地物滤波：遍历所有格网，查找该格网周围8个邻域格网内所有激光点的高程的最低值z
′
min
，计算出此时的高程波动参数ωz′
。遍历格网内点云，剔除高程值大于z
′
min
ωz′
的激光，计算各点位高程值的标准差，并与上次执行结果进行比较。当标准差变化低于临界值时(本研究经验设定临界值为0.2)，停止滤波。
[0110]
该算法的设计有三个考虑因素：(1)道路点云具有平整性，其高程在一定范围内波动很小；此外，道路点沿横截面连续，除了中间障碍物和路边障碍物外，它们的高程没有明显的增减。(2)在s20将道路线形转化为直线，消除了曲线段在网格生成过程中的不利影响。对于点云中的任一点(x
′i，y
′i，z
′i)，自适应高度阈值法中的参数和的计算方法如下：
[0111][0112][0113]
在一个实施例中，s40，所述基于虚拟格网的插值算法对点云空洞进行填补包括以下步骤：
[0114]
s41，提取道路边界点云。
[0115]
空洞的查找和填补主要针对道路边界内区域，道路外的空洞不在后续空洞填补和横断面计算范围内。因此，需要进行道路边界的提取。将重构场景中的路面分割为条形单元，分割的尺寸为∈。对于每一个条形单元，分别搜索得到其最左侧点与最右侧点。考虑到在本阶段各条形单元内的计算是相互独立且相似的，可以使用并行计算提高实际的运行效率。
[0116]
s42，采用稳健的局部加权线性回归算法(rlwlr)对道路边界进行平滑处理，获取完整的道路边界点云。
[0117]
经步骤s41处理后，道路的左右边界基本被提取出来。但由于路面上存在部分未完全填充的空洞，提取的道路边界点云中存在偏差点。因此，有必要采用平滑算法获取与路面边界较为贴合的边界曲线点。
[0118]
本实施例步骤s42中，稳健的局部加权线性回归算法的处理过程包括以下步骤：
[0119]
s421，定义滤波器的窗口宽度，即表示用于计算平滑值的数据点数占全体数据点总数的比例。
[0120]
s422，遍历所有点，找到给定点窗宽内的所有点，并计算该点所有邻近点的权重值，计算方法如下：
[0121][0122]
式中：x表示待平滑点，xi表示x跨度内的临近点，dis为从x到窗宽内最远处预测值的水平距离。
[0123]
s423，获取x的临时平滑值x
t
，利用上式计算得到的权重wi对x进行加权线性回归计算，令x
t
为临时的平滑后点集。
[0124]
s424，计算点集x
t
与x内点的逐点差异(即残差)r{r1，r2，r3...rk...rn|1≤k＜n，k，n∈n

}，基于这种差异，再次计算窗宽内所有临近点的权重值，计算方法如下：
[0125][0126]
式中：ri为第i个点的残差，δ为残差的中位绝对偏差。
[0127]
当剩余大于6δ，稳健性权重是0，相关的异常值在计算过程中将被剔除。
[0128]
s424，平滑的数据使用wi和
[0129]
为了保证平滑效果，步骤s422和步骤s423需重复多次。根据经验，采用窗宽为20。
[0130]
s43，查找道路范围内的空洞区域，并均匀生成待插值点的平面二维坐标。
[0131]
遍历所有虚拟格网，若某格网满足在道路边界内且内部无点，则将该区域视为空洞区域。确定空洞区域后，在该虚拟格网内均匀生成二维点，即为待插值点的平面二维坐标。
[0132]
s44，计算待插值点的竖向坐标，查找待插值点所在格网周围8个非空格网内的点，以该点集内的点为基准点，采用delaunay三角空间插值，确定待插值点竖向坐标，当所有空洞区域内的插值点竖向坐标均被计算出来后，空洞填补完成。
[0133]
图5本发明delaunay三角空间插值的结构示意图。图6本发明路面空洞填补效果示意图。其中，图6(a)是空洞填补前路面示意图；图6(b)是空洞填补后路面示意图。本发明采用线性插值方法来完成空洞填补工作。空洞区域的大小与道路上车辆的尺寸和激光束的角度有关，根据不同的激光点云数据集的经验评价，空洞的大小通常近似为长2～5m、宽7～15m的矩形区域。因此，基准点的范围应大于该矩形区域，才能保证空洞中心点也能找到基准点。如图6所示，令[x
′j，y
′j]为第j个查询点的网格坐标。令[x
′
j1
，y
′
j1
，z
′
j1
]，[x
′
j2
，y
′
j2
，z
′
j2
]为[x
′
j3
，y
′
j3
，z
′
j3
]是三个基准点，使用delaunay三角空间插值算法对待插值点进行线性插值拟合，得到待插值点的高程值。计算过程如下：
[0134][0135]
式中：z
′j为待插值点的高程值。
[0136]
在一个实施例中，s50，所述横断面提取及横坡值计算包括以下步骤：
[0137]
s51，按给定间隔提取横断面，沿道路前进方向，在重构空间内与y轴方向一致，按给定间隔提取一定厚度的剖面，即为横断面；
[0138]
本发明在步骤s20点云预处理中，通过点云重构的方式，将复杂的公路线形转换为直线。此时，道路前进方向与x
′
轴方向相同，获取垂直于道路前进方向上的剖面比已知的方法更为简单。理论上所有横坐标为x
′i的点形成的平面即为该处的横断面。但考虑到点云中点的分布不是连续的，故可以通过取一定宽度的区域[x
′
i-d，x
′i d]进行横断面的提取。考
虑到在进行现场横断面测量时，一般按10-30m的间隔测量。故本文按10m的间隔提取横断面，横断面提取的宽度为0.4m。由于横断面提取的宽度值会影响进行横坡计算的数据区间范围，故该值的选取可能会影响横坡计算的精度。为确定该值的最优值，本发明已在多个实测路段上进行过敏感性分析。
[0139]
s52，进行横坡值和超高值计算，对于每个提取的横断面，用随机抽样一致性算法对横断面点集的高程和横向数值进行拟合，模型的斜率即为横坡值(在曲线段为超高值)。
[0140]
根据横坡度的定义，对每个横断面点集内激光点的高程和横向数值进行线性回归即可得到横坡值。由于路面提取的时候不可能将所有的地物点云完全分割出去，因此提取的横断面中仍然存在少量的噪音点。最小二乘法(least squares，ls)是一种简单的拟合算法，其原理是基于均方误差最小化来进行模型求解。在线性回归中，最小二乘法就是试图找到一条直线，使所有样本点到该直线的欧氏距离之和最小。但这种算法会尽可能的去适应所有点，导致其在有大量噪音点存在的情况下拟合精度不高。
[0141]
本发明采用随机抽样一致性算法(random sample consensus，ransac)的方法计算每个横断面对应的横坡值。随机抽样一致性算法通过使用迭代方法从一组包含离群点的数据中求解出模型。该算法的思路如下：1)随机选取ss个点为样本点，对模型进行拟合；2)找到距离拟合直线容差范围md内的点，并统计点的个数；3)再随机选取md个点，重复2)、3)步，直到结束迭代；4)找到某次拟合后数据点最多的情况，即为求解的模型。
[0142]
在这个阶段，用户需要手动指定最小样本大小ss和容差范围md。由于本例中的模型是一条直线，所以将ss设置为2就足够了。基于两个不同激光点云数据集的经验评价，将与拟合模型距离超过0.2m的任意点视为离群点(md＝0.2m，距离度量为欧式距离的平方，最大迭代次数为1000次)。图7给出了用ransac拟合直线的4个例子。从图7中可以看出，拟合的直线与点集的拟合非常接近，且ransac方法相较于ls方法对点的拟合效果更优。
[0143]
s53，横坡值安全性评价，参照目前的城市道路设计规范，将规范值与计算值对比，将不合规范的横坡值所在站点进行标记。
[0144]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。