一种具有定位功能的道路智能巡检方法与流程

1.本发明涉及测量测试技术领域，具体涉及一种具有定位功能的道路智能巡检方法。


背景技术：

2.道路智能巡检是检测道路当前病害情况的必要手段，且在道路较长较宽的情况下还需要反复作业。当前常见的道路智能巡检均是通过激光雷达点云数据与图形传感器数据相结合来确定路面病害。由于激光雷达在采集数据的过程中是处于运动状态的，因此监测车的速度以及路面不同程度的颠簸就容易产生运动畸变，尤其农村公路本身平整度就欠佳，且普遍存在较多石子、沙砾、较小的坑洼，会使车载激光雷达所采集的点云数据偏离真实路障及病害区域，导致最终检测结果准确率严重下降。现有车载激光雷达点云数据运动补偿算法都是默认在相对平坦的地面上可以近似忽略车体垂直方向的运动，而主要考虑水平方向的运动补偿，但监测车在不同颠簸程度下由于垂直方向产生的运动畸变不同，仅考虑水平方向的运动补偿会导致运动补偿的效果不佳，会影响道路进行病害巡检的准确性。


技术实现要素：

3.为了解决上述技术问题，本发明的目的在于提供一种具有定位功能的道路智能巡检方法，所采用的技术方案具体如下：获取道路图像，并利用车载激光雷达获取采集道路图像时所采集到的三维点云数据；对三维点云数据进行聚类，得到噪声簇；根据路面区域中每个分区域内属于噪声簇的三维点云数据的数量计算发生不同次颠簸的颠簸影响概率；根据所述颠簸影响概率计算监测车经过三维点云数据对应的实际道路图像的时间内发生不同次颠簸的颠簸概率；基于所述颠簸概率，获取与当前帧三维点云数据相似的历史帧三维点云数据，将相似的历史帧三维点云数据输入高斯混合模型，利用高斯混合模型对下一帧道路图像的三维点云数据进行运动补偿；对运动补偿后的三维点云数据进行分类，得到病害簇；根据病害簇内的三维点云数据和对应的实际道路图像结合得到对应的病害参数。
4.优选的，所述发生不同次颠簸的颠簸影响概率的计算公式为：
其中，为噪声簇内的三维点云数据对同时刻发生一次颠簸的颠簸影响概率；为噪声簇内的三维点云数据对同时刻发生二次颠簸的颠簸影响概率；为噪声簇内的三维点云数据对同时刻发生三次颠簸的颠簸影响概率；为噪声簇内的三维点云数据对同时刻发生四次颠簸的颠簸影响概率；为当前帧路面区域中第z个分区域内属于噪声簇的三维点云数据的数量；为当前帧监测车对应的路面区域可容纳三维点云数据的总数量；为当前帧路面区域中第d个分区域内属于噪声簇的三维点云数据的数量；为当前帧路面区域中第f个分区域内属于噪声簇的三维点云数据的数量；为4个分区域中两两组合的数量；为在4个分区域中选取三个分区域组合的数量；、、和分别为4个分区域中属于噪声簇的三维点云数据的数量。
5.优选的，所述颠簸概率的计算公式为：其中，为监测车完全经过单个路面区域时“单一时刻发生k次颠簸”这一事件发生x次的颠簸概率；为监测车完全经过单个路面区域时“单一时刻发生k次颠簸”这一事件发生x次的颠簸影响概率；为关于（n，x）的二项分布公式；k为每秒发生任意次颠簸的次数；x为在n秒中发生x次某类事件的次数；n为监测车经过三维点云数据对应的实际道路图像的时间。
6.优选的，所述对三维点云数据进行聚类，得到噪声簇，包括：基于密度将三维点云数据进行聚类，得到多个聚簇；计算每个聚簇的高度均值，将高度均值大于路面标定高度的聚簇分至噪声簇；所述三维点云数据中包括高度。
7.优选的，所述基于所述颠簸概率，获取与当前帧三维点云数据相似的历史帧三维点云数据，包括：计算当前帧和历史帧对应的颠簸概率的相似度；将相似度大于预设相似度阈值的历史帧作为与当前帧相似的历史帧，得到对应的与当前帧三维点云数据相似的历史帧三维点云数据。
8.优选的，所述对运动补偿后的三维点云数据进行分类，得到病害簇，包括：
对于运动补偿后的三维点云数据，基于密度将三维点云数据进行聚类，得到多个聚簇；计算每个聚簇的高度均值，将高度均值小于路面标定高度的聚簇分至病害簇。
9.优选的，所述相似度的计算公式为：其中，为当前帧三维点云数据和历史帧三维点云数据的相似度；为历史帧的数量；为当前帧对应的监测车完全经过单个路面区域时“单一时刻发生k次颠簸”这一事件发生x次的颠簸概率；为监测车完全经过单个路面区域时“单一时刻发生k次颠簸”这一事件发生x次的颠簸概率。
10.优选的，所述根据病害簇内的三维点云数据和对应的实际道路图像结合得到对应的病害参数，包括：所述病害参数包括病害的面积大小和凹陷体积；将病害簇内的三维点云数据投影到对应的实际道路图像上，实际道路图像上对应病害簇内三维点云数据对应的像素点数量为病害的面积大小；所述病害的面积大小乘上病害簇内三维点云数据对应的像素点的最小高度的绝对值，得到凹陷体积。
11.本发明实施例至少具有如下有益效果：本发明对车载激光雷达采集到的三维点云数据进行聚类，得到噪声簇；根据路面区域中每个分区域内属于噪声簇的三维点云数据的数量计算发生不同次颠簸的颠簸影响概率；根据所述颠簸影响概率计算监测车经过三维点云数据对应的实际道路图像的时间内发生不同次颠簸的颠簸概率；通过分析监测车在巡检过程中的颠簸程度，该颠簸概率反映的是垂直方向上的异常，后续根据计算出来的颠簸概率对其进行垂直方向上的运动补偿。其结合颠簸概率，获取与当前帧三维点云数据相似的历史帧三维点云数据，将相似的历史帧三维点云数据输入高斯混合模型，利用高斯混合模型对下一帧道路图像的三维点云数据进行运动补偿，实现了在颠簸道路下对垂直方向上的补偿，避免道路颠簸不平对病害区域检测的准确性产生影响；对运动补偿后的三维点云数据进行分类，得到病害簇；根据病害簇内的三维点云数据和对应的实际道路图像结合得到对应的病害参数，最后根据运动补偿后的三维点云数据得到病害簇和病害参数，实现了对道路的病害巡检。本发明考虑了垂直方向的颠簸程度，对于路面环境以及平整度较差道路的三维点云数据的运动补偿具有较好的补偿效果，进而使路面病害的检测结果更为准确。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
13.图1为本发明一个实施例所提供的一种具有定位功能的道路智能巡检方法的方法流程图。
具体实施方式
14.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种具有定位功能的道路智能巡检方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
15.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
16.本发明实施例提供了一种具有定位功能的道路智能巡检方法的具体实施方法，该方法适用于道路智能巡检场景。该场景下通过监测车进行道路智能巡检，该监测车上安装有相机和车载激光雷达，相机固定于监测车下方，其采集到的道路图像主要用于定位。该场景下均是通过激光雷达点云数据与图形传感器数据相结合来确定路面病害。但由于激光雷达在采集数据的过程中是处于运动状态的，因此监测车的速度以及路面不同程度的颠簸就容易产生运动畸变，尤其农村公路本身平整度就欠佳，且普遍存在较多石子、沙砾、较小的坑洼，故为了解决现有车载激光雷达点云数据运动补偿算法都是默认在相对平坦的地面上可以近似忽略车体垂直方向的运动，而主要考虑水平方向的运动补偿的问题。本发明通过分析监测车在巡检过程中的颠簸程度，对其进行垂直方向上的运动补偿，对于路面环境以及平整度较差的道路的点云数据的运动补偿具有较好的补偿效果，由于考虑了垂直方向上的影响进而会使路面病害的检测结果更为准确。
17.下面结合附图具体的说明本发明所提供的一种具有定位功能的道路智能巡检方法的具体方案。
18.请参阅图1，其示出了本发明一个实施例提供的一种具有定位功能的道路智能巡检方法的方法流程图，该方法包括以下步骤：步骤s100，获取道路图像，并利用车载激光雷达获取采集道路图像时所采集到的三维点云数据。
19.利用监测车上的相机获取道路图像，该道路图像用于定位。并利用车载激光雷达，获取采集道路图像时所采集到的监测车前方的三维点云数据。激光雷达即激光探测与测距，由激光发射机、天线、接收机、跟踪架及信息处理等部分组成，通过红外光束发射、反射和接收来探测物体，当激光光束遇到物体后经过漫反射，返回至激光接收器，雷达模块根据发送和接收信号的时间间隔乘以光速，再除以2，即可计算出发射器与物体的距离。道路巡检机器人，可以利用其搭载的阵列探地雷达以及相机模块，对路面进行病害检测，获取不同gps坐标位置下路面的三维点云数据，三维点云数据包括坐标点、路面距离、颜色信息和高度等。其中，路面距离即为发射器与物体之间的距离。
20.步骤s200，对三维点云数据进行聚类，得到噪声簇；根据路面区域中每个分区域内属于噪声簇的三维点云数据的数量计算发生不同次颠簸的颠簸影响概率；根据所述颠簸影响概率计算监测车经过三维点云数据对应的实际道路图像的时间内发生不同次颠簸的颠簸概率。
21.当激光波束遇到障碍物或者目标物体时，激光雷达会接收到该障碍物或者目标物体反射回来的信息，由于公路，尤其农村公路的平整度欠佳，存在石子、沙砾、泥巴、较小的
坑洼等，监测车运动状态下进行数据采集会受到频繁的颠簸影响，激光雷达所成的点云数据阵列会发生偏移，产生运动畸变，进而导致后续病害区域点云数据的拟合结果失真。
22.现有的基于车载激光雷达的三维点云数据的运动补偿算法都是默认在相对平坦的地面上可以近似忽略车体垂直方向的运动，主要考虑水平方向的运动补偿。但在不同场景下，如监测车在农村公路上行驶发生垂直颠簸的频率是很高的，且监测车主要是针对路面裂缝、坑洼等凹陷病害进行检测，因此不能直接忽略车体垂直方向运动带来的点云数据偏移。
23.激光雷达发射器在监测车头部位置，其采集到的三维点云数据和相机同时采集到的道路图像并不同步，而相机采集到的道路图像主要用于定位，因为激光雷达采集到的是监测车所处位置前一段路面的三维点云数据，而道路图像为监测车所处位置的图像，故需要将三维点云数据和其对应的道路图像进行匹配。因此其车体位置与激光雷达所采集的三维点云数据的坐标位置并不同步，若车体当下所在的位置存在较多石子、坑洼等，由于智能监测车车体较轻，动态行驶中的监测车则会发生颠簸，当前帧所采集的点云数据则会发生偏移。
24.进一步的，获取当前采集到的三维点云数据对应的实际道路图像。监测车在采集下一帧道路图像对应的三维点云数据时，会行驶在前一帧已采集过的路面上，也即当前采集到的三维点云数据对应的是下一帧采集的路面的数据。假设监测车在某一帧所采集其前方路面的点云数据，当监测车向前完全行驶至之前所采集点云数据的区域，并即将采集下一帧的点云数据时，监测车所停留静态位置的路况信息，即可从最开始采集的路面点云数据中获取。故根据三维点云数据和道路图像之间获取时间的差异进行对应，根据监测车的长度和其行驶的速度，计算出三维点云数据和实际对应的实际道路图像之间所相差的时间。
25.其中，代表第i帧三维点云数据对应的时间；代表监测车车长；v代表监测车行车速度；则代表监测车行驶l路长所用的时间；代表第i帧三维点云数据的时间减去监测车行驶l路长所用的时间；为第i-1帧三维点云数据对应的时间。
26.其中，第i帧点云数据的时间减去监测车行驶l路长所用的时间，作为第i帧点云数据补偿下一帧的时间点。因此在预测下一帧三维点云数据运动补偿的时候，所参照的为距离下一帧之前帧的三维点云数据。其中，监测车车长和行车速度是由实施者根据实际情况设定好的。车长越长，这两帧之间相差的时间越长，则对应的第i-1帧三维点云数据和第i帧三维点云数据之间时间相差越大；反之，车长越短，这两帧之间相差的时间越短，则对应的第i-1帧三维点云数据和第i帧三维点云数据之间时间相差越小；速度越大，这两帧之间相差的时间越短，则对应的第i-1帧三维点云数据和第i帧三维点云数据之间时间相差越小；反之，速度越小，这两帧之间相差的时间越长，则对应的第i-1帧三维点云数据和第i帧三维点云数据之间时间相差越大；第i帧三维点云数据对应的时间也即第i帧道路图像所对应的时间。
27.将第i-1帧三维点云数据和第i帧相机采集到的道路图像进行匹配，即可得到当前帧道路图像对应的实际三维点云数据，也即得到当前采集到的三维点云数据对应的实际道路图像，实际道路图像比其对应的三维点云数据晚一帧捕获。其也可以说每行驶至之前道路图像未采集到的路面，进行一帧采集，将第i-1帧三维点云数据和第i帧相机采集到的道路图像进行匹配。其中，道路图像和获取三维点云数据时的范围相同。监测车当前位置下的路况数据，也即三维点云数据可从之前所采集的三维点云数据中获得，根据监测车长度与行驶速度得到三维点云数据对应的当前帧。
28.进一步的，计算三维点云数据对应的颠簸概率，具体的：步骤一，对三维点云数据进行聚类，得到噪声簇。
29.基于密度将三维点云数据进行聚类，得到多个聚簇；计算每个聚簇的高度均值，将高度均值大于路面标定高度的聚簇分至噪声簇，将高度均值小于路面标定高度的聚簇分至病害簇，对高度均值等于路面标定高度的聚簇不再进行后续计算；所述三维点云数据中包括高度。其中，噪声簇内的数据为石子、砖块等高于路面标定高度的点云数据聚簇；病害簇内的数据为裂缝、凹陷等低于路面标定高度的点云数据聚簇。
30.步骤二，根据路面区域中每个分区域内属于噪声簇的三维点云数据的数量计算发生不同次颠簸的颠簸影响概率。
31.由于监测车所处位置下，其路况不同的噪声点云数据分布，对车体的颠簸影响不同，因此现有的利用所有历史帧数据对下一帧进行预测的方式存在较大误差，本发明通过对历史帧数据进行切片的方式实现对预测帧点云数据运动补偿的精确拟合。需要说明的是：即使病害区域也可能对监测车产生颠簸，但在本发明中仅考虑噪声数据对监测车的颠簸影响，并进而从历史数据中进行切片选取。
32.进一步的，计算噪声簇中三维点云数据所形成的不同次的颠簸影响概率：由于监测车发生颠簸是由于轮胎垫到路面的石子、砖块等异物产生的，在本发明所采集三维点云数据中将此类异物统一称为噪声簇内的三维点云数据。将监测车所对应的最小外接矩形作为监测车的所处道路段，称为监测车对应的路面区域，将路面区域划分为四个区域分别为左上角区域、左下角区域、右上角区域和右下角区域，将这四个区域统称为分区域，每个分区域内的噪声点云数据仅对该区域的轮胎产生颠簸影响。
33.监测车四个轮胎，同一时刻一个轮胎最多受到一次颠簸，因此可能发生一个、两个、三个、四个轮胎在同一时刻同时受到颠簸，发生1、2、3、4次颠簸，计算四种情况发生的概率。即根据路面区域中每个分区域内属于噪声簇的三维点云数据的数量计算发生不同次颠簸的颠簸影响概率。
34.该发生不同次颠簸的颠簸影响概率的计算公式为：
其中，为噪声簇内的三维点云数据对同时刻发生一次颠簸的颠簸影响概率；为噪声簇内的三维点云数据对同时刻发生二次颠簸的颠簸影响概率；为噪声簇内的三维点云数据对同时刻发生三次颠簸的颠簸影响概率；为噪声簇内的三维点云数据对同时刻发生四次颠簸的颠簸影响概率；为当前帧路面区域中第z个分区域内属于噪声簇的三维点云数据的数量；为当前帧监测车对应的路面区域可容纳三维点云数据的总数量；为当前帧路面区域中第d个分区域内属于噪声簇的三维点云数据的数量；为当前帧路面区域中第f个分区域内属于噪声簇的三维点云数据的数量；为4个分区域中两两组合的数量；为在4个分区域中选取三个分区域组合的数量；、、和分别为4个分区域中属于噪声簇的三维点云数据的数量。
35.其中，z、d和f互不相同。其中，噪声簇内的三维点云数据对同时刻发生一次颠簸的颠簸影响概率，即4个轮胎中任意一个轮胎受到石子等异物的影响而产生一次颠簸；代表路面区域可容纳三维点云数据的总数量的；代表已划分的4个分区域中任意一个分区域的噪声点云数据量占该已划分矩形区域可容纳点云数据总量的占比；代表已划分的4个矩形区域各自的噪声点云数据占比加和求均；其中，z代表已划分的4个分区域中任意一个区域，d代表在前者的基础上剩余三个分区域中任意一个区域，f代表在前两者的基础上剩余两个分区域中任意一个区域，则代表任意两个分区域中属于噪声簇的三维点云数据的占比的乘积。代表4个分区域中两两组合的数量，则代表所有任意两个已划分区域中属于噪声簇的三维点云数据的占比的乘积之和求均；同样为所有任意三个分区域中属于
噪声簇的三维点云数据的占比的乘积之和求均；代表噪声簇内的三维点云数据对同时刻发生四次颠簸的颠簸影响概率，即4个分区域内各自的属于噪声簇的三维点云数据的占比直接相乘，。
36.即得到了发生不同次颠簸的颠簸影响概率。
37.步骤三，根据所述颠簸影响概率计算监测车经过三维点云数据对应的实际道路图像的时间内发生不同次颠簸的颠簸概率。
38.设定监测车在全部经过其下方外接矩形道路的时间为n秒，每秒由于路面噪声发生k次颠簸，那么在n秒中，每一秒发生颠簸的次数最小为0，最大为4次颠簸，那么利用极限公式表示在该路段中“单一时刻发生k次颠簸”这一事件的概率值。计算监测车经过其下方外接矩形段道路的时间内，“单一时刻发生k次颠簸”这一事件发生任意次的颠簸概率，作为路况干扰情况的表征值。也即根据颠簸影响概率计算监测车经过三维点云数据对应的实际道路图像的时间内发生不同次颠簸的颠簸概率，并将该颠簸概率作为路况干扰情况。
39.该颠簸概率的计算公式为：其中，为监测车完全经过单个路面区域时“单一时刻发生k次颠簸”这一事件发生x次的颠簸概率；为监测车完全经过单个路面区域时“单一时刻发生k次颠簸”这一事件发生x次的颠簸影响概率；为关于（n，x）的二项分布公式；k为每秒发生任意次颠簸的次数；x为在n秒中发生x次某类事件的次数；n为监测车经过三维点云数据对应的实际道路图像的时间。
40.其中，n也即为监测车经过其下方外接矩形段道路的时间，也即监测车经过路面区域的时间。每秒发生任意次颠簸的次数k=（1,2,3,4）。代表单一时刻不发生k次颠簸事件的概率。为关于（n，x）的二项分布公式，即n秒中每一秒发生k次颠簸这个事件是独立存在的，其只有两种可能，要么这一秒发生k次颠簸，要么不发生k次颠簸，而每秒发生k次颠簸这一事件在n秒中发生了x次的概率为，代表监测车完全经过该段道路时“单一时刻发生k次颠簸”这一事件发生x次的概率，其可以表示单一时刻任意次数的颠簸这一事件发生任意次的概率。因此也可以代表该路段的路况干扰情况。需要说明的是，单一时刻也即指一秒，单一时刻发生k次颠簸也即每秒由于路面噪声发生k次颠簸。
41.步骤s300，基于所述颠簸概率，获取与当前帧三维点云数据相似的历史帧三维点云数据，将相似的历史帧三维点云数据输入高斯混合模型，利用高斯混合模型对下一帧道路图像的三维点云数据进行运动补偿。
42.利用当前帧的颠簸概率对历史帧三维点云数据进行相似度匹配，筛选历史帧切片并输入高斯混合模型进行运动补偿。计算当前帧与历史帧路况数据的相似度，以筛出相似度较高的历史帧数据作为历史帧时序切片。也即利用当前帧的颠簸概率对历史帧点云数据进行相似度匹配，获取相似度较高的历史帧时序切片。
43.相似度的计算公式： 其中，为当前帧三维点云数据和历史帧三维点云数据的相似度；为历史帧的数量；为当前帧对应的监测车完全经过单个路面区域时“单一时刻发生k次颠簸”这一事件发生x次的颠簸概率；为监测车完全经过单个路面区域时“单一时刻发生k次颠簸”这一事件发生x次的颠簸概率。
44.其中，v代表当前帧，c代表历史帧数据中任意一帧；代表当前帧和历史帧两者的颠簸概率的比值，代表将比值加和求均，若当前帧与历史第c帧数据的路况数据越相似，则结果越接近1。
45.计算当前帧和历史帧对应的颠簸概率的相似度后；将相似度大于预设相似度阈值的历史帧作为与当前帧相似的历史帧，得到对应的与当前帧三维点云数据相似的历史帧三维点云数据。在本发明实施例中预设相似度阈值的取值为0.9，在其他实施例中实施者可根据实际情况调整该取值。通过预设相似度阈值得到历史帧数据中所有与当前帧路况数据相似的历史帧的三维点云数据，作为预测下一帧的历史数据切片。
46.然后将该段历史帧的三维点云数据，作为预测下一帧运动补偿的高斯混合函数所用的历史数据时序切片，将切片帧内的点云数据输入高斯混合模型。更新混合模型的三个参数：混合系数、均值向量、协方差矩阵，计算帧内每个点云的混合成分的后验概率，依次更新模型参数；然后插入高斯排序函数对点云的混合系数进行排序，依次对特征点进行分类，若特征点所属高斯模型为背景，则将特征点分类为背景，反之则将特征点分类为非背景特征点；最后根据背景特征点与标定路面的高度差即可获取当前帧在采集点云数据时的垂直方向运动畸变量，进而预测出下一帧点云数据的状态实现运动补偿。需要说明的是，利用高斯混合模型进行激光雷达运动补偿为本领域技术人员的公知技术，在此不再过多赘述，具体的详见文献庞正雅、周志峰、王立瑞和叶珏磊，“基于激光雷达的运动补偿方法”，激光与光电子学进展，2020年1月第57卷第2期021106-4中所公开的，基于高斯混合模型改进的运动补偿算法。
47.步骤s400，对运动补偿后的三维点云数据进行分类，得到病害簇；根据病害簇内的三维点云数据和对应的实际道路图像结合得到对应的病害参数。
48.对运动补偿后的三维点云数据进行分类，其分类方法与步骤s200中聚类的方法相似，具体的：对于运动补偿后的三维点云数据，基于密度将三维点云数据进行聚类，得到多个聚簇；计算每个聚簇的高度均值，将高度均值小于路面标定高度的聚簇分至病害簇。得到病害簇内三维点云数据的坐标信息，然后利用gps定位作为引导，将其定位到与三维点云数据对应的路面位置处，得到病害簇对应的实际道路图像，也即用车载相机拍摄gps坐标位置的病害簇对应的道路图像，将三维点云数据与对应的实际道路图像数据进行匹配结合，将监测车激光雷达所获取的病害簇投射到对应的实际道路图像上，也即在原本二维的实际道
路图像的基础上增加了第三维的深度信息，故三维点云数据与对应的实际道路图像相结合就可以仿真出完整的病害3d图像，得到对应的病害参数。需要说明的是，点云数据和图像结合是本领域技术人员的公知技术，在此不再赘述。该病害参数包括病害的面积大小和凹陷体积等参数信息，以便于后续得到更准确的修补方案，完成道路巡检作业。得到对应的病害参数，如获取病害的面积大小的方法为：获取实际道路图像上对应的病害簇内三维点云数据对应的像素点数量，该像素点数量作为病害的面积大小；获取病害的凹陷体积的方法为：将病害的面积大小乘上病害簇内三维点云数据对应的像素点的最小高度的绝对值，得到病害的凹陷体积。需要说明的，直接乘上最小高度的绝对值的目的是为了对其进行后续修补时有备无患，以最小高度确定凹陷体积，避免修补时补料携带的较少的问题出现；乘上最小高度的绝对值是因为，以路面标定高度作为基准，路面标定高度对应的值为0，高于路面标定高度的高度值为正数，低于路面标定高度的高度值为负数，故在有凹陷的情况下最小高度为负值，而这里要计算的是病害的凹陷体积，所以使病害的面积大小乘上最小高度的绝对值，乘上的是最小高度的绝对值，则得到的凹陷体积为正数。
49.综上所述，本发明实施例涉及测量测试技术领域。该方法首先获取道路图像，并利用车载激光雷达获取道路图像和三维点云数据；对三维点云数据进行聚类，得到噪声簇；根据路面区域中每个分区域内属于噪声簇的三维点云数据的数量计算发生不同次颠簸的颠簸影响概率；根据所述颠簸影响概率计算监测车经过三维点云数据对应的实际道路图像的时间内发生不同次颠簸的颠簸概率；基于所述颠簸概率，获取与当前帧三维点云数据相似的历史帧三维点云数据，将相似的历史帧三维点云数据输入高斯混合模型，利用高斯混合模型对下一帧道路图像的三维点云数据进行运动补偿；对运动补偿后的三维点云数据进行分类，得到病害簇；根据病害簇内的三维点云数据和对应的实际道路图像结合得到对应的病害参数。本发明对于路面环境以及平整度较差的道路的点云数据运动补偿具有较好的补偿效果，进而使路面病害的检测结果更为准确。
50.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
51.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。