利用车载激光扫描的城市道路健康监测

赵婧文

摘  要：公路在我国的交通运输中起着极大的作用，是国民经济的重要基础设施，道路的健康状况对于交通运输拍安全性及城市整体规划都有着至关重要的影响。车载激光扫描具有野外作业量小、自动化、高密度、高精度、数据可重复使用等优点，可以用于道路的数据采集，进一步实现道路健康监测。该文以上海市某高速公路为例，证明了车载扫描过程中拍摄的全景照片能够高效、快速、直观地识别路面和道路部件的损坏，发现影响市容市貌的问题，为决策层及时采取措施提供数据。

关键词：道路健康监测  车载激光扫描  大数据  全景照片

中图分类号：P234                             文献标识码：A文章编号：1672-3791（2020）12（c）-0059-03

City Road Health Monitoring by Vehicle-Borne LiDAR

ZHAO Jingwen

（Shanghai Surveying and Mapping Institute， Shanghai， 200092  China）

Abstract：As an important infrastructure of the national economy， highway plays a significant role in the transportation of our country. The health status of the highway has a crucial impact on the safety of transportation and the overall planning of the city. Vehicle-borne laser scanning has the advantages of small field operation， automation， high density， high precision， and reusable data， which can be used for highway data acquisition and further realize road health monitoring. Taking an expressway in Shanghai as an example， this paper proves that the panoramic photos taken during scanning can effectively， quickly and intuitively identify the damage of road surface and road components， find the problems of city appearance and provide data for decision-makers to take timely measures.

Key Words：Road health monitoring; Vehicle-borne LiDAR; Big data; Panoramic photos

道路是城市环境中最具活力的区域，也是城市的血管。疏通城市的“毛细血管”，有利于提升路网功能，为市民出行提供安全、畅通、高效、舒适的通行环境，促进区域经济发展[1]。由于自然和（或）人为压力的不断增加，如泥沙、地下水或天然气开采、结构老化、重载卡车超载、地下建筑、湿气腐蚀或设计缺陷，路面和民用基础设施正在逐渐恶化，可能会造成灾难性的结构破坏，导致巨大的人身和经济损失。城市道路的健康监测包括建立城市道路清单、动态掌握道路及沿线设施的现状、分析和预测可能发生的风险、及时发现和修补损坏、美化绿化景观等诸多方面。城市道路及其沿线设施的养护是一项任务繁杂、系统性强的工作。公路养护原则上应以预防为主，防治结合，采取正确的技术措施治理病害和消除隐患，提高养护质量，确保公路在设计年限内的正常使用或延长公路的使用年限。然而，现有的监测路面健康状况的主要方式是利用专业仪器，造价高且需要相关专业人员花费大量的时间和精力完成测量，信息获取效率和更新频率亟待提升，面对道路养护大数据，目前的技术和管理模式还没有有效地收集和挖掘其价值，一些潜在风险还不能及时被发现[2]。

三维激光扫描技术又被称为实景复制技术，是测绘领域继GPS技术之后的一次技术革命[3]。它突破了传统的单点测量方法，具有高精度、高分辨率、高自动化且高效率的独特优势。激光探测及测距系统（LiDAR，Light Detection and Ranging）是一種主动遥感设备，集激光扫描仪、全球定位系统和惯性导航系统技术于一身，同时配备高分辨率数码相机，可实现对目标的同步测量，生成高密度激光点云数据，已成为世界各国进行大面积地表数据采集的主流与趋势。将LiDAR搭载在机动车上，可以快速、高密度、低成本、高精度、高自动化地完成道路及其沿线的设施的三维信息采集，丰富了数据表现力，进而弥补现有健康监测方式的不足[4]。

该文立足智慧城市建设，用车载扫描技术，探讨大数据背景下城市道路的健康监测方法和模式。

1  道路健康监测

道路健康监测可分为路面监测和道路上部件监测两部分[5]。道路上部件包括杆状物体（路灯、电杆、探头、交通标志、护栏、消防栓等）、箱子（垃圾箱、电源箱、电信箱、控制箱等）等。健康检测的内容包括：路面和路缘石是否有破损，下沉、坑洼、裂缝、道路部件（如隔离护栏、电杆、路灯、探头等附属设施）是否变形损坏，交通标线标志是否模糊、绿化边界及位置是否改变等。

車载激光扫描获取的两个主要数据是三维点云和全景照片。将定位系统获取的系统位置、惯性导航系统获取的姿态信息和激光传感器获取的扫描距离与角度信息进行时间匹配，解算得到大地坐标下的三维激光点云。高清全景相机内部多个镜头经过标定，能够获取在全景相机坐标系下三维点的精确位置。通过同名特征点匹配，相机坐标系可以与绝对空间坐标系建立转换关系，实现点云和全景影像的精确配准。

一些研究利用点云进行道路健康监测，例如：Mohammad等人基于几何表面特征客观地识别不同时期路面的损伤、缺陷、裂纹和其他异常[6];Yu等人先提取路面点云，然后根据强度或最小高度等特征将其投影到二维GRF图像中，进而识别道路裂缝[7];还有一些研究采用了先进的数据挖掘、基于人工智能和神经网络的方法检测问题[8-9]。然而，这些方法计算量大且耗时，而且人工提取训练样本是一项枯燥而繁重的工作，参数的选择极大地依赖于数据质量和裂纹变化。

由于点云数据量大、处理难度大、冗余度大，因此该文利用全景照片来识别影响城市外观的环境问题，发现路面和道路部件的损坏。车载激光扫描可在特定道路上定期进行，借助全景照片，采用360°街景的展现方式，及时发现生活垃圾和建筑垃圾的堆积，辅助违法、废弃建筑的认定和拆除，辨认沿街残破老旧的建筑物以便修复，及时发现道路沿线褪色及损毁的墙体、违法户外广告及门牌等，以便组织整改。此外，全景照片还可以检测出路面或路缘石的破损、下沉、坑洼、隔离护栏、电线杆等辅助设施的变形和损坏、模糊的交通标志和标志。

2  实验结果与讨论

该文使用华测导航（CHCNAV）的AS-900HL移动扫描系统。AS-900HL采用RIEGL VUX-1无人机激光扫描仪，重量仅为3.75 kg，可围绕车行方向旋转，扫描街道环境。激光扫描仪的视场为330 FOV，扫描频率为10～200 Hz，精度优于10 mm。所拍摄的HDR全景照片的分辨率为6 000×4 000，达到2 430万像素。

实验区是上海郊区的一条高速公路，其全长约13 km。车载激光雷达系统以10 m的拍摄间隔拍摄了约2 600张全景照片。这条公路年久失修，当地建设管理部门希望对这条公路展开全面整治，以街道净化、两侧绿化、立面美化和环境优化为目标，推动城市面貌再上新台阶。

通过软件对车载扫描获取的2 600张全景照片排查，可以对公路健康状况有直观、清晰的认识，可以有效识别一些影响城市环境的问题，例如：要拆除的废弃建筑（图1（a））、堆积的垃圾（图1（b））、道路沿线的非法户外广告和绘画（图1（c））;及时发现并定位一些对道路安全运行有潜在威胁的问题，例如模糊的交通标志（图1（d））、路面坑洼（图1（e））、路缘石损坏（图1（f））、隔离护栏损坏（图1（g））、电杆倾倒（图1（h））等。

通过配准后全景照片的位置信息，这些健康监测的问题可以被准确定位。智能交通系统（ITS）和车辆社会网络（VSN）可以利用移动、空间和被动传感众包技术随时随地收集数据，用于基础设施健康监测、导航路径规划和拥堵管理等，合作经营的模式将大大降低管理成本。

3  结语

该文利用车载激光扫描系统，以提高安全性、效率、灵活性和数据可重复使用性为目的，实现了道路清查和健康监测。通过高速公路改造实例证明，高清全景图可用于道路清查和健康监测，此方法能快速、直观地识别影响城市外观的环境问题，及时发现路面和道路部件的损毁，为有关部分提供及时可靠的决策依据，提高了工作效率，节省了人力、物力，对于提高道路健康监测的效率及自动化水平具有十分重要的作用。

参考文献

[1] 杨涛.健康城市道路网体系：理念与要领[J].现代城市研究，2013（8）：89–94.

[2] 毛海东.大数据背景下的城市道路养护管理研究[J].市政技术，2019（2）：45-46.

[3] 胡雨佳.车载激光扫描技术研究与应用现状[J].中小企业管理与科技，2014（9）：301-302.

[4] 李明辉，田雪冬，胡维强.基于车载三维激光扫描的道路线提取研究[J].测绘与空间地理信息，2014（4）：118-121.

[5] takashi fuse， nato yokozawa. Development of a Change Detection Method with Low-Performance Point Cloud Data for Updating Three-Dimensional Road Maps[J].ISPRS International Journal of Geo-Information，2017，6（12）：398-419.

[6] mohammad ebrahim mohammadi，richard wood，wittich. Non-Temporal Point Cloud Analysis for Surface Damage in Civil Structures[J].International Journal of Geo-Information，2019，8（12）：527-554.

[7] yu yongtao， li jondthan，gvan haiyan，et al. 3D crack skeleton extraction from mobile LiDAR point clouds[C]//IEEE international Geoscience and Remote Sensing Symposium（igarss 2014）.2014： 914-917.

[8] tonis soar，ott talvik. Automatic asphalt pavement crack detection and classification using neural networks[C]//12th Biennial Baltic，Electronics Conference（bec）.2010：345–348.

[9] Gavilán M.， Balcones D.， Marcos O.， et al. Adaptive road crack detection system by pavement classification[J].Sensors 2011，11（10）：9628-9657.