孫權(quán)，程俊毅，田紹鴻，張顯峰，2*

（1 北京大學(xué)遙感㈦地理信息系統(tǒng)研究所，北京100871； 2 新疆兵團(tuán)空間信息工程技術(shù)研究中心，新疆 石河子832003）

公路作為一種現(xiàn)代化的運(yùn)輸通道在當(dāng)今社會(huì)經(jīng)濟(jì)發(fā)展中發(fā)揮著越來越重要的作⒚，截至2017年底，我國公路里程達(dá)477.35 萬km[1]。然而，公路在實(shí)際的運(yùn)營過程中，溫度、水分、風(fēng)化以及荷載摩擦等因素均會(huì)對(duì)整個(gè)路面結(jié)構(gòu)、道路表面產(chǎn)生不利影響，從而引發(fā)各種道路損害[2-3]，極大地降低了路面的使⒚性能和舒適度，甚至?xí)绊懙焦返恼Ｊ耿?。傳統(tǒng)的基于地面測量的監(jiān)測方法（如監(jiān)測車）雖然相對(duì)成熟，但存在影響公路正常行駛、成本高、耗費(fèi)大量的人力物力、抽樣調(diào)查難以全面反⒊路面健康狀況等問題[2，4]。

遙感具有數(shù)據(jù)獲取范圍大、時(shí)效性強(qiáng)等優(yōu)勢，為解決大范圍公路設(shè)施的管理和健康狀況監(jiān)測提供了有力的技術(shù)途徑，已被⒚于城市大范圍路網(wǎng)提取、路Ⅱ變化快速檢測、車輛目標(biāo)識(shí)別㈦定位等道路目標(biāo)提取方面的研究[2，5-7]。目前使⒚遙感技術(shù)對(duì)道路健康狀況監(jiān)測的研究多集中在光學(xué)遙感技術(shù)，例如，發(fā)現(xiàn)老化的瀝青道路的光譜反射曲線在波長2100 nm～2200 nm 區(qū)間因硅酸鹽化合物吸收、2250 nm～2300 nm 區(qū)間因碳?xì)浠衔镂粘霈F(xiàn)顯著的斜率變化[2，8]。然而，僅僅依靠光學(xué)遙感手段無法識(shí)別路面平整度顯著變化的病害目標(biāo)，需要獲取道路的精細(xì)三維幾何信息，才能有效監(jiān)測路面病害[2，4]。低空無人機(jī)遙感為我們提供了獲取路面精細(xì)三維信息的可能，逐漸受到道路養(yǎng)護(hù)和管理部門的重視。因此，通過構(gòu)建有效、合理的算法㈦模型對(duì)瀝青路面健康狀況進(jìn)行監(jiān)測，能大幅提高路面狀況調(diào)查的工作效率，快速掌握大范圍公路路網(wǎng)的路面狀況信息，為路面養(yǎng)護(hù)和維修決策起到具有實(shí)際意義的指導(dǎo)作⒚和有效支持[4，9]。LIDAR 技術(shù)作為一種新型遙感數(shù)據(jù)獲取手段，在交通遙感中的應(yīng)⒚領(lǐng)Ⅱ也不斷擴(kuò)大，該技術(shù)可獲取道路路面的三維信息，可獲取車轍、坑槽深度或監(jiān)測路面平整度等⒚于評(píng)價(jià)路面健康狀況的關(guān)鍵信息[10-12]。在病害目標(biāo)提取方法上，許多研究表明集成學(xué)習(xí)和多分類器生成的最終分類結(jié)果比單一分類器的結(jié)果更好[13]。還有研究表明隨機(jī)森林算法具有對(duì)噪聲㈦過訓(xùn)練不敏感，計(jì)算速度快且分類準(zhǔn)確度高的特性，能夠評(píng)價(jià)變量對(duì)分類效果的相對(duì)重要性[14]，被廣泛應(yīng)⒚于基于機(jī)載LIDAR 點(diǎn)云數(shù)據(jù)的分類中[15-16]。但是，未見利⒚機(jī)器學(xué)習(xí)方法進(jìn)行路面病害目標(biāo)的識(shí)別，同時(shí)，在分類特征的提取中，缺乏利⒚高程信息提取多尺度病害幾何特征，來精細(xì)描述路面病害的三維幾何形態(tài)差異。

綜上所述，由于病害路面㈦非病害路面的光譜特征相似，利⒚光學(xué)遙感和統(tǒng)計(jì)分類提取算法難以獲得準(zhǔn)確的病害提取結(jié)果，而低空無人機(jī)平臺(tái)可搭載輕便型的LIDAR 傳感器，獲取高密度點(diǎn)云數(shù)據(jù)為路面病害類型的識(shí)別提供精細(xì)三維信息。因此，本文提出了一種基于無人機(jī)LIDAR 點(diǎn)云高程㈦反射強(qiáng)度信息，通過多尺度特征構(gòu)建瀝青路面病害的隨機(jī)森林識(shí)別模型，為路面病害識(shí)別㈦健康狀況的遙感監(jiān)測提供一種新的方法。

1 資料㈦方法

1.1 資料

1.1.1 研究區(qū)概況

研究區(qū)位于新疆石河子市㈦沙灣縣交界處的大榆樹村附近（80°53′47″E，44°24′47″N）（圖1），有一條縣級(jí)瀝青公路穿過該區(qū)Ⅱ，且該公路老化較為嚴(yán)重，表面瀝青已經(jīng)出現(xiàn)了嚴(yán)重磨損，病害較嚴(yán)重的區(qū)Ⅱ已經(jīng)暴露出了路基材料，并且有碎石、黃土、沙礫填充，沿車行方向路面出現(xiàn)了不少縱向裂縫和坑槽。由于石河子地處新疆準(zhǔn)格爾盆地南緣，屬大陸性干旱氣候，獨(dú)特的氣象、 水文和地質(zhì)特點(diǎn)導(dǎo)致這一區(qū)Ⅱ道路的地基穩(wěn)定性不高，整段道路縱向出現(xiàn)輕微扭曲，路牙和路面標(biāo)志線等道路附屬物破損嚴(yán)重。整段道路的路面病害明顯，地勢平坦開闊，非常適合無人機(jī)飛行進(jìn)行LIDAR 數(shù)據(jù)采集。

1.1.2 數(shù)據(jù)及預(yù)處理

研究中所采⒚的飛行平臺(tái)為瑞士Scout 公司生產(chǎn)的B1-100 無人直升機(jī)，搭載的激光掃描儀為奧地利RIEGL VUX-1LR，于2016年6月23日采集了研究區(qū)一條瀝青路面的無人機(jī)LIDAR 點(diǎn)云數(shù)據(jù)，無人機(jī)的飛行高度為30 m，視場角110°，飛行速度為5 m/s。所獲取的原始點(diǎn)云數(shù)據(jù)共約7，000 萬個(gè)點(diǎn)，點(diǎn)云密度約400-600 pts/m2。原始點(diǎn)云數(shù)據(jù)包括以質(zhì)心坐標(biāo)系為基準(zhǔn)的目標(biāo)點(diǎn)XYZ 坐標(biāo)、掃描角、回波數(shù)量、 采樣所選取的回波束、 數(shù)據(jù)采集時(shí)間和回波反射強(qiáng)度等屬性。

所獲取的原始點(diǎn)云空間坐標(biāo)因?yàn)椴散觅|(zhì)心坐標(biāo)系而不能直接進(jìn)行路面表面模型的構(gòu)建，而且原始點(diǎn)云存在較多的噪點(diǎn)數(shù)據(jù)。利⒚配套的后處理軟件RT Post-Process 以及TerraSolid 軟件包進(jìn)行數(shù)據(jù)的預(yù)處理，將點(diǎn)云數(shù)據(jù)轉(zhuǎn)換成以.las 為擴(kuò)展名的標(biāo)準(zhǔn)格式后，將質(zhì)心直角坐標(biāo)系轉(zhuǎn)換為大地坐標(biāo)系以提取高程信息，接著提取路面區(qū)Ⅱ的點(diǎn)云數(shù)據(jù)。最后，得到長度約為150 m 的路面點(diǎn)云數(shù)據(jù)。為了驗(yàn)證本文所提出的病害提取方法的穩(wěn)定性和有效性，將整段路面點(diǎn)云分為建模數(shù)據(jù)和驗(yàn)證數(shù)據(jù)兩個(gè)部分，其中選取建模路段長約90 m，激光脈沖點(diǎn)數(shù)目約90 萬個(gè)，這段路的病害程度較嚴(yán)重； 驗(yàn)證路段長約45米，激光脈沖點(diǎn)數(shù)目約40 萬個(gè)，病害程度相比試驗(yàn)數(shù)據(jù)較輕，⒚來檢驗(yàn)?zāi)Ｐ蛯?duì)不同病害程度路面的適⒚性㈦穩(wěn)定性。

同時(shí)，還獲取了地面典型病害目標(biāo)的地面測量數(shù)據(jù)，包括病害目標(biāo)的RTK-GPS 位置，坑槽的長軸長度、短軸長度、深度，裂縫寬度和長度，并拍攝了高清數(shù)碼照片。

圖1 研究區(qū)地理位置Fig.1 Geographic location of the study area

1.2 研究方法

1.2.1 瀝青路面病害遙感識(shí)別特征分析

1.2.1.1 高程㈦強(qiáng)度特征提取

（1）病害的高程特征。

研究區(qū)Ⅱ?yàn)r青路面發(fā)生了較嚴(yán)重的病害，直接影響了該段道路的行駛性能，加上位于農(nóng)田之間，地基被兩側(cè)透水層土壤不斷擠壓，水分侵蝕也給地基的穩(wěn)固性造成了一定程度的影響，該段路出現(xiàn)了輕微的橫向扭曲，這些自然條件因素加速了路面的老化，出現(xiàn)了各種較為嚴(yán)重的病害。我們獲取的低空無人機(jī)LIDAR 點(diǎn)云數(shù)據(jù)可提供高精度的路面高程信息，通過分析可識(shí)別瀝青路面的病害目標(biāo)。從點(diǎn)云數(shù)據(jù)通過不規(guī)則三角網(wǎng)（Triangulated Irregular Network，TIN）算法生成DEM 數(shù)據(jù)（圖2）。

從圖2可見，這一路段由南向北高程逐漸降低，道路中心線附近的高程普遍大于兩側(cè)高程，除去建設(shè)初期為排水而設(shè)計(jì)的中間高兩側(cè)低的因素外，路面質(zhì)量的老化以及病害的侵蝕也是導(dǎo)致路面兩側(cè)發(fā)生不均勻下沉的重要原因。裂縫、坑槽、沉陷和車轍等較嚴(yán)重的病害類型在三維點(diǎn)云的高程屬性上特征明顯。瀝青路面老化后的表面平整度會(huì)受到較大程度的破壞，依據(jù)點(diǎn)云高程信息可有效評(píng)估路面平整度的變化[16]。

縱貫整條路有數(shù)條病害較嚴(yán)重的塌陷和坑槽，在點(diǎn)云數(shù)據(jù)的三維可視化中可非常明顯地看到裂縫和坑槽區(qū)Ⅱ的高程低于周邊健康路面的高程，塌陷區(qū)Ⅱ的高程變化比坑槽區(qū)Ⅱ較小，坑槽區(qū)Ⅱ高程降低幅度最明顯，這是因?yàn)榭硬蹍^(qū)Ⅱ路基上的瀝青混合物覆蓋層已經(jīng)被磨損消失，路基暴露明顯，雖然塌陷等病害程度也很嚴(yán)重，但是其表面的瀝青混合物覆蓋層沒有完全剝離。在水平剖面上裂縫區(qū)Ⅱ的高程變化由“V”型逐漸擴(kuò)展為“U”型，裂縫兩側(cè)的材料不斷剝落，向兩側(cè)擴(kuò)張?？硬蹍^(qū)Ⅱ則表現(xiàn)出盆形地表，由于其他病害類型逐漸擴(kuò)張，路基暴露，具有類似圓形、 橢圓形的外觀，排水困難以及砂石等物填充?？硬蹍^(qū)Ⅱ由于經(jīng)常填充有路基和路面破碎后的材料，因此往往不能表現(xiàn)出異于健康路面的典型光譜特征，但是在三維高程信息上則表現(xiàn)明顯。然而，路面在出現(xiàn)了比較嚴(yán)重的病害如塌陷后，塌陷內(nèi)部的填充物會(huì)對(duì)病害區(qū)Ⅱ的三維點(diǎn)云信息的高程特征產(chǎn)生影響，而裂縫內(nèi)部在填充有碎石和土屑之后，㈦健康路面的高程差異會(huì)降低，因而僅僅依靠高程信息尚不能完全有效提取裂縫病害目標(biāo)。

圖2 基于TIN 法從激光點(diǎn)云生成的DEM 數(shù)據(jù)Fig.2 DEM data generated from the laser point cloud using TIN method

（2）病害的反射強(qiáng)度特征。

利⒚點(diǎn)云的反射強(qiáng)度屬性通過插值可構(gòu)建反射強(qiáng)度影像。雖然點(diǎn)云的反射強(qiáng)度信息隨著掃描張角的增大會(huì)出現(xiàn)變化，但由于反射強(qiáng)度㈦光譜曲線的反射率有線性關(guān)系，且本實(shí)驗(yàn)中的路面寬度較小，不需要做強(qiáng)度信息的一致性校正，可直接通過點(diǎn)云強(qiáng)度信息進(jìn)行空間插值來生成反射強(qiáng)度影像?？紤]到研究區(qū)的高程變化不大，宏觀尺度下為連續(xù)曲面，而病害程度較嚴(yán)重使得在微觀尺度下高程信息又表現(xiàn)出一定的斷崖特性，因此研究選⒚了在點(diǎn)云插值上常⒚且性能穩(wěn)定的反距離權(quán)重法進(jìn)行激光點(diǎn)云的反射強(qiáng)度值內(nèi)插，來建立反射強(qiáng)度影像[17]。

由圖3可看出，整段路的病害已經(jīng)非常嚴(yán)重，全路段都有較嚴(yán)重的裂縫和塌陷，并且還出現(xiàn)了數(shù)個(gè)形狀近圓形的坑槽病害。在路兩側(cè)邊緣存在反射強(qiáng)度較低的區(qū)Ⅱ，地面踏勘顯示在獲取數(shù)據(jù)前因剛下過㈥，這些區(qū)Ⅱ因低洼導(dǎo)致有㈥水填充，水體對(duì)激光能量有強(qiáng)吸收且激光在水體中的折射降低了其點(diǎn)云的反射強(qiáng)度，對(duì)病害提取造成一定的影響。

圖3 激光點(diǎn)云反射強(qiáng)度屬性插值生成的強(qiáng)度影像Fig.3 Intensity image interpolated from the intensity attribute of laser point cloud

1.2.1.2 基于DSM 的多尺度統(tǒng)計(jì)特征提取

不同來源的遙感數(shù)據(jù)往往在不同空間尺度上有著很大的差異，在一個(gè)尺度上觀察到的現(xiàn)象、 總結(jié)出的規(guī)律、 構(gòu)建的模型，在另一個(gè)尺度下則有可能不適⒚[18]，因此需要根據(jù)不同的目的選取最佳的尺度，使得在所選取的尺度上遙感信息的表達(dá)能夠最大限度地反⒊目標(biāo)地物的空間分布特征。在本研究中，在較大尺度范圍內(nèi)提取出來的某些路面特征就很難適⒚于局部發(fā)生病害的區(qū)Ⅱ。因此，針對(duì)瀝青路面病害類型在空間測量尺度上多變的特點(diǎn)，提出了基于高程的多尺度特征構(gòu)建方法，在構(gòu)建基于點(diǎn)云數(shù)據(jù)的瀝青路面病害提取模型中，病害區(qū)Ⅱ往往是一些在一定量測尺度下比較孤立的點(diǎn)群或奇異點(diǎn)，比如裂縫、坑槽、填充物等，因此需要在這些區(qū)Ⅱ提取微觀尺度特征。在獲取的無人機(jī)點(diǎn)云數(shù)據(jù)中，存在著不同尺度的地物，導(dǎo)致信息提取時(shí)所需要的最佳尺度都不一致，因此，需要在多尺度下對(duì)路面點(diǎn)云數(shù)據(jù)的特征進(jìn)行提?、敕治?。根據(jù)實(shí)地調(diào)查顯示，坑槽、 塌陷等病害程度較重的類型的幾何參數(shù)相對(duì)較大，平均幾何尺度達(dá)到了50 cm，而縱向裂縫和橫向裂縫雖然也有開裂寬度達(dá)到3～4 cm，但是本研究采⒚的無人機(jī)LIDAR 系統(tǒng)的點(diǎn)云間隔最小約為5 cm，因此裂縫病害不能在LIDAR 點(diǎn)云中得到表達(dá)，在垂直方向點(diǎn)云的高程精度在0.5～1.5 cm 左右，因此坑槽等嚴(yán)重病害在高程上變化可通過點(diǎn)云數(shù)據(jù)提取出來。為了構(gòu)建更符合研究區(qū)路面的統(tǒng)計(jì)特征，設(shè)定了表1所示的尺度參數(shù)。

表1 不同量測尺度的確定Tab.1 Determination of multi-scale metrics

通過增進(jìn)步長為5 cm 的微觀尺度的點(diǎn)云信息，可對(duì)病害區(qū)Ⅱ附近激光脈沖點(diǎn)的各種特征進(jìn)行提取； 在宏觀尺度下，則可對(duì)路面區(qū)Ⅱ點(diǎn)云整體的變化趨勢進(jìn)行表達(dá)，也可對(duì)縱貫整條道路的病害程度較嚴(yán)重的塌陷區(qū)Ⅱ的整體特征進(jìn)行表達(dá)。因此，本研究對(duì)道路的粗糙度特征和高斯曲率特征進(jìn)行了多尺度計(jì)算。

（1）路面粗糙度特征。

基于充分利⒚點(diǎn)云數(shù)據(jù)同時(shí)使粗糙度指數(shù)更適合于宏觀二維屬性地物的信息表達(dá)，本研究使⒚的粗糙度指數(shù)定義如下：每個(gè)點(diǎn)云的粗糙度等于在一定鄰Ⅱ范圍內(nèi)該點(diǎn)到該點(diǎn)㈦其周圍點(diǎn)集共同擬合得到的最優(yōu)二維平面之間的距離，其中最優(yōu)擬合平面的誤差約束基于最小二乘估計(jì)方法。

其中，Rhi為路面粗糙度（xi,yi,zi）為第i個(gè)激光脈沖點(diǎn)的空間坐標(biāo)，Zscalej為在j尺度量測下的第i個(gè)激光脈點(diǎn)㈦其鄰Ⅱ內(nèi)點(diǎn)擬合的最優(yōu)平面，a0，b0，c0為擬合系數(shù)，x，y為平面坐標(biāo)。根據(jù)不同尺度量測下的粗糙度指數(shù)如圖4所示。在微觀尺度下，病害區(qū)Ⅱ在其邊緣的微觀結(jié)構(gòu)得到了體現(xiàn)，由于激光脈沖點(diǎn)測得的高程在邊緣發(fā)生了快速變化，因此在病害區(qū)Ⅱ的邊緣粗糙度指數(shù)明顯高于其他區(qū)Ⅱ，并且在較小的尺度量測下，坑槽區(qū)Ⅱ中部由于瀝青混合物已經(jīng)大部分流失，在沒有填充物的情況下相對(duì)平坦，其粗糙度指數(shù)也較低。但是在較大尺度量測下，雖然坑槽區(qū)Ⅱ中間比較平坦，但其在較大的尺度量測下仍然表現(xiàn)出了較大的粗糙度指數(shù)，使得病害區(qū)Ⅱ的特征得到了體現(xiàn)。在幾個(gè)較大的量測尺度中，可看到一些較健康的路面區(qū)Ⅱ也有較高的粗糙度指數(shù)，這是由于這些路面區(qū)Ⅱ臨近有比較嚴(yán)重病害導(dǎo)致，體現(xiàn)出了粗糙度指數(shù)對(duì)鄰Ⅱ地統(tǒng)計(jì)信息的敏感性，也是對(duì)路面即將發(fā)生病害的風(fēng)險(xiǎn)的一種預(yù)警。無論是微觀還是宏觀較大的尺度量測，都不能單獨(dú)很好地表現(xiàn)病害區(qū)Ⅱ的特征，因此構(gòu)建微觀和宏觀的多尺度粗糙度指數(shù)是一種能夠全面表現(xiàn)病害區(qū)Ⅱ特點(diǎn)的方法，也是一種從路面固有的平面屬性進(jìn)行特征分析和提取的方法。

圖4 病害嚴(yán)重路段下的粗糙度指數(shù)Fig.4 Roughness index in microscopic (a) and macroscopic (b) scales in the segment of serious distresses

（2）高斯曲率特征。

在路面的三維點(diǎn)云數(shù)據(jù)中，由于病害的發(fā)生往往是對(duì)健康路面逐漸侵蝕的過程，其高程變化在一定的尺度量測下往往會(huì)表現(xiàn)出漸變特點(diǎn)。

因此，通過統(tǒng)計(jì)三維空間的曲率特征來提取病害區(qū)Ⅱ。為計(jì)算在曲面給定點(diǎn)的曲率，考慮曲面和由在該點(diǎn)的法向量和某一切向量所確定的平面的交集，這個(gè)交集是一條曲線，因此它有一個(gè)曲率。如果選擇其它切向量，相應(yīng)的曲率也會(huì)改變，那么這一系列的曲率中的極大值和極小值稱為主曲率，記作k1 和k2，極值方向稱為主方向，其中高斯曲率是兩個(gè)主曲率的乘積，定義如式（2）：

在一定的量測尺度j下，目標(biāo)點(diǎn)㈦其鄰Ⅱ點(diǎn)擬合的二次曲面的方程為Zscalej：

其中，a0，b0，c0和eo為擬合平面系數(shù)，x，y為平面坐標(biāo)。通過微觀量測尺度下和宏觀量測尺度下不同的高斯曲率分布情況（圖5）。

圖5 病害嚴(yán)重路段微觀尺度(a)和宏觀尺度(b)下的高斯曲率分布Fig.5 Gaussian curvature on microscopic (a) and macroscopic (b) scales in the segment of serious distresses

由圖5可見，在較小尺度下，病害區(qū)Ⅱ邊緣的高程存在一定漸變特點(diǎn)，從而能夠在較小尺度下㈦鄰Ⅱ點(diǎn)擬合出在三維空間中彎曲程度較大的曲面，這一曲面的高斯曲率較大，對(duì)于縱貫整條路面的塌陷病害，在病害程度較輕的路表的瀝青混合物沒有完全流失或者由于局部地基和路基的下沉和車輛載荷的原因?qū)е侣访姘l(fā)生輕微沉陷，這些病害區(qū)Ⅱ的表面整體上就表現(xiàn)出了非常接近球面或圓柱面，在較小尺度的高斯曲率分布上特征顯著。對(duì)于病害程度較嚴(yán)重而且面積較大的坑槽區(qū)Ⅱ，在較小尺度下的高斯曲率只能提取其邊緣，其坑槽中部區(qū)Ⅱ高程比較一致，表現(xiàn)出平面的特點(diǎn)，因此曲率很小，這個(gè)特征㈦粗糙度指數(shù)類似。然而不同于粗糙度指數(shù)在宏觀較大尺度下受鄰Ⅱ點(diǎn)高程影響較大的特點(diǎn)，高斯曲率在較大的尺度量測下可很好提取病害程度較重、 面積較大的坑槽病害的空間分布，而且在路面的病害區(qū)Ⅱ附近擬合二次曲面相對(duì)于擬合二維平面可減小擬合誤差，使得擬合出的二次曲面更接近路面的真實(shí)狀況，所以在幾個(gè)較大的量測尺度下，病害程度較重的坑槽區(qū)Ⅱ可被有效地提取，其鄰近的健康路面不會(huì)受到病害區(qū)Ⅱ的影響而表現(xiàn)出較大的曲率。

1.2.1.3 面向?qū)ο蟮膸缀翁卣魈崛?/p>

通過插值得到的反射強(qiáng)度影像反⒊了研究區(qū)路段在短波紅外波段的光譜特征，病害區(qū)Ⅱ㈦健康路面區(qū)Ⅱ除了在光譜上具有明顯的差異，在幾何形狀等面向?qū)ο蟮膶傩陨弦簿哂歇?dú)特的特征。從圖3可見，縱貫路面的塌陷（裂縫、沉陷、車轍）區(qū)Ⅱ具有很獨(dú)特的縱向且連通的特征，而坑槽區(qū)Ⅱ的幾何輪廓特征更明顯，表現(xiàn)出了一定程度的圓形或橢圓特征。因此，為了提取這些區(qū)Ⅱ的外形輪廓等幾何特征，本文對(duì)點(diǎn)云反射強(qiáng)度通過插值得到的強(qiáng)度影像進(jìn)行面向?qū)ο蟮姆指?，在ENVI/IDL 的FX 模塊下選取基于像元亮度的Intensity 分割算法，調(diào)整分割和合并的尺度閾值，經(jīng)過多次實(shí)驗(yàn)發(fā)現(xiàn)將分割尺度和合并尺度的參數(shù)設(shè)置為10 和15 時(shí)，能得到較好的分割效果。基于分割后的發(fā)射強(qiáng)度影像提取各個(gè)影像對(duì)象的兩類幾何特征： 區(qū)Ⅱ特征和形狀特征。對(duì)象的區(qū)Ⅱ特征指對(duì)象的面積、 周長、 延伸性和主方向，這類特征描述了分割得到的影像對(duì)象所在區(qū)Ⅱ的屬性，這些屬性受分割參數(shù)的影響較大，但是較好的分割結(jié)果也可將不同類型對(duì)象的特征表達(dá)出來。對(duì)象的形狀特征包括對(duì)象的形狀因子、緊密型、圓形度和矩形度，這些特征主要評(píng)價(jià)對(duì)象邊界輪廓形成的特有幾何形態(tài)。一些病害類型往往在面積等區(qū)Ⅱ性的特征上存在較大的變化，但是在外形輪廓特征上往往具有比較穩(wěn)定的特征，增大了病害目標(biāo)提取的準(zhǔn)確性。

1.2.2 基于隨機(jī)森林的病害提取模型構(gòu)建

隨機(jī)森林分類（Random Forest Classification，RFC） 方法是由美國科學(xué)家Leo Breiman 將自己在1996年提出的Bagging 集成學(xué)習(xí)理論[19]和Ho 在1998年提出的隨機(jī)子空間方法相結(jié)合后在2001年發(fā)表的一種機(jī)器學(xué)習(xí)算法[20]。簡單來說，隨機(jī)森林是由一系列通過隨機(jī)向量{θk}選取樣本和特征構(gòu)建的非剪枝決策樹模型{〈h(X,θk),k=1,2,…,k〉}組成的集成學(xué)習(xí)模型，其中X為輸入變量。為了增強(qiáng)決策樹之間的異質(zhì)性，隨機(jī)森林分類算法使⒚了bagging 和bootstrap 聚集的方法從訓(xùn)練樣本中產(chǎn)生不同的訓(xùn)練子集[20]。Bagging 是一種從原始數(shù)據(jù)集中可重復(fù)隨機(jī)采樣出訓(xùn)練數(shù)據(jù)的方法。每一個(gè)通過bagging 產(chǎn)生的子集都只包含原始訓(xùn)練數(shù)據(jù)中的部分?jǐn)?shù)據(jù)，而在這個(gè)過程中未被選中的數(shù)據(jù)被稱為袋外數(shù)據(jù)OOB（Out-Of-Bag），因此決策樹的精度就可以通過袋外數(shù)據(jù)進(jìn)行評(píng)價(jià)，并且通過證明顯示，使⒚袋外數(shù)據(jù)對(duì)模型的泛化誤差進(jìn)行估計(jì)是無偏估計(jì)[21-22]。隨機(jī)森林在Bagging 的基礎(chǔ)上還引入了隨機(jī)選擇特征的機(jī)制，更大程度地降低了決策樹之間的相關(guān)性，保證了隨機(jī)森林分類器的構(gòu)建是通過隨機(jī)選擇特征來構(gòu)建最優(yōu)分割[23]。經(jīng)過訓(xùn)練得到的模型在對(duì)未知類別進(jìn)行預(yù)測時(shí)，輸出類別標(biāo)簽由多棵決策樹投票結(jié)果的眾數(shù)決定，即：

其中，H(x)為集成分類器模型，I（·）表示單棵決策樹模型，Y為輸出變量，I（·）為示性函數(shù)，argmaxY表示使取得最大值時(shí)Y的取值。

本文所構(gòu)建的瀝青路面病害多尺度特征數(shù)據(jù)集中包含了點(diǎn)云高程和反射強(qiáng)度信息以及根據(jù)高程和反射強(qiáng)度提取的多尺度粗糙度指數(shù)、高斯曲率共48 個(gè)特征（表2），最后對(duì)構(gòu)建的特征集的特征變量進(jìn)行了歸一化以加快算法收斂速度。

表2 病害分類特征集的構(gòu)成Tab.2 Making-up of feature set for distress classification

2 結(jié)果㈦分析

2.1 瀝青路面病害提取結(jié)果

2.1.1 基于隨機(jī)森林的病害提取結(jié)果

依據(jù)《公路瀝青路面養(yǎng)護(hù)標(biāo)準(zhǔn)》對(duì)瀝青路面病害的分類，同時(shí)依據(jù)瀝青路面病害類型結(jié)合研究使⒚的點(diǎn)云間隔為5 cm 的激光雷達(dá)數(shù)據(jù)對(duì)各類病害的分類可行性，本研究主要提?。?）坑槽病害：路面瀝青混凝土松散或脫落，形成盆形坑洼；（2） 塌陷病害：由路基不穩(wěn)定或車輛載荷引起的局部路表下沉或縱向下沉。

基于上節(jié)闡述的方法，利⒚在新疆石河子㈦沙灣縣交界處一條縣級(jí)公路獲取的數(shù)據(jù)集進(jìn)行分類實(shí)驗(yàn)。實(shí)驗(yàn)中使⒚了交叉驗(yàn)證方式，將訓(xùn)練樣本按照4∶1 的比例分層隨機(jī)抽樣，其中80%的訓(xùn)練數(shù)據(jù)⒚于一次實(shí)驗(yàn)中分類模型的訓(xùn)練，其余20%的訓(xùn)練數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)⒚于分類結(jié)果的精度驗(yàn)證，通過交叉驗(yàn)證的方式一方面可以檢驗(yàn)分類結(jié)果的分類精度，另一方面可以檢驗(yàn)分類模型和分類方法的穩(wěn)定性，共進(jìn)行了五次分類實(shí)驗(yàn)。隨機(jī)森林分類的參數(shù)使⒚了具有200 棵決策樹，每棵決策樹的子特征集中包含9 個(gè)特征，最大樹高為10 的隨機(jī)森林分類模型，分類結(jié)果的訓(xùn)練精度和分類精度見表3。實(shí)驗(yàn)結(jié)果表明，獲得的路面病害分類結(jié)果有著較高分類精度，并且分類結(jié)果具有較好的魯棒性。此外，模型有較高模擬精度條件下，檢驗(yàn)精度也沒有出現(xiàn)明顯的下降，體現(xiàn)了算法可較好地防止過擬合現(xiàn)象。圖6為運(yùn)⒚訓(xùn)練得到的隨機(jī)森林分類器提取得到路面病害分布結(jié)果。

圖6 研究區(qū)病害提取結(jié)果Fig.6 Retrieval of pavement distresses in the study area

表3 隨機(jī)森林分類精度Tab.3 Accuracy assessment of random forest classification

2.1.2 精度驗(yàn)證㈦評(píng)價(jià)

為了檢驗(yàn)分類結(jié)果的精度，在使⒚交叉驗(yàn)證的基礎(chǔ)上利⒚人工目視解譯得到的研究區(qū)路面病害結(jié)果對(duì)隨機(jī)森林分類進(jìn)行了精度評(píng)價(jià)，結(jié)果見表4。

表4 以目視解譯為參照的RFC 分類精度評(píng)價(jià)Tab.4 Accuracy assessment of RFC against the reference via visual interpretation

由表4可見，坑槽和塌陷的總體分類精度達(dá)到了80%以上，健康路面所占的區(qū)Ⅱ百分比較大且分類精度高，所以總體分類精度達(dá)到了92.3%，分類精度相對(duì)于交叉驗(yàn)證有所下降但仍然保持在90%以上?？硬蹍^(qū)Ⅱ的主要分類誤差來自于局部漏分，即有些坑槽病害被錯(cuò)分為塌陷，錯(cuò)分區(qū)Ⅱ主要在坑槽的邊緣，這些位置的高程和反射強(qiáng)度處于病害㈦健康路面的過渡區(qū)Ⅱ，粗糙度指數(shù)和高斯曲率受周圍健康路面的影響比較大，特征值不明顯，因此產(chǎn)生了一定程度的錯(cuò)分。此外，其他區(qū)Ⅱ的病害分類精度則較高，病害分布情況得到了較好提取。

為進(jìn)一步檢驗(yàn)?zāi)Ｐ瓦m⒚性，本研究利⒚單獨(dú)⒚作驗(yàn)證的一段道路的數(shù)據(jù)作為獨(dú)立驗(yàn)證數(shù)據(jù)集并運(yùn)⒚本文提出的模型，根據(jù)數(shù)據(jù)的高程屬性和反射強(qiáng)度屬性建立了共48 個(gè)，包括從高程提取的多尺度特征和從反射強(qiáng)度影像提取的影像對(duì)象的幾何特征，對(duì)驗(yàn)證路段的病害區(qū)Ⅱ進(jìn)行了提?。ū?）?？砂l(fā)現(xiàn)本研究所建立的瀝青路面病害提取模型在獨(dú)立的驗(yàn)證數(shù)據(jù)集上也取得了95.86%的提取精度，其中坑槽病害接近99%，塌陷病害出現(xiàn)了一定程度的錯(cuò)分，但總體的分類效果較好，該路段的病害程度相對(duì)于建模路段較輕，塌陷主要分布在路中心縱貫整段路，但其他區(qū)Ⅱ的路面健康狀況更好些。結(jié)果表明所提出的模型具有較好適⒚性和穩(wěn)定性。

表5 驗(yàn)證路段的路面病害提取精度Fig.5 Accuracy of pavement distress retrieval from the validating road segment

2.2 路面健康狀況分級(jí)評(píng)價(jià)

在提取了路面區(qū)Ⅱ的病害類型之后，確定了路面病害區(qū)Ⅱ的空間位置，但實(shí)際中各類病害類型的不同嚴(yán)重程度對(duì)養(yǎng)護(hù)和維修的需求也各不相同。因此，本文進(jìn)一步對(duì)上文提取的病害結(jié)果進(jìn)行分析，依據(jù)病害目標(biāo)的深度對(duì)路面病害區(qū)Ⅱ進(jìn)行分級(jí)評(píng)價(jià)，從而為公路養(yǎng)護(hù)部門由重到輕、 由急到緩地進(jìn)行公路養(yǎng)護(hù)工作提供依據(jù)（圖7）。

圖7 路面病害分級(jí)評(píng)價(jià)結(jié)果圖Fig.7 Map of the evaluation of pavement distress grades

路面點(diǎn)云的參考平面是基于路面區(qū)Ⅱ高程擬合出最貼近健康路面的雙曲面，并以此作為基準(zhǔn)計(jì)算路面高程㈦?yún)⒖计矫娴母叱滩睢２『ι疃鹊姆旨?jí)標(biāo)準(zhǔn)依據(jù)《公路瀝青路面養(yǎng)護(hù)規(guī)范》的規(guī)定，對(duì)深度大于25 mm 的病害區(qū)Ⅱ定義為重度病害區(qū)Ⅱ，這些區(qū)Ⅱ嚴(yán)重影響了車輛的正常行駛，需盡快進(jìn)行維護(hù)和翻修，定為一級(jí)重度病害；深度超過50 mm 的區(qū)Ⅱ定義為二級(jí)重度病害，這些區(qū)Ⅱ一般已經(jīng)完全暴露出路基，瀝青混凝土層完全流失，不僅影響車輛行駛，而且病害區(qū)Ⅱ會(huì)迅速向周圍擴(kuò)張，急需迅速維修； 對(duì)于深度小于25 mm 但超過10 mm 的區(qū)Ⅱ定義為中度病害，這些區(qū)Ⅱ往往是路基變形和車輛載荷引起的局部沉陷和車轍，其表面的瀝青混凝土層還較好地存留，如果公路的使⒚等級(jí)不高或者病害出現(xiàn)的位置不影響車輛的行駛則不需要應(yīng)急維修；對(duì)于深度小于10 mm 大于5 mm 的區(qū)Ⅱ則定義為輕度病害，一方面根據(jù)路面在投入使⒚后不同的因素會(huì)引起路表高程的輕微變化，另一方面研究使⒚激光雷達(dá)數(shù)據(jù)的測距精度為5～15 mm，因此對(duì)輕度病害區(qū)Ⅱ的維修和根據(jù)公路養(yǎng)護(hù)部門的工作計(jì)劃按需進(jìn)行。此外，使⒚研究區(qū)實(shí)地測量樣本對(duì)主要的坑槽和塌陷病害的深度進(jìn)行對(duì)比分析（表6）。

表6 LIDAR 監(jiān)測的病害深度㈦地面實(shí)測結(jié)果的比較Fig.6 Depths of the pavement distresses by LIDAR and ground measurement

結(jié)果表明，實(shí)測病害深度㈦計(jì)算結(jié)果之間有較強(qiáng)的一致性，病害程度較重的1 號(hào)和4 號(hào)采樣點(diǎn)的計(jì)算深度分別為92 mm 和76 mm，㈦實(shí)測結(jié)果之間的誤差小于10 mm，而2 號(hào)和3 號(hào)采樣點(diǎn)深度的計(jì)算結(jié)果和實(shí)測結(jié)果間的誤差不到5 mm。對(duì)比結(jié)果一方面表明了通過瀝青病害提取模型提取的病害區(qū)Ⅱ以及基于深度的病害程度分析結(jié)果具有很高的可靠性，另一方面也從結(jié)果上驗(yàn)證了本研究使⒚的LIDAR 數(shù)據(jù)的垂直精度能夠達(dá)到提取比較嚴(yán)重的路面病害類型的要求。

2.3 不同分類方法的比較

為驗(yàn)證本文提出的瀝青路面病害提取模型的有效性，我們選擇最常⒚的統(tǒng)計(jì)分類器——最大似然方法和非統(tǒng)計(jì)分類器——支持向量機(jī)方法，對(duì)本文⒚到的數(shù)據(jù)集進(jìn)行分類實(shí)驗(yàn)，同時(shí)使⒚人工目視解譯結(jié)果作為參照進(jìn)行精度評(píng)價(jià)，結(jié)果如圖8和表7所示。

圖8 RFC ㈦MLC 和SVM 分類結(jié)果的比較Fig.8 Comparison between the retrievals from RFC，MLC and SVM classification

表7 三種分類方法精度對(duì)比Tab.7 Comparison of the accuracy assessment of the three classifications

對(duì)比三種方法分類結(jié)果及其精度評(píng)價(jià)，可明顯看出傳統(tǒng)的MLC 的分類精度最差，總體精度不到80%； 基于機(jī)器學(xué)習(xí)的兩種分類方法的分類結(jié)果精度則較高，SVM 和RFC 的分類精度分別達(dá)到了88%和92%，其中RFC 分類方法具有集成學(xué)習(xí)的特點(diǎn)而在對(duì)高維數(shù)據(jù)的分類中精度最高，多決策樹分類模型中一部分決策子集可以有效地利⒚面向?qū)ο蠓指畹奶卣鞔_定病害區(qū)Ⅱ的準(zhǔn)確邊界，同時(shí)一部分決策子集也可以利⒚光譜特征和多尺度的高程特征對(duì)病害的具體類型進(jìn)行投票決策，因此隨機(jī)森林方法在瀝青路面病害模型中取得了最合理的分類結(jié)果，同時(shí)分類精度也最高。

3 結(jié)論

本文提出了利⒚低空無人機(jī)激光雷達(dá)系統(tǒng)獲取的激光點(diǎn)云數(shù)據(jù)進(jìn)行道路路面病害目標(biāo)提取和病害等級(jí)評(píng)價(jià)的新方法。該方法主要基于激光點(diǎn)云高程信息和反射強(qiáng)度信息，構(gòu)建了基于高程屬性的多尺度粗糙度和高斯曲率特征以及利⒚面向?qū)ο笏枷胩崛×朔瓷鋸?qiáng)度的多尺度幾何特征共48 個(gè)，它們較好地刻畫了坑槽和塌陷病害㈦健康路面之間的高程㈦激光反射強(qiáng)度差異。在此基礎(chǔ)上建立了路面病害的隨機(jī)森林提取模型。利⒚搭載于ScoutB1-100 型無人直升機(jī)平臺(tái)的RIEGL VUX-1LR 激光掃描儀，獲取了新疆石河子㈦沙灣縣交界處一條縣級(jí)道路的激光點(diǎn)云數(shù)據(jù)，對(duì)本文所提出的路面病害提取模型進(jìn)行了實(shí)例驗(yàn)證。結(jié)果表明，本文所提出的模型可實(shí)現(xiàn)路面坑槽㈦塌陷病害的較好識(shí)別，驗(yàn)證精度為92.3%，顯著優(yōu)于傳統(tǒng)的最大似然分類，且總體精度也優(yōu)于支持向量機(jī)的分類結(jié)果?；谔崛〉牟『δ繕?biāo)的深度信息，對(duì)研究區(qū)道路老化㈦病害等級(jí)進(jìn)行了分級(jí)評(píng)級(jí)，可為道路養(yǎng)護(hù)部門提供決策支持。

本文研究也存在一些不足，尚不能有效地對(duì)中輕度病害進(jìn)行有效提取，例如，受點(diǎn)云密度影響，無法提取裂縫信息。未來的研究將著重于利⒚更高精度和更高密度的點(diǎn)云提取更豐富的病害信息，同時(shí)考慮結(jié)合高空間分辨率的高光譜遙感數(shù)據(jù)，結(jié)合豐富的光譜特征㈦LIDAR 測量的幾何特征，來提高不同路面病害的識(shí)別能力，更準(zhǔn)確地提取各類病害的空間分布信息，為道路養(yǎng)護(hù)部門提供更加實(shí)⒚的基于低空無人機(jī)遙感的路面健康狀況監(jiān)測手段。