地址200333上海市普陀區(qū)武威路88弄21(普通合伙)34382GO6TGO6V20/56(2022.01)一種道路坑洼檢測方法及系統(tǒng)及一種道路坑洼檢測方法及系統(tǒng)，包括以下步驟：S1:通過車載多光譜攝像頭獲取道路表面原S3:采用雙閾值連通域分析法提取候選坑洼區(qū)域；S4:當對比度差值超過紋理突變閾值時判定占比，當占比大于60%時判定為有效坑洼特征；S6:計算其最小包圍橢圓偏心率及橢圓面積比，對表面破損區(qū)域進行三維點云重建并計算表面曲率梯度分布，提取連續(xù)像素簇統(tǒng)計面積占比，當占比大于60%時判定為有效S62S1:通過車載多光譜攝像頭獲取道路表面原始圖像流，同步采集六軸慣性測量單元的振動數(shù)據(jù)，基于振動數(shù)據(jù)和預設的瀝青路面材質(zhì)特征庫進行運動偽影消除生成振動補償圖S2:對振動補償圖像進行可見光與近紅外光譜通道分離，根據(jù)光譜反射率差值動態(tài)構S3:對陰影抑制圖像執(zhí)行方向可調(diào)梯度運算生成梯度幅值熱力圖，并采用雙閾值連通S5:對表面破損區(qū)域進行三維點云重建并計算表面曲率梯度分布，提取連續(xù)像素簇統(tǒng)S11:通過固定安裝于車輛前方保險杠中軸線位置的多光譜攝像頭獲取道路表面原始S12:通過安裝于車輛底盤中央的六軸慣性測量單元同步采集車輛在圖像采集時刻的S13:將六軸慣性測量單元采集到的三軸加速度與三軸角速度數(shù)據(jù)輸入基于前向運動補償?shù)膱D像變換函數(shù)，對原始圖像像素位置進行補償變換，所述圖像變換函數(shù)表達式為：S14:基于圖像變換函數(shù)對原始圖像流進行逐幀的像素級重采樣與平移變換，生成剔除S21:將S1中獲得的振動補償圖像按波段通道進行拆分，提取可見光通道圖像與近紅外D(x,y)為像素點在可見光與近紅外通道下的歸一化反射率差值；Iv(x,y)為像素點在可見為0.01;3Ps(x,y)=1-|D(x,y)|,當P?(x,y)大于設定的陰影判定閾值Ts時，則對應像素點被視為存S24:對存在陰影遮擋的圖像執(zhí)行非對稱伽馬校正以生成陰影抑制圖像。4.根據(jù)權利要求1所述的一種道路坑洼檢測方法，其特征在于，所述S3具體包括：S31:對S2獲得的陰影抑制圖像進行方向可調(diào)梯度運算，采用具有不同方向的Sobel卷積核對圖像逐像素進行卷積，計算各方向上的梯度分量，最后合成為每個像素位置的梯度幅值，進而得到完整的梯度幅值熱力圖；S32:基于梯度幅值熱力圖，選取高閾值和低閾值兩個閾值，具體的高閾值設定為梯度幅值熱力圖中全部像素梯度幅值的最大值的70%,低閾值設定為梯度幅值熱力圖中全部像素梯度幅值的最大值的30%,并通過高閾值篩選出初步的強梯度像素點；S33:將初步的強梯度像素點作為初始種子點，基于連通域生長算法對種子點周圍梯度幅值超過低閾值的像素進行迭代式擴展，將相鄰像素依次歸入當前連通區(qū)域，直至區(qū)域內(nèi)不存在能繼續(xù)擴展的像素位置為止，從而得到多個獨立的候選坑洼連通區(qū)域；S34:計算每個候選坑洼連通區(qū)域的像素面積，將連通區(qū)域的面積小于50像素的區(qū)域作為噪聲區(qū)域予以剔除，保留面積大于或等于50像素的區(qū)域作為最終的候選坑洼區(qū)域。5.根據(jù)權利要求4所述的一種道路坑洼檢測方法，其特征在于，所述S31具體包括：S311:將S2獲得的陰影抑制圖像記為Is(x,y);的梯度方向分別為水平方向，右上方向，垂直方向與左上方向，利用每個方向的卷積核對圖像執(zhí)行二維卷積操作，得到每個方向上的梯度響應圖像；S313:將多個方向的梯度響應圖像進行加權合成，得到每個像素點的方向敏感綜合梯度幅值圖像，定義為梯度幅值熱力圖Gm(x,y)。6.根據(jù)權利要求4所述的一種道路坑洼檢測方法，其特征在于，所述S33具體包括：S331:將S32篩選出的強梯度像素點作為初始種子點，建立種子點集合；S332:從種子點集合中逐一取出種子點，計算當前種子點與其周圍8鄰域像素之間的梯度幅值相似性，當梯度幅值不小于預設低閾值時，則將對應的相鄰像素標記為與當前種子點屬于同一連通域，并將該相鄰像素新增至種子點集合；S333:重復執(zhí)行S332,持續(xù)從種子點集合中取出新的種子點進行擴展，直至種子點集合為空，此時得到一個獨立完整的連通域；S334:遍歷S32獲得的所有強梯度像素點集合，對未被標記過的強梯度像素點重復S331至S333的迭代過程，直至所有強梯度像素點均被處理完畢，最終得到多個獨立的候選坑洼連通區(qū)域。7.根據(jù)權利要求1所述的一種道路坑洼檢測方法，其特征在于，所述S4具體包括：S41:對S3獲得的每個候選坑洼區(qū)域，沿候選區(qū)域的外邊緣輪廓以固定寬度向外擴展得到外邊界，所述固定寬度設定為候選區(qū)域等效半徑的1倍，以外邊界與候選區(qū)域輪廓之間的區(qū)域作為環(huán)形參考區(qū)域；S42:分別計算候選坑洼區(qū)域內(nèi)部與環(huán)形參考區(qū)域內(nèi)各自的灰度共生矩陣；S43:對兩個灰度共生矩陣分別計算各自的紋理對比度值，其中候選坑洼區(qū)域內(nèi)部紋理4對比度記為Cin,環(huán)形參考區(qū)域紋理對比度記為Cout;S44:計算候選坑洼區(qū)域與環(huán)形參考區(qū)域之間的紋理對比度差值△C;當差值△C超過預S53:在曲率梯度分布圖中，以預設的曲率梯度閾值進行二值化處理獲得二值圖像，所述曲率梯度閾值設定為0.05mm-1;并對二值圖像采用八鄰域連通分析方法提取出多個連S54:對提取出的連續(xù)像素簇區(qū)域分別計S61:針對S5中判定為有效坑洼特征的區(qū)域，提取其所有邊界像素坐標集合，并采用基 S63:計算擬合橢圓與實際坑洼像素區(qū)域的面積比，其定義為有效坑洼像素區(qū)域面積與S64:判斷擬合橢圓的幾何特征，若滿足偏心率ε<0.7且面積比η>0.85,則將當前區(qū)圖像采集模塊：用于通過安裝于車輛前方的多光譜攝像頭實時獲取道路表面的多通道原始圖像流，并同步啟動六軸慣性測量單元以采集車輛運行過程中的加速度與角速度數(shù)光譜分離與陰影抑制模塊：與偽影消除模塊連接，用于將振動補償圖像拆分為可見光5梯度熱力與候選提取模塊：與光譜分離與陰影抑制模塊連接，用于對陰影抑制圖像執(zhí)行多方向梯度運算生成梯度幅值熱力圖，并采用雙閾值連通域生長算法提取候選坑洼區(qū)紋理分析模塊：與梯度熱力與候選提取模塊連接，用于在候選坑洼區(qū)域外圍生成環(huán)形參考區(qū)域，并分別計算區(qū)域內(nèi)外的灰度共生矩陣對比度差值，當差值超過設定閾值時判定為表面破損區(qū)域；三維重建與結構判定模塊：與紋理分析模塊連接，用于對表面破損區(qū)域進行圖像序列點云重建，計算表面曲率梯度分布，并提取連續(xù)高曲率像素簇，計算其面積占比，判定是否為有效坑洼特征；形態(tài)評估與結果輸出模塊：與三維重建與結構判定模塊連接，用于對有效坑洼區(qū)域進行最小包圍橢圓擬合，計算橢圓偏心率與面積比，并根據(jù)設定條件輸出最終坑洼檢測報告。6技術領域[0001]本發(fā)明涉及道路缺陷檢測技術領域，尤其涉及一種道路坑洼檢測方法及系統(tǒng)。背景技術[0002]隨著城市道路與高速交通基礎設施的快速發(fā)展，道路表面質(zhì)量直接關系到行車安全性與道路維護成本；尤其是在高頻次載重通行或惡劣氣候條件下，道路表面易形成坑洼、龜裂等局部破損，若未及時發(fā)現(xiàn)并修復，易導致車輛懸掛系統(tǒng)損壞、交通事故增加甚至路面結構進一步惡化；為提高道路巡檢效率，目前逐步發(fā)展出基于視覺傳感與多源數(shù)據(jù)融合的自動化檢測技術，嘗試通過車載圖像采集設備實現(xiàn)對道路表面缺陷的識別與定位；然而，由于道路檢測環(huán)境中存在車輛振動、光照變化、陰影遮擋、瀝青材質(zhì)差異等多重干擾因素，傳統(tǒng)圖像處理方法在實際應用中準確率和魯棒性仍受較大限制。[0003]現(xiàn)有技術在處理道路坑洼檢測問題時，普遍存在如下技術難題：一是缺乏有效的振動偽影消除機制，導致圖像模糊和邊緣虛化，影響后續(xù)特征提取；二是對陰影和光照干擾適應性弱，易造成誤判；三是僅依賴二維圖像信息，缺乏對路面結構形態(tài)的立體感知，難以準確判斷坑洼的空間連續(xù)性與真實形貌；四是缺少統(tǒng)一的形態(tài)幾何評價機制，無法對檢測結果進行標準化表達。因此，亟需一種道路坑洼發(fā)明內(nèi)容[0004]基于上述目的，本發(fā)明提供了一種道路坑洼檢測方法及系統(tǒng)。S1:通過車載多光譜攝像頭獲取道路表面原始圖像流，同步采集六軸慣性測量單元的振動數(shù)據(jù)，基于振動數(shù)據(jù)和預設的瀝青路面材質(zhì)特征庫進行運動偽影消除生成振動補償圖像；S2:對振動補償圖像進行可見光與近紅外光譜通道分離，根據(jù)光譜反射率差值動態(tài)構建陰影概率圖，通過非對稱伽馬校正生成陰影抑制圖像；S3:對陰影抑制圖像執(zhí)行方向可調(diào)梯度運算生成梯度幅值熱力圖，并采用雙閾值連通域分析法提取候選坑洼區(qū)域；S4:在候選坑洼區(qū)域外圍選取環(huán)形參考區(qū)域，計算灰度共生矩陣對比度差值，當對比度差值超過紋理突變閾值時判定為表面破損區(qū)域；S5:對表面破損區(qū)域進行三維點云重建并計算表面曲率梯度分布，提取連續(xù)像素簇統(tǒng)計面積占比，當占比大于60%時判定為有效坑洼特征；S6:對于有效坑洼特征對應的區(qū)域，計算其最小包圍橢圓偏心率及橢圓面積比，當橢圓偏心率小于0.7且橢圓面積比大于0.85時，則將該區(qū)域標記為形態(tài)規(guī)則的完整坑洼區(qū)域，并將其參數(shù)信息納入最終坑洼檢測報告。S11:通過固定安裝于車輛前方保險杠中軸線位置的多光譜攝像頭獲取道路表面7原始圖像流；S12:通過安裝于車輛底盤中央的六軸慣性測量單元同步采集車輛在圖像采集時刻的三軸加速度與三軸角速度數(shù)據(jù)，數(shù)據(jù)采樣頻率為200Hz;同時將每幀圖像的時間戳與對應時刻的三軸加速度與三軸角速度數(shù)據(jù)進行線性插值配準，確保振動數(shù)據(jù)與圖像幀一一對S13:將六軸慣性測量單元采集到的三軸加速度與三軸角速度數(shù)據(jù)輸入基于前向運動補償?shù)膱D像變換函數(shù)，對原始圖像像素位置進行補償變換，所述圖像變換函數(shù)表達式為：I'(x,y)=I(x+△x,y+△y),動補償后的圖像的像素灰度值；X,y為原始圖像中的像素位置坐標；△x,Δy為像素位置的補償偏移量；S14:基于圖像變換函數(shù)對原始圖像流進行逐幀的像素級重采樣與平移變換，生成剔除了車輛振動與位移偽影的振動補償圖像。S21:將S1中獲得的振動補償圖像按波段通道進行拆分，提取可見光通道圖像與近紅外通道圖像；S22:計算每個像素點的光譜反射率差值，公式為：,式中，D(x,y)為像素點在可見光與近紅外通道下的歸一化反射率差值；I↓(x,y)為像素點在可見光通道的灰度值；In(x,y)為像值為0.01;S23:根據(jù)歸一化反射率差值D(x,y)計算陰影概率P?(x,y),其表達式為：Ps(x,y)=1-|D(x,y)|,當Ps(x,y)大于設定的陰影判定閾值Ts時，則對應像素點被視為存在陰影遮擋；S24:對存在陰影遮擋的圖像執(zhí)行非對稱伽馬校正以生成陰影抑制圖像。S31:對S2獲得的陰影抑制圖像進行方向可調(diào)梯度運算，采用具有不同方向的Sobel卷積核對圖像逐像素進行卷積，計算各方向上的梯度分量，最后合成為每個像素位置的梯度幅值，進而得到完整的梯度幅值熱力圖；S32:基于梯度幅值熱力圖，選取高閾值和低閾值兩個閾值，具體的高閾值設定為梯度幅值熱力圖中全部像素梯度幅值的最大值的70%,低閾值設定為梯度幅值熱力圖中全部像素梯度幅值的最大值的30%,并通過高閾值篩選出初步的強梯度像素點；S33:將初步的強梯度像素點作為初始種子點，基于連通域生長算法對種子點周圍梯度幅值超過低閾值的像素進行迭代式擴展，將相鄰像素依次歸入當前連通區(qū)域，直至區(qū)域內(nèi)不存在能繼續(xù)擴展的像素位置為止，從而得到多個獨立的候選坑洼連通區(qū)域；S34:計算每個候選坑洼連通區(qū)域的像素面積，將連通區(qū)域的面積小于50像素的區(qū)域作為噪聲區(qū)域予以剔除，保留面積大于或等于50像素的區(qū)域作為最終的候選坑洼區(qū)域。S311:將S2獲得的陰影抑制圖像記為Is(x,y);8對應的梯度方向分別為水平方向，右上方向，垂直方向與左上方向，利用每個方向的卷積核對圖像執(zhí)行二維卷積操作，得到每個方向上的梯度響應圖像；S313:將多個方向的梯度響應圖像進行加權合成，得到每個像素點的方向敏感綜合梯度幅值圖像，定義為梯度幅值熱力圖Gm(x,y)。S331:將S32篩選出的強梯度像素點作為初始種子點，建立種子點集合；S332:從種子點集合中逐一取出種子點，計算當前種子點與其周圍8鄰域像素之間的梯度幅值相似性，當梯度幅值不小于預設低閾值時，則將對應的相鄰像素標記為與當前種子點屬于同一連通域，并將該相鄰像素新增至種子點集合；S333:重復執(zhí)行S332,持續(xù)從種子點集合中取出新的種子點進行擴展，直至種子點集合為空，此時得到一個獨立完整的連通域；S334:遍歷S32獲得的所有強梯度像素點集合，對未被標記過的強梯度像素點重復S331至S333的迭代過程，直至所有強梯度像素點均被處理完畢，最終得到多個獨立的候選坑洼連通區(qū)域。S41:對S3獲得的每個候選坑洼區(qū)域，沿候選區(qū)域的外邊緣輪廓以固定寬度向外擴展得到外邊界，所述固定寬度設定為候選區(qū)域等效半徑的1倍，以外邊界與候選區(qū)域輪廓之間的區(qū)域作為環(huán)形參考區(qū)域；S42:分別計算候選坑洼區(qū)域內(nèi)部與環(huán)形參考區(qū)域內(nèi)各自的灰度共生矩陣；S43:對兩個灰度共生矩陣分別計算各自的紋理對比度值，其中候選坑洼區(qū)域內(nèi)部紋理對比度記為Cin,環(huán)形參考區(qū)域紋理對比度記為Cout;S44:計算候選坑洼區(qū)域與環(huán)形參考區(qū)域之間的紋理對比度差值△C;當差值△C超過預設的紋理突變閾值CT時，判定該候選坑洼區(qū)域為表面破損區(qū)域。S51:基于S4判定的表面破損區(qū)域，利用攝像頭在車輛前進過程中連續(xù)獲取的多幀二維圖像，結合車輛行駛過程中記錄的位姿信息，通過基于結構光投影原理的三維重建算法實現(xiàn)表面破損區(qū)域的高密度三維點云重建，得到三維點云數(shù)據(jù)；S52:對三維點云數(shù)據(jù)執(zhí)行表面曲率計算，利用每個點云數(shù)據(jù)點與其相鄰半徑為5mm范圍內(nèi)的鄰域點，通過最小二乘法擬合局部二次曲面，計算每個數(shù)據(jù)點處的高斯曲率值，并對所得曲率值求取空間梯度，生成對應的表面曲率梯度分布圖；S53:在曲率梯度分布圖中，以預設的曲率梯度閾值進行二值化處理獲得二值圖像，所述曲率梯度閾值設定為0.05mm?1;并對二值圖像采用八鄰域連通分析方法提取出多個連續(xù)的像素簇區(qū)域；S54:對提取出的連續(xù)像素簇區(qū)域分別計算像素面積占比；當任一連續(xù)像素簇區(qū)域的面積占比大于60%時，判定該表面破損區(qū)域具備有效坑洼特征。S61:針對S5中判定為有效坑洼特征的區(qū)域，提取其所有邊界像素坐標集合，并采9S64:判斷擬合橢圓的幾何特征，若滿足偏心率ε<0.7且面積比η>0.85,則將當紋理分析模塊：與梯度熱力與候選提取模塊連形態(tài)評估與結果輸出模塊：與三維重建與結構判[0016]本發(fā)明，通過在特征提取與判定層面，融合多方向梯度運算、雙閾值連通域分析、紋理對比度判斷、點云曲率分析及橢圓形態(tài)擬合等技術手段，構建了自下而上的多級篩選機制，實現(xiàn)了對坑洼區(qū)域從二維到三維、從灰度到形態(tài)的多維度綜合識別判斷，確保最終輸出的坑洼檢測結果具備高完整度、準確性與標準化表達能力，滿足道路智能巡檢系統(tǒng)高精度實時檢測的需求。附圖說明[0017]為了更清楚地說明本發(fā)明或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。[0018]圖1為本發(fā)明實施例的道路坑洼檢測方法示意圖；圖2為本發(fā)明實施例的道路坑洼檢測系統(tǒng)示意圖。具體實施方式[0019]下面結合附圖和具體實施例對本發(fā)明進行詳細描述。同時在這里做以說明的是，為了使實施例更加詳盡，下面的實施例為最佳、優(yōu)選實施例，對于一些公知技術本領域技術人員也可采用其他替代方式而進行實施；而且附圖部分僅是為了更具體的描述實施例，而并不旨在對本發(fā)明進行具體的限定。實施例”等指示所述的實施例可以包括特定特征、結構或特性，但未必每個實施例都包括該(無論是否明確描述)實現(xiàn)這種特征、結構或特性應在相關領域技術人員的知識范圍內(nèi)。[0021]通常，可以至少部分從上下文中的使用來理解術語。例如，至少部分取決于上下旨在傳達一組排他性的因素，而是可以替代地，至少部分地取決于上下文，允許存在不一定明確描述的其他因素。S1:通過車載多光譜攝像頭獲取道路表面原始圖像流，同步采集六軸慣性測量單元的振動數(shù)據(jù)，基于振動數(shù)據(jù)和預設的瀝青路面材質(zhì)特征庫進行運動偽影消除生成振動補償圖像；S2:對振動補償圖像進行可見光與近紅外光譜通道分離，根據(jù)光譜反射率差值動態(tài)構建陰影概率圖，通過非對稱伽馬校正生成陰影抑制圖像；S3:對陰影抑制圖像執(zhí)行方向可調(diào)梯度運算生成梯度幅值熱力圖，并采用雙閾值連通域分析法提取候選坑洼區(qū)域；S4:在候選坑洼區(qū)域外圍選取環(huán)形參考區(qū)域，計算灰度共生矩陣對比度差值，當對比度差值超過紋理突變閾值時判定為表面破損區(qū)域；S5:對表面破損區(qū)域進行三維點云重建并計算表面曲率梯度分布，提取連續(xù)像素簇統(tǒng)計面積占比，當占比大于60%時判定為有效坑洼特征；S6:對于有效坑洼特征對應的區(qū)域，計算其最小包圍橢圓偏心率及橢圓面積比，當橢圓偏心率小于0.7且橢圓面積比大于0.85時，生成最終坑洼檢測報告。S11:通過固定安裝于車輛前方保險杠中軸線位置的多光譜攝像頭獲取道路表面原始圖像流，多光譜攝像頭具備可見光、近紅外及短波紅外三個通道，幀率為60fps,圖像分辨率不低于1920×1080像素，并采用硬件觸發(fā)方式同步啟動圖像采集；S12:通過安裝于車輛底盤中央的六軸慣性測量單元(IMU)同步采集車輛在圖像采集時刻的三軸加速度與三軸角速度數(shù)據(jù)，三軸加速度包括沿車輛前進方向的縱向加速度、橫向加速度和垂直加速度；三軸角速度包括繞車輛前進方向軸線旋轉(zhuǎn)的橫滾角速度、繞橫軸旋轉(zhuǎn)的俯仰角速度和繞豎直軸旋轉(zhuǎn)的偏航角速度，數(shù)據(jù)采樣頻率為200Hz;同時將每幀圖像的時間戳與對應時刻的三軸加速度與三軸角速度數(shù)據(jù)進行線性插值配準，確保振動數(shù)據(jù)與圖像幀一一對應；S13:將六軸慣性測量單元采集到的三軸加速度與三軸角速度數(shù)據(jù)輸入基于前向運動補償?shù)膱D像變換函數(shù)，對原始圖像像素位置進行補償變換，圖像變換函數(shù)表達式為：圖像的像素灰度值；I'(x,y)為經(jīng)振動補償后的圖像的像素灰度值；x,y為原始圖像中的像素位置坐標；△x,Δy為像素位置的補償偏移量；ax(t),ay(t)分別為車輛在圖像采集時刻的縱向和橫向加速度，單位為m/s2;wx(t),w?(t)分別為車輛在圖像采集時刻的橫滾角速度和偏航角速度，單位為rad/s;ka,kb為瀝青路面材質(zhì)特征庫中針對不同瀝青材質(zhì)所標定的加速度補償系數(shù)，單位為像素·s2/m;kw,kg為瀝青路面材質(zhì)特征庫中針對不同瀝青材質(zhì)所標S14:基于圖像變換函數(shù)對原始圖像流進行逐幀的像素級重采樣與平移變換，生成剔除了車輛振動與位移偽影的振動補償圖像；通過上述步驟，能夠確保圖像采集與振動數(shù)據(jù)在時間與空間維度上高度一致，并在材質(zhì)差異影響下實現(xiàn)針對性的圖像校正，從而提高坑洼區(qū)域圖像的穩(wěn)定性與清晰度，有助于后續(xù)的光譜分析與幾何識別精度。S21:將S1中獲得的振動補償圖像按波段通道進行拆分，提取可見光通道圖像與近紅外通道圖像.多光譜攝像頭通過濾光器碎列實現(xiàn)各波段的分光成像.通道波長分別為：可見光通道波長范圍400nm至700nm,近紅外通道波長范圍為750nm至950nm,拆分后的圖像保持與原圖像同分辨率和像素坐標一致；S22:計算每個像素點的光譜反射率差值，公式為：,式見光通道的灰度值；In(x,y)為像素點在近紅外通道的灰度值；ψ為防止分母為值為0.01;S23:根據(jù)歸一化反射率差值D(x,y)計算陰影概率P?(x,y),其表達式為：Ps(x,y)=1-|D(x,y)|,當P?(x,y)大于設定的陰影判定閾值Ts,(Ts=0.75)時，則對應像馬系數(shù)，取值范圍為1.2至1.5;Y?為非陰影區(qū)域設定的還原伽馬系數(shù)，取值范圍為0.7至S31:對S2獲得的陰影抑制圖像進行方向可調(diào)梯度運算，采用具有不同方向的梯度幅值熱力圖中全部像素梯度幅值的最大值的70%,低閾值設定為梯度幅值熱力圖中全S33:將初步的強梯度像素點作為初始種子點，基于連通域生S34:計算每個候選坑洼連通區(qū)域的像素面積，將連通區(qū)域域作為噪聲區(qū)域予以剔除，保留面積大于或等于50像素的區(qū)域作為最終的候選坑洼區(qū)域；對圖像執(zhí)行二維卷積操作，得到每個方向上的梯度響應圖像，分別記為水平方向梯度圖S313:將多個方向的梯度響應圖像進行加權合成，得到每個像素點的方向敏感綜=w?[Go(xy)2+w?[Gs(x,y)2+w?[Go(xy數(shù)，各權重系數(shù)滿足W?+w?+w?+w?=1,本實施例中四個權重系數(shù)的數(shù)值統(tǒng)一取值S42:分別計算候選坑洼區(qū)域內(nèi)部與環(huán)形參考區(qū)域內(nèi)各自的灰度共生矩陣紋理對比度記為Cin,環(huán)形參考區(qū)域紋理對比度記為Cout;紋理對比度的計算公式為,式中，C為對應S44:計算候選坑洼區(qū)域與環(huán)形參考區(qū)域之間的紋理對比度差值△C,并依據(jù)該差S52:對三維點云數(shù)據(jù)執(zhí)行表面曲率計算，利用每個點云數(shù)據(jù)點與其相鄰半徑為5mm范圍內(nèi)的鄰域點，通過最小二乘法擬合局部二次曲面，計算每個數(shù)據(jù)點處的高斯曲率S53:在曲率梯度分布圖中，以預設的曲率梯度閾值進行二值化處理獲得二值圖像，曲率梯度閾值設定為0.05mm?1;并對二值圖像采用八鄰域連通分析S61:針對S5中判定為有效坑洼特征的區(qū)域，提取其所有S64:判斷擬合橢圓的幾何特征，若滿足偏心率ε<0.7且面積比η>0.85,則將當前區(qū)域標記為形態(tài)規(guī)則的完整坑洼區(qū)域，并將其空間位置、輪廓坐標、長短軸尺寸、偏心率及面積比寫入標準化數(shù)據(jù)結構中，最終生成包含所有有效坑洼區(qū)域參數(shù)的檢測報告；通過上述步驟，能夠在有效幾何擬合的基礎上結合形態(tài)特征指標實現(xiàn)對坑洼區(qū)域的精確幾何評價，從而確保輸出的檢測結果具備高可靠性和完整性。[0031]如圖2所示，一種道路坑洼檢測系統(tǒng)，用于實現(xiàn)上述的一種道路坑洼檢測方法，包括以下模塊：圖像采集模塊：用于通過安裝于車輛前方的多光譜攝像頭實時獲取道路表面的多通道原始圖像流，并同步啟動六軸慣性測量單元以采集車輛運行過程中的加速度與角速度偽影消除模塊：與圖像采集模塊連接，基于加速度與角速度數(shù)據(jù)，并結合預設的瀝青路面材質(zhì)特征庫，對原始圖像流進行運動偽影消除處理，輸出振動補償圖像；光譜分離與陰影抑制模塊：與偽影消除模塊連接，用于將振動補償圖像拆分為可見光