具体实施方式

下面结合附图和实施例对本发明做进一步详细说明。

如图1所示，本发明基于激光或是雷达建构三维图像的道路构造深度，其检测方法包括如下步骤：

步骤一、获取建构三维图像的原始数据。所述原始数据是直接由传感器获取的，无加工的数据，从而能够有效避免因为传感器的抗噪能力不同而使得量测数值具有的偏差性，一致性更好。

步骤二、对原始数据进行去抖动并且滤波预处理，得到预处理后的高程数据。本例除了可以采用硬件上加上防抖动方式外，也同时在获取激光传感器或是雷达传感器获取的数据先做去抖动滤波预处理，使用软件做去抖动滤波功能的方法，在软件上不限于使用卡尔曼滤波器(Kalman Filter)、卡尔曼-布西(Kalman-Bucy)滤波器、混合型卡尔曼滤波器、扩展卡尔曼滤波器(Extended Kalman Filter)、频率加权卡尔曼滤波器、限幅滤波法、中位值平均滤波法、一阶滞后滤波法、加权递推平均滤波法、算术平均数滤波器、最小均方滤波器、消抖滤波法、限幅消抖滤波法以及中值滤波器等。不论使用何种软件滤波器用做去抖动滤波功能的方式，都不违背本发明使用本架构的初衷，去抖动最有效的方式是以某一数列的初始值经过离散动态系统之后，不断地迭代修正离散系统内的参数，使得预测值趋于接近下一次的量测值。

本例采用卡尔曼滤波器对本发明的处理方法进行详细说明。使用Kalman(卡尔曼)滤波去抖动并且做滤波预处理有4个步骤，包含了利用系统过程模型来预测系统下一状态，更新协方差异矩阵参数结合预测值以及量测值的最优化数值，修正差异矩阵参数，最后一步就是将最终的修正后的协方差异矩阵再次代入系统过程模型，如此一来就会不断地进行量测跟预测的不断修正，使得预测值趋于接近下一次的量测值。

步骤S 2.1：每一个激光量测到的点阵数据，赋予线性随机微分方程式(1.1)

X[k]＝AX[k-1]+BU[k]+W[k] (1.1)

再加上系统的测量值：

Z[k]＝HX[k]+V[k] (1.2)

其中，X[k]是k时刻的系统状态，U[k]是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，它们均为矩阵。Z[k]是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W[k]和V[k]分别表示过程和测量的噪声。本例被假设成高斯白噪声(WhiteGaussianNoise)，它们的协方差(covariance)分别是Q，R。

P表示协方差(covariance),是对应于X[k|k-1]的协方差，协方差的计算公式为：

P[k|k-1]＝AP[k-1|k-1]A′+Q (2)

式(2)中，P[k|k-1]是X[k|k-1]对应的协方差，A′表示A的转置矩阵，Q是系统过程的协方差，P[k-1|k-1]是X[k-1|k-1]对应的协方差是由当前状态(k-1时)量测到的数据来预测下一个状态(k时)量测到的数据。此步骤是对当前K时状态的预测。在此例是指当前K时所量测的数据。

步骤S2.2：公式(2)是表示现在状态的预测结果，然后本例通过收集现在状态的测量值，结合预测值和测量值，得到现在状态(k)的最优化估算值X[k|k]：

X[k|k]＝X[k|k-1]+Kg[k](Z[k]-HZ[k|k-1]) (3)

其中，Kg为卡尔曼增益，Kg的计算公式为：

其中，Z(k)是k时刻的测量值,H是测量系统的参数，对于多测量系统，H为矩阵，H′指H的转置矩阵,W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(WhiteGaussian Noise),他们的协方差(covariance)分别是Q，R(这里我们假设他们不随系统状态变化而变化)。到现在为止，本发明已经得到了k状态下最优的估算值x[k|k]。

步骤S2.3：为了要令卡尔曼滤波器不断的运行下去，直到系统过程结束，本例还要更新k状态下x[k|k]的协方差，计算公式为：

P[k|k]＝(I-Kg[k]H)P[k|k-1] (5)

其中I为[1]的矩阵，对于单模型单测量，I＝[1]。当系统进入k+1状态时，P[k|k]就是式子(2)的P[k-1|k-1]。

步骤S2.4：再次量测到的值循环执行步骤S1.1以及步骤S1.2，算法就可以自回归的运算下去，从而可以得到各个时间点的预处理后的高程数据。

步骤三、对高程数据进行校验库回归修正。

步骤四：对各个点修正后的高程值与校验库做标准差分析，得到的残差值作为各个点的最终高程值。

本例的步骤三和步骤四可以统一用线性拟合法、最小二乘法、梯度下降法或标准偏差筛选法等算法。本例步骤S3跟S4使用线性拟合法加上最小二乘法的方式来计算激光量测高程根据步骤S1去抖动滤波后高程数据的残差。

步骤S3：将去抖动并且滤波预处理后的数据进行数据回归修正。

步骤S3.1：将去抖动并且滤波预处理的高程数据其中是一个矩阵，是表示第k个滤波处理后的高程值，其完整表示式如下：

其中，是表示第k个滤波处理后的高程值，T表示高程值点个数，m表示滤波窗口内的高程点个数，i表示第i个高程点,j表示变数是用来取代i+m-1表示法。

步骤S3.2：需要将步骤S3.1中的高程数据矩阵与校验库的高程点最优数据拟合线作线性拟合，本例设定高程点最优数据拟合线公式为：

其中，i表示第i个高程点，i＝1……n，z表示第i个高程点的回归值。及分别是第i个高程点平均值随时间量测到的高程数据的最优数据拟合线性方程的系数。

将公式(9)做线性拟合：

其中，表示n个高程点的平均值，表示第i个滤波后的高程值，表示n个滤波处理后的高程值的平均值，即

步骤S4：将各个点量测到的高程值与校验库做残差分析，所得出的残差值作为各点的值；

透过公式(13)所得出的高程值平均值再根据得到的拟合回归线的各i点高程值再以公式：

计算残差值就可以得到最终的高程值，其中，表示第i个高程值的残差。

步骤S5：将各个点高程值的残差建构出路面构造深度。

采用步骤S4的公式(14)计算所得到的高程值残差，就可以建构出路面构造深度。

如图2所示，为了获取高稳定性、高精度以及高信息度的高程值，本例还提供一种道路构造深度检测装置，包括激光传感器、距离传感器、图像传感器、数据采集设备和数据处理器，其中，所述数据采集设备的输入端与所述激光传感器、距离传感器、图像传感器输出端相连，所述数据采集设备的输出端与数据处理器输入端相连，所述数据处理器设有上述用于建构出路面构造深度的系统。

本例的距离传感器，不限于车轴编码器、惯导系统、GPS系统以及任何能检测出距离或是定位的设备。激光传感器不限于点激光、线激光、以及3维激光等激光传感器。图像传感器不限于三维相机、面阵相机、线相机以及任何能获取图像的传感器或是设备。以上所涉及到的传感器都被视为现有技术，在应用到本装置中，都理应受到本发明针对道路路面结构深度的构建方法保护。

本例的道路构造深度检测装置的工作原理为：

每当车辆行进某一段距离，距离传感器便会分别发出触发信号给激光传感器(或雷达传感器)、图像传感器以及数据采集设备；而此同时，图像传感器、激光传感器以及距离传感器(或雷达传感器)都会同时将数据传送给数据采集设备。

2.数据采集设备将图像传感器、激光传感器(或雷达传感器)以及距离传感器所传送的数据汇整，并且依据实际使用需求做相应存储。例如：可以将数据依照不同距离,0.2米、0.5米、1米、2米以及5米等不同需求做数据传送至数据处理器系统，而此时的数据并没有经过任何处理。

3.数据采集设备将采集到的数据传送到数据处理器系统以及让数据处理器系统做进一步的处理。

因为车辆在行进当中，遇到巅岥路段时，为了预防获取到不精准的高程值，都会先做硬件方式防抖动以及软件方式去抖动滤波方式，获取到精准的高程值再给后续的算法做处理。然而使用软件去做去抖动滤波方式，会因为各种软件对数值处理方式不同而有不同的精准度。而本发明所阐述的系统架构是依据获取得到的数值加上软件去抖动滤波方式加搭配校验库的回归值做修正，得到的高程值再与校验库的标准差做分析，可以得到残差值，而此残差值便可以作为各点高精准的高程值，高精准的高程值便可以建构出道路路面深度。本发明采用抖动预处理后的数据可以比现有单纯使用校验库得到更高精度的高程值。建构出高程值的道路路面构造深度，可以依据距离传感器以人为的方式来设定所需距离的构造深度，在实际的应用上会更加灵活。

以上所述之具体实施方式为本发明的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明所作的等效变化均在本发明的保护范围内。