一种路面宏观纹理获取及典型指标计算方法与流程

[0001]
本发明属于路面宏观纹理提取技术领域，尤其涉及一种路面宏观纹理获取及典型指标计算方法。


背景技术：

[0002]
路面的抗滑性能与路面的纹理息息相关。对于公路路面的抗滑性能，路面纹理是最为直接的影响因素。路面的纹理将直接影响到路面和轮胎的接触效果，继而对车辆在路面行驶时的制动效果、行车稳定性产生影响。
[0003]
对于沥青路面纹理，第18届世界道路专业会议(piarc)对路面纹理的构造参数进行了较为客观的描述，定义了λ为水平方向的波长，a为垂直方向的振幅。根据该分类方法，沥青路面纹理可按波长分为四类，即：微观纹理(micro-texture)、宏观纹理(macro-texture)、巨纹理(mega-texture)和不平整度(roughness)。
[0004]
微观纹理波长范围在0.001～0.5mm，垂直振幅小于0.2mm，主要取决于沥青混合料集料表面的棱角性。随着沥青路面的使用，集料逐渐磨光，棱角性变差，微观纹理程度下降。微观纹理主要为干燥和略潮湿路面的低速行驶的车辆提供抗滑能力。
[0005]
宏观纹理波长范围在0.5～50mm，垂直振幅0.1～20mm，主要取决于路表轮廓的粗糙程度。良好的宏观纹理不仅在干燥天气下提供良好的抗滑性能，在雨水天气还可以提供排水通道，保持路面的摩擦特性。宏观纹理主要在车辆高速行驶时提供抗滑能力。
[0006]
巨纹理和不平整度大多由于路表产生功能性破坏、早期施工质量差所致。该类型的纹理易造成轮胎胎壁的振动和行驶噪声的增加，严重时会损坏车辆的悬挂系统。巨纹理和不平整度已不属于正常服务水平的沥青路面纹理。
[0007]
目前国内外沥青路面纹理的测量主要从直接和间接两个角度获取。直接测量法是指通过测量设备对沥青路面纹理进行采集。间接测量法是指通过测量摩擦力等其他抗滑指标间接获取沥青路面纹理程度。
[0008]
本发明属于直接测量法的一种，设计了一种针对车载线结构光扫描路面纹理数据的分解器。在此之前，对于具有较大波动的车载线结构光扫描路面纹理数据一直没有较好的解决方案，直接使用原始数据计算路面纹理的典型指标往往失真严重。通过本专利提取获得路面纹理数据中的宏观纹理，随后使用提取到的路面宏观纹理中的数据计算路面纹理的典型指标，与路面的实际情况相符。


技术实现要素：

[0009]
本发明针对车载线结构光三维路面测量结果中宏观纹理、微观纹理、巨纹理、路面不平整度混杂的情况，提出了一种路面宏观纹理获取及典型指标计算方法。
[0010]
本发明所采用的技术方案是一种路面宏观纹理获取及典型指标计算方法，具体包括以下步骤；
[0011]
步骤1，构建三维路面数据；
[0012]
步骤2，构建路面宏观波动beads算法参数集，根据beads算法参数集构建路面宏观波动beads算法模型，三维路面数据通过路面宏观波动beads算法模型提取路面宏观波动数据；
[0013]
步骤3，构建路面宏观纹理波动beads算法参数集，根据beads算法参数集构建路面宏观纹理波动beads算法模型，三维路面数据通过路面宏观纹理波动beads算法模型提取路面宏观纹理波动数据；
[0014]
步骤4，根据路面宏观纹理波动、路面宏观波动数据计算得到路面宏观纹理数据；
[0015]
步骤5，通过路面宏观纹理数据分别计算传感器测量出的平均构造深度、最大轮廓谷深度、最大轮廓峰高度、整体轮廓高度、算数平均偏差、平方根平均偏差、峭度系数、峰态系数、偏斜度、偏态系数；
[0016]
步骤6：将平均构造深度、最大轮廓谷深度、最大轮廓峰高度、整体轮廓高度、算数平均偏差、平方根平均偏差、峭度系数、峰态系数、偏斜度、偏态系数依次与对应指标的正常阈值比较，判断是否超出正常阈值范围，以评估路面健康性。
[0017]
作为优选，步骤1所述三维路面数据的定义为：
[0018]
z(x，y)
[0019]
其中，z(x，y)表示第x行第y列的高程信息，x∈[1，m]，y∈[1，n]，m为图像的行数，n为图像的列数；
[0020]
作为优选，步骤2所述路面宏观波动beads算法参数集包括：路面宏观波动截止频率、路面宏观波动滤波器阶数、路面宏观波动惩罚系数、路面宏观波动第一正则化系数、路面宏观波动第二正则化系数以及路面宏观波动第三正则化系数；
[0021]
所述路面宏观波动截止频率，具体计算为：
[0022][0023]
其中，f
c
表示路面宏观波动截止频率，λ
max
表示波长最大值，a
max
表示垂直振幅最大值，δ表示车载线结构光扫描路面纹理数据的采样间隔；
[0024]
所述路面宏观波动滤波器阶数为：d；
[0025]
其中，d＞1会引起避免震荡，d＝1阶；
[0026]
所述路面宏观波动惩罚系数选为r，r＝1；
[0027]
所述路面宏观波动第一正则化系数、路面宏观波动第二正则化系数、路面宏观波动第三正则化系数的计算方法如下：
[0028]
波动比例系数的取值范围为[min，max]，min＝0.1，max＝2.0，从波动比例系数的取值范围等间隔的选取k个波动比例系数，定义为：α1，α2，...，α
k
，α
k
为第k个波动比例系数，k∈[1，k]；
[0029]
第k个波动比例系数下第一正则化系数为：
[0030][0031]
第k个波动比例系数下第二正则化系数为：
[0032][0033]
第k个波动比例系数下第三正则化系数为：
[0034][0035]
其中，z(x，y)表示第x行第y列的高程信息，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数；
[0036]
步骤2所述根据beads算法参数集构建路面宏观波动beads算法模型为：
[0037]
结合路面宏观波动截止频率、路面宏观波动滤波器阶数、路面宏观波动惩罚系数、第k个波动比例系数、第k组正则化系数即[λ
k，1
，λ
k，2
，λ
k，3
]构建第k个路面宏观波动beads算法模型；
[0038]
z(x，y)通过第k个beads路面宏观波动算法模型进行分解得到第k个路面宏观波动分解后噪声信号，即noise
k
；
[0039]
结合第k个分解后路面宏观波动噪声信号计算第k个分解后路面宏观波动噪声方差，具体为：
[0040][0041]
其中，noise
k
(x，y)表示第x行第y列的第k个分解的路面宏观波动噪声信号，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数，[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数，
[0042]
在k个分解后路面宏观波动噪声方差中即var1，var2，...，var
k
中选择最小值，即var
index
，对应为第index个路面宏观波动比例系数即α
index
，进一步分别计算第index个路面宏观波动比例系数下第一路面宏观波动正则化系数即λ
index，1
、第index个路面宏观波动比例系数下路面宏观波动第二正则化系数即λ
index，2
、第index个路面宏观波动比例系数下路面宏观波动第三正则化系数即λ
index，3
；
[0043]
将λ
index，1
定义为路面宏观波动第一正则化系数，将λ
index，2
定义为路面宏观波动第二正则化系数，将λ
index，3
定义为路面宏观波动第三正则化系数；
[0044]
结合路面宏观波动截止频率、路面宏观波动滤波器阶数、路面宏观波动惩罚系数、路面宏观波动第一正则化系数、路面宏观波动第二正则化系数、路面宏观波动第三正则化系数构建步骤2所述路面宏观波动beads算法模型；
[0045]
步骤2所述路面宏观波动数据定义为：
[0046]
data2(x，y)
[0047]
其中，data2(x，y)表示第x行第y列的路面宏观波动信号数据，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数；
[0048]
作为优选，步骤3所述路面宏观纹理波动beads算法参数集包括：路面宏观纹理波动截止频率、路面宏观纹理波动滤波器阶数、路面宏观纹理波动惩罚系数、路面宏观纹理波动第一正则化系数、路面宏观纹理波动第二正则化系数以及路面宏观纹理波动第三正则化
系数；
[0049]
所述路面宏观纹理波动截止频率，具体计算为：
[0050][0051]
其中，f
c
′
表示截止频率，λ
min
表示波长最小值，a
min
表示垂直振幅最小值，δ表示车载线结构光扫描路面纹理波动数据的采样间隔；
[0052]
所述路面宏观纹理波动滤波器阶数为：d
′
；
[0053]
其中，d
′
＞1会引起避免震荡，d
′
＝1阶；
[0054]
所述路面宏观纹理波动惩罚系数选为r
′
，r
′
＝1；
[0055]
所述路面宏观纹理波动第一正则化系数、路面宏观纹理波动第二正则化系数、路面宏观纹理波动第三正则化系数的计算方法如下：
[0056]
纹理波动比例系数的取值范围为[min
′
，max
′
]，min
′
＝0.1，max
′
＝2.0，从纹理波动比例系数的取值范围等间隔的选取k个纹理波动比例系数，定义为：α
′1，α
′2，...，α
′
k
，α
′
k
为第k个纹理波动比例系数，k∈[1，k]；
[0057]
第k个纹理波动比例系数下第一正则化系数为：
[0058][0059]
第k个纹理波动比例系数下第二正则化系数为：
[0060][0061]
第k个纹理波动比例系数下第三正则化系数为：
[0062][0063]
其中，z(x，y)表示第x行第y列的高程信息，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数；
[0064]
步骤3所述根据beads算法参数集构建路面宏观纹理波动beads算法模型为：
[0065]
结合路面宏观纹理波动截止频率、路面宏观纹理波动滤波器阶数、路面宏观纹理波动惩罚系数、第k个纹理波动比例系数、第k组正则化系数即[λ
′
k，1
，λ
′
k，2
，λ
′
k，3
]构建第k个路面宏观纹理波动beads算法模型；
[0066]
z(x，y)通过第k个路面宏观纹理波动beads算法模型进行分解得到第k个路面宏观纹理波动分解后噪声信号，即noise
′
k
；
[0067]
结合第k个路面宏观纹理波动分解后噪声信号计算第k个路面宏观纹理波动分解后噪声方差，具体为：
[0068][0069]
其中，noise
′
k
(x，y)表示第x行第y列的第k个分解的路面宏观纹理波动噪声信号，
x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数，
[0070]
在k个分解后路面宏观纹理波动噪声方差中即var
′1，var
′2，
…
，var
′
k
中选择最小值，即var
′
index
，对应为第index个路面宏观纹理波动比例系数即α
′
index
，进一步分别计算第index个路面宏观纹理波动比例系数下路面宏观纹理波动第一正则化系数即λ
′
index，1
、第index个路面宏观纹理波动比例系数下路面宏观纹理波动第二正则化系数即λ
′
index，2
、第index个路面宏观纹理波动比例系数下路面宏观纹理波动第三正则化系数即λ
′
index，3
；
[0071]
将λ
′
index，1
定义为路面宏观纹理波动第一正则化系数，将λ
′
index，2
定义为路面宏观纹理波动第二正则化系数，将λ
′
index，3
定义为路面宏观纹理波动第三正则化系数；
[0072]
结合路面宏观纹理波动截止频率、路面宏观纹理波动滤波器阶数、路面宏观纹理波动惩罚系数、路面宏观纹理波动第一正则化系数、路面宏观纹理波动第二正则化系数、路面宏观纹理波动第三正则化系数构建步骤3所述路面宏观纹理波动beads算法模型；
[0073]
步骤3所述路面宏观纹理波动数据定义为：
[0074]
data3(x，y)
[0075]
其中，data3(x，y)表示第x行第y列的路面宏观纹理波动信号数据，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数；
[0076]
作为优选，步骤4所述路面宏观纹理数据为：
[0077]
data
texture
(x，y)＝data3(x，y)-data2(x，y)
[0078]
其中，data
texture
(x，y)表示第x行第y列的路面宏观纹理信号数据，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数；
[0079]
作为优选，步骤5所述计算传感器测量出的平均构造深度为：
[0080][0081]
其中，smtd表示传感器测量出的平均构造深度，data
texture
(x，y)表示第x行第y列的路面宏观纹理信号数据，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数，regress(x，y)表示，regress(x，y)为data
texture
(x，y)二次抛物线回归后的数据，regress(x，y)＝a
x
y2+b
x
y+c
x
，其中，其中
[0082]
即使得最小的a
x
，b
x
，c
x
；
[0083]
步骤5所述计算最大轮廓谷深度为：
[0084]
r
v
＝|min(data
texture
(x，y))|
[0085]
x∈[1，m]，y∈[1，n]
[0086]
其中，r
v
表示最大轮廓谷深度，min表示在m行n列的路面宏观纹理数据即m*n个路面宏观纹理信号数据中搜索最小值；
[0087]
步骤5所述计算最大轮廓峰高度为：
[0088]
r
p
＝|max(data
texture
(x，y))|
[0089]
其中，r
v
表示最大轮廓峰高度，max表示在m行n列的路面宏观纹理数据即m*n个路面宏观纹理信号数据中搜索最大值；
[0090]
步骤5所述计算整体轮廓高度为：
[0091]
r
t
＝r
v
+r
p
[0092]
其中，r
t
表示整体轮廓高度；
[0093]
步骤5所述计算算数平均偏差为：
[0094][0095][0096]
其中，r
a
表示算数平均偏差，表示路面宏观纹理数据的平均高度；
[0097]
步骤5所述计算平方根平均偏差为：
[0098][0099]
其中，r
q
表示平方根平均偏差；
[0100]
rku(峭度/峰态系数)：峰度、峰态系数表示的是四阶中心矩与方差平方的比值。其中，data
texture
(x，y)表示第x行第y列的路面宏观纹理数据，x∈[1，m]，y∈[1，n]，m为图像的行数，n为图像的列数，其中，m，n为宽度和长度方向上的采样点数；向上的采样点数；表示data
texture
数据的平均高度；
[0101]
rsk(偏斜度/偏态系数)：偏斜度、偏态系数表示的是三阶中心矩与标准差立方的比值。其中，data
texture
(x，y)表示第x行第y列的路面宏观纹理数据，x∈[1，m]，y∈[1，n]，m为图像的行数，n为图像的列数，其中，m，n为宽度和长度方向上的采样点数；长度方向上的采样点数；表示data
texture
数据的平均高度。
[0102]
本专利设计了一种针对车载线结构光扫描路面纹理数据的分解器。在此之前，对于具有较大波动的车载线结构光扫描路面纹理数据一直没有较好的解决方案，直接使用原始数据计算路面纹理的典型指标往往失真严重。通过本专利提取获得路面纹理数据中的宏观纹理，随后使用提取到的路面宏观纹理中的数据计算路面纹理的典型指标，与路面的实际情况相符。
附图说明
[0103]
图1：是沥青路面纹理类型示意图；
[0104]
图2：是beads算法分解结果示意图；
[0105]
图3：是本发明主要流程；
[0106]
图4：是beads算法分解得到路面宏观起伏的示意图；
[0107]
图5：是beads算法滤除路面噪声的示意图；
[0108]
图6：是beads算法分解得到路面宏观纹理的示意图。
[0109]
图7：本发明方法流程图。
具体实施方式
[0110]
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
[0111]
下面结合图1至图7介绍本发明具体实施方式，一种路面宏观纹理获取及典型指标计算方法，包括以下步骤：
[0112]
步骤1，构建三维路面数据。三维路面数据中包含路面的微观纹理、宏观纹理、宏观波动、噪声，无法直接用于路面典型指标的计算。本发明中，分析的主要对象为路面的宏观纹理，路面的病害、微观纹理、观测噪声等不在分析范围内的对象应被排除；
[0113]
步骤1所述三维路面数据的定义为：
[0114]
z(x，y)
[0115]
其中，z(x，y)表示第x行第y列的高程信息，x∈[1，m]，y∈[1，n]，m＝1000为图像的行数，n＝2048为图像的列数；
[0116]
步骤2，构建路面宏观波动beads算法参数集，根据beads算法参数集构建路面宏观波动beads算法模型，三维路面数据通过路面宏观波动beads算法模型提取路面宏观波动数据；
[0117]
其中，beads算法的方法理论基础及依据如下：对于一个只包含低频分量和尖峰分量的信号s很容易对它建模s＝x+f，其中，x代表稀疏尖峰，f代表基线(低频信号)。再将噪声纳入考虑。y＝s+w＝x+f+w，其中，y代表信号，w代表噪声。假定其中的尖峰是不存在的，那么f≈l(f+w)，其中l为一适当的低通滤波器。因此，如果估计出尖峰信号的估计量就可以对其中的y使用低通滤波器l估计基线在这种情况下，可以使用估计得到估计得到
[0118]
步骤2所述路面宏观波动beads算法参数集包括：路面宏观波动截止频率、路面宏观波动滤波器阶数、路面宏观波动惩罚系数、路面宏观波动第一正则化系数、路面宏观波动第二正则化系数以及路面宏观波动第三正则化系数；
[0119]
所述路面宏观波动截止频率，具体计算为：
[0120][0121]
其中，f
c
＝0.04表示路面宏观波动截止频率，λ
max
＝50mm表示波长最大值，a
max
＝20mm表示垂直振幅最大值，δ＝1mm表示车载线结构光扫描路面纹理数据的采样间隔；
[0122]
所述路面宏观波动滤波器阶数为：d；
[0123]
其中，d＞1会引起避免震荡，d＝1阶；
[0124]
所述路面宏观波动惩罚系数选为r，r＝1；
[0125]
所述路面宏观波动第一正则化系数、路面宏观波动第二正则化系数、路面宏观波
动第三正则化系数的计算方法如下：
[0126]
波动比例系数的取值范围为[min，max]，min＝0.1，max＝2.0，从波动比例系数的取值范围等间隔的选取k个波动比例系数，定义为：α1，α2，...，α
k
，α
k
为第k个波动比例系数，k∈[1，k]；
[0127]
第k个波动比例系数下第一正则化系数为：
[0128][0129]
第k个波动比例系数下第二正则化系数为：
[0130][0131]
第k个波动比例系数下第三正则化系数为：
[0132][0133]
其中，z(x，y)表示第x行第y列的高程信息，x∈[1，m]，y∈[1，n]，m＝1000为信号的行数，n＝2048为信号的列数；
[0134]
步骤2所述根据beads算法参数集构建路面宏观波动beads算法模型为：
[0135]
结合路面宏观波动截止频率、路面宏观波动滤波器阶数、路面宏观波动惩罚系数、第k个波动比例系数、第k组正则化系数即[λ
k，1
，λ
k，2
，λ
k，3
]构建第k个路面宏观波动beads算法模型；
[0136]
z(x，y)通过第k个beads路面宏观波动算法模型进行分解得到第k个路面宏观波动分解后噪声信号，即noise
k
；
[0137]
结合第k个分解后路面宏观波动噪声信号计算第k个分解后路面宏观波动噪声方差，具体为：
[0138][0139]
其中，noise
k
(x，y)表示第x行第y列的第k个分解的路面宏观波动噪声信号，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数，[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数，
[0140]
在k个分解后路面宏观波动噪声方差中即var1，var2，...，var
k
中选择最小值，即var
index
，对应为第index个路面宏观波动比例系数即α
index
，进一步分别计算第index个路面宏观波动比例系数下第一路面宏观波动正则化系数即λ
index，1
、第index个路面宏观波动比例系数下路面宏观波动第二正则化系数即λ
index，2
、第index个路面宏观波动比例系数下路面宏观波动第三正则化系数即λ
index，3
；
[0141]
将λ
index，1
定义为路面宏观波动第一正则化系数，将λ
index，2
定义为路面宏观波动第二正则化系数，将λ
index，3
定义为路面宏观波动第三正则化系数；
[0142]
结合路面宏观波动截止频率、路面宏观波动滤波器阶数、路面宏观波动惩罚系数、
路面宏观波动第一正则化系数、路面宏观波动第二正则化系数、路面宏观波动第三正则化系数构建步骤2所述路面宏观波动beads算法模型；
[0143]
步骤2所述路面宏观波动数据定义为：
[0144]
data2(x，y)
[0145]
其中，data2(x，y)表示第x行第y列的路面宏观波动信号数据，x∈[1，m]，y∈[1，n]，m＝1000为信号的行数，n＝2048为信号的列数；
[0146]
最终分解结果如图4所示。其中由上至下分别为：原始信号、稀疏尖峰信号、低频信号和噪声(及其他)。其中，低频信号即为有用信号，从上述分解中可以提取出路面的宏观起伏。
[0147]
步骤3，构建路面宏观纹理波动beads算法参数集，根据beads算法参数集构建路面宏观纹理波动beads算法模型，三维路面数据通过路面宏观纹理波动beads算法模型提取路面宏观纹理波动数据；
[0148]
步骤3所述路面宏观纹理波动beads算法参数集包括：路面宏观纹理波动截止频率、路面宏观纹理波动滤波器阶数、路面宏观纹理波动惩罚系数、路面宏观纹理波动第一正则化系数、路面宏观纹理波动第二正则化系数以及路面宏观纹理波动第三正则化系数；
[0149]
所述路面宏观纹理波动截止频率，具体计算为：
[0150][0151]
其中，f
c
′
＝0.004表示截止频率，λ
min
＝0.5mm表示波长最小值，a
min
＝0.2mm表示垂直振幅最小值，δ＝1mm表示车载线结构光扫描路面纹理波动数据的采样间隔；
[0152]
所述路面宏观纹理波动滤波器阶数为：d
′
；
[0153]
其中，d
′
＞1会引起避免震荡，d
′
＝1阶；
[0154]
所述路面宏观纹理波动惩罚系数选为r
′
，r
′
＝1；
[0155]
所述路面宏观纹理波动第一正则化系数、路面宏观纹理波动第二正则化系数、路面宏观纹理波动第三正则化系数的计算方法如下：
[0156]
纹理波动比例系数的取值范围为[min
′
，max
′
]，min
′
＝0.1，max
′
＝2.0，从纹理波动比例系数的取值范围等间隔的选取k个纹理波动比例系数，定义为：α
′1，α
′2，...，α
′
k
，α
′
k
为第k个纹理波动比例系数，k∈[1，k]；
[0157]
第k个纹理波动比例系数下第一正则化系数为：
[0158][0159]
第k个纹理波动比例系数下第二正则化系数为：
[0160][0161]
第k个纹理波动比例系数下第三正则化系数为：
[0162][0163]
其中，z(x，y)表示第x行第y列的高程信息，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数；
[0164]
步骤3所述根据beads算法参数集构建路面宏观纹理波动beads算法模型为：
[0165]
结合路面宏观纹理波动截止频率、路面宏观纹理波动滤波器阶数、路面宏观纹理波动惩罚系数、第k个纹理波动比例系数、第k组正则化系数即[λ
′
k，1
，λ
′
k，2
，λ
′
k，3
]构建第k个路面宏观纹理波动beads算法模型；
[0166]
z(x，y)通过第k个路面宏观纹理波动beads算法模型进行分解得到第k个路面宏观纹理波动分解后噪声信号，即noise
′
k
；
[0167]
结合第k个路面宏观纹理波动分解后噪声信号计算第k个路面宏观纹理波动分解后噪声方差，具体为：
[0168][0169]
其中，noise
′
k
(x，y)表示第x行第y列的第k个分解的路面宏观纹理波动噪声信号，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数，
[0170]
在k个分解后路面宏观纹理波动噪声方差中即var
′1，var
′2，
…
，var
′
k
中选择最小值，即var
′
index
，对应为第index个路面宏观纹理波动比例系数即α
′
index
，进一步分别计算第index个路面宏观纹理波动比例系数下路面宏观纹理波动第一正则化系数即λ
′
index，1
、第index个路面宏观纹理波动比例系数下路面宏观纹理波动第二正则化系数即λ
′
index，2
、第index个路面宏观纹理波动比例系数下路面宏观纹理波动第三正则化系数即λ
′
index，3
；
[0171]
将λ
′
index，1
定义为路面宏观纹理波动第一正则化系数，将λ
′
index，2
定义为路面宏观纹理波动第二正则化系数，将λ
′
index，3
定义为路面宏观纹理波动第三正则化系数；
[0172]
结合路面宏观纹理波动截止频率、路面宏观纹理波动滤波器阶数、路面宏观纹理波动惩罚系数、路面宏观纹理波动第一正则化系数、路面宏观纹理波动第二正则化系数、路面宏观纹理波动第三正则化系数构建步骤3所述路面宏观纹理波动beads算法模型；
[0173]
步骤3所述路面宏观纹理波动数据定义为：
[0174]
data3(x，y)
[0175]
其中，data3(x，y)表示第x行第y列的路面宏观纹理波动信号数据，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数；
[0176]
最终分解结果如图5所示。其中由上至下分别为：原始信号、稀疏尖峰信号、低频信号和噪声(及其他)。其中，低频信号即为有用信号，相较于步骤2中提取得到的路面的宏观起伏，步骤3中可以在宏观起伏的基础上增加路面的宏观纹理。
[0177]
步骤4，根据路面宏观纹理波动、路面宏观波动数据计算得到路面宏观纹理数据；
[0178]
步骤4所述路面宏观纹理数据为：
[0179]
data
texture
(x，y)＝data3(x，y)-data2(x，y)
[0180]
其中，data
texture
(x，y)表示第x行第y列的路面宏观纹理信号数据，x∈[1，m]，y∈
[1，n]，m为信号的行数，n为信号的列数；
[0181]
将步骤2和步骤3中提取到的有用信号相减即可得到路面的宏观纹理，如图6所示。其中由上至下分别为：原始信号、步骤2提取到的路面宏观波动、步骤3提取到的滤除路面的微观纹理和噪声的路面数据、最终提取到的路面宏观纹理数据。
[0182]
步骤5，通过路面宏观纹理数据分别计算传感器测量出的平均构造深度、最大轮廓谷深度、最大轮廓峰高度、整体轮廓高度、算数平均偏差、平方根平均偏差、峭度系数、峰态系数、偏斜度、偏态系数；
[0183]
步骤5所述计算传感器测量出的平均构造深度为：
[0184][0185]
其中，smtd表示传感器测量出的平均构造深度，data
texture
(x，y)表示第x行第y列的路面宏观纹理信号数据，x∈[1，m]，y∈[1，n]，m为信号的行数，n为信号的列数，regress(x，y)表示，regress(x，y)为data
texture
(x，y)二次抛物线回归后的数据，regress(x，y)＝a
x
y2+b
x
y+c
x
，其中，其中
[0186]
即使得最小的a
x
，b
x
，c
x
；
[0187]
步骤5所述计算最大轮廓谷深度为：
[0188]
r
v
＝|min(data
texture
(x，y))|
[0189]
x∈[1，m]，y∈[1，n]
[0190]
其中，r
v
表示最大轮廓谷深度，min表示在m行n列的路面宏观纹理数据即m*n个路面宏观纹理信号数据中搜索最小值；
[0191]
步骤5所述计算最大轮廓峰高度为：
[0192]
r
p
＝|max(data
texture
(x，y))|
[0193]
其中，r
v
表示最大轮廓峰高度，max表示在m行n列的路面宏观纹理数据即m*n个路面宏观纹理信号数据中搜索最大值；
[0194]
步骤5所述计算整体轮廓高度为：
[0195]
r
t
＝r
v
+r
p
[0196]
其中，r
t
表示整体轮廓高度；
[0197]
步骤5所述计算算数平均偏差为：
[0198][0199][0200]
其中，r
a
表示算数平均偏差，表示路面宏观纹理数据的平均高度；
[0201]
步骤5所述计算平方根平均偏差为：
[0202][0203]
其中，r
q
表示平方根平均偏差；
[0204]
rku(峭度/峰态系数)：峰度、峰态系数表示的是四阶中心矩与方差平方的比值。其中，data
texture
(x，y)表示第x行第y列的路面宏观纹理数据，x∈[1，m]，y∈[1，n]，m为图像的行数，n为图像的列数，其中，m，n为宽度和长度方向上的采样点数；向上的采样点数；表示data
texture
数据的平均高度；
[0205]
rsk(偏斜度/偏态系数)：偏斜度、偏态系数表示的是三阶中心矩与标准差立方的比值。其中，data
texture
(x，y)表示第x行第y列的路面宏观纹理数据，x∈[1，m]，y∈[1，n]，m为图像的行数，n为图像的列数，其中，m，n为宽度和长度方向上的采样点数；长度方向上的采样点数；表示data
texture
数据的平均高度。
[0206]
步骤6：将平均构造深度、最大轮廓谷深度、最大轮廓峰高度、整体轮廓高度、算数平均偏差、平方根平均偏差、峭度系数、峰态系数、偏斜度、偏态系数依次与对应指标的正常阈值比较，判断是否超出正常阈值范围，以评估路面健康性。将上述计算得到的典型指标与直接使用原始数据计算得到的典型指标做对比。可以发现经过本发明的方法提取得到的路面宏观纹理的典型指标与实际情况更相符，可以较好的反应目标路面的宏观指标。
[0207]
具体实施时，以上流程可采用计算机软件技术实现自动运行，运行方法的系统装置也应当在本发明的保护范围内。
[0208]
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
[0209]
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。