通过高度鲁棒的车辆检测和交通自适应优化技术，实现适用于实际交通场景的全视角数字路面重建

《AUTOMATION IN CONSTRUCTION》：Full-view digital pavement reconstruction for practical traffic scenarios through altitude-robust vehicle detection and traffic-adaptive optimization

无人机巡检与动态交通适应的多视角优化提升数字路面重建精度及效率，实现1%以下深度误差和20%效率增益，支持智能资产管理与自动化施工。

　　

刘汉|马荣贵

长安大学信息工程学院，中国陕西省西安市710064

摘要

高质量的数字路面重建对于交通基础设施管理至关重要，但在实际应用中面临着车辆遮挡和交通干扰等挑战。本文提出了一种全视图数字路面重建系统，该系统整合了基于无人机的图像采集技术、高度鲁棒的车辆检测网络（AR-VDN）以及交通自适应的多视图优化算法。AR-VDN在115.45 FPS的帧率下实现了94.25%的准确率（${\mathrm{AP}}_{75}$）。在动态交通条件下重建的模型深度测量误差低于1%，并且与传统基于运动结构（Structure-from-Motion）的工作流程相比，整体处理效率提高了20%以上。与传统的手动或半自动化方法相比，该系统显著提高了运营效率并降低了劳动力成本。此外，这项研究还为智能资产管理、预测性维护和自动化施工提供了技术支持，为数字孪生平台的实际应用奠定了几何基础。

引言

在动态交通条件下进行全视图数字路面重建面临诸多技术挑战，这些挑战必须得到解决才能实现自动化的路面健康监测。本节介绍了这项工作的研究背景和动机。首先讨论了现有路面监测方法的局限性以及车辆遮挡带来的问题，并对主流的重建策略进行了对比分析。接着概述了所提出的交通自适应重建框架，并总结了本文的主要贡献，最后介绍了论文的结构。

随着全球道路网络的迅速扩展，路面健康监测必须实现自动化、高精度和频繁进行，以确保及时维护并延长使用寿命。手动或半自动化方法无法满足动态、全网络范围更新的需求，导致干预延迟和维护成本增加。在这种情况下，三维（3D）重建技术应运而生，它能够实现快速更新、高响应性和准确的建模，从而进行全面的状态监测和维护规划[1]、[2]、[3]。

主流的3D路面重建策略可以分为基于激光的成像技术和基于立体视觉的光谱测量技术，如表1所示。基于激光的成像技术包括飞行时间（TOF）[4]、[5]和基于投影的方法[6]、[7]。TOF系统能够实现实时、远距离的数据采集，特别适用于户外环境，尤其是大规模场景。然而，TOF系统的空间分辨率和几何精度较低。基于投影的系统通过从激光投影的几何形状和相机观测角度估计3D坐标来提高3D重建的精度和密度[8]、[9]、[10]、[11]。尽管这些系统的成像宽度通常小于4米[12]，并且对光照条件敏感[13]、[14]，但它们依赖于昂贵的专用硬件，这限制了其在网络规模路面健康监测中的应用。

与基于激光的方法不同，立体视觉系统[15]、[16]、[17]通过分析物体在不同视图之间的视差来重建3D几何形状。这些系统不仅更具成本效益，而且在部署上也更加灵活。相对简单的数据采集工作流程使得基于立体视觉的光谱测量技术在路面损伤检测、尺寸测量等实际应用中极具吸引力。

基于立体视觉的光谱测量技术为路面健康监测和状况评估提供了一种更具可扩展性和成本效益的解决方案，因此在网络级路面管理中成为首选。然而，在正常交通场景下，重建精度受到动态车辆遮挡的限制。移动的车辆经常遮挡大部分路面，导致路面纹理捕捉不完整，重建模型的几何精度下降。此外，移动物体还会干扰重叠图像中的特征匹配，从而加剧相机误差、姿态估计和点云生成的问题。现有的基于运动结构（SfM）的工作流程通常假设场景是静态的，无法有效处理由移动车辆引起的遮挡问题。

虽然增加图像重叠程度可以在一定程度上恢复被遮挡区域的信息，但会导致数据量大幅增加、存储成本上升和计算负担加重，这对于大规模应用来说是不切实际的。生成完整的全视图路面模型对于自动化损伤检测、数字孪生平台的开发以及道路资产管理的预测性维护至关重要。为了解决这些限制，本文提出了一种交通自适应的3D重建框架，该框架结合了高度鲁棒的车辆检测技术和多视图序列优化算法，能够在动态交通场景中有效去除移动车辆的遮挡并生成全视图数字路面模型。

交通机构通常需要高保真度的全视图数字路面模型，以便准确评估路面状况、及时维护并确保交通基础设施的安全性和可用性。本文的目标是提出一种动态交通自适应的无人机-基于运动结构（UAV-SfM）工作流程，以在实际交通条件下保持路面模型的完整性和准确性。图1展示了本文的整体工作流程，包括以下步骤：

路面图像采集是本文的第一步。通过优化飞行路径规划、可调相机配置和高度控制，采用多高度飞行策略，确保全面覆盖路面结构。这一步保证了高分辨率和高质量的路面图像，为后续的车辆检测和交通自适应遮挡优化提供了基础。

车辆检测与去除是本文的第二步。设计了一种基于YOLOv8n的高度鲁棒车辆检测网络，该网络包含动态分辨率自适应（DRA）模块、HRNet_lite骨干网络、具有可变形注意力机制的多层Transformer编码器以及无锚点的全卷积单阶段物体检测器（FCOS）。这些改进确保了在不同飞行高度下都能实现鲁棒、准确的车辆检测，有效去除遮挡，并为后续的交通自适应多视图3D路面重建提供全视图图像。

图像序列优化是本文的第三步。应用交通自适应的多视图立体优化算法，根据图像遮挡情况和地面重叠率（GOR）选择最优的图像序列。算法1根据遮挡率（OR）和相应的地面覆盖情况动态保留或丢弃中间图像。算法2去除冗余的相邻图像，从而减少输入图像的数量，同时保持重建的精度。这种双算法方法显著提高了处理效率，并确保了高质量3D重建所需的最佳视图分布。

最后，通过现场案例研究评估了所提出重建系统的性能。建立了一套全面的评估流程，从多个维度定量评估系统性能：车辆检测、图像序列优化和3D重建质量。此外，还部署了六个标准参考框和标记对作为几何验证的测试平台。通过整合多层评估指标，该系统确保了在多种交通和环境条件下的系统鲁棒性和实际适用性的严格验证。本文的主要贡献总结如下：

1. •
   基于系统性的性能评估，为不同交通条件推导出了最优的无人机摄影参数。
2. •
   设计了一种高度鲁棒的车辆检测与去除网络，该网络结合了HRNet_lite骨干网络、DRA模块和具有可变形机制的多层Transformer编码器。
3. •
   建立了交通自适应优化算法，以动态确定最优图像序列分布并去除无效图像，从而提高处理效率。
4. •
   建立了一个全面的2D/3D数字表面数据集，以支持未来关于自动化路面损伤检测和基础设施健康监测的研究。

本文的其余部分安排如下：第2节回顾相关文献；第3节介绍研究工作流程中提出的方法；第4节为案例研究；第5节和第6节分别展示了实际场景下的案例研究和验证结果；最后第6节总结了研究内容。

章节摘录

文献综述

在动态交通环境中使用无人机进行高质量路面重建涉及多项技术挑战。本节系统地回顾了构成无人机-基于运动结构（UAV-SfM）工作流程的四个关键领域的文献：（1）无人机飞行规划；（2）无人机图像中的物体检测；（3）多视图图像的遮挡处理；（4）面向路面的3D重建。对于每个领域，我们分析了现有技术的现状，讨论了其局限性，并逐步构建了相应的解决方案。

方法论

为了解决动态交通条件下的车辆遮挡和重建效率问题，需要一种系统设计的方法论，该方法论整合了数据采集、遮挡去除和图像序列优化。本节介绍了所提出的交通自适应全视图路面重建系统，包括四个关键组成部分：（1）基于无人机的图像采集；（2）用于消除车辆遮挡的高度鲁棒车辆检测网络；（3）

案例研究

为了评估交通自适应路面重建系统的有效性，在一个具有代表性的实际环境中进行了全面案例研究。本节描述了实验设置，并详细介绍了收集的无人机图像数据集，包括数据特征和组织形式。同时指定了用于实现所提方法的数量计算平台。这些要素为理解本文提供了必要的背景。

结果与讨论

验证所提出的交通自适应路面重建系统需要对其各个组成部分和整体性能进行严格评估。本节将实验结果分为五个主要部分进行展示和讨论。首先，从检测精度、速度和高度鲁棒性方面评估了车辆检测网络；其次，使用几何指标评估了重建的3D点云质量；第三，分析了空间精度。

结论

本文提出了一种全视图数字路面重建系统，旨在提高动态交通干扰下的数字路面模型的质量和效率。该系统结合了自动无人机摄影策略、高度鲁棒的车辆检测网络和交通自适应立体优化算法，提供了一个完整的自动化路面状况评估和智能基础设施管理的工作流程。AR-VDN结合了轻量级的

CRediT作者贡献声明

刘汉：撰写 – 审稿与编辑、撰写 – 原稿撰写、可视化、验证、监督、软件开发、资源管理、方法论设计、数据分析、数据整理。马荣贵：撰写 – 审稿与编辑、项目管理工作、方法论设计、资金获取、数据分析、概念构思。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢

本研究得到了中国国家重点研发计划[2023YFB1600104]和国家自然科学基金[52002031]的支持，以及陕西省交通运输厅2025年重点研究项目[25-31X]的资助。