CN106500594B - 融合反射强度和几何特征的铁路轨道半自动检测方法 - Google Patents
融合反射强度和几何特征的铁路轨道半自动检测方法 Download PDFInfo
- Publication number
- CN106500594B CN106500594B CN201610932814.8A CN201610932814A CN106500594B CN 106500594 B CN106500594 B CN 106500594B CN 201610932814 A CN201610932814 A CN 201610932814A CN 106500594 B CN106500594 B CN 106500594B
- Authority
- CN
- China
- Prior art keywords
- point
- neighborhood
- seed
- railroad track
- neighborhood point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种融合反射强度和几何特征的铁路轨道半自动检测方法,包括步骤:步骤1,分别计算激光扫描数据中各激光脚点的局部几何特征,所述的局部几何特征包括激光脚点的邻域点分布的主方向和法向量;步骤2,利用反射强度和局部几何特征进行点云聚类,提取铁路轨道点云。采用本发明可快捷稳健地实现铁路轨道点云数据的半自动化提取,提高了铁路轨道点云数据提取的精度、效率和自动化程度,且方法简单、容易实现。
Description
技术领域
本发明属于激光扫描数据智能化处理技术领域,尤其涉及一种融合反射强度和几何特征的铁路轨道半自动检测方法。
背景技术
铁路是国家的重要基础设施,在综合交通运输体系中处于骨干地位。目前,在铁路轨道测量中,常规测绘技术主要是利用全站仪、水准仪等地面测量仪器,或者光学航空摄影测量,近景摄影测量等手段,这些方法野外工作量大、自动化程度低、工作效率低、生产周期长难以满足当前铁路勘测对铁路专题要素提取、成图周期及精度的要求。车载和机载激光扫描技术可以在高速移动的状态下快速获取物体表面的精确三维数据,为铁路轨道测量和检测提供了一种全新的技术手段。
林泽鸿(2009)提出了一种基于多约束Hough变换的铁路轨道提取方法。该方法采用局部算子法和全局直线拟合法提取铁轨数据,并结合Hough变换对基本算子进行约束,得到准确的铁轨点位置和方向。武永斌(2015)利用机载激光扫描数据提供的铁路地物形状特征与影像的灰度、光谱、纹理等信息进行了融合,对铁路轨道的自动提取关键技术进行了研究,实现了对铁路轨道及铁路附属设施要素的自动识别与提取。于海洋(2016)提出一种基于机载激光扫描数据的铁路轨道提取方法,该方法首先利用面向对象分类的方法提取铁路区域,然后通过形态学处理算法消除干扰因素的影响,最后采用微分几何算法和铁路轨道先验知识模型特征提取出铁路轨道。
总体而言,从大范围激光扫描数据中快速、准确地提取铁路轨道仍然存在问题:1)局部几何特征计算对点密度变化、噪声等影响比较敏感,导致特征计算精度较低;2)铁路轨道提取的正确率和准确性相对较低,难以满足自动化提取的需要;3)只适用于某一单一类型数据、单一场景下的铁路轨道提取,缺乏广泛的适用性,在实际生产中自动化程度低等问题。
发明内容
本发明的目的是提供一种融合反射强度和几何特征的铁路轨道半自动检测方法,该方法具有高的正确率和准确率、且适用广泛。
为达到上述目的,本发明采用如下技术方案:
融合反射强度和几何特征的铁路轨道半自动检测方法,包括步骤:
步骤1,分别计算激光扫描数据中各激光脚点的局部几何特征,具体为:
步骤1.1:获取激光脚点的邻域点集,使邻域点集内点数不小于3;
步骤1.2:从邻域点集随机选择三个邻域点,获得该三个邻域点所在平面,分别计算邻域点集中其他邻域点到该平面的垂直距离
步骤1.3:利用最小的H个对应的邻域点获得拟合平面及拟合残差,其中,H=O·5·N;
步骤1.4:多次重复步骤1.2~1.3获得多个拟合平面;
步骤1.5:把拟合残差最小的拟合平面作为特征平面Pfree;
步骤1.6:分别计算邻域点集中各邻域点到Pfree的垂直距离获得垂直距离序列,计算垂直距离序列的中值VDMV和中间绝对偏差
步骤1.7:分别计算邻域点集中各邻域点的噪声敏感度
步骤1.8:去除邻域点集中噪声敏感度大于预设噪声阈值的邻域点,对剩余的邻域点进行主成分分析,得到激光脚点的邻域点分布的主方向和法向量,即激光脚点的局部几何特征;
步骤2,利用反射强度和局部几何特征进行点云聚类,提取铁路轨道点云,具体为:
步骤2.1:初始化空的种子点队列Queueseed和空的点云容器Vectorrailway,从激光扫描数据中随机选取一激光脚点作为初始种子点并加入Queueseed;
步骤2.2:判断Queueseed是否为空,若非空,从Queueseed中弹出一个种子点,作为当前生长的种子点p_seed,获取p_seed的邻域点集,邻域点集内点数记为Nn;
步骤2.3:对邻域点集中各邻域点pj分别进行判断,若pj满足下列规则,则把pj压入Queueseed和Vectorrailway;所述的规则为:pj和p_seed的反射强度之差、高程差、法向量的夹角、主方向的夹角分别小于反射强度差阈值IT、高程差阈值HT、法向量夹角阈值NT、主方向夹角阈值PT;IT、HT、NT、PT均根据经验取值;
步骤2.4:重复步骤2.2~2.3,直至Queueseed为空,此时,Vectorrailway内点即铁路轨道点。
进一步的,步骤1.1中获取的邻域点集为球形邻域点集。
步骤1.1进一步包括:
(a)根据经验初始化邻域半径;
(b)获取激光角点的邻域点集;
(c)判定邻域点集内点数是否不小于3,若是,执行步骤1.2;否则,使邻域半径增加预设增幅,重新运行步骤(b)。
步骤1.4中,重复步骤1.2~1.3共I次,得I个拟合平面,w表示激光扫描数据中内点的比例,pr表示从邻域点集中至少有一次选择的邻域点均为内点的概率,w和pr均为经验值。
作为优选,w在[45%,55%]范围取值,pr在[0.95,1)范围取值。
进一步的,步骤2.2中获取的邻域点集为球形邻域点集。
作为优选,步骤2.3中,IT在[8,15]范围取值,HT在[0.03m,0.1m]范围取值,NT和PT均在[5°,8°]范围取值。
和现有技术相比,本发明具有如下优点和有益效果:
①发展了基于鲁棒的主成分分析的局部几何特征计算方法,克服了点密度变化、噪声、数据缺失等因素对局部几何特征计算的影响,提高了局部几何特征计算的精度和鲁棒性;
②综合利用激光反射强度一致性和局部几何特征一致性进行铁路轨道点云聚类,降低了铁路轨道误提取率,提高了铁路轨道提取的准确性;
③扩展了现有铁路轨道提取方法的适用范围,本发明同时适用于机载激光扫描数据和车载激光扫描数据的铁路轨道提取。
采用本发明可快捷稳健地实现铁路轨道点云数据的半自动化提取,提高了铁路轨道点云数据提取的精度、效率和自动化程度,且方法简单、容易实现。
附图说明
图1是本发明的具体流程图;
图2是多轨道交叉场景下的铁路轨道点云提取结果图,其中,图(a)为铁路轨道点云提取结果图,图(b)为铁路轨道点云提取矢量化效果;
图3是单独轨道场景下的铁路轨道点云提取结果图,其中,图(a)为铁路轨道点云提取结果图,图(b)为铁路轨道点云提取矢量化效果;
图4是实施例中铁路轨道点云提取结果与对应的原始影像叠加的效果图,其中,图(a)为对应的原始影像,图(b)为叠加效果图。
具体实施方式
本发明技术方案采用计算机软件方式支持自动运行流程,其流程如图1所示。以下结合两个实施例(一份车载激光扫描数据,一份机载激光扫描数据)和附图详细说明本发明技术方案。两个实施例子按照设计的方案进行铁路轨道点云提取,逐步详细说明如下:
步骤1,计算铁路轨道的激光扫描数据中各激光脚点的局部几何特征,所述的局部几何特征即激光脚点的邻域点分布的主方向和法向量。
对任意一个激光脚点pt,其局部几何特征计算的实现方式如下:
步骤1.1:参数初始化
初始化邻域半径r;初始化激光扫描数据中内点的比例w;初始化多次迭代后至少有一次选取出的邻域点均为内点的概率pr,这里的迭代指步骤1.2中的邻域半径增加迭代;初始化噪声点阈值τ。
r、w、pr、τ均根据经验取值,一般,w在[45%,55%]范围取值,pr在[0.95,1)范围取值;τ根据激光扫描数据的噪声大小进行设定,激光扫描数据噪声大,则τ取较大值;否则取较小值。本实施例中,r=0.2m,w=50%,pr=0.99,τ=2.5。
步骤1.2:以当前激光脚点pt为球心,以r为半径画球,落入球内的所有激光脚点构成当前激光脚点pt的邻域点集,邻域点集的点数记为N。若N>3,则跳转至步骤1.3;否则,使邻域半径增加预设增幅,本实施例中预设增幅设为1.0,即令r=r+1.0,重新运行本步骤。
步骤1.3:从邻域点集随机选择三个邻域点,计算三个邻域点所在平面,计算邻域点集中其他邻域点到该平面的垂直距离表示第i个其他邻域点到该平面的垂直距离,i=1,2…N-3。
步骤1.4:按从从小到大对垂直距离进行排序,利用前H个垂直距离对应的邻域点拟合平面,得到拟合平面以及拟合残差Ej,其中,H=0.5·N。
步骤1.5:重复步骤1.3~1.4共I次,得到I个拟合平面,I的计算公式如下:
式(1)中,[·]表示取整。
步骤1.6:把I个拟合平面中拟合残差最小的拟合平面作为特征平面,记做Pfree。
步骤1.7:分别计算邻域点集中各邻域点到特征平面Pfree的垂直距离获得垂直距离序列,表示邻域点集中第i个邻域点到Pfree的垂直距离,i=1,2…N。计算垂直距离序列的中值VDMV和中间绝对偏差VDMAD。
VDMV和VDMAD的计算公式如下:
其中,a=1.4826。
步骤1.8:遍历邻域点集中每个邻域点,采用公式(4)计算各邻域点的噪声敏感度Rzi,Rzi表示邻域点集中第i个邻域点的噪声敏感度,i=1,2…N。
步骤1.9:遍历邻域点集中每个邻域点,去除Rzi>τ的邻域点。
步骤1.10:对剩余的邻域点进行主成分分析(PCA),得到邻域点分布的法向量(nx,ny,nz)和主方向(px,py,pz)。nx、ny、nz分别表示邻域点分布的法向量在x、y、z方向上的分量,px、py、pz分别表示邻域点分布的主方向在x、y、z方向上的分量。
主成分分析计算如下:
其中,M3×3为邻域点构建的协方差矩阵,pi=[xi yi zi]T为第i个邻域点的坐标,为邻域点坐标的平均值。
把协方差矩阵M3×3特征值分解,得到:
其中,λ1、λ2、λ3为协方差矩阵M3×3的特征值,λ1≥λ2≥λ3;为特征值对应的特征向量,特征向量和分别作为激光脚点pt的邻域点分布的主方向(px,py,pz)和法向量(nx,ny,nz)。
步骤2,在软件中手工选择激光扫描数据上任一激光脚点作为初始种子点initial_seed,综合利用反射强度和局部几何特征进行铁路轨道点云聚类。
铁路轨道点云聚类的实现方式如下:
步骤2.1:初始化区域生长的半径r',初始化相邻两邻域点的反射强度差阈值IT,初始化高程差阈值HT,初始化相邻两邻域点间的法向量夹角阈值NT,初始化相邻两邻域点间的主方向夹角阈值PT,初始化种子点initial_seed,初始化空的种子点队列Queueseed和空的点云容器Vectorrailway。将种子点initial_seed压入种子点队列Queueseed。
r'、IT、HT、NT、PT根据经验取值,一般,IT在[8,15]范围取值,HT在[0.03m,0.1m]范围取值,NT和PT均在[5°,8°]范围取值。本实施例中,r'=0.3m,IT=10,HT=0.05m,NT=5°,PT=5°。
步骤2.2:若种子点队列Queueseed为非空,从种子点队列Queueseed中弹出一个种子点,作为当前生长的种子点p_seed。以种子点p_seed为球心,以r为半径画球,落入球内的所有激光脚点作为种子点p_seed的邻域点集{pj,j=1,2…Nn},将邻域点集内的邻域点数记为Nn。
步骤2.3:对于邻域点集中每个邻域点进行判断,若邻域点pj同时满足下列四个规则,则把邻域点pj标记为铁路轨道上的点,并把邻域点pj压入种子点队列Queueseed和点云容器Vectorrailway中;否则把邻域点pj标记为非铁路轨道点。
规则如下:
规则①:pj和p_seed的反射强度之差小于反射强度差阈值IT;
规则②:pj和p_seed的高程差小于高程差阈值HT;
规则③:pj和p_seed的法向量间的夹角小于法向量夹角阈值NT;
规则④:pj和p_seed的的主方向间的夹角小于主方向夹角阈值PT。
步骤2.4:重复步骤2.2~2.3,直至种子点队列Queueseed为空,生长聚类结束,点云容器Vectorrailway内点即提取的铁路轨道点云。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。
Claims (7)
1.融合反射强度和几何特征的铁路轨道半自动检测方法,其特征是,包括步骤:
步骤1,分别计算激光扫描数据中各激光脚点的局部几何特征,具体为:
步骤1.1:获取激光脚点的邻域点集,使邻域点集内点数不小于3;
步骤1.2:从邻域点集随机选择三个邻域点,获得该三个邻域点所在平面,分别计算邻域点集中其他邻域点到该平面的垂直距离
步骤1.3:利用最小的H个对应的邻域点获得拟合平面及拟合残差,其中,H=0.5·N;
步骤1.4:多次重复步骤1.2~1.3获得多个拟合平面;
步骤1.5:把拟合残差最小的拟合平面作为特征平面Pfree;
步骤1.6:分别计算邻域点集中各邻域点到Pfree的垂直距离获得垂直距离序列,计算垂直距离序列的中值VDMV和中间绝对偏差a=1.4826;
步骤1.7:分别计算邻域点集中各邻域点的噪声敏感度
步骤1.8:去除邻域点集中噪声敏感度大于预设噪声阈值的邻域点,对剩余的邻域点进行主成分分析,得到激光脚点的邻域点分布的主方向和法向量,即激光脚点的局部几何特征;
步骤2,利用反射强度和局部几何特征进行点云聚类,提取铁路轨道点云,具体为:
步骤2.1:初始化空的种子点队列Queueseed和空的点云容器Vectorrailway,从激光扫描数据中随机选取一激光脚点作为初始种子点并加入Queueseed;
步骤2.2:判断Queueseed是否为空,若非空,从Queueseed中弹出一个种子点,作为当前生长的种子点p_seed,获取p_seed的邻域点集,邻域点集内点数记为Nn;
步骤2.3:对邻域点集中各邻域点pj分别进行判断,若pj满足下列规则,则把pj压入Queueseed和Vectorrailway;所述的规则为:pj和p_seed的反射强度之差、高程差、法向量的夹角、主方向的夹角分别小于反射强度差阈值IT、高程差阈值HT、法向量夹角阈值NT、主方向夹角阈值PT;IT、HT、NT、PT均根据经验取值;
步骤2.4:重复步骤2.2~2.3,直至Queueseed为空,此时,Vectorrailway内点即铁路轨道点。
2.如权利要求1所述的融合反射强度和几何特征的铁路轨道半自动检测方法,其特征是:
步骤1.1中获取的邻域点集为球形邻域点集。
3.如权利要求1所述的融合反射强度和几何特征的铁路轨道半自动检测方法,其特征是:
步骤1.1进一步包括:
(a)根据经验初始化邻域半径;
(b)获取激光角点的邻域点集;
(c)判定邻域点集内点数是否不小于3,若是,执行步骤1.2;否则,使邻域半径增加预设增幅,重新运行步骤(b)。
4.如权利要求1所述的融合反射强度和几何特征的铁路轨道半自动检测方法,其特征是:
步骤1.4中,重复步骤1.2~1.3共I次,得I个拟合平面,w表示激光扫描数据中内点的比例,pr表示从邻域点集中至少有一次选择的邻域点均为内点的概率,w和pr均为经验值。
5.如权利要求4所述的融合反射强度和几何特征的铁路轨道半自动检测方法,其特征是:
所述的w在[45%,55%]范围取值;所述的pr在[0.95,1)范围取值。
6.如权利要求1所述的融合反射强度和几何特征的铁路轨道半自动检测方法,其特征是:
步骤2.2中获取的邻域点集为球形邻域点集。
7.如权利要求1所述的融合反射强度和几何特征的铁路轨道半自动检测方法,其特征是:
步骤2.3中,IT在[8,15]范围取值,HT在[0.03m,0.1m]范围取值,NT和PT均在[5°,8°]范围取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610932814.8A CN106500594B (zh) | 2016-10-31 | 2016-10-31 | 融合反射强度和几何特征的铁路轨道半自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610932814.8A CN106500594B (zh) | 2016-10-31 | 2016-10-31 | 融合反射强度和几何特征的铁路轨道半自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106500594A CN106500594A (zh) | 2017-03-15 |
CN106500594B true CN106500594B (zh) | 2017-10-03 |
Family
ID=58319661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610932814.8A Active CN106500594B (zh) | 2016-10-31 | 2016-10-31 | 融合反射强度和几何特征的铁路轨道半自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106500594B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392313B (zh) * | 2017-06-12 | 2020-09-29 | 五邑大学 | 一种基于深度学习的钢轨识别方法 |
CN107194994B (zh) * | 2017-06-16 | 2020-12-15 | 广东工业大学 | 一种无标定曲面点云数据重建圆柱面的方法及装置 |
CN109410256B (zh) * | 2018-10-29 | 2021-10-15 | 北京建筑大学 | 基于互信息的点云与影像自动高精度配准方法 |
CN111414924A (zh) * | 2020-03-17 | 2020-07-14 | 江苏易图地理信息科技股份有限公司 | 一种顾及最优邻域的点云局部特征提取与分类方法 |
TWI767601B (zh) * | 2021-03-10 | 2022-06-11 | 廣達電腦股份有限公司 | 用於室內定位、成像、偵測、姿勢判別、形狀判別的電子裝置及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855663A (zh) * | 2012-05-04 | 2013-01-02 | 北京建筑工程学院 | 一种根据激光雷达栅格点云构建csg模型的方法 |
CN103106632A (zh) * | 2012-11-29 | 2013-05-15 | 华中科技大学 | 一种基于均值漂移的不同精度三维点云数据的融合方法 |
CN105260737A (zh) * | 2015-11-25 | 2016-01-20 | 武汉大学 | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 |
CN105957076A (zh) * | 2016-04-27 | 2016-09-21 | 武汉大学 | 一种基于聚类的点云分割方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4127170B2 (ja) * | 2003-01-07 | 2008-07-30 | 株式会社村田製作所 | 表面波装置 |
-
2016
- 2016-10-31 CN CN201610932814.8A patent/CN106500594B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855663A (zh) * | 2012-05-04 | 2013-01-02 | 北京建筑工程学院 | 一种根据激光雷达栅格点云构建csg模型的方法 |
CN103106632A (zh) * | 2012-11-29 | 2013-05-15 | 华中科技大学 | 一种基于均值漂移的不同精度三维点云数据的融合方法 |
CN105260737A (zh) * | 2015-11-25 | 2016-01-20 | 武汉大学 | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 |
CN105957076A (zh) * | 2016-04-27 | 2016-09-21 | 武汉大学 | 一种基于聚类的点云分割方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106500594A (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106500594B (zh) | 融合反射强度和几何特征的铁路轨道半自动检测方法 | |
CN106022381B (zh) | 基于车载激光扫描点云的路灯杆自动提取方法 | |
CN104299260B (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
CN105260737B (zh) | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 | |
CN104331699B (zh) | 一种三维点云平面化快速搜索比对的方法 | |
CN107610176A (zh) | 一种基于Kinect的栈板动态识别与定位方法、系统及介质 | |
WO2016106955A1 (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
CN106680798B (zh) | 一种机载lidar航带重叠区冗余辨识及消除方法 | |
CN103426165A (zh) | 一种地面激光点云与无人机影像重建点云的精配准方法 | |
CN112766184B (zh) | 基于多层级特征选择卷积神经网络的遥感目标检测方法 | |
CN106373118A (zh) | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 | |
CN110363771B (zh) | 一种基于三维点云数据的隔离护栏形点提取方法及装置 | |
CN108389256A (zh) | 二三维交互式无人机电力杆塔巡检辅助方法 | |
CN111915517B (zh) | 适用于室内光照不利环境下rgb-d相机全局定位方法 | |
CN110363054B (zh) | 道路标识线识别方法、装置和系统 | |
CN108921164B (zh) | 一种基于三维点云分割的接触网定位器坡度检测方法 | |
CN103617328A (zh) | 一种飞机三维姿态解算方法 | |
CN108562885B (zh) | 一种高压输电线路机载LiDAR点云提取方法 | |
CN110047036B (zh) | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 | |
CN109948413A (zh) | 基于高精度地图融合的车道线检测方法 | |
CN111028345B (zh) | 一种港口场景下圆形管道的自动识别与对接方法 | |
Cai et al. | A lightweight feature map creation method for intelligent vehicle localization in urban road environments | |
CN103839274A (zh) | 一种基于几何比例关系的扩展目标跟踪方法 | |
Xu et al. | A method of 3d building boundary extraction from airborne lidar points cloud | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |