CN110189419B - 基于广义邻域高差的车载Lidar钢轨点云提取方法 - Google Patents
基于广义邻域高差的车载Lidar钢轨点云提取方法 Download PDFInfo
- Publication number
- CN110189419B CN110189419B CN201910446630.4A CN201910446630A CN110189419B CN 110189419 B CN110189419 B CN 110189419B CN 201910446630 A CN201910446630 A CN 201910446630A CN 110189419 B CN110189419 B CN 110189419B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- neighborhood
- point
- height difference
- steel rail
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 72
- 239000010959 steel Substances 0.000 title claims abstract description 72
- 238000000605 extraction Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 241001669679 Eleotris Species 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 9
- 230000001419 dependent effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了一种基于广义邻域高差的车载Lidar钢轨点云提取方法，具体包括以下步骤：1、根据车载Lidar点云的扫描角度或轨迹线，将道床点云分割出来；2、采用统计滤波算法去除道床点云中因钢轨自身遮挡因素引起的噪声点，得到去除噪声点后的道床点云；3、对道床点云中一点进行柱状邻域搜索；4、计算该点的基于柱状邻域的广义邻域高差；5、重复步骤3‑4直到道床区域所有点的广义邻域高差计算完成，并作直方图；6、结合轨道知识和广义邻域高差直方图来提取钢轨轨顶点云；本发明能自动提取全线连续的钢轨轨顶点云，提高了钢轨点云的提取精度，且该方法依赖额外数据少，方法实施简单。
Description
技术领域
本发明属于轨道交通计算机视觉领域，具体涉及一种基于广义邻域高差的车载Lidar钢轨点云提取方法。
背景技术
随着车载激光扫描技术的发展，该技术具有扫描速度快，获取点云精度高等优势，在铁路行业的资产调查、轨道测量、轨道建模和限界分析等诸多领域中具有很好的应用前景。由于轨道是铁路系统中关键对象，从车载Lidar点云中提取轨道钢轨点云是铁路领域内各类应用所面临的核心基础问题。
中国发明专利公开号CN104236499A公开了一种基于点云数据的铁路自动测量方法。该方法基于轨迹线确定道床大致区域，并将道床点云进行分段后进行侧向分析，提取轨顶点云。但是，当点云数据中不含有轨迹线数据时，该方法无法借助于轨迹线线确定铁路轨道的大致区域和对铁路轨道区域进行分段；且该方法不适用于道岔区域。由于道岔区域轨道所在区域的宽度不一致，所以无法通过预先设定的搜索宽度估计原始点云数据中道岔区域铁路轨道的大致区域，并获得近似铁路点云，进而无法继续提取钢轨点云。
中国发明专利公开号CN106500594A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，采用区域生长算法，在软件中手动选取种子点后根据钢轨点的反射强度、球状邻域高差、相邻两邻域点间的主方向夹角和相邻两邻域点间的法向量夹角等特征提取钢轨点云。但是，该方法需要在商业软件中手动选取种子点，无法实现自动提取；且当点云数据中不含有反射强度属性时，无法提取钢轨点云；该方法采用球状邻域计算点的邻域高差，其邻域半径需大于钢轨高度，这导致钢轨点的球状邻域中包含了大量道砟、轨枕点，提取的钢轨点云精度较低。
中国发明专利公开号CN107792115A公开了一种利用三维激光点云自动提取既有线轨顶高程方法，该方法基于轨迹线确定道床区域的范围，并对道床点云进行高程投影获得高程投影影像，在高程投影影像中获取跟踪线，再将跟踪直线转换到三维激光点云空间，最后基于跟踪线设置缓冲区提取钢轨点云。但是该方法中跟踪线的精度较低导致基于跟踪线提取的的钢轨点云中包含大量道砟、轨枕点，提取精度较低。
中国发明专利公开号CN105844995A公开了一种基于车载Lidar技术的铁路线路运营维护测量方法，通过拉剖面、移动断面及根据点云绝对高程信息等方法提取钢轨点云。但是该方法手动提取钢轨点云，无法自动提取钢轨点云，效率低，不满足实际应用需求。
中国发明专利公开号CN106087621A公开了一种基于车载激光雷达技术的铁路既有线复测方法，在计算机中从经过精度精化处理的彩色激光点云数据中提取铁轨轨面线激光点数据。但是该方法仅基于钢轨点云颜色提取钢轨点云，精度太低，且当车载Lidar点云中不含有颜色属性时，无法提取钢轨点云。
综上所述，现有技术还有以下缺点：
1、钢轨点云提取精度低；
2、不能提取全线连续的钢轨点云；
3、需要额外的颜色、反射强度、或轨迹线等数据作为辅助；
4、自动化程度低，需要人工干预。
发明内容
本发明的目的是基于车载Lidar点云的几何信息来全自动提取全线连续的钢轨轨顶点云，提高钢轨点云的提取精度。该方法不依赖点云中的颜色、反射强度等信息，也不依赖轨迹线等额外数据。
本发明提供一种基于广义邻域高差的车载Lidar钢轨点云提取方法，具体包括以下步骤：
步骤1：根据车载Lidar点云的扫描角度或轨迹线，将道床点云分割出来；
步骤2：采用统计滤波算法去除道床点云中因钢轨自身遮挡因素引起的噪声点，并将去除噪声点后的道床点云记为{Pm,m＝1,2,3,…}；
步骤3：柱状邻域搜索：Pi为道床点云{Pm}中的一点，以该点Pi为中心，以点Pi所在区域的左右钢轨轨顶面的法线方向
为轴线，半径为r定义一个圆柱状的缓冲区，该圆柱状的缓冲区称为点Pi的柱状邻域道床点云中所有位于点Pi的柱状邻域内的点记为{Pj,j＝1,2,3,…}；
步骤4：计算点Pi的基于柱状邻域的广义邻域高差；
步骤5：重复步骤3-4直到道床区域所有点{Pm}的广义邻域高差计算完成；
步骤6：结合轨道知识和广义邻域高差直方图来提取钢轨轨顶点云。
上述步骤4具体为：
步骤41：确定点Pi的广义邻域高差的数值：点Pi柱状邻域内任意一点Pj投影到柱状邻域轴线上的高度为
{Pj}中投影到柱状邻域轴线上的最高点的高度为
{Pj}中投影到柱状邻域轴线上的最低点的高度为
广义邻域高差的数值即为
步骤42：确定点Pi的广义邻域高差的符号sign：如果
则sign为+；否则，sign为-；
步骤43：点Pi的广义邻域高差为sign×ΔVi。
上述步骤6具体为：
步骤61：使用直方图统计道床区域所有点{Pm}的广义邻域高差；
步骤62：根据钢轨自身的高度hr、道砟的粒径Tb以及轨顶距离相邻的轨枕或道砟高度基本一致的特点，确定钢轨轨顶点在直方图中对应的峰的中心位置，其横坐标为x＝hr+Tb；
步骤63：确定轨枕处钢轨点云的广义邻域高差阈值范围；
步骤64：将道床点云{Pm}中广义邻域高差在阈值范围内的点提取出来为钢轨轨顶点云。
根据轨道知识，钢轨一般为60kg/m或者50kg/m。若使用的是60kg/m的钢轨时，hr＝176mm、Tb＝50mm，则钢轨轨顶点云的阈值范围为[150mm,250mm]；若使用的是50kg/m的钢轨时，hr＝152mm、Tb＝50mm，则钢轨轨顶点云的阈值范围为[125mm,225mm]。
与现有技术比较，本发明的有益技术效果是：
(1)柱状邻域与球状邻域相比，无需确保其邻域半径大于钢轨高度176mm，这避免了钢轨两侧的大量道砟和轨枕点的邻域中包含了钢轨点云。考虑到曲线段存在轨道超高，本发明定义的广义邻域高差，采用以钢轨轨顶面法线方向为基准方向的柱状邻域计算点的邻域高差。本发明定义的广义邻域高差与球状邻域高差相比能更好地反应钢轨点与道砟、轨枕点的特征区别。
(2)本发明结合轨道知识可以直接定位钢轨点云在直方图中对应的峰的大致位置进而提取钢轨点云，避免了根据直方图全局数据分析钢轨点云对应的峰在直方图中具体位置的方法效率较低的问题。
(3)道岔区域与正线区域的钢轨高度基本一致，所以本发明可适用于铁路全线，可提取铁路全线连续的钢轨点云。
(4)本发明基于车载Lidar点云的几何提取钢轨点云，所定义的广义邻域高差根据点云在柱状邻域中的的几何特征进行计算，与反射强度和颜色等属性无关，并且计算过程中也无需使用轨迹线等额外数据。所以本发明不依赖点云中的颜色、反射强度等信息，也不依赖轨迹线等额外数据。
附图说明
图1为本发明的流程图。
图2为轨道初步分割出来的道床点云示意图。
图3为含岔道的轨道道床点云示意图。
图4为点Pi的基于柱状邻域的广义邻域高差。
图5为{Pm}的广义邻域高差直方图。
图6为提取出来的钢轨轨顶点云示意图。
图7为含岔道的钢轨轨顶点云示意图。
具体实施方式
下面结合附图和具体实施方法对本发明做进一步详细说明。
本发明提出的一种基于广义邻域高差的车载Lidar钢轨点云提取方法，流程图如图1所示，具体步骤为：
步骤1：根据车载Lidar点云的扫描角度或轨迹线等，将道床点云分割出来，结果如图2所示(包含岔道的情况如图3所示)。
步骤2：采用统计滤波等算法去除道床点云中因钢轨自身遮挡等因素引起的噪声点，并将去除噪声点后的道床点云记为{Pm,m＝1,2,3,…}。
步骤3：柱状邻域搜索：Pi为道床点云{Pm}中的一点，以该点Pi为中心，以点Pi所在区域的左右钢轨轨顶面的法线方向
为轴线，半径为r(r为一个经验常数)定义一个圆柱状的缓冲区，该圆柱状的缓冲区称为点Pi的柱状邻域道床点云中所有位于点Pi的柱状邻域内的点记为{Pj,j＝1,2,3,…}。
步骤4：计算点Pi的基于柱状邻域的广义邻域高差。
步骤41：确定点Pi的广义邻域高差的数值：点Pi柱状邻域内任意一点Pj投影到柱状邻域轴线上的高度为
{Pj}中投影到柱状邻域轴线上的最高点的高度为
{Pj}中投影到柱状邻域轴线上的最低点的高度为
广义邻域高差的数值即为
步骤42：确定点Pi的广义邻域高差的符号sign：如果
则sign为+；否则，sign为-；
步骤43：点Pi的广义邻域高差为sign×ΔVi(如图4所示)。
步骤5：重复步骤3-4直到道床区域所有点{Pm}的广义邻域高差计算完成。
步骤6：结合轨道知识和广义邻域高差直方图来提取钢轨轨顶点云。
步骤61：使用直方图统计道床区域所有点{Pm}的广义邻域高差，直方图如图5所示。
步骤62：根据钢轨自身的高度hr(60kg/m钢轨高度为176mm，50kg/m钢轨高度为152mm)，道砟的粒径Tb(约为50mm)以及轨顶距离相邻的轨枕或道砟高度基本一致的特点，确定钢轨轨顶点在直方图中对应的峰的中心位置，其横坐标为x＝hr+Tb。若使用60kg/m的钢轨，则轨枕处钢轨点云在直方图中对应的峰的中心位置的横坐标约为176mm，轨枕间钢轨点云在直方图中对应的峰的中心位置的横坐标约为226mm。若使用的50kg/m的钢轨，则轨枕处钢轨点云在直方图中对应的峰的中心位置的横坐标约为152mm，轨枕间钢轨点云在直方图中对应的峰的中心位置的横坐标约为202mm。
步骤63：确定轨枕处钢轨点云的广义邻域高差阈值范围。若使用的60kg/m的钢轨，则钢轨轨顶点云的阈值范围为[150mm,250mm]。若使用的50kg/m的钢轨，则钢轨轨顶点云的阈值范围为[125mm,225mm]。
步骤64：将道床点云{Pm}中广义邻域高差在阈值范围内的点提取出来作为钢轨轨顶点云，结果如图6所示(包含岔道的轨顶点云如图7所示)。
由此可见，利用本发明的方法不仅能自动提取全线连续的钢轨轨顶点云，提高了钢轨点云的提取精度，同时因为不依赖点云中的颜色、反射强度等信息，也不依赖轨迹线等额外数据，使本发明的方法实施起来更加简单。
Claims (3)
1.一种基于广义邻域高差的车载Lidar钢轨点云提取方法，其特征在于，包括以下步骤：
步骤1：根据车载Lidar点云的扫描角度或轨迹线，将道床点云分割出来；
步骤2：采用统计滤波算法去除道床点云中因钢轨自身遮挡因素引起的噪声点，并将去除噪声点后的道床点云记为{Pm,m＝1,2,3,…}；
步骤3：柱状邻域搜索：Pi为道床点云{Pm}中的一点，以该点Pi为中心，以点Pi所在区域的左右钢轨轨顶面的法线方向
为轴线，半径为r定义一个圆柱状的缓冲区，该圆柱状的缓冲区称为点Pi的柱状邻域道床点云中所有位于点Pi的柱状邻域内的点记为{Pj,j＝1,2,3,…}；
步骤4：计算点Pi的基于柱状邻域的广义邻域高差；
步骤41：确定点Pi的广义邻域高差的数值：点Pi柱状邻域内任意一点Pj投影到柱状邻域轴线上的高度为
{Pj}中投影到柱状邻域轴线上的最高点的高度为
{Pj}中投影到柱状邻域轴线上的最低点的高度为
广义邻域高差的数值即为
步骤42：确定点Pi的广义邻域高差的符号sign：如果
则sign为+；否则，sign为-；
步骤43：点Pi的广义邻域高差为sign×ΔVi；
步骤5：重复步骤3-4直到道床区域所有点{Pm}的广义邻域高差计算完成；
步骤6：结合轨道知识和广义邻域高差直方图来提取钢轨轨顶点云。
2.根据权利要求1所述的一种基于广义邻域高差的车载Lidar钢轨点云提取方法，其特征在于，所述步骤6具体为：
步骤61：使用直方图统计道床区域所有点{Pm}的广义邻域高差；
步骤62：根据钢轨自身的高度hr、道砟的粒径Tb以及轨顶距离相邻的轨枕或道砟高度基本一致的特点，确定钢轨轨顶点在直方图中对应的峰的中心位置，其横坐标为x＝hr+Tb；
步骤63：确定轨枕处钢轨点云的广义邻域高差阈值范围；
步骤64：将道床点云{Pm}中广义邻域高差在阈值范围内的点提取出来为钢轨轨顶点云。
3.根据权利要求2所述的一种基于广义邻域高差的车载Lidar钢轨点云提取方法，其特征在于，所述步骤6中若使用的是60kg/m的钢轨时，hr＝176mm、Tb＝50mm，则钢轨轨顶点云的阈值范围为[150mm,250mm]；若使用的是50kg/m的钢轨时，hr＝152mm、Tb＝50mm，则钢轨轨顶点云的阈值范围为[125mm,225mm]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910446630.4A CN110189419B (zh) | 2019-05-27 | 2019-05-27 | 基于广义邻域高差的车载Lidar钢轨点云提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910446630.4A CN110189419B (zh) | 2019-05-27 | 2019-05-27 | 基于广义邻域高差的车载Lidar钢轨点云提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110189419A CN110189419A (zh) | 2019-08-30 |
| CN110189419B true CN110189419B (zh) | 2022-09-16 |
Family
ID=67718023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910446630.4A Active CN110189419B (zh) | 2019-05-27 | 2019-05-27 | 基于广义邻域高差的车载Lidar钢轨点云提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110189419B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164080B (zh) * | 2020-09-30 | 2023-05-09 | 西南交通大学 | 车载LiDAR点云铁路轨顶点提取方法 |
| CN113256707B (zh) * | 2021-06-25 | 2021-09-28 | 西南交通大学 | 一种基于轨顶面种子点自动追踪的轨道中心线提取方法 |
| CN113901968B (zh) * | 2021-12-08 | 2022-02-25 | 华北理工大学 | 一种基于机器学习的铁路点云特征提取方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1520580A (zh) * | 2000-07-06 | 2004-08-11 | ŦԼ�и��ױ��Ǵ�ѧ�йܻ� | 用于增强数据解析度的方法和设备 |
| CN103926589A (zh) * | 2014-04-30 | 2014-07-16 | 山东科技大学 | 星载激光测高系统固体地表目标平面和高程精度检测方法 |
| CN104123464A (zh) * | 2014-07-23 | 2014-10-29 | 中国国土资源航空物探遥感中心 | 一种高分辨率InSAR时序分析反演地物高程与地面沉降量的方法 |
| CN104931022A (zh) * | 2015-04-21 | 2015-09-23 | 国家测绘地理信息局卫星测绘应用中心 | 基于星载激光测高数据的卫星影像立体区域网平差方法 |
| KR20180050081A (ko) * | 2016-11-04 | 2018-05-14 | 재단법인대구경북과학기술원 | 터널 내 2차 사고 방지 시스템 및 방법 |
| CN108155449A (zh) * | 2016-12-06 | 2018-06-12 | 日本电产株式会社 | 波导装置模块以及微波模块 |
| CN108657222A (zh) * | 2018-05-03 | 2018-10-16 | 西南交通大学 | 基于车载Lidar点云的铁路轨道轨距和水平参数测量方法 |
| CN109782300A (zh) * | 2019-03-08 | 2019-05-21 | 天津工业大学 | 车间钢卷激光雷达三维定位测量系统 |
-
2019
- 2019-05-27 CN CN201910446630.4A patent/CN110189419B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1520580A (zh) * | 2000-07-06 | 2004-08-11 | ŦԼ�и��ױ��Ǵ�ѧ�йܻ� | 用于增强数据解析度的方法和设备 |
| CN103926589A (zh) * | 2014-04-30 | 2014-07-16 | 山东科技大学 | 星载激光测高系统固体地表目标平面和高程精度检测方法 |
| CN104123464A (zh) * | 2014-07-23 | 2014-10-29 | 中国国土资源航空物探遥感中心 | 一种高分辨率InSAR时序分析反演地物高程与地面沉降量的方法 |
| CN104931022A (zh) * | 2015-04-21 | 2015-09-23 | 国家测绘地理信息局卫星测绘应用中心 | 基于星载激光测高数据的卫星影像立体区域网平差方法 |
| KR20180050081A (ko) * | 2016-11-04 | 2018-05-14 | 재단법인대구경북과학기술원 | 터널 내 2차 사고 방지 시스템 및 방법 |
| CN108155449A (zh) * | 2016-12-06 | 2018-06-12 | 日本电产株式会社 | 波导装置模块以及微波模块 |
| CN108657222A (zh) * | 2018-05-03 | 2018-10-16 | 西南交通大学 | 基于车载Lidar点云的铁路轨道轨距和水平参数测量方法 |
| CN109782300A (zh) * | 2019-03-08 | 2019-05-21 | 天津工业大学 | 车间钢卷激光雷达三维定位测量系统 |
Non-Patent Citations (3)
| Title |
|---|
| Automatic Detection of Defective Rail Anchors;Rubayat Ahmed Khan，等;《2014 IEEE 17th International Conference on Intelligent Transportation Systems (ITSC)》;20141011;第1583-1588页 * |
| Model-based rail detection in mobile laser scanning data;Denis Stein，等;《2016 IEEE Intelligent Vehicles Symposium (IV)》;20160722;第654-661页 * |
| 基于LiDAR数据的铁路轨道信息提取方法研究;罗玲;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20171215;C033-1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110189419A (zh) | 2019-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110189419B (zh) | 基于广义邻域高差的车载Lidar钢轨点云提取方法 | |
| CN113870123B (zh) | 基于车载移动激光点云的接触网导高与拉出值自动检测方法 | |
| CN111079611B (zh) | 一种道路面及其标志线的自动提取方法 | |
| CN112465948B (zh) | 一种保留空间特征的车载激光路面点云抽稀方法 | |
| CN113569915B (zh) | 一种基于激光雷达的多策略轨道交通障碍物识别方法 | |
| CN109870458B (zh) | 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法 | |
| CN111311567A (zh) | 对轨道线路图像进行扣件和钢轨病害识别的方法 | |
| WO2022121177A1 (zh) | 一种基于扫描线的道路点云的提取方法 | |
| CN104573627A (zh) | 基于二值图像的车道线保留与检测算法 | |
| CN112164080B (zh) | 车载LiDAR点云铁路轨顶点提取方法 | |
| CN111539436B (zh) | 一种基于一字模板匹配的轨道扣件定位方法 | |
| CN114332212B (zh) | 基于车载移动激光点云的轨道超高和前后高低检测方法 | |
| WO2023216470A1 (zh) | 一种可行驶区域检测方法、装置及设备 | |
| CN107578048A (zh) | 一种基于车型粗分类的远视场景车辆检测方法 | |
| CN117173661B (zh) | 基于计算机视觉的沥青道路质量检测方法 | |
| CN110443142A (zh) | 一种基于路面提取与分割的深度学习车辆计数方法 | |
| CN111723793B (zh) | 一种实时刚性接触网定位点识别方法 | |
| Wang et al. | Advanced crack detection and quantification strategy based on CLAHE enhanced DeepLabv3+ | |
| CN111723792B (zh) | 适用于刚柔接触网的实时定位点识别方法 | |
| CN115541591A (zh) | 列车受电弓碳滑板磨耗边缘检测方法及系统 | |
| CN111723794B (zh) | 一种实时柔性接触网定位点识别方法 | |
| CN105674887A (zh) | 一种现场残缺线性痕迹特征重合度比对方法 | |
| CN115824070B (zh) | 一种钢轨件尺寸测量方法及装置 | |
| Bao et al. | Three-Dimensional Point Cloud Denoising for Tunnel Data by Combining Intensity and Geometry Information | |
| CN114782925B (zh) | 一种基于车载lidar数据的高速公路护栏矢量化方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |