CN110647798B - 基于车载移动激光点云的轨道中线自动检测方法 - Google Patents

基于车载移动激光点云的轨道中线自动检测方法 Download PDF

Info

Publication number
CN110647798B
CN110647798B CN201910719041.9A CN201910719041A CN110647798B CN 110647798 B CN110647798 B CN 110647798B CN 201910719041 A CN201910719041 A CN 201910719041A CN 110647798 B CN110647798 B CN 110647798B
Authority
CN
China
Prior art keywords
track
point cloud
line
steel rail
laser
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
Application number
CN201910719041.9A
Other languages
English (en)
Other versions
CN110647798A (zh
Inventor
许磊
刘成
王长进
李亚辉
张冠军
梁永
王宏涛
谭兆
秦守鹏
牟春霖
康占龙
洪江华
谢春喜
张天航
张志刚
赵宗泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Design Corp
Original Assignee
China Railway Design Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Railway Design Corp filed Critical China Railway Design Corp
Priority to CN201910719041.9A priority Critical patent/CN110647798B/zh
Publication of CN110647798A publication Critical patent/CN110647798A/zh
Application granted granted Critical
Publication of CN110647798B publication Critical patent/CN110647798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于车载移动激光点云的轨道中线自动检测方法，包括：S1，路基和轨道的点云分割；S2，轨道点云分类；S3，轨道中线自动检测：根据标准钢轨的横断面设计图纸，分段自动重建钢轨的标准三维几何模型，将标准钢轨模型和S2中的分段钢轨点云进行迭代配准，进行钢轨分段三维模型自动重建；利用重建后的轨道三维几何模型进行轨道几何参数的计算，再以基准轨道为基础，分段计算轨道中线点位，将这些分段提取的轨道中线点位依次连接，形成线路中线。该方法能对路基及轨道点云的快速分割，减少了轨道点云分类搜索的区域，实现了左右钢轨表面激光点云的自动分类，且能满足既有轨道交通中线检测的精度要求。

Description

基于车载移动激光点云的轨道中线自动检测方法
技术领域
本发明涉及轨道交通快速综合检测领域，特别是涉及一种基于车载移动激光点云的轨道中线自动检测方法。
背景技术
轨道交通的轨道是整个轨道交通工程中最为重要的组成部分，轨道几何状态直接影响列车的安全平稳运营。轨道交通线路经过长期的运营维护，线路的地理空间位置会发生移动，轨道的几何形位会发生改变，轨道中线的检测成为轨道交通运营维护期间和进行线路改造前的重要任务。传统方式进行线路中线测量，主要采用全站仪、全球卫星定位系统、几何水准仪和轨道检测小车等设备，进行接触式逐点测量。此类方法测量效率低，需要测量人员到达轨道交通线路进行实地测量，不仅干扰正常的列车运营，还存在很大的安全隐患。截至2018年底，我国城市轨道交通运营总里程已达5000公里，铁路运营总里程已达13.1万公里，急需一种非接触式快速移动方式，实现轨道中线自动检测。
车载移动激光扫描技术是指在移动载体上集成全球卫星导航系统(GlobalNavigation Satellite System，GNSS)、惯性测量单元(Inertial Measure Unit，IMU)、激光扫描仪、数码相机、数码摄像机等多种传感器的综合测量检测技术。各类型传感器在移动状态下自动采集各种位置、姿态、影像和激光扫描数据，通过统一的地理参考和数据采集同步技术，实现无接触式的空间地理信息采集、处理与入库。在作业过程中，将集成的三维激光扫描系统搭载在轨道车上(或安装在汽车上，并将汽车开上平板车)，通过载体的移动，快速采集轨道交通两侧几十至几百米范围内海量点云和影像数据。通过地面GNSS基站、移动GNSS接收机、地面控制点、IMU和激光扫描仪数据的联合解算，得到高精度三维激光点云数据。相对于地面激光扫描和机载激光扫描，车载移动扫描具有高效灵活的数据采集方式，被越来越多的应用于工程实践中，车载移动扫描技术是目前研究的热点之一。近年来，国内外学者利用车载移动激光点云，实现对轨道点云分类与轨道中线自动提取的研究。
BISHENG Y和LINA F提出了采用移动窗口方法(BISHENG Y,LINA F.AutomatedExtraction of 3-D Railway Tracks from Mobile Laser Scanning Point Clouds[J].Selected Topics in Applied Earth Observations and Remote Sensing,IEEEJournal of,2014,7(12):4750-61.)，实现轨道点云自动提取。首先，利用线路横断面上线路路基区域坡度突变特性，采用移动窗口实现路基点云分割；其次，根据轨道形状特性和点云密度特性，实现轨道点云分割。此方法虽然实现了轨道点云自动提取，但是在铁路道岔区域，上述方法会存在轨道点云错误分类的情况。
JWA Y和SOHN G.提出采用采用卡尔曼滤波(Kalman Filter)方法(JWA Y,SOHNG.Kalman Filter Based Railway Tracking From Mobile LiDAR data；proceedings ofthe ISPRSAnnals of the Photogrammetry,Remote Sensing and Spatial InformationSciences,28 Sep–03 Oct2015,La Grande Motte,France,F,2015[C])，实现轨道点云自动提取。首先，利用交互式方式提取一段轨道顶部点云，采用三阶多项式重建轨道模型。其次，利用卡尔曼滤波方法预测下一段轨道位置，根据预测轨道位置，进行轨道提取与参数计算。最后，利用计算的轨道参数，更新卡尔曼滤波参数，进行下一段轨道参数估计。但是在铁路道岔区域，上述方法同样会存在轨道点云的错误分类情况。
Elberink等提出利用轨道局部平行特征和高度信息，分别采用数据驱动和模型驱动方式，实现轨道点云分类与中线提取(ELBERINKA S O,KHOSHELHAMA K,ARASTOUNIAB M,et al.Rail track detection and modelling in mobile laser scanner data[J].ISPRS Ann Photogram Remote Sens Spatial Inform Sci,II(5–W2),2013,223-8；ELBERINK S,KHOSHELHAM K.Automatic Extraction of Railroad Centerlines fromMobile Laser Scanning Data[J].Remote Sensing,2015,7(5):5565；ARASTOUNIAM.Automated Recognition of Railroad Infrastructure in Rural Areas from LIDARData[J].Remote Sensing,2015,7(11):14916)。首先，利用1x1m格网点云的高程直方图统计信息，实现轨道点云粗略提取。其次，利用线性采样一致性算法RANSAC，实现轨道点云精确提取。最后，分别采用两种方式实现轨道中线提取：(1)平行直线模型的RANSAC算法，分别提取左右轨道中线，再进行线路中线拟合；(2)将轨道分段参数化成8个尺寸参数、3个位置参数和3个姿态参数，利用马尔可夫链蒙特卡洛(Markov Chain Monte Carlo，MCMC)算法实现轨道模型重建，再基于重建轨道模型，提取轨道中线。此方法能够提取多条线路中线，并避免在道岔区域轨道点云的错误分类情况。作者在进行点云粗略分类时，利用轨道上方有接触网的先验知识，但是有些非电气化铁路线路是没有接触网结构的，而且接触网也会有线岔结构，在这些情况下，上述方法就不能正确的进行轨道点云粗略分类。
以上几种方法虽然能够实现轨道点云自动提取与轨道中线计算，但是均需要处理全部点云数据，比较耗费计算机运算时间，可能还会出现轨道错误分类的情况。轨道是由左、右两根钢轨组成，轨道中心线的定义为：直线范围以左侧钢轨为基准轨道、曲线范围以曲线内侧钢轨为基准轨道，向另外一侧钢轨垂直延伸1/2标准轨道宽度(中国定义的标准轨道宽度为1435mm)的空间位置，即定义为轨道交通线路轨道中心点，沿线路方向将这些点连接，形成轨道交通的轨道中线。以上文献中提取的线路中线是左右钢轨中心线，在进行轨道交通线路平面设计时，在小半径的曲线地段，为了减小轮轨间横向作用力和钢轨磨耗，轨距会适当加宽，这时轨道中线就不是左右钢轨的连线中点，如果直接采用左右钢轨中点连线作为轨道中心线，所得到的中心线并非轨道中线。
发明内容
本发明的目的是提供一种效率高、准确性高且能实现轨道中线的自动检测的基于车载移动激光点云的轨道中线自动检测方法。
为此，本发明的技术方案如下：
一种基于车载移动激光点云的轨道中线自动检测方法，包括以下步骤：
S1，路基和轨道的点云分割：利用车载移动激光扫描系统对轨道交通沿线的基础设施及周边环境进行快速数据采集；基于沿线采集的激光点云，通过设定路基和轨道点云对应的激光扫描发射角度的范围值，采用角度阈值分割算法，从轨道交通沿线全部激光点云中分割出路基和轨道激光点云；
S2，轨道点云分类：将轨迹线进行分段线性采样，得到相等间隔的轨迹线段；利用分段采样的轨迹线段和对应钢轨之间相对稳定的空间位置参数，将分段轨迹线分别平移至左、右钢轨顶部，采用半径搜索、矩形分割、高程过滤算法提取钢轨顶部激光点云，采用线性采样一致性算法，对钢轨顶部的点云进行线性拟合；利用钢轨顶部点云拟合的分段直线，再次采用矩形分割和高程过滤算法，分段实现钢轨顶部和钢轨内侧面激光点云分类；利用钢轨顶部点云拟合的分段直线，更新轨迹线和钢轨之间的空间位置参数，进行下一段钢轨点云分类；迭代重复以上步骤，实现全部钢轨顶部和钢轨内侧面激光点云自动分类；
S3，轨道中线自动检测：根据标准钢轨的横断面设计图纸，分段自动重建钢轨的标准三维几何模型，将标准钢轨模型和S2中的分段钢轨点云进行迭代配准，进行钢轨分段三维模型自动重建；利用重建后的轨道三维几何模型进行轨道几何参数的计算，再以基准轨道为基础，分段计算轨道中线点位，将这些分段提取的轨道中线点位依次连接，形成线路中线。
其中，上述的步骤S1中，所述路基和轨道的点云分割包括以下步骤：
(1)移动扫描获取沿线激光点云：随着车载移动激光扫描仪的移动，使扫描仪在垂直于线路方向或与线路方向呈45夹度方向进行360°扫描，再通过扫描仪搭载的移动平台在轨道上的移动，得到被测轨道交通长度范围内及轨道两侧一定距离范围(不同设备的扫描范围不同，一般为线路左右两侧各100米的扫描范围)的激光点云；利用所述移动平台的轨迹线对所扫描的数据进行解算，获得全线统一坐标系下的激光点云，将所述预处理后的扫描数据导出成通用数据格式数据；
(2)利用扫描角度进行点云分割：根据扫描仪在采集数据过程中会记录的扫描头旋转的角度信息、扫描头每次步进旋转的角度值以及扫描仪圆周扫描的角度起点分割出扫描仪下方一定断面宽度(标准轨距为1435mm，要求大于标准轨距宽度，一般此宽度设定为2000mm)的激光点云；
(3)点云分割获得路基及轨道点云：通过测量扫描仪至钢轨顶部的垂直距离H和扫描仪至左侧钢轨的水平距离S1计算轨迹线左侧轨道点云对应的扫描仪角度θmin；通过测量扫描仪至右侧钢轨的水平距离S2计算右侧轨道点云对应的扫描仪角度θmax；或者在轨道点云上直接选择左右钢轨点云，查看选择点的扫描角度值；设定一定角度值的阈值δ，根据公式(1)，遍历所有激光点云，分割出轨道交通路基及轨道结构点云数据：
Figure BDA0002156517070000041
式中：
Pi：第i个激光点；
SegmentTrackbed、SegmentOther：分别为路基及轨道点云、其它点云；
θmin、θmax：分别为左侧钢轨对应的扫描仪角度、右侧钢轨对应的扫描仪角度，单位为度；
δ：为角度分割阈值。
上述的步骤(2)中，所述通用数据格式为LAS格式数据，扫描仪的旋转角度范围为-90～+90，扫描仪正下方方向为扫描起始位置，旋转至扫描仪正上方为90度，轨迹线前进方向左侧为负值，右侧为正值。
上述的步骤(3)中，如果车载移动扫描系统含有多个扫描仪，则分别按照每个扫描仪角度分割激光点云，再将多个扫描仪分割的激光点云进行合并。合并后的路基激光点云受扫描仪测量误差等因素影响，会出现“远离”隧道结构的少量激光噪声点，此类少量孤立点会影响轨道提取结果。根据邻域点的距离统计分析，设定判断准则进行“离群点”判断，将少量激光噪声点剔除。
优选的是，上述的步骤(3)中，所述角度值的阈值δ为3度。
上述的步骤S2中对轨道点云进行分类的步骤如下：
1)轨迹线直线采样：建立轨道点云多维空间索引结构；设定固定步长(FixedDepth)，分段线性拟合轨迹线，获得等间距的多段线；
2)钢轨点云迭代提取，包括以下步骤：
①平移分段拟合轨迹线段：将分段拟合的轨迹线段AB、利用上述步骤(1)中计算的初始水平距离△DL、△DR和垂直高度△HL、△HR，平移至轨道顶部A′B′；
②半径搜索和矩形分割：以直线段A′B′的中点C为原点，以A′B′长度的一半为半径，进行半径搜索；再以A′B′为轴，以略大于单根钢轨顶面宽度的值为宽度建立矩形，在XOY平面内，分割矩形内部点，完成轨道点云的初步分割，获得钢轨附近局部的激光点云；
③激光点云高程过滤：设置一定的高程阈值δ(一般为2～5cm)，取A′B′的最大高程值Hmax和最小高程Hmin，采用公式(3)进行高程滤波，初步提取轨道顶部点云：
Figure BDA0002156517070000051
式中：
Pi：第i个激光点；
SegmentTrackhead、SegmentOther：分别为轨道顶部点云、其它点云；
Hmin、Hmax：分别为平移至轨道顶部的拟合轨迹线的最小高程值、最大高程值，单位为米；
δ：高程值过滤阈值，单位为米。
④线性采样分析：利用高程过滤得到的轨道顶部点云进行“随机采样一致性分析”算法，获得线性拟合参数；通过遍历采样点至直线参数的距离判定是否为轨道顶部点；在进行线性采样时，可以利用轨道顶面采样线和分段轨迹线的直线A′B′基本平行，设置一定的角度阈值(例如：2度角)，进行直线采样的角度约束；如果线性采样成功，则得到轨道顶部点云和线性采样起点A″和终点B″；如果线性采样不成功，从轨道顶部点云中，采用人工鼠标交互式点选采集钢轨顶部激光点的方式，分别作为线段的起点A″和终点B″；
⑤钢轨点云分割：以直线段A″B″为基准，采用上述步骤②中的矩形分割算法和步骤③中的高程值过滤算法，进行钢轨顶部和内侧面激光点云的分割，进而得到钢轨表面激光点云；
⑥几何参数更新：根据线性采样计算的A″、B″，结合A、B点，重新计算轨迹线相对轨道顶部的水平距离△Di与垂直高度△Hi，将新的几何参数用于下一段轨道顶部点云分割，采用公式(4)计算轨道几何参数：
Figure BDA0002156517070000061
式中：
Vector2D(A"-A).Normal——二维向量A"A的长度，单位为米；
Vector2D(B"-B).Normal——二维向量B"B的长度，单位为米；
ZA、ZA"、ZB、ZB"——分别为A、A"、B、B"的高程值，单位为米；
δ——高度过滤的阈值，单位为米。
⑦循环进行1～6步：使用更新后的水平距离△Di与垂直高度△Hi几何参数，进行下一段钢轨顶部和内侧面激光点云分类。
上述的步骤1)中，所述轨道点云多维空间索引结构为KD树或八叉树结构。
上述的步骤S3中，轨道中线提取的步骤如下：
(a)重建线路钢轨三维几何模型：利用标准轨道的设计文件，分段参数化构建轨道三维模型；利用所述步骤2中提取的钢轨顶部、钢轨内侧及轨底的激光点云，采用最近点迭代算法将标准轨道模型和激光点云进行配准，将精确配准后的轨道几何模型作为分段三维重建的轨道几何模型，再将分段重建的钢轨模型首尾连接，进而重建线路钢轨的三维几何模型；
(b)利用所述重建后的轨道三维几何模型，进行轨道几何参数的计算，得到实际轨道的距离、轨道的方向等信息，根据基准轨道的定义，确定基准轨道后，再以基准轨道为基础，向另外一根钢轨水平偏移1/2标准轨距(中国定义的标准轨距为1435mm)，分段计算轨道中线点位，再将这些分段提取的轨道中线点位依次连接，形成线路中线，优选的是，将所形成的线路中线再进行平滑处理，得到相对平滑的线路中线。
在上述的步骤(b)中，取左右轨道顶部以下16mm处的空间距离作为实际轨道的距离；取直线段落的左侧钢轨、曲线段落的内侧钢轨作为基准轨道，向另外一侧钢轨延伸1/2标准轨作为轨道中线的点位。
本发明具有以下有益效果：
(1)已有方法是基于三维场景中的全部激光点云提取钢轨表面激光点云。本发明利用激光入射角度信息，实现对路基及轨道点云的快速分割，减少了轨道点云分类搜索的区域。相对于从轨道交通沿线三维场景的全部激光点云直接提取钢轨表面激光点云，提高了钢轨表面激光点云分类的计算效率。
(2)已有方法是利用钢轨表面局部高程值最大或者钢轨表面点云的方向变化连续性等特征，利用高程直方图统计计算的方法或者卡尔曼滤波方法进行钢轨点云分类。本发明提出基于车载移动扫描的行驶轨迹线和钢轨之间相对稳定的空间位置关系，采用半径搜索、矩形分割、高程过滤、双线性约束的线性采样等滤波方法，实现左右钢轨表面激光点云的自动分类。
(3)已有方法是利用点云分类算法获得钢轨顶部的激光点云，采用分段直线拟合算法，将左右钢轨顶部点云进行直线拟合，再利用左右钢轨拟合的平行直线段的中心点进行连接，进而形成线路轨道中线。本发明采用点云分类获取的左右钢轨顶面及内侧面的激光点云，分段将钢轨激光点云与钢轨标准模型进行迭代配准，利用迭代配准后的左右钢轨模型，计算线路轨道中线。中国常用的钢轨类型为60kg/m的钢轨，线路中心线为从基准钢轨顶部向下延伸16mm，再向另外一侧钢轨延伸1/2标准轨距(中国标准轨距为1435mm)的平面位置，直线范围的基准钢轨为线路左侧钢轨，曲线范围的基准钢轨为曲线内侧钢轨。本发明的方法符合中国铁路相关标准中对线路中线位置的定义。
(4)本发明的方法提取的线路中线空间位置精度为10～30mm，能满足既有轨道交通中线检测的精度要求。
(5)相对传统轨道中线检测方法，本发明不仅提高线路检测的精度，还可以快速实现轨道中线检测。采用车载移动激光扫描方式，避免检测人员上线作业，降低安全作业风险。
附图说明
图1为本发明的轨道中线自动检测方法的流程图；
图2为线路沿线全部激光点云中路基(含钢轨)激光点对应的扫描角度；
图3为本发明中采用角度分割后形成的路基(含钢轨)激光点云图；
图4为轨迹线和左右钢轨顶部相对关系图；
图5为本发明中初步分割后提取的钢轨激光点云；
图6a、6b分别为标准轨道设计断面图及本发明根据标准轨道重建的轨道三维模型；
图7为本发明的实施例1中车载移动激光扫描获取的线路沿线激光点云图；
图8为本发明的实施例1中实施车载移动激光扫描的铁路线路图；
图9为本发明的实施例1中提取的左右轨道中线及线路中线图；
图10为本发明的实施例1中提取的轨道高程与水准测量高程值比较图。
具体实施方式
下面结合附图和具体实施例进一步说明本发明的技术方案。
如图1所示，本发明的轨道中线自动检测方法包括三个步骤：1、路基(含轨道)点云分割；2、轨道点云分类；3、轨道中线自动检测。具体为：
1、路基(含轨道)点云分割:
利用车载移动激光扫描系统对轨道交通沿线的基础设施及周边环境进行快速数据采集；基于沿线采集的激光点云，通过设定路基和轨道点云对应的激光扫描发射角度的范围值，采用角度阈值分割算法，从轨道交通沿线全部激光点云中分割出路基和轨道激光点云。具体如下：
(1)移动扫描获取沿线激光点云
车载移动激光扫描仪采用机械式旋转反射棱镜方式，实现360°圆周断面扫描，再通过扫描仪搭载平台在轨道上移动，实现轨道交通范围及两侧一定距离范围的扫描。
(2)利用扫描角度进行点云分割
扫描仪在采集数据过程中会记录扫描头旋转的角度信息，扫描头每次步进旋转的角度值是固定的，每次圆周扫描的角度起点也是固定的，一般是从扫描仪正下方开始，并以这点结束，完成圆周扫描。由于轨道提取只涉及扫描仪底部固定扫描角度范围的点云，为了减少数据量、提高轨道点云分类计算速度及准确性，首先按照扫描仪角度将扫描仪下方一定断面宽度的激光点云进行分割。
利用移动平台的轨迹线对扫描数据进行解算，获得全线统一坐标系下的激光点云。将预处理后的扫描数据导出成通用数据格式(如LAS格式)数据，LAS格式的激光点云数据记录的扫描仪旋转角度范围为-90～+90，即：扫描仪正下方方向为扫描起始，旋转至扫描仪正上方为90度，轨迹线前进方向左侧为负值，右侧为正值。
(3)点云分割获得路基及轨道点云
在扫描设备安装至移动搭载平台后，扫描仪相对轨道的空间位置稳定，两根钢轨之间的轨距是固定值，因此可以通过测量扫描仪至钢轨顶部的垂直距离H和扫描仪至左侧钢轨的水平距离S1计算轨迹线左侧轨道点云对应的扫描仪角度θmin；通过测量扫描仪至右侧钢轨的水平距离S2，计算右侧轨道点云对应的扫描仪角度为θmax；或者在轨道点云上直接选择左右钢轨点云，查看选择点的扫描角度值。考虑车载扫描过程中，因车辆晃动引起的扫描仪发射角度变化，再设定一定角度值的阈值δ(如3度角)，根据公式(1)，遍历所有激光点云，即可分割出轨道交通路基及轨道结构点云数据。
Figure BDA0002156517070000081
式中：
Pi：第i个激光点；
SegmentTrackbed、SegmentOther：分别为路基及轨道点云、其它点云；
θmin、θmax：分别为左侧钢轨对应的扫描仪角度、右侧钢轨对应的扫描仪角度，单位为度；
δ：角度分割阈值。
如果车载移动扫描系统含有多个扫描仪，需要分别按照每个扫描仪角度分割激光点云，再将多个扫描仪分割的激光点云进行合并。合并后的路基激光点云受扫描仪测量误差等因素影响，会出现“远离”隧道结构的少量激光噪声点，此类少量孤立点会影响轨道提取结果。根据邻域点的距离统计分析，设定判断准则进行“离群点”判断，将少量激光噪声点剔除。
2、轨道点云分类：
利用车载移动扫描平台的轨迹线和钢轨之间局部相对稳定的空间位置关系，采用数据驱动的方法，实现左右钢轨顶部及内侧面的激光点云自动分类。
通过上述步骤(3)中的角度分割阈值进行激光点云分割，将大部分扫描数据进行剔除，仅保留扫描仪下方路基(含轨道)的激光点云数据，如图3所示。这部分数据对应的物体比较简单，仅包含轨道、轨枕、道砟数据。
轨道交通线路有其自身的特征：(1)沿线路方向钢轨轨面高程是连续变化的，且最大坡度为固定值；(2)垂直线路方向的两根钢轨是基本平行的，且两个钢轨的距离一般为固定值(标准轨距1435mm，中国)。
移动激光扫描轨迹文件包含激光扫描系统中心的空间位置及姿态数据。轨迹线的空间位置数据是扫描仪在参考坐标系统下的空间位置点，依次将这些空间位置点连接，形成车载移动扫描的轨迹线。当整套扫描系统安装至移动平台上进行扫描时，轨迹线空间位置相对左右钢轨的水平距离和高度值将固定(直线线路)或者在很小的范围内连续变化(曲线线路)。本发明利用轨迹相对钢轨的空间位置在局部固定或全线连续变化的特点，结合钢轨固定的结构信息，快速实现钢轨激光点云的自动分类。
(1)计算轨迹线与钢轨的位置参数
为了获得轨迹线与轨道之间的位置参数，需要进行以下3步准备工作，完成轨迹线相对左右钢轨顶部的水平距离与垂直高度的初始值计算：
首先，截取一段长度1米的轨迹线定位点数据，采用直线拟合的方法，得到此段轨迹线定位点对应的起点A和终点B；
其次，以直线段AB为对称轴，在AB左右各1米宽度，建立XOY平面的分割矩形。通过遍历激光点云，判断点是否在分割矩形内，完成轨道点云分割；
最后，利用轨迹线建立的坐标系(以A点为坐标原点，轨迹线前进方向为X轴、在水平方向垂直轨迹线为Y轴，垂直XOY平面的为Z轴，建立坐标系)，将此坐标系对应下的激光点云几何投影至XOY平面，在此平面分别选择左侧钢轨顶面与右侧钢轨顶面的激光点，即可分别计算轨迹线至轨道顶部的水平距离与垂直高度，计算公式如下：
Figure BDA0002156517070000101
式中ΔHL、ΔHR——分别为左侧轨道顶点、右侧轨道顶点至轨迹线的垂直高度；
ΔDL、ΔDR——分别为左侧轨道顶点、右侧轨道顶点至轨迹线的水平距离；
Figure BDA0002156517070000102
——分别为将A、B点旋转至XOY平面内的X坐标；
Figure BDA0002156517070000103
——分别为将A、B点旋转至XOY平面内的Y坐标；
Figure BDA0002156517070000104
——分别为将左轨面顶点
Figure BDA0002156517070000105
右轨面顶点
Figure BDA0002156517070000106
旋转至XOY平面内的X坐标；
Figure BDA0002156517070000107
——分别为将左轨面顶点
Figure BDA0002156517070000108
右轨面顶点
Figure BDA0002156517070000109
旋转至XOY平面内的Y坐标。轨迹线和轨道顶部相对关系如图4所示。
(2)钢轨顶部及内侧面的点云分类
在完成以上的初始值计算后，采用迭代方式自动对左右钢轨顶部及内侧激光点云进行分类包括：
1)轨迹线直线采样
为了提高钢轨点云自动分类的计算效率，采用以下策略：①建立轨道点云多维空间索引(如KD树或八叉树)结构，提高点云搜索效率；②设定固定步长(Fixed Depth)，分段线性拟合轨迹线，获得等间距的多段线。
2)钢轨点云迭代提取
①平移分段拟合轨迹线段：将分段拟合的轨迹线段AB、利用上述步骤(1)中计算的初始水平距离△DL、△DR与垂直高度△HL、△HR，平移至轨道顶部A′B′。
②半径搜索和矩形分割：取直线段A′B′的中点C为原点，以A′B′长度的一半为半径，进行半径搜索。再以A′B′为轴，一定宽度建立矩形(Rectangle Width)，在XOY平面内，分割矩形内部点，完成轨道点云的初步分割，参见图5所示。
经过上述步骤①、②的初步点云分割，获得钢轨附近局部的激光点云。
③激光点云高程过滤：长期运营的轨道比较光滑，导致钢轨顶面激光点的离散度较大，轨面上激光点会出现上下“跳跃”的情况，所以，设置一定的高程阈值δ(ElevationThreshold)，取A′、B′的最大高程值Hmax和最小高程Hmin。采用公式(3)进行高程滤波，初步提取轨道顶部点云。
Figure BDA0002156517070000111
式中：
Pi：第i个激光点；
SegmentTrackhead、SegmentOther：分别为轨道顶部点云、其它点云；
Hmin、Hmax：分别为平移至轨道顶部的拟合轨迹线最小高程值、最大高程值；
δ：高程值过滤阈值。
④线性采样分析：利用高程过滤得到的轨道顶部点云进行“随机采样一致性分析”算法(Random Sample Consensus，RANSAC)，获得线性拟合参数。通过遍历采样点至直线参数的距离(Distance Threshold)，判定是否为轨道顶部点。在进行线性重采样时，可以利用轨道顶面采样线和分段轨迹线的直线A′B′基本平行，设置一定的角度阈值(AngleThreshold)(例如：2度角)，进行直线采样的角度约束。如果线性采样成功，将得到轨道顶部点云和线性采样起点A″和终点B″；如果线性采样不成功，从轨道顶部点云中，采用人工鼠标交互式点选采集钢轨顶部激光点的方式，分别作为线段的起点A″和终点B″。
⑤钢轨点云分割：以直线段A″B″为基准，采用上述步骤②中的矩形分割算法和步骤③中的高程值过滤算法，实现钢轨顶部和内侧面激光点云的分割，进而得到钢轨表面激光点云。
⑥几何参数更新：根据线性采样计算的A″、B″，结合A、B点，重新计算轨迹线相对轨道顶部的水平距离△Di与垂直高度△Hi，新的几何参数将用于下一段轨道顶部点云分割，采用公式(4)计算轨道几何参数。
Figure BDA0002156517070000112
式中：
Vector2D(A"-A).Normal——二维向量A"A的长度；
Vector2D(B"-B).Normal——二维向量B"B的长度；
ZA、ZA"、ZB、ZB"——分别为A、A"、B、B"的高程值；
δ——高度过滤的阈值。
⑦循环进行1～6步：使用更新后的水平距离△Di与垂直高度△Hi几何参数，进行下一段钢轨顶部和内侧面激光点云分类。
3、轨道中线提取：
在轨道交通不同走向的线路合并或分岔时，通过设置轨道道岔设备来实现此功能。上述步骤2中提取的钢轨表面激光点云在道岔区域会存在部分相邻轨道上的激光点云。另外，长期运营的轨道交通线路，钢轨表面一般比较光滑，容易形成“镜面反射”效应，激光扫描仪接受钢轨表面反射的激光点云数据，会存在部分噪声点。基于以上原因，直接利用上述步骤2中提取的钢轨表面激光点云，进行轨道中线的提取，会影响提取的精度。
本发明采用重建钢轨三维几何模型和从钢轨几何模型中提取轨道中线的方法来避免钢轨点云分类噪声点的影响。具体如下：
(a)重建线路钢轨三维几何模型
常用钢轨类型只有少量的几种，在中国比较常用的轨道类型是CHN60(实际重量60.64kg/m)，这些轨道的内部几何结构都有标准的设计文件，由两根按照固定轨道距离及线路设计参数平行铺设的钢轨组成铁路线路。利用标准轨道的设计文件，分段参数化构建轨道三维模型，如图6a和6b所示。为了列车安全平稳运行，在铁路设计阶段会根据不同时速等级设计最小曲线半径，在很短距离内(本发明采用1米长度的线路)，将曲线轨道近似处理为直线的误差可以忽略。利用上述步骤2中提取的钢轨顶部、内侧轨腰及轨底的激光点云，采用最近点迭代算法(Iterative Closest Point，ICP)将标准轨道模型和激光点云进行配准，精确配准后的轨道几何模型作为分段三维重建的轨道几何模型。再将分段重建钢轨模型首尾连接，进而重建线路钢轨的三维几何模型。
(2)从钢轨模型中提取轨道中线
利用上述步骤(a)重建后的轨道三维几何模型，可以实现轨道几何参数的计算。如左右轨道顶部以下16mm处的空间距离，为实际轨道的距离，简称轨距；直线段落的左侧钢轨、曲线段落的内侧钢轨作为基准轨道，向另外一侧钢轨延伸1/2标准轨(标准轨距为1435mm)，即为轨道中线的点位。再将这些分段提取的轨道中线点位依次连接，形成线路中线。轨道交通运营线的线路平面相对平顺，再将分段连接的轨道中线进行平滑处理，进而得到相对平滑的线路中线。
实施例1
步骤1：路基(含轨道)点云分割
为了验证本发明方法的正确性，使用RIEGL VMX-450Rail系统进行数据的获取。该系统主要由以下几个部分组成：1)两个全波段VQ-450激光扫描头；2)4个高分辨率工业相机；3)POSPAC LV510GNSS/IMU定位与定姿系统。
将这套系统安装在汽车顶部，然后将汽车固定在火车的平板车的尾部，使激光扫描仪可以获得下部轨道数据。扫描精度约为8mm，最大有效测量速率约110万个点每秒，扫描仪底部轨道交通路基上的点密度约1200个点/平方米，原始扫描点云如图7所示。
为了评价该方法的可靠性和精度，选择在哈尔滨至牡丹江的铁路线上进行扫描实验。该线路位于中国北部，是一条在1960年左右修建的铁路，中国的铁路部门计划对这条铁路进行电气化改造，该线路的位置如图8中箭头所指处。选择其中的一段约100公里长度进行往测和返测扫描，分别沿铁路左、右线进行扫描。由于该铁路处于正常运营使用期，扫描进度会对正常行车的列车避让，中间有多个时间段的停留，扫描时间为07:20～21:20，历时14个小时。在正常行驶过程中，平均移动速度约60km/小时。在停车等待期间，让扫描仪和相机停止数据采集，定位与定姿系统仍正常工作。共计约200公里长度的扫描，预处理后的点云和影像数据约1.78TB。在扫描沿线间隔约10公里架设一个GPS基准站，共计架设9个，在扫描过程中，基准站采样频率统一设置为1HZ，全程不间断接收GNSS信号。
通过车载移动激光扫描系统，获得轨道交通沿线三维激光点云，通过设定路基(含轨道)的角度阈值，采用角度分割算法，实现路基(含轨道)激光点云分割。相对全部三维激光点云数据，分割后的路基(含轨道)激光点云有利于下一步对轨道点云的精确分类。
步骤2：轨道点云分类
沿轨道交通线路方向，1m间隔直线拟合轨迹线，以拟合直线段为参考线，利用移动扫描轨迹线和轨道之间相对稳定的空间位置关系，分段采用半径搜索、矩形分割、高程过滤等算法，实现钢轨顶部及内侧面激光点云的分类。
步骤3：轨道中心线检测
利用标准钢轨的横截面图，分段重建钢轨的三维几何模型，采用迭代配准的计算方法，将钢轨几何模型和钢轨顶面及内侧面激光点云进行迭代配准，进而实现现场钢轨几何模型的三维重建。再基于重建的钢轨几何模型，计算轨道中心线的空间位置，实现轨道中心线的自动检测，提取结果如图9所示，其中A、C分别为左侧和右侧轨道，B为轨道中线。
实验精度分析：
为了验证提取轨道中线的精度，采用国家二等几何水准测量方法，对轨道顶部高程进行测量。选择一段2.76km的线路，几何水准测量闭合差为4.2mm。将几何水准测量轨面高程作为参考值，轨道提取的高程值与之比较，结果如图10所示。统计中误差为12.4mm，最大误差为-26.3mm，满足现有轨道交通工程现状测绘的要求。
本发明的方法基于扫描仪激光入射角度，采用角度阈值过滤，快速分割路基(含钢轨)的激光点云，减少分类计算的点云数量。车载移动系统的轨迹线和轨道之间的空间位置关系相对稳定，采用多种滤波算法，实现钢轨顶部及内侧面激光点云的分类。采用钢轨模型和激光点云迭代配准的方法，将钢轨模型配准至钢轨激光点云位置，实现钢轨几何模型的三维重建。再基于重建的钢轨三维模型，实现线路中心线的提取，基于提取的轨道中心线，根据线路曲线特性与平滑算法，实现线路中线的计算。采用线性插值的方法，对局部段落轨道中线提取失败处进行插值计算，克服了局部段落轨道中线检测失败的缺点。

Claims (7)

1.一种基于车载移动激光点云的轨道中线自动检测方法，包括以下步骤：
S1，路基和轨道的点云分割：
利用车载移动激光扫描系统对轨道交通沿线的基础设施及周边环境进行快速数据采集；基于沿线采集的激光点云，通过设定路基和轨道点云对应的激光扫描发射角度的范围值，采用角度阈值分割算法，从轨道交通沿线全部激光点云中分割出路基和轨道激光点云；
S2，轨道点云分类：
将轨迹线进行分段线性采样，得到相等间隔的轨迹线段；利用分段采样的轨迹线段至轨道顶部的水平距离与垂直高度，将分段轨迹线分别平移至左、右钢轨顶部，采用半径搜索、矩形分割、高程过滤算法提取钢轨顶部激光点云，采用线性采样一致性算法，对钢轨顶部的点云进行线性拟合；利用钢轨顶部点云拟合的分段直线，再次采用矩形分割和高程过滤算法，分段实现钢轨顶部和钢轨内侧面激光点云分类；利用钢轨顶部点云拟合的分段直线，更新轨迹线和钢轨之间的空间位置参数，进行下一段钢轨点云分类；迭代重复以上步骤，实现全部钢轨顶部和钢轨内侧面激光点云自动分类；
S3，轨道中线自动检测：
根据标准钢轨的横断面设计图纸，分段自动重建钢轨的标准三维几何模型，将标准钢轨模型和S2中的分段钢轨点云进行迭代配准，进行钢轨分段三维模型自动重建；利用重建后的轨道三维几何模型进行轨道几何参数的计算，再以基准轨道为基础，分段计算轨道中线点位，将这些分段提取的轨道中线点位依次连接，形成线路中线；
其中，步骤S2中对轨道点云进行分类的步骤如下：
1)轨迹线直线采样：
建立轨道点云多维空间索引结构；设定固定步长，分段线性拟合轨迹线，获得等间距的多段线；
2)钢轨点云迭代提取，包括以下步骤：
①平移分段拟合轨迹线段：将分段拟合的轨迹线段AB、利用所述水平距离与垂直高度，平移至轨道顶部A′B′；
②半径搜索和矩形分割：以直线段A′B′的中点C为原点，以A′B′长度的一半为半径，进行半径搜索；再以A′B′为轴，以略大于单根钢轨顶面宽度的值为宽度建立矩形，在XOY平面内，分割矩形内部点，完成轨道点云的初步分割，获得钢轨附近局部的激光点云；
③激光点云高程过滤：设置一定的高程阈值δ，取A′B′的最大高程值Hmax和最小高程Hmin，采用公式(3)进行高程滤波，初步提取轨道顶部点云：
Figure FDA0003935140330000021
式中：
Pi：第i个激光点；
SegmentTrack head、SegmentOther：分别为轨道顶部点云、其它点云；
Hmin、Hmax：分别为平移至轨道顶部的拟合轨迹线的最小高程值、最大高程值，单位为米；
δ：高程值过滤阈值，单位为米；
④线性采样分析：利用高程过滤得到的轨道顶部点云进行“随机采样一致性分析”算法，获得线性拟合参数；通过遍历采样点至直线参数的距离判定是否为轨道顶部点；在进行线性采样时，利用轨道顶面采样线和分段轨迹线的直线A′B′平行，设置角度阈值，进行直线采样的角度约束；如果线性采样成功，则得到轨道顶部点云和线性采样起点A″和终点B″；如果线性采样不成功，从轨道顶部点云中，采用人工鼠标交互式点选采集钢轨顶部激光点的方式，分别作为线段的起点A″和终点B″；
⑤钢轨点云分割：以直线段A″B″为基准，采用上述步骤②中的矩形分割算法和步骤③中的高程值过滤算法，进行钢轨顶部和内侧面激光点云的分割，进而得到钢轨表面激光点云；
⑥几何参数更新：根据线性采样计算的A″、B″，结合A、B点，重新计算轨迹线相对轨道顶部的水平距离△Di与垂直高度△Hi，将新的几何参数用于下一段轨道顶部点云分割，采用公式(4)计算轨道几何参数：
Figure FDA0003935140330000022
式中：
Vector2D(A"-A).Normal——二维向量A"A的长度，单位为米；
Vector2D(B"-B).Normal——二维向量B"B的长度，单位为米；
ZA、ZA"、ZB、ZB"——分别为A、A"、B、B"的高程值，单位为米；
δ——高度过滤的阈值，单位为米；
⑦循环进行1～6步：使用更新后的水平距离△Di与垂直高度△Hi几何参数，进行下一段钢轨顶部和内侧面激光点云分类。
2.根据权利要求1所述的轨道中线自动检测方法，其特征在于，步骤S1中所述路基和轨道的点云分割包括以下步骤：
(1)移动扫描获取沿线激光点云：
随着车载移动激光扫描仪的移动，使扫描仪在垂直于线路方向或与线路方向呈45夹度方向进行360°扫描，再通过扫描仪搭载的移动平台在轨道上的移动，得到被测轨道交通长度范围内及轨道两侧各100米宽度范围的激光点云；利用所述移动平台的轨迹线对所扫描的数据进行解算，获得全线统一坐标系下的激光点云，将该激光点云导出成通用数据格式数据；
(2)利用扫描角度进行点云分割：
根据扫描仪在采集数据过程中会记录的扫描头旋转的角度信息、扫描头每次步进旋转的角度值以及扫描仪圆周扫描的角度起点分割出扫描仪下方2000mm断面宽度的激光点云；
(3)点云分割获得路基及轨道点云
通过测量扫描仪至钢轨顶部的垂直距离H和扫描仪至左侧钢轨的水平距离S1计算轨迹线左侧轨道点云对应的扫描仪角度θmin；通过测量扫描仪至右侧钢轨的水平距离S2计算右侧轨道点云对应的扫描仪角度θmax；或者在轨道点云上直接选择左右钢轨点云，查看选择点的扫描角度值；设定角度值的阈值δ为3度，根据公式(1)，遍历所有激光点云，分割出轨道交通路基及轨道结构点云数据：
Figure FDA0003935140330000031
式中：
Pi：第i个激光点；
SegmentTrackbed、SegmentOther：分别为路基及轨道点云、其它点云；
θmin、θmax：分别为左侧钢轨对应的扫描仪角度、右侧钢轨对应的扫描仪角度，单位为度；
δ：角度分割阈值。
3.根据权利要求2所述的轨道中线自动检测方法，其特征在于：步骤(2)中，所述通用数据格式为LAS格式数据，扫描仪的旋转角度范围为-90～+90，扫描仪正下方方向为扫描起始位置，旋转至扫描仪正上方为90度，轨迹线前进方向左侧为负值，右侧为正值。
4.根据权利要求2所述的轨道中线自动检测方法，其特征在于：步骤(3)中，如果车载移动扫描系统含有多个扫描仪，则分别按照每个扫描仪角度分割激光点云，再将多个扫描仪分割的激光点云进行合并；合并后的路基激光点云受扫描仪测量误差因素影响，会出现“远离”隧道结构的少量激光噪声点，此类少量孤立点会影响轨道提取结果；根据邻域点的距离统计分析，设定判断准则进行“离群点”判断，将少量激光噪声点剔除。
5.根据权利要求1所述的轨道中线自动检测方法，其特征在于：步骤1)中，所述轨道点云多维空间索引结构为KD树或八叉树结构。
6.根据权利要求1所述的轨道中线自动检测方法，其特征在于，步骤S3中轨道中线提取的步骤如下：
(a)重建线路钢轨三维几何模型：
利用标准轨道的设计文件，分段参数化构建轨道三维模型；利用所述步骤S2中提取的钢轨顶部、钢轨内侧及轨底的激光点云，采用最近点迭代算法将标准轨道模型和激光点云进行配准，将精确配准后的轨道几何模型作为分段三维重建的轨道几何模型，再将分段重建的钢轨模型首尾连接，进而重建线路钢轨的三维几何模型；
(b)从钢轨模型中提取轨道中线：
利用所述重建后的轨道三维几何模型，进行轨道几何参数的计算，得到实际轨道的距离和轨道的方向，根据基准轨道的定义，确定基准轨道后，再以基准轨道为基础，向另外一根钢轨水平偏移1/2标准轨距，分段计算轨道中线点位，再将这些分段提取的轨道中线点位依次连接，形成线路中线，再将所形成的线路中线进行平滑处理，得到平滑的线路中线。
7.根据权利要求6所述的轨道中线自动检测方法，其特征在于：在所述步骤(b)中，取左右轨道顶部以下16mm处的空间距离作为实际轨道的距离；取直线段落的左侧钢轨、曲线段落的内侧钢轨作为基准轨道，向另外一侧钢轨延伸1/2标准刚轨作为轨道中线的点位。
CN201910719041.9A 2019-08-05 2019-08-05 基于车载移动激光点云的轨道中线自动检测方法 Active CN110647798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910719041.9A CN110647798B (zh) 2019-08-05 2019-08-05 基于车载移动激光点云的轨道中线自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910719041.9A CN110647798B (zh) 2019-08-05 2019-08-05 基于车载移动激光点云的轨道中线自动检测方法

Publications (2)

Publication Number Publication Date
CN110647798A CN110647798A (zh) 2020-01-03
CN110647798B true CN110647798B (zh) 2023-01-03

Family

ID=68989971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910719041.9A Active CN110647798B (zh) 2019-08-05 2019-08-05 基于车载移动激光点云的轨道中线自动检测方法

Country Status (1)

Country Link
CN (1) CN110647798B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402148B (zh) * 2020-03-03 2023-05-23 北京百度网讯科技有限公司 用于自动驾驶车辆的信息处理方法和装置
CN111429498B (zh) * 2020-03-26 2022-08-30 中国铁路设计集团有限公司 一种基于点云和影像融合技术的铁路营业线三维中线制作方法
CN111932676B (zh) * 2020-08-24 2024-01-05 华中科技大学 一种铁路轨距快速测量装置和方法
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
CN112461205B (zh) * 2020-11-12 2022-08-30 中国铁路设计集团有限公司 基于无人机倾斜摄影测量的铁路既有线横断面制作方法
CN112528892B (zh) * 2020-12-17 2022-12-13 武汉中海庭数据技术有限公司 一种无人机点云车道线提取方法及系统
CN112699820B (zh) * 2021-01-04 2022-10-21 湖南长院悦诚装备有限公司 一种用于钢轨铺设的滚筒的回收方法与系统
CN112817317A (zh) * 2021-01-04 2021-05-18 湖南长院悦诚装备有限公司 一种智能铺轨车的自动循迹方法与系统
CN112883997B (zh) * 2021-01-11 2023-05-12 武汉坤能轨道系统技术有限公司 一种轨道交通扣件检测系统及检测方法
CN112884823B (zh) * 2021-01-13 2023-09-22 上海建工四建集团有限公司 面向实测实量应用的靠尺模拟点云选取与计算方法
CN112906128B (zh) * 2021-01-18 2022-09-20 上海交通大学 基于直线导轨与扫描仪的车辆建模方法、设备及系统
CN115123335B (zh) * 2021-03-29 2023-09-19 株洲中车时代电气股份有限公司 一种轨道检测方法及装置
CN113870123B (zh) * 2021-08-19 2023-01-03 中国铁路设计集团有限公司 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
CN114739297B (zh) * 2021-11-26 2023-07-14 天津津航技术物理研究所 一种基于激光扫描的离线轨道参数计算方法
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
CN114140459B (zh) * 2021-12-09 2023-04-07 中铁二院工程集团有限责任公司 基于原始激光点云的铁路横断面测量方法
CN114440767A (zh) * 2022-01-26 2022-05-06 株洲时代电子技术有限公司 铁路综合巡检方法
CN114332212B (zh) * 2022-03-11 2022-06-07 中国铁路设计集团有限公司 基于车载移动激光点云的轨道超高和前后高低检测方法
CN115830019B (zh) * 2023-02-14 2023-04-28 南京慧然科技有限公司 钢轨检测的三维点云校准处理方法及装置
CN115824070B (zh) * 2023-02-23 2023-05-30 湖南睿图智能科技有限公司 一种钢轨件尺寸测量方法及装置
CN116188334B (zh) * 2023-05-04 2023-07-18 四川省公路规划勘察设计研究院有限公司 一种车道线点云自动修补方法及装置
CN116215330B (zh) * 2023-05-08 2023-07-21 中国铁路设计集团有限公司 无螺栓结构的滑动式线岔
CN116862976B (zh) * 2023-06-08 2024-04-02 中铁第四勘察设计院集团有限公司 一种基于无人机激光点云的铁轨中心线提取方法及系统
CN117315273B (zh) * 2023-11-24 2024-02-23 安徽建筑大学 基于点云数据道路纵横断面的自动提取方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015003772A1 (de) * 2013-07-10 2015-01-15 Plasser & Theurer Export Von Bahnbaumaschinen Gesellschaft M.B.H. Verfahren zur ermittlung einer gleis-solllage
CN105893961A (zh) * 2016-03-30 2016-08-24 广东中冶地理信息股份有限公司 一种道路中线提取方法
CN106931885A (zh) * 2017-04-17 2017-07-07 铁道第三勘察设计院集团有限公司 轨道交通基础构件尺寸快速智能检测系统及方法
CN107463918A (zh) * 2017-08-17 2017-12-12 武汉大学 基于激光点云与影像数据融合的车道线提取方法
CN107792115A (zh) * 2017-09-07 2018-03-13 中铁二院工程集团有限责任公司 一种利用三维激光点云自动提取既有线轨顶高程方法
CN107945198A (zh) * 2016-10-13 2018-04-20 北京百度网讯科技有限公司 用于标注点云数据的方法和装置
CN109376586A (zh) * 2018-09-05 2019-02-22 武汉中海庭数据技术有限公司 基于激光点云的道路边界线交互式自动提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015003772A1 (de) * 2013-07-10 2015-01-15 Plasser & Theurer Export Von Bahnbaumaschinen Gesellschaft M.B.H. Verfahren zur ermittlung einer gleis-solllage
CN105893961A (zh) * 2016-03-30 2016-08-24 广东中冶地理信息股份有限公司 一种道路中线提取方法
CN107945198A (zh) * 2016-10-13 2018-04-20 北京百度网讯科技有限公司 用于标注点云数据的方法和装置
CN106931885A (zh) * 2017-04-17 2017-07-07 铁道第三勘察设计院集团有限公司 轨道交通基础构件尺寸快速智能检测系统及方法
CN107463918A (zh) * 2017-08-17 2017-12-12 武汉大学 基于激光点云与影像数据融合的车道线提取方法
CN107792115A (zh) * 2017-09-07 2018-03-13 中铁二院工程集团有限责任公司 一种利用三维激光点云自动提取既有线轨顶高程方法
CN109376586A (zh) * 2018-09-05 2019-02-22 武汉中海庭数据技术有限公司 基于激光点云的道路边界线交互式自动提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于激光点云的隧道超欠挖检测方法研究;许磊等;《铁道工程学报》;20161215(第12期);全文 *
基于移动激光扫描三维点云的隧道限界检测方法;周世明;《四川建材》;20180110(第01期);全文 *

Also Published As

Publication number Publication date
CN110647798A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
CN110647798B (zh) 基于车载移动激光点云的轨道中线自动检测方法
WO2023019709A1 (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
CN111551958B (zh) 一种面向矿区无人驾驶的高精地图制作方法
CN111547084B (zh) 基于自移动式轨道交通移动三维扫描系统的数据处理方法
Yang et al. Automated extraction of 3-D railway tracks from mobile laser scanning point clouds
CN109060821B (zh) 基于激光检测的隧道病害检测方法及隧道病害检测装置
CN110986878A (zh) 基于移动测量系统自动化提取铁轨断面的方法
CN111429498A (zh) 一种基于点云和影像融合技术的铁路营业线三维中线制作方法
CN110986820B (zh) 轨道侵限检测方法、装置及电子设备
CN105761305B (zh) 一种车辆行驶检测方法及系统
Specht et al. Accuracy assessment of mobile satellite measurements in relation to the geometrical layout of rail tracks
CN114312877B (zh) 铁路综合巡检系统
CN112285738B (zh) 一种轨道交通车辆的定位方法及其装置
Leslar et al. Using mobile lidar to survey a railway line for asset inventory
CN114379598B (zh) 一种铁路综合巡检系统
CN114379607B (zh) 一种铁路综合巡检方法
CN114897777A (zh) 顾及空间关系的接触网支撑设施激光点云全自动提取方法
CN110986877A (zh) 基于高精度车载激光移动测量系统铁路工程限界检测方法
Ji et al. Accurate and robust registration of high-speed railway viaduct point clouds using closing conditions and external geometric constraints
Kremer et al. The RailMapper–A dedicated mobile LiDAR mapping system for railway networks
CN115797338A (zh) 基于双目视觉的全景路面多性能指标计算方法及系统
Kwoczynska et al. Elaboration and modeling of the railway infrastructure using data from airborne and mobile laser scanning
CN116128834A (zh) 基于三维激光扫描的轨道交通站台限界快速检测方法
CN113223168A (zh) 一种隧道三维形貌快速建模的方法
CN114018153B (zh) 一种铁路工务检测分析方法、装置、设备及可读存储介质

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