CN110728689A - 一种基于点云数据的既有铁路中线提取方法 - Google Patents
一种基于点云数据的既有铁路中线提取方法 Download PDFInfo
- Publication number
- CN110728689A CN110728689A CN201911196755.2A CN201911196755A CN110728689A CN 110728689 A CN110728689 A CN 110728689A CN 201911196755 A CN201911196755 A CN 201911196755A CN 110728689 A CN110728689 A CN 110728689A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- cloud data
- line
- coordinate
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims description 31
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 57
- 239000010959 steel Substances 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000003379 elimination reaction Methods 0.000 claims abstract description 5
- 230000008030 elimination Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 241000969729 Apteryx rowi Species 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 21
- 230000000694 effects Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 241001669679 Eleotris Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于点云数据的既有铁路中线提取方法,包括以下步骤:数据预处理,包括对原始点云数据的测站拼接、粗差剔除和数据裁剪;点云数据滤波,滤除无效点云数据,并根据轨面高程对点云数据进行分段滤波;点云分割,先将点云数据格网化和二值化处理,再对滤波后的点云数据进行点云分割,并将对点云数据的处理转化为对格网数据的处理;线路中线点计算,根据既有铁路两条钢轨平行的几何特性,并利用两条钢轨的点云数据,计算出线路中线点的坐标,得到线路中线。本发明能够自动提取既有铁路线路中线,提高了既有铁路中线测量的精度和作业效率,避免了测量人员上线作业带来的巨大安全隐患。
Description
技术领域
本发明属于铁路工程勘测领域,特别涉及一种基于点云数据的既有铁路中线提取方法。
背景技术
目前,既有铁路中线测量主要采用传统测量方式,即通过全站仪或者GPS-RTK技术沿既有线路中线按照一定间距采集中线点的坐标,进而得到线路的平面位置。然而,传统的测量方法不仅外业工作量大、作业效率较低,同时作业人员需要在既有铁路上测量也存在巨大的安全隐患。
虽然三维激光扫描技术可以通过非接触测量方式,快速获取被测对象表面的三维点云数据,具有高效率、高精度的独特优势,将其引入到既有铁路中线测量当中,可以有效克服传统测量方法的不足。但是目前对于三维点云数据的内业处理仍以人机交互方式为主,主要通过扫描仪随机的数据处理软件完成。通过人机交互方式提取既有铁路中线点,不仅会产生人为测量误差,降低中线点坐标的提取精度,同时由于点云数据量过大,会极大地增加内业数据处理的工作量,不能充分发挥三维激光扫描技术在既有铁路测量领域中的巨大优势。
发明内容
本发明的目的在于提供一种自动提取既有铁路线路中线、测量精度高、操作安全的基于点云数据的既有铁路中线提取方法。
为实现上述目的,本发明的一种基于点云数据的既有铁路中线提取方法的具体技术方案为:
一种基于点云数据的既有铁路中线提取方法,包括以下步骤:数据预处理,包括对原始点云数据的测站拼接、粗差剔除和数据裁剪;点云数据滤波,滤除无效点云数据,并根据轨面高程对点云数据进行分段滤波;点云分割,先将点云数据格网化和二值化处理,再对滤波后的点云数据进行点云分割,并将对点云数据的处理转化为对格网数据的处理;线路中线点计算,根据既有铁路两条钢轨平行的几何特性,并利用两条钢轨的点云数据,计算出线路中线点的坐标,得到线路中线。
本发明的一种基于点云数据的既有铁路中线提取方法的优点在于:
1)将三维激光扫描技术应用于既有铁路中线测量,无需在既有铁路上作业,避免了传统测量方法中测量人员上线作业带来的巨大安全隐患;
2)能够自动提取既有铁路线路中线,提取方法逻辑严密,计算精度高于传统测量方法,能够完全替代传统人工测量方式,提高了既有铁路中线测量的精度和作业效率;
3)根据既有铁路钢轨轨面高于枕木、道砟及地面的特点,分段进行轨面高程滤波,保留钢轨数据,剔除非钢轨数据,既减少了数据量,又避免了铁路纵向高程变化带来的影响;
4)基于格网化和边界填充算法进行点云分割,能够有效的识别每个点属于哪条钢轨点集,点云分割精度较高;
5)本发明的提取方法在计算中心点时,采用对局部点云进行最小二乘拟合直线的方式,对于既有铁路的直线段、曲线段及缓和曲线段均适用,算法通用性较强;
6)本发明的提取方法作业效率远高于传统人工测量方式,并且能够任意设置中线点采样间隔,获取的中线点数量远高于传统测量方式,中线测量结果也更加准确。
附图说明
图1为本发明的预处理后的点云数据的示意图;
图2为本发明的滤波后的点云数据的示意图;
图3为本发明的铁路中线提取原理的示意图;
图4为本发明的铁路中线提取的效果图;
图5为本发明既有铁路中线提取方法的流程示意图。
具体实施方式
为了更好的了解本发明的目的、结构及功能,下面结合附图,对本发明的一种基于点云数据的既有铁路中线提取方法做进一步详细的描述。
如图1至图5所示,其示为本发明的一种基于点云数据的既有铁路中线提取方法,包括以下步骤:
步骤S110,数据预处理,包括对原始点云数据的测站拼接、粗差剔除和数据裁剪。
具体地,如图1所示,在数据预处理的测站拼接过程中,对研究区域进行分站扫描并对分站扫描后的原始数据进行拼接整合。具体来说,由于扫描仪一站的扫描范围有限,无法一次性将整个研究区域囊括进来,故对研究区域进行分站扫描,并对于扫描后的原始数据进行拼接整合,以便将扫描得到的点云数据纳入到统一的坐标系当中。
并且,在数据预处理的粗差剔除过程中,对粗差点云进行人工剔除。具体来说,对于肉眼能够识别的、比较明显且容易删除的粗差点云,先进行人工剔除,以免对后面的数据采样及相关处理造成干扰,同时也可以减少数据量,提高后续操作的时间和空间效率,方便处理。
并且,在数据预处理的数据裁剪过程中,对点云数据进行数据裁剪。具体来说,对点云数据进行人工裁剪,沿铁路线路方向裁剪数据,选取铁路钢轨外侧一定宽度范围内的点云数据,保证选取的点云数据中钢轨表面高程最高,将明显高于钢轨轨顶的数据删除掉。
本发明中的点云预处理过程通过三维激光扫描仪配备的专门点云数据预处理软件完成,将三维激光扫描技术应用于既有铁路中线测量,无需在既有铁路上作业,避免了传统测量方法中测量人员上线作业带来的巨大安全隐患。点云数据经预处理后,保存为绝对坐标X,Y,Z的格式并作为后续数据处理工作的实验数据。
步骤S120,点云数据滤波,滤除无效点云数据,并根据轨面高程对点云数据进行分段滤波。
具体地,在经过预处理后进行云数据滤波处理,通过点云滤波处理将无效点云数据滤除掉。具体来说,点云数据除了表示钢轨的点云数据之外,还包括表示道砟、枕木及地面的无效点云,这些点云数据会影响后续数据处理,因此需要通过点云滤波操作将这些无效点云数据滤除掉。
并且,根据铁轨轨面高于枕木及道砟的特点,利用轨面高程进行滤波,只保留轨面数据,剔除非钢轨数据,既减少了数据量,又避免了铁路纵向高程变化带来的影响。由于铁路线路往往具有一定的坡度,当线路较长时,不同里程的轨面高程会相差较大,本发明在云数据滤波处理过程中根据轨面高程对点云数据进行分段滤波。
具体包括以下步骤:
步骤S121,输入预处理后的点云数据,遍历所有点,沿X方向搜索点云数据中X坐标的最大值Xmax和最小值Xmin;
步骤S122,沿X轴方向设置分段间隔d,以X坐标最小值Xmin为起点将点云数据划分为n个区域,每个区域可以表示为[Xmin+i*d,Xmin+(i+1)*d](i=0,1,2,...,n),其中n的值按照公式1-1计算;
步骤S123,对于每个区间,首先搜索区间范围的点云数据。设p(x,y,z)为任意一点,当满足(Xmin+i*d)≤x≤Xmin+(i+1)*d](i=0,1,2,...,n)这个条件时,认为该点落在该区间内;
步骤S124,对于每个区域内的点云数据,搜索各点Z坐标的最大值Zmin,Zmin即为轨面高程,设置滤波阈值h,对于点云数据中高程小于Zmin-h予以剔除,高程大于或等于Zmin-h的点作为轨面数据保留下来,h的取值优选在5~15cm之间。
步骤S125,对每个区间内的点云数据均重复步骤S124的操作。
步骤S126,点云数据滤波效果为如图2所示。需要注意的是,当既有铁路线路走向靠近Y坐标轴方向时,应沿Y轴方向划分分段滤波区间。
步骤S130,点云分割,先将点云数据格网化和二值化处理,再对滤波后的点云数据进行点云分割,以实现区分属于不同钢轨的点云,并将对点云数据的处理转化为对格网数据的处理。基于格网化和边界填充算法进行点云分割,能够有效的识别每个点属于哪条钢轨点集,点云分割精度较高。
具体地,如图2所示,滤波后的点云数据仅剩下表示铁路钢轨的点云数据,介于点云数据的排列是无序散乱的情况,对于任意一点无法判断其属于哪条钢轨的点集,故对滤波后的点云数据进行点云分割,以将属于不同钢轨的点云区分开来。
并且,由于点云数据的数据量大、排列散乱,不利于后续处理,因此在进行点云分割前,先将点云数据格网化,将点云数据转化为二维格网,然后根据每个格网内点的数据量再将格网数据二值化,划分为空格网和实格网,空格网表示格网内没有点,值为0;实格网表示格网内有点,值为1。
在点云数据经过格网化和二值化处理以后,即可对点云数据进行分割,对点云数据的处理转化为对格网数据的处理。由于滤波后的点云数据仅剩下表示铁路钢轨的点云数据,然而点云数据的排列是无序散乱的,对于任意一点无法判断其属于哪条钢轨的点集,故本发明中通过对滤波后的点云数据还需要进行点云分割,以将属于不同钢轨的点云区分开来。具体来说,如图2所示,属于同一条钢轨点集的点云是相互连通的,其所属格网也是相互连通的。根据点云的这一特性,采用边界填充算法进行分割,对于任意一个格网进行八邻域搜索,判断其相邻格网是否为实格网,若是则将邻域点作为种子点继续搜索,直到所有格网均被搜索完毕。
具体来说,点云分割具体包括以下步骤:
步骤S131,分别搜索点云数据X轴方向和Y轴方向的最大值和最小值,得到最小外包围盒的角点坐标(Xmin,Ymin),(Xmax,Ymin),(Xmax,Ymax),(Xmin,Ymax);
步骤S132,设置格网边长L,分别沿X轴和Y轴将点云区域划分为边长为L的矩形格网。由于铁路钢轨间距为1.435m,因此L的值应小于0.5m,否则格网边长过大,可能会把不属于同一钢轨的点包含在同一个格网内。设沿Y方向和X方向可划分的段数分别为CowN、RowN,CowN、RowN即为所构建格网的行列数。CowN、RowN可按公式3-1计算;设p(x,y)为点云区域内任意一点,则p(x,y)所在格网的行列号Cowi、Rowi可以按照公式3-2计算:
步骤S133,点云数据格网化以后会产生大量空格网,影响后续处理速度,在分割前需要将空格网识别出来并剔除掉。为最大限度的保留原始点云数据的分布特征,根据格网中点云数量的多少将格网数据二值化。根据公式3-2,分别统计每个格网中点的数量GPnum。为格网内点数设置一个阈值,若GPnum小于该值,则该格网为空格网,将该格网赋值为0;否则该格网为实格网,赋值为1。
步骤S134,遍历格网,选择值为1的实格网作为种子格网进行八邻域搜索,若种子格网行列号为(i,j),则其八邻域格网分别为(i,j+1)、(i,j-1)、(i-1,j)、(i+1,j)、(i+1,j+1)、(i+1,j-1)、(i-1,j+1)、(i-1,j-1);若邻域格网为实格网,则可以作为下一个种子格网继续进行八邻域搜索,直到所有连通的实格网都被搜索到,则这些实格网表示的钢轨被分割完毕。
步骤S135,重复步骤S134,直到所有实格网被搜索完毕。
通过分割,可以确认每个实格网所属的钢轨,根据格网与点云的对应关系,即可确认每个点所属的钢轨点集。
步骤S140,线路中线点计算,根据既有铁路两条钢轨平行的几何特性,并利用两条钢轨的点云数据,计算出线路中线点的坐标,原理如图3所示。
具体地,沿X轴方向设置中线点采样间隔dz,根据X坐标的最小值Xmin计算出每个中线采样点的X坐标。每个中线采样点的Y坐标应为两条钢轨对应X坐标处钢轨中心点的Y坐标的平均值,即y=(y1+y2)/2,其中y1、y2分别为两条钢轨在中线采样点X坐标处钢轨中心的Y坐标。
为了提高钢轨中心点计算的准确性,利用钢轨点云拟合出表示钢轨的曲线模型,通过X坐标计算钢轨中心点的Y坐标。铁路线路一般包括直线、曲线、缓和曲线三种类型,三种线路类型的数学模型均不相同。若分别采用这三种数学模型拟合,对于任意一段线路数据,事先判断线路类型然后再选取相应数学模型进行拟合,过程繁琐,效率较低。而既有铁路曲线段曲线半径较大,在短距离内线路形状近似直线。为了提高数据处理方法的通用性和作业效率,采用局部直线拟合的方式,分段拟合钢轨直线。即在对应中线点X坐标处,分别取钢轨点云数据X坐标前后一定范围的点云数据,采用最小二乘法拟合直线,得到局部范围内的点云数据的直线方程(如图3中直线L1和L2),然后通过直线方程反算对应中线点X坐标处的Y值,即可得到对应钢轨中心点的Y值y1、y2。最小二乘法拟合直线按照公式4-1和公式4-2进行,式中k和b分别为直线方程的斜率和截距。
计算线路中线点的具体步骤如下:
步骤S141,沿X轴方向设置线路中线点采样间隔dz,以X坐标最小值Xmin为起点计算线路中线点的X坐标,线路中线点的X坐标可表示为Xi=Xmin+i*dz,(i=1,2,...,nz),其中nz为线路中线点的个数,可按照公式4-3计算;
步骤S142,根据任意中线点X坐标Xi(i=1,2,...,nz),计算对应位置钢轨点云局部直线拟合区间[Xi-dn,Xi+dn],其中dn为拟合区间半长,取值范围优选为0.5m~1m;
步骤S143,遍历每个钢轨点集,设p(x,y)钢轨点集内的任意一点,若(Xi-dn)≤x≤(Xi+dn),则该点位于局部直线拟合区间内。对于所有位于拟合区间内的点利用公式4-1和公式4-2进行最小二乘拟合,得到直线参数,每个中线点X坐标Xi(i=1,2,...,nz)对应两条钢轨直线,即y=k1x+b1和y=k2x+b2;
步骤S144,将中线点X坐标Xi(i=1,2,...,nz)分别代入两条直线方程,可得到对应钢轨中点的Y坐标y1和y2;
步骤S145,y1和y2的平均值即为对应中线点的Y坐标,即
Yi=(y1+y2)/2,(i=1,2,...,nz),(Xi,Yi)为中线点的坐标;
步骤S146,依次将中线点(Xi,Yi)连线,即可得到线路中线。
最终线路中线提取效果如图4所示。需要注意的是,当既有铁路线路走向靠近Y坐标轴方向时,应沿Y轴方向设置中线点采样间隔,根据中线点的Y坐标反算对应钢轨中点的X坐标。
步骤S150,实例验证,为了验证本发明提出的方法,选取一段既有铁路线路的点云数据进行处理,用于验证中线提取精度,最终得到22个线路中线点(以22个为例,并不限于22个),将中线点依次连线得到线路中线,效果如图4所示。
具体地,手动量取22个中线点至左右钢轨的距离,并计算中线点至左右钢轨的距离差值,验证结果如下表所示。为保证测量精度,手动测量距离值采用多次测量结果的平均值。
表1线路中线点提取精度验证
理论上线路中线点距离左右钢轨的距离应该相等,从表1中可以看出,利用本发明的方法从试验数据中提取出的22个线路中线点中,距离左右钢轨差值最大的是2号点,距离差值为0.99cm,说明本发明的提取方法完全能够满足既有铁路中线测量的精度。
本发明一种基于点云数据的既有铁路中线提取方法,将三维激光扫描技术应用于既有铁路中线测量,无需在既有铁路上作业,避免了传统测量方法中测量人员上线作业带来的巨大安全隐患;能够自动提取既有铁路线路中线,提取方法逻辑严密,计算精度高于传统测量方法,能够完全替代传统人工测量方式,提高了既有铁路中线测量的精度和作业效率;根据既有铁路钢轨轨面高于枕木、道砟及地面的特点,分段进行轨面高程滤波,保留钢轨数据,剔除非钢轨数据,既减少了数据量,又避免了铁路纵向高程变化带来的影响;基于格网化和边界填充算法进行点云分割,能够有效的识别每个点属于哪条钢轨点集,点云分割精度较高;本发明的提取方法在计算中心点时,采用对局部点云进行最小二乘拟合直线的方式,对于既有铁路的直线段、曲线段及缓和曲线段均适用,算法通用性较强;本发明的提取方法作业效率远高于传统人工测量方式,并且能够任意设置中线点采样间隔,获取的中线点数量远高于传统测量方式,中线测量结果也更加准确。
以上借助具体实施例对本发明做了进一步描述,但是应该理解的是,这里具体的描述,不应理解为对本发明的实质和范围的限定,本领域内的普通技术人员在阅读本说明书后对上述实施例做出的各种修改,都属于本发明所保护的范围。
Claims (9)
1.一种基于点云数据的既有铁路中线提取方法,其特征在于,包括以下步骤:
数据预处理,包括对原始点云数据的测站拼接、粗差剔除和数据裁剪;
点云数据滤波,滤除无效点云数据,并根据轨面高程对点云数据进行分段滤波;
点云分割,先将点云数据格网化和二值化处理,再对滤波后的点云数据进行点云分割,并将对点云数据的处理转化为对格网数据的处理;
线路中线点计算,根据既有铁路两条钢轨平行的几何特性,并利用两条钢轨的点云数据,计算出线路中线点的坐标,得到线路中线。
2.根据权利要求1所述的既有铁路中线提取方法,其特征在于,还包括:实例验证,选取一段既有铁路线路的点云数据进行处理,以验证中线提取精度。
3.根据权利要求1所述的既有铁路中线提取方法,其特征在于,在数据预处理的过程中包括以下步骤:
测站拼接,对研究区域进行分站扫描,并对扫描后的原始数据进行拼接整合,以将扫描得到的点云数据纳入到统一的坐标系当中;
粗差剔除,剔除粗差点云;
数据裁剪,对点云数据沿铁路线路方向裁剪数据,选取铁路钢轨外侧的点云数据;
点云数据经预处理后,保存为绝对坐标X,Y,Z的格式,并作为后续数据处理工作的实验数据。
4.根据权利要求3所述的既有铁路中线提取方法,其特征在于,在点云数据滤波过程中对轨面高程进行分段滤波,保留轨面数据,包括以下步骤:
输入预处理后的点云数据,遍历所有点,沿X方向搜索点云数据中X坐标的最大值Xmax和最小值Xmin;
沿X轴方向设置分段间隔d,以X坐标最小值Xmin为起点将点云数据划分为n个区域,每个区域可以表示为[Xmin+i*d,Xmin+(i+1)*d](i=0,1,2,...,n),其中n的值按照公式计算;
对于每个区间,先搜索区间范围的点云数据,设p(x,y,z)为任意一点,当满足(Xmin+i*d)≤x≤Xmin+(i+1)*d](i=0,1,2,...,n)这个条件时,认为该点落在该区间内;
对于每个区域内的点云数据,搜索各点Z坐标的最大值Zmax,Zmax为轨面高程,设置滤波阈值h,对于点云数据中高程小于Zmin-h予以剔除,高程大于或等于Zmin-h的点作为轨面数据保留下来,h的取值为5~15cm之间;
对每个区间内的点云数据均重复上一步骤的操作。
5.根据权利要求4所述的既有铁路中线提取方法,其特征在于,当既有铁路线路走向靠近Y坐标轴方向时,沿Y轴方向划分分段滤波区间。
6.根据权利要求5所述的既有铁路中线提取方法,其特征在于,在点云分割过程中,采用边界填充算法进行分割,对于任意一个格网进行八邻域搜索,判断其相邻格网是否为实格网,若是则将邻域点作为种子点继续搜索,直到所有格网均被搜索完毕。
7.根据权利要求6所述的既有铁路中线提取方法,其特征在于,点云分割包括以下步骤:
分别搜索点云数据X轴方向和Y轴方向的最大值和最小值,得到最小外包围盒的角点坐标(Xmin,Ymin),(Xmax,Ymin),(Xmax,Ymax),(Xmin,Ymax);
设置格网边长L,分别沿X轴和Y轴将点云区域划分为边长为L的矩形格网,设沿Y方向和X方向可划分的段数分别为CowN、RowN,CowN、RowN为所构建格网的行列数,CowN、RowN按公式计算,设p(x,y)为点云区域内任意一点,则p(x,y)所在格网的行列号Cowi、Rowi按照计算;
在分割前将点云数据格网化后产生的空格网识别出并剔除,根据格网中点云的数量将格网数据二值化,根据公式分别统计每个格网中点的数量GPnum,为格网内点数设置一个阈值,若GPnum小于该值,则该格网为空格网,将该格网赋值为0,否则该格网为实格网,赋值为1;
遍历格网,选择值为1的实格网作为种子格网进行八邻域搜索,若种子格网行列号为(i,j),则其八邻域格网分别为(i,j+1)、(i,j-1)、(i-1,j)、(i+1,j)、(i+1,j+1)、(i+1,j-1)、(i-1,j+1)、(i-1,j-1);若邻域格网为实格网,则可以作为下一个种子格网继续进行八邻域搜索,直到所有连通的实格网都被搜索到,则这些实格网表示的钢轨被分割完毕;
重复步骤上一步骤,直至所有实格网被搜索完毕;
通过分割,确认出每个实格网所属的钢轨,根据格网与点云的对应关系,能够确认每个点所属的钢轨点集。
8.根据权利要求7所述的既有铁路中线提取方法,其特征在于,在线路中线点计算过程中:
沿X轴方向设置中线点采样间隔dz,根据X坐标的最小值Xmin计算出每个中线采样点的X坐标,每个中线采样点的Y坐标为两条钢轨对应X坐标处钢轨中心点的Y坐标的平均值,即y=(y1+y2)/2,其中y1、y2分别为两条钢轨在中线采样点X坐标处钢轨中心的Y坐标;
对钢轨点云数据采用局部直线拟合的方式,分段拟合钢轨直线,在对应中线点X坐标处,分别取钢轨点云数据X坐标前后的点云数据,采用最小二乘法拟合直线,得到局部范围内的点云数据的直线方程,通过直线方程反算出对应中线点X坐标处的Y值,得到对应钢轨中心点的Y值y1、y2,最小二乘法拟合直线按照公式和公式进行;
其中,式中k为直线方程的斜率,b为直线方程的截距。
9.根据权利要求8所述的既有铁路中线提取方法,其特征在于,在计算线路中线点的过程中包括以下步骤:
沿X轴方向设置线路中线点采样间隔dz,以X坐标最小值Xmin为起点计算线路中线点的X坐标,线路中线点的X坐标可表示为Xi=Xmin+i*dz,(i=1,2,...,nz),其中nz为线路中线点的个数,按照公式计算;
根据任意中线点X坐标Xi(i=1,2,...,nz),计算对应位置钢轨点云局部直线拟合区间[Xi-dn,Xi+dn],其中dn为拟合区间半长,取值范围为0.5m~1m;
遍历每个钢轨点集,设p(x,y)钢轨点集内的任意一点,若(Xi-dn)≤x≤(Xi+dn),则该点位于局部直线拟合区间内;对于所有位于拟合区间内的点利用公式和进行最小二乘拟合,得到直线参数,每个中线点X坐标Xi(i=1,2,...,nz)对应两条钢轨直线,即y=k1x+b1和y=k2x+b2;
将中线点X坐标Xi(i=1,2,...,nz)分别代入两条直线方程,得到对应钢轨中点的Y坐标y1和y2;
y1和y2的平均值即为对应中线点的Y坐标,即Yi=(y1+y2)/2,(i=1,2,...,nz),(Xi,Yi)为中线点的坐标;
依次将中线点(Xi,Yi)连线,得到线路中线;
当既有铁路线路走向靠近Y坐标轴方向时,沿Y轴方向设置中线点采样间隔,根据中线点的Y坐标反算对应钢轨中点的X坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911196755.2A CN110728689B (zh) | 2019-11-29 | 2019-11-29 | 一种基于点云数据的既有铁路中线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911196755.2A CN110728689B (zh) | 2019-11-29 | 2019-11-29 | 一种基于点云数据的既有铁路中线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728689A true CN110728689A (zh) | 2020-01-24 |
CN110728689B CN110728689B (zh) | 2023-04-07 |
Family
ID=69225821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911196755.2A Active CN110728689B (zh) | 2019-11-29 | 2019-11-29 | 一种基于点云数据的既有铁路中线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728689B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111912346A (zh) * | 2020-06-30 | 2020-11-10 | 成都飞机工业(集团)有限责任公司 | 一种适用于飞机表面机器人钻铆系统的窝孔在线检测方法 |
CN112164080A (zh) * | 2020-09-30 | 2021-01-01 | 西南交通大学 | 车载LiDAR点云铁路轨顶点提取方法 |
CN112308761A (zh) * | 2020-11-13 | 2021-02-02 | 济南浪潮高新科技投资发展有限公司 | 基于切片与插值的机器人深度相机点云降采样滤波方法 |
CN112857329A (zh) * | 2021-02-02 | 2021-05-28 | 中国铁路设计集团有限公司 | 铁路既有线岔心测量方法、系统、存储介质及电子设备 |
CN113256707A (zh) * | 2021-06-25 | 2021-08-13 | 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 |
CN113901968A (zh) * | 2021-12-08 | 2022-01-07 | 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 |
CN114248819A (zh) * | 2020-09-25 | 2022-03-29 | 中车株洲电力机车研究所有限公司 | 基于深度学习的铁路侵限异物无人机检测方法、装置及系统 |
US20220236422A1 (en) * | 2020-03-25 | 2022-07-28 | Nanjing University Of Aeronautics And Astronautics | Method, device and system for analyzing tunnel clearance based on laser point cloud |
CN115854883A (zh) * | 2022-11-09 | 2023-03-28 | 浙江大学 | 一种适用于长钢筋笼的自动化检测方法及装置 |
CN116862976A (zh) * | 2023-06-08 | 2023-10-10 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102810215A (zh) * | 2011-12-14 | 2012-12-05 | 成都运达科技股份有限公司 | 一种铁路三维中心线的生成方法 |
WO2018205119A1 (zh) * | 2017-05-09 | 2018-11-15 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法和系统 |
CN110308492A (zh) * | 2019-07-03 | 2019-10-08 | 核工业航测遥感中心 | 一种弯曲铁路隧道中线航空物探数据提取方法 |
CN110490918A (zh) * | 2019-07-12 | 2019-11-22 | 中铁第六勘察设计院集团有限公司 | 基于三维激光扫描技术的既有铁路道岔岔心提取方法 |
-
2019
- 2019-11-29 CN CN201911196755.2A patent/CN110728689B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102810215A (zh) * | 2011-12-14 | 2012-12-05 | 成都运达科技股份有限公司 | 一种铁路三维中心线的生成方法 |
WO2018205119A1 (zh) * | 2017-05-09 | 2018-11-15 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法和系统 |
CN110308492A (zh) * | 2019-07-03 | 2019-10-08 | 核工业航测遥感中心 | 一种弯曲铁路隧道中线航空物探数据提取方法 |
CN110490918A (zh) * | 2019-07-12 | 2019-11-22 | 中铁第六勘察设计院集团有限公司 | 基于三维激光扫描技术的既有铁路道岔岔心提取方法 |
Non-Patent Citations (1)
Title |
---|
王华;韩祖杰;王志敏;: "一种高分辨率影像上铁路中心线提取的方法" * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220236422A1 (en) * | 2020-03-25 | 2022-07-28 | Nanjing University Of Aeronautics And Astronautics | Method, device and system for analyzing tunnel clearance based on laser point cloud |
CN111912346B (zh) * | 2020-06-30 | 2021-12-10 | 成都飞机工业(集团)有限责任公司 | 一种适用于飞机表面机器人钻铆系统的窝孔在线检测方法 |
CN111912346A (zh) * | 2020-06-30 | 2020-11-10 | 成都飞机工业(集团)有限责任公司 | 一种适用于飞机表面机器人钻铆系统的窝孔在线检测方法 |
CN114248819B (zh) * | 2020-09-25 | 2023-12-29 | 中车株洲电力机车研究所有限公司 | 基于深度学习的铁路侵限异物无人机检测方法、装置及系统 |
CN114248819A (zh) * | 2020-09-25 | 2022-03-29 | 中车株洲电力机车研究所有限公司 | 基于深度学习的铁路侵限异物无人机检测方法、装置及系统 |
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 |
CN112164080A (zh) * | 2020-09-30 | 2021-01-01 | 西南交通大学 | 车载LiDAR点云铁路轨顶点提取方法 |
CN112308761A (zh) * | 2020-11-13 | 2021-02-02 | 济南浪潮高新科技投资发展有限公司 | 基于切片与插值的机器人深度相机点云降采样滤波方法 |
CN112857329A (zh) * | 2021-02-02 | 2021-05-28 | 中国铁路设计集团有限公司 | 铁路既有线岔心测量方法、系统、存储介质及电子设备 |
CN112857329B (zh) * | 2021-02-02 | 2022-08-30 | 中国铁路设计集团有限公司 | 铁路既有线岔心测量方法、系统、存储介质及电子设备 |
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 |
CN113256707A (zh) * | 2021-06-25 | 2021-08-13 | 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 |
CN113901968A (zh) * | 2021-12-08 | 2022-01-07 | 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 |
CN115854883A (zh) * | 2022-11-09 | 2023-03-28 | 浙江大学 | 一种适用于长钢筋笼的自动化检测方法及装置 |
CN115854883B (zh) * | 2022-11-09 | 2023-11-03 | 浙江大学 | 一种适用于长钢筋笼的自动化检测方法及装置 |
CN116862976A (zh) * | 2023-06-08 | 2023-10-10 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110728689B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728689B (zh) | 一种基于点云数据的既有铁路中线提取方法 | |
CN106709946B (zh) | 基于LiDAR点云的多分裂导线自动提取与精细建模方法 | |
CN109829199B (zh) | 基于LiDAR点云的电力线快速分层提取方法 | |
CN110030951B (zh) | 一种基于三维激光扫描技术的引水竖井缺陷检测方法 | |
CN110276732B (zh) | 一种顾及地形特征线要素的山区点云空洞修复方法 | |
CN105113375B (zh) | 一种基于线结构光的路面裂缝检测系统及其检测方法 | |
CN112414309B (zh) | 基于机载激光雷达的高铁接触线导高及拉出值巡检方法 | |
CN112883878B (zh) | 一种基于三维格网的变电站场景下的点云自动分类方法 | |
CN103020342A (zh) | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 | |
CN104240251A (zh) | 一种基于密度分析的多尺度点云噪声检测方法 | |
CN111442736B (zh) | 一种基于激光扫描仪的铁路隧道变形检测方法及其装置 | |
CN111524103A (zh) | 一种基于三维激光点云的圆型隧道中轴线提取方法 | |
CN100585638C (zh) | 基于线框的曲面体三维边界表示模型重建方法及其装置 | |
CN114332291B (zh) | 一种倾斜摄影模型建筑物外轮廓规则提取方法 | |
CN109919955A (zh) | 地基式激光雷达点云的隧道轴线提取和分割方法 | |
CN114912159A (zh) | 一种轨道交通线路平面几何线形的拟合方法 | |
CN117423000B (zh) | 一种基于mars的道路纵断面线形智能重构的方法 | |
CN113487555B (zh) | 一种基于点云网格化的输电线路隐患点快速检测方法 | |
WO2024099007A1 (zh) | 一种适用于长钢筋笼的自动化检测方法及装置 | |
CN113291207A (zh) | 一种地铁刚性接触网的动态测量方法 | |
CN107545601B (zh) | 一种架空输电线路树高断面自动生成方法 | |
CN113536837A (zh) | 室内场景的区域划分方法及装置 | |
CN114140459B (zh) | 基于原始激光点云的铁路横断面测量方法 | |
Liu et al. | Road density analysis based on skeleton partitioning for road generalization | |
CN115143936A (zh) | 一种基于激光点云的输电工程杆塔倾斜度测量方法 |
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 |