CN110736999B - 基于激光雷达的铁路道岔检测方法 - Google Patents
基于激光雷达的铁路道岔检测方法 Download PDFInfo
- Publication number
- CN110736999B CN110736999B CN201911018589.7A CN201911018589A CN110736999B CN 110736999 B CN110736999 B CN 110736999B CN 201911018589 A CN201911018589 A CN 201911018589A CN 110736999 B CN110736999 B CN 110736999B
- Authority
- CN
- China
- Prior art keywords
- steel rail
- data
- point
- rail
- points
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种基于激光雷达的铁路道岔检测方法。该方法包括:在列车运行过程中,利用激光雷达实时扫描列车前方地面,采集激光雷达一段时间内扫描获得的点云数据,利用点云数据建立钢轨平面的几何描述模型,提取满足几何描述模型的有效数据集;对有效数据集中的点数据进行平滑处理,将平滑处理前后的数据进行比较,根据比较结果识别出钢轨点,并计算出钢轨相关参数;根据所述钢轨点和钢轨相关参数通过道岔识别算法识别出道岔位置。本发明的方法简单可靠,识别准确度高,能够准确识别出道岔,为列车提供准确的位置信息标识,提高了列车运行的安全性。
Description
技术领域
本发明涉及铁路岔位识别技术领域,尤其涉及一种基于激光雷达的铁路道岔检测方法。
背景技术
铁路车辆可以长距离高速运载大量货物或乘客。但是,该系统的特征与道路交通的特征明显不同。由于静摩擦比公路车辆小约八倍,这导致制动距离非常长,从而使得列车在短距离内无法避开障碍物,只能在道岔上改变他们的轨道,因此铁路车辆通常不能以人的视线作为制动依据。通过现代科技手段对列车进行准确定位是必不可少的,在列车运行控制系统中列车定位信息的准确性与列车的运行安全以及运行效率密切相关。
目前使用较多的GNSS(全球导航卫星系统)/INS(惯性定向定位导航系统)的组合定位系统是一种较为理想的组合系统,GNSS与INS之间的优缺点正好可以互补,结合两者的优点,能够提供连续、高带宽、长时间和短时间内精度均较高的、较为完整的导航系统。但该系统仍存在一系列的缺陷,GNSS信息的获取对周围的环境有较高的要求,若因环境因素导致长时间无法获取GNSS的位置信息时,导航系统将只有INS递推的结果作为导航系统的输出,为了解决上述问题需寻找合适的绝对信标对INS进行辅助校正。
列车在轨道上行驶时,道岔的位置的识别尤为重要,GNSS/INS的组合定位系统只能提供列车的位置速度信息,而无法得知列车何时经过道岔。且在对线路上所有的道岔进行数据采集后,道岔的位置可以作为辅助信息对INS进行校正,尤其在长时间接收不到GNSS信号的情况下,道岔的位置对INS的校正起着关键性作用。何时经过道岔成为目前较为关键的问题。
目前,现有技术中的道岔位置识别的方法可以有很多,使用人眼观看确定道岔时需要持续不间断地直视前方,但对于常人来说几乎不可能做到,可能在眨眼之间道岔便消失在视野之中,并且人眼查看到道岔后仍需人为手动操作才能对INS进行校正,因此这种方法的实用性并不高。使用应答器来交换数据时也可以检测道岔,这就需要在每一个道岔处安装一个应答器,虽然其准确性可以保证,但其采购及维修的成本过高。
发明内容
本发明的实施例提供了一种基于激光雷达的铁路道岔检测方法,以克服现有技术的问题。
为了实现上述目的,本发明采取了如下技术方案。
一种基于激光雷达的铁路道岔检测方法,包括:
在列车运行过程中,利用激光雷达实时扫描列车前方地面,采集激光雷达一段时间内扫描获得的点云数据,利用所述点云数据建立钢轨平面的几何描述模型,提取满足几何描述模型的有效数据集;
对所述有效数据集中的点数据进行平滑处理,将平滑处理前后的数据进行比较,根据比较结果识别出钢轨点,并计算出钢轨相关参数;
根据所述钢轨点和钢轨相关参数通过道岔识别算法识别出道岔位置。
优选地,所述的在列车运行过程中,利用激光雷达实时扫描列车前方地面,采集激光雷达一段时间内扫描获得的点云数据,利用所述点云数据建立钢轨平面的几何描述模型,提取满足几何描述模型的有效数据集,包括;
步骤1.在列车运行过程中,利用激光雷达实时扫描列车前方地面,采集激光雷达一段时间内扫描获得的点云数据,该点云数据中包括多个点的x、y和z轴3维坐标数据,将所述点云数据作为数据集,利用RANSAC算法从数据集中随机选取两个点的数据,计算出连接上述两个点的直线模型;
步骤2.计算出所述数据集中所有点与所述直线模型之间的距离,统计并计算距离小于设定距离阈值的点的个数,个数越多说明直线模型的质量越好;
步骤3.重复以上步骤1和步骤2,不断更新和记录质量最好的直线模型;当达到规定的迭代次数后退出,选取质量最好的直线模型,将与所述质量最好的直线模型之间的距离小于设定距离阈值的所有点的数据作为有效数据集。
优选地,所述的对所述有效数据集中的点数据进行平滑处理,将平滑处理前后的数据进行比较,根据比较结果识别出钢轨点,包括;
对所述有效数据集中的点数据进行平滑处理,计算每个点的平滑处理前的数据与平滑处理后的数据之间的纵向差值,设置阈值范围ω,当某个点对应的纵向差值超过阈值ω,则判定该点是钢轨点。
优选地,当所述平滑处理为移动均值滤波处理时,利用移动均值滤波原理对有效数据集进行处理的公式如下:
N为有效数据集中的点的总数,y(n)为有效数据集中的第n点的原数据,yMAF(n)经过均值滤波获得了平滑后的第n点的数据,将有效数据集中的原数据y(n)与处理后的数据进行比较,计算差值δn:
δn=|yMAF(n)-y(n)|
当差值满足如下条件:
δn>|ω|
则判定所述有效数据集中的第n点为钢轨点。
优选地,所述的计算出钢轨相关参数,包括:
计算出相邻两个钢轨点之间的距离Δxi,设置阈值为轨距dgauge的一半,当两个钢轨点之间的距离Δxi大于所设置的阈值,则判断所述两个钢轨点属于不同的钢轨类别,将识别出的钢轨类别的数量作为钢轨的根数;
对所有钢轨类别分类完成后,将每种钢轨类别中的钢轨点数据中横坐标最大值xmax与最小值xmin之间的差值作为该种钢轨类别中的钢轨的宽度,计算公式为:
w=xmax-xmin。
优选地,所述的根据所述钢轨点和钢轨相关参数通过道岔识别算法识别出道岔位置,包括:
当钢轨点的数据满足:最左侧与最右侧钢轨的距离与两倍的轨距之间的差值小于设定的阈值,且中间的钢轨的宽度满足限制条件时即可认定为辙叉位置;
针对激光雷达的第k个扫描时刻,计算最右侧的钢轨点与最左侧的钢轨点之间的距离dL/R,计算公式如下:
dL/R=|xRightmost-xLeftmost|
其中xRightmost表示最右侧的钢轨点的横坐标,xLeftmost表示最左侧的钢轨点的横坐标;
当满足如下条件:
dL/R-2·dgauge≤Δfrog-3
Δfrog-3为设定的阈值
则判断所述第k个扫描时刻对应的扫描位置为辙叉位置;
判断所述第k个扫描时刻对应的扫描位置为道岔位置的限定条件如下:
由上述本发明的实施例提供的技术方案可以看出,本发明实施例提供了一种基于激光雷达的铁路道岔检测方法。通过建立钢轨平面的几何描述模型,提取满足模型的有效数据。利用基于曲线拟合、滤波等方法对数据进行处理并识别出钢轨点。基于已识别的钢轨点,进行相关参数的计算,再通过已识别的钢轨信息,进一步实现道岔的识别。该方法简单可靠,识别准确度高,适用于列车行驶中道岔位置的识别以及列车自身定位。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于激光雷达的铁路道岔检测方法的实现原理示意图;
图2为本发明实施例提供的一种基于激光雷达的铁路道岔检测方法的处理流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
基于上述现有技术的问题,需要一个低成本的传感器对前方的道岔进行感知,其需要能够独立工作,以弥补在GNSS信号缺失时能够通过识别道岔来提供准确的位置对INS进行校正。具有上述特点的典型传感器包括摄像机、激光雷达等。摄像机的测量可能受到环境条件的影响,在光照方面的影响尤其严重。而激光雷达传感器则不需要光照并并且能够精确测量距离,因此使用激光雷达识别道岔是一种较为理想的方式。
本发明实施例提供的一种基于激光雷达的铁路道岔检测方法的实现原理图如图1所示,具体处理流程如图2所示,包括如下的处理步骤:
步骤S210:建立钢轨平面的几何描述模型,提取满足几何描述模型的有效数据。
复杂的铁路环境中会有一些轨旁设备以及道渣斜面等对识别结果造成干扰,为避免轨旁设备对识别的结果造成干扰,需找到钢轨所在的较为平整的平面进行识别。即需要在中间较为平整的区域内识别钢轨点,通过分析数据可知较为平整的中间位置即为大部分点位于同一条直线的位置,所以需寻找合适的直线模型,使得大部分点位于同一条直线。
计算的步骤包括:
步骤1.在列车运行过程中,利用激光雷达实时扫描列车前方地面,采集激光雷达一段时间内扫描获得的点云数据,该点云数据中包括多个点的x、y和z轴3维坐标数据。将上述点云数据作为数据集。利用RANSAC(随机抽样一致算法,RANdom SAmple Consensus)算法从数据集中随机选取两个点的数据,计算出连接上述两个点的直线模型。
步骤2.判断模型参数的质量,计算出上述数据集中所有点与上述直线模型之间的距离,统计并计算距离小于设定距离阈值的点的个数,个数越多说明直线模型的质量越好。
步骤3.重复以上步骤1和步骤2,不断更新和记录质量最好的直线模型;当达到规定的迭代次数后退出,选取质量最好的直线模型,将与上述质量最好的直线模型之间的距离小于设定距离阈值的所有点的数据作为有效数据集。
步骤S220:利用曲线拟合、滤波等方法对数据进行处理并识别出钢轨点,将原数据与处理后的数据进行对比并计算差值,当某点的差值超过预设阈值即可判定为钢轨上的点。
根据钢轨具有的特定形状以及钢轨相对于地面具有一定的高度差,利用曲线拟合、均值滤波等方法对上述有效数据集中的点数据进行平滑处理,将原数据与平滑后的数据进行比较,计算每个点的平滑处理前的数据与平滑处理后的数据之间的纵向差值,设置合适的阈值范围ω,当纵向差值超过阈值ω即可认定该点是钢轨点。
以移动均值滤波为例,计算的相关公式如下:
利用移动均值滤波原理对有效数据集进行处理的公式如下:
N为有效数据集中的点的总数,y(n)为有效数据集中的第n点的原数据,yMAF(n)经过均值滤波获得了平滑后的第n点的数据,将有效数据集中的原数据y(n)与处理后的数据进行比较,计算差值δn:
δn=|yMAF(n)-y(n)|
当差值满足如下条件:
δn>|ω|
此时即可认定该点是相对于地面较为突出的点。即该点是激光雷达打到钢轨上经反射获取的数据点。
步骤S230:基于已识别的钢轨点,进行相关参数的计算,对数据进行聚类处理,并判断钢轨的根数,以及每根钢轨数据的宽度。
对钢轨点进行聚类,并确定钢轨的数量,利用激光雷达扫描的特点,相邻两个扫描点之间的横向距离变化不大,当两个钢轨点属于不同的两根钢轨时,两点间的间距大幅增加。通过计算相邻两个钢轨点之间的距离Δxi,并设置阈值为轨距dgauge的一半,当两个钢轨点之间的距离Δxi大于所设置的阈值即判断两个钢轨点属于不同的钢轨,依照上述方法即可完成对钢轨点的分类,钢轨类别的数量即钢轨的根数。判断条件为:
对数据分类完成后即可计算钢轨的相关参数,钢轨的宽度即每组钢轨点数据中横坐标最大值与最小值的差值。计算公式为:
w=xmax-xmin
步骤S240:基于已识别的钢轨信息,进一步识别出道岔位置。
在道岔位置附近钢轨的数量由两根变为3根,故根据钢轨数量的变化即可确定道岔的位置。但仅根据钢轨的数量进行判断时,只能确定火车已到达道岔附近,无法得知准确的道岔位置,因此需要识别位置更加精确的辙叉。根据道岔的特点,辙叉是两个条轨道的交汇处,该位置的钢轨的最左侧与最右侧的钢轨之间的距离近似为两倍的轨距,且中间位置的钢轨的宽度相比于正常的钢轨更宽。当钢轨点的数据满足:最左侧与最右侧钢轨的距离与两倍的轨距之间的差值小于设定的阈值,且中间的钢轨的宽度满足限制条件时即可认定为辙叉位置。
针对激光雷达的第k个扫描时刻,计算最右侧的钢轨点与最左侧的钢轨点之间的距离dL/R,计算公式如下:
dL/R=|xRightmost-xLeftmost|
其中xRightmost表示最右侧的钢轨点的横坐标,xLeftmost表示最左侧的钢轨点的横坐标。
判断所述第k个扫描时刻对应的扫描位置为辙叉位置,需满足如下条件:
dL/R-2·dgauge≤Δfrog-3
Δfrog-3为设定的阈值
在道岔位置附近满足上述条件的位置有两处,一处是辙叉位置,另一处为两条轨道即将交汇处。为使得只有一点满足条件,需对中间钢轨的宽度进行限制,辙叉位置中间的钢轨较宽,当测量的中间钢轨宽度大于限定的两倍轨头宽度2·drail时即可认定处于辙叉位置,但为了更加精确,还需在满足上述条件的位置中取最小宽度处为所识别的辙叉位置点。
判断所述第k个扫描时刻对应的扫描位置为道岔位置,需满足如下条件:
综上所述,本发明实施例提供了一种基于激光雷达的铁路道岔检测方法。通过建立钢轨平面的几何描述模型,提取满足模型的有效数据。利用基于曲线拟合、滤波等方法对数据进行处理并识别出钢轨点。基于已识别的钢轨点,进行相关参数的计算,再通过已识别的钢轨信息,进一步实现道岔的识别。该方法简单可靠,识别准确度高,适用于列车行驶中道岔位置的识别以及列车自身定位。
本发明实施例通过首先对钢轨平面建立几何描述模型,提取满足模型的有效数据。分析钢轨所处的位置于道床之上,道床的横截面近似为一个梯形,提取梯形的上边的数据即可将包含有钢轨的数据提取出来,并且能够大大减少周围轨旁设备的干扰,大大提高了运算效率。然后通过曲线拟合、滤波等方法对钢轨平面的数据进行处理,通过数据对比提取出钢轨上的数据点。再对钢轨点数据进行分类处理获取钢轨的数量以及钢轨的宽度,通过钢轨的数量、钢轨的宽度以及钢轨之间的距离等限制条件达到对道岔位置的识别的目的。
本发明实施例通过对钢轨点数据的计算获取当前列车前方的轨道参数,通过与钢轨及道岔位置的实际参数信息的对比,得出当列车何时处于道岔位置。该方法简单易行,能够准确识别出道岔,为列车提供准确的位置信息标识,提高了列车运行的安全性。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于激光雷达的铁路道岔检测方法,其特征在于,包括:
在列车运行过程中,利用激光雷达实时扫描列车前方地面,采集激光雷达一段时间内扫描获得的点云数据,利用所述点云数据建立钢轨平面的几何描述模型,提取满足几何描述模型的有效数据集;
对所述有效数据集中的点数据进行平滑处理,将平滑处理前后的数据进行比较,根据比较结果识别出钢轨点,并计算出钢轨相关参数;
根据所述钢轨点和钢轨相关参数通过道岔识别算法识别出道岔位置;
所述的计算出钢轨相关参数,包括:
计算出相邻两个钢轨点之间的距离Δxi,设置阈值为轨距dgauge的一半,当两个钢轨点之间的距离Δxi大于所设置的阈值,则判断所述两个钢轨点属于不同的钢轨类别,将识别出的钢轨类别的数量作为钢轨的根数;
对所有钢轨类别分类完成后,将每种钢轨类别中的钢轨点数据中横坐标最大值xmax与最小值xmin之间的差值作为该种钢轨类别中的钢轨的宽度,计算公式为:
w=xmax-xmin
所述的根据所述钢轨点和钢轨相关参数通过道岔识别算法识别出道岔位置,包括:
当钢轨点的数据满足:最左侧与最右侧钢轨的距离与两倍的轨距之间的差值小于设定的阈值,且中间的钢轨的宽度满足限制条件时即可认定为辙叉位置;
针对激光雷达的第k个扫描时刻,计算最右侧的钢轨点与最左侧的钢轨点之间的距离dL/R,计算公式如下:
dL/R=|xRightmost-xLeftmost|
其中xRightmost表示最右侧的钢轨点的横坐标,xLeftmost表示最左侧的钢轨点的横坐标;
当满足如下条件:
dL/R-2·dgauge≤Δfrog-3
Δfrog-3为设定的阈值
则判断所述第k个扫描时刻对应的扫描位置为辙叉位置;
判断所述第k个扫描时刻对应的扫描位置为道岔位置的限定条件如下:
2.根据权利要求1所述的方法,其特征在于,所述的在列车运行过程中,利用激光雷达实时扫描列车前方地面,采集激光雷达一段时间内扫描获得的点云数据,利用所述点云数据建立钢轨平面的几何描述模型,提取满足几何描述模型的有效数据集,包括;
步骤1.在列车运行过程中,利用激光雷达实时扫描列车前方地面,采集激光雷达一段时间内扫描获得的点云数据,该点云数据中包括多个点的x、y和z轴3维坐标数据,将所述点云数据作为数据集,利用RANSAC算法从数据集中随机选取两个点的数据,计算出连接上述两个点的直线模型;
步骤2.计算出所述数据集中所有点与所述直线模型之间的距离,统计并计算距离小于设定距离阈值的点的个数,个数越多说明直线模型的质量越好;
步骤3.重复以上步骤1和步骤2,不断更新和记录质量最好的直线模型;当达到规定的迭代次数后退出,选取质量最好的直线模型,将与所述质量最好的直线模型之间的距离小于设定距离阈值的所有点的数据作为有效数据集。
3.根据权利要求1或者2所述的方法,其特征在于,所述的对所述有效数据集中的点数据进行平滑处理,将平滑处理前后的数据进行比较,根据比较结果识别出钢轨点,包括;
对所述有效数据集中的点数据进行平滑处理,计算每个点的平滑处理前的数据与平滑处理后的数据之间的纵向差值,设置阈值范围ω,当某个点对应的纵向差值超过阈值ω,则判定该点是钢轨点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018589.7A CN110736999B (zh) | 2019-10-24 | 2019-10-24 | 基于激光雷达的铁路道岔检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018589.7A CN110736999B (zh) | 2019-10-24 | 2019-10-24 | 基于激光雷达的铁路道岔检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110736999A CN110736999A (zh) | 2020-01-31 |
CN110736999B true CN110736999B (zh) | 2021-11-02 |
Family
ID=69271247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911018589.7A Active CN110736999B (zh) | 2019-10-24 | 2019-10-24 | 基于激光雷达的铁路道岔检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110736999B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111532312B (zh) * | 2020-05-12 | 2022-03-29 | 中国铁道科学研究院集团有限公司 | 轨道道岔识别方法及装置 |
CN111860137B (zh) * | 2020-06-09 | 2022-12-23 | 北京航空航天大学 | 一种基于视觉的轨道道岔识别方法 |
CN112149622B (zh) * | 2020-10-16 | 2022-02-18 | 北京理工大学 | 一种铁路道岔识别方法和系统 |
CN113112474B (zh) * | 2021-04-12 | 2022-11-18 | 东南大学 | 一种面向道岔与非道岔轨道图像的钢轨定位方法 |
CN116907350B (zh) * | 2023-09-14 | 2023-12-15 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 单开道岔几何形位测量方法、装置、电子设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2521730C (en) * | 2004-10-01 | 2010-05-25 | Denso Corporation | Vehicular radar system |
CN102564431A (zh) * | 2011-11-14 | 2012-07-11 | 南京理工大学 | 基于多传感器融合的非结构化环境理解方法 |
CN104029676A (zh) * | 2013-03-05 | 2014-09-10 | 通用汽车环球科技运作有限责任公司 | 车辆车道确定 |
KR20150086601A (ko) * | 2014-01-20 | 2015-07-29 | 서울대학교산학협력단 | 열대 저기압에 대한 지역별 예측 오차의 2차원 표출 방법 및 시스템 |
CN205175401U (zh) * | 2015-12-10 | 2016-04-20 | 湖南华宏铁路高新科技开发有限公司 | 电气化轨道交通接触网智能成像装置 |
CN106127113A (zh) * | 2016-06-15 | 2016-11-16 | 北京联合大学 | 一种基于三维激光雷达的道路车道线检测方法 |
CN205997898U (zh) * | 2016-08-31 | 2017-03-08 | 武汉汉宁轨道交通技术有限公司 | 一种铁路道岔检测小车 |
CN106842231A (zh) * | 2016-11-08 | 2017-06-13 | 长安大学 | 一种道路边界检测及跟踪方法 |
CN109085631A (zh) * | 2018-08-01 | 2018-12-25 | 北京交通大学 | 基于卫星定位的岔区列车股道加权识别方法 |
CN109684921A (zh) * | 2018-11-20 | 2019-04-26 | 吉林大学 | 一种基于三维激光雷达的道路边界检测与跟踪方法 |
CN109738910A (zh) * | 2019-01-28 | 2019-05-10 | 重庆邮电大学 | 一种基于三维激光雷达的路沿检测方法 |
CN109948690A (zh) * | 2019-03-14 | 2019-06-28 | 西南交通大学 | 一种基于深度学习和结构信息的高铁场景感知方法 |
CN110033482A (zh) * | 2018-01-11 | 2019-07-19 | 沈阳美行科技有限公司 | 一种基于激光点云的路沿识别方法和装置 |
CN110363742A (zh) * | 2019-04-19 | 2019-10-22 | 上海铁大电信科技股份有限公司 | 一种基于cnn和图像处理的转辙机缺口检测方法 |
-
2019
- 2019-10-24 CN CN201911018589.7A patent/CN110736999B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2521730C (en) * | 2004-10-01 | 2010-05-25 | Denso Corporation | Vehicular radar system |
CN102564431A (zh) * | 2011-11-14 | 2012-07-11 | 南京理工大学 | 基于多传感器融合的非结构化环境理解方法 |
CN104029676A (zh) * | 2013-03-05 | 2014-09-10 | 通用汽车环球科技运作有限责任公司 | 车辆车道确定 |
KR20150086601A (ko) * | 2014-01-20 | 2015-07-29 | 서울대학교산학협력단 | 열대 저기압에 대한 지역별 예측 오차의 2차원 표출 방법 및 시스템 |
CN205175401U (zh) * | 2015-12-10 | 2016-04-20 | 湖南华宏铁路高新科技开发有限公司 | 电气化轨道交通接触网智能成像装置 |
CN106127113A (zh) * | 2016-06-15 | 2016-11-16 | 北京联合大学 | 一种基于三维激光雷达的道路车道线检测方法 |
CN205997898U (zh) * | 2016-08-31 | 2017-03-08 | 武汉汉宁轨道交通技术有限公司 | 一种铁路道岔检测小车 |
CN106842231A (zh) * | 2016-11-08 | 2017-06-13 | 长安大学 | 一种道路边界检测及跟踪方法 |
CN110033482A (zh) * | 2018-01-11 | 2019-07-19 | 沈阳美行科技有限公司 | 一种基于激光点云的路沿识别方法和装置 |
CN109085631A (zh) * | 2018-08-01 | 2018-12-25 | 北京交通大学 | 基于卫星定位的岔区列车股道加权识别方法 |
CN109684921A (zh) * | 2018-11-20 | 2019-04-26 | 吉林大学 | 一种基于三维激光雷达的道路边界检测与跟踪方法 |
CN109738910A (zh) * | 2019-01-28 | 2019-05-10 | 重庆邮电大学 | 一种基于三维激光雷达的路沿检测方法 |
CN109948690A (zh) * | 2019-03-14 | 2019-06-28 | 西南交通大学 | 一种基于深度学习和结构信息的高铁场景感知方法 |
CN110363742A (zh) * | 2019-04-19 | 2019-10-22 | 上海铁大电信科技股份有限公司 | 一种基于cnn和图像处理的转辙机缺口检测方法 |
Non-Patent Citations (4)
Title |
---|
《Automatic Rail Extraction in Terrestrial and Airborne LiDAR Data》;Mustafa Mohamad; Kresimir Kusevic; Paul Mrstik; Michael Greenspa;《 2013 International Conference on 3D Vision - 3DV 2013》;20130916;303-309 * |
《Nonlinear 3D finite-element modeling for structural failure analysis of concrete sleepers/bearers at an urban turnout diamond》;Minh Vu;Sakdirat Kaewunruen;Mario Attard;《Handbook of Materials Failure Analysis with Case Studies from the Chemicals, Concrete and Power Industries》;20161231;123-160 * |
《基于红外热成像图像处理的铁轨道岔识别技术的研究》;匡云帆;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140115;I138-1835 * |
王剑;刘江;上官伟;蔡伯根.《 基于道岔曲线信息的列车定位方法研究》.《交通运输系统工程与信息》.2010, * |
Also Published As
Publication number | Publication date |
---|---|
CN110736999A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110736999B (zh) | 基于激光雷达的铁路道岔检测方法 | |
CN105741546B (zh) | 路侧设备与车传感器融合的智能车辆目标跟踪系统及方法 | |
CN112433203B (zh) | 一种基于毫米波雷达数据的车道线形检测方法 | |
CN104599249B (zh) | 缆索承重桥梁桥面车辆载荷分布实时检测方法 | |
CN103733077B (zh) | 用于测量沿着导向轨道移动的车辆的速度和位置的装置、及其对应的方法和计算机程序产品 | |
CN106840176A (zh) | Gps时空数据增量路网实时更新和轨迹匹配系统 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN110189363B (zh) | 一种机场场面移动目标低视角视频测速方法 | |
CN112862858A (zh) | 一种基于场景运动信息的多目标跟踪方法 | |
CN113189583B (zh) | 一种时-空同步的毫米波雷达和视觉信息融合方法 | |
CN109653045A (zh) | 轨距测量方法及装置 | |
US11981362B2 (en) | Method and measuring vehicle for determining an actual position of a track | |
CN112990128A (zh) | 一种基于视频跟踪的多车辆测速方法 | |
CN103116743B (zh) | 一种基于在线学习的铁路障碍物检测方法 | |
CN110490342B (zh) | 一种基于Faster R-CNN的接触网静态几何参数检测方法 | |
CN115423824A (zh) | 一种基于点云体素矩形栅格的火车车厢的定位与分割方法 | |
CN108931206A (zh) | 用于钢轨轮廓离群点检测及有效廓形识别的方法 | |
CN108596968B (zh) | 一种基于轨道3d深度图像的轨枕计数方法 | |
CN114119957A (zh) | 高速铁路钢轨廓形检测方法及装置 | |
CN110550067A (zh) | 列车车轮的测量方法及相关系统 | |
CN111551122A (zh) | 一种基于激光雷达的火车车皮数量和长度测量系统及方法 | |
CN116681912A (zh) | 铁路道岔的轨距检测方法及装置 | |
CN112085034A (zh) | 一种基于机器视觉的轨道交通列车定位方法及系统 | |
CN115656962A (zh) | 一种基于毫米波雷达识别限高物体的方法 | |
CN115366942A (zh) | 一种基于双传感器感知时延的地铁里程定位方法 |
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 |