CN112164080B - 车载LiDAR点云铁路轨顶点提取方法 - Google Patents

车载LiDAR点云铁路轨顶点提取方法 Download PDF

Info

Publication number
CN112164080B
CN112164080B CN202011056655.2A CN202011056655A CN112164080B CN 112164080 B CN112164080 B CN 112164080B CN 202011056655 A CN202011056655 A CN 202011056655A CN 112164080 B CN112164080 B CN 112164080B
Authority
CN
China
Prior art keywords
point
railway
section
point cloud
cross
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
CN202011056655.2A
Other languages
English (en)
Other versions
CN112164080A (zh
Inventor
陈霄
张献州
肖源淼
谭社会
罗庄
金卫锋
王胜
索广建
张亚东
杨兴旺
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.)
Shanghai Railway Beidou Survey Engineering Technology Co ltd
Southwest Jiaotong University
Original Assignee
Shanghai Railway Beidou Survey Engineering Technology Co ltd
Southwest Jiaotong University
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 Shanghai Railway Beidou Survey Engineering Technology Co ltd, Southwest Jiaotong University filed Critical Shanghai Railway Beidou Survey Engineering Technology Co ltd
Priority to CN202011056655.2A priority Critical patent/CN112164080B/zh
Publication of CN112164080A publication Critical patent/CN112164080A/zh
Application granted granted Critical
Publication of CN112164080B publication Critical patent/CN112164080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Machines For Laying And Maintaining Railways (AREA)

Abstract

本发明公开了一种车载LiDAR点云铁路轨顶点提取方法，其包括S1、对车载LiDAR系统获取的GPS和IMU数据进行联合解算，获得移动平台的POS数据作为POS线；S2、根据POS线上的数据点及其邻域构成曲线，对车载LiDAR点云进行切割，得到铁路横断面；S3、将POS线上正对铁路横断面上的数据点投影至铁路横断面上，并采用阈值提取方法，将铁路横断面上的所有点云与投影点进行对比，提取出轨顶点。通过对本方案进行实验及分析评价结果显示，本方案实现了铁路轨顶点的精确提取，具有高精度的特点，丰富了铁路场景下点云数据处理算法的种类，对其他各类铁路地物信息的提取具有一定的参考和借鉴价值。

Description

车载LiDAR点云铁路轨顶点提取方法
技术领域
本发明属于铁路空间信息数据复测领域，尤其涉及一种车载LiDAR点云铁路轨顶点提取方法。
背景技术
现有铁路基础设施的检测是铁路运营中一个至关重要的环节，运营铁路的病害探测及养护维修等工作需要通过铁路复测工作准确掌握沿线基础数据。其中，铁路的空间信息数据是铁路轮班安排，乘客的舒适性和铁路安全的重要保障。传统的铁路空间信息数据复测方法需要大量人工实地探测，其稀疏采样方法的准确性高度依赖于测量人员的工作经验，且具有较大的安全风险隐患。
发明内容
针对现有技术中的上述不足，本发明提供的车载LiDAR点云铁路轨顶点提取方法不需要人工实地探测就能够实现轨顶点数据的提取。
提供一种车载LiDAR点云铁路轨顶点提取方法，其包括：
S1、对车载LiDAR系统获取的GPS和IMU数据进行联合解算，获得移动平台的POS数据作为POS线；
S2、根据POS线上的数据点及其邻域构成曲线，对车载LiDAR点云进行切割，得到铁路横断面；
S3、将POS线上正对铁路横断面上的数据点投影至铁路横断面上，并采用阈值提取方法，将铁路横断面上的所有点云与投影点进行对比，提取出轨顶点。
进一步地，所述步骤S3进一步包括：
S31、将POS线上正对铁路横断面上的数据点投影至铁路横断面上，并将投影点作为种子点；
S32、将种子点作为搜索中心点Ei，以预设半径作为邻域搜索半径，计算邻域内所有点云Dij与搜索中心点Ei的高差；
S33、判断高差是否大于阈值ΔH，若是，则将高差ΔH对应的点云Dij加入点集Qi，否则高差对应的点云Dij非轨顶点；
S34、判断铁路横断面上的所有点云是否均已遍历，若是进入步骤S36，否则，进入步骤S35；
S35、将临近未遍历点云的种子点向着未遍历点云移动预设半径，采用移动后种子点正对铁路横断面的投影点更新种子点，令i＝i+1后，返回步骤S32；
S36、选取未遍历的点集Qi内的点云Dij按照高程值的大小进行降序排序，将排序第一的点作为参考点，余下点云作为待定点；
S37、遍历点集Qi中的待定点，判断待定点与参考点的高差Δh是否位于阈值区间内，若是，则将其视为轨顶点存储至轨顶点集合Ω；否则，其非轨顶点；
S38、判断所有的点集Qi是否均已遍历，若是，输出轨顶点集合Ω，否则，令i＝i+1后，返回步骤S37。
本发明的有益效果为：本方案通过POS线能够快速实现铁路横断面的切割，之后基于POS线投影至铁路横断面上投影点提取出横断面上的轨顶点数据，通过该种方式取代人工对轨顶数据进行提取，降低工人的劳动强度，且还具有高精度、高可靠性的特点，为铁路场景下点云数据内业处理提供了一种新方法，同时也为其他各类铁路地物信息提取方法的研究提供了一种新思路。
附图说明
图1为车载LiDAR点云铁路轨顶点提取方法的流程图。
图2为本方案中用到的POS线数据与点云数据的空间位置关系图。
图3为本方案中轨顶点提取示意图。
图4为本方案中钢轨横断面设计尺寸图。
图5为本方案中铁路道床区域各点之间的邻域高差示意图，其中，(a)道床区域各点分布情况，(b)轨枕处各点的邻域高差，(c)轨枕间各点的邻域高差。
图6为本方案中单个横断面轨顶点提取结果图，其中，(a)为直线段单个横断面轨顶点提取结果；(b)为曲线段单个横断面轨顶点提取结果。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1，图1示出了车载LiDAR点云铁路轨顶点提取方法；如图1所示，该方法包括步骤S1至步骤S3。
在步骤S1中，对车载LiDAR系统获取的GPS和IMU数据进行联合解算，获得移动平台的POS数据作为POS线；POS数据在空间上呈现出与列车行进路线近似平行的特点，其在水平面上的投影接近于道路中心线，如图2所示。
在步骤S2中，根据POS线上的数据点及其邻域构成曲线，对车载LiDAR点云进行切割，得到铁路横断面；当将铁路横断面点云切割得足够薄的时候，可以将其近似看做成一个二维平面数据。
实施时，本方案优选所述步骤S2进一步包括：
S21、选取POS线上的任一数据点，采用数据点及其邻域(点a的δ邻域：设δ是一个正数，则开区间(a-δ,a+δ)称为点a的δ邻域，记作点a称为这个邻域的中心，δ称为这个邻域的半径)构成曲线S，曲线S的表达式为：
Figure BDA0002711061630000041
S22、通过求偏导(具体地为，在数据点对x求解偏导)，获得数据点在曲线上的切向量(1，dF/dx，dG/dx)，并采用切向量提取铁路横断面的法向量；
S23、采用法向量生成空间横切面，并搜索空间中距离空间横切面前后设定阈值的点云数据，将搜索的点云数据作为铁路横断面。
实施时，本方案优选所述设定阈值为预设的铁路横断面厚度的一半；在切割形成铁路横断面时，相邻的铁路横断面等间隔设置。
在步骤S3中，将POS线上正对铁路横断面上的数据点投影至铁路横断面上，并采用阈值提取方法，将铁路横断面上的所有点云与投影点进行对比，提取出轨顶点。
在本发明的一个实施例中，所述步骤S3进一步包括：
S31、将POS线上正对铁路横断面上的数据点投影至铁路横断面上，并将投影点作为种子点；
S32、将种子点作为搜索中心点Ei，以预设半径作为邻域搜索半径，计算邻域内所有点云Dij与搜索中心点Ei的高差；i为种子点的序号，其初始值为1；j为搜索中心点Ei对应的邻域内的点云序号。
S33、判断高差是否大于阈值ΔH，若是，则将高差ΔH对应的点云Dij加入点集Qi，否则高差对应的点云Dij非轨顶点；
S34、判断铁路横断面上的所有点云是否均已遍历，若是进入步骤S36，否则，进入步骤S35；
S35、将临近未遍历点云的种子点向着未遍历点云移动预设半径，采用移动后种子点正对铁路横断面的投影点更新种子点，令i＝i+1后，返回步骤S32；
S36、选取未遍历的点集Qi内的点云Dij按照高程值的大小进行降序排序，将排序第一的点作为参考点，余下点云作为待定点；
S37、遍历点集Qi中的待定点，判断待定点与参考点的高差Δh是否位于阈值区间内，若是，则将其视为轨顶点存储至轨顶点集合Ω；否则，其非轨顶点；
S38、判断所有的点集Qi是否均已遍历，若是，输出轨顶点集合Ω，否则，令i＝i+1后，返回步骤S37。
POS线上的数据点投影至铁路横断面上及种子节点的移动可以参考图3。在步骤S3中，种子点向着与POS线垂直方向的移动预设半径。
本方案的预设半径r＝0.22m，阈值ΔH＝0.17m，高差Δh∈(0，0.01)，这几个参数的选取过程如下：
铁路横断面上一般包括道砟、钢轨以及轨枕等多个物体，通过分析这些物体自身在横断面上的空间分布特点以及它们各自的结构特性，可以明显判断出铁路横断面上物体间的邻域高差具有各自的特点。经过调研，国内绝大多数铁路采用60kg/m钢轨，其钢轨高度为176mm，如图4所示。
如图5所示，处在轨枕区域上的钢轨点(图5-D1、D3)的邻域高差绝对值约为0.17m；轨枕中间区域基本可以视作为平面，位于该部分点(图5-D2)的邻域高差绝对值约0mm；而基于道砟的粒径约为50mm，因此处在道砟部分的点(图5-D5)邻域高差绝对值约为0.05m。
通过分析铁路横断面上的物体自身特点，可以明显地看出钢轨底部与道砟上表面之间具有一定的距离，因此，位于轨枕间的钢轨点(图5-D4、D6)的邻域高差的绝对值约为0.22m，是通过计算钢轨高度与道砟粒径得到的数值。因此，根据先验的轨道知识，可以确定邻域搜索半径r＝0.22m，高差阈值ΔH＝0.17m。同样，根据已有的钢轨截面设计尺寸知识，可以确定高差Δh∈(0,0.01)。
为了对本方案设计的铁路轨顶点提取方法的准确性进行验证，下面结合准确率、精确率、召回率和总体有效率四个评价指标对本方案的准确性进行说明：
采用本方案提取的轨顶点提取结果如图6所示，采用如下四个指标来评价，对算法提取的轨顶点和实际轨顶点个数进行对比分析。
(1)准确率(Accuracy)，即在总体点云中被判断为轨顶点的比例；(2)精确率(Precision)，即在提取出的轨顶点数量中真实的轨顶点数量的占比；(3)召回率(Recall)，即真实轨顶点数量在提取出的轨顶点数量中被判断为轨顶点的占比；(4)总体有效率(F-Measure)，是精确率(Precision)与召回率(Recall)的调和均值，并取α＝1。
Figure BDA0002711061630000061
Figure BDA0002711061630000062
Figure BDA0002711061630000063
Figure BDA0002711061630000064
其中，True Positive(TP)表示将正类预测为正类数，即提取结果的轨顶点中真实轨顶点个数；True Negative(TN)表示将负类预测为负类数，即提取结果的非轨顶点中真正的非轨顶点个数；False Positive(FP)表示负类预测为正类数(误报)，即提取结果中错分为轨顶点的非轨顶点个数；False Negative(FN)表示为将正类预测为负类数(漏报)，即提取结果中错分为非轨顶点的轨顶点个数。
通过人工统计正确提取的轨顶点个数与非轨顶点个数，并与算法提取出来的轨顶点个数与非轨顶点个数进行对比，计算出直线段和曲线段提取结果中的TP、TN、FP和FN值，并通过公式(1)、(2)、(3)、(4)计算各项精度指标，如表1、2、3、4所示。
表1直线段铁路横断面轨顶点提取结果中TP、TN、FP和FN值
Figure BDA0002711061630000071
表2直线段铁路横断面轨顶点提取结果精度评价指标
Figure BDA0002711061630000072
Figure BDA0002711061630000081
表3曲线段铁路横断面轨顶点提取结果中TP、TN、FP和FN值
Figure BDA0002711061630000082
表4曲线段铁路横断面轨顶点提取结果精度评价指标
Figure BDA0002711061630000083
通过表2可以看出，在直线段实验数据中，本方案的提取算法的准确率平均值为99.93％，最大值为99.97％，最小值为99.75％；精度率为100.00％；召回率平均值为97.39％，最大值为98.95％，最小值为90.70％；总体精度平均值为98.66％，最大值为99.47％，最小值为95.12％。各项精度评价值表明方案的提取方法对于直线段的实验数据取得了较好的实验结果。
通过表4可以看出，在曲线段实验数据中，本方案提出的提取方法的准确率平均值为99.82％，最大值为99.92％，最小值为99.55％；精度率为100.00％；召回率平均值为93.34％，最大值为97.83％，最小值为82.58％；总体精度平均值为96.50％，最大值为98.90％，最小值为90.46％。各项精度评价值表明本方案的提取方法对于曲线段的实验数据取得了较好的实验结果。
相对而言，直线段的横断面点云之间的空间几何关系较为简单，因此直线段的部分精度评价指标的平均值大于曲线段的平均值。整体而言本方案的提取方法法能够非常好地提取出横断面上的轨顶点数据，提取结果各项精度评价指标较高，能取得较好的结果和精度。

Claims (5)

1.车载LiDAR点云铁路轨顶点提取方法，其特征在于，包括：
S1、对车载LiDAR系统获取的GPS和IMU数据进行联合解算，获得移动平台的POS数据作为POS线；
S2、根据POS线上的数据点及其邻域构成曲线，对车载LiDAR点云进行切割，得到铁路横断面；
S3、将POS线上正对铁路横断面上的数据点投影至铁路横断面上，并采用阈值提取方法，将铁路横断面上的所有点云与投影点进行对比，提取出轨顶点；
所述步骤S3进一步包括：
S31、将POS线上正对铁路横断面上的数据点投影至铁路横断面上，并将投影点作为种子点；
S32、将种子点作为搜索中心点E i，以预设半径作为邻域搜索半径，计算邻域内所有点云D ij与搜索中心点E i的高差；
S33、判断高差是否大于阈值，若是，则将高差对应的点云D ij加入点集Q i，否则高差对应的点云D ij非轨顶点；
S34、判断铁路横断面上的所有点云是否均已遍历，若是进入步骤S36，否则，进入步骤S35；
S35、将临近未遍历点云的种子点向着未遍历点云移动预设半径，采用移动后种子点正对铁路横断面的投影点更新种子点，令i=i+1后，返回步骤S32；
S36、选取未遍历的点集Q i内的点云D ij按照高程值的大小进行降序排序，将排序第一的点作为参考点，余下点云作为待定点；
S37、遍历点集Q i中的待定点，判断待定点与参考点的高差是否位于阈值区间内，若是，则将其视为轨顶点存储至轨顶点集合；否则，其非轨顶点；
S38、判断所有的点集Q i是否均已遍历，若是，输出轨顶点集合，否则，令i=i+1后，返回步骤S37。
2.根据权利要求1所述的车载LiDAR点云铁路轨顶点提取方法，其特征在于，所述步骤S2进一步包括：
S21、选取POS线上的任一数据点，采用数据点及其邻域构成曲线；
S22、通过求偏导，获得数据点在曲线上的切向量，并采用切向量提取铁路横断面的法向量；
S23、采用法向量生成空间横切面，并搜索空间中距离空间横切面前后设定阈值的点云数据，将搜索的点云数据作为铁路横断面。
3.根据权利要求2所述的车载LiDAR点云铁路轨顶点提取方法，其特征在于，所述设定阈值为预设的铁路横断面厚度的一半；在切割形成铁路横断面时，相邻的铁路横断面等间隔设置。
4.根据权利要求1所述的车载LiDAR点云铁路轨顶点提取方法，其特征在于，在步骤S35中，种子点向着与POS线垂直方向的移动预设半径。
5.根据权利要求1所述的车载LiDAR点云铁路轨顶点提取方法，其特征在于，所述预设半径r=0.22m，阈值= 0.17m，高差∈（0，0.01）。
CN202011056655.2A 2020-09-30 2020-09-30 车载LiDAR点云铁路轨顶点提取方法 Active CN112164080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011056655.2A CN112164080B (zh) 2020-09-30 2020-09-30 车载LiDAR点云铁路轨顶点提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011056655.2A CN112164080B (zh) 2020-09-30 2020-09-30 车载LiDAR点云铁路轨顶点提取方法

Publications (2)

Publication Number Publication Date
CN112164080A CN112164080A (zh) 2021-01-01
CN112164080B true CN112164080B (zh) 2023-05-09

Family

ID=73860829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011056655.2A Active CN112164080B (zh) 2020-09-30 2020-09-30 车载LiDAR点云铁路轨顶点提取方法

Country Status (1)

Country Link
CN (1) CN112164080B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112813748B (zh) * 2021-01-04 2022-04-08 中南大学 一种智能铺轨车的滚筒放置方法与系统
CN112818776B (zh) * 2021-01-20 2023-07-21 中铁二院工程集团有限责任公司 一种基于机载LiDAR点云的铁路既有线横断面测量方法
CN113192172B (zh) * 2021-05-31 2022-06-10 西南交通大学 一种机载LiDAR地面点云简化方法
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
CN113189564B (zh) * 2021-07-01 2021-09-07 西南交通大学 一种列车轨道点云提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102445186A (zh) * 2011-09-28 2012-05-09 中交第二公路勘察设计研究院有限公司 一种激光雷达扫描生成公路设计地表信息方法
CN105844224A (zh) * 2016-03-21 2016-08-10 河南理工大学 一种车载LiDAR 道路点云快速有序化方法
CN110189419A (zh) * 2019-05-27 2019-08-30 西南交通大学 基于广义邻域高差的车载Lidar钢轨点云提取方法
CN110728689A (zh) * 2019-11-29 2020-01-24 中铁第六勘察设计院集团有限公司 一种基于点云数据的既有铁路中线提取方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957191A (zh) * 2009-10-29 2011-01-26 华侨大学 一种基于自适应迭代邻域搜索的圆度和球度误差的评定方法
CN103106339A (zh) * 2013-01-21 2013-05-15 武汉大学 同步航空影像辅助的机载激光点云误差改正方法
CN105844995B (zh) * 2016-05-20 2018-11-09 中铁第一勘察设计院集团有限公司 基于车载LiDAR技术的铁路线路运营维护测量方法
CN110780307B (zh) * 2019-05-29 2023-03-31 武汉星源云意科技有限公司 基于电瓶车车载式激光点云移动测量系统获取道路横断面的方法
CN110647798B (zh) * 2019-08-05 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轨道中线自动检测方法
CN110986878B (zh) * 2019-12-03 2021-09-24 中铁第一勘察设计院集团有限公司 基于移动测量系统自动化提取铁轨断面的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102445186A (zh) * 2011-09-28 2012-05-09 中交第二公路勘察设计研究院有限公司 一种激光雷达扫描生成公路设计地表信息方法
CN105844224A (zh) * 2016-03-21 2016-08-10 河南理工大学 一种车载LiDAR 道路点云快速有序化方法
CN110189419A (zh) * 2019-05-27 2019-08-30 西南交通大学 基于广义邻域高差的车载Lidar钢轨点云提取方法
CN110728689A (zh) * 2019-11-29 2020-01-24 中铁第六勘察设计院集团有限公司 一种基于点云数据的既有铁路中线提取方法

Also Published As

Publication number Publication date
CN112164080A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN112164080B (zh) 车载LiDAR点云铁路轨顶点提取方法
CN110986878B (zh) 基于移动测量系统自动化提取铁轨断面的方法
CN106323301B (zh) 一种道路情报的获取方法及装置
CN106022381B (zh) 基于车载激光扫描点云的路灯杆自动提取方法
CN113870123A (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
CN112465948B (zh) 一种保留空间特征的车载激光路面点云抽稀方法
CN107301254A (zh) 一种路网热点区域挖掘方法
CN102521973A (zh) 一种手机切换定位的道路匹配方法
CN112164081B (zh) 一种车载LiDAR点云铁路横断面轮廓提取方法
CN104462273B (zh) 提取轨迹的方法及系统
CN110986877B (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
CN112860952B (zh) 巡检机器人定位检修部件的方法及系统
CN112414309A (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
CN105844995B (zh) 基于车载LiDAR技术的铁路线路运营维护测量方法
CN107314776A (zh) 一种基于铁路轨道检测数据进行里程校准的方法
CN109121094B (zh) 伪码信令数据预处理与出行链识别方法
Koukoletsos et al. An automated method to assess data completeness and positional accuracy of OpenStreetMap
CN110189419B (zh) 基于广义邻域高差的车载Lidar钢轨点云提取方法
CN111199064A (zh) 一种地铁轨道面三维中心线生成方法
CN112529044A (zh) 基于车载LiDAR的铁路接触网提取分类的方法
Jan et al. Ordering: A reliable qualitative information for the alignment of sketch and metric maps
CN106153507B (zh) 一种测试压裂支撑剂圆球度的方法
CN112765120A (zh) 一种基于手机信令分析和提取用户移动轨迹的方法
CN113256707B (zh) 一种基于轨顶面种子点自动追踪的轨道中心线提取方法
CN117058348A (zh) 一种几何特征和配准联合优化的三维点云电塔分割方法

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