CN112414309B - 基于机载激光雷达的高铁接触线导高及拉出值巡检方法 - Google Patents

Abstract

本发明公开了一种基于机载激光雷达的高铁接触线导高及拉出值巡检方法，包括以下步骤：使用搭载激光雷达的无人机沿铁路线侧上方巡检获取线路原始点云数据；对原始点云数据进行预处理；对处理后的原始点云数据进行分割提取，得到接触网系统点云与线路平面点云；提取线路平面点云中的轨道；对接触网系统中接触悬挂与支柱支持部分进行点云分割；提取接触悬挂点云中的接触线；将接触线与其对应的轨道进行匹配，重构测量场景，并自动测量每一点处接触线导高与拉出值。本发明实现了高精度、高效率、大范围铁路现场的接触线静态参数检测，几乎不受外界光照条件的影响，甚至可以在黑暗环境下工作，这将扩大检测时间范围，提高维护工作安排的灵活性。

Description

基于机载激光雷达的高铁接触线导高及拉出值巡检方法

技术领域

本发明涉及接触网测量技术领域，尤其涉及一种基于机载激光雷达的高铁接触线导高及拉出值巡检方法。

背景技术

近年来，以高速铁路为代表的轨道交通系统发展迅速，运营里程的不断增长给安全运营带来了极大的挑战。接触网系统(OCS)是电气化铁路的基础，接触线与列车上方受电弓接触并在运行中保持高速滑动接触，以此方式将电能传递给列车。因此，受电弓与接触线的接触状况直接影响列车的受流，而接触线的空间位置对接触状态有重要影响。接触线位置的小幅度变化会引起受电弓和接触网的剧烈振动，加速其老化和损坏。接触线空间位置偏差过大可能导致受电弓与接触线脱离接触状态，或导致拉弧甚至穿弓等更严重的事故。但由于接触网结构的柔性和运营中的高频摩擦作业，接触网经常发生变形。因此，对接触网的健康状况，特别是接触线的空间位置进行检测是十分必要的。

接触线空间位置检测一般可分为动态参数测量和静态参数测量两种。区别在于测量时受电弓与接触线之间是否有接触和相互作用，如果存在弓网接触，称为动态参数测量，反之则成为静态参数测量。

传统的动态参数测量方法是在轨道检测车受电弓上安装压力传感器或加速度传感器，通过监测受电弓与接触网的接触状况，间接测量接触线的空间位置。近年来，先进的动态参数测量技术发展，比如将摄像机或激光雷达放在检测车或运行列车上进行测量。然而，在动态参数测量过程中，受电弓与接触线的相互作用会引起接触线的振动和变形。此外，受电弓的磨损引起的受电弓形状变化和车体振动也会导致测量误差。因此，在动态参数测量中，虽然受电弓与接触网的相互作用可以模拟列车通行时的状态，但动态参数测量的结果不够精确。由于受电弓与接触网相互作用的复杂性和随机性，使得接触网导高过低等问题可能被掩盖。相比于动态参数测量，静态参数测量可以避免这些问题。

传统静态参数测量是人工完成的。维护人员必须沿着线路使用便携式测量设备测量接触线。人工测量存在风险，浪费大量人力和财力，此外测量时占用线路无法开行列车。因此，人工静态参数测量虽然精度较高，但只能用于重点或异常线路区段，而不能用于全线。为了提高静态参数测量的效率，学界工业界提出了先进的静态参数测量方法。比如将激光传感器放置在接触网顶部支撑结构上，以监测接触线。然而，这种方法只能监测安装传感器的特定线路段，不适合大规模应用。为了扩大测量范围，移动方法受到广泛关注。例如在移动设备上安装摄像头进行检查。但在复杂的环境中，接触线的识别是一个难点。此外，光照强度对测量精度有影响。相反，激光雷达的点云采集几乎不受外部光线条件的影响。此外，与基于图像的测量相比，基于三维点云的测量在理论上具有高精度的固有优势。因此，激光雷达更适合于接触线静态参数测量。目前，对于接触网的静态参数测量，激光雷达主要采用手推车或汽车搭载。手推车效率低且不安全。汽车只适用于有平行公路的线路。然而，高铁线路周边往往是田野、山脉、河流或湖泊，而非公路。因此，这些现有的方法很难在实际高铁运营中得到应用。

发明内容

为了克服以上技术方法的缺陷，实现高精度、高效率能够大范围应用于铁路现场的接触线检测，本发明提出了一种基于无人机载激光雷达的高铁接触线导高及拉出值巡检方法。通过使用搭载激光雷达的无人机沿铁路线侧上方巡检，快速、高效、广域地获取铁路点云数据。在采集原始数据后，提出了自适应提取算法，从原始点云中提取出铁路关键基础设施(钢轨、桅杆、接触线等)，并在此基础上，自动计算接触线的静态几何参数(导高和拉出值)来确定接触线的空间位置。

为实现上述目的，本发明的技术方案是：

一种基于机载激光雷达的高铁接触线导高及拉出值巡检方法，包括以下步骤：

步骤1：使用搭载激光雷达的无人机沿铁路线侧上方巡检获取线路原始点云数据；

步骤2：对原始点云数据进行预处理；

步骤3：采用随机采样一致性算法对处理后的原始点云数据进行分割提取，得到接触网系统点云与线路平面点云；

步骤4：提取线路平面点云中的轨道；

步骤5：对接触网系统中接触悬挂与支柱支持部分进行点云分割；

步骤6：提取接触悬挂点云中的接触线；

步骤7：将接触线与其对应的轨道进行匹配，重构测量场景，并自动测量接触线导高与拉出值。

进一步的，步骤1所述无人机平行于轨道方向飞行，且距离线路边缘水平距离80m，离轨道相对高度60-80m，飞行速度5-8m/s，在线路两侧往返飞行以获得较为完整的线路点云原始数据，作业时还需架设地面基站，控制半径为30km。

进一步的，步骤2具体为：

结合点云高程分布、点云数量与打点密集度特征分析，得到轨道以上的铁路点云与地物点的高程分割阈值，并基于该阈值对原始点云进行高程滤波，一次性大面积地滤除无关地面植被点，达到铁路粗提取以及降低激光点云数量的目的。另外，为了便于后续操作，对提取得到的铁路点云进行坐标系变换，使得点云空间坐标系的原点落在轨道平面的中心处，并使得坐标系的X轴反向平行于线路纵向，Z轴平行于线路垂向，Y轴平行于线路横向。

进一步的，步骤4具体为：

首先根据轨距、轨道间距等铁路标准值，将轨道缓冲区大致提取出来；接下来利用点云高程分布特点将轨头点云提取出来，但由于轨道高程可能存在起伏，无法用单一的高程阈值将轨顶点云提取出来，然而其高程虽然会发生变化，但是连续缓慢变化的，因此采用微元法将轨道缓冲区截成多段的点云切片段，每一小段的轨道和道床可以通过一个自适应高程阈值进行分离，最后将所有轨道点云合并，得到整条线路的轨道。

进一步的，步骤5具体为：

首先利用八叉树将接触网系统点云空间体素化，接着利用一个针对接触网系统点云设计的基于体素的三级接触网系统分类方法，将接触悬挂体素提取出来，从而实现接触悬挂与支柱支持部分的点云分割。

进一步的，步骤6具体为：

利用DBSCAN(Density-Based Spatial Clustering of Applications withNoise)聚类算法将接触悬挂聚类，得到一组不同悬挂线分离、不同线路段分离的接触悬挂线段，根据这些接触悬挂线段与轨道的相对空间位置，将其区分为回流线、悬链线和接触线，从而提取接触悬挂点云中的接触线。

进一步的，步骤7具体为：

铁路线路往往至少有两条平行的线路，包含两对轨道和两条接触线，为了自动计算静态参数，需要将接触线与其对应的轨道进行匹配，重构测量场景。

对于提取的轨道点云，采用DBSCAN聚类算法进行聚类，得到每根轨道的聚类结果。然后，基于RANSAC建立了轨道的线模型，并得到拟合参数。通过计算每两条轨道之间的距离，将具有轨距距离的两条轨道匹配成一对，进而可以得到轨道中心线。对于接触线，采用RANSAC线性模型进行拟合，得到了接触线的参数。然后计算每根接触线上任一点投影在轨道平面上的点到轨道中心线之间的距离。如果距离小于轨距的一半，则接触线属于当前线路。通过这种方法，可以重构测量场景，其中只包含用于计算接触线静态参数的基础设施；

基于RANSAC提取到的轨道直线模型参数，基于向量外积求得两条轨道平行线构成的平面的法向量，根据平面上一点和平面的法向量，即可得到轨顶平面的一般表达式；根据接触线的线性模型参数和轨顶平面参数，可计算出

接触线任意点到轨顶平面的距离，即接触线导高H为

式中，(x_c，y_c，z_c)是接触线上点的坐标，A、B、C、D为轨顶平面一般式的参数，其平面表达式为Ax+By+Cz+D＝0；

接触线拉出值S为

式中，a_c，b_c是轨道中心线的直线模型表达式参数，

本发明的有益效果是：

本发明实现了高精度、高效率、大范围铁路现场的接触线静态参数检测。与动态参数检测相比，因为不存在弓网接触，避免了因弓网相互作用对测量造成的负面影响，大大提升了测量的精确度。与现有的静态参数测量方法相比，该方法对周围环境有较强的适应性，例如不需要像车载激光雷达那样需要铁路沿线的平行公路，这种对环境的适应性使得该方法能够在铁路上大范围应用。本发明几乎不受外界光照条件的影响，甚至可以在黑暗环境下工作，这将扩大检测时间范围，提高维护工作安排的灵活性。另外，该方法可在线路运行时实现，对列车运行无影响，可大幅释放线路运力，这对高速铁路、高开行密度铁路具有重要意义。

附图说明

图1是本发明巡检方法的整体步骤流程图；

图2是飞行巡检方法示意图；

图3是线路平面点云与接触网系统点云分割结果示意图；

图4是轨道缓冲区示意图；

图5是轨道点云提取示意图；

图6是第三级分类特征示意图；

图7是接触网系统中接触悬挂与支柱支持部分的点云分割结果示意图；

图8是线路中心线示意图；

图9是实验测量点展示图。

具体实施方式

下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述。

如图1所示，一种基于机载激光雷达的高铁接触线导高及拉出值巡检方法，包括以下步骤：

步骤1：使用搭载激光雷达的无人机沿铁路线侧上方巡检获取线路原始点云数据；

步骤2：对原始点云数据进行预处理；

步骤3：采用随机采样一致性算法对处理后的原始点云数据进行分割提取，得到接触网系统点云与线路平面点云；

步骤4：提取线路平面点云中的轨道；

步骤5：对接触网系统中接触悬挂与支柱支持部分进行点云分割；

步骤6：提取接触悬挂点云中的接触线；

步骤7：将接触线与其对应的轨道进行匹配，重构测量场景，并自动测量接触线导高与拉出值。

如图2所示，步骤1所述无人机平行于轨道方向飞行，且距离线路边缘水平距离80m，离轨道相对高度80m，飞行速度5-8m/s，在线路两侧往返飞行以获得较为完整的线路点云原始数据，作业时还需架设地面基站，控制半径为30km。

步骤2具体为：

结合点云高程分布、点云数量与打点密集度特征分析，得到轨道以上的铁路点云与地物点的高程分割阈值，并基于该阈值对原始点云进行滤波，一次性大面积地滤除无关地面植被点，达到铁路粗提取以及降低激光点云数量的目的。另外，为了便于后续操作，对提取得到的铁路点云进行坐标系变换，使得点云空间坐标系的原点落在轨道平面的中心处，并使得坐标系的X轴反向平行于线路纵向，Z轴平行于线路垂向，Y轴平行于线路横向。

步骤3所述随机采样一致性算法的基本流程为：

i.从原始数据集中随机采样得到样本点子集(输入为平面模型，因此从原始数据集中随机选取3点)，假设该子集为预设平面的局内点，即存在一个预设的平面模型能够适应于所选随机点集；

ii.对样本子集内的点进行平面拟合从而计算得到对应的平面模型及其参数；

iii.对数据集中剩余的其他点逐一进行判断：若点到(ii)中所得平面模型的距离小于等于局内点距离阈值，且数据点表面法线方向与所求平面模型法向量的夹角小于等于最大角偏差阈值，则将该数据点纳入当前平面模型的局内点，否则为局外点；

iv.如果(iii)中有满足数量阈值的数据点被归为当前平面的局内点，则根据所有局内点的信息重新估计平面模型的参数，并通过估计局内点与已知模型的错误率对模型进行评估，若当前拟合平面对于其局内点的错误率低于最佳错误率，则令设置当前平面模型为最佳模型，令最佳错误率更替为当前错误率，若此时已达预设迭代次数上限，则返回当前平面模型作为结果，否则继续重复上述过程；反之，如果(iii)中局内点数量小于阈值，则返回步骤(i)继续。

分割后得到了线路平面点云与接触网系统点云，如图3所示。

步骤4具体为：

首先根据轨距、轨道间距等铁路标准值，将轨道缓冲区大致提取出来，提取结果如图4所示；接下来利用点云高程分布特点将轨头点云提取出来，但由于轨道高程可能存在起伏，无法用单一的高程阈值将轨顶点云提取出来，然而其高程虽然会发生变化，但是连续缓慢变化的，因此采用微元法将轨道缓冲区截成多段的点云切片段，每一小段的轨道和道床可以通过一个自适应高程阈值进行分离，如图5所示，对切片内点云高程进行排序，取高程最低的前n个点的高程平均值作为基准线，遍历切片内每个点，计算每点到基准线的距离，若大于阈值α则分类为轨道点云；最后将所有轨道点云合并，得到整条线路的轨道。

步骤5具体为：

首先利用八叉树将接触网系统点云空间体素化，接着利用一个针对接触网系统点云设计的基于体素的三级接触网系统分类方法，将接触悬挂体素提取出来，从而实现接触悬挂与支柱支持部分的点云分割。该三级接触网系统分类方法的基本流程：

i.将点云在体素中的Y坐标范围作为第一级分类特征。如果单个体素中点云的Y方向跨度小于阈值，则该体素被暂时分类为接触悬挂。

ii.斜拉索在Y方向具有与接触悬挂相同的小跨度特性，因此会在第一级分类中被分类为接触悬挂。虽然斜拉索和接触悬挂都是线性结构，但它们的延伸角是不同的。因此，初始分类结果可以通过延伸角度进一步细分。对初步分类为接触悬挂的体素内点云的坐标X分量进行排序，得到该体素内坐标x分量最大最小的点对应的索引，计算这两点在X-Z平面投影的连线形成的方向向量与X-Z平面水平方向向量(1,0)的夹角，若该夹角大于一定阈值，则认为该体素属于斜拉索点云，否则将体素点云归入接触悬挂点云。

iii.经过第二级分类后，绝大部分接触悬挂已与支柱支持装置分离，但仍有小部分由于打点稀疏精度较低的支柱支持装置细节残留，将体素内点云x坐标跨度与点云高差范围之比作为第三级的分类特征，如图6所示，若该值大于阈值，则分类为接触悬挂。

利用该三级接触网系统分类方法对接触网系统分割的结果如图7所示。

步骤6具体为：

利用DBSCAN(Density-Based Spatial Clustering of Applications withNoise)聚类算法将接触悬挂聚类，得到一组不同悬挂线分离、不同线路段分离的接触悬挂线段，根据这些接触悬挂线段与轨道的相对空间位置，由于DBSCAN需要基于点的邻域来描述样本集的紧密程度，因此本方法在基于八叉树体素的半径内近邻搜索上还引入了KD树数据结构构建点索引，加快近邻搜索的速度。算法流程如下：

i.八叉树构建与初始化：首先对接触悬挂点云建立深度为8分辨率为1.6m的八叉树空间索引，对接触悬挂点云空间进行体素剖分，体素化后的不同单根接触悬挂被多个连续紧密排列的体素栅格划分为多段，除了在相邻接触悬挂间隔处的体素，其余体素内均包含同一根接触悬挂的一小段线型点云，即八叉树所有叶子节点内的点理论上基本同属一个聚类簇，而不同线路上方的接触悬挂之间不存在体素，故未直接连通的体素理论上属于不同聚类簇；将点云全集的类别标签和visited flag初始化为0，初始化预设参数近邻边界点搜索半径，核心点判断密度阈值近邻核心点搜索半径；

ii.核心点检索：遍历八叉树叶节点，对每个体素内包含的所有点进行遍历式核心点判断：对每个点进行基于八叉树的半径内近邻搜索，若某点以为半径的球邻域内近邻点数量满足密度阈值，则将该点加入核心点集，更改该点的类别标签为核心点，并将该点邻域内所有密度直达的近邻点加入该核心点的近邻队列，更改近邻点的类别标签为边界点；核心点与边界点标记完毕后，将剩余点标记为噪声点；其中，经实验，以大于铁路常用型号铜制接触线截面直径的参数值且小于承力索与接触线距离的一半为参考取值范围，密度阈值控制在5以下为佳；若设置过小，则部分接触线的核心点间距过大，导致聚类得到的接触线出现断裂，呈过分割状态；

iii.密度直达近邻核心点检索：对(ii)中得到的核心点集建立KD树空间索引，遍历核心点集，对每个核心点进行基于KD树的半径内近邻核心点搜索，将每个核心点球邻域中的所有其他核心点索引加入该点的近邻核心点队列。考虑到目标区分去噪后一些接触线在吊弦附近难免会出现打点稀疏类似“断裂”的间隙，而这种由于去噪产生的小间隙又明显小于前后相邻接触悬挂间的空隙，因此的取值应大于而小于相邻接触悬挂间的间隔；若取值过小，则小间隙的存在会使原本同属一根接触悬挂的相邻核心点不在彼此的近邻范围，从而使同一点云被过分割为不同的聚类簇，若取值过大，则无法将前后相邻一定间隔的两根不同接触悬挂区别开来；

iv.密度连通点聚类

Step 1：初始化聚类类别序号，初始化一空堆栈；

Step 2：遍历核心点集，若当前核心点visited flag＝1即当前点已被访问过，则继续访问下一点，否则，聚类类别序号，更改当前核心点聚类类别标签为，将其推入堆栈；

Step 3：若堆栈非空，则更改栈顶visited flag为1，复制栈顶到一中间点，推出栈顶；遍历当前中间点的近邻核心点队列，若近邻核心点visited flag为1则访问下一个，否则更改近邻核心点聚类类别为，并将其推入堆栈；

Step 4：重复Step 3过程，直至堆栈清空，完成一次聚类类别标记；

Step 5：重复执行Step 2和Step 3，直至所有核心点均被访问(visited flag均为1)；

Step 6：，假设密度连通核心点聚类类别标记完成后共产生个聚类簇，按聚类簇序号的顺序开始生成聚类结果：对核心点集进行遍历，若核心点的clustered flag为1即该核心点已被聚类则跳过并直接访问下一个点，否则将聚类类别标记为的核心点及其边界点近邻队列一同归入对应当前的聚类簇队列，更改这些核心点的clustered flag为1，直至所有同一类别标记的核心点及其近邻都被归入相应类别的聚类簇，聚类结束。

完成单根接触悬挂分股后，根据每个聚类点云的数量，筛选出密度和长度满足主要聚类簇条件的接触悬挂，剔除由于原始打点稀疏或打点不稳定在铁路段点云两端产生的小聚类。

在产生接触悬挂聚类簇后，根据接触悬挂线的空间位置对其进行分类，然后提取接触导线。生成接触悬挂到地平面的投影，如果投影在轨道区域之外，则该线被分类为电流回流线，否则将被分类为悬链线或接触线。如果该线的最低点高于接触线高度的最大可能值，则分类为悬链线，否则为接触线。

步骤7具体为：

铁路线路往往至少有两条平行的线路，包含两对轨道和两条接触线，为了自动计算静态参数，需要将接触线与其对应的轨道进行匹配，重构测量场景。

对于提取的轨道点云，采用DBSCAN聚类算法进行聚类，得到每根轨道的聚类结果。然后，基于RANSAC建立了轨道的线模型，并得到拟合参数。通过计算每两条轨道之间的距离，将具有轨距距离的两条轨道匹配成一对，进而可以得到轨道中心线，如图8所示。对于接触线，采用RANSAC线性模型进行拟合，得到了接触线的参数。然后计算每根接触线上任一点投影在轨道平面上的点到轨道中心线之间的距离。如果距离小于轨距的一半，则接触线属于当前线路。通过这种方法，可以重构测量场景，其中只包含用于计算接触线静态参数的基础设施；

基于RANSAC提取到的轨道直线模型参数，基于向量外积求得两条轨道平行线构成的平面的法向量，根据平面上一点和平面的法向量，即可得到轨顶平面的一般表达式；根据接触线的线性模型参数和轨顶平面参数，可计算出

接触线任意点到轨顶平面的距离，即接触线导高H为

式中，(x_c，y_c，z_c)是接触线上点的坐标，A、B、C、D为轨顶平面一般式的参数，其平面表达式为Ax+By+Cz+D＝0；

接触线拉出值S为

式中，a_c，b_c是轨道中心线的直线模型表达式参数，

为证明本发明的可行性和有效性，将上述方法用于中国河北省内一段京沪高铁线路段上，如图9所示，测量位置位于1、2、3、4、5、a、b、c、d，测得导高为：

测得拉出值为：

实验结果表明，最终测量误差在9mm以内，满足我国铁路技术规范的要求。验证了利用该方法对高速铁路接触线导高和拉出值巡检的可行性和有效性。实现了高精度、高效率、能够大范围应用于铁路现场的接触线静态参数巡检。与动态参数检测相比，因为不存在弓网接触，避免了因弓网相互作用对测量造成的负面影响，大大提升了测量的精确度。与现有的静态参数测量方法相比，该方法对周围环境有较强的适应性，例如不需要像车载激光雷达那样需要铁路沿线的平行公路，这种对环境的适应性使得该方法能够在铁路上大范围应用。该方法也几乎不受外界光照条件的影响，甚至可以在黑暗环境下工作，这是基于图像的检测技术难以做到的，这将可行的检测时间范围扩大，增加了维护工作安排的灵活性。另外，该方法可在线路运行时实现，对列车运行无影响，可大幅释放线路运力，这对高速铁路、高开行密度铁路具有重要意义。

所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (6)

1.一种基于机载激光雷达的高铁接触线导高及拉出值巡检方法，其特征在于，包括以下步骤：

步骤1：使用搭载激光雷达的无人机沿铁路线侧上方巡检获取线路原始点云数据；

步骤2：对原始点云数据进行预处理；

步骤3：采用随机采样一致性算法对处理后的原始点云数据进行分割提取，得到接触网系统点云与线路平面点云；

步骤4：提取线路平面点云中的轨道；

步骤5：对接触网系统中接触悬挂与支柱支持部分进行点云分割；

步骤6：提取接触悬挂点云中的接触线；

步骤7：将接触线与其对应的轨道进行匹配，重构测量场景，并自动测量接触线导高与拉出值。

2.如权利要求1所述的一种基于机载激光雷达的高铁接触线导高及拉出值巡检方法，其特征在于，步骤1所述无人机平行于轨道方向飞行，且距离线路边缘水平距离80m，离轨道平面相对高度60-80m，飞行速度5-8m/s，在线路两侧往返飞行以获得较为完整的线路点云原始数据，作业时还需架设地面基站，控制半径为30km。

3.如权利要求1所述的一种基于机载激光雷达的高铁接触线导高及拉出值巡检方法，其特征在于，步骤2具体为：

结合点云高程分布、点云数量与打点密集度特征分析，得到轨道以上的铁路点云与地物点的高程分割阈值，并基于该阈值对原始点云数据进行高程滤波，同时对铁路点云进行坐标系变化，使得点云空间坐标系的原点落在轨道平面的中心处，坐标系的X轴方向平行于线路纵向，Z轴平行于线路垂向，Y轴平行于线路横向。

4.如权利要求1所述的一种基于机载激光雷达的高铁接触线导高及拉出值巡检方法，其特征在于，步骤5具体为：

首先利用八叉树将接触网系统点云空间体素化，接着利用一个针对接触网系统点云设计的基于体素的三级接触网系统分类方法，将接触悬挂体素提取出来，从而实现接触悬挂与支柱支持部分的点云分割。

5.如权利要求1所述的一种基于机载激光雷达的高铁接触线导高及拉出值巡检方法，其特征在于，步骤6具体为：

利用DBSCAN聚类算法将接触悬挂聚类，得到一组不同悬挂线分离、不同线路段分离的接触悬挂线段，根据这些接触悬挂线段与轨道的相对空间位置，将其区分为回流线、悬链线和接触线，从而提取接触悬挂点云中的接触线。

6.如权利要求1所述的一种基于机载激光雷达的高铁接触线导高及拉出值巡检方法，其特征在于，步骤7所述接触线导高与拉出值的测量方法为：

接触线任意点到轨顶平面的距离，即接触线导高H为

式中，(x_c，y_c，z_c)是接触线上点的坐标，A、B、C、D为轨顶平面一般式的参数，其平面表达式为Ax+By+Cz+D＝0；

接触线拉出值S为

式中，a_c，b_c是轨道中心线的直线模型表达式参数，

Images