CN112529044B

CN112529044B - 基于车载LiDAR的铁路接触网提取分类的方法

Info

Publication number: CN112529044B
Application number: CN202011305494.6A
Authority: CN
Inventors: 罗庄; 张献州; 陈霄; 陈铮; 谭社会
Original assignee: Southwest Jiaotong University
Current assignee: Southwest Jiaotong University
Priority date: 2020-11-20
Filing date: 2020-11-20
Publication date: 2022-06-28
Anticipated expiration: 2040-11-20
Also published as: CN112529044A

Abstract

本发明公开了一种基于车载LiDAR的铁路接触网提取分类的方法，其包括采用基于空间距离属性的聚类分割算法分割出非地面点云数据；采用多尺度自适应特征分类算法对非地面点数据进行粗分类；采用DBSCAN算法对粗分类得到的点云数据进行聚类，并统计每个聚类簇中点云的数量，保留点云的数量最多的前三个聚类簇；获取三个聚类簇中每个点云在Z方向上的值，计算每个聚类簇在Z方向的Z均值，并将Z均值最大的聚类簇作为承力索点云数据；以承力索点云数据为参考，计算另外两个聚类簇的点云数据与承力索点云数据在XOY平面上的欧式距离；采用欧式距离较小的聚类簇作为接触线点云数据，另外一个聚类簇作为回流线点云数据。

Description

基于车载LiDAR的铁路接触网提取分类的方法

技术邻域

本发明属于铁路接触网检测技术，具体涉及一种基于车载LiDAR的铁路接触网提取分类的方法。

背景技术

随着铁路电气化发展的突飞猛进，铁路牵引电力设备的可靠性和安全性是一个重点研究的问题。其中传统铁路接触网检测的方法是：工作人员提交天窗线路封锁申请，携带测量仪器，上线上道逐点测量几何参数。测量现场安全隐患较多，给防控带来了很多难题，并占用天窗较多，检测时间长，对铁路运输影响较大。

发明内容

针对现有技术中的上述不足，本发明提供的基于车载LiDAR的铁路接触网提取分类的方法解决了人工对铁路接触网进行检测效率低的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于车载LiDAR的铁路接触网提取分类的方法，其包括：

S1、获取基于车载LiDAR的铁路接触网点云数据，并采用基于空间距离属性的聚类分割算法分割出非地面点云数据；

S2、采用多尺度自适应特征分类算法对非地面点数据进行粗分类；

S3、采用DBSCAN算法对粗分类得到的点云数据进行聚类，并统计每个聚类簇中点云的数量，保留点云的数量最多的前三个聚类簇；

S4、获取三个聚类簇中每个点云在Z方向上的值，计算每个聚类簇在Z方向的Z均值，并将Z均值最大的聚类簇作为承力索点云数据；

S5、以承力索点云数据为参考，计算另外两个聚类簇的点云数据与承力索点云数据在XOY平面上的欧式距离；

S6、采用欧式距离较小的聚类簇作为接触线点云数据，另外一个聚类簇作为回流线点云数据。

本发明的有益效果为：通过基于空间距离属性的聚类分割算法能够结合铁路场景空间特征，将具有垂直空间特性的铁路场景点云数据进行地面点和非地面点的分割；多尺度自适应特征分类算法能够识别点云在三维空间中所呈现出的几何结构分布特征，并保留呈线性分布特征的点云数据；之后基于DBSCAN的分类算法再次对粗分类的数据进行聚类，逐渐排除干扰的点云，再基于高程确定铁路接触网的三条线。

基于点云的三维坐标即可获得铁路接触网每点的几何参数，不需要检测人员携带测量仪器上线上道逐点测量，降低工人劳动强度的同时，还降低了人为测量存在的安全隐患。

附图说明

图1为基于车载LiDAR的铁路接触网提取分类的方法的流程图。

图2为分割出来的非地面点数据。

图3为多尺度自适应特征分类算法进行粗分类后的结果。

图4为数据集做点云邻域密度统计得到的分布图。

图5为通过启发式方法绘制的升序k-dist图。

图6为采用DBSCAN算法对粗分类后的进行精分类后得到的三个数据集。

图7为采用本方案的方法分类完成后得到的4类别的效果图。

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示出了基于车载LiDAR的铁路接触网提取分类的方法的流程图，如图1所示，该方法包括步骤S1至步骤S3。

在步骤S1中，获取基于车载LiDAR的铁路接触网点云数据，并采用基于空间距离属性的聚类分割算法分割出非地面点云数据。

在本发明的一个实施例中，采用基于空间距离属性的聚类分割算法分割出非地面点云数据进一步包括：

S11、从铁路接触网点云数据中选取k个点云作为聚类中心，并采用欧几里得距离公式计算每个点云到每个聚类中心的距离：

Q＝{p,q|dL<r,p,q∈P}

其中，dL为两点之间的距离，Q为处理后的点云，P为三维点云集，r为预设距离。

S12、判断每个点云的所有距离是否均大于预设距离，若是，删除对应点云，否则进入步骤S13；

S13、将对应点云加入至距离其最近的聚类中心所在簇，之后更新每个聚类簇的聚类中心；

S14、判断每个聚类簇的当前聚类中心与上一次的聚类中心是否相同，若是，保留当前簇，并进入步骤S17，否则进入步骤S15；

S15、采用欧几里得距离公式计算聚类簇中每个点云到聚类中心的距离；

S16、删除每个聚类簇中距离大于预设距离的点云，并更新每个聚类簇的聚类中心，之后返回步骤S14；

S17、当所有的聚类簇都收敛后，将所有聚类簇的点云进行合并得到非地面点云数据。

本方案在非地面点云数据获取过程中，计算三维点之间的远近程度，从而分析点间距，把满足某种距离判断条件的点云数据划分为一个聚类簇，从而完成点云的分割任务。这种分割方法可以通过设置合适的聚类阈值将点云分割成不同的点云聚类；结合铁路场景空间特征，该算法适合将具有垂直空间特性的铁路场景点云数据进行地面点和非地面点的分割。

在步骤S2中，采用多尺度自适应特征分类算法对非地面点数据进行粗分类。

在本发明的一个实施例中，所述步骤S2进一步包括：

S21、获取尺度范围(尺度范围的上下限主要通过人工经验预先设定)，并在所述尺度范围内选取若干半径，构成半径集；选取的所有半径尽量覆盖整个尺度范围。

S22、遍历半径集，并选取一个未遍历的半径，以非地面点云数据中的每个点云作为球心构建3D球形；

S23、采集每个3D球形覆盖的点云数据构成点云集v_km，并采用主成分分析方法计算点云集v_km的线性特征α_km-1D、平面特征α_km-2D和离散性特征α_km-3D：

S231、计算每个点云集v_km的重心

其中，v_km为采用非地面点云数据中第m个点云为球心，以半径集中第k个半径为半径构建的3D球形覆盖的点云构成的点云集；L为点云集v_km中点云的总数量，X_kml为点云集v_km中第l个点云的坐标，1≤l≤L；T为转置；

S232、根据点云集v_km的重心

和点云的坐标X_kml，构建点云集v_km的协方差矩阵C_km：

其中，C_km为3*3的协方差矩阵，且为对称正定阵；M_km为中间参数；

S233、对协方差矩阵C_km进行特征值分解：

其中，R_km为点云集v_km对应的旋转矩阵；Λ为对角正定矩阵，分别称为特征向量和特征值矩阵；

S234、根据协方差矩阵C_km进行特征值分解得到的三个特征值，计算线性特征α_km-1D、平面特征α_km-2D和离散性特征α_km-3D：

其中，λ_km1、λ_km2和λ_km3均为特征值，且λ_km1≥λ_km2≥λ_km3＞0；δ_kmj为特征向量

方向上的标准差，u_km＝δ_km1或

u_km为归一化系数；α_km-1D、α_km-2D、α_km-3D∈[0,1]，且α_km-1D+α_km-2D+α_km-3D＝1。

S24、根据线性特征α_km-1D、平面特征α_km-2D和离散性特征α_km-3D，计算点云集v_km的熵E_f(v_km)：

E_f(v_km)＝-α_km-1Dln(α_km-1D)-α_km-2Dln(α_km-2D)-α_km-3Dln(α_km-3D)；

S25、判断半径集中的所有半径是否已遍历，若是，进入步骤S26，否则返回步骤S22；

S26、选取所有半径得到的熵中最小值作为最佳尺度

基于最佳尺度

对应的δ_km1,δ_km2,δ_km3及α_km-1D、α_km-2D、α_km-3D，确定

对应点云集合的几何特征：

当

α_km-1D的值将大于α_km-2D，α_km-3D，则判定点云集合呈线性特征分布；

当

α_km-2D的值将大于α_km-1D，α_km-3D，则判定点云集合呈平面性特征分布；

当

α_km-3D的值将大于α_km-1D，α_km-2D，则判定点云集合呈离散性特征分布。

S27、当

对应点云集合呈线性特征时，采用非地面点云数据作为粗分类得到的点云数据；

当

对应点云集合呈平面性特征分布或离散性特征分布时，删除非地面点云数据中

对应点云集合内的点云作为粗分类得到的点云数据。

多尺度自适应特征分类算法能够识别点云在三维空间中所呈现出的几何结构分布特征，通过得到的最佳尺度

可以剔除分布呈平面的点云数据和离散型点云数据，从保留准确的线性分布特征的点云数据。

为了进一步剔除非接触网的点云，进入步骤S3之前还包括采用SOR滤波对粗分类后的点云数据进行去噪。

在步骤S3中，采用DBSCAN算法对粗分类得到的点云数据进行聚类，并统计每个聚类簇中点云的数量，保留点云的数量最多的前三个聚类簇。

实施时，本方案优选采用DBSCAN算法对粗分类得到的点云数据进行聚类进一步包括：

S31、对粗聚类得到的点云数据进行点云邻域密度统计，选取小于设定阈值的点云密度作为最小期望集群m，并令MinPts＝m；

S32、通过启发式方法确定Eps，根据MinPts和Eps参数值，对粗聚类得到的点云数据进行DBSCAN聚类。

其中通过启发式方法确定Eps进一步包括：

计算粗聚类得到的点云数据中任意一个点云到其k个邻近点的距离；

寻找每个点云到其邻居的最大距离，并采用所有点云的最大距离绘制k-dist图；

选取k-dist图的第一个谷中的第一个点作为Eps参数值。

在步骤S4中，获取三个聚类簇中每个点云在Z方向上的值，计算每个聚类簇在Z方向的Z均值，并将Z均值最大的聚类簇作为承力索点云数据；

在步骤S5中，以承力索点云数据为参考，计算另外两个聚类簇的点云数据与承力索点云数据在XOY平面上的欧式距离；

在步骤S6中，采用欧式距离较小的聚类簇作为接触线点云数据，另外一个聚类簇作为回流线点云数据。

下面结合具体的实例，对铁路接触网提取分类的方法的效果进行说明：

采用的实验数据为柳沟敦煌线(柳敦线)铁路干线车载LiDAR点云数据，长度100m的铁路点云数据进行实验分析。

首先对点云数据进行分割处理，并将非地面点数据保留，两组经过预处理过后的实验数据具体信息如表1所示，进行分割出来后的实验数据如图2所示。

表1实验数据信息

接着对非地面数据进行粗分类，首先获取尺度范围[0.3，0.8]，并在尺度范围内采样6个r的值作为多个空间尺度(即多个邻域半径)进行实验。其次，在候选的空间尺度中利用PCA(主成分分析)求取点云集v_km三个主要方向，并分析点云数据是否呈线性分布特征(一维特征)，最后保留并输出线性分布特征点云数据。

为了选取最佳尺度，通过计算并比较熵特征值E_f的大小来判断最佳尺度r_E ^* _f的选取。

由于整个大场景下的点云数据量较大，为了得到更多、更准确的线性分布特征点云数据，即接触网点云数据，本方案采用多尺度自适应特征分类算法进行迭代操作，最后得到的结果如图3所示。

经过大量的实验论证，单次采用多尺度自适应特征分类算法进行接触网点云数据的效果并不是很理想，因此，经过多次迭代操作，尽可能多地保留准确的接触网点云数据，为后续的精细分类奠定良好的数据基础。在结果图3中，大量的接触网杆以及桅杆点云数据已经被剔除，剩下少量的呈线性分布特征的点云，接触网点云数据几乎被完整保留下来。

接触网点云的精分类：首先使用SOR滤波对粗分类后的点云数据进行去噪，实质是进一步将部分非接触网的点云去除。在进行接触网精分类实验时，首先确定DBSCAN算法的MinPts与Eps的值。对粗分类后的数据集做点云邻域密度统计，其密度范围值[50,325]，如图4所示。

取该数据集较小的点云密度作为最小期望集群，使MinPts＝k＝50，再通过启发式方法绘制升序k-dist图，从而根据图中的信息确定Eps参数值，升序k-dist图如图5所示。

图5中横坐标表示各个点，纵坐标表示点数对应的k-dist。然后，通过排序k-dist图获得首个凹陷区域，即阈值分界点(临界值)。因此，MinPts＝k＝50，所求的Eps值就是阈值点所对应的k-dist值，此时Eps＝0.8。确定了MinPts与Eps的参数值后，采用顾及接触网特征的DBSCAN算法对实验数据集进行最后的接触网精细分类，之后保留下来的三个类如图6所示。

在图6的显示中，a对应点云被分类为接触线，b对应的点云为承力索，c对应的点云为回流线。将之前剔除和未分类的点云合并到一个点云数据集中，作为非精确不完整的接触网杆点云数据(参见图7中的d对应的点云)。通过图7可以看出，本方案提供的方案能够准确地实现铁路接触网的分类。

综上所述，本方案能够较好地实现铁路点云数据接触网分类工作，为回流线、接触线和承力索的提取提供良好的数据集，也为点云数据分类提供了新的思路。该方法丰富了铁路点云数据信息提取算法的种类，可进一步拓展应用于其他各类铁路工务及电务设备信息提取。