CN114879160A - 基于三维点云数据的铁轨异物入侵实时监测方法及系统 - Google Patents

Abstract

本发明公开了基于三维点云数据的铁轨异物入侵实时监测方法和系统。该方法包括临近铁轨设置有激光雷达，对监测区域进行背景探测，获取背景三维点云数据，并传输至计算终端；在计算终端，利用所述背景三维点云数据，构建背景三维点云模型；所述激光雷达对监测区域进行实时探测，获取实时三维点云数据，并传输至计算终端进行实时处理，得到实时三维点云数据集；将所述实时三维点云数据集与所述背景三维点云模型进行对比处理，得到异物点云数据，对其进行动态建模和识别过滤。该方法具有识别准确率高，实施方便，推广应用价值高。

Description

基于三维点云数据的铁轨异物入侵实时监测方法及系统

技术领域

本发明涉及铁路基础设施安全监控技术领域，尤其涉及一种基于三维点云数据的铁轨异物入侵实时监测方法及系统。

背景技术

铁路轨道包括城市地铁轨道、高速铁路轨道和常规铁路轨道，这些轨道铺设在不同的地域环境，如城市内部、跨河桥梁、山区、丘陵、与公路交叉、临近等情形。特别是地面高架场景，存在异物侵入轨行区、接触网等风险，严重危及列车运行安全。

当前主要依靠巡检人员巡视、司机驾驶列车时目视可能存在的异物，如果能及时发现异物影响行车，有条件的则进行现场处理，这种人工巡检方式存在工作量大、效率低，在恶劣天气下难以发现异物等缺点，无法实时监测异物入侵，以及现有技术对入侵异物的识别准确率不高，容易造成较多的虚警。

发明内容

本发明主要解决的技术问题是提供一种基于三维点云数据的铁轨异物入侵实时监测方法及系统，解决现有技术中不能准确监测到异物侵入铁轨，以及容易出现识别不准导致虚警的问题。

为解决上述技术问题，本发明采用的一个技术方案是提供一种基于三维点云数据的铁轨异物入侵实时监测方法，包括步骤：

计算终端接收来自激光雷达采集的背景三维点云数据，所述激光雷达用于临近铁轨设置，对监测区域进行探测；

所述计算终端利用所述背景三维点云数据，构建背景三维点云模型；

所述计算终端接收来自所述激光雷达对监测区域实时探测的实时三维点云数据，进行实时处理后，得到实时三维点云数据集；

将所述实时三维点云数据集与所述背景三维点云模型进行对比处理，得到差分三维点云数据集，对差分三维点云数据集进行聚类处理，得到包括一个或多个三维包围区域的三维点云数据子集；对三维点云数据子集中的三维包围区域进行动态建模和识别更新，识别判断是否为入侵异物。

优选的，所述激光雷达采集来自不同时间点对应的多帧背景三维点云数据，以第一帧背景三维点云数据所在坐标系为基准，将其后其他多帧背景三维点云数据中的非重复点，补充入第一帧背景三维点云数据中，形成背景三维点云数据集。

优选的，还包括将不同气象条件下的背景三维点云数据与已有的背景三维点云数据集进行合并处理，构建得到不同气象条件下的背景三维点云数据集。

优选的，按照所需监测区域确定一个或多个三维包围区域，过滤掉所述三维包围区域以外的点云数据，进一步细化所述背景三维点云数据集。

优选的，构建背景三维点云模型包括对所述背景三维点云数据集进行下采样处理、区域分割处理和/或三维包围区域投影处理。

优选的，所述实时三维点云数据集与所述背景三维点云模型进行对比处理包括：背景差分处理，将所述实时三维点云数据集与所述背景三维点云模型进行差分运算，即实时三维点云数据集中的每个实时三维点云数据，以半径r搜索，查找背景三维点云模型中是否包含该实时三维点云数据，将未能在所述背景三维点云模型中搜索到的实时三维点云数据合并在一起，得到差分三维点云数据集。

优选的，所述动态建模和识别更新包括：对聚类后的三维点云数据子集进行动态建模，令当前经过聚类得到的三维点云数据子集为第一聚类子集Sj，令下一个临近时刻经过聚类得到的三维点云数据子集为第二聚类子集Si；

将第一聚类子集Sj中的各个三维包围区域中的点云数据，与第二聚类子集Si中的各个三维包围区域中的点云数据，进行比较判断；

若第一聚类子集Sj与第二聚类子集Si中存在重叠的三维包围区域，则将这两个三维包围区域合并处理，形成一个更新后的三维包围区域，对应的更新次数增加1，该三维包围区域出现的时间保持不变；

若第一聚类子集Sj与第二聚类子集Si中存在不重叠的三维包围区域，则将第二聚类子集Si中新出现的三维包围区域加入到第一聚类子集Sj中，并记其出现次数为1，添加的出现时间为第二聚类子集Si对应的采集时间。

优选的，还进一步包括对入侵异物的识别排除处理，包括列车过滤处理和飞鸟过滤处理。

本发明还提供一种基于三维点云数据的铁轨异物入侵实时监测系统，包括临近铁轨设置的激光雷达，所述激光雷达通信连接到计算终端，所述计算终端接收来自激光雷达采集的背景三维点云数据，构建背景三维点云模型；以及，所述计算终端获取来自激光雷达采集的实时三维点云数据进行实时处理，得到实时三维点云数据集；

将所述实时三维点云数据集与所述背景三维点云模型进行对比处理，得到异物点云数据，对其进行动态建模和识别更新。

优选的，所述计算终端包括：

背景建模模块，用于把激光雷达对监测区域采集的背景三维点云数据，构建为背景三维点云模型；

实时检测模块，用于把激光雷达对监测区域实时采集的实时三维点云数据，进行实时处理，得到实时三维点云数据集；

差分模块，用于将所述实时三维点云数据集与所述背景三维点云模型进行对比处理，得到差分三维点云数据集；

聚类模块，用于对差分三维点云数据集进行聚类，得到包括一个或多个三维包围区域的三维点云数据子集；

识别模块，用于对三维点云数据子集中的三维包围区域进行动态建模和更新，识别判断是否为入侵异物；

过滤模块，用于识别排除不会造成危险事故的常规事件监测。

本发明的有益效果是：本发明公开了一种基于三维点云数据的铁轨异物入侵实时监测方法和系统。该方法包括临近铁轨设置有激光雷达，对监测区域进行背景探测，获取背景三维点云数据，并传输至计算终端；在计算终端，利用所述背景三维点云数据，构建背景三维点云模型；所述激光雷达对监测区域进行实时探测，获取实时三维点云数据，并传输至计算终端进行实时处理，得到实时三维点云数据集；将所述实时三维点云数据集与所述背景三维点云模型进行对比处理，得到异物点云数据，对其进行动态建模和识别更新。该方法具有识别准确率高，实施方便，推广应用价值高。

附图说明

图1是根据本发明基于三维点云数据的铁轨异物入侵实时监测方法一实施例的流程图；

图2是根据本发明基于三维点云数据的铁轨异物入侵实时监测方法一实施例的多帧背景点云合并处理示意图；

图3是根据本发明基于三维点云数据的铁轨异物入侵实时监测方法一实施例的三维包围区域和点云数据密度分布示意图；

图4是根据本发明基于三维点云数据的铁轨异物入侵实时监测方法一实施例在空间上对背景三维点云数据集进行区域分割示意图；

图5是根据本发明基于三维点云数据的铁轨异物入侵实时监测方法一实施例背景差分处理和聚类处理示意图；

图6是根据本发明基于三维点云数据的铁轨异物入侵实时监测方法一实施例异物识别中的动态更新处理示意图；

图7是根据本发明基于三维点云数据的铁轨异物入侵实时监测系统一实施例的计算终端内部模块组成示意图。

具体实施方式

为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

图1显示了本发明基于三维点云数据的铁轨异物入侵实时监测方法一实施例的流程图。在图1中，包括步骤：

S11：计算终端接收来自激光雷达采集的背景三维点云数据，所述激光雷达用于临近铁轨设置，对监测区域进行探测；

S12：所述计算终端利用所述背景三维点云数据，构建背景三维点云模型；

S13：所述计算终端接收来自所述激光雷达对监测区域实时探测的实时三维点云数据，进行实时处理后，得到实时三维点云数据集；

S14：将所述实时三维点云数据集与所述背景三维点云模型进行对比处理，得到差分三维点云数据集，对差分三维点云数据集进行聚类处理，得到包括一个或多个三维包围区域的三维点云数据子集；对三维点云数据子集中的三维包围区域进行动态建模和识别更新，识别判断是否为入侵异物。

优选的，激光雷达固定安装在铁轨两侧既有立杆或独立立杆安装，满足设备设施限界要求，安装高度、角度需满足同时覆盖铁路轨面及接触网，实时获取的点云数据通过有线网络或光纤传输至计算终端。

优选的，在步骤S11中，所述采集的背景三维点云数据，用于对激光雷达监测区域内，在没有异物入侵条件下的背景进行点云数据采集。由于激光雷达单次采集的三维点云数据会存在不完备或者有噪声点的问题，因此，需要多次或多帧获得背景三维点云数据。

对于激光雷达监测区域内的点云数据可以表示为：

其中，

是这些点云数据的集合，

是该集合中有

个点云数据，

是表示序号，

表示点云数据

在三维直角坐标系中的空间坐标。

优选的，激光雷达采集来自多个时间点的多帧背景三维点云数据，例如每隔30分钟采集一帧背景三维点云数据，然后对这些多帧背景三维点云数据进行合并处理。

优选的，进行合并操作之前，确定各个时间点对应的多帧背景三维点云数据具有相同的参考坐标系，即每一帧背景三维点云数据共用同一个参考坐标系，保证这些数据的空间统一性。

优选的，如图2所示，以第一帧背景三维点云数据101为参考，图中示意以立方体所在区域为激光雷达监测的空间区域，其中的一个黑点表示空间位置上的一个点云数据D1。第二帧背景三维点云数据102中的各点与第一帧背景三维点云数据101中的各点对应进行临近距离比较，就是将第二帧背景三维点云数据102中的任意一点，称之为后继比较点，如图2中D2所示，在第一帧背景三维点云数据101中找到与该后继比较点D2距离最近的一个点云数据，称之为临近比较点，如图2中D3所示，如果后继比较点D2和临近比较点D3的距离小于设定的距离门限值，则第二帧背景三维点云数据中，该后继比较点将被等同于第一帧背景三维点云数据中临近的那个临近比较点；如果二者的距离大于或等于设定的距离门限值，优选的，该门限值为0.5米，则第二帧背景三维点云数据中该后继比较点对应的点云数据，将被视为一个新的点云数据，称之为新增点。

因此，在第一帧背景三维点云数据101和第二帧背景三维点云数据102合并时，这个新增加的点云数据，将被增加到第一帧背景三维点云数据101中，从而得到一个背景三维点云数据集11。

然后，当有后续时间点对应的第三帧背景三维点云数据到来后，则与最新得到的背景三维点云数据集为参考，进行点云数据的比较处理，以及进一步确定是否增加新的点云数据到背景三维点云数据集，如果增加，则进一步更新背景三维点云数据集。如此类推，得到最终的背景三维点云数据集。

因此，在步骤S12中，利用所述背景三维点云数据，构建背景三维点云模型的方法中，包括以第一帧背景三维点云数据所在坐标系为基准，将其后其他多帧背景三维点云数据中的非重复点，这里的非重复点是指与邻近的最近点的距离大于设定的距离门限值，补充入第一帧背景三维点云数据中，最终形成背景三维点云数据集，以增加后续背景建模的数据丰富度。

进一步优选的，构建背景三维点云模型的方法中还包括：激光雷达采集在不同气象条件下的背景三维点云数据，如下雨、下雾、下霾、下雪、大风、扬尘等气象条件下的背景三维点云数据，主要是这种气象条件下，监视区域内会出现雨、雪、风吹漂浮物等与一般气象条件下的背景三维点云数据不同，例如雨水会在轨道面附近形成积水、雪会堆积到轨道面等。因此，将特定气象条件下的背景三维点云数据与已有的背景三维点云数据集进行合并处理，构建得到特定气象条件下的背景三维点云数据集，包括雨、雪、雾、霾、风、扬尘气象条件下的背景三维点云数据集。

应用时，可以根据气象条件不同，选择对应气象条件下的背景三维点云数据集，由此可以更具有针对性，也能够有效降低特定气象条件下的虚警概率，同步提升异物监测准确率。

优选的，对于特定气象条件下的背景三维点云数据与已有的背景三维点云数据集进行合并处理的方法，包括在已有的背景三维点云数据集增加点云数据，例如增加雨雪产生的背景点云数据，在已有的背景三维点云数据集中添加间距为R的点云数据，R的选择可以不同的气象条件而定。

具体的，假设背景三维点云数据集对应的激光雷达覆盖监测区域在水平方向范围为Lx，竖直方向范围为Ly，深度范围为Lz，以R为间隔增加点云数据，增加的点云数据数量为：

。优选的，R值为0.5米。

优选的，在步骤S12中，所述构建背景三维点云模型的方法进一步包括对所述背景三维点云数据集进行下采样，降低数据量。也就是说，在构建背景三维点云模型时，其中的原始点云数据较多时，可以去除密集排布的点云数据。

优选的，在进行下采样之前，先对所述背景三维点云数据集进行点云分布密度测算，根据测算结果确定不同区域的点云数据密度值，进而对不同区域选择不同的下采样率。优选的，可以使得最终各区域经过下采样后，得到一致的点云数据分布密度。如图3所示，在该背景三维点云数据集11中，包括三个点云数据区域C1、C2和C3，显然这三个区域中的点云数据的分布密度不同，因此先经过点云数据的分布密度测算后，可以得到对应的点云数据密度值，由此有针对性的确定下采样处理的采样率，使得最终得到的经过下采样处理后的背景三维点云数据集具有一致的点云分布密度，由此可以降低后续数据处理的数据量，有利于提高处理速度。

优选的，在进行下采样之前，还包括过滤孤立点，对背景三维点云数据集过滤孤立点，即剔除背景三维点云数据集中的离散点。如图3中的孤立点D1，可以通过测量各点云数据相对于临近点云数据的距离，如果距离明显大于设定的最大距离门限值，则可以判断为孤立点。

以上确定了背景三维点云数据集的点云数据分布和点云数据量，根据所需检测的区域范围还有进一步的处理，包括：

优选的，如图3所示，按照所需监测区域确定一个或多个三维包围区域，如三个包围区域C1、C2和C3，过滤掉除了这些三维包围区域以外的非监测区域的点云数据，进一步细化形成所需的背景三维点云数据集。

进一步的，如图4所示，在空间上对所述背景三维点云数据集进行区域分割，包括确定接触网和铁轨轨面间的分割面C4，该分割面既可以是一个平面，也可以是一个曲面。图4中，该分割面C4之上区域为接触网区域，之下为铁轨轨面区域。分割面一般为规整平面，特定场景下，如：山路、陡坡场景下，亦可为弯曲曲面，为异物监测提供着重区域划分。

优选的，分割面是根据监控区域而划定，优选的，选择接触网最下端平面和铁轨轨面之间间距的中心点所在的平面，作为分割面C4。

优选的，针对于每一个三维包围区域，对所述背景三维点云数据集中的各个点云数据在直角坐标系的三个主方向归一化处理，就是分别将该三维包围区域的水平方向范围Lx，竖直方向范围Ly，深度范围Lz为参考，将其中的点云数据中的三个坐标值，分别以这三个主方向的范围为分母进行相除，得到的比值就是归一化处理的结果。点云数据归一化处理，可使后期的检测过程会更加高效，更容易正确的收敛到最优解。

以及，还进一步计算每个点在三个主方向上的投影，得到该三维包围区域的投影范围

，其中xs表示该投影范围在x轴投影的最小值，xe表示该投影范围在x轴投影的最大值；ys表示该投影范围在y轴投影的最小值，ye表示该投影范围在y轴投影的最大值；zs表示该投影范围在z轴投影的最小值，ze表示该投影范围在z轴投影的最大值。

通过以上对所述背景三维点云数据集的处理，包括下采样处理、区域分割处理和/或三维包围区域投影处理等方法，最终构建得到背景三维点云模型。

优选的，在步骤S13中，获取实时三维点云数据并传输至计算终端进行实时处理包括：

实时采集时间长度为T秒的实时三维点云数据，形成有多个实时三维点云数据，对实时三维点云数据过滤孤立点和进行下采样，过滤孤立点和下采样的方法参考前述说明，这里不再赘述。

以及进一步利用所述背景三维点云数据集中确定的三维包围区域，对实时三维点云数据进行过滤操作。优选的，对每个三维点云数据

向直角坐标系的三个主方向进行投影,投影后的值分别为

，若其在一个选定的三维包围区域的投影范围

内，即：

，则保留该三维点云数据p，形成实时处理后的实时三维点云数据集。

其中，采集时长T由激光雷达性能决定，即该雷达采集到覆盖范围内完整点云信息的最小时间，优选的，T设置为3秒。

优选的，在步骤S14中，将所述实时三维点云数据集与所述背景三维点云模型进行对比处理包括步骤：

S141：背景差分处理，如图5所示，将实时三维点云数据集31与背景三维点云模型21进行差分运算，即实时三维点云数据集31中的每个实时三维点云数据，以半径r搜索，查找背景三维点云模型21中是否包含该实时三维点云数据，将未能在背景三维点云模型中搜索到的实时三维点云数据合并在一起，得到差分三维点云数据集41。

S142：聚类处理，对差分三维点云数据集41进行聚类，将差分三维点云数据集41聚类成包括一个或多个三维包围区域的三维点云数据子集。这里的三维包围区域是作为异物识别对象而聚类收集到该三维点云数据子集。聚类方法采用基于欧式距离或基于密度的聚类方法。

图5中，实时三维点云数据集31中的点云数据三维包围区域C1、C2、C3，在背景三维点云模型21存在，通过差分处理，这三部分点云数据三维包围区域将会被去掉，得到的差分三维点云数据集41，将其中剩余的点云数据聚类得到Z1和Z2两个三维包围区域。而对于两个三维包围区域Z1和Z2，也是会随时间变化而动态更新变化，以及也会增加新的聚类的三维包围区域，或减少聚类后的三维包围区域。

优选的，在步骤S14中，所述进行动态建模和识别更新包括：

对聚类后的三维点云数据子集进行动态建模。令当前经过聚类得到的三维点云数据子集为第一聚类子集Sj，令下一个临近时刻经过聚类得到的三维点云数据子集为第二聚类子集Si，其每个聚类子集中均包括一个或多个三维包围区域，而每个三维包围区域内包含点云数据、点云数据出现次数和点云数据增加的时间。上述临近时刻可以是以0.5秒、1秒等为时间间隔进行实时更新三维点云数据子集，前一时刻的三维点云数据子集即为第一聚类子集Sj，下一个临近时刻的三维点云数据子集即为第二聚类子集Si。

进一步的，将第一聚类子集Sj中的各个三维包围区域中的点云数据，与第二聚类子集Si中的各个三维包围区域中的点云数据，进行比较判断。

若第一聚类子集Sj与第二聚类子集Si中存在重叠的三维包围区域，则将这两个三维包围区域合并处理，形成一个更新后的三维包围区域，对应的更新次数增加1，该三维包围区域出现的时间保持不变，就是认为还是已有存在的三维包围区域。

若第一聚类子集Sj与第二聚类子集Si中存在不重叠的三维包围区域，则将第二聚类子集Si中新出现的三维包围区域加入到第一聚类子集Sj中，并记其出现次数为1，添加的出现时间为第二聚类子集Si对应的采集时间。

为了便于理解，参考图6，其中差分三维点云数据集41对应的就是第一聚类子集Sj，差分三维点云数据集42对应的就是第二聚类子集Si。其中，对于三维包围区域Z1在前后相邻的这两个子集中，属于重叠的三维包围区域，因此对更新次数增加1。同样，三维包围区域Z2也具有这样的特点。而对于三维包围区域Z3，则属于这两个相邻子集中不重叠的三维包围区域，属于新出现的三维包围区域，对该区域计为出现次数为1，对应出现的时间为第二聚类子集Si对应的采集时间。那么，对于三维包围区域Z3在下一个子集中，可能就属于和前一个子集重叠的三维包围区域，则对应更新次数增加1，也有可能该三维包围区域不存在了，则可以认为是临时出现的噪声点。

图6中的三维包围区域Z1、Z2、Z3中的点云数据的数量是示意表示，可以是一个点云数据，也可以是多个点云数据。

当对第一聚类子集Sj与第二聚类子集Si中所有的三维包围区域按照上述方法进行处理后，则对经过更新后的第一聚类子集Sj中的所有三维包围区域进行迭代访问，当其中一个三维包围区域出现的时间与当前系统的时间之间的差值大于设定的时差门限TTime，且三维包围区域出现次数为1时，认为该点可能是噪声点，将该三维包围区域从当前更新后的第一聚类子集Sj中删除，以免造成误检，完成第一聚类子集Sj的动态建模与更新。

优选的，TTime设置包括1秒、2秒、5秒、10秒、20秒、30秒，即是使用第二聚类子集Si，与前30秒内的第一聚类子集Sj进行动态建模，以过滤有雷达误差，运动残影，设备晃动等产生的异常点云数据。

进一步优选的，在步骤S14之后，还可以进一步包括步骤S15，对异物的识别排除处理，包括列车过滤处理和飞鸟过滤处理。

优选的，遍历第一聚类子集Sj，当其中一个三维包围区域出现次数超过N时，N优选取值为2，则对该三维包围区域进行分析，包括：

计算其包含的三维点云数据的三维尺寸信息，当其高度超过铁轨轨面H1米时，且其距离接触网最下端点云的距离超过H2米时，则判定为列车。H1优选取值为1米，H2优选取值为0.2米。

当其中一个三维包围区域在接触网监测区域时，在接触网对应的点云数据竖直向上距离为H3米的范围内，若存在三维包围区域的点云数据，则判定该三维包围区域为飞鸟。由于飞鸟可以灵活飞行，能够自主规避列车，故不计入告警识别目标，以免工务人员频繁确认告警。否则，其他情况需要判定为入侵异物，系统发出告警。

基于同一构思，本发明还包括基于三维点云数据的铁轨异物入侵实时监测系统，包括临近铁轨设置的激光雷达，所述激光雷达通信连接到计算终端，所述计算终端接收来自激光雷达采集的背景三维点云数据，构建背景三维点云模型；以及，获取来自激光雷达采集的实时三维点云数据进行实时处理，得到实时三维点云数据集；将所述实时三维点云数据集与所述背景三维点云模型进行对比处理，得到差分三维点云数据集，对差分三维点云数据集进行聚类处理，得到包括一个或多个三维包围区域的三维点云数据子集；对三维点云数据子集中的三维包围区域进行动态建模和识别更新，识别判断是否为入侵异物。该系统实现前述的监测方法，这里不再赘述。

进一步的，如图7所示，所述计算终端包括背景建模模块51、实时检测模块52、差分模块53、聚类模块54、识别模块55和过滤模块56。其中，背景建模模块51，用于把激光雷达对监测区域采集的背景三维点云数据，构建为背景三维点云模型；实时检测模块52，用于把激光雷达对监测区域实时采集的实时三维点云数据，进行实时处理，得到实时三维点云数据集；差分模块53，用于将所述实时三维点云数据集与所述背景三维点云模型进行对比处理，得到差分三维点云数据集；聚类模块54，用于对差分三维点云数据集41进行聚类，得到包括一个或多个三维包围区域的三维点云数据子集；识别模块55，用于对三维点云数据子集中的三维包围区域进行动态建模和更新，识别判断是否为入侵异物；过滤模块56，用于识别排除不会造成危险事故的常规异物事件监测。以上这些模块的作用和工作机理，在前述的监测方法中均对应有详细说明，这里不再赘述。

由此可见，本发明公开了一种基于三维点云数据的铁轨异物入侵实时监测方法和系统。该方法包括临近铁轨设置有激光雷达，对监测区域进行背景探测，获取背景三维点云数据，并传输至计算终端；在计算终端，利用所述背景三维点云数据，构建背景三维点云模型；所述激光雷达对监测区域进行实时探测，获取实时三维点云数据，并传输至计算终端进行实时处理，得到实时三维点云数据集；将所述实时三维点云数据集与所述背景三维点云模型进行对比处理，得到异物点云数据，对其进行动态建模和识别更新。该方法具有识别准确率高，实施方便，推广应用价值高。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于三维点云数据的铁轨异物入侵实时监测方法，其特征在于，包括步骤：

计算终端接收来自激光雷达采集的背景三维点云数据，所述激光雷达用于临近铁轨设置，对监测区域进行探测；

所述计算终端利用所述背景三维点云数据，构建背景三维点云模型；

所述计算终端接收来自所述激光雷达对监测区域实时探测的实时三维点云数据，进行实时处理后，得到实时三维点云数据集；

将所述实时三维点云数据集与所述背景三维点云模型进行对比处理，得到差分三维点云数据集，对差分三维点云数据集进行聚类处理，得到包括一个或多个三维包围区域的三维点云数据子集；对三维点云数据子集中的三维包围区域进行动态建模和识别更新，识别判断是否为入侵异物。

2.根据权利要求1所述的基于三维点云数据的铁轨异物入侵实时监测方法，其特征在于，所述激光雷达采集来自不同时间点对应的多帧背景三维点云数据，以第一帧背景三维点云数据所在坐标系为基准，将其后其他多帧背景三维点云数据中的非重复点，补充入第一帧背景三维点云数据中，形成背景三维点云数据集。

3.根据权利要求2所述的基于三维点云数据的铁轨异物入侵实时监测方法，其特征在于，还包括将不同气象条件下的背景三维点云数据与已有的背景三维点云数据集进行合并处理，构建得到不同气象条件下的背景三维点云数据集。

4.根据权利要求2或3所述的基于三维点云数据的铁轨异物入侵实时监测方法，其特征在于，按照所需监测区域确定一个或多个三维包围区域，过滤掉所述三维包围区域以外的点云数据，进一步细化所述背景三维点云数据集。

5.根据权利要求4所述的基于三维点云数据的铁轨异物入侵实时监测方法，其特征在于，构建背景三维点云模型包括对所述背景三维点云数据集进行下采样处理。

6.根据权利要求4所述的基于三维点云数据的铁轨异物入侵实时监测方法，其特征在于，所述实时三维点云数据集与所述背景三维点云模型进行对比处理包括：

背景差分处理，将所述实时三维点云数据集与所述背景三维点云模型进行差分运算，即实时三维点云数据集中的每个实时三维点云数据，以半径r搜索，查找背景三维点云模型中是否包含该实时三维点云数据，将未能在所述背景三维点云模型中搜索到的实时三维点云数据合并在一起，得到差分三维点云数据集。

7.根据权利要求6所述的基于三维点云数据的铁轨异物入侵实时监测方法，其特征在于，所述动态建模和识别更新包括：

对聚类后的三维点云数据子集进行动态建模，令当前经过聚类得到的三维点云数据子集为第一聚类子集Sj，令下一个临近时刻经过聚类得到的三维点云数据子集为第二聚类子集Si；

将第一聚类子集Sj中的各个三维包围区域中的点云数据，与第二聚类子集Si中的各个三维包围区域中的点云数据，进行比较判断；

若第一聚类子集Sj与第二聚类子集Si中存在重叠的三维包围区域，则将这两个三维包围区域合并处理，形成一个更新后的三维包围区域，对应的更新次数增加1，该三维包围区域出现的时间保持不变；

若第一聚类子集Sj与第二聚类子集Si中存在不重叠的三维包围区域，则将第二聚类子集Si中新出现的三维包围区域加入到第一聚类子集Sj中，并记其出现次数为1，添加的出现时间为第二聚类子集Si对应的采集时间。

8.根据权利要求7所述的基于三维点云数据的铁轨异物入侵实时监测方法，其特征在于，还进一步包括对入侵异物的识别过滤处理，包括列车过滤处理和飞鸟过滤处理。

9.一种基于三维点云数据的铁轨异物入侵实时监测系统，其特征在于，包括临近铁轨设置的激光雷达，所述激光雷达通信连接到计算终端，所述计算终端接收来自激光雷达采集的背景三维点云数据，构建背景三维点云模型；以及，所述计算终端获取来自激光雷达采集的实时三维点云数据进行实时处理，得到实时三维点云数据集；

将所述实时三维点云数据集与所述背景三维点云模型进行对比处理，得到差分三维点云数据集，对差分三维点云数据集进行聚类处理，得到包括一个或多个三维包围区域的三维点云数据子集；对三维点云数据子集中的三维包围区域进行动态建模和识别更新，识别判断是否为入侵异物。

10.根据权利要求9所述的基于三维点云数据的铁轨异物入侵实时监测系统，其特征在于，所述计算终端包括：

背景建模模块，用于把激光雷达对监测区域采集的背景三维点云数据，构建为背景三维点云模型；

实时检测模块，用于把激光雷达对监测区域实时采集的实时三维点云数据，进行实时处理，得到实时三维点云数据集；

差分模块，用于将所述实时三维点云数据集与所述背景三维点云模型进行对比处理，得到差分三维点云数据集；

聚类模块，用于对差分三维点云数据集进行聚类，得到包括一个或多个三维包围区域的三维点云数据子集；

识别模块，用于对三维点云数据子集中的三维包围区域进行动态建模和更新，识别判断是否为入侵异物；

过滤模块，用于识别排除不会造成危险事故的常规事件监测。

Images