CN115439773A - 一种基于3d成像技术的接触网定位支柱识别方法 - Google Patents

一种基于3d成像技术的接触网定位支柱识别方法 Download PDF

Info

Publication number
CN115439773A
CN115439773A CN202210902418.6A CN202210902418A CN115439773A CN 115439773 A CN115439773 A CN 115439773A CN 202210902418 A CN202210902418 A CN 202210902418A CN 115439773 A CN115439773 A CN 115439773A
Authority
CN
China
Prior art keywords
point cloud
cloud data
positioning
strut
imaging technology
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.)
Pending
Application number
CN202210902418.6A
Other languages
English (en)
Inventor
周蕾
熊昊睿
张金鑫
李想
高雄杰
刘欢
牛林斌
陈强
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.)
Chengdu Tangyuan Electric Co Ltd
Original Assignee
Chengdu Tangyuan Electric Co Ltd
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 Chengdu Tangyuan Electric Co Ltd filed Critical Chengdu Tangyuan Electric Co Ltd
Priority to CN202210902418.6A priority Critical patent/CN115439773A/zh
Publication of CN115439773A publication Critical patent/CN115439773A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于3D成像技术的接触网定位支柱识别方法，包括以下步骤：S1、对支柱区域粗定位，得到支柱区域；S2、对支柱区域进行二次判断；S3、根据二次判断结果输出支柱相关属性信息。利用三维点云特征的支柱识别：本发明相比二维图像而言，利用三维点云整体判断更为快速准确。采用二次判断方法：本发明提供的二次判断方法，是在粗定位的技术上进行了精细化的判断，避免由于初定位异常而带来的识别误差。支柱属性判断：本发明是在识别到支柱的前提下而进行的附加判断用于间接的输出支柱的几何关系情况。

Description

一种基于3D成像技术的接触网定位支柱识别方法
技术领域
本发明涉及轨道交通接触网支柱检测技术领域，具体为一种基于3D成像技术的接触网定位支柱识别方法。
背景技术
目前对于接触网定位支柱的识别技术，主要是基于二维图像结合图像识别的方式实现的。图像识别主要是采用是两种模式：1、利用传统的图像处理技术对输入图像进行滤波、二值化及边缘检测处理结合支柱的几何特征进行识别，在实际的应用中二维图像中背景干扰较大，干扰与目标对比度相近，区分存在难度，同时由于二维图像在距离不同的环境下，目标的状态存在差异，多数体现在目标的大小上，这样对传统图像处理而言参数设置存在不稳定性，因此识别误差较大。2、利用深度学习的方式，深度学习过分依赖样本，样本集的数量以及种类对预测的结果影响较大，引起误差。以上方法不利于接触网定位支柱的精确识别。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于3D成像技术的接触网定位支柱识别方法解决了接触网定位支柱无法精确识别的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于3D成像技术的接触网定位支柱识别方法，包括以下步骤：
S1、对支柱区域粗定位，得到支柱区域，其包括将模板点云数据和待测点云数据的关键点特征描述的配准计算，并输出匹配结果；
S2、通过计算所述支柱区域的几何位置关系，并与模板点云数据的几何位置关系进行对比，对支柱区域进行二次判断；
S3、根据二次判断结果输出定位支柱相关属性信息。
进一步地：所述步骤S1的具体步骤为：
S11、对只含有支柱区域的模板点云数据依次进行采样、关键点提取和关键点特征描述处理；
对待测点云数据依次进行采样、聚类、关键点提取和关键点特征描述处理；
S12、将模板点云数据的关键点特征描述与待测点云数据的关键点特征描述进行配准计算，并输出匹配结果。
进一步地：所述聚类包括：
对所述待测点云数据进行降采样操作；
使用DBSCAN密度聚类方法，将待测点云数据分割成多个簇得到点云簇；
通过点云簇的外接立方体的几何属性过滤干扰点云，根据支柱的区域的默认参数获取支柱区域的点云簇。
进一步地：所述关键点提取采用Harris提取方法，所述关键点特征描述采用PFH，所述配准计算采用KD-TREE最近邻查询方法。
进一步地：所述匹配结果，包括：
所述待测点云数据相对于所述模板点云数据的坐标关系，其中坐标关系包括三个坐标轴平面的夹角和三个方向的偏移。
进一步地：所述步骤S2的具体步骤为：
S21、输入所述匹配结果，对待测点云数据进行坐标转换，并对转换后的数据进行ROI确定，计算关联区域的几何位置关系；
S22、将模板点云数据中ROI区域及几何位置关系输入与关联区域的几何位置关系进行几何位置关系对比，输出定位支柱的距离信息。
进一步地：所述模板点云数据中ROI区域为支柱的附属结构的外接立方体，所述几何位置关系为附属结构与支柱主体的关系。
进一步地：所述步骤S21具体为：
S211、输入匹配结果，即待测数据相对于模板的位姿变化三个坐标轴平面的夹角θxoy、θxoz、θzoy和三个方向的偏移xo、yo、zo；
S212、通过θxoy、θxoz、θzoy、xo、yo、zo将所述待测点云数据变换到所述模板点云数据的位置上，记为Cloud1；
S213、利用ROI的外接立方体分割Cloud1，再次计算每一个立方体内的点云数据的投影平面，计算各个投影平面的关系。
进一步地：所述步骤S22具体为：将各个投影平面的关系与所述模板点云数据中的位置关系作对比，当对比结果满足一定阈值时，则当前待测点云数据为定位支柱，并输出定位支柱的距离信息。
进一步地：所述步骤S3具体为：从支柱区域的ROI立方体中计算的投影信息，判断出支柱的几何关系，从而判断出支柱是否存在变形等异常情况。
本发明的有益效果为：
1、利用三维点云特征的支柱识别：本发明相比二维图像而言，利用三维点云整体判断更为快速准确。
2、采用二次判断方法：本发明提供的二次判断方法，是在粗定位的技术上进行了精细化的判断，避免由于初定位异常而带来的识别误差。
3、支柱属性判断：本发明是在识别到支柱的前提下而进行的附加判断用于间接的输出支柱的几何关系情况。
附图说明
图1为本发明流程图；
图2为本发明步骤S1的流程图；
图3为本发明步骤S2的流程图。
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。
如图1所示，一种基于3D成像技术的接触网定位支柱识别方法，包括以下步骤：
S1、对支柱区域粗定位，得到支柱区域，其包括将模板点云数据和待测点云数据的关键点特征描述的配准计算，并输出匹配结果；具体步骤如图2所示，为：
S11、对支柱粗定位的模板点云进行采样，对待测点云数据进行采样和聚类，对采样结果进行关键点提取，并对关键点进行特征描述；
其中支柱粗定位的模板点云是预先准备的只含有支柱区域的点云数据，其采样、关键点提取、关键点特征描述与待测点云的处理方法一致。
对于待测数据处理，首先对点云数据进行降采样操作，然后使用DBSCAN密度聚类方法，将点云数据分割成多个簇，最后通过点云簇的外接立方体的几何属性过滤干扰点云，根据支柱的区域的默认参数获取支柱区域的点云簇。此流程为了降低配准时间，提高效率。
本发明中关键点提取采用的Harris提取方法，关键点的特征描述采用的是PFH(点特征直方图)，特征配准采用的是KD-TREE最近邻查询。
S12、将模板点云数据的关键点特征描述与待测点云数据的关键点特征描述进行配准计算，并输出匹配结果。
S2、通过计算所述支柱区域的几何位置关系，并与模板点云数据的几何位置关系进行对比，对支柱区域进行二次判断；具体步骤如图3所示，为：
S21、输入匹配结果，对待测数据进行坐标转换，并对转换后的数据进行ROI确定，计算关联区域的几何位置关系；
S22、通过模板点云数据中ROI区域及几何位置关系输入与关联区域的几何位置关系进行几何位置关系对比，输出定位支柱的距离信息。
其中模板点云数据中ROI区域即为支柱的附属结构的外接立方体，几何位置关系即为附属结构与支柱主体的关系，例如角度、交点、距离等几何信息。
二次判断的主要过程是首先利用步骤1中得到的配准结果，即待测数据相对于模板的位姿变化三个坐标轴平面的夹角θxoy、θxoz、θzoy和三个方向的偏移xo、yo、zo，通过上述的六个参数将待测点云数据变换到模板数据的位置上，记为Cloud1，其次将利用ROI的外接立方体分割Cloud1，再次计算每一个立方体内的点云数据的投影平面，计算各个投影平面的关系，最后与模板的位置关系作对比，满足一定阈值，则当前识别数据为支柱。
S3、根据二次判断结果输出支柱相关属性信息。
从支柱区域的ROI立方体中计算的投影信息，可以间接的判断出支柱的几何关系，从而可以判断出支柱是否存在变形等异常情况。例如理想情况下支柱与水平面是垂直的关系，当计算出支柱平面与水平面的角度非90度，则判断支柱存在形变。同时还可以从3D点云数据中识别支柱附属结构的缺陷，结构件破损、关键部件缺失、松脱等。
利用三维点云特征的支柱识别。相比二维图像而言，利用三维点云整体判断更为快速准确。
二次判断方法。本发明提供的二次判断方法，是在粗定位的技术上进行了精细化的判断，避免由于初定位异常而带来的识别误差。
支柱属性判断，是在识别到支柱的前提下而进行的附加判断用于间接的输出支柱的几何关系情况。

Claims (10)

1.一种基于3D成像技术的接触网定位支柱识别方法，其特征在于，包括以下步骤：
S1、对支柱区域粗定位，得到支柱区域，其包括将模板点云数据和待测点云数据的关键点特征描述的配准计算，并输出匹配结果；
S2、通过计算所述支柱区域的几何位置关系，并与模板点云数据的几何位置关系进行对比，对支柱区域进行二次判断；
S3、根据二次判断结果输出定位支柱相关属性信息。
2.根据权利要求1所述的基于3D成像技术的接触网定位支柱识别方法，其特征在于，所述步骤S1的具体步骤为：
S11、对只含有支柱区域的模板点云数据依次进行采样、关键点提取和关键点特征描述处理；
对待测点云数据依次进行采样、聚类、关键点提取和关键点特征描述处理；
S12、将模板点云数据的关键点特征描述与待测点云数据的关键点特征描述进行配准计算，并输出匹配结果。
3.根据权利要求2所述的基于3D成像技术的接触网定位支柱识别方法，其特征在于，所述聚类包括：
对所述待测点云数据进行降采样操作；
使用DBSCAN密度聚类方法，将待测点云数据分割成多个簇得到点云簇；
通过点云簇的外接立方体的几何属性过滤干扰点云，根据支柱的区域的默认参数获取支柱区域的点云簇。
4.根据权利要求2所述的基于3D成像技术的接触网定位支柱识别方法，其特征在于，所述关键点提取采用Harris提取方法，所述关键点特征描述采用PFH，所述配准计算采用KD-TREE最近邻查询方法。
5.根据权利要1所述的基于3D成像技术的接触网定位支柱识别方法，其特征在于，所述匹配结果，包括：
所述待测点云数据相对于所述模板点云数据的坐标关系，其中坐标关系包括三个坐标轴平面的夹角和三个方向的偏移。
6.根据权利要求5所述的基于3D成像技术的接触网定位支柱识别方法，其特征在于，所述步骤S2的具体步骤为：
S21、输入所述匹配结果，对待测点云数据进行坐标转换，并对转换后的数据进行ROI确定，计算关联区域的几何位置关系；
S22、将模板点云数据中ROI区域及几何位置关系输入与关联区域的几何位置关系进行几何位置关系对比，输出定位支柱的距离信息。
7.根据权利要求6所述的基于3D成像技术的接触网定位支柱识别方法，其特征在于，所述模板点云数据中ROI区域为支柱的附属结构的外接立方体，所述几何位置关系为附属结构与支柱主体的关系。
8.根据权利要求7所述的基于3D成像技术的接触网定位支柱识别方法，其特征在于，所述步骤S21具体为：
S211、输入匹配结果，即待测点云数据相对于模板的位姿变化三个坐标轴平面的夹角θxoy、θxoz、θzoy和三个方向的偏移xo、yo、zo；
S212、通过θxoy、θxoz、θzoy、xo、yo、zo将所述待测点云数据变换到所述模板点云数据的位置上，记为Cloud1；
S213、利用ROI的外接立方体分割Cloud1，再次计算每一个立方体内的点云数据的投影平面，计算各个投影平面的关系。
9.根据权利要求7所述的基于3D成像技术的接触网定位支柱识别方法，其特征在于，所述步骤S22具体为：将各个投影平面的关系与所述模板点云数据中的位置关系作对比，当对比结果满足一定阈值时，则当前待测点云数据为定位支柱，并输出定位支柱的距离信息。
10.根据权利要求1所述的基于3D成像技术的接触网定位支柱识别方法，其特征在于，所述步骤S3具体为：从定位支柱的ROI立方体中计算的投影信息，判断出定位支柱的几何关系，从而判断出定位支柱是否存在变形异常情况。
CN202210902418.6A 2022-07-29 2022-07-29 一种基于3d成像技术的接触网定位支柱识别方法 Pending CN115439773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210902418.6A CN115439773A (zh) 2022-07-29 2022-07-29 一种基于3d成像技术的接触网定位支柱识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210902418.6A CN115439773A (zh) 2022-07-29 2022-07-29 一种基于3d成像技术的接触网定位支柱识别方法

Publications (1)

Publication Number Publication Date
CN115439773A true CN115439773A (zh) 2022-12-06

Family

ID=84241931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210902418.6A Pending CN115439773A (zh) 2022-07-29 2022-07-29 一种基于3d成像技术的接触网定位支柱识别方法

Country Status (1)

Country Link
CN (1) CN115439773A (zh)

Similar Documents

Publication Publication Date Title
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
WO2024077812A1 (zh) 基于点云语义分割与结构拟合的单体建筑三维重建方法
CN111915677A (zh) 一种基于三维点云特征的船舶位姿估计方法
CN103473785B (zh) 一种基于三值化图像聚类的快速多目标分割方法
CN109241901B (zh) 一种对具有孔洞的三维点云的检测与识别方法
CN111340855A (zh) 一种基于轨迹预测的道路移动目标检测方法
CN107818598B (zh) 一种基于视觉矫正的三维点云地图融合方法
CN111915583A (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN113989308B (zh) 一种基于霍夫变换与模板匹配的多边形目标分割方法
CN114492619A (zh) 一种基于统计和凹凸性的点云数据集构建方法及装置
CN110490915B (zh) 一种基于卷积受限玻尔兹曼机的点云配准方法
CN109325487B (zh) 一种基于目标检测的全种类车牌识别方法
CN117475170B (zh) 基于fpp的由局部到全局结构引导的高精度点云配准方法
CN110246165B (zh) 提高可见光图像与sar图像配准速度的方法及系统
CN109829459B (zh) 基于改进ransac的视觉定位方法
Xin et al. Accurate and complete line segment extraction for large-scale point clouds
CN113538585A (zh) 基于无人机的高精度多目标智能识别定位追踪方法及系统
WO2024125434A1 (zh) 基于区域一致性的建筑物主角度修正方法
CN114283199B (zh) 一种面向动态场景的点线融合语义slam方法
CN115439773A (zh) 一种基于3d成像技术的接触网定位支柱识别方法
CN117745780A (zh) 一种基于孤立簇去除的室外大场景3d点云配准方法
CN117629215A (zh) 一种基于单线激光雷达点云配准的底盘充电回桩方法
CN117037000A (zh) 一种基于无人机高清影像的斜坡结构面自动解译方法
CN116469092A (zh) 基于DBSCAN算法的自适应Alpha Shapes轮廓提取方法
CN113837088A (zh) 一种基于语义扫描上下文的点云场景重识别方法

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