CN116030289A - 基于激光雷达的铁路危情监测方法 - Google Patents
基于激光雷达的铁路危情监测方法 Download PDFInfo
- Publication number
- CN116030289A CN116030289A CN202310057238.7A CN202310057238A CN116030289A CN 116030289 A CN116030289 A CN 116030289A CN 202310057238 A CN202310057238 A CN 202310057238A CN 116030289 A CN116030289 A CN 116030289A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- grid
- obstacle
- grids
- laser radar
- 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
Links
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了基于激光雷达的铁路危情监测方法,包括步骤:获取激光雷达单帧点云,提取防区内的点云数据作为第一目标点云;对第一目标点云进行预处理以去除噪声干扰,压缩点云数量得到第二目标点云;对第二目标点云进行栅格化处理,遍历所有栅格进行区域生长聚类,提取并输出栅格中的障碍物点云作为第三目标点云;将第三目标点云输入训练好的障碍物分类神经网络,得到障碍物的分类信息;输出分类信息和第三目标点云。本发明实现了对于各种情况下的激光雷达点云数据的过滤和聚类,能够避免是离雷达较远的障碍物因点云的系数而被分割为多类的情况,还能滤除极端天气下的雨雾及其他细小物体对激光雷达点云的噪声干扰。
Description
技术领域
本发明涉及轨道交通安全技术领域,尤其涉及基于激光雷达的铁路危情监测方法。
背景技术
针对高铁和旅客列车安全为重点的铁路周界安全监测是目前铁路安全领域的发展重点,涉及铁路周界的安全问题的发生具有突发性和偶然性,而传统的巡查、管控的工作模式已不能满足现阶段铁路运营安全需求,因此迫切需要先进的技术手段全面、及时的发现铁路周界环境安全隐患,减轻人工排查沿线隐患的工作量及难度,为列车的安全运行提供有力保障。
基于非接触障碍物检测技术的周界安全监测是目前较为先进的技术,其主要是基于两类传感器:激光雷达传感器和视觉传感,它们都是通过监测物体侵入过程中的遮挡从而实现监测。对于基于激光雷达的铁路周界安全监测,其获得监测数据是包含背景和障碍物的点云数据,为了对障碍物完成识别和处理,需要将障碍物从点云中分割出来,以便于单独处理。一方面,现有的障碍物分割方法很容易出现将目标与地面聚为一类,或是雨雾天气下,目标易与周边稀疏的点聚为一类。并且由于点云数据在不同距离处具有不同的点云密度,容易导致对较远目标的分割产生分裂。另一方面,基于激光雷达的铁路危情监测,除了要应对正常晴好天气,还要应对暴雨浓雾等极端天气的印象,在雨雾天气的影响下,激光雷达采集到的点云数据存在一些雨滴云雾的干扰数据,甚至出现地面水滴溅起被雷达采集的情况;在这些雨雾干扰下,导致算法检测得到的障碍物可能存在漏报或者误报;而传统的直通滤波、均匀采样滤波、统计离散点滤波只能简单的进行去噪平滑处理,对较大颗粒的噪声点云无法进行处理。
发明内容
为了解决上述技术问题,本发明提供的技术方案包括:
基于激光雷达的铁路危情监测方法,包括步骤:
S1、获取激光雷达单帧点云,提取防区内的点云数据作为第一目标点云;
S2、对所述第一目标点云进行预处理以去除噪声干扰,压缩点云数量得到第二目标点云;
S3、对所述第二目标点云进行栅格化处理,遍历所有栅格进行区域生长聚类,提取并输出栅格中的障碍物点云作为第三目标点云;
S4、将所述第三目标点云输入训练好的障碍物分类神经网络,得到障碍物的分类信息;
S5、输出分类信息和第三目标点云。
在一些较优的实施例中,步骤S2中所述预处理以去除噪声干扰的方法包括:
S201、以激光雷达为原点,采用半径自适应滤波法对第一目标点云进行滤波;
S202、以晴好天气下无障碍物的单帧点云为标定点云,利用分割算法和标定点云对滤波后的第一目标点云中的疑似障碍物进行分割;
S203、设置判定阈值,滤除分割后的疑似障碍物点云中的压缩点云数量颗粒噪声点云,完成雨雾噪声干扰的去除;所述判定阈值包括疑似障碍物最小长宽高值、点占比。
在一些较优的实施例中,步骤S201中的所述半径自适应滤波法包括步骤:
设置初始搜索圆半径R,设置每个激光点在搜索圆半径R内的邻域中至少包含的近邻点数量K;
对第一目标点云中每个点计算其自适应半径阈值R′=RλLXi,然后以R′为半径进行圆内邻近点搜索,保留圆内的点,删除圆外的点。
在一些较优的实施例中,步骤S2中所述压缩点云数量的方法包括:
根据单帧点云创建下采样最小立方栅格,设定栅格边长l,所述边长l与邻近点个数k成正比,与点云的平均密度成反比;
将预处理后第一目标点云划分到m*n*l个下采样最小立方栅格中,其中,m=ceil(Lx/l),n=ceil(Ly/l),z=ceil(Lz/l),Lx表示点云X轴方向最大范围,Ly表示点云Y轴方向最大范围,Lz表示点云Z轴方向最大范围;对于任一点pi,其所属下采样最小立方栅格号为(mpi,npi,lpi),
将下采样最小立方栅格号相同的点云数据分别归集为若干栅格点云集合;
依次计算各栅格点云集合的中心坐标,保留该中心坐标所代表的点云数据,删除该栅格内其他点云数据。
在一些较优的实施例中,步骤S3中所述栅格化处理的方法包括:以激光雷达为中心,建立球坐标系,球坐标系中任一点P的坐标:P(ρ、θ、φ),其中ρ为径向距离、θ为方位角、φ为极角;以Δρ、Δθ和Δφ来划分栅格。
在一些较优的实施例中,所述步骤S3包括:
S301、对所述第二目标点云进行栅格化处理,计算栅格中点云特征值,将特征值方差大于第一预设阈值的栅格,标记为多障碍栅格;
S302、遍历所有栅格,对多障碍栅格进行邻域栅格区域生长聚类,对其他栅格判断其是否存在障碍,若是,则标记为障碍栅格;
S303、提取多障碍栅格中的障碍物点云;
S304、遍历所有障碍栅格,进行栅格内区域生长聚类,并提取障碍栅格中的障碍物点云;
S305、判断障碍物点云特征值是否满足第二预设阈值,若是,则输出障碍物点云;
所述特征值包括栅格内点云的高度差,重心和方差。
在一些较优的实施例中,步骤S302中所述对其他栅格判断其是否存在障碍的方法包括:计算栅格内各点云的高度差是否小于预设高度差阈值,若是,则判定其存在障碍。
在一些较优的实施例中,所述区域生长聚类的方法包括:
依次遍历所有栅格,若栅格内点云数大于5,且点云间高度差大于高度差阈值,则将该栅格标记为种子栅格;
以种子栅格为中心,依次遍历其周边8邻域的栅格,寻找并标记其他种子栅格;
重复上面两个步骤,直至邻域栅格内不存在种子栅格,完成单个障碍物的聚类。
在一些较优的实施例中,还包括步骤:
S6、利用所述分类信息和第三目标点云重构障碍物真实三维图像,并通过交互装置展示和进行报警。
有益效果
本发明实现了对于各种情况下的激光雷达点云数据的过滤和聚类,能够避免是离雷达较远的障碍物因点云的系数而被分割为多类的情况,还能滤除极端天气下的雨雾及其他细小物体对激光雷达点云的噪声干扰,从而提高了障碍物分割点云分割、匹配和分类的效率和准确度,提高了监测精度、减少算力资源的占用和监测流程的耗时。
附图说明
图1为本发明一种较优实施例中的方法流程示意图;
图2为本发明一种较优实施例中激光雷达获取的单帧点云示意图;
图3为本发明另一种较优实施例中输出的第三目标点云示意图;
图4为本发明另一种较优实施例中的方法流程示意图;
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1所示,本发明提供了一种基于激光雷达的铁路危情监测方法,包括步骤:
S1、获取激光雷达单帧点云,如图2所示,提取防区内的点云数据作为第一目标点云。应当理解的是,对于轨道监测领域的激光雷达点云数据来说,其监测区域以及监测目标都较为固定,并且需要根据铁路管理部门的要求划分防区(也即周界区域),因此在获取激光雷达单帧点云数据时需要进行一系列的前置预处理步骤,如激光雷达的标定、检测区域的防区划分等,由于该部分内容不是本发明的重点,因此不再赘述,可以由本领域技术人员根据现有技术来进行预处理操作。
轨道监测区域以及监测目标都较为固定,对于这类固定存在的物体和目标,都可以将其视为背景,而不同于背景的其他点云数据,则可能是障碍物,因此,删除背景点可以减少后续计算的数据量。在本领域中,对于背景的处理主要采用背景差分的方法来进行,在一些较优的实施例中,给出了一种在进行背景差分时的较优判定条件,包括:存储一帧目标监测区域没有障碍物时的激光雷达点云作为标定背景点云,以标定背景点云为依据,对后续输入的每帧激光雷达点云进行最近邻搜索,并计算两点之间的距离,若距离小于10cm则认为其是背景点并删除,若距离大于10cm则认为是动态点并进行保留。具体的,所述最近邻搜索的方法由很多,本领域常用的包括BST、Kd-tree和Octree等算法,本发明不作具体的限制,可由本领域技术人员根据实际效果和需要进行选择。
S2、对所述第一目标点云进行预处理以去除噪声干扰,压缩点云数量得到第二目标点云。对于激光雷达监测来说,其噪声感染的来源主要分两类,一类是设备及其他设备带来的信号干扰,对这类干扰来说,本领域通常采用直通滤波、均匀采样滤波、统计离散点滤波等方式去除;另一类是由环境因素带来的物理干扰,例如极端天气下的雨雾、沙尘等细小颗粒干扰,对于此类干扰采用传统的滤波方式只能进行平滑处理,而无法达到较好的去除效果。在一些较优的实施例中,给出了一种较优的去除雨雾、沙尘等细小颗粒噪声干扰的方法,包括步骤:
S201、以激光雷达为原点,采用半径自适应滤波法对第一目标点云进行滤波;本领域技术人员应当知晓,传统的固定半径阈值R滤波针对点云数据统一处理;由于雷达点云具有近密远疏的特点,而使用固定的半径进行滤波时,对于近处和远处的点云滤波效果不一样。这样很容易导致远处的重要非噪声点被错误滤除。因此考虑使用自变量半径值进行滤波处理,具体包括:对于近处的点云半径设置较小,随着距离的增加,设置的半径阈值应越来越大。在监测系统搭建之初,激光雷达的坐标与监测目标(即轨道防区)的坐标系已经过标定和转换,因此,点云中任一点基于雷达的XYZ值为已知且能互相转换,考虑以X距离值作为自变量将半径值自适应化:R′=RλLXi,其中R为设置输入的半径阈值,LXi为第i个点到激光雷达的直线X距离;λ为邻阈半径系数。
在一些较优的实施例中,给出了一种实现半径滤波的具体方法:
设置初始搜索圆半径R,设置每个激光点在搜索圆半径R内的邻域中至少包含的近邻点数量K;所述初始搜索圆半径R和近邻点数量K可由本领域技术人员根据点云疏密程度进行具体设置,优选的K≥25,R≥5cm,优选的K=30,R=10cm。
计算第一目标点云中每个点到原点的X方向的距离LXi,计算邻阈半径系数λ,其中Lmin为第一目标点云中离原点最近的点的X方向距离,α为调整系数且α∈(0,1);应当理解的是,所述邻阈半径系数λ一般大于1,为了防止远处点云半径滤波的半自适应半径阈值R′过大,考虑设置调整系数α量限制邻阈半径系数λ过大。
对第一目标点云中每个点计算其自适应半径阈值R′=RλLXi,然后以R′为半径进行圆内邻近点搜索,保留圆内的点,删除圆外的点。
S202、以晴好天气下无障碍物的单帧点云为标定点云,利用分割算法和标定点云对滤波后的第一目标点云中的疑似障碍物进行分割;应当理解的是,如果在前序步骤中采用了下采样以压缩数据点数,那么经过滤波后的点云数据点数会进一步减少,此时可能会导致后续识别和分类步骤中的聚类监测时稀疏的点被忽略,因此,在一些较优的实施例中,考虑对目标点云进行上采样插值填充,内插目前拥有的点云数据,丰富原有的数据点。具体的可以采用移动最小二乘法(MLS,Moving Least Squares)进行插值处理。具体包括:
当大量离散数据的分布较为杂乱时,使用传统的最小二乘法,往往需要对数据进行分段拟合,此外还要避免相邻分段上的拟合曲线不连续不平滑的问题。而MLS法在处理相同问题时则不需要上述这些繁琐的步骤,简单易于实现。在MLS法中,需要在一组不同位置的节点(node)附近建立拟合曲线,每个节点都有自己的一组系数(aj(xnode)用于定义该位置附近拟合曲线的形态。因此,在计算某个节点附近的拟合曲线时,只需要计算该点的该组系数值(aj)即可。此外,每个节点的系数(aj)取值只考虑其邻近采样点,且距离节点越近的采样点贡献越大,对于位置较远的点则不予考虑。在本实施例中,通过计算邻域内拟合MLS局部曲面,然后根据曲面计算法线和点云间的插值坐标,最后将插值坐标映射到输入点云内,完成目标点云的上采样。
应当理解的是,本步骤中对疑似障碍物的分割是一个粗分割,目标是为了进一步减少后续步骤所需处理的点云数量,并对障碍物的大致范围有一个初步的划分,以加快后续步骤的运行,因此,此处的分割算法可以采用本领域常用的搜索最近邻的方法(包括BST、Kd-tree和Octree算法)、K-Means算法等,本发明对具体的分割方法不做进一步的限定,可由本领域技术人员根据实际需要进行选择和应用。
S203、设置判定阈值,滤除分割后的疑似障碍物点云中的压缩点云数量颗粒噪声点云,完成雨雾噪声干扰的去除;所述判定阈值包括疑似障碍物最小长宽高值、点占比。应当理解的是,分割后的疑似障碍物点云中不仅包含疑似障碍物的点云,还包含没有滤去的颗粒噪声,显然的,作为疑似障碍物的物理尺寸显然是要远大于颗粒的,因此,在一些较优的实施例中,通过设置疑似障碍物最小长宽高值作为判定阈值即可滤除颗粒噪声点云,优选的,所述最小长宽高值为15*15*15cm。在另一些较优的实施例中,经过前述的噪声去除和分割操作后,整个点云的点数量会被减少,但是对于可能的障碍物来说,其被减少的点数一般不会超过原始点数的一半,此时可以考虑设置点占比来衡量目标对象是否为雨雾或其他干扰噪声,具体包括:目标对象在第三目标点云中的点数与在第一目标点云中的点数的点占比(点数占比值),小于该点占比的判定为雨雾或干扰噪声,大于该点占比的判定为非雨雾或干扰噪声。优选的,点占比可以是0.5。
应当理解的是,即使经过预处理的第一目标点云来说,其包含的数据量也是巨大的,因此考虑在不破坏原始点云几何结构的情况下,对其进行一定幅度的下采样数据压缩处理,以减少后续步骤的数据处理量,提高数据处理效率。所述下采样的具体步骤包括:
根据单帧点云创建下采样最小立方栅格,设定栅格边长l,所述边长l与邻近点个数k成正比,与点云的平均密度成反比;栅格边长l的设定是基于以下考虑:
过大的栅格会降低搜索效率,过小的栅格则会出现空的栅格。因此设定下采样最小立方栅格的边长l与邻近点个数k成正比,与点云的平均密度成反比;此时,当点云的平均密度小时,表示在固定空间内的点云数量少,那么应将l取大些来提高后续步骤的搜索的范围,以保证有足够多的点云进行后续步骤的计算;当点云的平均密度大时,则表示在固定空间内的点云数量较多,应将l取小些,以保证在最适当的范围内搜索,降低搜索的时间。
将预处理后第一目标点云划分到m*n*l个下采样最小立方栅格中,其中,m=ceil(Lx/l),n=ceil(Ly/l),z=ceil(Lz/l),Lx表示点云X轴方向最大范围,Ly表示点云Y轴方向最大范围,Lz表示点云Z轴方向最大范围;对于任一点pi,其所属下采样最小立方栅格号为(mpi,npi,lpi),
上式亦可以采用一维编码的表示方法为:任一点pi的栅格编码为Vpi=mpi×n×l+npi×l+lpi。
将下采样最小立方栅格号相同的点云数据分别归集为若干栅格点云集合;
依次计算各栅格点云集合的中心坐标,保留该中心坐标所代表的点云数据,删除该栅格内其他点云数据;其中,所述中心坐标的方法为:
其中,Xct、Yct、Zct分别表示中心坐标的三轴坐标值,g为目标下采样最小立方栅格中点云的数据个数。
至此完成点云数据的压缩。
S3、对所述第二目标点云进行栅格化处理,遍历所有栅格进行区域生长聚类,提取并输出栅格中的障碍物点云作为第三目标点云。所述栅格化处理是指将激光雷达所扫描到的区域用网格进行处理,每个栅格点云代表空间的一小块区域,内含一部分点云,点云栅格化处理分为二维栅格化和三维栅格化,二维其实就是将三维点云进行一个投影,而不考虑z值的变化。而三维栅格化一般是将点云划分为具有长、宽、高参数的方形栅格,这样的传统三维栅格化是根据固定的长宽高参数对感兴趣区域内的点云进行划分,而雷达本身的特征是两个最近的点之间的距离随着这些点距离激光雷达传感器的距离而增大;垂直角度的分辨率比水平角度的分辨率要大得多;每个扫描线只提供一个点,垂直分辨率又比较低,导致径向深度差异大。使用固定的长宽高就很容易导致丢失激光雷达本身的特征,误将近处的多个障碍物划分在同一栅格,也会误将远处的同一障碍物划分在相距较远的不同栅格。
基于以上考虑,本发明给出了一种较优的栅格化处理方法,具体包括:以激光雷达为中心,建立球坐标系,球坐标系中任一点P的坐标:其中ρ为径向距离、θ为方位角、为极角;以Δρ、Δθ和来划分栅格。本发明所提出的栅格划分具有不论与激光雷达的距离如何都能正确分组;考虑水平分辨率与垂直分辨率的差异;连续扫描的点即使径向差距较大也能正确分组。
应当理解的是,根据障碍物的大小不同,对于较大的障碍物,其可能跨越多个栅格,而对于较小的障碍物,其存在于一个栅格内,若采用现有技术对障碍物直接进行提取,容易将不同种类的、大小不同的障碍物分割为同一障碍物,从而使后续的障碍物分类和识别步骤失败,影响监测的准确性和效率。在一些较优的实施例中,给出了一种通过两次区域生长聚类分割障碍物的方法,其中第一次区域生长聚类使体积较大可能包含多目标的障碍物进行细化,第二次区域生长聚类使体积较小的障碍物也能被很好的分割出来。具体包括步骤:
S301、对所述第二目标点云进行栅格化处理,计算栅格中点云特征值,将特征值方差大于第一预设阈值的栅格,标记为多障碍栅格;所述特征值包括栅格内点云的高度差,重心和方差。
S302、遍历所有栅格,对多障碍栅格进行邻域栅格区域生长聚类,对其他栅格判断其是否存在障碍,若是,则标记为障碍栅格;在一些较优的实施例中,给出了一种区域生长聚类的具体方法,包括步骤:
依次遍历所有栅格,若栅格内点云数大于5,且点云间高度差大于高度差阈值,则将该栅格标记为种子栅格;
以种子栅格为中心,依次遍历其周边8邻域的栅格,寻找并标记其他种子栅格;
重复上面两个步骤,直至邻域栅格内不存在种子栅格,完成单个障碍物的聚类。
S303、提取多障碍栅格中的障碍物点云;应当理解的是,对于存在多障碍物的栅格,其障碍物可能存在体积较大的情况,此时直接提取可能会导致存在较多的噪声点,因此在一些较优的实施例中,考虑先进行基于密度的噪声空间聚类以细化障碍物,再提取细化后的障碍物点云。具体的,所述基于密度的噪声空间聚类可以采用训练好的DBSCAN模型。
S304、遍历所有障碍栅格,进行栅格内区域生长聚类,并提取障碍栅格中的障碍物点云;其中,所述区域生长聚类的方法与前述相同。
S305、判断障碍物点云特征值是否满足第二预设阈值,若是,则输出障碍物点云作为第三目标点云;应当理解的是,为了去除障碍物点云中可能存在的噪声影响,考虑设定障碍物点云特征预设阈值,对于处于该范围内的障碍物点云特征值,说明其确实属于障碍物,可以输出,而对于超出该范围内的障碍物点云特征值,则说明其可能是误判项,属于被误检测的地面点云。其中,所述第二预设阈值可以参考特征值的种类进行设定,在一些较优的实施例中,若特征值包括栅格内点云的高度差,考虑障碍物的体积一般不会太小,因此所述第二预设阈值可以设定为最小点云高度差阈值,落入该最小点云高度差阈值的点云,其体积较小即使是障碍物,也不会对列车行车安全造成影响(如从列车上掉落的空矿泉水瓶、纸屑等较小的障碍物),因此考虑将其从障碍物列表中排除,或判定该障碍物点云为误检测的地面点云。
如图3所示,本发明最后输出的第三目标点云所表征的障碍物形状完整,没有出现分裂的情况。
S4、将所述第三目标点云输入训练好的障碍物分类神经网络,得到障碍物的分类信息。应当理解的是,所述障碍物分类神经网络可以采用本领域常用的分类神经网络,如CenterPoint模型和KD-tree模型等,由于该部分内容不是本发明的重点,因此不再赘述。显然的,所述障碍物分类神经网络的作用在于输入分割好的障碍物第三目标点云,输出障碍物的具体分类信息。
S5、输出分类信息和第三目标点云。此时本领域技术人员可以根据现有技术设计输出方式,例如将上述信息输出到报警平台,由报警平台向用户提供铁路沿线障碍物侵入报警;在一些较优的实施例中,为了使输出的障碍物
用于给出直观的侵入障碍物的相关信息和三维图像。
在一些较优的实施例中,如图4所示,为了能够获得更加直观的障碍物信息,还包括步骤S6、利用所述分类信息和第三目标点云重构障碍物真实三维图像,并通过交互装置展示和进行报警。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.基于激光雷达的铁路危情监测方法,其特征在于,包括步骤:
S1、获取激光雷达单帧点云,提取防区内的点云数据作为第一目标点云;
S2、对所述第一目标点云进行预处理以去除噪声干扰,压缩点云数量得到第二目标点云;
S3、对所述第二目标点云进行栅格化处理,遍历所有栅格进行区域生长聚类,提取并输出栅格中的障碍物点云作为第三目标点云;
S4、将所述第三目标点云输入训练好的障碍物分类神经网络,得到障碍物的分类信息;
S5、输出分类信息和第三目标点云。
2.如权利要求1所述的基于激光雷达的铁路危情监测方法,其特征在于,步骤S2中所述预处理以去除噪声干扰的方法包括:
S201、以激光雷达为原点,采用半径自适应滤波法对第一目标点云进行滤波;
S202、以晴好天气下无障碍物的单帧点云为标定点云,利用分割算法和标定点云对滤波后的第一目标点云中的疑似障碍物进行分割;
S203、设置判定阈值,滤除分割后的疑似障碍物点云中的压缩点云数量颗粒噪声点云,完成雨雾噪声干扰的去除;所述判定阈值包括疑似障碍物最小长宽高值、点占比。
4.如权利要求1所述的基于激光雷达的铁路危情监测方法,其特征在于,步骤S2中所述压缩点云数量的方法包括:
根据单帧点云创建下采样最小立方栅格,设定栅格边长l,所述边长l与邻近点个数k成正比,与点云的平均密度成反比;
将预处理后第一目标点云划分到m*n*l个下采样最小立方栅格中,其中,m=ceil(Lx/l),n=ceil(Ly/l),z=ceil(Lz/l),Lx表示点云X轴方向最大范围,Ly表示点云Y轴方向最大范围,Lz表示点云Z轴方向最大范围;对于任一点pi,其所属下采样最小立方栅格号为(mpi,npi,lpi),
将下采样最小立方栅格号相同的点云数据分别归集为若干栅格点云集合;
依次计算各栅格点云集合的中心坐标,保留该中心坐标所代表的点云数据,删除该栅格内其他点云数据。
6.如权利要求1或5所述的基于激光雷达的铁路危情监测方法,其特征在于,所述步骤S3包括:
S301、对所述第二目标点云进行栅格化处理,计算栅格中点云特征值,将特征值方差大于第一预设阈值的栅格,标记为多障碍栅格;
S302、遍历所有栅格,对多障碍栅格进行邻域栅格区域生长聚类,对其他栅格判断其是否存在障碍,若是,则标记为障碍栅格;
S303、提取多障碍栅格中的障碍物点云;
S304、遍历所有障碍栅格,进行栅格内区域生长聚类,并提取障碍栅格中的障碍物点云;
S305、判断障碍物点云特征值是否满足第二预设阈值,若是,则输出障碍物点云;
所述特征值包括栅格内点云的高度差,重心和方差。
7.如权利要求6所述的基于激光雷达的铁路危情监测方法,其特征在于,步骤S302中所述对其他栅格判断其是否存在障碍的方法包括:计算栅格内各点云的高度差是否小于预设高度差阈值,若是,则判定其存在障碍。
8.如权利要求6所述的基于激光雷达的铁路危情监测方法,其特征在于,所述区域生长聚类的方法包括:
依次遍历所有栅格,若栅格内点云数大于5,且点云间高度差大于高度差阈值,则将该栅格标记为种子栅格;
以种子栅格为中心,依次遍历其周边8邻域的栅格,寻找并标记其他种子栅格;
重复上面两个步骤,直至邻域栅格内不存在种子栅格,完成单个障碍物的聚类。
9.如权利要求6所述的基于激光雷达的铁路危情监测方法,其特征在于,还包括步骤:
S6、利用所述分类信息和第三目标点云重构障碍物真实三维图像,并通过交互装置展示和进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310057238.7A CN116030289A (zh) | 2023-01-18 | 2023-01-18 | 基于激光雷达的铁路危情监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310057238.7A CN116030289A (zh) | 2023-01-18 | 2023-01-18 | 基于激光雷达的铁路危情监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116030289A true CN116030289A (zh) | 2023-04-28 |
Family
ID=86090967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310057238.7A Pending CN116030289A (zh) | 2023-01-18 | 2023-01-18 | 基于激光雷达的铁路危情监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030289A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116853320A (zh) * | 2023-09-05 | 2023-10-10 | 武汉和弦科技有限公司 | 一种基于背景学习算法的轨道巡检系统 |
CN117576325A (zh) * | 2024-01-16 | 2024-02-20 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 点云数据处理方法和装置以及点云数据管理系统和方法 |
-
2023
- 2023-01-18 CN CN202310057238.7A patent/CN116030289A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116853320A (zh) * | 2023-09-05 | 2023-10-10 | 武汉和弦科技有限公司 | 一种基于背景学习算法的轨道巡检系统 |
CN117576325A (zh) * | 2024-01-16 | 2024-02-20 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 点云数据处理方法和装置以及点云数据管理系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110501719B (zh) | 一种基于激光雷达的列车障碍物探测方法 | |
CN116030289A (zh) | 基于激光雷达的铁路危情监测方法 | |
CN106780524B (zh) | 一种三维点云道路边界自动提取方法 | |
Melzer et al. | Extraction and modeling of power lines from ALS point clouds | |
CN110532889B (zh) | 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法 | |
CN111079611B (zh) | 一种道路面及其标志线的自动提取方法 | |
US20210350149A1 (en) | Lane detection method and apparatus,lane detection device,and movable platform | |
Wang et al. | DEM generation from airborne LiDAR data by an adaptive dual-directional slope filter | |
CN112347999B (zh) | 障碍物识别模型训练方法、障碍物识别方法、装置及系统 | |
CN113192091B (zh) | 一种基于激光雷达与相机融合的远距离目标感知方法 | |
CN108564525A (zh) | 一种基于多线激光雷达的3d点云2d化数据处理方法 | |
CN112801022A (zh) | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 | |
CN112883878B (zh) | 一种基于三维格网的变电站场景下的点云自动分类方法 | |
Liu et al. | Classification of airborne lidar intensity data using statistical analysis and hough transform with application to power line corridors | |
CN111880196A (zh) | 一种无人矿车抗干扰方法、系统及计算机设备 | |
CN114743181A (zh) | 一种道路车辆目标检测方法、系统、电子设备及存储介质 | |
CN111666944A (zh) | 一种红外弱小目标检测方法及装置 | |
CN109870458B (zh) | 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法 | |
KR101549155B1 (ko) | 라이다 자료를 활용한 구조물의 직선경계 추출방법 | |
CN116524219A (zh) | 一种基于激光雷达点云聚类的障碍物检测方法 | |
CN113345094A (zh) | 基于三维点云的电力走廊安全距离分析方法及系统 | |
Tabatabaei et al. | Automatic detection of the cracks on the concrete railway sleepers | |
TWI673190B (zh) | 基於光學雷達之汽車偵測方法 | |
CN114842166A (zh) | 应用于结构化道路的负障碍检测方法、系统、介质及设备 | |
CN116402994A (zh) | 基于激光雷达和视频图像融合的铁路危情监测方法 |
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 |