CN116416589A - 一种基于铁轨数据与几何性质的轨道点云提取方法 - Google Patents

Abstract

本发明涉及一种基于铁轨数据与几何性质的轨道点云提取方法，通过车载激光雷达获取原始点云数据，利用轨道点云高度数据分布特征及几何高程跳变数据特征，快速过滤出路基区域，后利用铁轨在路基上连续的高程差异特征提取铁轨点云，并利用主成分分析的线性数据特征过滤去离散的假阳性非线性点簇，利用点簇距离及角度阈值实现同一轨道对的点簇的连接，最终提取出属于不同轨道对的点云。与现有技术相比，本发明进一步简化提取流程，有效提高检测准确性，实现在不同轨距、多轨道的铁路环境中快速提取轨道点云用于后续拟合，具有良好实时性，对于铁路轨道实现自动化巡查具有重要意义。

Description

一种基于铁轨数据与几何性质的轨道点云提取方法

技术领域

本发明涉及轨道点云处理技术领域，尤其是涉及一种基于铁轨数据与几何性质的轨道点云提取方法。

背景技术

轨道空间数据信息采集及处理对于实现轨道维护自动化技术具有重要意义。车载激光雷达作为空间信息采集的传感器，由于铁路网络本身错综复杂，存在道岔等变轨设施，同时运行环境中树木及山体等大量环境点云及许多细长的物体靠近轨道(如电缆沟、护轨等)或在轨道之上(如悬链线、桅杆臂等)，在采集过程中存在大量环境点云冗余信息和与轨道形状类似的干扰信息。

因此要实现实时轨道检测且具有足够高的灵敏度及准确性这一要求具有一定的挑战性，需要对点云数据进行快速有效的去噪滤波。

目前在点云数据中实现铁轨检测相关工作主要分为：数据驱动和模型驱动方法、基于机器学习的方法、基于多源数据融合方法，包括RGB相机、激光雷达等。

数据驱动和模型驱动方法主要基于点的高程跳变特征和几何关系的局部特征和全局特征。大部分方法在提取过程中需要大规模的邻域计算，较难应用于实时场景，且不同路段下的铁轨提取难以提供统一的阈值。

铁路基础设施点云检测表现最好、运用最多的是知识驱动方法，在知识驱动方法中，模型驱动与数据驱动各有优势。模型驱动在低采样数据上的表现优于数据驱动，但需要依赖先验知识；数据驱动则不需要依赖先验知识，且相对于模型驱动，数据驱动的计算复杂度较小，这是因为数据驱动的方法通常会检测局部属性，从而仅需要处理少量点。因此，如何在不同数量轨道、不同轨距的场景下快速准确地提取出轨道点云，提高系统鲁棒性，是本系统需要不断深入的研究方向。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于铁轨数据与几何性质的轨道点云提取方法，本发明综合了铁轨点云数据几何关系特征，具有一定实时性且易于实现。

本发明的目的可以通过以下技术方案来实现：

一种基于铁轨数据与几何性质的轨道点云提取方法，包括以下步骤：

S1、通过车载激光雷达获取原始点云数据记录的周边环境三维信息；

S2、基于所述周边环境三维信息，利用轨道点云高度数据分布特征及高度跳变特征，初步提取得到路基区域的铁轨点云密度聚类点簇集；

S3、利用轨道线性形状的维度特征及轨道对平行、轨距固定的特点，滤去假阳性轨道点簇，并连接配对同一轨道对的点簇，提取出属于不同轨道对的点云。

进一步地，所述原始点云数据记录的周边环境三维信息包含不同地形、多轨道及不同轨距的场景信息。

进一步地，步骤S2包括以下子步骤：

S201：对所述原始点云数据进行八叉树排序；

S202：根据路基点在原始点云数据中的分布程度，过滤出环境点云，得到路基区域点云；

S203：根据轨道点云在点云中存在高程跳变与距离间隔的特征，以所述路基区域点云逐个进行邻域搜索，获取初筛轨道点；

S204：对所述初筛轨道点进行聚类，得到路基区域的铁轨点云密度聚类点簇集。

进一步地，步骤S202具体为：根据路基点在原始点云数据中的分布程度，定义铁轨接地点高度为一定占比的最低高度值的平均值h_lpr，并通过轨高h参数，保留高度在区间(h_lpr,h_lpr+h)的点云以保留有效的路基区域，过滤出环境点云，得到路基区域点云。

进一步地，步骤S203中，初筛轨道点应满足邻域内的高程差条件。

进一步地，步骤S203中，记路基点p邻域ε内点集为T，计算T内各点与搜索点p的最大高程差绝对值Δz_max，轨道点p_rail应满足邻域ε内的高程差条件；

对领域ε内满足高程差条件点的统计，具体可定义轨道点p_rail满足：

p_i∈T

N(T)≥e_th

式中，p^z表示搜索点p在z轴高度方向的值，

表示邻域中的第i个点p_i在z轴高度方向的值；γ表示轨道点高程差阈值；N(T)表示邻域中满足高程差的点数，e_th表示铁轨点数判定阈值。

进一步地，步骤S204中，对初筛轨道点进行欧氏距离密度聚类。

进一步地，步骤S3包括以下子步骤：

S301：对所有点簇集进行主成分分析，根据协方差矩阵特征值提取满足轨道线性特征的点簇，过滤离散的假阳性轨道点簇；

S302：余下点簇根据距离阈值和向量角度，将属于同一轨道的点簇进行连接；

S303：完成同一轨道的点簇连接后，根据同一轨道轨距固定特征，将间隔距离在轨距范围内的轨迹分为同一轨，最终提取出各轨道对点云。

进一步地，步骤S301具体包括：对各个点簇集C_j进行主成分分析，计算得各点簇局部协方差矩阵Mj的特征值：λ₁＞λ₂＞λ₃，当特征值满足以下要求时，将该点簇标记为轨迹点簇：

1α_1D＜β₁

α_2D＜β₂

α_3D＜β₃

式中，β₁、β₂、β₃为判定线性轨迹点簇的阈值；

通过α_1D、α_2D、α_3D特征表述点簇在三维空间的线性分布情况，提取具有明显线性特征的轨迹点簇，以此过滤离散的假阳性轨道点簇。

进一步地，步骤S302具体包括：根据距离阈值和向量角度，将属于同一轨道的点簇进行连接，以前点簇C_f对应的最后点p_f与后点簇C_r对应的最前点p_r，计算它们的向量角度及欧式距离，同一轨道的点簇应满足：

式中，η为判定同一轨迹点簇的最大距离阈值；μ为判定同一轨迹点簇的最大角度阈值。

与现有技术相比，本发明具有以下有益效果：

(1)本发明采用知识驱动的方法综合运用铁轨点云数据的点特征、线特征、平行性特征的几何关系进行提取，能够实现在不同地形、多轨道、不同轨距情况下准确提取出轨道点云；

(2)本发明通过减少点云搜索邻域计算，在保证轨道点云提取精度与鲁棒性的同时进一步简化提取流程。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的流程示意图；

图2是本发明实施例中离散的轨迹点簇连接示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

本发明的基本流程如图1所示，本发明实例提供的一种基于铁轨数据与几何性质的快速轨道点云提取方法，包括以下步骤：

步骤1：通过车载激光雷达获取原始点云数据；

步骤2：利用轨道点云高度数据分布特征及高度跳变特征，初步提取得到路基区域的铁轨点云密度聚类点簇集C；

步骤2包括以下子步骤：

步骤201：对原始点云数据进行八叉树排序；

步骤202：根据路基点在数据中的分布程度，定义铁轨接地点高度为85％～90％的最低高度值的平均值h_lpr，并通过轨高h参数，保留高度在区间(h_lpr,h_lpr+h)的点云以保留有效的路基区域，有效过滤出环境点云，得到路基区域点云；

步骤203：根据轨道点云在点云中存在高程跳变与距离间隔，对路基点云逐点进行高程判断，获取初筛轨道点；记路基点p邻域ε内点集为T，计算T内各点与搜索点p的最大高程差绝对值Δz_max，轨道点p_rail应满足邻域ε内的高程差条件；同时为避免偶然性造成的检测误差，增加对ε内满足高程差条件点的统计，具体可定义轨道点p_rail满足：

p_i∈T

N(T)≥e_th

式中，p^z表示搜索点p在z轴高度方向的值，

表示邻域中的第i个点p_i在z轴高度方向的值；γ表示轨道点高程差阈值，本实施例定义其具体数值为0.4mm；N(T)表示邻域中满足高程差的点数，e_th表示铁轨点数判定阈值，本实施例定义其具体数值为7。

步骤204：对此时混合离散的初筛轨道点进行欧氏距离密度聚类得到点簇集C，可同时有效滤除空间中游离噪声点。

步骤3：利用轨道线性形状的维度特征及轨道对平行、轨距固定的特点，滤去假阳性轨道点簇，并连接配对同一轨道对的点簇，最终提取出属于不同轨道对的点云。

步骤3包括以下子步骤：

步骤301：对各个点簇集C_j进行主成分分析，计算得各点簇局部协方差矩阵Mj的特征值：λ₁＞λ₂＞λ₃，当它们满足以下要求时，将该点簇标记为轨迹点簇：

1α_1D＜β₁

α_2D＜β₂

α_3D＜β₃

式中，定义

其中β₁、β₂、β₃为判定线性轨迹点簇的阈值，本实施例设定其具体数值分别为0.15、0.01、0.01。

通过上述α_1D、α_2D、α_3D特征表述点簇在三维空间的线性分布情况，提取具有的明显线性特征的轨迹点簇以此过滤去离散的假阳性轨道点簇。

步骤302：余下点簇根据距离阈值和向量角度，将属于同一轨道的点簇进行连接，以前点簇C_f与后点簇C_r分别对应的最后点p_f与最前点p_r的计算它们的向量角度及欧式距离，具体的连接示意如图2所示，同一轨道的点簇应满足：

式中，η为判定同一轨迹点簇的最大距离阈值，本实施例设定其具体数值为0.3m；μ为判定同一轨迹点簇的最大角度阈值，本实施例设定其具体数值为20°。

步骤303：在完成同一轨道的点簇连接后根据同一轨道轨距固定特征，将间隔距离在轨距范围内的轨迹分为同一轨，最终提取出各轨道对点云，实现对象级的识别提取。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于铁轨数据与几何性质的轨道点云提取方法，其特征在于，包括以下步骤：

S1、通过车载激光雷达获取原始点云数据记录的周边环境三维信息；

S2、基于所述周边环境三维信息，利用轨道点云高度数据分布特征及高度跳变特征，初步提取得到路基区域的铁轨点云密度聚类点簇集；

S3、利用轨道线性形状的维度特征及轨道对平行、轨距固定的特点，滤去假阳性轨道点簇，并连接配对同一轨道对的点簇，提取出属于不同轨道对的点云。

2.根据权利要求1所述的一种基于铁轨数据与几何性质的轨道点云提取方法，其特征在于，所述原始点云数据记录的周边环境三维信息包含不同地形、多轨道及不同轨距的场景信息。

3.根据权利要求1所述的一种基于铁轨数据与几何性质的轨道点云提取方法，其特征在于，步骤S2包括以下子步骤：

S201：对所述原始点云数据进行八叉树排序；

S202：根据路基点在原始点云数据中的分布程度，过滤出环境点云，得到路基区域点云；

S203：根据轨道点云在点云中存在高程跳变与距离间隔的特征，以所述路基区域点云逐个进行邻域搜索，获取初筛轨道点；

S204：对所述初筛轨道点进行聚类，得到路基区域的铁轨点云密度聚类点簇集。

4.根据权利要求3所述的一种基于铁轨数据与几何性质的轨道点云提取方法，其特征在于，步骤S202具体为：根据路基点在原始点云数据中的分布程度，定义铁轨接地点高度为一定占比的最低高度值的平均值h_lpr，并通过轨高h参数，保留高度在区间(h_lpr,h_lpr+h)的点云以保留有效的路基区域，过滤出环境点云，得到路基区域点云。

5.根据权利要求3所述的一种基于铁轨数据与几何性质的轨道点云提取方法，其特征在于，步骤S203中，初筛轨道点应满足邻域内的高程差条件。

6.根据权利要求5所述的一种基于铁轨数据与几何性质的轨道点云提取方法，其特征在于，步骤S203中，记路基点p邻域ε内点集为T，计算T内各点与搜索点p的最大高程差绝对值Δz_max，轨道点p_rai1应满足邻域ε内的高程差条件；

对领域ε内满足高程差条件点的统计，具体可定义轨道点p_rail满足：

N(T)≥e_th

式中，p^z表示搜索点p在z轴高度方向的值，

表示邻域中的第i个点p_i在z轴高度方向的值；γ表示轨道点高程差阈值；N(T)表示邻域中满足高程差的点数，e_th表示铁轨点数判定阈值。

7.根据权利要求3所述的一种基于铁轨数据与几何性质的轨道点云提取方法，其特征在于，步骤S204中，对初筛轨道点进行欧氏距离密度聚类。

8.根据权利要求1所述的一种基于铁轨数据与几何性质的轨道点云提取方法，其特征在于，步骤S3包括以下子步骤：

S301：对所有点簇集进行主成分分析，根据协方差矩阵特征值提取满足轨道线性特征的点簇，过滤离散的假阳性轨道点簇；

S302：余下点簇根据距离阈值和向量角度，将属于同一轨道的点簇进行连接；

S303：完成同一轨道的点簇连接后，根据同一轨道轨距固定特征，将间隔距离在轨距范围内的轨迹分为同一轨，最终提取出各轨道对点云。

9.根据权利要求8所述的一种基于铁轨数据与几何性质的轨道点云提取方法，其特征在于，步骤S301具体包括：对各个点簇集C_j进行主成分分析，计算得各点簇局部协方差矩阵Mj的特征值：λ₁＞λ₂＞λ₃，当特征值满足以下要求时，将该点簇标记为轨迹点簇：

1-α_1D＜β₁

α_2D＜β₂

α_3D＜β₃

式中，β₁、β₂、β₃为判定线性轨迹点簇的阈值；

通过α_1D、α_2D、α_3D特征表述点簇在三维空间的线性分布情况，提取具有明显线性特征的轨迹点簇，以此过滤离散的假阳性轨道点簇。

10.根据权利要求8所述的一种基于铁轨数据与几何性质的轨道点云提取方法，其特征在于，步骤S302具体包括：根据距离阈值和向量角度，将属于同一轨道的点簇进行连接，以前点簇C_f对应的最后点p_f与后点簇C_r对应的最前点p_r，计算它们的向量角度及欧式距离，同一轨道的点簇应满足：

式中，η为判定同一轨迹点簇的最大距离阈值；μ为判定同一轨迹点簇的最大角度阈值。

Images