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
一种基于铁轨数据与几何性质的轨道点云提取方法 Download PDFInfo
- Publication number
- CN116416589A CN116416589A CN202310338210.0A CN202310338210A CN116416589A CN 116416589 A CN116416589 A CN 116416589A CN 202310338210 A CN202310338210 A CN 202310338210A CN 116416589 A CN116416589 A CN 116416589A
- Authority
- CN
- China
- Prior art keywords
- track
- point
- point cloud
- rail
- data
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000000513 principal component analysis Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 5
- 101150063503 RAI1 gene Proteins 0.000 claims 1
- 101100224844 Schizosaccharomyces pombe (strain 972 / ATCC 24843) din1 gene Proteins 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
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
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hlpr,并通过轨高h参数,保留高度在区间(hlpr,hlpr+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Δzmax,轨道点prail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prail满足:
N(T)≥eth
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Cj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:
1α1D<β1
α2D<β2
α3D<β3
式中,β1、β2、β3为判定线性轨迹点簇的阈值;
通过α1D、α2D、α3D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Cf对应的最后点pf与后点簇Cr对应的最前点pr,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hlpr,并通过轨高h参数,保留高度在区间(hlpr,hlpr+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Δzmax,轨道点prail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prail满足:
N(T)≥eth
式中,pz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pi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,eth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Cj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:
1α1D<β1
α2D<β2
α3D<β3
通过上述α1D、α2D、α3D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Cf与后点簇Cr分别对应的最后点pf与最前点pr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hlpr,并通过轨高h参数,保留高度在区间(hlpr,hlpr+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。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310338210.0A CN116416589A (zh) | 2023-03-31 | 2023-03-31 | 一种基于铁轨数据与几何性质的轨道点云提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310338210.0A CN116416589A (zh) | 2023-03-31 | 2023-03-31 | 一种基于铁轨数据与几何性质的轨道点云提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116416589A true CN116416589A (zh) | 2023-07-11 |
Family
ID=87049143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310338210.0A Pending CN116416589A (zh) | 2023-03-31 | 2023-03-31 | 一种基于铁轨数据与几何性质的轨道点云提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116416589A (zh) |
Cited By (1)
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 |
-
2023
- 2023-03-31 CN CN202310338210.0A patent/CN116416589A/zh active Pending
Cited By (1)
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
CN112414309B (zh) | 基于机载激光雷达的高铁接触线导高及拉出值巡检方法 | |
CN105203552A (zh) | 一种360°踏面图像检测系统及其检测方法 | |
CN107239746B (zh) | 一种面向道路救援安全监控的障碍物识别跟踪方法 | |
CN103745224A (zh) | 基于图像的铁路接触网鸟窝异常情况检测方法 | |
CN108846331B (zh) | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 | |
CN105719283A (zh) | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 | |
CN102629385A (zh) | 一种基于多摄像机信息融合的目标匹配与跟踪系统及方法 | |
CN108694349B (zh) | 一种基于线阵相机的受电弓图像提取方法及装置 | |
CN114114314A (zh) | 基于激光点云的输电线路巡检检测系统及检测方法 | |
CN110598613B (zh) | 一种高速公路团雾监测方法 | |
CN112184725B (zh) | 一种沥青路面图像的结构光光条中心提取方法 | |
CN109934135B (zh) | 一种基于低秩矩阵分解的铁轨异物检测方法 | |
CN112950532A (zh) | 一种列车受电弓状态检测方法 | |
CN116416589A (zh) | 一种基于铁轨数据与几何性质的轨道点云提取方法 | |
CN111768417A (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
Xiaomeng et al. | Vehicle detection in traffic monitoring scenes based on improved YOLOV5s | |
Zheng et al. | Rail detection based on LSD and the least square curve fitting | |
CN112288717A (zh) | 一种动车组列车侧部异物检测方法 | |
Li et al. | Real-time accurate deep learning-based edge detection for 3-D pantograph pose status inspection | |
CN103578105A (zh) | 一种基于区域特征的多源异类图像配准方法 | |
Chen et al. | An image restoration and detection method for picking robot based on convolutional auto-encoder | |
Wang et al. | 3d reconstruction and segmentation system for pavement potholes based on improved structure-from-motion (sfm) and deep learning | |
Li et al. | A robust 3-D abrasion diagnosis method of pantograph slipper based on stereo vision | |
CN111723792B (zh) | 适用于刚柔接触网的实时定位点识别方法 |
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 |