CN117492026B - 结合激光雷达扫描的铁路货车装载状态检测方法及系统 - Google Patents

Abstract

本申请提供了结合激光雷达扫描的铁路货车装载状态检测方法及系统，涉及状态检测技术领域，所述方法包括：利用多机位高精度激光雷达阵列对途径货车进行多方位扫描，对多方位扫描数据通过拼接、合成、统合雷达数据流构建货车三维模型，进行图像采集，然后对三维模型进行对齐融合，获得三维数字点云模型，进行端面截图、界限图的识别定位，标记超限点坐标，然后进行异常判别获取异常检测信息进行反馈预警。本申请主要解决了测量结果存在误差和不稳定性，自动化程度不够高，准确率和效率较低，对新场景和新应用适应性不足的问题。激光雷达扫描和数据分析过程可以自动化完成，减少人工干预，提高了检测效率，提高了检测的可靠性。

Description

结合激光雷达扫描的铁路货车装载状态检测方法及系统

技术领域

本申请涉及状态检测技术领域，具体涉及结合激光雷达扫描的铁路货车装载状态检测方法及系统。

背景技术

铁路运输是主要的货物运输方式，货车的装载状态直接关系到运输安全。如果货物装载不当，可能导致货车倾斜、货物滑落等事故，给铁路运输带来重大安全隐患。因此，对铁路货车装载状态进行准确、高效的检测是保障铁路运输安全的重要措施。铁路货车装载状态检测是铁路运输安全的重要环节。传统的人工检测方法依赖于检查人员的经验和技能，但受人为因素影响较大，如疲劳、疏忽等。此外，人工检测速度慢，无法满足大规模铁路运输的需求。为了解决这些问题，结合激光雷达扫描的铁路货车装载状态检测方法应运而生。激光雷达是一种利用激光束探测物体位置、速度和方向的技术。随着技术的发展，激光雷达的精度和可靠性不断提高，为铁路货车装载状态检测提供了新的手段。

但在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

测量结果存在误差和不稳定性，自动化程度不够高，准确率和效率较低，对新场景和新应用适应性不足的问题。

发明内容

本申请主要解决了测量结果存在误差和不稳定性，自动化程度不够高，准确率和效率较低，对新场景和新应用适应性不足的问题。

鉴于上述问题，本申请提供了结合激光雷达扫描的铁路货车装载状态检测方法及系统，第一方面，本申请提供了结合激光雷达扫描的铁路货车装载状态检测方法，所述方法包括：利用预设在铁路上的多机位高精度激光雷达阵列，对途径货车进行多方位扫描；对多方位扫描数据，通过拼接、合成、融合雷达数据流，构建货车三维模型；通过高清摄像机对所述途径货车进行图像采集，其中，采集的货车图像信息具有时间戳；基于所述时间戳，将所述货车图像信息与所述货车三维模型进行对齐融合，获得三维数字点云模型；根据所述三维数字点云模型，进行端面截图、界限图的识别定位，标记超限点坐标；基于所述超限点坐标，通过空间坐标信息对货车进行装载异常判别，获得异常检测信息进行反馈预警。

第二方面，本申请提供了结合激光雷达扫描的铁路货车装载状态检测系统，所述系统包括：多方位扫描模块，所述多方位扫描模块用于利用预设在铁路上的多机位高精度激光雷达阵列，对途径货车进行多方位扫描；货车三维模型构建模块，所述货车三维模型构建模块用于对多方位扫描数据，通过拼接、合成、融合雷达数据流，构建货车三维模型；通过高清摄像机对所述途径货车进行图像采集，其中，采集的货车图像信息具有时间戳；基于所述时间戳，将所述货车图像信息与所述货车三维模型进行对齐融合，获得三维数字点云模型；根据所述三维数字点云模型，进行端面截图、界限图的识别定位，标记超限点坐标；基于所述超限点坐标，通过空间坐标信息对货车进行装载异常判别，获得异常检测信息进行反馈预警。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请提供了结合激光雷达扫描的铁路货车装载状态检测方法及系统，涉及状态检测技术领域，所述方法包括：利用多机位高精度激光雷达阵列对途径货车进行多方位扫描，对多方位扫描数据通过拼接、合成、统合雷达数据流构建货车三维模型，进行图像采集，然后对三维模型进行对齐融合，获得三维数字点云模型，进行端面截图、界限图的识别定位，标记超限点坐标，然后进行异常判别获取异常检测信息进行反馈预警。

本申请主要解决了测量结果存在误差和不稳定性，自动化程度不够高，准确率和效率较低，对新场景和新应用适应性不足的问题。激光雷达扫描和数据分析过程可以自动化完成，减少人工干预，提高了检测效率，提高了检测的可靠性。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供了结合激光雷达扫描的铁路货车装载状态检测方法流程示意图；

图2为本申请实施例提供了结合激光雷达扫描的铁路货车装载状态检测方法中获得货车三维模型的方法流程示意图；

图3为本申请实施例提供了结合激光雷达扫描的铁路货车装载状态检测方法中通过目标成像结果对雷达固化参数进行验证、调整的方法流程示意图；

图4为本申请实施例提供了结合激光雷达扫描的铁路货车装载状态检测系统的结构示意图。

附图标记说明：多方位扫描模块10，货车三维模型构建模块20，图像采集模块30，三维数字点云模型构架模块40，识别定位模块50，异常检测信息获取模块60。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请主要解决了测量结果存在误差和不稳定性，自动化程度不够高，准确率和效率较低，对新场景和新应用适应性不足的问题。激光雷达扫描和数据分析过程可以自动化完成，减少人工干预，提高了检测效率，提高了检测的可靠性。

为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍：

实施例一

如图1所示结合激光雷达扫描的铁路货车装载状态检测方法，所述方法包括：

利用预设在铁路上的多机位高精度激光雷达阵列，对途径货车进行多方位扫描；

具体而言，利用预设在铁路上的多机位高精度激光雷达阵列对途径货车进行多方位扫描是一种先进的铁路货车装载状态检测方法。这种检测方法基于激光雷达的高精度测量能力和实时性，可以实现对途径货车的全方位扫描和检测。多机位高精度激光雷达阵列可以安装在铁路沿线或关键位置，形成一定的覆盖范围。例如：可以将三个激光雷达分别安装于桁架顶部，以及左右两侧，通过高频照射对行进中的货车进行照射，根据这样生成激光雷达阵列。当货车经过时，激光雷达阵列会同时对货车进行扫描，获取货车的三维立体图像。这些图像数据会被实时传输到后台系统进行处理和分析。在后台系统中，通过对接收到的激光雷达数据进行处理，可以提取出货车的轮廓、形状、高度等信息。通过对这些信息的分析，可以判断货车的装载状态是否正常。例如，通过比较货物的高度和宽度来判断是否超载或偏载。如果检测到异常装载状态，后台系统会及时发出预警信号，并采取相应的干预措施。例如，调整货物位置、重新装载等。这样可以确保铁路运输的安全和稳定。激光雷达的高精度测量能力可以确保对货车装载状态的准确检测。实时传输数据和处理分析可以及时发现异常情况，减少事故发生的可能性。通过多机位布置和高精度测量，可以实现全方位扫描和检测，减少检测盲区。自动化扫描和数据采集可以减少人工干预，提高检测效率。激光雷达阵列可以稳定工作，不受天气、环境等因素的影响，确保检测的可靠性。

对多方位扫描数据，通过拼接、合成、融合雷达数据流，构建货车三维模型；

具体而言，对多方位扫描数据，通过拼接、合成、融合雷达数据流，可以构建货车三维模型。首先，对多个激光雷达阵列获取的扫描数据进行拼接。这可以通过坐标变换和数据配准技术实现，将不同激光雷达的数据融合到一个统一的坐标系中，形成完整的数据流。在数据拼接的基础上，将多个扫描数据合成在一起，形成一个连续的三维模型。这可以通过对相邻扫描数据进行插值和拟合，填补数据之间的空隙，使得三维模型更加平滑和连续。在数据合成的基础上，将多个扫描数据融合在一起，形成一个更加准确和全面的三维模型。这可以通过对不同扫描数据之间的互补性进行利用，提高模型的精度和可靠性。三维模型构建：可以得到一个连续、平滑且准确的三维模型。这个模型可以反映货车的形状、尺寸、位置等信息，为后续的装载状态检测和分析提供基础数据。构建货车三维模型需要综合考虑多种因素，如激光雷达的精度、扫描速度、数据处理算法等。同时，还需要进行系统集成和调试，确保各个组成部分能够协调工作，达到预期的检测效果。

通过高清摄像机对所述途径货车进行图像采集，其中，采集的货车图像信息具有时间戳；

具体而言，通过高清摄像机对途径货车进行图像采集时，可以在图像信息中添加时间戳，可以通过以下步骤来采集具有时间戳的货车图像信息：安装高清摄像机：在铁路沿线或关键位置安装高清摄像机，确保能够清晰地捕捉到途径货车的图像。时间戳设置：在摄像机中设置时间戳功能，使得每张采集的图像都带有准确的时间信息。这可以通过内置的时间戳功能或通过添加专门的硬件设备来实现。图像采集：当货车经过时，高清摄像机自动触发并采集图像。采集的图像信息不仅包括货车的外观图像，还包含准确的时间戳信息。数据传输：将采集的货车图像信息以及对应的时间戳信息传输到后台系统进行存储和处理。在后台系统中，可以通过时间戳来对货车图像信息进行排序和筛选。例如，可以按照时间顺序对所有图像进行排序，以便追踪货车的移动轨迹。此外，还可以根据时间戳信息对货车图像进行快速查找和筛选，例如，查找特定时间段的图像或筛选出异常情况的图像。

基于所述时间戳，将所述货车图像信息与所述货车三维模型进行对齐融合，获得三维数字点云模型；

具体而言，基于所述时间戳，将所述货车图像信息与所述货车三维模型进行对齐融合，获得三维数字点云模型。时间戳匹配：首先，将货车图像信息的时间戳与货车三维模型的时间戳进行匹配。这可以通过比对图像和模型中的时间戳信息，找到匹配的时间点。图像对齐：在找到匹配的时间点后，需要对货车图像进行对齐处理。这可以通过坐标变换和插值技术，将货车图像与货车三维模型对齐，使得两者在同一坐标系中。融合模型：将对齐后的货车图像与货车三维模型进行融合，生成一个包含图像信息和三维模型信息的三维数字点云模型。这可以通过将图像数据和三维模型数据进行融合处理，生成一个包含更多信息的新模型。在生成的三维数字点云模型中，可以包含货车表面的纹理、形状、尺寸等信息，为后续的装载状态检测和分析提供更加准确和全面的数据支持。

根据所述三维数字点云模型，进行端面截图、界限图的识别定位，标记超限点坐标；

具体而言，根据所述三维数字点云模型，可以进行端面截图、界限图的识别定位，并标记超限点坐标。端面截图：从三维数字点云模型中截取货车端面的图像。这可以通过对三维模型进行投影和渲染，生成货车端面的二维图像。界限图识别定位：在端面截图中，通过图像处理和计算机视觉技术，识别和定位货车的界限。这可以通过提取图像中的边缘、轮廓等信息，确定货车的边界位置。标记超限点坐标：根据界限图的识别结果，对货车超限部分进行标记。这可以通过在图像中绘制线条、框选区域等方式，将超限部分的位置坐标进行标记。通过上述步骤，可以得到包含货车超限部分的端面截图和界限图，以及超限点的坐标信息。这些信息可以用于后续的装载状态检测和分析，帮助判断货车的装载是否超限。

基于所述超限点坐标，通过空间坐标信息对货车进行装载异常判别，获得异常检测信息进行反馈预警。

具体而言，基于所述超限点坐标，通过空间坐标信息对货车进行装载异常判别，获得异常检测信息进行反馈预警。空间坐标信息提取：从三维数字点云模型中提取货车超限点的空间坐标信息。这可以通过将三维点云数据转换为空间坐标系中的坐标，得到超限点的准确位置和方向。装载异常判别：根据提取的超限点坐标，结合货车装载的标准和规定，对货车的装载状态进行异常判别。可以使用基于r邻域的异常点滤除算法与基于knn的异常点滤除算法两种方法，基于r邻域的异常点滤除算法是对于一个点，求出以该点为球心，以r为半径的球体内的点数。如果点的个数少于某个设定的点数阈值，则将其判定为异常点，否则判定为正常点。例如：假设有一个数据集，其中包含了一系列的点。先定义一个阈值T，该阈值表示以某个点为中心的r邻域内必须包含的最少点数。然后，对于数据集中的每个点，计算以该点为球心、以r为半径的球体内的点数。如果某个点的r邻域内的点数少于阈值T，则该点被判定为异常点。否则，该点被判定为正常点。基于knn的异常点滤除算法是对于一个点，查询出该点对应的k个邻近点，并求出与这k个邻近点的空间距离，并对这k个空间距离求平均。如果该点对应的平均距离大于某个设定的距离阈值，则将其判定为异常点，否则判定为正常点。例如：假设有一个数据集，其中包含了一系列的点。定义一个阈值D，该阈值表示一个点与其k个最近邻居的平均距离必须小于或等于的最小距离。然后，对于数据集中的每个点，找到该点的k个最近邻距，并计算这k个邻距与该点的空间距离的平均值。如果某个点的平均距离大于阈值D，则该点被判定为异常点。否则，该点被判定为正常点。异常检测信息生成：根据判定的装载异常情况，生成相应的异常检测信息。这可以包括异常类型、异常位置、异常程度等信息，包括：卷钢位移、集装箱错位、拉杆变形、断裂预警、人员攀爬、油罐车顶部开启、车门车窗开启等异常情况。为后续的反馈预警提供依据。反馈预警：将生成的异常检测信息及时反馈给相关部门或人员，进行预警和干预。这可以通过短信、电话、邮件等方式通知相关人员，提醒他们注意货车的装载状态，采取相应的措施进行干预和调整。通过上述步骤，可以实现对途径货车的装载状态进行实时监测和异常判别，及时发现并预警装载异常情况，确保铁路运输的安全和稳定。

进一步而言，如图2所示，本申请方法，所述对多方位扫描数据，通过拼接、合成、融合雷达数据流，构建货车三维模型，包括：

根据所述多方位扫描数据，获取各高精度激光雷达的设置方位，其中所述多方位扫描数据至少包括顶部、两侧；

基于所述各高精度激光雷达的设置方位、多方位扫描数据，生成各坐标原点的三维图形；

根据所述各高精度激光雷达的设置方位，确定多机位高精度激光雷达阵列的空间坐标关系；

基于所述空间坐标关系，将所述各坐标原点的三维图形进行空间旋转、平移，对扫描数据进行归一化处理，完成多方位扫描数据的拼接融合，获得所述货车三维模型。

具体而言，获取各高精度激光雷达的设置方位，首先，明确每个高精度激光雷达的安装位置和方向。这可以通过GPS定位、物理标记或其他方法来确定。对于每个激光雷达，需要记录其相对于一个共同坐标系的偏移和旋转角度。生成各坐标原点的三维图形，对于每个激光雷达，利用其扫描数据生成一个三维点云图。这个点云图表示了激光雷达视野内的物体和它们的位置。对于每个点云图，需要确定其坐标原点。这通常是通过找到点云中的某个特定点（如扫描的起始点）来确定的。确定多机位高精度激光雷达阵列的空间坐标关系利用上述的激光雷达设置方位信息，确定所有激光雷达之间的相对位置和方向关系。通过将每个激光雷达的坐标原点转换到一个共同坐标系中来实现。空间旋转、平移和归一化处理，对于每个点云图，根据其相对于共同坐标系的旋转和平移信息进行相应的变换。归一化处理是为了确保所有点云图在相同的尺度上，以便于后续的拼接和融合。多方位扫描数据的拼接融合，利用空间坐标关系和变换处理，将所有的点云图进行拼接和融合。拼接的过程需要考虑不同点云图之间的重叠区域，确保数据的连续性和一致性。获得货车三维模型。通过上述步骤，最终得到一个完整且一致的三维模型，表示了货车的外观和形状。这个模型可以用于后续的装载状态检测和分析。

进一步而言，本申请方法，基于所述空间坐标关系，将所述各坐标原点的三维图形进行空间旋转、平移，对扫描数据进行归一化处理，完成多方位扫描数据的拼接融合，获得所述货车三维模型，包括：

获得各高精度激光雷达的安装姿态角、扫描角信息；

根据所述各高精度激光雷达的设置方位，确定载体坐标，根据所述载体坐标、安装姿态角、扫描角信息，恢复点云在途经货车的目标位置；

对恢复点云目标位置的点云数据按照空间坐标关系进行拼接，并对点云数据进行异常点滤除、地面点滤波，获得所述货车三维模型。

具体而言，获得各高精度激光雷达的安装姿态角、扫描角信息。通过传感器或其他设备测量每个激光雷达的安装姿态角和扫描角。这些信息描述了激光雷达相对于其安装位置的旋转和倾斜状态。根据所述各高精度激光雷达的设置方位，确定载体坐标。根据每个激光雷达的安装位置和方向，确定它们相对于一个共同坐标系的坐标。这可以是通过将每个激光雷达的坐标转换到一个共同坐标系中来实现。根据所述载体坐标、安装姿态角、扫描角信息，恢复点云在途经货车的目标位置。将每个激光雷达的点云数据转换到共同坐标系中，并确定它们在货车上的目标位置。这可以通过坐标变换和插值技术实现。对恢复点云目标位置的点云数据按照空间坐标关系进行拼接。将来自不同激光雷达的点云数据按照空间坐标关系进行拼接，使得它们形成一个完整且一致的三维点云模型。这可以通过点云配准和融合技术实现。对点云数据进行异常点滤除、地面点滤波。对拼接后的点云数据进行异常点滤除，去除那些由于各种原因（如设备故障、环境干扰等）产生的异常点。进行地面点滤波，去除那些位于地面上的点云数据，只保留货车上的有效数据。获得所述货车三维模型。通过上述步骤，最终得到一个包含货车表面信息的三维模型。这个模型可以用于后续的装载状态检测和分析。

进一步而言，本申请方法，所述并对点云数据进行异常点滤除、地面点滤波，之后，还包括：

获得高精度激光雷达的雷达角度、偏移参数，并配置雷达固化参数；

利用所述雷达固化参数对点云数据进行调整；

设定预设验证时间，当达到所述预设验证时间时，通过目标成像结果对所述雷达固化参数进行验证、调整。

具体而言，获得高精度激光雷达的雷达角度、偏移参数。通过传感器或其他设备测量每个激光雷达的雷达角度和偏移参数。这些参数描述了激光雷达的扫描范围和位置。配置雷达固化参数。根据每个激光雷达的特性和应用需求，配置相应的雷达固化参数。这些参数可以包括扫描速率、分辨率、噪声抑制等。利用所述雷达固化参数对点云数据进行调整。将配置好的雷达固化参数应用于点云数据的处理中。这可以通过对点云数据进行滤波、降噪、配准等操作来实现，以提高点云数据的精度和质量。设定预设验证时间。根据应用需求和实际情况，设定一个预设验证时间。这个时间可以是一个固定的值，也可以是根据实际情况动态调整的值。当达到所述预设验证时间时，通过目标成像结果对所述雷达固化参数进行验证、调整。在达到预设验证时间后，获取目标成像结果，并与之前的结果进行比较和分析。根据比较和分析的结果，对雷达固化参数进行调整和优化，以获得更好的性能和精度。

进一步而言，如图3所示，本申请方法，根据所述各高精度激光雷达的设置方位，确定载体坐标，根据所述载体坐标、安装姿态角、扫描角信息，恢复点云在途经货车的目标位置，包括：

构建三维坐标，分别包括x轴、y轴、z轴及原点o，激光扫描光线在平面的投影与的夹角为，在平面的投影与的夹角为，探头与扫描点的距离为，由几何关系 可以得到扫描点在移动坐标系中的坐标为：

；

对于直线移动式的目标，当其航向、俯仰、横滚角度分别为时，地理坐标系 经过绕方位轴轴转，再绕俯仰轴，所得到坐标系的轴转，最后绕横滚轴所得坐标系 的轴转，可转到载体坐标系；

地理坐标系与载体坐标系的变换矩阵表征了载体系与地理系之间的方位 关系，作为姿态矩阵，表达式如下：

；

根据所述姿态矩阵，获得扫描点在地理坐标系下的表达式为：，恢复点云在途经货车的目标位置。

具体而言，构建三维坐标，定义坐标系，x轴：通常代表从左到右的方向。y轴：通常 代表从下到上的方向。z轴：通常代表从前到后的方向。原点O：这是三维坐标系的中心点。确 定扫描点的坐标，激光扫描光线在平面的投影与x轴的夹角为。在平面的投影与y轴的夹 角为。探头与扫描点的距离为。根据几何关系得到扫描点在移动坐标系中的坐标，由于 夹角和距离，我们可以确定扫描点在三维空间中的位置。对于直线移动式的目标，定义航 向、俯仰、横滚角度。航向角：表示目标在水平面上的旋转角度，通常从正北开始测量。俯仰 角：表示目标在垂直方向上的旋转角度。横滚角：表示目标在垂直于前进方向上的旋转角 度。坐标系转换地理坐标系经过绕方位轴转、再绕俯仰轴转、最后绕横滚轴转，可以得到载 体坐标系。这种转换通常使用旋转矩阵来实现。姿态矩阵地理坐标系与载体坐标系的变换 矩阵表征了两者之间的方位关系，作为姿态矩阵。根据姿态矩阵恢复点云在途经货车的目 标位置。应用姿态矩阵到点云数据。将点云数据与姿态矩阵相乘，可以得到点云在地理坐标 系下的位置。

进一步而言，本申请方法，基于所述时间戳，将所述货车图像信息与所述货车三维模型进行对齐融合，获得三维数字点云模型，包括：

根据所述时间戳，将所述货车图像信息与货车三维模型中的点云扫描时间对齐，获得货车图像信息与点云扫描数据的对应关系；

对所述货车图像信息进行滤波，增大图像横向相似度；

基于图像横向相似度提取图像纹理；

根据所述货车图像信息与所述点云扫描数据的对应关系，将所述图像纹理与所述点云扫描数据进行融合，获得所述三维数字点云模型。

具体而言，根据所述时间戳，将货车图像信息和货车三维模型中的点云扫描时间 对齐。通过对货车图像信息和点云扫描数据的时间戳进行分析，可以确定它们之间的对应 关系。对货车图像信息进行滤波，增大图像横向相似度。通过滤波处理，可以去除图像中的 噪声和干扰，提高图像的质量。横向相似度是指图像中相邻像素之间的相似性。通过增大横 向相似度，可以提高图像的清晰度和细节表现。基于图像横向相似度提取图像纹理。通过分 析横向相似度，选用较大标准差的高斯滤波器对图像进行平滑卷积，消除噪声影响，并提高 横向相似度。高斯滤波窗的形状选用横向条形，对于图像中的点若满足给定一个：，及，对于所有的均有，其中为图像区域， 为规定的纹理最短长度，为方向的差分阈值，为方向的差分阈值，则图像区域中的 区域为图像的纹理区域。利用提取出的纹理区域将图像二值化。将二 值化后的图像区域进行一次方向的闭运算，修复因图像质量问题造成的纹理断裂。对于修 补后纹理区域，若满足，其中、为经验阈值，表示 纹理的长度范围，则认为处于目标区域。纹理是物体表面的一种特征，对于三维建模 和可视化非常重要。根据货车图像信息与点云扫描数据的对应关系，将图像纹理与点云扫 描数据进行融合。通过将提取的图像纹理与点云扫描数据进行融合，可以得到一个更加真 实和详细的货车三维模型。融合过程可以根据需要采用不同的算法和技术，如基于规则的 融合、基于模型的融合等。获得三维数字点云模型。通过上述步骤，最终可以得到一个包含 货车表面纹理的三维数字点云模型。这个模型可以用于后续的装载状态检测和分析。

进一步而言，本申请方法，根据所述三维数字点云模型，进行端面截图、界限图的识别定位，标记超限点坐标，包括：

根据所述三维数字点云模型，获取三维点云数据，利用基于车辆模型估计的扩大窗口高程阈值滤波算法，得到估计的车辆模型及铁路地面点数据，将地面点和非地面点数据进行分离，确定目标点云数据；

根据正射投影原理，将车辆行驶方向垂直端面作为正射投影面，将目标点云数据进行投影，并对投影数据进行均匀格网化处理，生成目标表面投影图；

对所述目标表面投影图进行主轴方向估计，并进行方向校正；

将校正方向的所述目标表面投影图作为识别算法的输入，设定识别参数，将所述目标表面投影图与预存储的模型表面投影图库中的限界图依据尺寸相似性进行匹配预筛选；

计算通过预筛选的模型表面投影图与限界图的去均值归一化相似度量值以及尺寸相似度量值，对目标进行识别定位。

具体而言，获取三维点云数据。从所述三维数字点云模型中提取出三维点云数据。利用基于车辆模型估计的扩大窗口高程阈值滤波算法进行滤波处理。通过扩大窗口高程阈值滤波算法，可以去除噪声和异常点，提高数据的准确性和可靠性。分离地面点和非地面点数据。根据点云数据的高度信息，将地面点和非地面点数据进行分离。确定目标点云数据。根据需要，从分离后的地面点和非地面点数据中选择目标点云数据。根据正射投影原理进行投影处理。将目标点云数据投影到车辆行驶方向垂直端面上，生成目标表面投影图。对目标表面投影图进行主轴方向估计和方向校正。通过分析目标表面投影图的特征和纹理信息，可以估计其主轴方向并进行方向校正。将校正后的目标表面投影图作为识别算法的输入。将校正后的目标表面投影图作为输入，用于后续的识别算法。设定识别参数并进行预筛选。根据识别算法的要求，设定相应的识别参数。将目标表面投影图与预存储的模型表面投影图库中的限界图进行匹配预筛选。计算相似度量值并进行目标识别定位。通过计算去均值归一化相似度量值和尺寸相似度量值，对目标进行识别定位。根据相似度量值的大小和阈值设置，确定目标的准确位置和属性信息。

进一步而言，本申请方法，还包括：

获取纵向扫描得到的点云图像进行高斯滤波；

在高斯滤波后的点云图像上进行横向灰度均值统计，计算表达式为：

；其中图像大小为行列，为均 值，为相对应的像素灰度值；

针对每一行的像素，计算其与该行均值的离散值并进行二值化处理，计算表达式 为：，，其中为离散阈值；

将计算得到的二值化图像进行3×3开运算处理，去掉孤立的点，并对二值化图像进行形态分析，确定连通区域；

根据连通区域的面积、轮廓、位置与异常特征库进行特征判别，获得异常识别信息。

具体而言，获取纵向扫描得到的点云图像。对点云图像进行高斯滤波处理。高斯滤波是一种图像平滑方法，可以去除图像中的噪声和细节信息，提高图像的质量和稳定性。在高斯滤波后的点云图像上进行横向灰度均值统计。通过计算每一行的像素灰度均值，可以得到横向灰度分布情况。对每一行的像素进行离散值计算并进行二值化处理。通过设定合适的离散阈值，可以将像素分为正常和异常两类，形成二值化图像。对二值化图像进行3×3开运算处理。开运算是一种形态学操作，可以去除图像中的小物体和毛刺，平滑图像的边界。对处理后的二值化图像进行形态分析，确定连通区域。形态分析是一种常用的图像处理方法，可以提取出图像中的形状、大小、位置等特征信息。根据连通区域的面积、轮廓、位置与异常特征库进行特征判别。根据连通区域的面积、轮廓、位置判定是否为异常情况，利用异常部位与车体之间的点云特征差异及线阵图像特点，提取出异物的连通区域，通过大量异常素材进行标注，多层神经网络利用标注素材的目标和背景，从多个层次进行特征抽象提取，使得异常特征在变化比较大的情况下更容易检测出来，通过比较连通区域的特征与异常特征库中的特征信息，可以确定异常识别信息。

实施例二

基于与前述实施例结合激光雷达扫描的铁路货车装载状态检测方法相同的发明构思，如图4所示，本申请提供了结合激光雷达扫描的铁路货车装载状态检测系统，所述系统包括：

多方位扫描模块10，所述多方位扫描模块10用于利用预设在铁路上的多机位高精度激光雷达阵列，对途径货车进行多方位扫描；

货车三维模型构建模块20，所述货车三维模型构建模块20用于对多方位扫描数据，通过拼接、合成、融合雷达数据流，构建货车三维模型；

图像采集模块30，所述图像采集模块30用于通过高清摄像机对所述途径货车进行图像采集，其中，采集的货车图像信息具有时间戳；

三维数字点云模型构架模块40，所述三维数字点云模型构建模块40是基于所述时间戳，将所述货车图像信息与所述货车三维模型进行对齐融合，获得三维数字点云模型；

识别定位模块50，所述识别定位模块50用于根据所述三维数字点云模型，进行端面截图、界限图的识别定位，标记超限点坐标；

异常检测信息获取模块60，所述异常检测信息获取模块60是基于所述超限点坐标，通过空间坐标信息对货车进行装载异常判别，获得异常检测信息进行反馈预警。

进一步地，该系统还包括：

拼接融合模块，用于根据所述多方位扫描数据，获取各高精度激光雷达的设置方位，其中所述多方位扫描数据至少包括顶部、两侧；基于所述各高精度激光雷达的设置方位、多方位扫描数据，生成各坐标原点的三维图形；根据所述各高精度激光雷达的设置方位，确定多机位高精度激光雷达阵列的空间坐标关系；基于所述空间坐标关系，将所述各坐标原点的三维图形进行空间旋转、平移，对扫描数据进行归一化处理，完成多方位扫描数据的拼接融合，获得所述货车三维模型。

进一步地，该系统还包括：

货车三维模型获取模块，用于获得各高精度激光雷达的安装姿态角、扫描角信息；根据所述各高精度激光雷达的设置方位，确定载体坐标，根据所述载体坐标、安装姿态角、扫描角信息，恢复点云在途经货车的目标位置；对恢复点云目标位置的点云数据按照空间坐标关系进行拼接，并对点云数据进行异常点滤除、地面点滤波，获得所述货车三维模型。

进一步地，该系统还包括：

参数验证模块，用于获得高精度激光雷达的雷达角度、偏移参数，并配置雷达固化参数；利用所述雷达固化参数对点云数据进行调整；设定预设验证时间，当达到所述预设验证时间时，通过目标成像结果对所述雷达固化参数进行验证、调整。

进一步地，该系统还包括：

目标位置回复模块，用于构建三维坐标，分别包括x轴、y轴、z轴及原点o，激光扫描 光线在平面的投影与的夹角为，在平面的投影与的夹角为，探头与扫描点 的距离为，由几何关系可以得到扫描点在移动坐标系中的坐标为：；对于直线移动式的目标，当其航向、俯仰、横滚角度分别为时，地理坐标系经过绕方位轴轴转，再绕俯仰轴，所得到坐标系的轴转， 最后绕横滚轴所得坐标系的轴转，可转到载体坐标系；地理坐标系与载体坐标系的变 换矩阵表征了载体系与地理系之间的方位关系，作为姿态矩阵，表达式如下：；根据所述姿态矩阵，获得扫 描点在地理坐标系下的表达式为：，恢复点云在途经货车的目 标位置。

进一步地，该系统还包括：

图像纹理提取模块，用于根据所述时间戳，将所述货车图像信息与货车三维模型中的点云扫描时间对齐，获得货车图像信息与点云扫描数据的对应关系；对所述货车图像信息进行滤波，增大图像横向相似度；基于图像横向相似度提取图像纹理；根据所述货车图像信息与所述点云扫描数据的对应关系，将所述图像纹理与所述点云扫描数据进行融合，获得所述三维数字点云模型。

进一步地，该系统还包括：

目标识别定位模块，用于根据所述三维数字点云模型，获取三维点云数据，利用基于车辆模型估计的扩大窗口高程阈值滤波算法，得到估计的车辆模型及铁路地面点数据，将地面点和非地面点数据进行分离，确定目标点云数据；根据正射投影原理，将车辆行驶方向垂直端面作为正射投影面，将目标点云数据进行投影，并对投影数据进行均匀格网化处理，生成目标表面投影图；对所述目标表面投影图进行主轴方向估计，并进行方向校正；将校正方向的所述目标表面投影图作为识别算法的输入，设定识别参数，将所述目标表面投影图与预存储的模型表面投影图库中的限界图依据尺寸相似性进行匹配预筛选；计算通过预筛选的模型表面投影图与限界图的去均值归一化相似度量值以及尺寸相似度量值，对目标进行识别定位。

进一步地，该系统还包括：

异常识别信息获取模块，用于获取纵向扫描得到的点云图像进行高斯滤波；在高 斯滤波后的点云图像上进行横向灰度均值统计，计算表达式为：；其中图像大小为行列，为均值， 为相对应的像素灰度值；针对每一行的像素，计算其与该行均值的离散值并进行二值化处 理，计算表达式为：，，其中为离散阈值；将计算得 到的二值化图像进行3×3开运算处理，去掉孤立的点，并对二值化图像进行形态分析，确定 连通区域；根据连通区域的面积、轮廓、位置与异常特征库进行特征判别，获得异常识别信 息。

说明书通过前述结合激光雷达扫描的铁路货车装载状态检测方法的详细描述，本领域技术人员可以清楚地知识本实施例中结合激光雷达扫描的铁路货车装载状态检测系统，对于实施例公开的系统而言，由于其与实施例公开装置相对应，所以描述得比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.结合激光雷达扫描的铁路货车装载状态检测方法，其特征在于，包括：

利用预设在铁路上的多机位高精度激光雷达阵列，对途径货车进行多方位扫描；

对多方位扫描数据，通过拼接、合成、融合雷达数据流，构建货车三维模型；

通过高清摄像机对所述途径货车进行图像采集，其中，采集的货车图像信息具有时间戳；

基于所述时间戳，将所述货车图像信息与所述货车三维模型进行对齐融合，获得三维数字点云模型；

根据所述三维数字点云模型，进行端面截图、界限图的识别定位，标记超限点坐标；

基于所述超限点坐标，通过空间坐标信息对货车进行装载异常判别，获得异常检测信息进行反馈预警；

根据所述三维数字点云模型，进行端面截图、界限图的识别定位，标记超限点坐标，包括：

根据所述三维数字点云模型，获取三维点云数据，利用基于车辆模型估计的扩大窗口高程阈值滤波算法，得到估计的车辆模型及铁路地面点数据，将地面点和非地面点数据进行分离，确定目标点云数据；

根据正射投影原理，将车辆行驶方向垂直端面作为正射投影面，将目标点云数据进行投影，并对投影数据进行均匀格网化处理，生成目标表面投影图；

对所述目标表面投影图进行主轴方向估计，并进行方向校正；

将校正方向的所述目标表面投影图作为识别算法的输入，设定识别参数，将所述目标表面投影图与预存储的模型表面投影图库中的限界图依据尺寸相似性进行匹配预筛选；

计算通过预筛选的模型表面投影图与限界图的去均值归一化相似度量值以及尺寸相似度量值，对目标进行识别定位。

2.如权利要求1所述的方法，其特征在于，所述对多方位扫描数据，通过拼接、合成、融合雷达数据流，构建货车三维模型，包括：

根据所述多方位扫描数据，获取各高精度激光雷达的设置方位，其中所述多方位扫描数据至少包括顶部、两侧；

基于所述各高精度激光雷达的设置方位、多方位扫描数据，生成各坐标原点的三维图形；

根据所述各高精度激光雷达的设置方位，确定多机位高精度激光雷达阵列的空间坐标关系；

基于所述空间坐标关系，将所述各坐标原点的三维图形进行空间旋转、平移，对扫描数据进行归一化处理，完成多方位扫描数据的拼接融合，获得所述货车三维模型。

3.如权利要求2所述的方法，其特征在于，基于所述空间坐标关系，将所述各坐标原点的三维图形进行空间旋转、平移，对扫描数据进行归一化处理，完成多方位扫描数据的拼接融合，获得所述货车三维模型，包括：

获得各高精度激光雷达的安装姿态角、扫描角信息；

根据所述各高精度激光雷达的设置方位，确定载体坐标，根据所述载体坐标、安装姿态角、扫描角信息，恢复点云在途经货车的目标位置；

对恢复点云目标位置的点云数据按照空间坐标关系进行拼接，并对点云数据进行异常点滤除、地面点滤波，获得所述货车三维模型。

4.如权利要求3所述的方法，其特征在于，所述并对点云数据进行异常点滤除、地面点滤波，之后，还包括：

获得高精度激光雷达的雷达角度、偏移参数，并配置雷达固化参数；

利用所述雷达固化参数对点云数据进行调整；

设定预设验证时间，当达到所述预设验证时间时，通过目标成像结果对所述雷达固化参数进行验证、调整。

5.如权利要求3所述的方法，其特征在于，根据所述各高精度激光雷达的设置方位，确定载体坐标，根据所述载体坐标、安装姿态角、扫描角信息，恢复点云在途经货车的目标位置，包括：

构建三维坐标，分别包括x轴、y轴、z轴及原点o，激光扫描光线在平面的投影与/>的夹角为/>，在/>平面的投影与/>的夹角为/>，探头与扫描点的距离为/>，由几何关系可以得到扫描点在移动坐标系中的坐标为：

；

对于直线移动式的目标，当其航向、俯仰、横滚角度分别为时，地理坐标系经过绕方位轴/>轴转/>，再绕俯仰轴，所得到坐标系的/>轴转/>，最后绕横滚轴所得坐标系的/>轴转/>，可转到载体坐标系；

地理坐标系与载体坐标系的变换矩阵表征了载体系/>与地理系/>之间的方位关系，作为姿态矩阵，表达式如下：

；

根据所述姿态矩阵，获得扫描点在地理坐标系下的表达式为：，恢复点云在途经货车的目标位置。

6.如权利要求1所述的方法，其特征在于，基于所述时间戳，将所述货车图像信息与所述货车三维模型进行对齐融合，获得三维数字点云模型，包括：

根据所述时间戳，将所述货车图像信息与货车三维模型中的点云扫描时间对齐，获得货车图像信息与点云扫描数据的对应关系；

对所述货车图像信息进行滤波，增大图像横向相似度；

基于图像横向相似度提取图像纹理；

根据所述货车图像信息与所述点云扫描数据的对应关系，将所述图像纹理与所述点云扫描数据进行融合，获得所述三维数字点云模型。

7.如权利要求1所述的方法，其特征在于，还包括：

获取纵向扫描得到的点云图像进行高斯滤波；

在高斯滤波后的点云图像上进行横向灰度均值统计，计算表达式为：

；其中图像大小为/>行/>列，/>为均值，为相对应的像素灰度值；

针对每一行的像素，计算其与该行均值的离散值并进行二值化处理，计算表达式为：，/>，其中/>为离散阈值；

将计算得到的二值化图像进行3×3开运算处理，去掉孤立的点，并对二值化图像进行形态分析，确定连通区域；

根据连通区域的面积、轮廓、位置与异常特征库进行特征判别，获得异常识别信息。

8.结合激光雷达扫描的铁路货车装载状态检测系统，其特征在于，包括：

多方位扫描模块，所述多方位扫描模块用于利用预设在铁路上的多机位高精度激光雷达阵列，对途径货车进行多方位扫描；

货车三维模型构建模块，所述货车三维模型构建模块用于对多方位扫描数据，通过拼接、合成、融合雷达数据流，构建货车三维模型；

图像采集模块，所述图像采集模块用于通过高清摄像机对所述途径货车进行图像采集，其中，采集的货车图像信息具有时间戳；

三维数字点云模型构架模块，所述三维数字点云模型构建模块是基于所述时间戳，将所述货车图像信息与所述货车三维模型进行对齐融合，获得三维数字点云模型；

识别定位模块，所述识别定位模块用于根据所述三维数字点云模型，进行端面截图、界限图的识别定位，标记超限点坐标；

异常检测信息获取模块，所述异常检测信息获取模块是基于所述超限点坐标，通过空间坐标信息对货车进行装载异常判别，获得异常检测信息进行反馈预警；

目标识别定位模块，用于根据所述三维数字点云模型，获取三维点云数据，利用基于车辆模型估计的扩大窗口高程阈值滤波算法，得到估计的车辆模型及铁路地面点数据，将地面点和非地面点数据进行分离，确定目标点云数据；根据正射投影原理，将车辆行驶方向垂直端面作为正射投影面，将目标点云数据进行投影，并对投影数据进行均匀格网化处理，生成目标表面投影图；对所述目标表面投影图进行主轴方向估计，并进行方向校正；将校正方向的所述目标表面投影图作为识别算法的输入，设定识别参数，将所述目标表面投影图与预存储的模型表面投影图库中的限界图依据尺寸相似性进行匹配预筛选；计算通过预筛选的模型表面投影图与限界图的去均值归一化相似度量值以及尺寸相似度量值，对目标进行识别定位。