一种基于机器学习的铁路点云特征提取方法与流程

技术特征：
1.一种基于机器学习的铁路点云特征提取方法，该方法包括以下步骤：step1：点云特征确立：针对点云图像分布，确立特征提取的对象；step2：点云裁剪：对原始千万级别的点云数量进行裁剪，针对部分点云进行处理；step3：目标分割：运用机器学习中的dbscan聚类算法对裁剪后的点云数据进行分割，提取ⅰ类特征，包括植被、电力线、电力线支柱以及地面；step4：特征提取：采用基于ransac的平面拟合算法对地面点云数据进行处理，提取出ⅱ类特征，即枕木和铁轨；step5：滤波处理：对初步提取的枕木和铁轨数据进行滤波处理，过滤错误点；step6：枕木精细提取：提取关键点，构建矩形邻域，最终提取枕木点。2.根据权利要求1所述的一种基于机器学习的铁路点云特征提取方法，其特征在于，所述step2中点云裁剪是以铁路电力线支柱为节点进行裁剪，裁剪成节点数据和非节点数据。3.根据权利要求1所述的一种基于机器学习的铁路点云特征提取方法，其特征在于，所述step3中在dbscan聚类算法中输入节点数据和非节点数据，数据维度包括xyz三维坐标和rgb颜色值，非节点数据的半径参数
ϵ
和邻域密度阈值minpts为节点数据的1.89倍和1.8倍。4.根据权利要求1所述的一种基于机器学习的铁路点云特征提取方法，其特征在于，所述step4中基于ransac的平面拟合算法提取铁轨选取局部地面数据，提取位于最高层的铁轨特征；提取枕木所用数据选取的是铁轨提取后遗留的数据，初步提取中层的枕木特征，数据维度均为xyz三维坐标和rgb颜色值，输入参数包括距离阈值d、匹配点个数n、迭代次数k。5.根据权利要求1所述的一种基于机器学习的铁路点云特征提取方法，其特征在于，所述step5中滤波处理为统计滤波器处理。6.根据权利要求1所述的一种基于机器学习的铁路点云特征提取方法，其特征在于，所述step6中提取关键点是通过计算单个枕木样本数据区域内均值，根据枕木之间距离固定性，生成关键点；构建矩形邻域是在构建矩形邻域过程中通过关键点的选取不断修正获得。

技术总结
本发明公开一种基于机器学习的铁路点云特征提取方法，包括以下步骤：点云特征确立：针对点云图像分布，确立特征提取的对象；点云裁剪：对原始千万级别的点云数量进行裁剪，针对部分点云进行处理；目标分割：运用机器学习中的DBSCAN聚类对裁剪后的点云数据进行分割，提取Ⅰ类特征；特征提取：采用基于RANSAC的平面拟合算法对地面点云数据进行处理，提取出Ⅱ类特征；滤波处理：对初步提取的枕木和铁轨数据进行滤波处理；枕木精细提取：提取关键点，构建矩形邻域，最终提取枕木点。本发明提出一种基于矩形邻域的枕木提取算法，寻找并自动生成关键点，构建四点式矩形邻域，结合叉乘性质精确提取枕木特征，达到较高的准确性。达到较高的准确性。达到较高的准确性。


技术研发人员：张春英 贾栋豪 王立亚 李杰 杨爱民
受保护的技术使用者：华北理工大学
技术研发日：2021.12.08
技术公布日：2022/1/6