一种基于机载雷达点云的铁路场景点云分割方法

1.本发明涉及铁路检测技术领域，尤其涉及一种基于机载雷达点云的铁路场景点云分割方法。


背景技术：

2.我国铁路建设发展迅速，随之而来的铁路的日常管理维护和扩建工作量大大增加，每年都需要大量的资金和人力。目前我国铁路的勘测采用接触式的传统测量手段为主。传统测量技术主要利用水准仪、全站仪、轨距尺和钢尺等测量仪器，结合专用轨检车等工具进行，但传统测量手段不仅仅工作量大、效率不高、测量成果信息单一、自动化程度低，且工作人员在作业过程中也存在着一定的人身安全问题，传统测量手段已很难适应当前社会发展对铁路的勘测要求。
3.三维激光扫描技术是一种全新的高精度高效率的数据获取方法，其具有非接触性、真实性、快速性和信息全面性等优点。将三维激光扫描技术引入到铁路勘测领域中来，通过连续点云数据的采集，能够为铁路勘测提供全面而又丰富的基础数据，解决了传统测量手段获取的数据比较离散，无法准确、全方位地反映沿线铁路设备的空间状态变化情况这一问题，可以为铁路的维护、扩建、信息化管理等提供支持。机载雷达可快速大面积地获取0.1~1m的高精度三维地表点云数据并衍生出 dsm 和 dtm 等数字产品，选用机载雷达能够扩大点云数据的采集范围，加快采集速率，但与此同时，快速的采集铁路点云数据后，海量的点云数据也对铁路点云的智能化处理技术提出了需求。具体到铁路领域，目前较为成熟和完整的对铁路点云数据中的点、线、面等特征信息进行自动提取的方法相对较少，仍主要依靠人工参与来完成。因此，研究如何将机载雷达技术应用于铁路勘测领域，从点云数据中自动提取铁路线路参数等特征信息，对于线路的状态检测和日常维修养护具有重要的现实意义。
4.现有雷达点云分割技术的发展也已经有了很大的发展。如提取时引入临近关系和r半径点密度，较好的提取出铁路沿线的遮挡物种子点，再进行基于主成分分析的区域增长算法进行分割。该方法较好的分割提取了建筑物，但是对于那些密度很高的植被，分割效果欠佳。需要对原始三维离散点进行分割，然后再分割，再通过设置面积阈值剔除非建筑物区域，这类方法正确分割的前提是分割效果很好。现有技术在分割时常常会将一部分植被点错误的分割到建筑物的点云集合中，并且如果面积阈值选取不当可能造成一些小的物体被错误剔除。综上所述，现阶段尚无能将分割不完全的影响降到最低的激光雷达技术的点云分割方法。
5.然而，上述的现有技术方案存在如下不足：1、现有使用无人机的铁路检测已无人机采集图像为主，存在很大的偶然误差，且以二维图像处理越来越复杂的铁路线路环境已经不能满足这些大数据现实分析的需求。二维图像虽可以用于识别，但会出现无法判断目标大小、监控线路长度有限、目标被遮蔽等问题。2、机载lidar点云数据处理主要依赖专业的处理软件，但如果需测量的铁路地形地貌复杂，若只按照大范围参数设置进行自动分割，
后续人工辅助分割工作量过大，工作效率过低。3、现有技术存在错误分割的情况，在一些铁路场景中，由于类似于高大树木，建筑物等干扰物过多，导致在进行点云分割时会出现一些小的物体会被剔除、过于密集的物体无法进行有效的分割。如何克服上述现有技术方案的不足, 明确一种机载雷达采集的铁路点云的分割方法流程，并且在众多点云分割方法中，根据铁路场景点云的特点，选择一种最适合铁路点云分割的方法。克服现有点云的分割问题主要依赖人工处理，而对铁路目标多项目量大的特点处理时间长的缺陷，实现一种自动分割的方法对铁路场景点云的目标进行分割，成为本技术领域亟待解决的课题。


技术实现要素：

6.为克服上述现有技术的不足，本发明提供了一种基于机载雷达点云的铁路场景点云分割方法，具体采用如下技术方案：一种基于机载雷达点云的铁路场景点云分割方法，包括下列步骤：s1.确定初始种子点，标记进特定序列中；s2.搜索近邻点，若与种子点法线夹角小于阈值，添加进当前区域；s3.计算近邻点曲率值，若小于阈值，则添加进所述特定序列中；s4.删除对应的一个初始种子点；s5.重复上述步骤s1-s4,直到所述特定序列中初始种子点为空；s6.对所述特定序列按照上述步骤s2-s5进行迭代处理，直到将所有的点都标记成不同的区域；s7.得到目标物体。
7.进一步，所述步骤s1中，具体包括：从最平坦地区寻找曲率值最小的点作为初始种子点，所述特定的序列是由初始种子点构成的序列。
8.进一步，所述步骤s2具体包括：搜索与一个所述初始种子点欧氏距离最相近的m个近邻点，计算每个所述近邻点的法线方向及对应的所述初始种子点的法线方向，若所述近邻点法线与所述初始种子点法线夹角小于法线夹角阈值，则将该近邻点添加到当前区域。
9.进一步，所述步骤s3具体包括：计算所述一个初始种子点的所述m个近邻点的曲率值，如果所述m个近邻点的曲率值小于曲率阈值，则认为所述m个近邻点是属于相同区域并将其合并，得到合并后的种子点，添加进所述特定序列中。
10.进一步，所述步骤s6具体包括：对所述特定序列中合并后的种子点，按照上述步骤s2-s5进行迭代处理，直到将所有的点都标记成不同的区域。
11.进一步，在所述步骤s1之前，还包括：获取点云数据，并采用直通滤波和统计离群点滤波进行二级滤波，得到完整的点云数据。
12.进一步，所述获取点云数据具体包括：使用无人机现场巡线飞行，根据预设定航线进行航线重叠度不小于三分之二的搭载激光雷达的飞行，激光雷达同时采集lidar数据和影像数据；数据传输到基站，基站进行gnss imu的联合解算，获取点云数据。
13.进一步，所述法线夹角阈值为1
°‑
10
°
。
14.进一步，所述曲率阈值为0.10-0.20。
15.进一步，所述法线夹角阈值为5
°
，所述曲率阈值为0.12。
16.本发明的技术方案获得了下列有益效果：克服了传统的人工点云分割处理复杂，
需要大量时间成本的缺点，提供了参数范围用于进行铁路点云分割，加快了试验进度。通过类似于区域增长的点云分割方法，可以有效分割每个单目标物体，并在不同环境下提出不同的参数范围，有利于在处理不同铁路场景下进行选择。
附图说明
17.图1为本发明的方法整体流程图。
18.图2为本发明点云数据整理的流程图。
19.图3为本发明完整点云数据图。
20.图4为本发明点云分割结果图。
具体实施方式
21.下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。
22.除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
23.本发明提出了一种基于机载激光雷达数据的铁路场景点云分割方法。
24.本发明具体实施例以铁路场景中分割出隧道口为例。本发明具体实施例适用于机载雷达点云数据采集后的铁路场景点云分割方法。根据同一物体区域内象素的相似性来聚集象素点的方法，从初始区域开始，将具有相同性质且相邻或者其他区域并到现在区域中从而逐步增长区域，直至没有可以归并的点或其他小区域为止。此点云分割方法是通过估计并统计物体表面的法向量的方向，根据这些法向量的方向判断出这些表面是否属于同一个物体，最终完成三维点云的分割。该方法可以有效地避免三维点云过度分割和分割不足的问题。
25.参见附图1，本发明具体实施例的具体算法流程如下：从最平坦地区寻找曲率值最小的点作为初始种子点，标记其所在区域并加入特定的序列。每个种子点在邻近点加入之后都会形成一个区域，将所有种子点放入一个所述特定的序列中，则所述特定的序列即为点云聚类中每个分割部分的集合。所述曲率值最小的点位于最平坦区域，从最平坦的区域增长可以减少总区域数。
26.搜索与种子点欧氏距离最相近的m个近邻点的集合，计算每个近邻点的法线方向及种子点的法线方向，若该近邻点法线与种子点法线夹角小于阈值，则将该近邻点添加到当前区域。
27.所述特定的序列最初由初始种子点构成。计算所述初始种子点的所述m个近邻点的曲率值，如果所述m个近邻点的曲率值小于阈值，则认为所述m个近邻点是属于相同区域并将其合并，得到合并后的种子点，并替换掉对应的所述初始种子点，添加进所述特定序列中，直到序列为空，否则，将近邻点的曲率值大于阈值的近邻点删除，重复检查区域内的近
邻点，直到没有点可以合并位置，因此生长结束。
28.迭代上述一个区域邻近点的处理过程，计算所述特定的序列中第一次合并后的种子点的m个近邻点的曲率值，如果所述m个近邻点的曲率值小于阈值，则认为所述m个近邻点是属于相同区域并将其合并，得到再次合并后的种子点，并替换掉对应的第一次合并后的种子点，添加进所述特定序列中，直到序列为空，否则，将近邻点的曲率值大于阈值的近邻点删除，重复检查区域内的近邻点，直到没有点可以合并位置，因此生长结束。以此类推，进行迭代处理，将点云聚类中所有的点都标记成不同的区域，直到所有点都已经标记为不同的区域后，得到目标物体的三维点云聚类。
29.参见附图2，本发明具体实施例给出了本发明机载雷达采集点云数据的过程。
30.在进行无人机飞行之前，首先要在当地空管局确定禁飞区，进行飞行空域申请，同时进行航线规划，实地踏勘及设备配件的检查；在完成这些工作之后，检查设备，保证无人机与激光雷达设备正常，保证无人机电池电量充满，进行现场空载飞行测试。
31.数据收集：在现场巡线飞行过程中，首先根据飞行准备的预设定航线进行航线重叠度不小于三分之二的搭载激光雷达的飞行，基站采集gnss imu数据，激光雷达同时采集lidar数据和影像数据。
32.数据整理：数据传输到基站，基站进行gnss imu的联合解算，实时绘制出无人机轨迹数据。
33.本发明以铁路场景中分割出隧道口为例的试验步骤如下。
34.1、在获取点云数据时，由于设备精度、障碍物等影响，会出现一些噪声点和离群点，所以在本次试验中采用直通滤波和统计离群点滤波进行二级滤波。最后得到完整的点云数据。附图3给出了完整点云数据的示意图。
35.2、对预处理后的三维点云进行点云分割。
36.2.1、对二级滤波后的三维点云利用区域生长法进行点云分割，设置参数区域：（1）注销点数500-5000，本次实验取1000；（2）区域最大点数50000-200000，本次实验取100000；（3）邻域m为100-500，本次实验取120；（4）法线夹角阈值1
°‑
10
°
，本次实验取5
°
；（5）曲率阈值0.10-0.20，本次实验取0.12。
37.3、选取隧道口下方较平坦铁轨作为种子点p,根据协方差矩阵计算出p点的曲率为kp=0.103，搜索近邻点并计算出近邻点法线与种子点法线夹角约为4
°
。将该邻近点添加到铁轨区域并删除种子点p。
38.4、迭代执行上述步骤，直到已隧道洞口为中心的点云从场景中分割完成。
39.5、根据实验，三维点云的分割结果如附图4所示。
40.本发明具体实施例的实验结果如下。
41.参照附图4中不同颜色代表被分割的不同物体，可以分割出有效的单物体点云，单物体点云的点数见表1。
42.点云区域1（隧道口）区域2（铁轨）区域3（山体）点数484351047696768表1 单物体点云的点数
单物体点云的点数略有损失，但是这种损失较小，且从附图4中可以看到明显的隧道口、铁轨和铁路沿线的山体，通过对阈值参数的调整设置，可得到更好的分割结果。综上所述，运用该流程可有效的对机载雷达采集的铁路点云进行场景分割。
43.本发明区域生长的点云分割方法在复杂铁路场景中，提供了参数阈值，根据不同的情况选择合适的参数达到分割要求。在分割过程中，由种子点法线与近邻点法线夹角是否在设置阈值内来判断点云集是否属于同一物体，错误率低，有效的解决了分割过度或不彻底的问题。
44.如上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。