基于線路特性的高速鐵路鋼軌點(diǎn)云提取分割算法研究

楊陸冰 段曉峰

(蘭州交通大學(xué)土木工程學(xué)院，蘭州 730070)

線路點(diǎn)云數(shù)據(jù)包含的結(jié)構(gòu)物豐富，在平面上呈帶狀分布，在空間上分布復(fù)雜，且不同結(jié)構(gòu)物在空間上連接緊密，(如鋼軌和軌枕)，在研究單個(gè)結(jié)構(gòu)物時(shí)，需要將其從線路點(diǎn)云中提取分割出來。

目前，在鋼軌點(diǎn)云數(shù)據(jù)提取分割方面，國(guó)內(nèi)外已有許多學(xué)者展開研究，ELBERINK等提出將線路點(diǎn)云投影到1 m×1 m的細(xì)分柵格，然后利用線路結(jié)構(gòu)物的相對(duì)高程進(jìn)行濾波，再利用隨機(jī)采樣一致性算法進(jìn)行線性擬合，最后利用鋼軌的平行特性和鋼軌軌距限制，判斷分割后點(diǎn)云是否滿足要求[1]；ARASTOUNIA等基于圖像算法提出一種基于模板匹配的鋼軌信息點(diǎn)云分割算法，該方法可以提高精度，但是數(shù)據(jù)計(jì)算量較大[2]；許磊等基于點(diǎn)屬性提出一種鋼軌中線數(shù)據(jù)自動(dòng)提取算法，利用激光掃描儀對(duì)鋼軌和其他線路結(jié)構(gòu)物的激光入射角度不同，從原始點(diǎn)云中快速分割道床及鋼軌點(diǎn)云，然后綜合半徑搜索、矩形分割、高程濾波、形狀濾波4種方法，從路基軌道點(diǎn)云中自動(dòng)提取左右鋼軌頂面的點(diǎn)云[3]；張東方等提出一種基于3D移動(dòng)測(cè)量系統(tǒng)點(diǎn)云數(shù)據(jù)的鋼軌信息自動(dòng)提取的方法，解決了大坡度長(zhǎng)里程下的線路點(diǎn)云地面點(diǎn)與地物點(diǎn)分離困難的問題，但是計(jì)算量也有相應(yīng)的增加[4]；肖源淼等提出一種基于POS線投影的鐵路橫斷面輪廓及軌頂點(diǎn)提取算法，以POS線為輔助線對(duì)鐵路橫斷面點(diǎn)云進(jìn)行切割，采用Alpha Shapes算法提取鐵路橫斷面輪廓點(diǎn)云數(shù)據(jù)，實(shí)現(xiàn)了鐵路橫斷面軌頂點(diǎn)的提取[5]；梁濤等提出一種基于連續(xù)點(diǎn)云數(shù)據(jù)的既有鐵路軌面信息快速提取算法，通過平面格網(wǎng)法的粗提和多種約束條件下的精提實(shí)現(xiàn)軌面點(diǎn)提取[6]。以上方法雖然能實(shí)現(xiàn)軌道點(diǎn)云的提取，但是實(shí)現(xiàn)過程多較為不易，且有一定的局限性。

另外，解全波等提出一種直通濾波算法，通過設(shè)置閾值參數(shù)實(shí)現(xiàn)對(duì)點(diǎn)云數(shù)據(jù)的過濾[7]；李劉軼等提到采用統(tǒng)計(jì)濾波算法和半徑濾波算法去除離群點(diǎn)[8-9]；陳光洲等提出基于條件濾波下的顧及強(qiáng)度信息的點(diǎn)云濾波方法，基于不同被測(cè)物體的反射強(qiáng)度不同，通過設(shè)置合理參數(shù)對(duì)點(diǎn)云進(jìn)行濾波[10]；李光等基于PCL點(diǎn)云數(shù)據(jù)處理庫，將基于FPFH特征的SAC-IA粗配準(zhǔn)，與使用迭代最近點(diǎn)算法(ICP)的精配準(zhǔn)方法合并使用，實(shí)現(xiàn)礦場(chǎng)環(huán)境點(diǎn)云配準(zhǔn)[11]；鄒紀(jì)偉等提出基于區(qū)域增長(zhǎng)與歐氏聚類相結(jié)合的點(diǎn)云分割方法，該方法通過區(qū)域增長(zhǎng)將激光點(diǎn)云中的典型地物分為樹桿類及建筑類，然后分別對(duì)這兩大類地物設(shè)置不同閾值，采用歐氏聚類算法將個(gè)體單獨(dú)分割開來[12-13]。

1 線路點(diǎn)云濾波

點(diǎn)云濾波是點(diǎn)云數(shù)據(jù)處理的第一步，在進(jìn)行濾波時(shí)要充分考慮點(diǎn)自身包含的數(shù)據(jù)信息特點(diǎn)，然后結(jié)合被掃描物體的結(jié)構(gòu)特征，比如線路結(jié)構(gòu)的幾何約束。二者綜合起來，從而提高算法效率及精度。

1.1 基于點(diǎn)屬性的“intensity”反射強(qiáng)度條件濾波

強(qiáng)度是反映某點(diǎn)的激光雷達(dá)脈沖回波強(qiáng)度的一種測(cè)量指標(biāo)。不同地物對(duì)于激光雷達(dá)的反射程度是不一樣的，可通過強(qiáng)度信息把不同地物區(qū)分開。例如，通過強(qiáng)度區(qū)分接觸網(wǎng)電線桿、路基邊坡、軌枕、鋼軌等。

實(shí)驗(yàn)數(shù)據(jù)來自于銀武高速鐵路車載激光雷達(dá)掃描儀獲取的線路點(diǎn)云數(shù)據(jù)，每一個(gè)點(diǎn)都包含了三維坐標(biāo)信息，同時(shí)還包含顏色信息、反射強(qiáng)度信息等。對(duì)于包含反射強(qiáng)度信息的線路點(diǎn)云數(shù)據(jù)，其在鋼軌頂面處的反射強(qiáng)度數(shù)值與軌枕、道床、接觸網(wǎng)、路基邊坡的反射強(qiáng)度數(shù)值存在量級(jí)差。基于這這種量級(jí)差關(guān)系，在條件濾波中，將濾波條件設(shè)置為“反射強(qiáng)度”，給定合適的閾值范圍，再將鋼軌頂面的點(diǎn)云從道床軌枕中抽離出來。

1.2 基于線路幾何約束的條件濾波

鐵路線路縱坡是線路縱斷面上同一坡段兩點(diǎn)間的高差與其水平距離之比，一般以千分率表示。高速鐵路的線路縱坡坡度一般不超過15‰。故其沿線路方向的高程變化小，結(jié)合實(shí)驗(yàn)數(shù)據(jù)沿線路方向的高程變化特點(diǎn)，通過給定閾值范圍，過濾掉一定范圍內(nèi)的路基邊坡和接觸網(wǎng)的點(diǎn)云數(shù)據(jù)。

1.3 基于點(diǎn)屬性和線路幾何約束的融合濾波

設(shè)置好反射強(qiáng)度和高程方向的閾值范圍，在“VS+PCL+QT”框架下運(yùn)行程序，濾波完成后獲得左右股鋼軌頂面的點(diǎn)云數(shù)據(jù)，兩試驗(yàn)段線路的初始點(diǎn)云見圖1、圖2，濾波完成后的點(diǎn)云見圖3和圖4。鋼軌頂面的點(diǎn)云數(shù)據(jù)已經(jīng)完整地從線路點(diǎn)云中提取出來。

圖1 試驗(yàn)段1初始線路點(diǎn)云

圖2 試驗(yàn)段2初始線路點(diǎn)云

圖3 試驗(yàn)段1 濾波完成后的線路點(diǎn)云

圖4 試驗(yàn)段2 濾波完成后的線路點(diǎn)云

線路初始點(diǎn)云數(shù)量見圖5、圖6，試驗(yàn)段1有初始點(diǎn)云19 670 786個(gè)，試驗(yàn)段2有初始點(diǎn)云19 962 104個(gè)。經(jīng)過“intensity” 和“z”值濾波過濾后，分別剩余86 802個(gè)和73 268個(gè)，輕量化率為99.55%和99.6%。不難看出，該算法可有效過濾掉接觸網(wǎng)、路基邊坡、軌枕、道床等線路結(jié)構(gòu)，極大地輕量化了數(shù)據(jù)，但仍然存在少量離群點(diǎn)，需要再次進(jìn)行過濾。

圖5 試驗(yàn)段1濾波前后的點(diǎn)云數(shù)量對(duì)比

圖6 試驗(yàn)段2濾波前后的點(diǎn)云數(shù)量對(duì)比

1.4 基于點(diǎn)屬性的統(tǒng)計(jì)濾波

統(tǒng)計(jì)濾波會(huì)對(duì)每個(gè)點(diǎn)的鄰域進(jìn)行統(tǒng)計(jì)分析，并過濾掉那些不符合算法設(shè)定標(biāo)準(zhǔn)的點(diǎn)。對(duì)每個(gè)點(diǎn)，算法會(huì)計(jì)算其到所有鄰近點(diǎn)的平均距離。平均距離在閾值范圍之外或一個(gè)點(diǎn)集內(nèi)點(diǎn)的個(gè)數(shù)不滿足要求，被定義為離群點(diǎn)，并從數(shù)據(jù)集中去除。

由于鋼軌點(diǎn)云是連續(xù)的，因此，把鋼軌的連續(xù)點(diǎn)云假設(shè)為一個(gè)點(diǎn)集，且這個(gè)點(diǎn)集內(nèi)包含若干個(gè)點(diǎn)，而離群點(diǎn)作為一個(gè)點(diǎn)集，其包含點(diǎn)的數(shù)量遠(yuǎn)小于鋼軌點(diǎn)云數(shù)量。因此，對(duì)這些離群點(diǎn)，可以通過點(diǎn)與點(diǎn)的距離和點(diǎn)集內(nèi)包含的點(diǎn)的數(shù)量關(guān)系進(jìn)行統(tǒng)計(jì)濾波(見圖7、圖8)。可以明顯看出，大部分離群點(diǎn)被過濾。濾波算法流程見圖9。

圖7 試驗(yàn)段1 去除離群點(diǎn)后的點(diǎn)云

圖8 試驗(yàn)段2 去除離群點(diǎn)后的點(diǎn)云

圖9 濾波算法結(jié)構(gòu)框架

2 基于空間位置關(guān)系的鋼軌分割

歐式距離分割可基于區(qū)分鄰里關(guān)系遠(yuǎn)近來完成，歐幾里得算法使用鄰近點(diǎn)之間的距離作為判定標(biāo)準(zhǔn)，在設(shè)定的閾值距離內(nèi)的點(diǎn)被聚為一類，實(shí)現(xiàn)方法如下。

(1)對(duì)于空間某點(diǎn)P，通過kd-tree近鄰搜索算法找到k個(gè)離P點(diǎn)最近的點(diǎn)，判斷這n個(gè)點(diǎn)到P的距離。將距離小于閾值的點(diǎn)P1，P2，P3，…放在Q1類里。

(2)搜尋下一個(gè)點(diǎn)，重復(fù)第一步的操作，直至Q1類里無法加入新的點(diǎn)。

(3)參考第一步和第二步，會(huì)有Q1-Qn個(gè)類來存放這些符合距離閾值的點(diǎn)。

(4)當(dāng)Qn中不能加入新的點(diǎn)時(shí)，則完成搜索。

歐式分割算法流程見圖10。歐式聚類算法中，通過距離閾值設(shè)定來篩選點(diǎn)加入類。由于鋼軌的左右股間距遠(yuǎn)大于單側(cè)鋼軌頂面鄰近點(diǎn)之間的距離，且鋼軌點(diǎn)云有呈帶狀分布的特點(diǎn)，故設(shè)置合理的閾值范圍，可以將單側(cè)鋼軌點(diǎn)云完整地提取出來(見圖11、圖12)。其中，每一種顏色都表示一個(gè)聚類Qi，且會(huì)生成相對(duì)應(yīng)的pcd格式的文件并將點(diǎn)云數(shù)據(jù)保存下來。其中，“cloud_cluster_0.pcd”到“cloud_cluster_3.pcd”為有效的單側(cè)鋼軌點(diǎn)云數(shù)據(jù)。當(dāng)?shù)玫絾蝹?cè)的鋼軌點(diǎn)云數(shù)據(jù)后，可以進(jìn)行后續(xù)線路中心線擬合，鋼軌建模等操作(見圖13、圖14)。

圖10 歐式聚類算法結(jié)構(gòu)框架

圖11 試驗(yàn)段1 分割完成后的單側(cè)鋼軌點(diǎn)云

圖12 試驗(yàn)段2 分割完成后的單側(cè)鋼軌點(diǎn)云

圖13 試驗(yàn)段1的單側(cè)鋼軌點(diǎn)云文件

圖14 試驗(yàn)段2的單側(cè)鋼軌點(diǎn)云文件

3 鋼軌頂面點(diǎn)云提取結(jié)果評(píng)價(jià)

為評(píng)價(jià)提取的鋼軌頂面的點(diǎn)云精度，采用完整度c和準(zhǔn)確度p兩個(gè)指標(biāo)來對(duì)提取結(jié)果進(jìn)行分析[14-15]，可定義為

(1)

式中，TP為正確提取的鋼軌頂面點(diǎn)云數(shù)量；FN為未能提取到的鋼軌頂面點(diǎn)云數(shù)量；FP為錯(cuò)誤提取的鋼軌頂面點(diǎn)云數(shù)量。

通過手動(dòng)方式，將兩試驗(yàn)段的鋼軌頂面點(diǎn)云從完整的線路點(diǎn)云中裁剪出來，并與已經(jīng)提取完畢的鋼軌點(diǎn)云進(jìn)行對(duì)比。計(jì)算上述2個(gè)評(píng)價(jià)指標(biāo)，分析結(jié)果見表1，其各項(xiàng)指標(biāo)值均在90%以上。通過算法提取的鋼軌點(diǎn)云在完整度和準(zhǔn)確度上均滿足要求，而且算法可以通過控制閾值和參數(shù)進(jìn)一步完善提取的結(jié)果。表1中的結(jié)果表明，該方法可以較好地實(shí)現(xiàn)鋼軌頂面點(diǎn)云的提取。

表1 軌頂點(diǎn)云提取精度分析

4 結(jié)語

結(jié)合激光雷達(dá)掃描儀獲取線路點(diǎn)云數(shù)據(jù)的特點(diǎn)，緊密圍繞線路特性，包括材質(zhì)差異(不同線路結(jié)構(gòu)的激光反射強(qiáng)度數(shù)值差異)和鐵路線路線型特征(鐵路線路縱坡變化小的特點(diǎn))，采用條件濾波算法，首先就將鋼軌點(diǎn)云從海量的線路點(diǎn)云中提取出來，獲得初步的鋼軌點(diǎn)云；再對(duì)鋼軌點(diǎn)云進(jìn)行離群點(diǎn)去除，然后根據(jù)左右股鋼軌間的空間位置關(guān)系，對(duì)鋼軌進(jìn)行分割。研究表明，該方法步驟簡(jiǎn)潔，在準(zhǔn)確性上也滿足要求。