基于線路特性的高速鐵路鋼軌點云提取分割算法研究

楊陸冰 段曉峰

(蘭州交通大學土木工程學院，蘭州 730070)

線路點云數據包含的結構物豐富，在平面上呈帶狀分布，在空間上分布復雜，且不同結構物在空間上連接緊密，(如鋼軌和軌枕)，在研究單個結構物時，需要將其從線路點云中提取分割出來。

目前，在鋼軌點云數據提取分割方面，國內外已有許多學者展開研究，ELBERINK等提出將線路點云投影到1 m×1 m的細分柵格，然后利用線路結構物的相對高程進行濾波，再利用隨機采樣一致性算法進行線性擬合，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云分割算法，該方法可以提高精度，但是數據計算量較大[2]；許磊等基于點屬性提出一種鋼軌中線數據自動提取算法，利用激光掃描儀對鋼軌和其他線路結構物的激光入射角度不同，從原始點云中快速分割道床及鋼軌點云，然后綜合半徑搜索、矩形分割、高程濾波、形狀濾波4種方法，從路基軌道點云中自動提取左右鋼軌頂面的點云[3]；張東方等提出一種基于3D移動測量系統點云數據的鋼軌信息自動提取的方法，解決了大坡度長里程下的線路點云地面點與地物點分離困難的問題，但是計算量也有相應的增加[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提取算法，以POS線為輔助線對鐵路橫斷面點云進行切割，采用Alpha Shapes算法提取鐵路橫斷面輪廓點云數據，實現了鐵路橫斷面軌頂點的提取[5]；梁濤等提出一種基于連續點云數據的既有鐵路軌面信息快速提取算法，通過平面格網法的粗提和多種約束條件下的精提實現軌面點提取[6]。以上方法雖然能實現軌道點云的提取，但是實現過程多較為不易，且有一定的局限性。

另外，解全波等提出一種直通濾波算法，通過設置閾值參數實現對點云數據的過濾[7]；李劉軼等提到采用統計濾波算法和半徑濾波算法去除離群點[8-9]；陳光洲等提出基于條件濾波下的顧及強度信息的點云濾波方法，基于不同被測物體的反射強度不同，通過設置合理參數對點云進行濾波[10]；李光等基于PCL點云數據處理庫，將基于FPFH特征的SAC-IA粗配準，與使用迭代最近點算法(ICP)的精配準方法合并使用，實現礦場環境點云配準[11]；鄒紀偉等提出基于區域增長與歐氏聚類相結合的點云分割方法，該方法通過區域增長將激光點云中的典型地物分為樹桿類及建筑類，然后分別對這兩大類地物設置不同閾值，采用歐氏聚類算法將個體單獨分割開來[12-13]。

1 線路點云濾波

點云濾波是點云數據處理的第一步，在進行濾波時要充分考慮點自身包含的數據信息特點，然后結合被掃描物體的結構特征，比如線路結構的幾何約束。二者綜合起來，從而提高算法效率及精度。

1.1 基于點屬性的“intensity”反射強度條件濾波

強度是反映某點的激光雷達脈沖回波強度的一種測量指標。不同地物對于激光雷達的反射程度是不一樣的，可通過強度信息把不同地物區分開。例如，通過強度區分接觸網電線桿、路基邊坡、軌枕、鋼軌等。

實驗數據來自于銀武高速鐵路車載激光雷達掃描儀獲取的線路點云數據，每一個點都包含了三維坐標信息，同時還包含顏色信息、反射強度信息等。對于包含反射強度信息的線路點云數據，其在鋼軌頂面處的反射強度數值與軌枕、道床、接觸網、路基邊坡的反射強度數值存在量級差。基于這這種量級差關系，在條件濾波中，將濾波條件設置為“反射強度”，給定合適的閾值范圍，再將鋼軌頂面的點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，結合實驗數據沿線路方向的高程變化特點，通過給定閾值范圍，過濾掉一定范圍內的路基邊坡和接觸網的點云數據。

1.3 基于點屬性和線路幾何約束的融合濾波

設置好反射強度和高程方向的閾值范圍，在“VS+PCL+QT”框架下運行程序，濾波完成后獲得左右股鋼軌頂面的點云數據，兩試驗段線路的初始點云見圖1、圖2，濾波完成后的點云見圖3和圖4。鋼軌頂面的點云數據已經完整地從線路點云中提取出來。

圖1 試驗段1初始線路點云

圖2 試驗段2初始線路點云

圖3 試驗段1 濾波完成后的線路點云

圖4 試驗段2 濾波完成后的線路點云

線路初始點云數量見圖5、圖6，試驗段1有初始點云19 670 786個，試驗段2有初始點云19 962 104個。經過“intensity” 和“z”值濾波過濾后，分別剩余86 802個和73 268個，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、路基邊坡、軌枕、道床等線路結構，極大地輕量化了數據，但仍然存在少量離群點，需要再次進行過濾。

圖5 試驗段1濾波前后的點云數量對比

圖6 試驗段2濾波前后的點云數量對比

1.4 基于點屬性的統計濾波

統計濾波會對每個點的鄰域進行統計分析，并過濾掉那些不符合算法設定標準的點。對每個點，算法會計算其到所有鄰近點的平均距離。平均距離在閾值范圍之外或一個點集內點的個數不滿足要求，被定義為離群點，并從數據集中去除。

由于鋼軌點云是連續的，因此，把鋼軌的連續點云假設為一個點集，且這個點集內包含若干個點，而離群點作為一個點集，其包含點的數量遠小于鋼軌點云數量。因此，對這些離群點，可以通過點與點的距離和點集內包含的點的數量關系進行統計濾波(見圖7、圖8)。可以明顯看出，大部分離群點被過濾。濾波算法流程見圖9。

圖7 試驗段1 去除離群點后的點云

圖8 試驗段2 去除離群點后的點云

圖9 濾波算法結構框架

2 基于空間位置關系的鋼軌分割

歐式距離分割可基于區分鄰里關系遠近來完成，歐幾里得算法使用鄰近點之間的距離作為判定標準，在設定的閾值距離內的點被聚為一類，實現方法如下。

(1)對于空間某點P，通過kd-tree近鄰搜索算法找到k個離P點最近的點，判斷這n個點到P的距離。將距離小于閾值的點P1，P2，P3，…放在Q1類里。

(2)搜尋下一個點，重復第一步的操作，直至Q1類里無法加入新的點。

(3)參考第一步和第二步，會有Q1-Qn個類來存放這些符合距離閾值的點。

(4)當Qn中不能加入新的點時，則完成搜索。

歐式分割算法流程見圖10。歐式聚類算法中，通過距離閾值設定來篩選點加入類。由于鋼軌的左右股間距遠大于單側鋼軌頂面鄰近點之間的距離，且鋼軌點云有呈帶狀分布的特點，故設置合理的閾值范圍，可以將單側鋼軌點云完整地提取出來(見圖11、圖12)。其中，每一種顏色都表示一個聚類Qi，且會生成相對應的pcd格式的文件并將點云數據保存下來。其中，“cloud_cluster_0.pcd”到“cloud_cluster_3.pcd”為有效的單側鋼軌點云數據。當得到單側的鋼軌點云數據后，可以進行后續線路中心線擬合，鋼軌建模等操作(見圖13、圖14)。

圖10 歐式聚類算法結構框架

圖11 試驗段1 分割完成后的單側鋼軌點云

圖12 試驗段2 分割完成后的單側鋼軌點云

圖13 試驗段1的單側鋼軌點云文件

圖14 試驗段2的單側鋼軌點云文件

3 鋼軌頂面點云提取結果評價

為評價提取的鋼軌頂面的點云精度，采用完整度c和準確度p兩個指標來對提取結果進行分析[14-15]，可定義為

(1)

式中，TP為正確提取的鋼軌頂面點云數量；FN為未能提取到的鋼軌頂面點云數量；FP為錯誤提取的鋼軌頂面點云數量。

通過手動方式，將兩試驗段的鋼軌頂面點云從完整的線路點云中裁剪出來，并與已經提取完畢的鋼軌點云進行對比。計算上述2個評價指標，分析結果見表1，其各項指標值均在90%以上。通過算法提取的鋼軌點云在完整度和準確度上均滿足要求，而且算法可以通過控制閾值和參數進一步完善提取的結果。表1中的結果表明，該方法可以較好地實現鋼軌頂面點云的提取。

表1 軌頂點云提取精度分析

4 結語

結合激光雷達掃描儀獲取線路點云數據的特點，緊密圍繞線路特性，包括材質差異(不同線路結構的激光反射強度數值差異)和鐵路線路線型特征(鐵路線路縱坡變化小的特點)，采用條件濾波算法，首先就將鋼軌點云從海量的線路點云中提取出來，獲得初步的鋼軌點云；再對鋼軌點云進行離群點去除，然后根據左右股鋼軌間的空間位置關系，對鋼軌進行分割。研究表明，該方法步驟簡潔，在準確性上也滿足要求。