CN113901968B

CN113901968B - 一种基于机器学习的铁路点云特征提取方法

Info

Publication number: CN113901968B
Application number: CN202111487560.0A
Authority: CN
Inventors: 张春英; 贾栋豪; 王立亚; 李�杰; 杨爱民
Original assignee: North China University of Science and Technology
Current assignee: North China University of Science and Technology
Priority date: 2021-12-08
Filing date: 2021-12-08
Publication date: 2022-02-25
Anticipated expiration: 2041-12-08
Also published as: CN113901968A

Abstract

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。

Description

一种基于机器学习的铁路点云特征提取方法

技术领域

本发明涉及铁路交通管理领域，特别是涉及一种保证铁路交通安全的基于机器学习点云特征提取方法。

背景技术

铁路是国家重要的交通设施，是国家经济发展的大动脉，加快铁路发展已经成为社会各方面的共识。随着我国铁路里程数的日益增加，国家对于列车的安全性、舒适性具有更高的要求，在技术层面上，铁路工程系统属性高度依赖精细化的数据需求，因此，三维扫描技术以其强大的实景刻画功能得到了蓬勃发展，三维点云数据也成为了当前研究的热点。然而再先进的数据信息获取设备也都需要契合更强大、多样的计算分析技术，近年来计算机技术的不断发展为点云数据进行分析处理提供了强大的技术保障，能够为铁路运输事业提供更加精准的数据支持。

机器学习作为大数据背景下一项重要的计算机技术，被广泛应用于各个领域。在机器学习时代以前，往往需要有经验的工作人员通过手工进行枯燥地捕捉特征的工作，效率极低。机器学习的蓬勃发展，使其成为目前处理分析三维点云数据的较为流行的技术，通过机器学习技术可以从无序的三维点云数据中挖掘更多有意义的信息。点云特征提取作为点云数据处理中的重要步骤之一，其结果严重影响了点云数据的应用效果，将机器学习算法用于提取点云特征已成为了当下热门的研究内容。为此，运用机器学习算法对铁路点云数据进行目标分割、特征提取和三维重构等一系列处理，以提高点云数据特征识别的准确度，提高点云数据三维重构的工作效率。

点云特征提取作为模型逆向重建中非常重要的部分，成为了近年来国内外众多学者的研究热点。

基于传统的点云特征提取方法，不少学者结合多领域知识不断提出了各种特征提取算法，并在各自领域得到了广泛应用。史红霞等人提出了一种法向量区域聚类的特征线提取算法，采用自适应邻域的PCA计算法矢，利用FA优化的FCM算法对法矢进行聚类并实现有效分割，选取候选特征点并以局部邻域主轴方向提取特征点； Baoxing Zhou等提出一种基于图像信息的三维点云变形监测方法，将点云转化为二维灰度图像，构造拓扑关系，然后基于小波模最大值技术提取灰度图像特征，最后根据点云特征计算变化量；Yue Ma等人通过引用点云法向估计，利用PCL中的RANSAC算法提取点云数据的期望平面特征，并结合平面特征讨论了无人机定位效果；Jiajie Tan等人提出了一种基于特征熵的增强特征提取算法，能够实现自适应有效提取最佳邻域，并通过计算和分析多个三维点之间的特征熵提取特征，方法有效且准确性较高；张靖等人提出了一种基于马尔可夫随机场的散乱点云特征提取方法，引用曲率估计、问题转化、贝叶斯估计、MAP-MRF框架、图割法和点标号等知识提取特征点；王晓辉等人基于区域聚类分割提出了一种非结构点云特征线提取算法，能够对点云中的显著特征进行区分，还能对特征强度变化曲线特征很好的识别。

发明内容

本发明目的：为了构建更为精准的铁路点云特征提取算法模型，提高特征识别的效率，利用DBSCAN聚类算法实现点云目标分割，基于RANSAC算法实现特征提取，最后采用统计滤波和矩形邻域提升提取精度。

为实现上述描述的方法，本发明提供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。

进一步的，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；

进一步的，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；

进一步的，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；

进一步的，所述Step5中滤波处理为统计滤波器处理；

进一步的，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。

本发明有益效果：运用机器学习算法对铁路点云数据进行特征提取，采用基于密度聚类的DBSCAN聚类算法对原始点云数据做目标分割处理，提取了包含Ⅱ类特征的地面数据。实验图像表明，DBSCAN聚类算法能够有效分割各部分数据，聚类过程中还能够有效将噪声点滤除，效果较好。结合地面点云数据层次特点，采用RANSAC算法进行平面拟合，通过适当的阈值将平面模型以下的数据滤除，提取了高层特征数据，同时，运用了统计滤波滤除初步提取结果中的离群点，为了保证枕木特征提取精度，提出了基于矩形邻域的枕木提取算法，通过实验表明，特征提取精度较高。

附图说明

图1整体方法步骤图；

图2 铁路点云原始图像（裁剪后）；

图3 节点数据；

图4 非节点数据；

图5 铁路点云DBSCAN目标分割框架；

图6 颜色标注图像；

图7 轨道截面；

图8地面数据图像；

图9 中部轨道区域数据图像；

图10 RANSAC提取结果（左），统计滤波结果（右）；

图11 基于矩形邻域的枕木提取流程；

图12 基于矩形邻域的枕木提取；

图13 最终提取结果（全貌）；

图14 最终提取结果（地面细节）；

图15 最终提取结果（截面图）。

具体实施方式

本方法采用基于密度聚类的DBSCAN聚类算法对初始点云进行目标分割，提取出植被、地面、电力线、支柱等Ⅰ类特征。目标分割提取的Ⅰ类特征包含Ⅱ类特征，需进一步提取，针对地面点云数据的层次特点，采用改进的RANSAC算法对轨道区域点云进行初步特征提取，分离出Ⅱ类特征（铁轨和枕木）；为提高特征提取精度，运用统计滤波滤除初步提取结果中大部分离群点，并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。

总的来说，这一过程可以用如图1所示：

Step1:点云特征确立：采用搭载LiDAR三维激光扫描仪的无人机以铁轨为航线沿途扫描获取点云数据，针对点云图像分布，确立特征提取的对象，包括铁轨、电力线、电力线支柱、地面以及铁轨两旁植被；

Step2：点云裁剪：原始点云数量都是千万级别，用于验证本发明方法显然效率不高，因此对点云进行裁剪，针对部分点云进行处理，由于DBSCAN聚类算法的不同的参数组合实现聚类效果不同，因此，为了降低目标之间的耦合性，将点云数据按节点分为节点数据与非节点数据；

Step4：特征提取：采用旋转矩阵对原始地面点云XOY平面进行旋转，然后对轨道数据区间使用切片操作，得到轨道区域数据，采用基于RANSAC的平面拟合算法对地面点云数据进行处理，调整参数使得属于不同层次的Ⅱ类特征（铁轨和枕木）被有效的提取出来；

Step5：滤波处理：对初步提取的枕木和铁轨数据进行统计滤波处理，过滤大部分的错误点；

Step6：枕木精细提取：对统计滤波后的枕木点云进行裁剪，选出形状规整、密度较为均匀的单个枕木作为参照样本，将样本区域内所有点的均值点作为参照关键点，根据国家铁路建设轨道规格的参数标准大致推算出任何一条枕木的关键点，获得关键点集，参照枕木的国家标准自动根据关键点形成准确的矩形邻域，根据关键点和邻域并利用叉乘进行枕木点提取。最后得到精度提升后的枕木特征点。

采用搭载LiDAR三维激光扫描仪无人机采集大规模的点云数据，获取的点云数据在数据维度上包含XYZ三维坐标和RGB颜色值，可构建出原始图像，如图2，对原始图像进行分析，可以将数据特征进行如下划分，如表1所示。由于本专利所提方法主要针对Ⅱ类特征中的铁轨和枕木，表1中其它Ⅱ类特征本文不予研究，所以说明书中的Ⅱ类特征指铁轨与枕木。

表1 铁路点云特征分类

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。利用Cloud Compare对点云进行裁剪，以电力线支柱为节点将点云数据分成节点数据和非节点数据，如图3和图4所示。将点云数据按节点区分目的在于降低目标之间的耦合性，由于DBSCAN是密度聚类，利用同一组全局参数的情况下对常规下带节点的点云数据聚类效果较差，甚至无法分割出Ⅰ类特征，因此通过划分，采用不同的参数组合以实现聚类效果最佳化。参数设置如表2所示：

表2 DBSCAN参数

数据集	ϵ	<i>MinPts</i>
			非节点数据	1100	18
节点数据	580	10

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。

在点云数据特征提取的处理过程中，点云目标分割就是将点云中区分明显的物体单独提取处理的过程，达到分而治之的目的。将节点数据与非节点数据作为输入，进行DBSCAN聚类，得到植被点、电力线点、地面点、支柱点以及噪声点，为了得到易于人眼区分的点云图像，对同一个类别的数据加注RGB数据进行颜色标注，以得到最终目标分割结果，具体流程如图5所示，分割结果如图6所示。

根据轨道数据图像的层次特点，如图7所示，即在层次上铁轨高于枕木，枕木高于地面，因此采用平面拟合算法—RANSAC进行高层数据提取，调整参数可使得属于不同层次的铁轨和枕木有效的初步提取出来。

如图8所示，铁路地面包含左、中、右三段轨道，且不属于同一层次，即存在多个模型，而RANSAC只能从特定的数据集中估计出单个模型，因此，对轨道区域数据进行提取显得十分必要。实现对轨道区域精准提取必须对地面数据进行坐标变换，采用旋转矩阵对原始地面点云XOY平面进行旋转，使X轴垂直区域轨道直线，Y轴平行区域轨道直线，然后将数据按X值排序对轨道数据区间使用切片操作，得到轨道区域数据，如图9所示。

将RANSAC算法应用到轨道点云，并结合提取要求做出了适当改进。以中部轨道区域数据为例，将其定义为点集P，根据RANSAC算法的基本原理，从P中随机选择三个点，从点云数据中提取。设平面模型方程如下。

具体步骤如下：

Step 1 在点集P中随机选取三个点{

}。

Step 2 根据{

}的位置确定一个平面模型 S，确定参数A、B、C，计算方式如下式。

。

Step 3 统计平面S上的点的个数、设定平面厚度为DBSCAN聚类算法所设半径参数

，计算P中任何一点

到平面S的距离

，

计算如式下。

统计

的点的个数，记为平面模型S的分数score。

Step 4 重复Step 1~Step 3步骤N次，选择出查分数最高的平面模型

。

Step 5 将点集P中的任何一点

与其在平面模型

上的投影点

进行减法运算，得到结果

，如式下：

过滤

的点，保留平面上层数据。在RANSAC算法的基础上进行这步操作的原因在于每次提取的枕木和铁轨均属于高层数据，而RANSAC算法拟合得到平面层数据时并不能实现底层数据的过滤，通过这样操作可以过滤对提取精度造成影响的底层数据，从而实现较为精确的提取。RANSAC算法具体参数设置包括距离阈值d、匹配点个数n、迭代次数k，如表 3所示。

表3 RANSAC参数

数据集	d	n	k
				非节点数据	50	100	10000
节点数据	20	100	10000

通过RANSAC提取后的特征往往具有较多的错误点，使得局部点云特征的估计变得非常复杂，这往往导致错误的估计结果，进而导致点云的特征提取精度表现不佳。因此，采用统计滤波的方法进一步滤除错误点，如图10所示。

通过统计滤波滤除错误点对对铁轨提取效果较好，但对于枕木的提取，仍然存在较多的错误点，因此，提出一种基于矩形邻域的枕木提取算法，主要包括提取关键点、构建矩形邻域，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。

关键点的提取是提升枕木提取精度的核心步骤。关键点的选取可以是一个矩形的四个顶点或者中心点，本次选择中心点作为参照的关键点，并且只对数据点的XY二维坐标进行分析，而关键点的提取则采用点云裁剪与自动生成的方式进行，具体步骤如下：

Step 1 枕木点云裁剪：利用Cloud Compare点云裁剪功能对经统计过滤后的枕木数据进行裁剪，选择形状规整，密度较为均匀的单个枕木作为参照样本。

Step 2 计算样本枕木关键点：将样本区域内所有点的均值作为首个参照关键点，即

；

Step 3 关键点生成：由于国家对于铁路建设中的轨道规格都有严格的参数标准，根据这个标准可以大致推算出任何一条枕木的关键点。假设双轨之间的距离为D，单条铁轨上相邻枕木之间的距离为M，参照样本位于左轨的第1条枕木（从上往下），则其余关键点的位置表示如下式，通过以上步骤得到关键点集K。

在国家铁路建设项目中，铁轨两轨之间距离、枕木规格、相邻枕木之间的距离都受到严格的规定。因此，在构建枕木矩形邻域过程中参照枕木的国家标准可以自动根据关键点形成准确的矩形邻域，从而实现枕木点精准提取。假设通过查阅得到枕木规格为：单个枕木长为L、宽为W，则具体构建方法如下：

根据关键点集K中的关键点

生成矩形邻域

,其中：

根据关键点和邻域

)进行枕木点提取，利用叉乘的性质来判断某点是否位于矩形邻域内，具体算法流程如图11所示。

循环遍历初始枕木点集，判断是否属于矩形邻域内，是则将该点的RGB设定为其他值，否则继续判断下一个点，直至遍历完所有点。最后得到精度提升后的枕木特征点，如图12所示。最终提取结果如图13所示，细节部分如图14和图15所示，通过结果可以看出，提取效果较好，能够有效区分各个特征。

以上所述仅是本发明的具体实施方式，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型，这些改进和变型也应视为本发明的保护范围。

Claims

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：

Step6：枕木精细提取：提取关键点，构建矩形邻域，利用关键点和矩形邻域进行枕木点提取；所述提取关键点提取方式为点云裁剪与自动生成，具体步骤如下：

a:枕木点云裁剪，选择参照样本；

b: 将样本区域内所有点的均值作为首个参照关键点，即

；

c: 设双轨之间距离为D，单条铁轨上相邻枕木之间距离为M，则其余关键点的位置表示如下式，

得到关键点集K；设枕木长为L、宽为W，则矩形邻域构建方法如下：根据K中关键点

生成矩形邻域

，其中：

，利用关键点和邻域（K _i ，R _i）进行枕木点提取，利用叉乘的性质循环遍历初始枕木点集，判断是否属于矩形邻域内，直至遍历所有点。

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。