一种基于激光雷达的列车轨道检测方法技术

本发明专利技术涉及一种基于激光雷达的列车轨道检测方法，包括如下步骤：通过激光雷达采集列车前方轨道的点云数据，创建点云鸟瞰图；对点云鸟瞰图进行采样形成数据集，对数据集中的每张图片进行轨道标注；构建主干卷积神经网络模型，提取图像特征，基于图像特征提取局部特征，在局部特征上加入注意力机制，形成全局特征；基于局部特征和全局特征，构建轨道检测模型；将待检测的点云鸟瞰图输入到训练好的轨道检测模型中，获取预测的轨道线信息，并在原始点云数据中标记列车轨道。本发明专利技术利用激光雷达收集的三维点云数据对轨道进行识别和定位，在点云中标记出来，该方法不易受光照等环境因素的影响，适用性更广，同时具有更高的检测精度和检测速率。检测速率。检测速率。

【技术实现步骤摘要】
一种基于激光雷达的列车轨道检测方法


[0001]本专利技术涉及计算机视觉
，尤其涉及一种基于激光雷达的列车轨道检测方法。

技术介绍

[0002]随着无人驾驶技术的发展，轨道交通系统也需要更高精度的定位和感知能力。因此，主动感知技术，如相机、激光雷达等，在轨道交通领域的研究越来越重要。轨道作为轨道交通的重要特征，是研究关注的重点。
[0003]现有的基于相机图像和深度学习的轨道线检测网络具有很好的检测性能，如中国专利CN112907597A公开了基于深度卷积神经网络的铁路轨道线检测方法，该方法利用相机采集轨道图像并利用深度卷积神经网络模型检测轨道线，该方法通过将图像均匀分割提高了模型检测轨道的速度和精度，但由于相机图像受天气和环境影响较大，所以该方法不适用于强光照和阴暗环境等情况。
[0004]激光雷达不易受光照等因素影响而且具有很强的空间感知能力，基于激光雷达的轨道线检测方案被更多的研究人员关注，如中国专利CN115123335A公开了一种轨道检测方法，该方法对激光雷达采集的点云数据进行体素分割，通过判断体素的质心是否在人为设定的两个轨道高度阈值之间来提取轨道点，该方法利用了轨道的高程特征，部分场景下具有很好的效果，但该方法依赖于预定义的阈值参数，因此对不同环境的适应性不强。
[0005]目前，使用激光雷达的轨道检测方法主要分为传统点云处理方法以及基于深度学习的方法。传统的点云处理方法基于轨道点云的几何特征等先验知识，但是这种方法局限性很大，仅适用于特定形状结构和特定情况下的轨道，实际情况中，很多轨道由于长久使用，钢轨被打磨光滑，轨枕和道床也可能被泥土碎石填平而难以分辨，在这些情况下这些方法的适应性不强。基于点云深度学习的轨道检测研究由于缺乏大型公开点云数据集尚未积极开展，加上点云深度学习模型需要消耗大量算力，难以满足轨道检测的实时性，故使用点云深度学习的方法在工程中难以实施。

技术实现思路

[0006]本专利技术所要解决的技术问题是克服现有技术中存在的不足，提供一种基于激光雷达的列车轨道检测方法，利用激光雷达收集的三维点云数据对轨道进行识别和定位，在点云中标记出来，该方法不易受光照等环境因素的影响，适用性更广，同时具有更高的检测精度和检测速率。
[0007]本专利技术是通过以下技术方案予以实现：
[0008]一种基于激光雷达的列车轨道检测方法，包括如下步骤：
[0009]S1.通过激光雷达采集列车前方轨道的点云数据，创建点云鸟瞰图；
[0010]S2.对所述点云鸟瞰图进行采样形成数据集，对所述数据集中的每张图片进行轨道标注；
[0011]S3.构建主干卷积神经网络模型，提取图像特征，基于所述图像特征提取局部特征，在所述局部特征上加入注意力机制，形成全局特征；
[0012]S4.基于所述局部特征和全局特征，构建轨道检测模型；
[0013]S5.将待检测的点云鸟瞰图输入到训练好的所述轨道检测模型中，获取预测的轨道线信息，并在原始点云数据中标记列车轨道。
[0014]根据上述技术方案，优选地，步骤S1包括：通过激光雷达采集列车在直道、弯道、轨道交叉口等场景下的点云数据；对所述点云数据预处理，过滤出感兴趣区域内的点云；将所述感兴趣区域内的点云投影到2D图像上，创建点云鸟瞰图。
[0015]根据上述技术方案，优选地，在步骤S1中，所述“点云数据预处理”中，通过点云滤波算法去除原始点云中存在的一些悬空的孤立点或无效点。
[0016]根据上述技术方案，优选地，所述“创建点云鸟瞰图”包括：将所述感兴趣区域内的点云的坐标映射到像素坐标；使用点云高度信息、强度信息以及密度信息为点云鸟瞰图上色。
[0017]根据上述技术方案，优选地，步骤S2包括：使用间隔采样的方法抽取不同轨道交通场景下的点云鸟瞰图；按照比例划分为训练集和测试集，为所述数据集中的每张图片分别标注左右两个轨道线。
[0018]根据上述技术方案，优选地，步骤S3包括：构建主干卷积神经网络模型ResNet18；将所述训练集的图像作为主干卷积神经网络模型的输入，通过主干卷积神经网络提取图像特征；将所述轨道线表示成点集的形式，然后使用Anchor表征轨道线；通过Anchor在所述图像特征中提取局部特征，在局部特征上加入注意力机制，以产生全局特征。
[0019]根据上述技术方案，优选地，步骤S4包括：构建轨道检测模型；聚合输出的所述局部特征和全局特征，作为所述轨道检测模型的输入，其中，采用两个并行的全连接层，一个用于分类，一个用于回归；使用所述训练集训练轨道检测模型，通过反向传播优化模型参数使损失函数误差达到期望值，得到训练好的模型参数；使用所述测试集测试模型的轨道检测效果。
[0020]本专利技术的有益效果是：
[0021]本专利技术使用激光雷达采集列车前方的点云信息用于检测轨道，系统不易受光照等环境因素的影响，满足了在不同恶劣环境下轨道检测的稳定性；同时，针对铁路轨道环境的特殊性，使用点云鸟瞰图检测轨道，能够更加容易的捕捉到轨道自身的几何特征以及轨道与周围环境相对稳定的空间关系特征，而且保留了轨道点云的高度特征和强度特征，有利于后续卷积神经网络模型更准确的提取轨道特征；此外，使用基于图像检测的深度学习网络模型来检测点云鸟瞰图中的轨道，再利用预测的轨道信息在原始点云中标记出轨道，该方法在工程中可实施性较大，而且具有很高的检测速率和检测精度，成功结合了激光雷达的稳定性以及深度学习网络模型的检测性能。
附图说明
[0022]图1是本实施例中的流程示意图。
[0023]图2为本实施例中的原理图。
[0024]图3为本实施例中用于创建点云鸟瞰图的感兴趣区域示意图。
[0025]图4为本实施例中的点云鸟瞰图示例。
[0026]图5为本实施例中的Anchor的原理图。
[0027]图6为本实施例中轨道检测流程的分阶段效果图展示。
具体实施方式
[0028]为了使本
的技术人员更好地理解本专利技术的技术方案，下面结合附图和最佳实施例对本专利技术作进一步的详细说明。基于专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于专利技术保护的范围。
[0029]如图所示，本专利技术包括如下步骤：
[0030]S1.通过激光雷达采集列车前方轨道的点云数据，创建点云鸟瞰图。
[0031]步骤S11.将激光雷达固定在列车车头，随着列车向前运动，不断采集列车在直道、弯道、轨道交叉口等场景下的点云数据，使得数据样本具有足够的多样性，能以涵盖不同的场景和环境；
[0032]步骤S12.对所述点云数据预处理，通过点云滤波算法去除原始点云中存在的一些悬空的孤立点或无效点，过滤出感兴趣区域内的点云，如图3所示，对于列车前方的轨道，感兴趣区域为一个以列车前进方向为轴并且包含轨道点云的对称立方体区域，感兴趣区域内点p
i
的坐标为(x
i
,y
...

【技术保护点】

【技术特征摘要】
1.一种基于激光雷达的列车轨道检测方法，其特征在于，包括如下步骤：S1.通过激光雷达采集列车前方轨道的点云数据，创建点云鸟瞰图；S2.对所述点云鸟瞰图进行采样形成数据集，对所述数据集中的每张图片进行轨道标注；S3.构建主干卷积神经网络模型，提取图像特征，基于所述图像特征提取局部特征，在所述局部特征上加入注意力机制，形成全局特征；S4.基于所述局部特征和全局特征，构建轨道检测模型；S5.将待检测的点云鸟瞰图输入到训练好的所述轨道检测模型中，获取预测的轨道线信息，并在原始点云数据中标记列车轨道。2.根据权利要求1所述一种基于激光雷达的列车轨道检测方法，其特征在于，步骤S1包括：通过激光雷达采集列车在直道、弯道、轨道交叉口等场景下的点云数据；对所述点云数据预处理，过滤出感兴趣区域内的点云；将所述感兴趣区域内的点云投影到2D图像上，创建点云鸟瞰图。3.根据权利要求2所述一种基于激光雷达的列车轨道检测方法，其特征在于，在步骤S1中，所述“点云数据预处理”中，通过点云滤波算法去除原始点云中存在的一些悬空的孤立点或无效点。4.根据权利要求2或3所述一种基于激光雷达的列车轨道检测方法，其特征在于，所述“创建点云鸟瞰图”包括：将所述感兴趣区域内...

【专利技术属性】
技术研发人员：刘全利，袁明，王伟，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：