程智博

(中國鐵道科學研究院集團有限公司 電子計算技術研究所，北京 100081)

接觸網(wǎng)的支柱及支持裝置擔負著支撐接觸網(wǎng)和保證接觸線正常供電的重要任務，由于其露天架設且存在復雜的力學關系，容易受到自身使用壽命和環(huán)境因素的影響，導致故障率一直較高，嚴重影響高速鐵路的運營安全[1]，需進行高效、準確、實時地監(jiān)控和檢測。傳統(tǒng)的人工檢測和接觸式自動檢測效率較低，干擾正常行車秩序，無法適應鐵路的快速發(fā)展。非接觸式自動檢測能夠減少檢測設備、降低投資成本，但目前非接觸式自動檢測較多集中在基于圖像的受電弓、絕緣子、鳥巢及接觸網(wǎng)幾何參數(shù)[2]等的檢測。

三維激光掃描技術作為近年來快速發(fā)展的一項技術，可以快速獲取高精度的數(shù)據(jù)信息，在城市、交通、電力、水利等領域得到廣泛應用，其獲取的三維點云數(shù)據(jù)包含地表及其上方各種目標的方位及形態(tài)信息，但含有無關數(shù)據(jù)，需在進一步的數(shù)據(jù)處理過程中得到有效的點云信息。近年來學者們研究了鐵路場景中三維點云的識別和提取，文獻[3—5]利用車載激光掃描點云識別軌道中心線，得到較高的精度；文獻[6]基于區(qū)域生長方法提取鐵路電力線；此外，點云識別在道岔[7]、隧道[8]、罐車容積[9]等檢測方面也得到應用。

本文在分析支柱及支持裝置的空間和幾何特征的基礎上，為實現(xiàn)更高精度的目標地物提取，提出一種適用于支柱及支持裝置的區(qū)域生長方法，該方法能夠根據(jù)多級體素自動選取種子，利用支柱及支持裝置的形態(tài)特征與地面點和接觸網(wǎng)分開，從而加快搜索目標速度，提高提取精度，有效實現(xiàn)了支柱及支持裝置點云的自動提取。

1 點云自動提取方法

為了提高三維激光點云數(shù)據(jù)中支柱及支持裝置的提取精度，首先對點云數(shù)據(jù)進行剔除異常點、插補數(shù)據(jù)及去除噪聲等預處理，確定提取目標地物即支柱及支持裝置的空間范圍，同時利用八叉樹方法構建多級體素；其次利用支柱及支持裝置的空間幾何特征，快速生成種子體素；然后基于區(qū)域生長方法，制定生長規(guī)則，分割出支柱及支持裝置點云，直至所有種子體素均搜索結束，每個種子體素對應的生長區(qū)域都包含著候選的單個支柱及支持裝置點云數(shù)據(jù)；最后結合多級體素，利用目標地物的局部幾何參數(shù)特征不斷細化提取結果，再次剔除掉非目標地物點云，提高單個支柱及支持裝置的提取準確度與精度。

支柱及支持裝置點云自動提取方法的流程如圖1所示。

圖1 支柱及支持裝置點云自動提取流程

1.1 構建多級體素

由于點云數(shù)據(jù)數(shù)量較大且分布散亂，逐點計算效率低且難以判斷單個點屬于哪一類地物，因此需要將點云按照一定的結構進行組織，根據(jù)相應結構進行計算和判斷。點云常用的組織結構有不規(guī)則三角網(wǎng)、網(wǎng)格結構等，但這些結構均適用于小范圍數(shù)據(jù)，對數(shù)量極大的數(shù)據(jù)表現(xiàn)能力極度下降。體素是三維空間中具有特定的長、寬、高的立方體，是最小的特征提取和識別單元。眾多研究表明，體素在組織點云數(shù)據(jù)時具有較好的效果[10-11]。將點云空間劃分為有序的體素網(wǎng)格，這個過程稱為體素化，該過程使得雜亂無章的點云規(guī)則化，將整體點云數(shù)據(jù)劃分到體素中，利用體素內點集的屬性或特征作為體素的屬性或特征，達到快速提取目標地物的目的。

當提取場景具有復雜性且目標地物具有多樣性時，單一級別的體素無法準確反映目標地物的局部幾何特征；邊長較大的體素有利于較粗或較大目標地物的特征識別，加快提取效率，但不利于其細部特征的識別[12]；邊長較小的體素能夠反映細部特征，有利于優(yōu)化目標地物提取精度，但大大降低較粗或較大目標地物的識別和提取效率。

因此，基于八叉樹劃分的原理構建多級體素，將點云劃分到相應級別的體素中，同時構建八叉樹空間索引，保留點云間的空間關系，進一步提高搜索效率。八叉樹構建多級體素[13]如圖2所示。

圖2 八叉樹構建多級體素示意圖

在利用八叉樹構建多級體素的過程中，將點云P(P={P1，P2，…，Pn})所占的空間以遞歸的方法不斷細化為8個子區(qū)域，直至區(qū)域邊長與設定體素邊長相等為止。為了提高處理效率，同時避免某些點數(shù)過于稀少的無意義區(qū)域，該過程只對有效區(qū)域進行操作。有效區(qū)域Flag(Flag=1)的判定規(guī)則為

(1)

式中：Gnum為區(qū)域內點云數(shù)目。

(2)

根據(jù)試驗，使用3級體素提取支柱及支持裝置點云，能夠減少區(qū)域生長的工作量、提高生長速度，也能夠有效地保證提取精度，即利用第1級體素進行區(qū)域生長算法對支柱及支持裝置粗提取，再利用第2和第3級體素進行進一步的精提取。

1.2 生成種子體素

為了生成種子體素，需要分析支柱及支持裝置的空間及幾何特征。支柱及支持裝置高于周圍地物(鐵軌、路基等)，且沿鐵路線路以不同的間隔線性分布，單個地物具有分布的連續(xù)性，可將其分成2個部分：一是直立的桿狀支柱；二是由水平方向和傾斜方向的桿狀物體組成的支持裝置。如圖3所示。

圖3 支柱及支持裝置示意圖

通過分析發(fā)現(xiàn)，屬于同一桿狀地物上的掃描點在空間上相鄰且具有相同或相近的法向量，而顏色差異、反射強度等特征差異較小，因此選用法向量作為選取區(qū)域生長種子體素的顯著特征。

法向量的計算方法眾多，但基于局部平面擬合算法[14]的計算結果在質量和速度上較好，通過點云中每一個點的領域點近似在某個局部平面中，并將該平面的法向量作為該點的法向量。

支柱是垂直于地面的物體，沿垂直方向進行延伸，其底部與地面相連，上部與支持裝置相連，而支持裝置又與接觸導線和承力索相連。因此，先找到位于支柱上的種子體素，再由種子體素分別向上和向下生長，向上生長時區(qū)分接觸導線和承力索，向下生長時區(qū)分地面，則可獲取支柱和支持裝置。對于支柱可以概括為以下3個特征：①支柱垂直于地面，即位于支柱的體素法向量平行于地面；②支柱具有垂向延伸性，且高度一般大于5 m；③支柱鄰域地物具有唯一性，即在一定領域范圍內有且只有1個支持裝置與其相鄰。

利用支柱的3個特征對某一體素Voxel-q(xq，yq，zq)進行判斷，若其符合以下3個條件，則認為該體素是位于支柱上的種子體素，具體判斷步驟如下。

步驟3：判斷與體素Voxel-q垂直方向相鄰的5個體素是否為空體素，即滿足Voxel-q(xq，yq，zq+i)≠?，i∈{1,2,3,4}，滿足則轉入步驟4，否則舍棄。

步驟4：判斷體素Voxel-q的在垂直方向即z方向上的值zq是否為與其所有連通體素中的最小值，且該體素在所有連通體素中點云數(shù)量最多，即在滿足zq→min的前提下，選取Gnum(Voxel-q)→max的體素，則將該體素進行標記，并存入備選種子體素的容器中。

步驟5：循環(huán)判斷下1個體素，直到所有體素判斷完畢。

步驟4中的連通體素是指與當前體素相鄰的有效體素，包括點、線、面3種連通情況，如圖4所示。

圖4 連通體素示意圖

1.3 支柱及支持裝置粗提取

目前點云提取單個桿狀地物的算法大致分為3類：一是基于聚類特征的方法，該方法直接對散亂的點進行分割和目標提取，不需要查找點或區(qū)域，但計算量較大，容易導致目標提取錯誤；二是基于模型擬合的方法，該方法不受異常數(shù)據(jù)的干擾，但在復雜的場景下或對幾何關系復雜的地物進行提取較為困難；三是基于區(qū)域增長的方法，該方法提取地物的精度較高，但容易產生混合體素，且提取地物的精度取決于種子的選取以及規(guī)則的制定。支柱及支撐裝置為桿狀地物，利用區(qū)域生長方法的向上、向下生長算法能夠較好提取該目標地物，因此選取該方法作為提取基礎算法。

對生成的種子體素進行區(qū)域生長，向上生長主要為了區(qū)分與支持裝置相連的接觸導線和承力索的點云，其中接觸導線和承力索幾乎平行于地面，利用該部分點云數(shù)據(jù)高程變化較小的特征作為生長規(guī)則；向下生長主要是為了區(qū)分與支柱相連的地面點云，桿狀地物支柱是沿垂直方向進行延伸且在水平面變化不大，同時地面相對較為平坦，垂直方向的數(shù)值變化也相對較小，利用這些特征制定生長規(guī)則。生長步驟具體如下。

其中，第l級體素的超高閾值hl為

(3)

式中：m和n為參數(shù)。

其中，第l級體素的標準差閾值σl為

(4)

式中：β為參數(shù)。

步驟4：循環(huán)上述步驟，直到所有種子體素遍歷完畢。

1.4 支柱及支持裝置精提取

為了避免單一級別的體素生長導致的支柱及支持裝置無法精確提取，采用多級別體素細化支柱及支持裝置點云，同時加快提取速度，其示意圖如圖5所示。

圖5 多級體素精提取示意圖

支柱及支持裝置精提取具體步驟如下。

以上步驟中，步驟1和步驟2組成了向上生長規(guī)則，步驟3和步驟4組成了向下生長規(guī)則。

2 試驗及分析

為了驗證本文提出方法的有效性和適用性，采用2016年9月在鄭州鐵路局某車站試驗區(qū)段采集的點云數(shù)據(jù)進行試驗。該區(qū)段鐵路線長約300 m，地面有一定的起伏，試驗數(shù)據(jù)共有1 241 654個點，數(shù)據(jù)覆蓋范圍約為300 mm×20 m，點云數(shù)據(jù)最大高程為17.6 m，最小高程為0.26 m。點云數(shù)據(jù)中包含多種鐵路基礎設施，主要有4條鐵軌、軌道板、復雜交錯的接觸網(wǎng)、12個接觸網(wǎng)支柱等。點云數(shù)據(jù)如圖6所示。

圖6 試驗區(qū)域點云數(shù)據(jù)

利用本文方法對該試驗區(qū)段內的支柱及支持裝置自動提取，提取結果及序號如圖7所示。

由圖7可以看出：采用本文方法共提取出12個支柱及支持裝置，與試驗區(qū)域實際情況相符，表明該自動提取方法較好，沒有摻雜地面或接觸導線等地物點云，12個支柱及支持裝置全部完整、正確地提取出來。計算結果表明，單個支柱及支持裝置點云數(shù)目自動提取的完整度和正確率分別為94.08%和94.48%。

為了比較自動和手工提取單個目標地物的精度，采用平均絕對誤差(Mean Absolute Error, MAE)和平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)進行衡量。自動和手工提取單個目標地物完整度、正確率、高度和寬度的MAE和MAPE對比結果如圖8所示。

計算結果表明，采用本文方法自動提取的單個目標地物點云完整度和正確率的MAPE分別為3.43%和2.49%，高度和寬度的MAPE僅為0.709%和0.67%，MAPE越低說明提取精度越高、算法效果越好。因此，可以反映出本文提取的支柱和支持裝置點云精度較高，且各部分提取都較為完整和準確。

由圖9可以看出：從單級體素、2級體素到3級體素，完整度、高度及寬度3項的MAPE均呈下降趨勢，說明3級體素的提取精度最高；從單級體素到2級體素，單個目標地物的高度和完整度的精度提升較小，而寬度的精度提升幅度較大；從2級體素到3級體素，完整度、高度及寬度3者的提取精度均明顯提高，說明采用3級體素提取效果最優(yōu)。

圖7 提取結果

圖8 單個目標地物的相關精度

圖9 不同級別體素提取精度對比

進一步對提取出的單個支柱及支持裝置進行分析，其自動提取的點云與手動提取的點云吻合度較高，各形態(tài)參數(shù)偏差也較小。以序號為3號和7號支柱及支持裝置為例，采用本文方法能夠將地面、接觸導線、回流線、承力索等非目標地物全部剔除，且目標地物沒有被錯誤剔除，比較精確地提取出了目標地物的完整點云，尤其是7號支柱具有3套支持裝置，其點云也能夠完整、無誤地被提取，具體如圖10所示。

圖10 3號及7號目標地物提取結果

但是本文方法仍然存在一些問題，主要集中于支柱及支持裝置的補償裝置提取，利用體素內點云的高差和標準差的生長規(guī)則只能對補償裝置進行粗提取，不能精確提取，且包括一些誤提取，如補償繩提取時。然而，對地面及接觸線等能夠較好地區(qū)分并刪除，表明整體支柱及支持裝置提取的參數(shù)仍然較為正確，并不影響后續(xù)的數(shù)據(jù)獲取或檢測等應用分析。復雜情況下目標地物的提取結果如圖11所示。

3 結 語

以三維激光掃描測量系統(tǒng)采集的點云數(shù)據(jù)為研究對象，根據(jù)接觸網(wǎng)支柱及支持裝置的空間和幾何特征，提出基于多級體素的點云自動提取方法，利用目標地物的幾何特性自動選取種子體素，通過制定生長規(guī)則實現(xiàn)粗提取，并采用一種漸進式的提取策略，提高目標地物的提取精度和生長速度，給出該方法具體實現(xiàn)過程；最后，選取某一實驗段進行方法驗證。通過對目標地物提取結果的完整度、正確率及精度方面進行分析，表明本文方法可實現(xiàn)目標地物的完整和精確提取，同時，單級體素和2級體素的對比結果也充分驗證了多級體素提取的效果最優(yōu)。下一步將繼續(xù)研究對鐵路各類基礎設施的點云提取，包括鐵軌、道床等。

圖11 復雜情況目標地物提取結果