CN111583257A - 铁路限界异物侵入检测方法、装置及*** - Google Patents

铁路限界异物侵入检测方法、装置及*** Download PDF

Info

Publication number
CN111583257A
CN111583257A CN202010467594.2A CN202010467594A CN111583257A CN 111583257 A CN111583257 A CN 111583257A CN 202010467594 A CN202010467594 A CN 202010467594A CN 111583257 A CN111583257 A CN 111583257A
Authority
CN
China
Prior art keywords
laser point
frame
laser
point data
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010467594.2A
Other languages
English (en)
Other versions
CN111583257B (zh
Inventor
赵鑫欣
孙淑杰
杜馨瑜
王凡
程雨
刘俊博
谭松
吴奇永
王昊
王胜春
王宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Railway Sciences Corp Ltd CARS
Infrastructure Inspection Institute of CARS
Beijing IMAP Technology Co Ltd
Original Assignee
China Academy of Railway Sciences Corp Ltd CARS
Infrastructure Inspection Institute of CARS
Beijing IMAP Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Academy of Railway Sciences Corp Ltd CARS, Infrastructure Inspection Institute of CARS, Beijing IMAP Technology Co Ltd filed Critical China Academy of Railway Sciences Corp Ltd CARS
Priority to CN202010467594.2A priority Critical patent/CN111583257B/zh
Publication of CN111583257A publication Critical patent/CN111583257A/zh
Application granted granted Critical
Publication of CN111583257B publication Critical patent/CN111583257B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供了一种铁路限界异物侵入检测方法、装置及***，该方法包括：获取设定铁路限界范围的多帧激光点数据；对每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点；提取过滤后的每帧激光点数据中每个激光点簇的轮廓；基于过滤后的每帧激光点数据中每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，判定该激光点簇是否侵入铁路限界范围。本发明可以对铁路限界异物侵入进行检测，虚警率低，准确性高，效率高。

Description

铁路限界异物侵入检测方法、装置及***
技术领域
本发明涉及轨道交通安全技术领域，尤其涉及一种铁路限界异物侵入检测方法、装置及***。
背景技术
为了保障铁路运输的安全性，防止列车运行时与铁路沿线建筑物和设备发生撞击/刮蹭事故，铁路管理部门针对铁路沿线建筑物、设备和列车车辆都制定了标准的轮廓尺寸线，称为铁路限界(Railway Clearances)。铁路限界包括列车车辆限界和建筑接近限界，前者规定了列车车体及其装载货物的横断面最大尺寸，后者规定了保证列车安全通行所需要的空间横断面的最小尺寸，铁路沿线建筑物和设备都不允许侵入此限界范围内。
近年来，新建铁路线路和改造既有铁路线路的里程不断增多，对铁路运输安全提出了巨大的挑战。在新建和改造铁路线路的过程中，铁路场站、站台、雨棚、隧道、桥梁的修建与改造都有可能出现不符合“标准轨距铁路限界规范”的情况，铁路沿线设备也有可能侵入到限界范围内，容易导致列车运行时发生撞击/刮蹭事故，影响铁路的整体运营秩序，造成巨大的经济和人员损失。因此，铁路限界异物侵入检测***需要高效、准确地检测出异物的位置和尺寸，以确保列车在行驶时有足够的行驶空间，保障列车的安全运行。
目前，铁路限界异物入侵检测方法主要有横断面法、轨迹法、综合断面法和断面摄像法。横断面法需要先人工选定施测横断面位置，采用净空检查尺或净空检查架进行测量，逐位置测出桥隧的净空轮廓，然后进行铁路限界异物侵入的检测分析。轨迹法是通过安装在车体上的测量触手，获取其外端点的运动轨迹得到车体各方位的净空、净宽变化曲线。综合断面法是一种定高测宽方法，通过安装在平车上的开屏式检查架的***测量触手与桥隧部位接触，得到各测量触手位置的数据。然而，以上方法在检测过程中均需要大量的人工干预操作，检测效率低、测量精度不足、工作量大、可靠性差，已无法满足当前铁路限界异物侵入检测任务的需求。断面摄像法是一种自动化程度较高的方法，该方法通过线型激光器在被测建筑物表面投射激光光带，然后通过安装在车体上的摄像机拍摄该激光光带，得到建筑物的轮廓线，最后，使用图像处理方法计算出被测建筑物的实际位置和尺寸。该方法的操作简单、检测效率高，但对光照变化较为敏感，仅适用于隧道限界的检测，对隧道以外的建筑限界检测可靠性较低。
随着车载激光扫描设备的快速发展，基于车载激光雷达的测量方法成为当前铁路限界异物侵入检测任务的主要方式。该方法通过一台或多台激光雷达连续不断的向铁路沿线建筑物表面投射激光点，然后，根据激光点的距离、反射率和角度分辨率等信息计算出该激光点的二维直角坐标，进而得到建筑物轮廓，最后，计算每个激光点与铁路限界标准点的偏移值识别铁路限界异物侵入检测。该方法具有高效、准确、可靠等特点，并且对光照条件的变化不敏感，能够在复杂环境下使用。
然而，基于车载激光雷达的铁路限界异物入侵检测***在实际检测时仍存在以下问题：激光雷达投射的激光点数据存在诸多的干扰点，其原因可能与检测现场的环境有关(如道床积水、隧道壁渗水、轨面波磨、飞虫等)，无法准确地测试量化。干扰点的位置分布没有规律，其反射率、角度分辨率等特征与正常激光点没有区别，导致检测结果中虚警率较高，产生很多异物侵入的误报。实际检测时，需要对大量的异物侵入断面图像进行人工复核，影响了检测效率和准确性
发明内容
本发明实施例提出一种铁路限界异物侵入检测方法，用以对铁路限界异物侵入进行检测，虚警率低，准确性高，效率高，该方法包括：
获取设定铁路限界范围的多帧激光点数据；
对每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点；
提取过滤后的每帧激光点数据中每个激光点簇的轮廓；
基于过滤后的每帧激光点数据中每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，判定该激光点簇是否侵入铁路限界范围。
本发明实施例提出一种铁路限界异物侵入检测装置，用以对铁路限界异物侵入进行检测，虚警率低，准确性高，效率高，该装置包括：
数据获得模块，用于获取设定铁路限界范围的多帧激光点数据；
聚类模块，用于对每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点；
轮廓提取模块，用于提取过滤后的每帧激光点数据中每个激光点簇的轮廓；
检测模块，用于基于过滤后的每帧激光点数据中每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，判定该激光点簇是否侵入铁路限界范围。
本发明实施例提出一种铁路限界异物侵入检测***，用以对铁路限界异物侵入进行检测，虚警率低，准确性高，效率高，该***包括：数据采集装置和上述铁路限界异物侵入检测装置，其中，
数据采集装置安装于运行于铁路上的检测列车的车头位置，用于获取设定铁路限界范围的多帧激光点数据，并传输至铁路限界异物侵入检测装置。
本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述铁路限界异物侵入检测方法。
本发明实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述铁路限界异物侵入检测方法的计算机程序。
在本发明实施例中，获取设定铁路限界范围的多帧激光点数据；对每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点；提取过滤后的每帧激光点数据中每个激光点簇的轮廓；基于过滤后的每帧激光点数据中每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，判定该激光点簇是否侵入铁路限界范围。在上述过程中，能够有效地滤除每帧激光点数据中的干扰激光点，降低虚警率，且判定该激光点簇是否侵入铁路限界范围时，考虑了每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，最后检测的准确性高，且上述检测过程不需要对大量的异物侵入断面图像进行人工复核，检测效率高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中铁路限界异物侵入检测方法的流程图；
图2为本发明实施例铁路限界异物侵入检测方法的详细流程图；
图3为本发明实施例中铁路限界异物侵入检测装置的示意图；
图4为本发明实施例中铁路限界异物侵入检测***的示意图；
图5为本发明实施例中铁路沿线建筑物和设备的二维断面轮廓的示意图；
图6为本发明实施例中图5对应的铁路沿线建筑物和设备的三维轮廓的示意图；
图7为本发明实施例中聚类结果示意图；
图8为提取的激光点簇轮廓图；
图9为在无干扰激光点时现有方法的断面检测结果示意图；
图10为在无干扰激光点时本发明实施例提出方法的断面检测结果示意图；
图11为在有干扰激光点时现有方法的断面检测结果示意图；
图12为在有干扰激光点时本发明实施例提出方法的断面检测结果示意图；
图13为本发明实施例中计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
图1为本发明实施例中铁路限界异物侵入检测方法的流程图，如图1所示，该方法包括：
步骤101，获取设定铁路限界范围的多帧激光点数据；
步骤102，对每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点；
步骤103，提取过滤后的每帧激光点数据中每个激光点簇的轮廓；
步骤104，基于过滤后的每帧激光点数据中每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，判定该激光点簇是否侵入铁路限界范围。
在本发明实施例中，能够有效地滤除每帧激光点数据中的干扰激光点，降低虚警率，且判定该激光点簇是否侵入铁路限界范围时，考虑了每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，最后检测的准确性高，且上述检测过程不需要对大量的异物侵入断面图像进行人工复核，检测效率高。
具体实施时，在步骤101中，获取设定铁路限界范围的多帧激光点数据，一般是先通过数据采集装置来采集设定铁路限界范围的多帧激光点数据，例如，利用数据采集装置中的车载高精度激光雷达，随着检测列车的移动，可以获得设定铁路限界范围的多帧激光点数据，高精度激光雷达可以安装在检测列车的车头，高精度激光雷达向铁路沿线建筑物和设备的表面投射激光点，并实时输出和存储。由于每帧激光点数据规模较大，可以基于多缓冲机制的大规模数据实时处理算法，还可以通过数据采集卡和异步传输模块同步检测列车速度与里程数据，然后进行存储。
在一实施例中，在获取车载激光雷达输出的多帧激光点数据之后，还包括：
计算每帧激光点数据中每个激光点的二维直角坐标值。
在上述实施例中，可以根据设定铁路限界范围的多帧激光点数据、检测列车的速度和里程数据，计算每帧激光点数据中每个激光点的二维直角坐标值。具体实施时，首先根据检测列车的速度和里程数据，基于钢轨表面的基准坐标系，利用公式(1)将激光点数据转换为建筑物二维断面轮廓，从而实时显示建筑物轮廓图，获得每个激光点的二维直角坐标值：
Figure BDA0002513186870000051
其中，xp和yp为横坐标和纵坐标；
r为每个激光点的距离，θ为每个激光点的角度。
在一实施例中，对每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点，包括：
根据每帧激光点数据中每个激光点的二维直角坐标值，对每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点。
在上述实施例中，在获得每个激光点簇后，对于不在激光点簇内的激光点，即定义为干扰激光点，从而可以去除这些激光点，从而降低虚警率。
具体实施时，对每帧激光点数据中多个激光点进行聚类的方法有多种，下面给出其中一个实施例。
在一实施例中，根据每帧激光点数据中每个激光点的二维直角坐标，对每帧激光点数据中多个激光点进行聚类，包括：
根据每帧激光点数据中每个激光点的二维直角坐标，利用基于密度的聚类算法每帧激光点数据中多个激光点进行聚类。
在上述实施例中，聚类分析算法是一种非监督学习算法，并且作为一种常用的数据分析算法在很多领域上得到应用。利用聚类分析，通过将每帧激光点数据分为多个激光点簇，比较清晰的获取到断面轮廓数据信息。由于采集的断面数据密度分布不均匀且存在外部环境噪声，因此选取基于密度的聚类算法DBSCAN，具体过程如下：
给定一帧包含n个激光点的激光点数据P＝{p1,p2,...,pn}，其中pn的横坐标和纵坐标即公式(1)中表示的xp和yp，设定ε为邻域半径，M为核心点阈值，则对每个激光点pn，Nε(pn)＝{p'∈P:d(p',pn)≤ε}为该激光点的ε邻域；ρ(pn)＝|Nε(pn)|为该激光点的密度；若ρ(pn)≥M，则将pn记为P的核心点；若ρ(pn)≤M，且pn的ε邻域中存在核心点，则将pn记为P的边界点；若pn既不是核心点也不是边界点，则将pn记为干扰激光点。
扫描全部激光点，如果某个激光点ε邻域范围内点数目大于阈值λmin，则将其纳入核心点列表，并将其密度直达的激光点形成对应的临时簇；然后，对于每一个临时簇，检查其中的点是否为核心点，如果是，则将该点对应的临时簇与当前临时簇进行合并，得到新的临时簇；最后，重复此操作，直到当前临时簇中的每一个点不在核心点列表，或其密度直达的点都已经在该临时簇中，则将该临时簇升级成为激光点簇。继续对剩余的临时簇进行相同的合并操作，直到全部临时簇被处理。上述阈值λmin为设定的激光点簇包含的最小点数量，干扰激光点即为聚类结果中的孤立点。
相比传统聚类分析方法基于划分的K-means算法和层次聚类算法，DBSCAN算法可以获得更高的执行效率和更好的聚类效果。不需要事先指定类的数目，可以发现任意形状的类，能找出数据中的噪音，且对噪音不敏感，聚类结果不依赖于节点的遍历顺序，准确度高。
具体实施时，提取过滤后的每帧激光点数据中每个激光点簇的轮廓的方法有多种，下面给出其中一个实施例。
在一实施例中，提取过滤后的每帧激光点数据中每个激光点簇的轮廓，包括：
对于过滤后的每帧激光点数据中任意每个激光点簇内的两个激光点，获取过所述两个激光点的设定半径的圆；
若所述设定半径的圆无其它激光点，确定所述两个激光点为边界点，所述两个激光点的连线为每个激光点簇内的轮廓的边界线；
重复执行以上步骤，直至获得过滤后的每帧激光点数据中每个激光点簇的轮廓的所有边界线。
在上述实施例中，对于一个由m个激光点构成的激光点簇S，可以组成m·(m-1)条线段，找出所有的边界线即可得到轮廓。在激光点簇S，过任意两个激光点p1、p2绘制设定半径为r的圆，过确定两点的圆有两个(2r为直径时有一个圆)；如果这个圆内没有其他激光点，则认为激光点p1、p2是边界点，其连线p1p2即为边界线。重复执行以上步骤，从而可以获得过滤后的每帧激光点数据中每个激光点簇的轮廓的所有边界线。
上述具体算法步骤如下：
(1)遍历每条线段p1p2，若p1p2的长度大于2r，则跳过；
(2)求出两个圆的圆心C1和C2：首先，计算线段p1p2的方向向量V1(x,y)＝p1-p2，计算线段p1p2的中点坐标mid(x,y)＝0.5·(p1+p2)；然后，求与线段p1p2垂直的向量V2(a,b)，则ax+by＝0；最后，计算线段p1p2的长度L，计算圆心到线段p1p2的距离d，得到C1＝mid+d·V1，C2＝mid+d·V2；
(3)若两个圆中任意一个圆不包含激光点簇S中的其他任何激光点，则线段p1p2为边界线。
在一实施例中，基于过滤后的每帧激光点数据中每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，判定该激光点簇是否侵入铁路限界范围，包括：
对过滤后的每帧激光点数据，根据该帧激光点数据中每个激光点的二维直角坐标值，获得每个激光点簇的面积和质心；
在所述面积大于预设面积阈值时，确定该激光点簇侵入铁路限界；
在所述面积不大于预设面积阈值且所述质心与所述对应激光点簇的质心之间的距离小于预设距离阈值时，确定该激光点簇侵入铁路限界。
在上述实施例中，设置了两个阈值，预设面积阈值也称为最小激光点簇轮廓面积λarea，预设距离阈值也称为相邻帧中同属类的质心移动距离λdist，上述判定该激光点簇是否侵入铁路限界范围的过程相比现有算法考虑了相邻帧对应激光点簇状态变化，提高了复杂场景的准确率，单帧数据侵入识别处理时间仅为4ms，实时性高。
基于上述实施例，本发明提出如下一个实施例来说明铁路限界异物侵入检测方法的详细流程，图2为本发明实施例铁路限界异物侵入检测方法的详细流程图，包括：
步骤201，获取设定铁路限界范围的多帧激光点数据；
步骤202，计算每帧激光点数据中每个激光点的二维直角坐标值；
步骤203，根据每帧激光点数据中每个激光点的二维直角坐标，利用基于密度的聚类算法每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点；
步骤204，提取过滤后的每帧激光点数据中每个激光点簇的轮廓；
步骤205，对过滤后的每帧激光点数据，根据该帧激光点数据中每个激光点的二维直角坐标值，获得每个激光点簇的面积和质心；
步骤206，判断所述面积是否大于预设面积阈值，若是，转至步骤207，否则转至步骤208；
步骤207，确定该激光点簇侵入铁路限界；
步骤208，判断所述质心与所述对应激光点簇的质心之间的距离是否小于预设距离阈值，若是，转至步骤207。
当然，可以理解的是，上述详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。
综上所述，在本发明实施例提出的方法中，能够有效地滤除每帧激光点数据中的干扰激光点，降低虚警率，且判定该激光点簇是否侵入铁路限界范围时，考虑了每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，最后检测的准确性高，且上述检测过程不需要对大量的异物侵入断面图像进行人工复核，检测效率高。另外，由于判定该激光点簇是否侵入铁路限界范围的过程相比现有算法考虑了相邻帧对应激光点簇状态变化，提高了复杂场景的准确率，单帧数据侵入识别处理时间仅为4ms，实时性高。
本发明实施例例还提出一种铁路限界异物侵入检测装置，其原理与铁路限界异物侵入检测方法类似，这里不再赘述。
图3为本发明实施例中铁路限界异物侵入检测装置的示意图，如图3所示，该装置包括：
数据获得模块301，用于获取设定铁路限界范围的多帧激光点数据；
聚类模块302，用于对每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点；
轮廓提取模块303，用于提取过滤后的每帧激光点数据中每个激光点簇的轮廓；
检测模块304，用于基于过滤后的每帧激光点数据中每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，判定该激光点簇是否侵入铁路限界范围。
在一实施例中，所述装置还包括坐标计算模块305，用于：计算每帧激光点数据中每个激光点的二维直角坐标值。
在一实施例中，聚类模块302具体用于：根据每帧激光点数据中每个激光点的二维直角坐标值，对每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点
在一实施例中，聚类模块302具体用于：根据每帧激光点数据中每个激光点的二维直角坐标，利用基于密度的聚类算法每帧激光点数据中多个激光点进行聚类。
在一实施例中，轮廓提取模块303具体用于：对于过滤后的每帧激光点数据中任意每个激光点簇内的两个激光点，获取过所述两个激光点的设定半径的圆；
若所述设定半径的圆无其它激光点，确定所述两个激光点为边界点，所述两个激光点的连线为每个激光点簇内的轮廓的边界线；
重复执行以上步骤，直至获得过滤后的每帧激光点数据中每个激光点簇的轮廓的所有边界线。
在一实施例中，检测模块304具体用于：对过滤后的每帧激光点数据，根据该帧激光点数据中每个激光点的二维直角坐标值，获得每个激光点簇的面积和质心；
在所述面积大于预设面积阈值时，确定该激光点簇侵入铁路限界；
在所述面积不大于预设面积阈值且所述质心与所述对应激光点簇的质心之间的距离小于预设距离阈值时，确定该激光点簇侵入铁路限界。
综上所述，在本发明实施例提出的装置中，能够有效地滤除每帧激光点数据中的干扰激光点，降低虚警率，且判定该激光点簇是否侵入铁路限界范围时，考虑了每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，最后检测的准确性高，且上述检测过程不需要对大量的异物侵入断面图像进行人工复核，检测效率高。另外，由于判定该激光点簇是否侵入铁路限界范围的过程相比现有算法考虑了相邻帧对应激光点簇状态变化，提高了复杂场景的准确率，单帧数据侵入识别处理时间仅为4ms，实时性高。
本发明实施例还提出一种铁路限界异物侵入检测***，图4为本发明实施例中铁路限界异物侵入检测***的示意图，如图4所示，该***包括：
数据采集装置401和上述铁路限界异物侵入检测装置402，其中，
数据采集装置401安装于运行于铁路上的检测列车的车头位置，用于获取设定铁路限界范围的多帧激光点数据，并传输至铁路限界异物侵入检测装置。
在一实施例中，数据采集装置401还用于获得检测列车的速度和里程数据；
铁路限界异物侵入检测装置402还用于：根据设定铁路限界范围的多帧激光点数据、检测列车的速度和里程数据，计算每帧激光点数据中每个激光点的二维直角坐标值。
上述铁路限界异物侵入检测***可以采用C++语言开发，使用了QT、OpenGL、Opencv3.0等第三方工具库，服务器的硬件采用Intel i7-6700K CPU、16G内存和NvidiaGtx1080显卡。
铁路限界异物侵入检测***还可以包括数据管理装置403，具体包括判定该激光点簇是否侵入铁路限界范围结果的结果数据管理模块和结果数据报表输出模块。
铁路限界异物侵入检测装置可以采用数据分析服务器实现，最后获得二维断面分析结果和三维断面分析结果。
数据采集装置401中采集设定铁路限界范围的多帧激光点数据的可以是高精度激光雷达，还可以包括供电控制单元用于供电，高精度激光雷达的扫描范围可以是铁路钢轨顶面和道床区域，检测列车的速度和里程数据的可以是里程定位单元，辅助单元可以对里程定位单元的输出的检测列车的速度和里程数据进行修正，使得检测列车的速度和里程数据更准确。
综上所述，在本发明实施例提出的***中，能够有效地滤除每帧激光点数据中的干扰激光点，降低虚警率，且判定该激光点簇是否侵入铁路限界范围时，考虑了每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，最后检测的准确性高，且上述检测过程不需要对大量的异物侵入断面图像进行人工复核，检测效率高。另外，由于判定该激光点簇是否侵入铁路限界范围的过程相比现有算法考虑了相邻帧对应激光点簇状态变化，提高了复杂场景的准确率，单帧数据侵入识别处理时间仅为4ms，实时性高。
下面给出一具体实施例，来说明本发明实施例提出的方法的具体应用。
首先，检测列车上的高精度激光雷达采集设定铁路限界范围的多帧激光点数据，里程定位单元和辅助单元共同获得检测列车的速度和里程数据；然后根据设定铁路限界范围的多帧激光点数据、检测列车的速度和里程数据，根据公式(1)计算每帧激光点数据中每个激光点的二维直角坐标值。检测列车的速度和里程数据可以转换为公式(1)中的激光点的距离和角度，公式(1)得到的二维直角坐标值为铁路沿线建筑物和设备的二维断面轮廓，实时显示建筑物轮廓图，图5为本发明实施例中铁路沿线建筑物和设备的二维断面轮廓的示意图。所述二维断面轮廓也可基于三维点云建模技术生成三维立体图，能够展示铁路沿线建筑物和设备的三维轮廓，图6为本发明实施例中图5对应的铁路沿线建筑物和设备的三维轮廓的示意图。
之后，根据每帧激光点数据中每个激光点的二维直角坐标，利用基于密度的聚类算法每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，图7为本发明实施例中聚类结果示意图，共获得3个聚类；图8为提取的激光点簇轮廓图，共获得3个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点。
最后，提取过滤后的每帧激光点数据中每个激光点簇的轮廓；对过滤后的每帧激光点数据，根据该帧激光点数据中每个激光点的二维直角坐标值，获得每个激光点簇的面积和质心；在所述面积大于预设面积阈值时，确定该激光点簇侵入铁路限界，否则在所述质心与所述对应激光点簇的质心之间的距离小于预设距离阈值时，确定该激光点簇侵入铁路限界。
为了验证本发明的检测效果，在检测车运行情况下，本发明实施例共采集了3组数据，试验数据详细信息如表1所示。
表1试验数据详细信息
试验数据 数据1 数据2 数据3
断面/张 340936 163524 198582
本发明实施例使用检测准确率作为评价指标，检测准确率的计算公式如下：
Figure BDA0002513186870000121
其中，TP为正确识别的侵入断面数量，FP为错误识别的侵入断面数量，TN为正确识别的非侵入断面数量，FN为错误识别的非侵入断面数量。
使用所采集的3组数据对本发明实施例提出的方法进行试验，试验结果如表2所示。
表2异物侵入识别算法检测结果
试验数据 数据1 数据2 数据3
TP 236283 97132 128115
TN 102177 64771 69009
检测准确率 99.2％ 99％ 99.2％
从表2可以看出，本发明实施例提出的方法的检测准确率≥99％，且该方法具有良好的泛化性，相比现有方法的检测准确率提高了15％。
图9为在无干扰激光点时现有方法的断面检测结果示意图，图10为在无干扰激光点时本发明实施例提出方法的断面检测结果示意图，矩形框圈出来的部分代表异物侵入；可见，本发明实施例提出的方法的检测结果更准确。
另外，本实施例还进行了另一组实验，图11为在有干扰激光点时现有方法的断面检测结果示意图，图12为在有干扰激光点时本发明实施例提出方法的断面检测结果示意图，在图11中矩形框圈出来的两个激光点被认为是侵入点，但实际上这两个是干扰激光点，而图12则识别出这两个是干扰激光点，可见，现有方法易受到干扰激光点的影响，干扰点误判为异物侵入，造成大量的误报，影响分析结果的准确性。而本发明实施例提出的方法能够有效地滤除每帧激光点数据中的干扰激光点，降低虚警率，且判定该激光点簇是否侵入铁路限界范围时，考虑了每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，有效克服了外部环境干扰，最后检测的准确性高，且上述检测过程不需要对大量的异物侵入断面图像进行人工复核，检测效率高。另外，由于判定该激光点簇是否侵入铁路限界范围的过程相比现有算法考虑了相邻帧对应激光点簇状态变化，提高了复杂场景的准确率，单帧数据侵入识别处理时间仅为4ms，实时性高。
本申请的实施例还提供一种计算机设备，图13为本发明实施例中计算机设备的示意图，该计算机设备能够实现上述实施例中的铁路限界异物侵入检测方法中全部步骤，所述电子设备具体包括如下内容：
处理器(processor)1301、存储器(memory)1302、通信接口(CommunicationsInterface)1303和总线1304；
其中，所述处理器1301、存储器1302、通信接口1303通过所述总线1304完成相互间的通信；所述通信接口1303用于实现服务器端设备、检测设备以及用户端设备等相关设备之间的信息传输；
所述处理器1301用于调用所述存储器1302中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的铁路限界异物侵入检测方法中的全部步骤。
本申请的实施例还提供一种计算机可读存储介质，能够实现上述实施例中的铁路限界异物侵入检测方法中全部步骤，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的铁路限界异物侵入检测方法的全部步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种铁路限界异物侵入检测方法，其特征在于，包括：
获取设定铁路限界范围的多帧激光点数据；
对每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点；
提取过滤后的每帧激光点数据中每个激光点簇的轮廓；
基于过滤后的每帧激光点数据中每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，判定该激光点簇是否侵入铁路限界范围。
2.如权利要求1所述的铁路限界异物侵入检测方法，其特征在于，在获取车载激光雷达输出的多帧激光点数据之后，还包括：
计算每帧激光点数据中每个激光点的二维直角坐标值。
3.如权利要求2所述的铁路限界异物侵入检测方法，其特征在于，对每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点，包括：
根据每帧激光点数据中每个激光点的二维直角坐标值，对每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点。
4.如权利要求3所述的铁路限界异物侵入检测方法，其特征在于，根据每帧激光点数据中每个激光点的二维直角坐标，对每帧激光点数据中多个激光点进行聚类，包括：
根据每帧激光点数据中每个激光点的二维直角坐标，利用基于密度的聚类算法每帧激光点数据中多个激光点进行聚类。
5.如权利要求1所述的铁路限界异物侵入检测方法，其特征在于，提取过滤后的每帧激光点数据中每个激光点簇的轮廓，包括：
对于过滤后的每帧激光点数据中任意每个激光点簇内的两个激光点，获取过所述两个激光点的设定半径的圆；
若所述设定半径的圆无其它激光点，确定所述两个激光点为边界点，所述两个激光点的连线为每个激光点簇内的轮廓的边界线；
重复执行以上步骤，直至获得过滤后的每帧激光点数据中每个激光点簇的轮廓的所有边界线。
6.如权利要求2所述的铁路限界异物侵入检测方法，其特征在于，基于过滤后的每帧激光点数据中每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，判定该激光点簇是否侵入铁路限界范围，包括：
对过滤后的每帧激光点数据，根据该帧激光点数据中每个激光点的二维直角坐标值，获得每个激光点簇的面积和质心；
在所述面积大于预设面积阈值时，确定该激光点簇侵入铁路限界；
在所述面积不大于预设面积阈值且所述质心与所述对应激光点簇的质心之间的距离小于预设距离阈值时，确定该激光点簇侵入铁路限界。
7.一种铁路限界异物侵入检测装置，其特征在于，包括：
数据获得模块，用于获取设定铁路限界范围的多帧激光点数据；
聚类模块，用于对每帧激光点数据中多个激光点进行聚类，获得每帧激光点数据中多个激光点簇，基于所述多个激光点簇，过滤掉每帧激光点数据中的干扰激光点；
轮廓提取模块，用于提取过滤后的每帧激光点数据中每个激光点簇的轮廓；
检测模块，用于基于过滤后的每帧激光点数据中每个激光点簇的轮廓和该帧激光点数据的相邻帧激光点数据中对应激光点簇，判定该激光点簇是否侵入铁路限界范围。
8.一种铁路限界异物侵入检测***，其特征在于，包括：数据采集装置和权利要求7所述的铁路限界异物侵入检测装置，其中，
数据采集装置安装于运行于铁路上的检测列车的车头位置，用于获取设定铁路限界范围的多帧激光点数据，并传输至铁路限界异物侵入检测装置。
9.如权利要求8所述的铁路限界异物侵入检测***，其特征在于，数据采集装置还用于获得检测列车的速度和里程数据；
铁路限界异物侵入检测装置还用于：根据设定铁路限界范围的多帧激光点数据、检测列车的速度和里程数据，计算每帧激光点数据中每个激光点的二维直角坐标值。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至6任一项所述方法的计算机程序。
CN202010467594.2A 2020-05-28 2020-05-28 铁路限界异物侵入检测方法、装置及*** Active CN111583257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010467594.2A CN111583257B (zh) 2020-05-28 2020-05-28 铁路限界异物侵入检测方法、装置及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010467594.2A CN111583257B (zh) 2020-05-28 2020-05-28 铁路限界异物侵入检测方法、装置及***

Publications (2)

Publication Number Publication Date
CN111583257A true CN111583257A (zh) 2020-08-25
CN111583257B CN111583257B (zh) 2023-07-14

Family

ID=72117846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010467594.2A Active CN111583257B (zh) 2020-05-28 2020-05-28 铁路限界异物侵入检测方法、装置及***

Country Status (1)

Country Link
CN (1) CN111583257B (zh)

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020107637A1 (en) * 2000-11-29 2002-08-08 Mitsubishi Denki Kabushiki Kaisha Vehicle surroundings monitoring apparatus
US20060263833A1 (en) * 2005-02-18 2006-11-23 Hematologics, Inc. System, method, and article for detecting abnormal cells using multi-dimensional analysis
JP2007178140A (ja) * 2005-12-27 2007-07-12 Hitachi Ltd 物体検知センサ
US20140035777A1 (en) * 2012-08-06 2014-02-06 Hyundai Motor Company Method and system for producing classifier for recognizing obstacle
CA2910492A1 (en) * 2013-05-17 2014-11-20 International Electronic Machines Corporation Operations monitoring in an area
CN104573705A (zh) * 2014-10-13 2015-04-29 北京建筑大学 一种建筑物激光扫描点云数据的聚类方法
WO2015119797A1 (en) * 2014-02-09 2015-08-13 Faro Technologies, Inc. Laser scanner and method of registering a scene
CN105761305A (zh) * 2016-02-05 2016-07-13 北京铁道工程机电技术研究所有限公司 一种车辆行驶检测方法及***
CN105866790A (zh) * 2016-04-07 2016-08-17 重庆大学 一种考虑激光发射强度的激光雷达障碍物识别方法及***
CN106125087A (zh) * 2016-06-15 2016-11-16 清研华宇智能机器人（天津）有限责任公司 基于激光雷达的舞蹈机器人室内行人跟踪方法
CN106157338A (zh) * 2016-07-07 2016-11-23 沈阳铁路局科学技术研究所 一种铁路隧道限界图像处理***及方法
CN106291503A (zh) * 2016-08-31 2017-01-04 西南交通大学 一种雷达探测***密度聚类预警方法
CN108731640A (zh) * 2017-04-25 2018-11-02 北京威远图易数字科技有限公司 基于点云数据的地铁限界检测方法及检测***
CN109188459A (zh) * 2018-08-29 2019-01-11 东南大学 一种基于多线激光雷达的坡道小障碍物识别方法
CN109657698A (zh) * 2018-11-20 2019-04-19 同济大学 一种基于点云的磁悬浮轨道障碍物检测方法
CN109901567A (zh) * 2017-12-08 2019-06-18 百度在线网络技术（北京）有限公司 用于输出障碍物信息的方法和装置
CN110189311A (zh) * 2019-05-24 2019-08-30 中国南方电网有限责任公司超高压输电公司检修试验中心 一种输电线路树障隐患区域树木砍伐面积的计算方法
CN110458055A (zh) * 2019-07-29 2019-11-15 江苏必得科技股份有限公司 一种障碍物检测方法及***
CN110705358A (zh) * 2019-09-03 2020-01-17 陕西九域通创轨道***技术有限责任公司 一种列车aeb***隧道场景控制决策方法
CN110889350A (zh) * 2019-11-18 2020-03-17 四川西南交大铁路发展股份有限公司 一种基于三维成像的线路障碍物监测报警***及方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020107637A1 (en) * 2000-11-29 2002-08-08 Mitsubishi Denki Kabushiki Kaisha Vehicle surroundings monitoring apparatus
US20060263833A1 (en) * 2005-02-18 2006-11-23 Hematologics, Inc. System, method, and article for detecting abnormal cells using multi-dimensional analysis
JP2007178140A (ja) * 2005-12-27 2007-07-12 Hitachi Ltd 物体検知センサ
US20140035777A1 (en) * 2012-08-06 2014-02-06 Hyundai Motor Company Method and system for producing classifier for recognizing obstacle
CA2910492A1 (en) * 2013-05-17 2014-11-20 International Electronic Machines Corporation Operations monitoring in an area
WO2015119797A1 (en) * 2014-02-09 2015-08-13 Faro Technologies, Inc. Laser scanner and method of registering a scene
CN104573705A (zh) * 2014-10-13 2015-04-29 北京建筑大学 一种建筑物激光扫描点云数据的聚类方法
CN105761305A (zh) * 2016-02-05 2016-07-13 北京铁道工程机电技术研究所有限公司 一种车辆行驶检测方法及***
CN105866790A (zh) * 2016-04-07 2016-08-17 重庆大学 一种考虑激光发射强度的激光雷达障碍物识别方法及***
CN106125087A (zh) * 2016-06-15 2016-11-16 清研华宇智能机器人（天津）有限责任公司 基于激光雷达的舞蹈机器人室内行人跟踪方法
CN106157338A (zh) * 2016-07-07 2016-11-23 沈阳铁路局科学技术研究所 一种铁路隧道限界图像处理***及方法
CN106291503A (zh) * 2016-08-31 2017-01-04 西南交通大学 一种雷达探测***密度聚类预警方法
CN108731640A (zh) * 2017-04-25 2018-11-02 北京威远图易数字科技有限公司 基于点云数据的地铁限界检测方法及检测***
CN109901567A (zh) * 2017-12-08 2019-06-18 百度在线网络技术（北京）有限公司 用于输出障碍物信息的方法和装置
CN109188459A (zh) * 2018-08-29 2019-01-11 东南大学 一种基于多线激光雷达的坡道小障碍物识别方法
CN109657698A (zh) * 2018-11-20 2019-04-19 同济大学 一种基于点云的磁悬浮轨道障碍物检测方法
CN110189311A (zh) * 2019-05-24 2019-08-30 中国南方电网有限责任公司超高压输电公司检修试验中心 一种输电线路树障隐患区域树木砍伐面积的计算方法
CN110458055A (zh) * 2019-07-29 2019-11-15 江苏必得科技股份有限公司 一种障碍物检测方法及***
CN110705358A (zh) * 2019-09-03 2020-01-17 陕西九域通创轨道***技术有限责任公司 一种列车aeb***隧道场景控制决策方法
CN110889350A (zh) * 2019-11-18 2020-03-17 四川西南交大铁路发展股份有限公司 一种基于三维成像的线路障碍物监测报警***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李志南等: ""基于二维LiDAR的轨道侵入异物检测***与方法研究"", vol. 31, no. 03, pages 262 - 268 *

Also Published As

Publication number Publication date
CN111583257B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN113870123B (zh) 基于车载移动激光点云的接触网导高与拉出值自动检测方法
Liu et al. A review of applications of visual inspection technology based on image processing in the railway industry
CN109284348B (zh) 一种电子地图的更新方法、装置、设备和存储介质
CN111311560B (zh) 钢轨扣件状态的检测方法及装置
CN109489584B (zh) 一种基于3d技术的隧道限界检测***及隧道限界识别方法
CN109522804B (zh) 一种道路边沿识别方法及***
Gikas et al. A novel geodetic engineering method for accurate and automated road/railway centerline geometry extraction based on the bearing diagram and fractal behavior
CN110736999B (zh) 基于激光雷达的铁路道岔检测方法
CN114842450A (zh) 一种可行驶区域检测方法、装置及设备
CN105761305A (zh) 一种车辆行驶检测方法及***
CN112613424A (zh) 铁轨障碍物检测方法、装置、电子设备和存储介质
CN111160132B (zh) 障碍物所在车道的确定方法、装置、电子设备和存储介质
CN113933859A (zh) 一种无人矿卡行驶场景的路面及两侧挡墙检测方法
CN110490342B (zh) 一种基于Faster R-CNN的接触网静态几何参数检测方法
CN116128834A (zh) 基于三维激光扫描的轨道交通站台限界快速检测方法
Stein et al. Model-based rail detection in mobile laser scanning data
CN114119957A (zh) 高速铁路钢轨廓形检测方法及装置
CN111583257B (zh) 铁路限界异物侵入检测方法、装置及***
CN116681912A (zh) 铁路道岔的轨距检测方法及装置
CN115468510A (zh) 轨道交通车辆横断面轮廓的检测***、检测方法和装置
CN114235340B (zh) 河道泡漩结构跟踪方法及通航预警方法
CN116862976B (zh) 一种基于无人机激光点云的铁轨中心线提取方法及***
CN118129633B (zh) 一种高精度护栏形变检测方法、装置、设备、介质及产品
Yu et al. Measuring algorithm for the distance to a preceding vehicle on curve road using on-board monocular camera
CN116626706B (zh) 轨道交通隧道侵限检测方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant