基于車載激光點云的高速鐵路邊坡形變檢測

劉俊堯

【摘要】 ? ?為保障高速鐵路運行安全，必須定期地檢測沿線邊坡的形態(tài)變化，及時發(fā)現(xiàn)潛在的山體滑坡風(fēng)險，為鐵路安全管理部門提供檢測數(shù)據(jù)支撐。首先利用車載激光雷達(dá)獲取高速鐵路沿線邊坡三維點云數(shù)據(jù)，并將當(dāng)期點云和基準(zhǔn)點云進(jìn)行配準(zhǔn);采用點云體素化方法降低離散空間點坐標(biāo)的隨機誤差，并利用區(qū)域生長算法擬合生成多個區(qū)域平面。最后，提出邊坡形變量計算方法，得到邊坡形態(tài)變化檢測結(jié)果。試驗結(jié)果表明：利用車載激光點云能夠高效地檢測邊坡形態(tài)變化，實現(xiàn)了提升高速鐵路邊坡檢測效率的目的。

【關(guān)鍵詞】 ? ?高速鐵路 ? ?邊坡形變檢測 ? ?試驗研究 ? ?三維點云 ? ?車載激光雷達(dá)

近年來，我國鐵路高速化進(jìn)程不斷加快，如何保障高速鐵路運行安全已成為鐵路安全管理部門的重點工作。高速鐵路在山區(qū)存在較多的隧道、邊坡等大型建筑物，由于地質(zhì)活動和天氣變化的影響，特別是我國南方降水量較多的區(qū)段，邊坡發(fā)生滑坡的風(fēng)險較高，嚴(yán)重威脅高速鐵路運行安全。因此，必須定期地檢測高速鐵路沿線邊坡的形態(tài)變化情況，統(tǒng)計分析邊坡形變趨勢，及時發(fā)現(xiàn)潛在的滑坡風(fēng)險，以采取相應(yīng)的加固措施，防止高速鐵路安全事故的發(fā)生。

針對現(xiàn)有方法存在的問題，本文提出利用檢測列車掛載高精度激光雷達(dá)獲取高速鐵路沿線邊坡的三維點云數(shù)據(jù)，并進(jìn)行配準(zhǔn);然后，將點云數(shù)據(jù)體素化，并利用區(qū)域生長算法擬合生成多個區(qū)域平面，最后，計算邊坡形變量，得到邊坡形態(tài)變化檢測結(jié)果。試驗結(jié)果表明，所提方法實現(xiàn)了高效地檢測高速鐵路邊坡形態(tài)變化情況的目的。

一、高速鐵路邊坡點云采集與處理

1.1 高速鐵路邊坡點云采集系統(tǒng)

邊坡點云數(shù)據(jù)采集是高速鐵路邊坡形變檢測任務(wù)的重要內(nèi)容[1]，點云數(shù)據(jù)質(zhì)量和精度的好壞，會對邊坡形變檢測結(jié)果的準(zhǔn)確性產(chǎn)生直接影響。

提出的高速鐵路邊坡點云采集系統(tǒng)架構(gòu)如圖1所示，該系統(tǒng)能夠?qū)崿F(xiàn)等距離的掃描高速鐵路沿線建筑物及設(shè)備的三維空間點數(shù)據(jù)，空間點的坐標(biāo)表示沿軌道方向的里程定位值，坐標(biāo)和坐標(biāo)分別表示距離軌道中心線的縱向和橫向距離。

高精度激光雷達(dá)掛載在檢測列車車頭中心位置，掃描的空間點數(shù)據(jù)通過高速網(wǎng)絡(luò)以流式傳輸發(fā)送到點云數(shù)據(jù)采集服務(wù)器;同時，里程定位同步單元以固定距離間隔向點云數(shù)據(jù)采集服務(wù)器發(fā)送里程定位信息;點云數(shù)據(jù)采集服務(wù)器每次收到里程定位信息，立即將空間點數(shù)據(jù)和對應(yīng)里程定位信息保存至硬盤。

1.2 多期點云配準(zhǔn)

高速鐵路邊坡點云中，鋼軌寬度和軌距相對固定，空間點特征較為明顯，設(shè)定坐標(biāo)閾值即可進(jìn)行分割提取。因此，先提取出當(dāng)期點云和基準(zhǔn)點云中鋼軌區(qū)域的空間點，然后采用ICP算法[2]對該區(qū)域點云進(jìn)行配準(zhǔn)，迭代計算求解最優(yōu)旋轉(zhuǎn)矩陣和平移矩陣，最后，將計算得到的旋轉(zhuǎn)矩陣和平移矩陣應(yīng)用于其他區(qū)域空間點，即可實現(xiàn)兩期點云配準(zhǔn)。配準(zhǔn)結(jié)果如圖2所示，白色為基準(zhǔn)點云空間點，藍(lán)色為當(dāng)期點云空間點，紅色為提取的鋼軌區(qū)域空間點。優(yōu)化后的目標(biāo)函數(shù)j定義如下：

（1）

式中，N為點云P中鋼軌區(qū)域空間點總數(shù)，Di計算公式定義如下：

（2）

式中，Qclosest為與Pi距離最近的點云Q中鋼軌區(qū)域空間點。

二、高速鐵路邊坡形變檢測方法

2.1 點云體素化

激光雷達(dá)掃描的離散空間點的位置存在一定的隨機誤差，如直接進(jìn)行形變量的計算，會導(dǎo)致計算結(jié)果不準(zhǔn)確，影響最終的分析結(jié)果。為降低隨機誤差帶來的影響，需要預(yù)先對點云數(shù)據(jù)進(jìn)行體素化。

點云體素化（Point Cloud Voxelization）[3]，即利用空間中均勻尺寸的立體像素塊來表示點云幾何形態(tài)的過程。首先，計算點云數(shù)據(jù)X、Y、Z三個方向的最大值和最小值;然后，設(shè)定立體像素的尺寸，并計算X、Y、Z三個方向的立體像素數(shù)量;最后，使用立體像素內(nèi)包含空間點的坐標(biāo)平均值作為該立體像素的坐標(biāo)值。

2.2 邊坡形變量計算

邊坡點云數(shù)據(jù)中的離散空間點不具有空間連續(xù)性，直接計算離散空間點之間的形變量，不僅需要較多的計算資源和計算時間，而且會引入干擾誤差，導(dǎo)致最終的檢測結(jié)果不準(zhǔn)確。

為降低干擾誤差影響，首先設(shè)定距離范圍和激光反射強度閾值，從基準(zhǔn)點云數(shù)據(jù)中分割提取邊坡區(qū)域點云，以排除其他沿線建筑或設(shè)備干擾;然后，對基準(zhǔn)邊坡點云數(shù)據(jù)進(jìn)行體素化處理，并采用區(qū)域生長算法[4]將具有相同空間特性的立體像素拼接擬合，得到多個區(qū)域平面，區(qū)域生長結(jié)果如圖3所示，不同顏色表示空間特性不同的區(qū)域。

三、試驗驗證

為驗證邊坡形變檢測方法的正確性，選取三個時期獲取的我國南方某高速鐵路中某邊坡的點云數(shù)據(jù)進(jìn)行試驗驗證。該邊坡曾發(fā)生過小規(guī)模的滑坡事件，前兩期邊坡點云數(shù)據(jù)是在滑坡之前獲取，第三期邊坡點云數(shù)據(jù)是在滑坡之后掃描獲取，三期邊坡點云數(shù)據(jù)間隔時間大約為1個月。

本節(jié)試驗以第一期邊坡點云數(shù)據(jù)作為基準(zhǔn)點云數(shù)據(jù)，先利用所提多期點云配準(zhǔn)方法將第二期和第三期邊坡點云數(shù)據(jù)與基準(zhǔn)點云數(shù)據(jù)進(jìn)行配準(zhǔn);然后，分割提取出邊坡區(qū)域的點云數(shù)據(jù)，并進(jìn)行體素化處理;最后，利用區(qū)域生長算法將體素化后的基準(zhǔn)點云數(shù)據(jù)擬合成多個區(qū)域平面，依次計算第二期和第三期邊坡點云數(shù)據(jù)中每個立體像素的形變量，得到形變檢測結(jié)果。

邊坡形變檢測結(jié)果可視化如圖4所示。為了便于觀察形變區(qū)域，圖中使用不同的顏色進(jìn)行標(biāo)識。綠色表示形變量小于10cm的空間點，藍(lán)色表示形變量在10cm-20cm之間的空間點，黃色發(fā)生20cm-30cm形變的空間點，紅色表示形變量超過30cm的空間點，其中，形變量較小的區(qū)域大部分是由于覆蓋的植被變化所導(dǎo)致。根據(jù)檢測結(jié)果可以看出，在第二期點云數(shù)據(jù)中，邊坡中上部存在兩塊形變量超過30cm的形變區(qū)域;在第三期點云數(shù)據(jù)中，該邊坡區(qū)域發(fā)生滑坡，導(dǎo)致邊坡中上部產(chǎn)生大面積形變量超過30cm的形變區(qū)域，邊坡中下部由于存在滑脫的泥石，也產(chǎn)生大面積形變量超過30cm的形變區(qū)域。檢測結(jié)果表明，所提方法能夠正確的檢測出邊坡的形態(tài)變化情況。

四、結(jié)論

1.提出了一種高速鐵路邊坡點云采集系統(tǒng)，通過在檢測列車上掛載高精度激光雷達(dá)，實現(xiàn)了高速鐵路沿線建筑物及設(shè)備的三維點云數(shù)據(jù)自動化采集;

2.提出了一種基于車載激光點云的高速鐵路邊坡形變檢測方法，并利用實際邊坡數(shù)據(jù)進(jìn)行了試驗驗證。試驗結(jié)果表明，所提方法能夠利用車載激光點云進(jìn)行邊坡形變檢測，證明了方法的正確性和準(zhǔn)確性;

3.所提系統(tǒng)和方法能夠?qū)崿F(xiàn)動態(tài)檢測邊坡形態(tài)變化情況，提升了高速鐵路邊坡檢測工作的效率，能夠為鐵路安全管理部門提供檢測數(shù)據(jù)支持，對保障高速鐵路運營安全有重要意義。

參考文獻(xiàn)

[1]申文軍，周文皎，魏少偉，等.山區(qū)鐵路路基邊坡溜坍典型模式剖析及風(fēng)險評價[J].鐵道建筑，2019， 59（12）： 105-108.

[2] Besl P J， Mckay H D. A Method for Registration of 3-D Shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1992， 14（2）：239-256.

[3] Z. Kang， J. Yang， R. Zhong， et al. Voxel-Based Extraction and Classification of 3-D Pole-Like Objects From Mobile LiDAR Point Cloud Data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2018， 11（11）： 4287-4298.

[4] Vo A， Truonghong L， Laefer D F， et al. Octree-based Region Growing for Point Cloud Segmentation[J]. Isprs Journal of Photogrammetry and Remote Sensing， 2015： 88-100.

劉俊堯 出生年月：19881025 ?性別：男 ?民族：漢 籍貫：湖南長沙 ? ?學(xué)歷：在職研究生 ?職務(wù)或職稱：工程師 ?工作單位：中國鐵路廣州路集團(tuán)有限公司工電檢測所 ?研究方向：工務(wù)檢測技術(shù)