[发明专利]基于图像与激光数据融合的铁路运行环境异常辨识方法

说明书

本发明提供了一种基于图像与激光数据融合的铁路运行环境异常辨识方法，该方法首先将点云数据进行特征分析和数据预处理，利用基于随机采样‑特征聚合‑原型拟合的大尺度点云语义分割模型对点云数据进行分割利用基于改进的欧几里得算法对点云进行聚类，利用基于迁移学习的深度学习实例分割方法对目标进行识别，最后再采用点云数据与可见光图像识别结果串行决策层融合的方法实现铁路运行周边环境异常的智能识别。该方法具有结果准确全面、容错性高等优点，同时也证明了多源数据融合对铁路运行环境异常识别的意义。

技术领域

本发明涉及一种基于无人机作业的图像与激光融合的铁路运行环境异常辨识方法，利用改进的点云分割算法检测铁路运行环境中的异常，再利用改进的图像实力分割算法对可疑目标进行检测，属于多源数据融合技术领域。

背景技术

目前，以人工检查为主的高铁周边环境巡检普遍存在着效率低、夜间巡检条件差、巡检频率低、检查区域窄、自动化分析能力差等问题。而且存在不少巡检死角，无法做到巡检全覆盖。由于各地政策不同，且监管水平不同，对于铁路沿线周边环境的维护工作有很大的区别，而一旦发生安全事故，后果不堪设想。无人机自身具备高空、远距离、快速、自行作业和受地形、天窗影响小等优势。尤其是不受地形约束和无死角巡检的特点，特别适合作为高铁目前巡检手段的补充和替代。

随着数字图像处理技术的不断发展完善，基于计算机视觉的图像处理和检测的工业项目不断落地，基于图像的目标检测技术已广泛应用在铁路领域。

无人机进行巡检任务时根据不同的任务需求可携带不同的任务载荷，主要包括可见光相机，激光雷达等，采集得到的数据包括图像和点云。通过先进的目标检测或分割技术对这些数据进行处理可以实现危险及隐患检测，相较于人工识别方法可极大的提升识别速度与准确度。但是单一数据类型包含的信息有限，例如可见光图像不包含对象的三维信息，点云数据的颜色及纹理特征则没有可见光图像丰富，如果只使用单一类型数据进行检测，无法适应复杂的铁路运行环境，存在检测精度不高，判断不准确等问题。多源数据融合的目的是将不同类型数据采集传感器采集到的数据在各个层面进行融合，以获得更全面丰富的对象信息，可以有效提升算法性能，并弥补单类数据的不足。在铁路运行环境巡检中，结合激光雷达点云数据的三维信息与可见光图像的纹理特征与颜色信息进行异常识别表现出巨大的潜力。

发明内容

为了解决上述技术问题，本发明提出了一种基于无人机获取铁路运行周边环境点云与遥感图像，利用多源数据融合的算法检测铁路运行周边环境异常的方法。本发明首先将点云数据进行特征分析和数据预处理，利用基于随机采样-特征聚合-原型拟合的大尺度点云语义分割模型对点云数据进行分割利用基于改进的欧几里得算法对点云进行聚类，利用基于迁移学习的深度学习实例分割方法对目标进行识别，最后再采用点云数据与可见光图像识别结果串行决策层融合的方法实现铁路运行周边环境异常的智能识别。具体采用如下技术方案：

本发明提出了一种多源数据融合的铁路周边环境异常检测的方法，具体包括以下步骤：

一种基于图像与激光数据融合的铁路运行环境异常辨识方法，该方法包括以下步骤：

步骤一、利用无人机搭载相机和激光雷达，距离铁轨一定距离，以一定角度拍摄沿线周边环境，采集点云数据；

步骤二、对采集到的点云数据进行特征分析，并通过离群点去除、冗余点去除、地面点滤除方法进行点云数据的预处理；

步骤三、利用基于随机采用-特征聚合-原型拟合的额大尺度点云语义分割算法对预处理后的点云数据进行检测分割；

步骤四、利用基于改进的欧几里得算法对分割后的结果进行点云聚类，再分别利用Alpha-shape算法对不规则点云进行体积计算，并对点云间距离进行计算；