羅　玲，于海洋,2，牛峰明，馬慧慧

(1.河南理工大學 礦山空間信息技術國家測繪地理信息局重點實驗室，河南 焦作 454000； 2.河南理工大學 礦山空間信息技術河南省重點實驗室，河南 焦作 454000)

?

基于機載LiDAR的鐵路軌道提取方法研究

羅玲1，于海洋1,2，牛峰明1，馬慧慧1

(1.河南理工大學 礦山空間信息技術國家測繪地理信息局重點實驗室，河南 焦作 454000； 2.河南理工大學 礦山空間信息技術河南省重點實驗室，河南 焦作 454000)

鐵路軌道是鐵路基礎設施對象測繪定位中的關鍵要素。高分辨率遙感影像含有豐富的地物信息，而機載激光雷達數(shù)據(jù)包含有高精度的高程信息，兩種數(shù)據(jù)的有效結合有利于提高鐵路軌道的提取精度。首先根據(jù)鐵路的光譜、局域地形等特征，綜合利用機載LiDAR和影像數(shù)據(jù)，建立了一種面向對象的鐵路區(qū)域提取算法，通過數(shù)學形態(tài)學處理消除干擾因素的影響，獲取鐵軌區(qū)域的LiDAR點云數(shù)據(jù)，然后根據(jù)鐵路軌道點云高度特征進一步分離軌道點云，最后通過最小二乘法對軌道點云數(shù)據(jù)進行精確擬合，獲取軌道信息。通過實驗分析，驗證了上述方法的有效性。

鐵路軌道；面向對象；機載LiDAR；最小二乘法

機載激光雷達(Light Detection and Ranging,LiDAR)是一種綜合利用激光、全球定位系統(tǒng)(Global Position System，GPS)、慣性導航系統(tǒng)的數(shù)據(jù)采集技術。與傳統(tǒng)航空攝影測量技術相比，具有自動化程度高、受天氣影響小、數(shù)據(jù)生產周期短、精度高等特點[5]。本文以機載LiDAR獲取的激光點云數(shù)據(jù)和航空影像為數(shù)據(jù)源，充分利用LiDAR點云數(shù)據(jù)精確的地物高程信息，航空影像具有高分辨率的紋理、光譜等信息[6]，將兩者優(yōu)勢互補。首先基于影像的光譜信息和空間信息采用面向對象的提取方法，利用多尺度分割算法獲取分類對象，并根據(jù)鐵路地物要素特征提取鐵路區(qū)域，然后將鐵路區(qū)域疊加到點云數(shù)據(jù)，得到鐵路上的點云，最后對得到的鐵軌點云進行擬合，得到鐵軌線。

1　面向對象鐵路提取原理

面向對象信息提取技術是一種智能化的影像分類技術，圖像的最小單元不再是單個的像元，而是一個個對象[7]。相比單個像元，分割對象具有更多的語義信息，分類過程中的特征選取及規(guī)則建立均是基于目標對象進行的。面向對象分類技術在分類過程中，考慮了地物的紋理、形狀、尺寸等空間特征，以像元的空間特征輔助光譜信息，提高分類精度[8]。面向對象的鐵路提取信息提取主要包括兩方面的工作：一是影像分割，二是分類。

1.1影像分割

多尺度分割算法基于區(qū)域合并技術，從任一個像素開始合并直至形成一個對象(影像區(qū)域)[9]。其基本思想是：從一個像元開始，分別與其鄰近像元進行計算，以降低最終結果的異質性，當一輪合并結束后，以上一輪生成的對象為基本單元，繼續(xù)分別與它的相鄰對象進行計算，這一過程將一直持續(xù)到用戶指定的尺度上已經(jīng)不能進行任何對象的合并為止。

對象異質性閾值F基于光譜異質性Δhcolor和形狀異質性Δhshape來計算：

(1)

式中，wcolor為光譜信息權重，wshape為形狀信息權重，取值均在0到1之間。形狀異質性包括光滑度和緊致度兩個方面。如果兩個相鄰對象需合并，則要求F

1.2分類規(guī)則的建立

每種地物都有各自的特征，將這些特征添加到函數(shù)中來制定規(guī)則，可以將地物準確分類出來。對于鐵路這種具有明顯線性特征的地物，分類時首要考慮它的空間特征。例如可以利用長寬比(L/W)作為分類規(guī)則，公式為：

(2)

式中，Length，Width分別為分割對象長度和寬度。

再如鐵路旁的低矮植被，主要通過綠色植被指數(shù)Greenness提取，公式為：

(3)

式中，R、G、B分別是航空影像的紅、綠、藍波段。

2　空間曲線擬合

通過機載雷達點云數(shù)據(jù)得到鐵軌線，可以對分類得到的鐵軌點云進行擬合，從而得到一個較為簡單的空間曲線，該曲線是對鐵路軌道的近似表示。已知一條空間曲線的參數(shù)方程表達式為：

現(xiàn)場檢測設備由水位計（超聲波水位計、雷達水位計、投入式水位計等可選）、翻斗式雨量計和工業(yè)照相機組成，負責計量水庫水位、降雨量數(shù)據(jù)，并對水庫現(xiàn)場進行拍照。

X=x(t),Y=y(t),Z=z(t)

(4)

令x=t，則有

(5)

其中，y=y(x)相當于空間曲線關于xoy的投影柱面(以空間曲線為準線，垂直于所投影的坐標面)；z=z(x)相當于空間曲線關于xoz的投影柱面。因此，兩個方程分別代表兩個空間柱面，聯(lián)立可得到兩個柱面的交線，即空間曲線。

現(xiàn)令pn(x)=a0+a1x+a2x2+…滿足條件：

(6)

其中，I為a0、a1、a2…an的多元函數(shù)，因此上述問題可以轉化為求I的極值問題。因此求上述問題即為求I=I(a0、a1、a2…an)的極值問題。由多元函數(shù)求極值的必要條件得：

(7)

即

(8)

式(7)是關于a0,a1,a2,…,an的線性方程組，用矩陣表示為：

(9)

綜上所述，分別求出兩個投影柱面的多項式系數(shù)，即為求得空間曲線方程。

3　數(shù)據(jù)處理

3.1數(shù)據(jù)獲取

本文選用芬蘭某地一段鐵軌為試驗區(qū)，該地區(qū)地勢平坦。圖1所示為該地的高分辨率遙感影像，拍攝時間2010年5月16日，分辨率0.2 m。如圖2所示，機載掃描數(shù)據(jù)于2010年5月20日采用徠卡ALS50掃描獲取，飛行高度2000 m，高程精度15 cm，點云間隔30 cm，點云密度15個/m2。

3.2數(shù)據(jù)預處理

機載LiDAR點云數(shù)據(jù)處理過程：首先檢測和去除其中的系統(tǒng)誤差和粗差點，采用自適應TIN方法進行濾波分類，分類出地面點和非地面點[11]，然后基于Kriging插值方法建立DEM(如圖3)，同時利用機載LiDAR第一次返回數(shù)據(jù)建立數(shù)字表面模型DSM(如圖4)。用DSM減去DEM可得到地物的高度信息，該模型被稱為nDSM(normalized Digital Surface Model，nDSM)[12]。nDSM可用于區(qū)分鐵路與公路等，能直接消除地形對濾波結果的影響。試驗中采用的nDSM空間分辨率為1.4m，航空影像的空間分辨率為0.2m。數(shù)據(jù)處理前先采用DSM對航空影像進行正射校正，校正后影像與機載LiDAR數(shù)據(jù)完全匹配。

圖1　試驗區(qū)航空影像　　　　　　圖2　試驗區(qū)機載雷達數(shù)據(jù)

圖3　試驗區(qū)DEM暈渲圖　　　　　圖4　試驗區(qū)DSM暈渲圖

3.3鐵路區(qū)域提取

本文采用面向對象的方法對影像進行分類，經(jīng)過多次試錯，最終確定分割尺度為50，形狀和平滑參數(shù)的權重設置分別為0.1和0.5(圖像分割結果如圖5)，這樣既保證了鐵軌的邊界十分清晰，生成的多邊形數(shù)目也不多。然后采用成員函數(shù)法，建立合適的分類規(guī)則，準確分類出鐵路。針對鐵路這樣的線狀地物在遙感影像上的特點，同時結合機載雷達點云數(shù)據(jù)，根據(jù)經(jīng)驗和試錯總結，最終確定鐵軌的分類規(guī)則：

L/W≥10;Greenness≤0.32

(10)

通過分類，得到鐵路區(qū)域(如圖6)，將鐵軌掩模疊加到點云數(shù)據(jù)中，見圖7。

圖5　圖像分割結果　　　　　　　　　圖6　鐵路區(qū)域分類結果

圖7　鐵路區(qū)域內的點云　　　　　　　　　圖8　感興趣的鐵軌點云

3.4鐵軌激光點云分類

本文根據(jù)提取的鐵路區(qū)域信息、高程及特征數(shù)據(jù)，提出了一種基于融合數(shù)據(jù)的軌道信息分類提取方法。該方法首先需要建立軌道的特征屬性，由于鐵軌具有明確、一致的符合建設規(guī)范要求的特征屬性，易于定義用于精確提取的約束條件。約束條件包括：(1)鐵軌高于道床一定距離；(2)鐵路所在區(qū)域坡度較小[13]。

圖9　鐵軌點云疊加影像圖顯示

分類是在鐵路區(qū)域內，根據(jù)高于地面的某特定高程來實現(xiàn)的。首先在鐵路區(qū)內確定鐵路點云，在0.5m的搜索半徑內與最低點計算高度差△z，即地面上物體的歸一化高度。根據(jù)DEM計算坡度可用于后續(xù)軌道提取閾值條件的設置。位于鐵路掩膜區(qū)內空間上的點，符合下列條件即為軌道：

(1)△z>0.15 m且△z<0.4 m；

(2)位于坡度小于15°的空間區(qū)域。

圖8為分類出的鐵軌點云，圖9為鐵軌點云與影像的疊加圖。

3.5鐵軌提取

3.5.1單條鐵軌點云提取

由于點云數(shù)據(jù)密集，數(shù)據(jù)整體處理工作量很大，故本文首先從整個點云數(shù)據(jù)中提取出各條鐵軌的點云數(shù)據(jù)。對整個點云數(shù)據(jù)的(x,y)平面坐標擬合一條曲線L1，該曲線位于四條鐵軌的中間。重復這個步驟，將每條鐵軌的點云數(shù)據(jù)單獨存放。

3.5.2路軌線路曲線擬合

本文采用最小二乘算法在Matlab軟件擬合鐵軌曲線。首先對單條鐵軌線路點云數(shù)據(jù)進行初次曲線擬合，將四條鐵軌線分離成單獨的鐵軌線，并分別對每一條鐵軌線擬合，得到四條空間曲線，然后以各點到曲線的距離及平均距離，求取中誤差，采用二倍中誤差作為閾值，剔除粗差點，最后進行二次曲線擬合，擬合出的各個單條鐵軌線路的曲線方程為：

(11)

擬合出的所有曲線方程疊加在遙感影像上，如圖10所示。

圖10　擬合得到的鐵路軌道線　　　　　　圖11　點云分類精度評價圖

4　精度評定

通過人工手動分類鐵軌點云來進行點云分類精度評價，如圖11所示，紅色的點為手動分類的鐵軌點云，即鐵軌上的點云，綠色的點為自動分類的不在鐵軌上的點云，即噪聲點，最后計算所得點云自動分類的準確率為91%。

5　結　論

本文結合高分辨率遙感影像和高密度機載雷達點云數(shù)據(jù)的優(yōu)點，先對遙感影像進行面向對象的圖像分析，得到鐵軌掩膜，然后利用鐵軌掩膜得到感興趣的鐵軌點云數(shù)據(jù)，用MATLAB軟件對點云數(shù)據(jù)進行擬合，得到空間曲線。該方法實現(xiàn)了鐵路軌道基線的自動探測，為鐵路基礎測繪和地理信息數(shù)據(jù)的快速更新提供了重要的理論依據(jù)、技術支撐和生產保障。

[1]黃遠宏.應用全站儀與PDA掌上電腦實現(xiàn)既有鐵路測量一體化系統(tǒng)原理探討[J].鐵道勘察,2007,33(1):21-23.

[2]侯建民,黃遠宏.基于全站儀的既有鐵路測量技術系統(tǒng)探討[J].鐵道勘察, 2010,36(3):4-6.

[3]劉金喜,張冠軍.應用GPSRTK進行既有鐵路里程丈量的精度分析[J].鐵道勘察,2009,35(6):14-17.

[4]胡拔香,李東斌.雙轉點法抄平技術在既有鐵路測量中的應用[J].鐵道勘察,2011,37(1):10-12.

[5]韓改新.機載激光雷達(LIDAR)技術在鐵路勘測設計中的應用探討[J].鐵道勘察,2008,34(3):1-4.

[6]Rottensteiner F,Trinder J,Clode S,et al.Using the Dempster-Shafer method for the fusion of LIDAR data and multi-spectral images for building detection[J]. Information Fusion,2005,6(4):283-300.

[7]杜鳳蘭,田慶久,夏學齊,等.面向對象的地物分類法分析與評價[J].遙感技術與應用,2004,19(1):20-23.

[8]陳云浩,馮通,史培軍,等.基于面向對象和規(guī)則的遙感影像分類研究[J].武漢大學學報(信息科學版),2006,31(4):316-320.

[9]王鐵軍,任思思,徐明.基于eCognition的混合對象分類方法研究[J].測繪通報,2014(3):137-138.

[10]彭海濤,柯長青.基于多層分割的面向對象遙感影像分類方法研究[J].遙感技術與應用,2010,25(1):149-154.

[11]Axelsson P.DEM generation from laser scanner data using adaptive TIN models[C]// In International Archives of Photogrammetry & Remote Sensing,Vol Xxxiii,B.2000.

[12]Hai-Yang Y U,Gang C,Xiao-San G E,et al.Object oriented land cover classification using ALS and GeoEye imagery over mining area[J].Transactions of Nonferrous Metals Society of China,2011,21(S3):733-737.

[13]Beger R,Gedrange C,Hecht R,et al.Data fusion of extremely high resolution aerial imagery and LiDAR data for automated railroad centre line reconstruction[J].Isprs Journal of Photogrammetry & Remote Sensing,2011,66(6):S40-S51.

On extraction of railway tracks based on Airborne LiDAR data

LUO Ling1,YU Hai-yang1,2,NIU Feng-ming1,MA Hui-hui1

(1.Key Laboratory of Mine Spatial Information Technologies of National Administration of Surveying Mapping and Geoinformation of China,Henan Polytechnic University,Jiaozuo 454000,China;2.School of Surveying and Land Information Engineering,Henan Polytechnic University,Jiaozuo 454000,China)

The railway tracks are the key elements in the positioning of the railway infrastructure.High-resolution remote sensing image has a wealth of feature information,and airborne laser scanning data is of high accuracy elevation information,so we can combine the two together effectively,which can be directly used to extract the fine railroad tracks.First,according to embankment spectrum and local terrain features of the railway,and based nDSM data obtained from airborne LiDAR data,the paper establishes an extraction algorithm based on object-oriented railway region;further eliminate interference factors by mathematical morphology,so get rail LiDAR point cloud data area;Lastly,the paper uses the least squares method to fit the point cloud data accurately and obtains the track information.

railroad tracks;object-oriented;Airborne LiDAR;least squares fitting

2016-01-29

國家自然科學基金資助項目(U1304402)；衛(wèi)星測繪技術與應用國家測繪地理信息局重點實驗室經(jīng)費資助項目(KLAMTA-201405)；河南省高校科技創(chuàng)新團隊支持計劃資助項目(14IRTSTHN026)

羅玲(1989—)，女，河南南陽人，碩士研究生。

1674-7046(2016)04-0079-07

10.14140/j.cnki.hncjxb.2016.04.016

P237

A