基于车载激光点云的高速铁路边坡形变检测

刘俊尧

【摘要】    为保障高速铁路运行安全，必须定期地检测沿线边坡的形态变化，及时发现潜在的山体滑坡风险，为铁路安全管理部门提供检测数据支撑。首先利用车载激光雷达获取高速铁路沿线边坡三维点云数据，并将当期点云和基准点云进行配准;采用点云体素化方法降低离散空间点坐标的随机误差，并利用区域生长算法拟合生成多个区域平面。最后，提出边坡形变量计算方法，得到边坡形态变化检测结果。试验结果表明：利用车载激光点云能够高效地检测边坡形态变化，实现了提升高速铁路边坡检测效率的目的。

【关键词】    高速铁路    边坡形变检测    试验研究    三维点云    车载激光雷达

近年来，我国铁路高速化进程不断加快，如何保障高速铁路运行安全已成为铁路安全管理部门的重点工作。高速铁路在山区存在较多的隧道、边坡等大型建筑物，由于地质活动和天气变化的影响，特别是我国南方降水量较多的区段，边坡发生滑坡的风险较高，严重威胁高速铁路运行安全。因此，必须定期地检测高速铁路沿线边坡的形态变化情况，统计分析边坡形变趋势，及时发现潜在的滑坡风险，以采取相应的加固措施，防止高速铁路安全事故的发生。

针对现有方法存在的问题，本文提出利用检测列车挂载高精度激光雷达获取高速铁路沿线边坡的三维点云数据，并进行配准;然后，将点云数据体素化，并利用区域生长算法拟合生成多个区域平面，最后，计算边坡形变量，得到边坡形态变化检测结果。试验结果表明，所提方法实现了高效地检测高速铁路边坡形态变化情况的目的。

一、高速铁路边坡点云采集与处理

1.1 高速铁路边坡点云采集系统

边坡点云数据采集是高速铁路边坡形变检测任务的重要内容[1]，點云数据质量和精度的好坏，会对边坡形变检测结果的准确性产生直接影响。

提出的高速铁路边坡点云采集系统架构如图1所示，该系统能够实现等距离的扫描高速铁路沿线建筑物及设备的三维空间点数据，空间点的坐标表示沿轨道方向的里程定位值，坐标和坐标分别表示距离轨道中心线的纵向和横向距离。

高精度激光雷达挂载在检测列车车头中心位置，扫描的空间点数据通过高速网络以流式传输发送到点云数据采集服务器;同时，里程定位同步单元以固定距离间隔向点云数据采集服务器发送里程定位信息;点云数据采集服务器每次收到里程定位信息，立即将空间点数据和对应里程定位信息保存至硬盘。

1.2 多期点云配准

高速铁路边坡点云中，钢轨宽度和轨距相对固定，空间点特征较为明显，设定坐标阈值即可进行分割提取。因此，先提取出当期点云和基准点云中钢轨区域的空间点，然后采用ICP算法[2]对该区域点云进行配准，迭代计算求解最优旋转矩阵和平移矩阵，最后，将计算得到的旋转矩阵和平移矩阵应用于其他区域空间点，即可实现两期点云配准。配准结果如图2所示，白色为基准点云空间点，蓝色为当期点云空间点，红色为提取的钢轨区域空间点。优化后的目标函数j定义如下：

（1）

式中，N为点云P中钢轨区域空间点总数，Di计算公式定义如下：

（2）

式中，Qclosest为与Pi距离最近的点云Q中钢轨区域空间点。

二、高速铁路边坡形变检测方法

2.1 点云体素化

激光雷达扫描的离散空间点的位置存在一定的随机误差，如直接进行形变量的计算，会导致计算结果不准确，影响最终的分析结果。为降低随机误差带来的影响，需要预先对点云数据进行体素化。

点云体素化（Point Cloud Voxelization）[3]，即利用空间中均匀尺寸的立体像素块来表示点云几何形态的过程。首先，计算点云数据X、Y、Z三个方向的最大值和最小值;然后，设定立体像素的尺寸，并计算X、Y、Z三个方向的立体像素数量;最后，使用立体像素内包含空间点的坐标平均值作为该立体像素的坐标值。

2.2 边坡形变量计算

边坡点云数据中的离散空间点不具有空间连续性，直接计算离散空间点之间的形变量，不仅需要较多的计算资源和计算时间，而且会引入干扰误差，导致最终的检测结果不准确。

为降低干扰误差影响，首先设定距离范围和激光反射强度阈值，从基准点云数据中分割提取边坡区域点云，以排除其他沿线建筑或设备干扰;然后，对基准边坡点云数据进行体素化处理，并采用区域生长算法[4]将具有相同空间特性的立体像素拼接拟合，得到多个区域平面，区域生长结果如图3所示，不同颜色表示空间特性不同的区域。

三、试验验证

为验证边坡形变检测方法的正确性，选取三个时期获取的我国南方某高速铁路中某边坡的点云数据进行试验验证。该边坡曾发生过小规模的滑坡事件，前两期边坡点云数据是在滑坡之前获取，第三期边坡点云数据是在滑坡之后扫描获取，三期边坡点云数据间隔时间大约为1个月。

本节试验以第一期边坡点云数据作为基准点云数据，先利用所提多期点云配准方法将第二期和第三期边坡点云数据与基准点云数据进行配准;然后，分割提取出边坡区域的点云数据，并进行体素化处理;最后，利用区域生长算法将体素化后的基准点云数据拟合成多个区域平面，依次计算第二期和第三期边坡点云数据中每个立体像素的形变量，得到形变检测结果。

边坡形变检测结果可视化如图4所示。为了便于观察形变区域，图中使用不同的颜色进行标识。绿色表示形变量小于10cm的空间点，蓝色表示形变量在10cm-20cm之间的空间点，黄色发生20cm-30cm形变的空间点，红色表示形变量超过30cm的空间点，其中，形变量较小的区域大部分是由于覆盖的植被变化所导致。根据检测结果可以看出，在第二期点云数据中，边坡中上部存在两块形变量超过30cm的形变区域;在第三期点云数据中，该边坡区域发生滑坡，导致边坡中上部产生大面积形变量超过30cm的形变区域，边坡中下部由于存在滑脱的泥石，也产生大面积形变量超过30cm的形变区域。检测结果表明，所提方法能够正确的检测出边坡的形态变化情况。

四、结论

1.提出了一种高速铁路边坡点云采集系统，通过在检测列车上挂载高精度激光雷达，实现了高速铁路沿线建筑物及设备的三维点云数据自动化采集;

2.提出了一种基于车载激光点云的高速铁路边坡形变检测方法，并利用实际边坡数据进行了试验验证。试验结果表明，所提方法能够利用车载激光点云进行边坡形变检测，证明了方法的正确性和准确性;

3.所提系统和方法能够实现动态检测边坡形态变化情况，提升了高速铁路边坡检测工作的效率，能够为铁路安全管理部门提供检测数据支持，对保障高速铁路运营安全有重要意义。

参考文献

[1]申文军，周文皎，魏少伟，等.山区铁路路基边坡溜坍典型模式剖析及风险评价[J].铁道建筑，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.

劉俊尧 出生年月：19881025  性别：男  民族：汉 籍贯：湖南长沙    学历：在职研究生  职务或职称：工程师  工作单位：中国铁路广州路集团有限公司工电检测所  研究方向：工务检测技术