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變化，及時發現潛在的山體滑坡風險，為鐵路安全管理部門提供檢測數據支撐。首先利用車載激光雷達獲取高速鐵路沿線邊坡三維點云數據，并將當期點云和基準點云進行配準;采用點云體素化方法降低離散空間點坐標的隨機誤差，并利用區域生長算法擬合生成多個區域平面。最后，提出邊坡形變量計算方法，得到邊坡形態變化檢測結果。試驗結果表明：利用車載激光點云能夠高效地檢測邊坡形態變化，實現了提升高速鐵路邊坡檢測效率的目的。

【關鍵詞】 ? ?高速鐵路 ? ?邊坡形變檢測 ? ?試驗研究 ? ?三維點云 ? ?車載激光雷達

近年來，我國鐵路高速化進程不斷加快，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。高速鐵路在山區存在較多的隧道、邊坡等大型建筑物，由于地質活動和天氣變化的影響，特別是我國南方降水量較多的區段，邊坡發生滑坡的風險較高，嚴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變化情況，統計分析邊坡形變趨勢，及時發現潛在的滑坡風險，以采取相應的加固措施，防止高速鐵路安全事故的發生。

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

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

邊坡點云數據采集是高速鐵路邊坡形變檢測任務的重要內容[1]，點云數據質量和精度的好壞，會對邊坡形變檢測結果的準確性產生直接影響。

提出的高速鐵路邊坡點云采集系統架構如圖1所示，該系統能夠實現等距離的掃描高速鐵路沿線建筑物及設備的三維空間點數據，空間點的坐標表示沿軌道方向的里程定位值，坐標和坐標分別表示距離軌道中心線的縱向和橫向距離。

高精度激光雷達掛載在檢測列車車頭中心位置，掃描的空間點數據通過高速網絡以流式傳輸發送到點云數據采集服務器;同時，里程定位同步單元以固定距離間隔向點云數據采集服務器發送里程定位信息;點云數據采集服務器每次收到里程定位信息，立即將空間點數據和對應里程定位信息保存至硬盤。

1.2 多期點云配準

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，設定坐標閾值即可進行分割提取。因此，先提取出當期點云和基準點云中鋼軌區域的空間點，然后采用ICP算法[2]對該區域點云進行配準，迭代計算求解最優旋轉矩陣和平移矩陣，最后，將計算得到的旋轉矩陣和平移矩陣應用于其他區域空間點，即可實現兩期點云配準。配準結果如圖2所示，白色為基準點云空間點，藍色為當期點云空間點，紅色為提取的鋼軌區域空間點。優化后的目標函數j定義如下：

（1）

式中，N為點云P中鋼軌區域空間點總數，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

激光雷達掃描的離散空間點的位置存在一定的隨機誤差，如直接進行形變量的計算，會導致計算結果不準確，影響最終的分析結果。為降低隨機誤差帶來的影響，需要預先對點云數據進行體素化。

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的過程。首先，計算點云數據X、Y、Z三個方向的最大值和最小值;然后，設定立體像素的尺寸，并計算X、Y、Z三個方向的立體像素數量;最后，使用立體像素內包含空間點的坐標平均值作為該立體像素的坐標值。

2.2 邊坡形變量計算

邊坡點云數據中的離散空間點不具有空間連續性，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，導致最終的檢測結果不準確。

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

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據進行試驗驗證。該邊坡曾發生過小規模的滑坡事件，前兩期邊坡點云數據是在滑坡之前獲取，第三期邊坡點云數據是在滑坡之后掃描獲取，三期邊坡點云數據間隔時間大約為1個月。

本節試驗以第一期邊坡點云數據作為基準點云數據，先利用所提多期點云配準方法將第二期和第三期邊坡點云數據與基準點云數據進行配準;然后，分割提取出邊坡區域的點云數據，并進行體素化處理;最后，利用區域生長算法將體素化后的基準點云數據擬合成多個區域平面，依次計算第二期和第三期邊坡點云數據中每個立體像素的形變量，得到形變檢測結果。

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

四、結論

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

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，并利用實際邊坡數據進行了試驗驗證。試驗結果表明，所提方法能夠利用車載激光點云進行邊坡形變檢測，證明了方法的正確性和準確性;

3.所提系統和方法能夠實現動態檢測邊坡形態變化情況，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據支持，對保障高速鐵路運營安全有重要意義。

參考文獻

[1]申文軍，周文皎，魏少偉，等.山區鐵路路基邊坡溜坍典型模式剖析及風險評價[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 ? ?學歷：在職研究生 ?職務或職稱：工程師 ?工作單位：中國鐵路廣州路集團有限公司工電檢測所 ?研究方向：工務檢測技術