基于接触网腕臂系统三维点云的二维图像辅助分割方法与流程

本发明涉及高速铁路接触网维护检测领域，具体涉及一种基于接触网腕臂系统三维点云的二维图像辅助分割方法。

背景技术：

随着电气化铁路的大力发展，列车运行素的也在不断提升。为了保证列车运行的高效性，对受电弓受流的稳定性与可靠性就提出了很高的要求。因此，必须保证腕臂系统的刚性不变性。腕臂系统各连接部分发生松脱而移位，一方面会使得承力索与接触线偏离固有位置，而出现打弓等现象，另一方面会改变腕臂系统内部应力结构，而导致接触网系统局部或区域型的松垮现象，影响列车的正常运行。因此，利用3d视觉技术获取接触网腕臂系统三维点云数据，并结合转换的二维图像进行辅助分割，提高分割结果，为腕臂系统相关参数计算提供更好的基础就变得尤为重要。

目前，主要依靠人工对接触网腕臂系统进行维护检测，将消耗大量的人力物力，对行车造成干扰，并会受天气和作业人员的经验判断影响。

技术实现要素：

本发明提供一种抗噪性好、鲁棒性强、精度较高的对接触网腕臂系统实施分割的基于接触网腕臂系统三维点云的二维图像辅助分割方法。

本发明采用的技术方案是：基于接触网腕臂系统三维点云的二维图像辅助分割方法，包括以下步骤：

步骤1：获取接触网腕臂系统三维点云数据；

步骤2：采用体素滤波，对三维点云数据进行均匀重采样；

步骤3：将均匀重采样后的腕臂系统三维点云数据转换为二维图像；

步骤4：对步骤3得到的二维图像进行分割，然后依次进行图像闭运算、中值滤波处理，返回三维点云即得到腕臂系统三维点云各个线性部分的分割结果。

进一步的，所述步骤3具体过程如下：

s11：确定平面坐标系x-o-z、x-o-y、y-o-z；

s12：确定二维图像平面投影的范围，计算三维点云中的x、y、z方向上的最大值和最小值，设定平面坐标系的单位刻度为体素的边长；

s13：确定三维点云在平面坐标中的位置；

s14：确定二维图像的灰度值：

式中：color(i,j)为当前点计算之后所对应的二维图像的灰度值，y(i,j)为当前点需要获得的坐标，ymin为三维点云在y轴上的最小值，ymax为三维点云在y轴上的最大值；

s15：还原三维坐标。

进一步的，所述步骤4具体过程如下：

s21：采用sc-lccp算法对步骤3得到的二维图像进行分割，分别单独提取各线性部分，并将剩余部分转换为二维图像；

s22：将s11中各个线性部分对应的剩余部分的二维图像与步骤3中的三维点云二维图像相减，然后依次进行图像闭运算、中值滤波处理；

s23：将步骤s22得到的二维图像的分割结果，根据以下返回接触网腕臂系统三维点云数据中各线性部分的分割结果；

式中：color(i,j)为当前点计算之后所对应的二维图像的灰度值，y(i,j)为当前点需要获得的坐标，ymin为三维点云在y轴上的最小值，ymax为三维点云在y轴上的最大值。。

进一步的，所述步骤2中的采用体素滤波，对三维点云数据进行均匀重采样过程如下：

采用直通滤波器，根据腕臂系统在成像过程中采用的相机的坐标系成像位置，分别设置x、y、z轴的阈值范围，对腕臂系统的背景环境进行滤除；利用体素滤波，设置体素体大小，对腕臂系统三维点云进行均匀重采样。

进一步的，所述步骤s21中线性部分包括平腕臂、腕臂支撑、斜腕臂、定位管支撑、定位管和定位器。

本发明的有益效果是：

(1)本发明通过3d视觉图像技术获取接触网腕臂系统的三维点云数据，不会增加接触网系统的负载；

(2)本发明采用二维图像进行辅助分割，并最终返回接触网腕臂系统各线性部分的高效分割结果，具有抗噪性好、鲁棒性强、精度较高的特点，提高了接触网腕臂系统的分割效果；

(3)本发明采用非接触式3d视觉图像技术，减少了人力物力的消耗，不受天气和作业人员的经验判断影响。

附图说明

图1为本发明分割流程示意图。

图2为本发明中采用的检测装置示意图。

图3为本发明中获取一帧腕臂系统点云数据示意图。

图4为本发明中获取的现场一帧腕臂系统点云数据。

图5为本发明中直通滤波之后的腕臂系统点云数据。

图6为本发明中体素滤波之后的腕臂系统点云数据。

图7为本发明中构建的二维平面坐标系。

图8为本发明中点云在x-o-z平面中的位置。

图9为本发明中转换的二维图像。

图10为本发明中sc-lccp分割结果的二维图像。

图11为本发明中二维图像分割结果示意图。

图12为本发明中映射腕臂系统三维点云分割结果。

图13为本发明中原始接触网腕臂系统三维点云数据集。

图14为本发明中腕臂系统三维点云分割结果。

图中：1-检测车，2-深度相机，3-承力索，4-吊弦，5-轨道，6-接触线，7-腕臂系统。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明。

如图1所示，一种基于接触网腕臂系统三维点云的二维图像辅助分割方法，包括以下步骤：

步骤1：获取接触网腕臂系统三维点云数据；

深度相机置于检测车正上方，相机水平，并倾斜一定角度，如图2所示。移动检测车，使得整个腕臂系统在深度相机可视范围内，实时获取多帧腕臂系统点云数据，如图3所示，图4为获取的一帧腕臂点云数据。

步骤2：采用体素滤波，对三维点云数据进行均匀重采样；

过程如下：

采用直通滤波器，根据腕臂系统在成像过程中采用的相机的坐标系成像位置，分别设置x、y、z轴的阈值范围，对腕臂系统的背景环境进行滤除；直通滤波器参数参考设置如表1所示，滤波结果如图5所示。利用体素滤波，设置体素体大小为0.02m，对腕臂系统三维点云进行均匀重采样，滤波结果如图6所示。

表1.直通滤波器参数设置

步骤3：将均匀重采样后的腕臂系统三维点云数据转换为二维图像；

具体过程如下：

s11：确定平面坐标系x-o-z、x-o-y、y-o-z(其中任意一个坐标轴所在平面都可以)，坐标系见图7；

s12：确定二维图像平面投影的范围，计算三维点云中的x、y、z方向上的最大值和最小值，分别记为xmax、ymax、zmax和xmin、ymin、zmin；设定平面坐标系的单位刻度为体素的边长；以此保证平面坐标系单位刻度所对应面积为体素的面大小。

s13：确定三维点云在平面坐标(如x-o-z，其中任意一个坐标轴所在平面都可以)中的位置，如图8所示；

s14：确定二维图像的灰度值：

式中：color(i,j)为当前点计算之后所对应的二维图像的灰度值，y(i,j)为当前点需要获得的坐标，ymin为三维点云在y轴上的最小值，ymax为三维点云在y轴上的最大值；

s15：还原三维坐标，二维图像如图9所示。

步骤4：对步骤3得到的二维图像进行分割，然后依次进行图像闭运算、中值滤波处理，返回三维点云即得到腕臂系统三维点云各个线性部分的分割结果。

具体过程如下：

s21：采用基于斜率约束的凸连接打包(slopeconstrainedlocallyconvexconnectedpatches:sc-lccp)sc-lccp算法对步骤3得到的二维图像进行分割，分别单独提取各线性部分，包括平腕臂、腕臂支撑、斜腕臂、定位管支撑、定位管和定位器。并将剩余部分转换为二维图像，如图10所示。

s22：将s11中各个线性部分对应的剩余部分的二维图像与步骤3中的三维点云二维图像相减，然后依次进行图像闭运算、中值滤波处理，如图11所示；

s23：将步骤s22得到的二维图像的分割结果，根据以下返回接触网腕臂系统三维点云数据中各线性部分的分割结果，如图12所示；

式中：color(i,j)为当前点计算之后所对应的二维图像的灰度值，y(i,j)为当前点需要获得的坐标，ymin为三维点云在y轴上的最小值，ymax为三维点云在y轴上的最大值。

采用本发明方法，对通过深度相机获取的500组腕臂系统点云数据进行各线性部分的高效分割，并展示了部分原始数据集和6组分割结果。原始数据如图13所示，分割结果数据如图14所示。

本发明通过3d视觉图像技术，对接触网腕臂系统进行各线性部分的高效分割。这种非接触式的腕臂系统分割方法，不会对接触网系统增加额外的负载，且不会干扰行车；减少了人力物力的消耗。不受天气的约束以及作业人员的经验判断影响。采用基于斜率约束的凸连接打包(slopeconstrainedlocallyconvexconnectedpatches:sc-lccp)算法，提高了各线性部分的分割结果，为后续的参数检测提供了更好的基础，具有较好的使用前景。