本文是一篇计算机专业论文，本文以大规模铁路工程激光点云数据作为研究对象，对铁路场景中的轨道提取方法进行了深入研究。
1 绪论
1.1 研究背景与意义
铁路交通是国家交通基础设施建设中重要的组成部分，作为当前公认的安全、高效和舒适的交通工具，铁路交通运输也成为了当下人民群众交通出行的重要选择之一。近年来，我国在铁路领域的发展有目共睹，截至到2023年底，我国的铁路运营里程已经达到了15.9万公里，高铁里程达4.5万公里[1]，处于全球领先水平。铁路交通不仅在提升国内交通运输能力方面发挥了关键作用，还在促进经济发展、改善人民生活等方面发挥了重要作用，在《中长期铁路网规划》[2]中提出构筑的“八纵八横”高速铁路主通道，对经济带动效应显著。按照《新时代交通强国铁路先行规划纲要》[3]，明确到2035年我国铁路网将达20万公里左右，在铁路网不断扩张以及科技进步的双重驱动下，推进铁路系统的智能现代化已经成为铁路领域发展的重要趋势。
1.2 国内外研究现状
近年来，越来越多的学者开始关注铁路点云场景中轨道提取的相关工作，并取得了一定的研究成果。由于直接从海量数据中提取轨道较为困难，大多数研究首先确定轨道的候选范围，在此基础上完成轨道的提取。因此本文以道床区域的提取为出发点，在道床提取的基础上完成对轨道的提取和匹配工作。下面从铁路道床和轨道提取两个方面对国内外研究现状进行分析。
1.2.1 铁路道床提取方法研究现状
道床在识别其他铁路环境组成部分中起着至关重要的作用。道床区域包含了铁路各项基础设施，并且在高程分布上与场景中的其他地物具有明显区别，因此道床往往是首先被识别的对象。铁路道床的提取方法主要分为两类：一类是通过对高程等特征进行分析和约束，在数据中直接提取道床；另一类是在提取铁路上空接触线的基础上，利用其与道床的相对位置关系来获取完整的道床。
（1）基于特征约束的道床提取方法
2014年Yang和Fang[7]最早对道床提取进行了研究。根据铁路的线性结构以及沿线移动测绘系统的驱动方向对数据进行分段。针对每个分段后的数据，设计了滑动窗口滤波算子对横截面进行操作，通过沿扫描线计算窗口的高程变化以确定道床区域。然而，该方法在道床两侧高度不相同的情况下可能会检测失效。
Arastounia等人[8]根据道床区域点云在高程上变化较小的特点，通过对数据构建高程标准差直方图，并对波峰区域进行分析以初步确定道床。然后，基于欧式聚类将区段最大的点簇确定为道床。在Arastounia等人[9]另一项研究中，并没有对道床区域进行之前精确的提取，而是直接将数据中具有最大点数的高度区间确定为道床区域，并将其从原始场景中分离出来。尽管这两种方法都可以提取到铁路的道床区域，但只适用于简单的铁路点云场景，对于不同场景的鲁棒性较差。
2 渐进式铁路道床区域提取方法
2.1 方法框架
本章提出了一种渐进式铁路道床区域提取方法，方法框架如图2-1所示，主要分为以下三个步骤：
（1）数据预处理：首先，通过设置适当的体素网格边长对数据进行下采样，确保数据质量的同时降低数据规模。随后，采用统计滤波算法对数据进行处理，以去除离群点。考虑到原始铁路场景点云并不沿轴方向延伸，需要对场景进行旋转，以使道床区域的延伸方向沿Y轴方向分布，满足后续数据处理的需求。
（2）候选簇提取：对于预处理之后的数据，采用布料滤波算法将地面点和非地面点进行有效分离。考虑到道床区域在场景中与地面点存在于不同高程区间，因此道床被包含在非地面点中。在去除地面点之后，结合DBSCAN和KD树对非地面点进行聚类，聚类之后场景中的点表现为多个点簇。考虑到道床在整个场景中沿着轨道方向延伸的特点，对聚类后的多个点簇分别建立包围盒，并对这些包围盒的边长分布情况进行分析。当包围盒边长的分布满足预先设定的条件时，则确定该包围盒所对应的点簇为候选簇。
（3）道床区域优化：针对道床区域空间距离相近的灌木等植被难以去除的问题，首先对提取得到的候选簇进行分段，在对分段逐个处理的过程中，通过设置合适的步长对各分段进行栅格化。接着，基于对道床横切面在不同区域高程上的变化进行分析，通过对沿X轴方向连续栅格进行计算，获取栅格内不同高程区间点的数量分布以识别道床边缘部分的信息。最后，通过在候选簇对中所确定的边缘部分进行划分，实现对道床区域的精确提取。
2.2 数据预处理
通过激光雷达扫描获取的铁路点云场景数据集通常具有较大的数据规模，以及会受到设备和现场因素的影响而产生噪声点。因此，在进行道床区域提取之前，将原始点云进行预处理。首先，通过使用体素滤波的方法对数据执行下采样，以在保证数据质量的前提下有效减少数据规模。其次，应用统计滤波方法去除数据中的离群点，并考虑到原始点云数据呈现非轴向分布，在执行提取前将道床延伸方向旋转至沿轴向延伸。
2.2.1 场景下采样和去噪
针对铁路点云场景中海量数据的情况，首先采用基于体素滤波的方法进行下采样，该方法能够在有效降低数据量的同时保留场景的主要特征。另外，为了减少离群点对道床区域提取结果的影响，基于统计滤波的方法对数据进行处理移除离群点。
（1） 基于体素滤波的场景下采样
首先，通过对初始点云切分，构建边长相等的三维立方体单元网格。接下来，对落入每个立方体网格中的全部点计算，获取这些点的质心位置。最后，将各网格计算得到的质心点用于替代分布于该网格内的所有点云数据点。这一过程将点云空间转换为多个等边长的体素几何，在这个过程中选择合适的体素边长至关重要。较大的体素边长将导致剔除更多点，从而降低下采样后的点云密度，可能导致丢失关键特征点，达不到预期的效果。因此，体素边长的选择需要平衡密度与特征保留的需求，以确保下采样后的点云仍然具有足够的特征信息[42]。本文在对数据处理的过程中，将体素网格的边长设置在0.02m至0.04m之间。
（2） 基于统计滤波的离群点去除方法
统计滤波[43]主要可以用来剔除离群点，或者测量误差导致的粗差点。由于铁路场景可能存在各种复杂的地形和物体，例如不规则的地表形状、树木等，这些因素都可能导致点云数据中出现离群点，严重影响了后续的数据分析和处理工作。基于统计滤波的方法是通过对每个点的邻域进行统计分析，计算其与临近点的平均距离。假设得到的结果服从高斯分布，通过计算高斯分布的均值和标准差，根据所得到的均值和标准差建立标准范围，当某个点的平均距离超出了这个标准范围，就可以将该点定义为离群点，并将其从数据中去除。这样可以有效地消除离群点对后续分析的干扰，提高数据的准确性和可靠性。
3 基于融合注意力和残差机制的铁路轨道提取方法 .......................... 29
3.1 方法框架 .................................. 29
3.2 铁路点云场景深度学习数据集构建 ....................... 30
4 基于缺失检测与特征约束的轨道匹配方法 ................. 47
4.1 方法框架 .......................... 48
4.2 基于滑动窗口的单条钢轨提取 .......................... 48
5 总结与展望................................. 61
5.1 本文工作总结 ................................... 61
5.2 未来工作展望 ............................... 62
4 基于缺失检测与特征约束的轨道匹配方法
4.1 方法框架
基于缺失检测与特征约束的轨道匹配方法总体框架如图4-1所示，主要包含三个步骤，其具体内容如下所示：
（1）单条钢轨提取：首先从输入数据中提取出所有的轨道点云。通过在提取到的轨道点云中划分初始区域，并获取初始区域中的初始段；随后分别对初始段构建滑动窗口沿Y轴延伸方向进行扫描，并结合欧式聚类的方法完成场景中单条钢轨的提取。
（2）缺失检测：数据中存在的缺失部分会导致同一条钢轨被识别为不同的分段，在轨道匹配之前首先对缺失部分进行检测。在缺失检测的过程中，首先对上一步骤中获取到的钢轨进行采样，在后续的处理中，使用这些连续的采样点来代表整条钢轨。然后，计算钢轨两端的端点，并通过分析不同钢轨端点之间的夹角以及空间距离，获取缺失区域的位置并以此进一步细化场景中钢轨的信息。
（3）轨道匹配：在铁路场景中同一轨道的两段钢轨具有固定轨距和平行性，因此首先对不同钢轨之间的距离以及方向向量夹角进行计算。当两段钢轨之间的轨距以及其方向向量夹角满足预先设置的阈值，则将这两段钢轨确定为同一条轨道。
5 总结与展望
5.1 本文工作总结
本文以大规模铁路工程激光点云数据作为研究对象，对铁路场景中的轨道提取方法进行了深入研究。首先，对当前铁路道床以及轨道提取方法的研究现状进行分析，并总结现存方法的优缺点。其次，提出了一种渐进式道床区域提取方法，从而完成道床区域的提取并去除掉场景中的冗余点；在此基础上，通过构建铁路点云深度学习数据集，并基于SERP-Net对轨道进行提取，在所构建的数据集上对网络进行训练和测试。最后，为了获取轨道数据中同一轨道的左右轨，并考虑由于遮挡以及扫描盲区所造成的数据缺失问题，设计了一种基于缺失检测和特征约束的方法完成场景中轨道的匹配。本文主要完成工作如下：
（1）实现了一种渐进式铁路道床区域提取方法。该方法首先对原始铁路点云场景进行精简和角度调整，将道床旋转至沿轴方向延伸。接下来基于布料滤波算法滤除地面点，并将地面点聚类对形成的多个点簇进行分析，获取包含道床区域的候选簇。最后，基于对道床横截面点分布的分析，从对数据进行分段出发，对数据进行栅格化并
