一种基于手持Lidar的公路铁路数字信息建模方法

摘要

本发明公开了一种基于手持Lidar的公路铁路数字信息建模方法，旨在提供高效、精确的公路/铁路建模技术。本方法利用手持式Lidar激光雷达采集公路/铁路环境数据，并通过数据预处理和算法优化，实现公路/铁路建筑物和设施的三维模型自动生成。包括自适应场景点云滤波、尺度无关的地面提取方法、钢轨提取算法和电力线处理方法等关键结构提取算法。通过该方法可以快速生成公路/铁路模型，为公路/铁路规划、维护和安全管理等领域提供监测数据的载体，实现对公路/铁路状态的直观了解，并及时采取措施，保障公路/铁路交通的安全稳定运行。该方法具有高效性、精确性和可靠性的优势，对提升公路/铁路建模的效率和准确性具有重要意义。

权利要求

1.一种基于手持Lidar的公路铁路数字信息建模方法，其特征在于，包括以下步骤：基于手持Lidar扫描仪在工程现场获取原始数据，基于自适应算法对所述原始数据进行预处理，获取点云数据；

对所述点云数据进行地面数据分割，获取非地面数据；

基于深度学习构建语义分割网络，对所述非地面数据进行结构预分类，获取预分类钢轨；

对所述预分类钢轨进行精细化处理，获取钢轨点数据；

基于所述点云数据、非地面数据、钢轨点数据对所述语义分割网络进行训练，获取深度学习模型，基于所述深度学习模型进行钢轨点数据自动化提取；

基于最小二乘法对所述钢轨点数据进行公路铁路线的走向拟合参数化提取，获取参数化线路数据；

根据线路标准路基及标准钢轨的断面信息绘制模型断面信息；

基于所述参数化线路数据与所述模型断面信息构建公路铁路数字信息模型；

对所述点云数据进行地面数据分割的过程包括：

根据所述点云数据的尺寸信息进行网格均分，获取双层网格，基于所述双层网格获取双层种子点；所述双层种子点包括一级种子点与二级种子点；

将所述一级种子点中的最低点作为候选点，对所述候选点进行特征面求解，同时计算候选点到特征面的欧式距离与总平均欧式距离；

基于所述欧式距离与所述总平均欧式距离进行循环判断，获取能够表达网格范围内局部曲面特征的候选点；

对双层种子点中的点进行曲面拟合，提取全局地面点，获取非地面点；

基于所述欧式距离与所述总平均欧式距离进行循环判断的过程中，构建最大坡度，若候选点通过与一级种子点之间的坡度小于最大坡度，则将候选点作为二级种子点；

基于一级种子点与候选点的高程坐标计算高度差，并构建最大高度差，基于所述最大高度差与高度差对候选点进行筛选；

基于深度学习对所述非地面数据进行结构预分类的过程包括：基于最邻近算法进行领域点特征采集，构建特征矩阵，基于所述特征矩阵进行LSE处理以及特征增强，获取若干个特征向量；

基于softmax计算权重，基于所述特征向量与所述权重获取聚合领域特征；

对所述聚合领域特征中相邻的领域特征进行局部空间编码和注意力池化；

基于语义分割网络进行结构预测与分割。

2.根据权利要求1所述的基于手持Lidar的公路铁路数字信息建模方法，其特征在于，基于自适应算法对所述原始数据进行预处理的过程包括：基于统计滤波法对所述原始数据进行数据组织形式判识；

基于高斯滤波进行结构表面恢复；

基于半径滤波进行数据状态判识以及噪声去除。

3.根据权利要求2所述的基于手持Lidar的公路铁路数字信息建模方法，其特征在于，基于统计滤波法对所述原始数据进行数据组织形式判识的过程包括：基于统计滤波法对所述原始数据构建KD‑Tree值，计算所述KD‑Tree值中各点到中心点的单点均值距离、总体均值距离、总体距离方差；

基于所述单点均值距离、总体均值距离、总体距离方差获取平均欧式距离和标准差；

基于所述标准差进行迭代，获取最小标准差，基于所述最小标准差进行数据组织形式判识。

4.根据权利要求3所述的基于手持Lidar的公路铁路数字信息建模方法，其特征在于，基于高斯滤波进行结构表面恢复的过程包括：基于所述平均欧式距离和所述标准差作为参数进行卷积滤波，将距离差大于3倍标准差的点的位置向中心点拉近。

5.根据权利要求3所述的基于手持Lidar的公路铁路数字信息建模方法，其特征在于，基于半径滤波进行数据状态判识以及噪声去除的过程包括：将所述平均欧式距离作为半径，将所述KD‑Tree值作为最低数量，计算原始数据中的点在所述半径内的邻居点数量，将原始数据中邻居点数量小于最低数量的点去除。

6.根据权利要求1所述的基于手持Lidar的公路铁路数字信息建模方法，其特征在于，对所述预分类钢轨进行精细化处理的过程包括：分别基于反射强度值、尺寸信息对所述预分类钢轨进行钢轨点筛选；

对筛选后的钢轨点进行表面曲率信息计算，同时进行偏差计算，将超出标准偏差的钢轨点判断为异常点并删除。

说明书

一种基于手持Lidar的公路铁路数字信息建模方法

技术领域

[0001] 本发明属于公路/铁路BIM建模及安全运营领域，特别是涉及一种基于手持Lidar的公路铁路数字信息建模方法。

背景技术

[0002] 当前，随着公路/铁路建设和维护的不断发展，对公路/铁路环境的高效建模和安全运营管理需求日益增加。传统的手工建模方法存在工作量大、效率低、准确性不高等问题，亟需一种高效、精确的公路/铁路BIM(Building Information Modeling)建模方法来提升公路/铁路建模的质量和效率。

[0003] 然而，在实际的运营过程中，由于公路/铁路环境具有范围广、里程长、结构多、环境复杂等特点，公路/铁路的走向、接触网、砟道等状况的变化规律不同，无法使用一通用的方法建立特定的公路/铁路场景的BIM模型，并且也难以使用传统的测绘方法获取这类海量数据，给公路/铁路的安全和正常运营带来及极大困难。因此，依据真实信息建立的公路/铁路BIM模型，对于保障公路/铁路的运营安全、延长路基使用寿命具有重要的意义。

发明内容

[0004] 本发明的目的是提供一种基于手持Lidar的公路铁路数字信息建模方法，以解决上述现有技术存在的问题。

[0005] 为实现上述目的，本发明提供了一种基于手持Lidar的公路铁路数字信息建模方法，包括以下步骤：

[0006] 基于手持Lidar扫描仪在工程现场获取原始数据，基于自适应算法对所述原始数据进行预处理，获取点云数据；

[0007] 对所述点云数据进行地面数据分割，获取非地面数据；

[0008] 基于深度学习构建语义分割网络，对所述非地面数据进行结构预分类，获取预分类钢轨；

[0009] 对所述预分类钢轨进行精细化处理，获取钢轨点数据；

[0010] 基于所述点云数据、非地面数据、钢轨点数据对所述语义分割网络进行训练，获取深度学习模型，基于所述深度学习模型进行钢轨点数据自动化提取；

[0011] 基于最小二乘法对所述钢轨点数据进行公路铁路线的走向拟合参数化提取，获取参数化线路数据；

[0012] 根据线路标准路基及标准钢轨的断面信息绘制模型断面信息；

[0013] 基于所述参数化线路数据与所述模型断面信息构建公路铁路数字信息模型。

[0014] 可选地，基于自适应算法对所述原始数据进行预处理的过程包括：

[0015] 基于统计滤波法对所述原始数据进行数据组织形式判识；

[0016] 基于高斯滤波进行结构表面恢复；

[0017] 基于半径滤波进行数据状态判识以及噪声去除。

[0018] 可选地，基于统计滤波法对所述原始数据进行数据组织形式判识的过程包括：

[0019] 基于统计滤波法对所述原始数据构建KD‑Tree值，计算所述KD‑Tree值中各点到中心点的单点均值距离、总体均值距离、总体距离方差；

[0020] 基于所述单点均值距离、总体均值距离、总体距离方差获取平均欧式距离和标准差；

[0021] 基于所述标准差进行迭代，获取最小标准差，基于所述最小标准差进行数据组织形式判识。

[0022] 可选地，基于高斯滤波进行结构表面恢复的过程包括：

[0023] 基于所述平均欧式距离和所述标准差作为参数进行卷积滤波，将距离差大于3倍标准差的点的位置向中心点拉近。

[0024] 可选地，基于半径滤波进行数据状态判识以及噪声去除的过程包括：

[0025] 将所述平均欧式距离作为半径，将所述KD‑Tree值作为最低数量，计算原始数据中的点在所述半径内的邻居点数量，将原始数据中邻居点数量小于最低数量的点去除。

[0026] 可选地，对所述点云数据进行地面数据分割的过程包括：

[0027] 根据所述点云数据的尺寸信息进行网格均分，获取双层网格，基于所述双层网格获取双层种子点；所述双层种子点包括一级种子点与二级种子点；

[0028] 将所述一级种子点中的最低点作为候选点，对所述候选点进行特征面求解，同时计算候选点到特征面的欧式距离与总平均欧式距离；

[0029] 基于所述欧式距离与所述总平均欧式距离进行循环判断，获取能够表达网格范围内局部曲面特征的候选点；

[0030] 对双层种子点中的点进行曲面拟合，提取全局地面点，获取非地面点。

[0031] 可选地，基于所述欧式距离与所述总平均欧式距离进行循环判断的过程中，构建最大坡度，若候选点通过与一级种子点之间的坡度小于最大坡度，则将候选点作为二级种子点；

[0032] 基于一级种子点与候选点的高程坐标计算高度差，并构建最大高度差，基于所述最大高度差与高度差对候选点进行筛选。

[0033] 可选地，基于深度学习对所述非地面数据进行结构预分类的过程包括：

[0034] 基于最邻近算法进行领域点特征采集，构建特征矩阵，基于所述特征矩阵进行LSE处理以及特征增强，获取若干个特征向量；

[0035] 基于softmax计算权重，基于所述特征向量与所述权重获取聚合领域特征；

[0036] 对所述聚合领域特征中相邻的领域特征进行局部空间编码和注意力池化；

[0037] 基于语义分割网络进行结构预测与分割。

[0038] 可选地，对所述预分类钢轨进行精细化处理的过程包括：

[0039] 分别基于反射强度值、尺寸信息对所述预分类钢轨进行钢轨点筛选；

[0040] 对筛选后的钢轨点进行表面曲率信息计算，同时进行偏差计算，将超出标准偏差的钢轨点判断为异常点并删除。

[0041] 本发明的技术效果为：

[0042] 本发明通过手持Lidar激光雷达采集公路/铁路场景的原始点云数据信息，采用与尺度无关的地面提取算法和各关键结构的提取算法、结构参数化建模等技术手段，通过点云数据的采集、预处理、分割和参数化建模等步骤，实现了从现实世界中获取公路/铁路环境数据，并将其转化为具有几何和属性信息的BIM模型，能够有效地建立与真实公路/铁路环境相符的BIM模型。这种基于点云和BIM的综合方法为公路/铁路运营和维护提供了高效、精确的技术支持，帮助用户进行数据分析和决策。

附图说明

[0043] 构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

[0044] 图1为本发明基于手持Lidar的公路铁路数字信息建模方法流程示意图；

[0045] 图2为本发明基于手持Lidar的公路铁路数字信息建模方法的单元框架图；

[0046] 图3为本发明实施例中的数据自适应降噪流程图；

[0047] 图4为本发明实施例中的地面数据分割流程图；

[0048] 图5为本发明实施例中的钢轨分割算法流程图。

具体实施方式

[0049] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

[0050] 需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

[0051] 实施例一

[0052] 如图1‑5所示，本实施例中提供一种基于手持Lidar的公路铁路数字信息建模方法。

[0053] 参照图2，本发明的提出的基于手持Lidar激光雷达的公路/铁路自动建立BIM模型方法，总体包括1、Lidar数据采集单元；2、数据预处理单元；3、结构算法分割单元；4、点云自动分割单元；5、参数化BIM建模单元。

[0054] 具体数据流程为Lidar数据采集单元1在公路/铁路现场采集具体点云数据，随后将完整数据送入数据预处理单元2进行筛选与调整；将经预处理后的数据结合结构算法分割单元3进行点云的语义分割数据集制作，进行分割模型训练；训练完成模型后，将模型与预处理的数据共同送入点云自动分割单元4进行自动分割，最后在参数化BIM建模单元5中进行参数化与建模。

[0055] 本实施例具体数据传输流程如图1所示，包括以下步骤：

[0056] S1利用手持Lidar扫描仪在工程现场获得数据；

[0057] S2点云数据自适应降噪；即利用具有自适应特性的算法对原始数据进行预处理，判断点的正常与否，将异常数据调整或删除。具体如图3所示，包括以下步骤；

[0058] S201获取原始数据。

[0059] S202基于统计滤波的原始数据组织情况判别。

[0060] 为了提高该方法对于各类数据的适用性，我们采用基于统计滤波的基本方法进行数据组织形式判识以及噪声去除，从而避免在去噪工作中面对不同数据时的参数调整问题。为了实现这个目标，我们设置了一套迭代的统计滤波方法，迭代获取点云数据最小距离方差对应的K值和平均距离，作为该采集数据的最佳组织方式。需要注意的是，这个方法适用点云密度相对接近的数据，采用同一种采集设备获取的数据通常能够满足条件。

[0061] 其中统计滤波方法主要包括建立KD‑Tree的K值、单一Tree中各点到中心点的距离平均值、全局KD‑Tree距离平均值及方差的计算。在本方法中，将点云数据表示为P＝{pi(xi,yi,zi)|i＝1,2,3,...,n}。各被搜索点Pij的索引关系被表示为Pij＝{pi(xij,yij,zij)|j＝1,2,3,...,k}，随后计算Pij到中心点的欧式距离di，最后计算全局的总平均欧式距离[0062] 单点均值距离计算

[0063]

[0064] 总体均值距离计算

[0065]

[0066] 总体距离方差计算

[0067]

[0068] 对原始数据经过上述计算后，算法自动记录该K值下的得到的整体平均欧式距离和对应标准差σi，从而迭代得到最小的标准差σi作为该原始点云数据的最佳组织方法，并输出作为后续处理参考。

[0069] S203基于高斯滤波的结构表面恢复；同样是利用统计学方法进行点云数据调整，利用上一流程给定的平均欧式距离 和对应标准差σi作为参数进行卷积滤波，避免在进行高斯核函数的参数设置问题。最后将距离差大于3倍标准差 的点的位置向中心点拉近，从而实现曲面平滑效果，恢复表面信息。

[0070] S204基于半径滤波的数据状态判识；该方法通过计算一定半径范围内的邻居点数量，如果邻居点数量小于设定的阈值，则该点会被删除。在这里同样采用 作为搜索半径，K值作为最低数量规定，将不符合数量规定的搜索中心点移去，进而将明显的边缘点移去，从而更加精确的保留点云边界。

[0071] S3地面数据分割；总体利用基于多层种子点优化的移动曲面滤波算法进行地面点判别，随后利用所获得的种子点以及判别过程中划分的网格进行各网格内的局部二次曲面拟合，随后对各网格内的点进行自适应的距离判断，将位于阈值范围内的点归为地面点，其余点则归为非地面点。具体如如图4所示，包括以下步骤：

[0072] S301输入经过降噪后的点云数据；

[0073] S302基于移动曲面滤波的地面点识别。

[0074] 这里首先依据整体点云的尺寸信息来均分网格，在这里我们采用5倍 作为网格尺寸S，将这里建立的网格作为一级格网，同样为了噪声的影响考虑，若各网格内的点不能达到5倍K值，则不对该网格进行下一步考虑，避免曲面拟合误差。随后对一级网格进行处理，划分成3×3的二级网格，通过双层网格确定双层种子点。

[0075] 随后，一级种子点来源于一级网格内的最低点，并求解该点周围5k个点的特征面，并计算这些点到特征面的欧式距离dij，以及总平均欧式距离 若一级种子点pi到特征面的距离满足 的关系，则可以认为该点能够表达该网格范围内的局部曲面特征，否则取第二低点重复以上步骤，直到确定为止。

[0076] 考虑到公路/铁路环境中的地面坡度连续，若候选点pij通过与一级种子点pi之间的坡度θ＜θmax，则将其作为二级种子点。

[0077] 最后，为避免钢轨等连续平面点的造成的误判等问题，还需再进行高度差ΔZ判断：

[0078]

[0079] 其中Z0和Zj分别为pi点和pij的高程坐标，j为二级种子点的数量。若ΔZ＜ΔZmax，则认为种子点之间相对连续，高差较小，不存在大高差跨度，能够参与曲面估计；若ΔZ≥ΔZmax，则将各Zj的平均值令为Z0的高程坐标，重复二级种子点选取步骤。

[0080] 上述步骤的参数设置如表1所示：

[0081] 表1种子点选取参数设置

[0082]

[0083] S303局部二次曲面拟合；利用单位网格内的一级种子点及二级种子点进行曲面拟合，从而实现具有较高效率与精度的二次曲面拟合方案，方程可以表示为：

[0084] F(x,y)＝a0+a1x2+a2y2+a3xy+a4x+a5y (5)

[0085] 利用各级点的平面坐标信息对方程中的a0,a1,a2,a3,a4,a5进行求解即可得到该网格的局部曲面方程。随后计算各点到该曲面的距离，若在总平均欧式距离dij范围内，则归为地面点。对全局网格进行整个过程运算，进行全局地面点提取。

[0086] S304输出非地面数据；将地面点全部提取后，将剩余的点作为非地面点输出用于后续运算。

[0087] S4结构类型判断；公路/铁路环境的各结构的特征具有较大差异，利用固定算法实现各结构的分割可能会产生大量误差。本方法参考深度学习方法在面对特征差异大的数据处理工作中具有较为突出效果，但当落实到具体的分割上时缺乏足够精度的特点，利用深度学习的方法实现结构分割的预判断，即实现结构类型的判断，随后将判断的各结构再进行具体的算法优化处理。大致包括以下判断步骤：

[0088] S401局部空间编码(LSE)；

[0089] 首先采集领域点，同样通过最邻近算法(KNN)进行领域点特征采集，以中心点与邻近的K个点共同组成(K，3)的特征矩阵。随后通过相对位置编码(RPE)，建成共享的MLP网络，即建立领域中中心点坐标、各点坐标值、坐标差值，距离中心点距离的10维矩阵，随后对被采集的领域点同样进行LSE处理。再利用特征增强(PFA)，将各个点重新编码后的位置特征与原始特征进行堆叠，得到加强后的特征向量，最终获得K个增加的特征向量。

[0090] S402注意力池化(AP)；

[0091] 通过softmax计算得到特征向量权重，进行权重与特征向量相乘后求和，得到池化后的特征向量，进而聚合领域特征。

[0092] S403扩张残差块(DRB)；

[0093] 为提高运算速度，采用扩张残差块进行处理，即对相邻的领域特征进行两次局部空间编码和注意力池化，增强模型的感受野，提高精度。

[0094] S404语义分割网络；

[0095] 语义分割网络设置4层处理编码，每个编码层设置维度提升模块和随机下采样模块，通过随机下采样来减少点的数量。每个层仅保留1/4的点(N—>N/4—>N/16—>N/64—>N/256)，每次迭代过程也不断提升维度(8—>32—>128—>256—>512)。解码过程中，通过上采样结合S401、S402、S403的聚合流程，再结合全连接层进行概率预测与分割。

[0096] 由于公路/铁路场景中线形结构居多，类似结构的分割可能会出现误差，因此本方法主要讲深度学习方法考虑用于预分类使用，后续仍需采用对应结构的分割算法进行精细处理。

[0097] S5钢轨分割算法；对预分类的钢轨进行算法精细处理，主要以几乎尺寸、表面曲率、反射强度作为约束，进行钢轨点分割。具体流程如图5所示，包括以下步骤：

[0098] S501输入钢轨预分类数据；通常这类数据仍然包含部分地面点，仍需要进行精细处理。

[0099] S502基于反射强度值的约束；Lidar激光扫描仪会根据激光的反射能量记录该点的反射强度值，该值主要受结构表面性质影响。在公路/铁路场景中，轨面相对于其他结构更加光滑，其强度值具有显著差异。

[0100] 以型号为LiGrip H120的激光手持Lidar扫描仪为例，轨面在该扫描仪中存储的强度值在0‑1之间，其余结构的强度值均大于1，具有非常明显的差异，能够作为精细分割参考依据。

[0101] S503基于尺寸信息的约束；钢轨具有固定的尺寸信息，以该信息进行进一步的条件约束能够提高算法识别精度。

[0102] 以高速公路/铁路经常使用的60钢轨为例。60钢轨尺寸标准：60kg钢轨轨高176mm，底宽150mm，头宽73mm，腰厚16.5mm，轨头厚34mm，轨底厚15.25mm。

[0103] 激光扫描仪通常只能获取到轨面的完整数据，因此以头宽作为约束依据，检测钢轨顶点，并以顶点左右头宽的一半作为检索范围，具体范围需依据扫描的钢轨类型决定。

[0104] S504基于表面曲率信息的约束；对于以上筛选后的钢轨点进行表面曲率信息计算，同样进行偏差计算，若其偏离均值的距离超过标准偏差±3σ的范围,则认为该点为异常点，将其删除。

[0105] S505输出钢轨点。

[0106] S6模型训练；将经过S2、S3、S5流程处理后的原始钢轨数据作为训练数据集，送入S4流程提到的网络进行模型训练，以获取针对特定公路/铁路线下结构的深度学习模型。

[0107] S7深度学习分类及预分割；结合S6训练所得的深度学习模型，直接用于S3进行地面数据提取后的非地面数据，既可实现后续S4、S5的钢轨自动化提取流程。

[0108] S8参数化线路数据；由于公路/铁路线断面参数相对固定，并且曲线线形也具有规范规定，因此本发明采用最小二乘法进行公路/铁路线的走向拟合以参数化提取，方法通过最小化误差的平方和寻找数据的最佳函数匹配。

[0109] 以假设具有N个数据点的钢轨点云为例：P＝{pi(xi,yi,zi)|i＝1,2,3,...,n}。公路/铁路场景中，可采用二次方程进行曲线拟合，即：

[0110] y＝a0+a1x+a2x2 (6)

[0111] 其中a0、a1、a2均为未知数，将各点坐标带入方程，建成如下矩阵形式：

[0112]

[0113] 假设： 为A， 为T， 为x，

[0114]

[0115] 随后，建立残差函数：

[0116]

[0117] 设δ＝(δ1,...,δm)T为残向量，算法应尽可能使得残差绝对值最小。进而得到最逼近的函数

[0118] S9断面设置；根据线路标准路基及标准钢轨的断面信息绘制模型断面。

[0119] S10输出BIM模型；融合线路走向信息，模型断面信息，建成BIM模型并输出。

[0120] 实施例二

[0121] 本实施例提供一种基于手持Lidar激光雷达的公路/铁路自动建立BIM模型方法的一种较佳实施方式，包括：

[0122] Lidar数据采集单元(1)是基于手持LiDAR激光雷达的公路/铁路点云数据处理与BIM模型建立方法中的关键组成部分之一。其主要功能是使用手持LiDAR激光雷达设备对公路/铁路场景进行扫描和数据采集，获取公路/铁路环境的点云数据。

[0123] 数据预处理单元(2)用于对采集到的原始点云数据进行处理和优化，以提高后续的数据分析和建模效果。具体包括数据校正：对激光雷达采集到的原始点云数据进行校正，消除传感器误差和噪声，确保数据的准确性和一致性。数据滤波：利用自适应的滤波算法对点云数据进行滤波操作，去除离群点和噪声点，提高数据的质量和可用性。

[0124] 结构算法分割单元(3)用于对预处理后的点云数据进行分割和识别，将点云数据划分为不同的结构部分，如轨道、电线杆、建筑物等，以便进行后续的参数化建模和分析。具体包括特征提取：从预处理后的点云数据中提取出与目标结构特征相关的信息，如点云密度、曲率、法向量等。分割算法：采用适合公路/铁路环境的分割算法，如基于聚类的算法、基于形状特征的算法等，对点云数据进行分割。该算法会根据特征信息和几何形状等进行点云的分类和分组，将点云数据划分为不同的结构部分。结构识别：对分割后的点云数据进行结构识别，通过与预定义的结构模型进行对比和匹配，确定每个分割结果对应的具体结构类型，如轨道、电线杆、建筑物等。

[0125] 点云自动分割单元(4)用于自动将原始点云数据分割成不同的部分，以便进行后续的建模和分析。该部分整合数据预处理、特征提取、分割算法几个内容，并结合深度学习的分割方法解决分割点云数据的繁琐手工和耗时问题，提高分割的效率和准确性。

[0126] 自动参数化BIM建模单元(5)用于根据分割后的点云数据和结构信息，自动将点云数据转化为符合BIM模型规范的三维模型，并对其进行参数化建模。其中参数化建模：针对不同的结构类型，使用相应的参数化建模技术将点云数据转换为BIM模型。参数化建模是指根据结构的几何形状和属性信息，利用数学模型和规则来描述和生成三维模型。通过自动参数化建模，可以实现对结构的尺寸、形状、材质等属性进行自动化调整和控制。

[0127] 总体框架包括如下建立步骤：

[0128] S1利用手持Lidar扫描仪在工程现场获得数据；

[0129] S2点云数据自适应降噪；

[0130] S3地面数据分割；

[0131] S4结构类型判断；

[0132] S5钢轨分割算法；

[0133] S6模型训练；

[0134] S7深度学习分类及预分割；

[0135] S8参数化线路数据；

[0136] S9断面设置；

[0137] S10输出BIM模型。

[0138] 步骤S2具体如下：

[0139] S201获取原始数据。

[0140] S202基于统计滤波的原始数据组织情况判别。

[0141] S203基于高斯滤波的结构表面恢复；

[0142] S204基于半径滤波的数据状态判识。

[0143] 步骤S3具体如下：

[0144] S301输入经过降噪后的点云数据；

[0145] S302基于移动曲面滤波的地面点识别；

[0146] S303局部二次曲面拟合；

[0147] S304输出非地面数据。

[0148] 步骤S4具体如下：

[0149] S401局部空间编码(LSE)；

[0150] S402注意力池化(AP)；

[0151] S403扩张残差块(DRB)；

[0152] S404语义分割网络。

[0153] 步骤S5具体如下：

[0154] S501输入钢轨预分类数据；

[0155] S502基于反射强度值的约束；

[0156] S503基于尺寸信息的约束；

[0157] S504基于表面曲率信息的约束；

[0158] S505输出钢轨点。

[0159] 本发明提出了一种基于手持Lidar激光雷达的公路/铁路点云数据处理与BIM模型建立方法。该方法涉及公路/铁路环境下的点云数据采集、数据预处理、点云结构分割、参数化BIM建模等领域，属于基于点云技术的公路/铁路BIM建模及安全运营领域。传统的公路/铁路建模方法通常需要手工测量和绘制，工作量大且容易出现误差。而本发明所提出的方法利用手持Lidar激光雷达技术，能够快速、准确地采集公路/铁路场景的原始点云数据信息。通过数据预处理和算法优化，包括尺度无关的地面提取算法和各关键结构的提取算法，可以对公路/铁路点云数据进行结构分割和参数化建模，从而实现与真实公路/铁路环境相符的BIM模型建立。

[0160] 通过本发明提出的方法，公路/铁路建模的过程得到了大幅简化，工作效率得以提高，而且建模结果更加精确。该方法为公路/铁路运营和维护提供了有效的技术支撑，可以为规划、维护和安全管理等领域提供准确的公路/铁路模型和数据支持，帮助相关部门更好地了解公路/铁路的状态，及时采取措施，保障公路/铁路交通的安全稳定运行。

[0161] 以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。