第4期 胡雷，等：面向调线调坡的点云大数据分析及深度模型研究 ·797· 2)根据F(21,22)和Pm、Pm,得到P,处曲线的 6)设二维坐标系中的点与点O距离为d,删 法平面方程sp。、SP 除d心R+0.01与dkR-0.01的点，根据最小二乘法拟 3)从点云文件中找到介于sp。、5P之间的点 合出实际的圆心O和半径R; 并存储到文件flem,中去； 7)重复4人6)直到m>e。 4)Pm=Pm:Pm=Pm+0.01; 图2为去噪前后的对比图，其中蓝色的点云 5)重复2)4)直到mo>e. 表示去噪之前的点云，红色的点云代表经过去噪 其中s、o、m1表示里程数值，2，表示纵断面 算法处理之后的点云。从图中可以明显看出，使 参数，22表示平面参数，F(21,22)表示直角坐标系 用去噪算法，能够将点云中处于半空中的噪点去除。 中调线调坡的线路中心线方程，P表示F(21,22) 上里程为mo的点，Pm,表示F(21,2)上里程为m1 -21 的点，e表示F(21,2)的终点里程。 22 处理后的点云如图1所示，图中一种颜色表 示一个文件中的点云数据。 -7 -25 -26 H0429304050) 45 f.787c4 长度m 长度m -11 (a)去噪前 -12 -21 -22 6 5 242 8.28.48.68.89.09.29.4 +1.039e5 长度m 26 图1点云切片处理 1.02.03.04.0 6 +1.046e5 5.03 5 +1.782e4 Fig.1 Point cloud block processing 长度m 长度 1.3点云去噪处理 (b)去噪后 通过三维激光扫描技术获取的点云大数据具 图2点云去噪 有非接触测量、高密度、高精度、高效率、数字化 Fig.2 Point cloud denoising 采集、信息丰富等优点山9四。然而，由于激光信 图3为点云处理流程图，介绍了点云的获取、 号实际测量过程中会受到目标表面反射特性、大 分块以及去噪的过程。 气折射等影响，收集到的点云大数据不可避免地 会产生噪声。且隧道内壁常附着有电缆、电灯、 建立地铁测量坐标系 管道等干扰设备，成为多余的噪声点云，导致模 点云获取 放置扫描坐标转换操作 标平移7 拟隧道与实际隧道不相符。因此，在应用点云数 获取地铁点云大数据 据前，需对原始点云大数据进行去噪处理。点云 去噪的具体步骤如下： 读取点云数据 隧道理论 1)令m=s+0.01; 点云分块 找到对应里程的截面/姿线盘 2)根据最小二乘法在二维坐标系中拟合出实 份制截面前后0.01m的点云数据 际的圆心O和半径R: 将0.02m的点云数据投彩至截面法平面 3)令m=+0.01: 州除圆外一 4)根据F(21,22)和Pm得到Pm处曲线的法平 点云去噪 保用最小二乘法拟合圆 乙定距离的点 面方程sp; 小块去噪的点云数据 5)将lem中的点投影到sp.上，将平面中的所 图3点云处理流程图 有点云映射到平面s印的二维坐标系中； Fig.3 Point cloud processing flowPm0 Pm1 Ps sPm0 sPm1 2) 根据 F(Ω1 ,Ω2 ) 和 、 得到 处曲线的 法平面方程 、 ； sPm0 sPm1 filem0 3) 从点云文件中找到介于 、 之间的点 并存储到文件 中去； 4 Pm0 Pm1 Pm1 Pm1 ) 令 = ， = +0.01； 5) 重复 2)~4) 直到 m0>e。 m0 m1 Pm0 m0 Pm1 m1 其中 s、 、 表示里程数值，Ω1 表示纵断面 参数，Ω2 表示平面参数，F(Ω1 ,Ω2 ) 表示直角坐标系 中调线调坡的线路中心线方程， 表示 F(Ω1 ,Ω2 ) 上里程为 的点， 表示 F(Ω1 ,Ω2 ) 上里程为 的点，e 表示 F(Ω1 ,Ω2 ) 的终点里程。 处理后的点云如图 1 所示，图中一种颜色表 示一个文件中的点云数据。 −7 −8 −9 −10 −11 −12 7 6 5 4 3 2 +1.039e5 8.2 8.4 8.6 8.8 9.0 9.2 9.4 +1.87e4 长度/m 长度/m 长度/m 图 1 点云切片处理 Fig. 1 Point cloud block processing 1.3 点云去噪处理 通过三维激光扫描技术获取的点云大数据具 有非接触测量、高密度、高精度、高效率、数字化 采集、信息丰富等优点[11, 19, 22]。然而，由于激光信 号实际测量过程中会受到目标表面反射特性、大 气折射等影响，收集到的点云大数据不可避免地 会产生噪声。且隧道内壁常附着有电缆、电灯、 管道等干扰设备，成为多余的噪声点云，导致模 拟隧道与实际隧道不相符。因此，在应用点云数 据前，需对原始点云大数据进行去噪处理。点云 去噪的具体步骤如下： 1) 令 m=s+0.01； 2) 根据最小二乘法在二维坐标系中拟合出实 际的圆心 O 和半径 R； 3) 令 m=m+0.01； Pm Pm sPm 4) 根据 F(Ω1 ,Ω2 ) 和 得到 处曲线的法平 面方程 ； filem sPm sPm 5) 将 中的点投影到 上，将平面中的所 有点云映射到平面 的二维坐标系中； R+ R− 6) 设二维坐标系中的点与点 O 距离为 d，删 除 d> 0.01 与 d< 0.01 的点，根据最小二乘法拟 合出实际的圆心 O 和半径 R； 7) 重复 4)~ 6) 直到 m>e。 图 2 为去噪前后的对比图，其中蓝色的点云 表示去噪之前的点云，红色的点云代表经过去噪 算法处理之后的点云。从图中可以明显看出，使 用去噪算法，能够将点云中处于半空中的噪点去除。 −21 −22 −23 −24 −25 −26 3 4 5 6 7 1.0 2.0 +1.046e5 +1.782e4 3.0 4.0 5.0 1.0 3 4 5 6 7 2.0 3.0 4.0 5.0 +1.046e5 +1.782e4 (a) 去噪前 (b) 去噪后 长度/m 长度/m 长度/m 长度/m 长度/m −21 −22 −23 −24 −25 −26 长度/m 图 2 点云去噪 Fig. 2 Point cloud denoising 图 3 为点云处理流程图，介绍了点云的获取、 分块以及去噪的过程。 建立地铁测量坐标系 放置扫描坐标 获取地铁点云大数据 读取点云数据 找到对应里程的截面 分割截面前后 0.01 m 的点云数据 将 0.02 m 的点云数据投影至截面法平面 采用最小二乘法拟合圆 删除圆外一 定距离的点 小块去噪的点云数据 坐标平移 转换操作 隧道理论 设计线路 点云获取 点云分块 点云去噪 图 3 点云处理流程图 Fig. 3 Point cloud processing flow 第 4 期 胡雷，等：面向调线调坡的点云大数据分析及深度模型研究 ·797·