[发明专利]用于钢轨轮廓离群点检测及有效廓形识别的方法

说明书

本发明公开了一种用于钢轨轮廓离群点检测及有效廓形识别的方法，针对铁路线上实际测试中离群点和廓形多样性引起的测量轮廓与标准轮廓误匹配而导致磨耗计算严重错误的问题，提出一种基于轮廓粗配准的离群点检测及有效廓形快速识别算法。该算法先对轮廓曲线进行分裂，消除了曲线中大部分的稀疏离群点；再对剩余轮廓段进行合并，将属于同一区域的合并为一段，然后进行区域凹凸性检验，根据连续凹凸和点数最大原则确定潜在轨头轨腰区，实现潜在区域与标准轮廓的粗配准；最后根据配准后两个轮廓间的轨腰相似度实现了有效廓形的识别。在此基础上将原始测量轮廓与标准轮廓重配准，根据轮廓间相对距离实现了离群点的有效去除。

技术领域

本发明涉及轨道交通检测领域，特别是一种用于钢轨轮廓离群点检测及有效廓形识别的方法。

背景技术

通过利用2D位移激光传感器测量钢轨轮廓发现采集到的原始轮廓曲线受外界干扰的影响较大。具体表现为以下两点：一是受钢轨表面油脂层、光亮区域和路基、扣件等无关区域反射的影响，曲线中离群点较多且跳变幅度较大，尤其在轨顶踏面光亮的走形带上表现更为明显。离群点的存在会影响对轨腰双圆弧区的定位，导致轮廓配准错误；二是受铁路线路形态多样性的影响，除与标准轮廓形态一致的普通轨道区外，还有差异较大的道岔区和轨道接头区，后两者无法通过传统轨腰双圆心拟合来实现与标准轮廓的配准。检测系统若对采集到的廓形不加分类，不仅会因无效轮廓与标准轮廓的误匹配而造成检测结果异常，影响整条线路的质量评估，甚至会导致检测系统异常崩溃，降低系统的有效性。

目前，常规离群点检测算法主要归纳为基于统计分布的离群点检测法、基于距离的离群点检测法和基于密度的离群点检测法三大类。

1)基于统计分布的离群点检测法

该方法是为数据集构建一个概率统计模型(如工程中常用的基于正态分布的3倍标准差模型，四分位数模型等)，其中的均值、标准差等模型参数由样本数据集求得，因此需预先对数据集的分布特征充分掌握^[1]。在动态作业中，置于车底的2D传感器随车体的上下振动或左右侧滚而不停地变换空间位置，使得采集到的轮廓曲线在光平面坐标系下的位置也在时刻发生变化，不能保持固定。同时，离群点也可能出现在轮廓曲线的任何部位。此时，基于统计分布的离群点检测方法，要么难以将所有的离群点有效去除，要么在去除离群点的同时，可能破坏正常轮廓曲线自身的形态。

2)基于距离的离群点检测法

若数据集合D中，与对象O距离小于d_min的点的数目不超过pct个，则称对象O是以pct和d_min为参数的基于距离的离群点。该方法对于分布稀疏的离群点检测是有效的^[2]。就钢轨测量轮廓来说，离群点可能呈现稀疏的单点分布，也可能呈现密集的线状分布。对后者来说，同样满足设定的最少点数要求。因此，该方法的效果也是不理想的。

3)基于密度的离群点检测法

该方法对于呈簇状分布的点集中离群点的检测是有效的^[3]，通常使用的有kmeans聚类算法^[4]、局部离群点因子(Local Outlier Factor,LOF)算法^[5]等。但就钢轨测量轮廓来说，它是一条二维曲线，点集的分布并没有显著的密度特征，分类时可能将正常轮廓段和离群点归为一类。同时，分类的数目和离群点所属类号也都难以直接给定。由于钢轨测量轮廓是一条二维曲线，点集的分布并没有显著的密度特征，分类时可能将正常轮廓段和离群点归为一类。同时，分类的数目和离群点所属类号也都难以直接给定。

和离群点归为一类，实际应用中面临的不确定性更多。