• Hough transform
• railway detection
• point cloud processing
• LiDAR imaging
• track discrimination

This thesis proposes a novel method based on LiDAR processing to determine the track on which the train is traveling. As a first step, the proposed algorithm selects a significant subset of the original LiDAR point cloud, using the profile shape of the rail and its intensity features. Then, an enhanced version of the Hough Transform is applied to detect the linear structure of the rails. In addition to the number of voters, each line is associated with its height, intensity, and slope to filter the resulting set of possible rails. The DBSCAN algorithm performs a clustering on this remaining set of lines, returning for each cluster a single line corresponding to the weighted centroid of the voters. Finally, a track pairing algorithm couples pairs of rails by relying on the geometric constraints imposed by the constructional features of the railway environment. The preliminary results achieved on synthetic data produced with a simulator and a small set of real acquisitions are promising, hence the approach will be validated with a larger dataset and extended to handle switches.

Questo lavoro di tesi propone un nuovo metodo basato sul trattamento LiDAR per determinare il binario su cui il treno sta viaggiando. Come primo passo, l'algoritmo seleziona un significativo sottoinsieme di punti del point cloud LiDAR originale, basandosi sulla forma del profilo della rotaia e le sue caratteristiche di intensità. Successivamente, viene applicata una versione migliorata della Trasformata di Hough per rilevare la struttura lineare delle rotaie. Oltre al numero di votanti, a ciascuna linea è associata la sua altezza, intensità e pendenza per filtrare l'insieme risultante di possibili rotaie. L'algoritmo DBSCAN effettua un clustering su questo insieme rimanente di linee, restituendo per ciascun cluster una singola linea corrispondente al centroide pesato sui votanti. Infine, un algoritmo di pairing accoppia le rotaie in binari, basandosi sui vincoli geometrici imposti dalle caratteristiche costruttive dell'ambiente ferroviario. I risultati preliminari ottenuti su dati sintetici prodotti con un simulatore e su un piccolo insieme di acquisizioni reali sono promettenti, pertanto l'approccio sarà convalidato con un dataset più ampio e esteso per gestire gli scambi.