1.一种基于深度学习的铁路轨顶点云数据提取方法，其特征在于，包括：使用点云网络增强型多尺度分类模型对轨道点云数据进行分类，得到轨道关键部件点云分类数据集；从所述轨道关键部件点云分类数据集中提取轨头点云数据，进行中心线拟合，生成轨头中心线，在所述轨头中心线上选取参考点；采用滚动窗口法，根据所述参考点，沿所述轨头中心线生成若干切片；对若干所述切片进行轨顶点提取，得到连续的轨顶坐标点集；所述使用点云网络增强型多尺度分类模型对轨道点云数据进行分类，得到轨道关键部件点云分类数据集包括：通过激光扫描设备采集，获取离散轨道点云数据，将所述离散轨道点云数据输入点云网络增强型多尺度分类模型中；所述点云网络增强型多尺度分类模型为PointNet++MSG；通过所述点云网络增强型多尺度分类模型对所述离散轨道点云数据进行多尺度特征提取，捕捉不同的轨道关键部件的特征；将所述离散轨道点云数据分为若干类别的点云数据，所述类别包括轨头、轨身、扣件和轨道板中的至少一种；分别将不同类别的所述点云数据聚合，得到轨道关键部件点云分类数据集。
2.根据权利要求1所述的基于深度学习的铁路轨顶点云数据提取方法，其特征在于，所述通过所述点云网络增强型多尺度分类模型对所述离散轨道点云数据进行多尺度特征提取，捕捉不同的轨道关键部件的特征包括：对于点云中的每个点 ，定义邻域点集合 ；计算每个所述点 及其邻域点 的几何特征，提取局部特征 ，其中， 为所述邻域点 到所述点 的特征计算结果。
3.根据权利要求1所述的基于深度学习的铁路轨顶点云数据提取方法，其特征在于，所述从所述轨道关键部件点云分类数据集中提取轨头点云数据，进行中心线拟合，生成轨头中心线，在所述轨头中心线上选取参考点包括：从所述轨道关键部件点云分类数据集中提取轨头点云数据，所述轨头点云数据包含轨头的空间坐标(X, Y, Z)；使用局部加权回归方法对点云数据赋予不同的权重，捕捉轨头的局部特征；采用多次样条插值法对拟合点进行插值，生成一条连续的轨头中心线；在所述轨头中心线上，选取等间隔的点作为参考点。
4.根据权利要求3所述的基于深度学习的铁路轨顶点云数据提取方法，其特征在于，所述使用局部加权回归方法对点云数据赋予不同的权重，捕捉轨头的局部特征包括：对于所述轨头点云数据的每个所述拟合点，使用拟合函数 计算其邻域点的权重，其中， 为平滑参数，用于控制邻域点的加权范围。
5.根据权利要求3所述的基于深度学习的铁路轨顶点云数据提取方法，其特征在于，所述采用多次样条插值法对拟合点进行插值，生成一条连续的轨头中心线包括：设轨头中心线的离散拟合点集为 ，每个点 表示所述轨头中心线上空间坐标，将每个点 作为插值节点；在每两个相邻的插值节点之间的区间 定义三次样条函数 ，其中， 为第i段样条的系数，每段所述样条 在所述区间 内有效；设置插值条件，每段所述样条在每个节点 处的值等于已知的拟合点坐标 ；设置一阶导数的连续性条件，在节点 处，前一段所述样条的斜率与后一段所述样条的斜率相等 ；设置二阶导数的连续性条件，前一段所述样条的曲率与后一段所述样条的曲率相等 ;设置自然边界条件，三次样条函数曲线在两端的二阶导数为零 ;将所述插值条件、所述一阶导数的连续性条件、所述二阶导数的连续性条件和所述自然边界条件构建为线性方程，求解得到每段所述样条的系数 ；将每段所述样条 组合起来，得到一条连续的轨头中心线。
6.根据权利要求1所述的基于深度学习的铁路轨顶点云数据提取方法，其特征在于，所述采用滚动窗口法，根据所述参考点，沿所述轨头中心线生成若干切片包括：根据选取的参考点，在所述轨头中心线上生成若干主切片；通过公式 在相邻的所述主切片之间生成细分切片，其中， 为细分切片平面的法向量，与所述轨头中心线的方向向量平行或垂直， 为所述轨头中心线上某点的位置向量，所述细分切片在该位置的中心， 为所述细分切片内任意点的位置向量；沿所述轨头中心线滚动地依次在所述主切片之间生成所述细分切片。
7.根据权利要求1所述的基于深度学习的铁路轨顶点云数据提取方法，其特征在于，所述对若干所述切片进行轨顶点提取，得到连续的轨顶坐标点集包括：对每个所述切片中的点云数据，根据每个点的高度值，选择高度最高的点作为该所述切片的轨顶点；按照所述切片在所述轨头中心线上的顺序，将每个所述切片的所述轨顶点的坐标按铁路方向排列，构成轨顶线；将所有提取的所述轨顶点的坐标按序连接，生成连续的轨顶坐标点集。
8.根据权利要求7所述的基于深度学习的铁路轨顶点云数据提取方法，其特征在于，所述对每个所述切片中的点云数据，根据每个点的高度值，选择高度最高的点作为该所述切片的轨顶点包括：对于每个所述切片，遍历所有点云数据，获取每个点的高度值 ；将所述高度值 最高对应的点的高度定义为轨顶高度 ，记录该点的三维坐标（X, Y, Z），作为该所述切片的轨顶点。
9.一种基于深度学习的铁路轨顶点云数据提取系统，其特征在于，包括：数据分类模块，用于使用点云网络增强型多尺度分类模型对轨道点云数据进行分类，得到轨道关键部件点云分类数据集；轨头中心线生成模块，用于从所述轨道关键部件点云分类数据集中提取轨头点云数据，进行中心线拟合，生成轨头中心线，在所述轨头中心线上选取参考点；切片生成模块，用于采用滚动窗口法，根据所述参考点，沿所述轨头中心线生成若干切片；轨顶点提取模块，用于对若干所述切片进行轨顶点提取，得到连续的轨顶坐标点集；所述数据分类模块执行的操作包括：通过激光扫描设备采集，获取离散轨道点云数据，将所述离散轨道点云数据输入点云网络增强型多尺度分类模型中；所述点云网络增强型多尺度分类模型为PointNet++MSG；通过所述点云网络增强型多尺度分类模型对所述离散轨道点云数据进行多尺度特征提取，捕捉不同的轨道关键部件的特征；将所述离散轨道点云数据分为若干类别的点云数据，所述类别包括轨头、轨身、扣件和轨道板中的至少一种；分别将不同类别的所述点云数据聚合，得到轨道关键部件点云分类数据集。
