本发明属于输电线路机载激光雷达应用领域，尤其是涉及一种高压输电线路机载lidar点云提取方法。
背景技术：
随着经济的快速发展，为满足日益增长的电力需求，超高压大容量输电线路的建设数量及里程急剧增加，线路走廊穿越的地理环境日趋复杂，给线路运维带来了诸多困难。lidar(lightdetectionandranging)激光雷达技术作为新一代遥感技术，以激光脉冲作为测量媒介，高度集成gps、ins以及激光扫描测距仪等先进设备，可快速获取高精度的目标的三维坐标，凭借激光脉冲穿透性良好的优势，可快速探测植被下的地表信息，在复杂地形、甚至危险地区的线路走廊三维信息获取中具有独特优势，已在输电线路巡检领域得到了运用和广泛关注。
基于机载激光雷达的输电线路巡检技术会产生海量的点云数据，快速、高效的实现线路走廊内的地物、杆塔、电力线及相关附件的点云数据的快速分割提取直接关系到该项技术时效性和工程应用价值。现有电力线提取方法在算法的可靠性与通用性方面尚有不足，电力线提取精度仍有待提高。
技术实现要素：
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种高压输电线路机载lidar点云提取方法。
本发明的目的可以通过以下技术方案来实现：
一种高压输电线路机载lidar点云提取方法，该方法包括如下步骤：
(1)采用基于子空间特征的高程阈值分割算法剔除原始架空线路点云数据中的地物点云，得到非地物点云；
(2)采用高程密度分割算法剔除非地物点云中的杆塔点以及树木或者高坡顶端点，得到电力线点云。
步骤(1)具体为：
(11)求取原始架空线路点云数据边界，确定初始分布空间m0：
其中，(x,y,z)为任意一个点云的三维空间坐标值，xmin和xmax表示初始分布空间m0在x轴上的最小值和最大值，ymin和ymax表示初始分布空间m0在y轴上的最小值和最大值，zmin和zmax表示初始分布空间m0在z轴上的最小值和最大值；
(12)将初始分布空间m0划分为n个子空间；
(13)对每个子空间进行特征归类，分为a类子空间和b类子空间，b类子空间中的点云为地物点云，直接剔除，a类子空间中的点云包括地物点云与非地物点云；
(14)对a类子空间中的点云采用高程阈值分割算法进行分割得到地物点云和非地物点云，将分割得到的地物点云剔除，得到非地物点云。
步骤(12)具体为：选取划分尺度dx，沿x轴将整个点云空间划分为n个子空间，n＝[(xmax-xmin)]/dx+1。
步骤(13)中对每个子空间进行分类具体为：
(13a)对于任意一个子空间mi，求取子空间的中点云的高程差δi：
δi＝zimax-zimin，
其中，zimax为第i个子空间点云三维空间在z轴的最大值，zimax为第i个子空间点云三维空间在z轴的最小值，i＝1,2……n；
(13b)以δi作为子空间mi的特征值，设置临界值δz，依据特征值δi对子空间进行归类：若δi＞δz，则归为a类子空间，若δi≤δz，则归为b类子空间。
步骤(2)具体为：
(21)对步骤(1)获取的非地物点云边界进行定位，确定点云初始空间m′0；
(22)选取划分尺度d′x、d′y，分别沿x、y轴将点云初始空间m′0划分为p×q个子空间mj,k，j＝1,2……p，k＝1,2……q；
(23)统计每个子空间mj,k的点云数量值cj,k；
(24)以cj,k作为子空间mj,k的特征值，设置临界值c0，依据特征值cj,k对子空间mj,k中的点云进行分类：若cj,k＞c0，则该子空间为杆塔点以及树木或者高坡顶端点，若cj,k≤c0，则该子空间为为电力线点云。
步骤(22)中p和q具体为：
其中，x′max和x′min分别表示点云初始空间m′0在x轴上的最大值和最小值，y′max和y′min分别表示点云初始空间m′0在y轴上的最大值和最小值。
与现有技术相比，本发明具有如下优点：
(1)本发明利用子空间划分的方式，将长距离、复杂地形下的地物点识别问题转化为小距离尺度内具有普适性的空间阈值分割问题，解决了传统的高程阈值分割法在复杂地形下因电力线与地物点高程重叠区间导致的电力线误识别问题，实现复杂地形下和平坦地形下的电力线准确自动提取，且提取的正确率高，算法效率较好，有效解决了传统方法在地表起伏较大区域内电力线提取不全的问题；
(2)本发明对非地物点云进行杆塔点以及树木或者高坡顶端点剔除时采用高程密度分割算法，避免了高程阈值分割算法多次迭代计算，效率较低的问题，有效提高分割精度的同时有效提高算法效率。
附图说明
图1为本发明高压输电线路机载lidar点云提取方法的流程框图；
图2为本发明基于子空间特征的高程阈值分割算法的流程框图；
图3为本发明基于x轴的子空间划分示意图；
图4为本发明采用高程密度分割算法获取电力点云的流程框图；
图5为本发明基于x、y轴的子空间划分示意图；
图6为本发明实施例中原始架空线路点云数据的分布图；
图7为本发明实施例中提取的电力线点云示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
如图1所示，一种高压输电线路机载lidar点云提取方法，该方法包括如下步骤：
(1)采用基于子空间特征的高程阈值分割算法剔除原始架空线路点云数据中的地物点云，得到非地物点云；
(2)采用高程密度分割算法剔除非地物点云中的杆塔点以及树木或者高坡顶端点，得到电力线点云，下面陈述中将杆塔点以及树木或者高坡顶端点简称为杆塔点云。
一、地物点云识别与分割：
传统的高程阈值分割算法在地形起伏较大区域地物点分割时存在地物点以及电力线误识别的问题，是因为将完整档距数据采取了整体处理的策略，不能区分电力线点云分布高程与地面点云分布高程的重叠。但在沿导线走向小距离尺度内，地物、杆塔及导线存在清晰的且具有普适性的空间高程分布特征，电力线及杆塔高程在局部范围内要显著大于地面高程。利用子空间划分的方式，将长距离、复杂地形下的地物点识别问题转化为小距离尺度内具有普适性的空间阈值分割问题，解决了传统的高程阈值分割法在复杂地形下因电力线与地物点高程重叠区间导致的电力线误识别问题在理论上效果可期。为此，本发明在高程阈值分割算法的基础上，提出并采用基于子空间特征的差异化高程阈值分割算法剔除地物点云。
如图2所示，基于子空间特征的差异化高程阈值分割算法具体为：
(11)求取原始架空线路点云数据边界，确定初始分布空间m0：
其中，(x,y,z)为任意一个点云的三维空间坐标值，xmin和xmax表示初始分布空间m0在x轴上的最小值和最大值，ymin和ymax表示初始分布空间m0在y轴上的最小值和最大值，zmin和zmax表示初始分布空间m0在z轴上的最小值和最大值；
(12)将初始分布空间m0划分为n个子空间；
(13)对每个子空间进行特征归类，分为a类子空间和b类子空间，b类子空间中的点云为地物点云，直接剔除，a类子空间中的点云包括地物点云与非地物点云；
(14)对a类子空间中的点云采用高程阈值分割算法进行分割得到地物点云和非地物点云，将分割得到的地物点云剔除，得到非地物点云。
如图3所示，步骤(12)具体为：选取划分尺度dx，沿x轴将整个点云空间划分为n个子空间，n＝[(xmax-xmin)]/dx+1，
步骤(13)中对每个子空间进行分类具体为：
(13a)对于任意一个子空间mi，求取子空间的中点云的高程差δi：
δi＝zimax-zimin，
其中，zimax为第i个子空间点云三维空间在z轴的最大值，zimax为第i个子空间点云三维空间在z轴的最小值，i＝1,2……n；
(13b)以δi作为子空间mi的特征值，设置临界值δz，依据特征值δi对子空间进行归类：若δi＞δz，则归为a类子空间，若δi≤δz，则归为b类子空间。
二、电力线点云分割
经过上述地物点云识别与分割之后，非地物点中仍可能含有电力线点与杆塔点以及少量树木及高坡顶端点云，为提取电力线点云，需将杆塔及其余树木及高坡顶端点云作进一步剔除操作。
点云特征分析结果表明，杆塔点以及树木或者高坡顶端点在水平面上投影密度均比电力线大，两者都可利用密度差异进行剔除，因此，为方便描述，下文中将杆塔点以及树木或者高坡顶端点统称为杆塔点。此外，由于上节所提算法存在多次迭代计算，效率较低；同时考虑到传统的高程投影算法存在多次二三维映射导致算法效率进一步降低的问题，为保证杆塔识别与分割的精度同时有效提高算法效率，本发明提出采用高程密度分割算法实现杆塔及部分高程剩余物的识别与分割。
如图4所示，高程密度分割算法具体为：
(21)对步骤(1)获取的非地物点云边界进行定位，确定点云初始空间m′0；
(22)选取划分尺度d′x、d′y，分别沿x、y轴将点云初始空间m′0划分为p×q个子空间mj,k，j＝1,2……p，k＝1,2……q；
(23)统计每个子空间mj,k的点云数量值cj,k；
(24)以cj,k作为子空间mj,k的特征值，设置临界值c0，依据特征值cj,k对子空间mj,k中的点云进行分类：若cj,k＞c0，则该子空间为杆塔点以及树木或者高坡顶端点，若cj,k≤c0，则该子空间为为电力线点云。
步骤(22)中基于x、y轴的子空间划分示意图如图5所示，其中p和q具体为：
其中，x′max和x′min分别表示点云初始空间m′0在x轴上的最大值和最小值，y′max和y′min分别表示点云初始空间m′0在y轴上的最大值和最小值。
为验证本申请提出的复杂地形下电力线自动提取算法的有效性，选取机载激光雷达实测的500kv凤凰山变电站出线杆塔的部分选段数据作为试验对象，该段数据为地形起伏较大地区的单档距点云数据，长608.5m，以下简称起伏段，具体数据如图6所示。并以算法运行能力较强且具备一定图形展示功能的matlab2016a作为算法测试及效果展示平台进行了可行性试验，地物分割时，取dx＝5m；杆塔识别中，取d′x＝0.5m，d′y＝0.5m。
具体地，首先利用基于子空间特征的高程阈值分割法进行地物点识别与分割，该方法能够有效的将地物点剔除，仅留下少量树木、高坡顶端、杆塔点及电力线点，且电力线点保留完整。
然后依据高程密度分割算法进行杆塔(包括少量树木及高坡顶端点)分割及电力线的识别与提取，提取结果如图7所示除部分杆塔区段电力线点云由于杆塔点云干扰被识别成杆塔点云遭剔除外，其余区域电力线点云均得以完整识别与提取，有效解决了传统方法在起伏段电力线提取中造成电力线点被误认为地物点或杆塔点剔除的问题，提取效果良好。
为进一步测试算法效率，验证本申请所提算法可靠性，另外选取三组地势平坦区域的单档距电力线点云数据(档距分别为210.8m，215.5m，354.2m，标记为no.1，no.2，no.3)，分别利用传统的电力线自动提取算法与本发明提出的改进算法进行电力线自动识别与提取测试，并统计各算法的处理时间以及提取的点云个数，然后对提取的电力线点云进行人工复核，通过人工删除非电力线点，统计留下的电力线有效点个数，并以有效点与提取点个数之比作为算法提取电力线点云的正确率，统计结果如表1所示。
表1平坦地区电力线点云提取结果对比
由表1可知，本发明提出的方法提取的电力线点云数量与传统方法提取的电力线点云数量相当，但都比人工提取点云数量多，这是因为电力线点云相邻空间存在的少量噪点，具有与电力线相似的空间特征，本发明提出的方法与传统方法均未能有效将其剔除，造成比人工提取的电力线点云有效点数量多，但两种算法正确率均在95％以上，基本满足工程应用。当然，理论分析认为噪点的存在可能会干扰电力线的拟合精度，特别是悬挂点和弧垂最低点，后续可通过研究电力线点云修正方法进一步提高电力线点云提取精度；平坦地形下，本发明提出的算法比传统算法耗时多，提取效率有所下降，主要原因在于地物分离时将整个点云空间划分为多个子空间，多次阈值计算使得算法运行时间较长。需指出的是，由于点云分布特征不同，不同数据样本的耗时长短不存在可比性。
综上所述，本发明提出的电力线提取方法在地势起伏较小的平坦地区，电力线点云自动识别提取结果与传统电力线自动提取算法的结果基本一致；在地势起伏较大的山区，所提算法能够有效解决传统算法无法实现电力线完整识别与提取的问题，电力线点云提取效果较好，具有工程实用性。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。