一种基于车载LiDAR数据的电力线提取与拟合方法
【专利摘要】基于车载LiDAR数据的电力线提取与拟合方法，方法如下：首先利用体元划分车载LiDAR点云，确定各个体元内的点；然后根据真实电力线的分布特点剔除不含有电力线点云的体元；再将过滤得到的电力线点云依据电力线走廊进行划分，并利用AutoClust算法对电力线点云进行初始聚类；接着使用基于端部拟合线段的聚类合并方法，将属于同一电力线的初始点云聚类合并到一起；最后根据电力线的特性，恢复断裂的电力线，最终得到可用以表征单条电力线的点云，并以此进行三维拟合。本发明能够实现海量车载LiDAR数据中电力线点云的自动快速提取，实现了单条电力线的准确识别以及电力线三维模型的精确拟合。
【专利说明】—种基于车载LiDAR数据的电力线提取与拟合方法
【技术领域】
[0001]本发明涉及一种从车载LiDAR数据中提取、拟合电力线的方法。
【背景技术】
[0002]电力线是电力部门线路资产的重要组成部分，在电力巡线、电网设计与升级、电力专业分析等方面都发挥着重要作用，而且电力线这一基础设施的安全性显著地影响我们的日常生活和工业活动；对其检测与监测能够为电力线路管理和维护提供有力支撑从而发现和避免潜在的安全隐患和不必要的经济损失，保障国民经济的健康发展和居民的生命财产安全。
[0003]传统的对于电力线的监测主要是人工操作，不仅费时费力，而且无法获得大范围的观测数据。伴随着激光雷达技术的发展，机载激光雷达作为一种快速、高效、高精度的空间数据获取方式，逐渐被电力部门所接受，成为电力线监测的重要手段。使用机载激光雷达虽然能进行大范围的野外电力线数据采集与监测，并获得较好的效果；但是在城市区域的电力线监测上却存在着天然的弊端。这是因为机载激光雷达一般搭载于普通飞机或直升飞机上，普通飞机扫描时飞行高度约1000m，直升飞机扫描时飞行高度约200-300m。在激光雷达系统性能参数相同的情况下，飞行高度越大，点间距越大；反之，点间距越小。为了获取足够多的电力线点云，一般而言，用于电力线监测的激光雷达系统都搭载于直升飞机上，飞行高度普遍较低(60-150m)。在城市区域，建筑物普遍较高，往往超过了直升飞机扫描时的飞行高度，直升机作业的环境相对复杂，作业的安全性较低；另一方面，城市区域用地紧张，为了减少输电走廊用地，城区普遍采用同杆(塔)多回输电技术，由于机载激光雷达小角度、俯视地获取数据，仅能获取第一层横担上的电力线的信息，而其他横担的电力线则会被遮挡，无法获得完整地电力线点云数据。因此，探索新的数据、寻找新的方法，弥补机载激光雷达在城区电力线监测中的缺陷是十分必要的。
[0004]车载激光雷达是一种新兴的移动制图系统，能够在高速移动的车辆中快速获取道路及其两侧的地物。车载激光雷达数据已经越来越多地被应用于道路、建筑物、树木、路灯及其他杆状物的提取与建模中。然而车载LiDAR中提取电力线的研究还很少，仅有的是欧同庚等人在《大地测量与地球动力学》第29卷第2期上发表的“车载数据采集系统在电力线检测中的应用” 一文，该文使用离地高度和Hough变换提取电力线，并使用抛物线方程进行拟合，实验结果验证了车载LiDAR中提取电力线的可行性。事实上，车载LiDAR能够很好地应用于电力线(尤其是城区电力线)的提取，主要表现在以下几个方面:1)城区道路网发达，而电力线通常沿道路分布，这就为车载LiDAR系统获取电力线提供了可能。2)车载LiDAR获取数据时距离电力线的距离仅有几米至几十米远，获取的点云密度较高，电力线上平均点间距可达到厘米级。3)车载LiDAR侧视地获取数据，对于同杆多回输电线路，也能够获取较为完整的点云数据。4)车载LiDAR系统相对于机载LiDAR系统价格更为便宜，可以随时上路实测，应对电力事故的能力更强。
[0005]由于机载LiDAR从地物顶部获取数据，一个平面(X，y)坐标通常仅对应于一个ζ值，相当于二维数据加一个Z值属性；而车载LiDAR从地物侧面获取数据，平面(X，y)坐标通常对应于多个ζ值，是真正意义上的三维点云。因此，针对机载LiDAR数据的点云处理算法难以直接用来处理车载LiDAR点云，且由于车载LiDAR点云更为密集，受树木、建筑物等遮挡较多，电力线点云呈现一种密集点一断裂一密集点的空间分布特征，如何实现车载LiDAR中单条电力线点云的聚类面临着许多困难。所以，从车载LiDAR中提取电力线的技术方法还有待探索。
【发明内容】
[0006]本发明要解决技术问题是:克服现有技术缺点，提出一种基于车载LiDAR数据的电力线提取与拟合方法，能够自动快速的从车载LiDAR数据中提取电力线点云，并实现单条电力线点云的准确识别与电力线三维模型的高精度拟合。
[0007]为了解决上述技术问题，本发明提出的技术方案是:一种基于车载LiDAR数据的电力线提取与拟合方法，步骤包括:
[0008]第一步、构建体元一以体元为空间单元对车载LiDAR数据的空间区域进行分割，所述体元的尺寸范围为[10cm，distpl]，其中diStpl为相邻电力线间的最小间距；
[0009]第二步、体元过滤一根据电力线的分布特点剔除不含有电力线LiDAR点的体元，保留含有电力线LiDAR点的体元；
[0010]第三步、电力线走廊识别一将第二步保留的体元内的LiDAR点投影至XY平面，采用hough变换检测直线，得到电力线点云所在直线，从而得到若干条电力线走廊；
[0011]第四步、电力线点云初始聚类-使用AutoClust算法对每条电力线走廊内的电
力线点云进行初始聚类，得到若干属于同一电力线走廊的点云初始聚类；
[0012]第五步、电力线点云聚类合并——对同一电力线走廊的各点云初始聚类构建端部拟合线段，若相邻点云初始聚类之间相对的端部拟合线段的夹角小于α，则将相邻点云初始聚类合并，以此类推最终得到若干点云合并聚类，α的取值范围为5-12° ;
[0013]第六步、电力线点云聚类恢复一对各点云合并聚类构建端部拟合线段，若某点云合并聚类的首尾端部拟合线段的角度都位于区间[-90°，0° ]或[0°，90° ]，则该点云合并聚类为断裂聚类；该断裂聚类和位于同一档距内的其他点云合并聚类分别组合进行抛物线拟合，将具有最小拟合残差的点云合并聚类与该断裂聚类合并，并将与该拟合抛物线平均距离小于M的点云合并聚类也合并到一起，得到完整的单条电力线点云，从而完成单条电力线点云聚类的恢复，M的取值范围为[5cm，15cm]；
[0014]第七步、电力线三维拟合——针对完整的单条电力线点云使用最小二乘算法拟合得到电力线三维曲线。
[0015]本发明首先利用体元划分车载LiDAR点云，确定各个体元内的点；然后根据真实电力线的分布特点剔除不含有电力线点云的体元；再将过滤得到的电力线点云依据电力线走廊进行划分，并利用AutoClust算法对电力线点云进行初始聚类；接着使用基于端部拟合线段的聚类合并方法，将属于同一电力线的初始点云聚类合并到一起；最后根据电力线的特性，恢复断裂的电力线，最终得到可用以表征单条电力线的点云，并以此进行三维拟
口 ο
[0016]本发明基于车载LiDAR数据的电力线提取与拟合方法，还具有如下改进:[0017]I)、第二步中滤掉不含有电力线LiDAR点体元的方法包含以下步骤:
[0018]a、离地高度筛选——若某体元内最高LiDAR点与最低LiDAR点的高差小于H，则该体元为地面体元,根据地面体元内的LiDAR点获取近似地面,如果体元内最低LiDAR点到近似地面的高度小于电力线高程阈值，则将该体元剔除，否则保留，其中H的取值范围为[0.8m-1.2m]。
[0019]本筛选步骤考虑到电力线通常高于地面，电力线所在体元也高于地面体元，可以根据体元距离地面的高度进行筛选，剔除距离地面过于接近的体元。
[0020]b、上下体元连续性筛选-若内含有LiDAR点的体元上下连续数量大于N,则将
这些体元剔除，否则保留，N的取值范围为{2，3，4}。
[0021]本筛选步骤考虑上下体元连续性，上下体元连续性是指同一行列的体元、上下相邻的连续有点的体元的数量。电力线呈悬浮状态，电力线上下一定范围内没有其他地物，因此电力线的上下体元连续性较弱，而建筑物、树木、路灯等地物上下体元连续性较强。
[0022]C、特征向量筛选-通过对体元内点云的三维坐标进行特征分解获得的特征向
量，若特征向量表征点云分布呈线状则保留该体元，否则剔除。
[0023]本筛选步骤考虑特征向量，通过对体元内点云的三维坐标进行特征分解，可以得到三个特征值三个特征值关系的不同可以反映三维点云的分布情况:如果4=為，则点云分布比较离散；如果X1, λ2>> λ3，则点云呈面状分布；
如果λ2, λ3，则点云呈线状分布。基于此可以定义一个线性测度
【权利要求】
1.一种基于车载LiDAR数据的电力线提取与拟合方法，步骤包括: 第一步、构建体元一以体元为空间单元对车载LiDAR数据的空间区域进行分割，所述体元的尺寸范围为[10cm，distpl]，其中diStpl为相邻电力线间的最小间距； 第二步、体元过滤一根据电力线的分布特点剔除不含有电力线LiDAR点的体元，保留含有电力线LiDAR点的体元； 第三步、电力线走廊识别一将第二步保留的体元内的LiDAR点投影至XY平面，采用hough变换检测直线，得到电力线点云所在直线，从而得到若干条电力线走廊； 第四步、电力线点云初始聚类-使用AutoClust算法对每条电力线走廊内的电力线点云进行初始聚类，得到若干属于同一电力线走廊的点云初始聚类； 第五步、电力线点云聚类合并——对同一电力线走廊的各点云初始聚类构建端部拟合线段，若相邻点云初始聚类之间相对的端部拟合线段的夹角小于α，则将相邻点云初始聚类合并，以此类推最终得到若干点云合并聚类，α的取值范围为5-12° ; 第六步、电力线点云聚类恢复一对各点云合并聚类构建端部拟合线段，若某点云合并聚类的首尾端部拟合线段的角度都位于区间[-90°，0° ]或[0°，90° ]，则该点云合并聚类为断裂聚类；该断裂聚类和位于同一档距内的其他点云合并聚类分别组合进行抛物线拟合，将具有最小拟合残差的点云合并聚类与该断裂聚类合并，并将与该拟合抛物线平均距离小于M的点云合并聚 类也合并到一起，得到完整的单条电力线点云，从而完成单条电力线点云聚类的恢复，M的取值范围为[5cm，15cm]； 第七步、电力线三维拟合——针对完整的单条电力线点云使用最小二乘算法拟合得到电力线三维曲线。
2.根据权利要求1所述的基于车载LiDAR数据的电力线提取与拟合方法，其特征在于:第二步中滤掉不含有电力线LiDAR点体元的方法包含以下步骤: a、离地高度筛选——若某体元内最高LiDAR点与最低LiDAR点的高差小于H，则该体元为地面体元，根据地面体元内的LiDAR点获取近似地面,如果体元内最低LiDAR点到近似地面的高度小于电力线高程阈值，则将该体元剔除，否则保留，其中H的取值范围为[0.8m-1.2m]; b、上下体元连续性筛选-若内含有LiDAR点的体元上下连续数量大于N,则将这些体元剔除，否则保留，N的取值范围为{2，3，4}; c、特征向量筛选-通过对体元内点云的三维坐标进行特征分解获得的特征向量，若特征向量表征点云分布呈线状则保留该体元，否则剔除； d、邻域体元点云数量筛选-计算邻域内所有体元的LiDAR点总数,若LiDAR点总数大于阈值P，则保留该体元，否则剔除，阈值P的取值范围为10-20。
3.根据权利要求2所述的基于车载LiDAR数据的电力线提取与拟合方法，其特征在于:步骤d中，阈值P的计算方法如下: d-Ι)、计算所有邻域体元的点云数量，根据点云数量的最大值和最小值得到点云数量区间[Dmin，DfflaJ，设定较小的间隔Ds对点云数量区间进行划分，得到邻域点云数量区间集合
4.根据权利要求1所述的基于车载LiDAR数据的电力线提取与拟合方法，其特征在于:所述第三步得到电力线走廊后，若某一电力线走廊的点云数量明显过少，那么将这个走廊及内部点云全部删去。
5.根据权利要求1所述的基于车载LiDAR数据的电力线提取与拟合方法，其特征在于:第五步中对点云初始聚类构建端部拟合线段的方法如下: 若点云初始聚类中LiDAR点总数小于阈值Q，则该聚类不做拟合，其中Q的取值范围为4-6 ； 若点云初始聚类的跨距大于3m，则利用该聚类首尾X米范围内点云拟合获得端部拟合线段，否则利用点云初始聚类的所有点云拟合形成一条端部拟合线段，X的取值范围为0.8_1.2 ο
6.根据权利要求5所述的基于车载LiDAR数据的电力线提取与拟合方法，其特征在于:所述第五步中利用端部拟合线段生长的方法实现点云初始聚类的合并，具体方法如下: 1、生长基线选择一以任意点云初始聚类的端部拟合线段作为生长基线，分别向两端生长； I1、待生长线段确定一计算相邻点云初始聚类未生长过的端部拟合线段与当前生长基线的夹角，如果夹角小于α，则将生长基线旋转至与该拟合线平行的位置，并计算两线段间的垂直距离；如果垂直距离小于0.2m，则该端部拟合线段标记为疑似待生长线；对于所有疑似待生长线，寻找与当前生长基线水平距离最小的端部拟合线段，若该端部拟合线段与当前生长基线在同一电力线档距内，则该端部拟合线段作为待生长线段； II1、拟合线生长——将当前生长基线与待生长线段所在的点云初始聚类合并，待生长线段所在点云初始聚类合的另一端部拟合线段作为新的生长基线，重复步骤II至III，直到无法再生长； IV、重复步骤I至III，直至所有端部拟合线段标都完成生长。
7.根据权利要求6所述的基于车载LiDAR数据的电力线提取与拟合方法，其特征在于:步骤III中，在拟合线段生长的同时，计算所有无端部拟合线段的点云初始聚类与当前生长基线的平均垂直距离，如果距离小于0.lm，则将该点云初始聚类与当前生长基线对应的初始点云聚类合并。
【文档编号】G06T17/00GK103473734SQ201310421449
【公开日】2013年12月25日 申请日期:2013年9月16日 优先权日:2013年9月16日
【发明者】程亮, 童礼华, 李满春, 王昱, 伍阳, 黄秋昊, 李飞雪, 陈焱明, 张雯, 杜培军 申请人:南京大学