基于随机场和随机森林的电力线点云分割方法及系统与流程

本发明涉及一种电力线点云分割方法及系统，属于电力设备勘测维护领域，具体是涉及一种基于随机场和随机森林的电力线点云分割方法及系统。

背景技术

机载激光雷达(airbornelightdetectionandranging，lidar)是一种主动式航空遥感对地观测系统，是九十年代初首先由西方国家发展起来并投入商业化应用的一门新兴技术，它集成激光测距技术、全球定位系统(gps)、惯性测量技术和计算机技术于一身。该技术在三维空间信息的实时获取方面产生了重大突破，为获取高时空分辨率的地球空间信息提供了一种全新的技术手段。

机载激光雷达能够快速直接获取高精度的三维地表信息，有着传统的摄影测量手段和人工量测无法比拟的优势，目前广泛应用于各种测绘工程之中，包括地形测绘、电力电网、三维城市建模等。

现有技术中的传统电力线检测任务主要通过人工检查来完成，成本昂贵，耗时长，且结果准确性不高，难以满足实际生产需求。

利用机载激光雷达技术采集和处理的输电线通道数据，可以对包括电力线在内的输电线路通道信息进行提取，进而通过构建三维场景对电力线网络进行检测和管理。可见，通过利用机载激光雷达点云数据，可以准确获取电力线网三维信息，实现电力线自动完整提取对于电力线网络检测和管理工作有着极其重要的现实意义。

技术实现要素：

本发明主要是解决现有技术所存在的电力线检测成本昂贵，耗时长，结果准确性不高，难以满足实际生产需求的技术问题，提供了一种基于随机场和随机森林的电力线点云分割方法及系统。该方法及系统融合马尔科夫随机场和随机森林进行电力线点云分割，能够提高电力线提取的完整度。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于随机场和随机森林的电力线点云分割方法，包括：

点云采集步骤，利用在飞行平台上配置和安装的机载激光雷达和pos系统采集机载激光雷达数据并生成三维点云数据；

点云体素化步骤，体素化采集到的三维点云数据；

体素分割步骤，基于马尔可夫随机场对线性体素进行分割，提取电力线候选线性段；

目标识别步骤，将提取的电力线候选线性段转换为二进制图像，并利用随机森林分类器进行杆塔段识别；

目标剔除步骤，利用线性段的上下文属性设计评估准则，对非杆塔段进行剔除；

电力线提取步骤，设定圆柱形搜索框，对落入搜索区域内的线性段进行标记，提取电力线分割段。

在本发明的至少一个实施例中，所述点云体素化步骤具体包括以下子步骤：

条件设定子步骤，设定多叉树非空节点的点云个数阈值并设定子立方体划分终止条件；求取输入点集的最大外包，并以此外包建立一个立方体；

迭代体素化子步骤，细分所述立方体得到若干个子立方体，将内部点云个数少于点云个数阈值的子立方体标记为空节点，并将剩余立方体标记为非空节点；将满足立方体划分终止条件的子立方体标记为体素，继续细分未满足立方体划分终止条件的子立方体直至将所有子立方体划分为空节点和体素。

在本发明的至少一个实施例中，所述体素分割步骤具体包括以下子步骤：

特征计算子步骤，采用pca对每个体素内的点进行特征值的计算，求取每个点的协方差矩阵，获取特征值λ1，λ2，λ3，识别线性结构点；

线性评估子步骤，计算每个体素内线性结构点所占比例，根据该比例评估体素属于线性结构的概率；

模型构建子步骤，将线性体素内的点转换为线性段v；结合线性段v和线性段之间的连接边e生成马尔可夫随机场mrf图模型g＝(v,e)；保留mrf图模型中的局部连接，舍弃距离大于阈值的连接；

线段筛选子步骤，获取每个线性段v的数据项及上下文项的势能函数，构建全局能量方程，迭代获取全局最小化下具有最高能量的线性段，并提取电力线的候选线性段。

在本发明的至少一个实施例中，所述目标识别步骤具体包括以下子步骤：

线段分类子步骤，基于线性段最大方向变化mov和方向平行度op，训练得到随机森林rf分类器，对线性段进行分类；

结果筛选子步骤，使用形态滤波器筛选出连接的杆塔段，剔除离散杆塔段，得到杆塔检测结果。

在本发明的至少一个实施例中，所述目标剔除步骤具体包括以下子步骤：

杆塔连接子步骤，对连接边长小于给定阈值的杆塔段，在杆塔段之间进行所有可能的连接；

概率评估子步骤，基于以下评分函数(f)评估每个边作为杆塔边的可能性：

f(fi,w,b)＝wfi+b

式中，i表示三个准则的序号，取值为1，2，3，w和b通过训练集确定；

f1：min(ai,aj)/max(ai,aj)，其中ai和aj是从在某一区域内从杆塔段si和sj扩展到另一杆塔段的电力线像素数；

f2：max(|θi-θe|,|θj-θe|)，其中θi和θj是si和sj的方位，θe是eij的方位。

f3：θij-θe，其中θij是si和sj之间的电力线像素的平均方位；

杆塔分类子步骤，基于下式选择三个准则中的最低值作为每个边的可能性，并基于该可能性对杆塔边和非杆塔边进行分类：

g(f1,f2,f3)＝min(f(f1),f(f2),f(f3))。

在本发明的至少一个实施例中，所述电力线提取步骤具体包括以下子步骤：

电力线分割段提取子步骤，设定圆柱形搜索框，将属于搜索区域内的线性段标记为电力线分割段；

电力线点提取子步骤，对标记为电力线分割段的线性段所在体素内的所有点进行标记，提取为电力线点。

一种基于随机场和随机森林的电力线点云分割系统，包括：

点云采集模块，利用在飞行平台上配置和安装的机载激光雷达和pos系统采集机载激光雷达数据并生成三维点云数据；

点云体素化模块，体素化采集到的三维点云数据；

体素分割模块，基于马尔可夫随机场对线性体素进行分割，提取电力线候选线性段；

目标识别模块，将提取的电力线候选线性段转换为二进制图像，并利用随机森林分类器进行杆塔段识别；

目标剔除模块，利用线性段的上下文属性设计评估准则，对非杆塔段进行剔除；

电力线提取模块，设定圆柱形搜索框，对落入搜索区域内的线性段进行标记，提取电力线分割段。

在本发明的至少一个实施例中，所述点云体素化模块具体包括以下单元：

条件设定单元，设定多叉树非空节点的点云个数阈值并设定子立方体划分终止条件；求取输入点集的最大外包，并以此外包建立一个立方体；

迭代体素化单元，细分所述立方体得到若干个子立方体，将内部点云个数少于点云个数阈值的子立方体标记为空节点，并将剩余立方体标记为非空节点；将满足立方体划分终止条件的子立方体标记为体素，继续细分未满足立方体划分终止条件的子立方体直至将所有子立方体划分为空节点和体素。

在本发明的至少一个实施例中，所述体素分割模块具体包括以下单元：

特征计算单元，采用pca对每个体素内的点进行特征值的计算，求取每个点的协方差矩阵，获取特征值λ1，λ2，λ3，识别线性结构点；

线性评估单元，计算每个体素内线性结构点所占比例，根据该比例评估体素属于线性结构的概率；

模型构建单元，将线性体素内的点转换为线性段v；结合线性段v和线性段之间的连接边e生成马尔可夫随机场mrf图模型g＝(v,e)；保留mrf图模型中的局部连接，舍弃距离大于阈值的连接；

线段筛选单元，获取每个线性段v的数据项及上下文项的势能函数，构建全局能量方程，迭代获取全局最小化下具有最高能量的线性段，并提取电力线的候选线性段。

在本发明的至少一个实施例中，所述目标识别模块具体包括以下单元：

线段分类单元，基于线性段最大方向变化mov和方向平行度op，训练得到随机森林rf分类器，对线性段进行分类；

结果筛选单元，使用形态滤波器筛选出连接的杆塔段，剔除离散杆塔段，得到杆塔检测结果。

在本发明的至少一个实施例中，所述目标剔除模块具体包括以下单元：

杆塔连接单元，对连接边长小于给定阈值的杆塔段，在杆塔段之间进行所有可能的连接；

概率评估单元，基于以下评分函数(f)评估每个边作为杆塔边的可能性：

f(fi,w,b)＝wfi+b

式中，i表示三个准则的序号，取值为1，2，3，w和b通过训练集确定；

f1：min(ai,aj)/max(ai,aj)，其中ai和aj是从在某一区域内从杆塔段si和sj扩展到另一杆塔段的电力线像素数；

f2：max(|θi-θe|,|θj-θe|)，其中θi和θj是si和sj的方位，θe是eij的方位。

f3：θij-θe，其中θij是si和sj之间的电力线像素的平均方位；

杆塔分类单元，基于下式选择三个准则中的最低值作为每个边的可能性，并基于该可能性对杆塔边和非杆塔边进行分类：

g(f1,f2,f3)＝min(f(f1),f(f2),f(f3))。

在本发明的至少一个实施例中，所述电力线提取模块具体包括以下单元：

电力线分割段提取单元，设定圆柱形搜索框，将属于搜索区域内的线性段标记为电力线分割段；

电力线点提取单元，对标记为电力线分割段的线性段所在体素内的所有点进行标记，提取为电力线点。

因此，本发明具有如下优点：

1.本发明融合马尔科夫随机场和随机森林的电力线点云分割，通过对点云体素化并结合马尔科夫随机场(mrf)进行线性分割，再在杆塔检测识别的基础上提取电力线分割段，从而提取电力线点云，实现对电力线的自动完整提取，具有较高的自动化程度，且提取精度较高。

2.本发明针对大型电力线三维复杂场景，提出一种快速、精确且完全自动化的电力线检测方案，对不同电力线通道场景具有普遍适用性，对电力线的自动化提取和重建具有重要意义。

附图说明

附图1是本发明的流程图；

附图2是八叉树点云体素化流程示意图；

附图3-1至3-2是杆塔检测效果图；

附图4-1至4-2是电力线提取效果图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

如图1所示，一种融合马尔科夫随机场和随机森林的电力线点云分割方法，包括以下步骤：

步骤1，在飞行平台上配置和安装机载激光雷达和pos系统，外业飞行作业采集机载激光雷达数据并生成点云；

步骤2，基于八叉树划分结构对步骤1生成的海量三维点云数据进行体素化；

步骤3，基于马尔可夫随机场(mrf)对线性体素进行分割，提取电力线候选线性段；

步骤4，将提取的电力线候选线性段转换为二进制图像，然后在2d图像上利用随机森林(rf)分类器进行杆塔段识别；

步骤5，利用线性段的上下文属性设计评估准则，对非杆塔段进行剔除；

步骤6，设定圆柱形搜索框，对落入搜索区域内的线性段进行标记，提取电力线点。

如上所述的步骤2中，对机载激光雷达点云数据进行体素化的原理见附图2所示，具体方法为：

步骤2.1，将步骤1中得到的激光雷达点云数据作为输入，对该点云数据进行步骤2.2——2.6的处理；

步骤2.2，设定八叉树非空节点点云个数，在本实例中非空节点点云数为3；

步骤2.3，设定划分终止条件，本文的划分终止条件为：体素体积不超过1.5m×1.5m×1.5m，体素内的点个数不少于10个；

步骤2.4，求取输入点击的最大外包，并以此外包建立第一个立方体；

步骤2.5，将该立方体细分为八等份；

步骤2.6，对划分的每个子立方体，分别统计其内部点个数，若内部点不少于3个，则标记为非空节点，否则标记为空节点；

步骤2.7，对每一个非空节点，判断其是否满足步骤2.3定义的划分终止条件，若满足终止条件则将当前立方体标记为体素，否则将该立方体细分为八等份，执行步骤2.6；

步骤2.8，若所有子立方体都已经处理，迭代终止，否则重复进行步骤2.6-步骤2.7。

如上所述的步骤3中，基于马尔可夫随机场(mrf)对线性体素进行分割的方法为：

步骤3.1，将步骤2中得到的点云体素集合作为输入，对该体素集合进行步骤3.2——3.8的处理；

步骤3.2，采用pca对每个体素内的点进行特征值的计算，求取每个点的协方差矩阵，获取特征值λ1，λ2，λ3，识别线性结构点，识别方法如下：散射点λ1≈λ2≈λ3，表面上的点λ1,λ2＞λ3，线性结构点λ1＜λ2,λ3；

步骤3.3，计算每个体素内线性结构点所占比例，根据该比例对体素属于线性结构的可能性进行评估，本实例中将该占比达到70％的体素作为线性结构进行提取；

步骤3.4，基于随机样本一致性(ransac)的3d线拟合将线性体素内的点转换为线性段；

步骤3.5，结合线性段(即顶点v)和它们之间的连接(即边e)生成mrf图模型g＝(v,e)；

步骤3.6，保留图中局部连接的边，舍弃顶点之间的距离大于阈值的连接边，本实例中阈值设定为10m。

步骤3.7，在mrf中考虑三个数据项，包括高度h、线斜率p和内外圆柱点比率r，及一个上下文项c(线平行度区)，利用公式获取每个顶点的数据项及上下文项的势能函数：

其中，f(i)为顶点的标签，非线性段标签设为1，线性段设为2；wh、wp、wr和wc分别为各项对应的权重，取0.25，0.25，0.2和0.3。l＝{0,1}表示对应项下的二进制标签，当满足对应项的判断条件时，将其设为1，否则设为0；

步骤3.8，构建全局能量方程，如式(2)所示，利用图分割α-expansion算法优化能量方程，获取全局最小化下各顶点的标签集，并提取电力线的候选线性段：

其中，β设定的权重，本实例中0.75；

如上所述的步骤4中，利用随机森林(rf)分类器进行杆塔段识别的方法为：

步骤4.1，将步骤3中得到的线性段作为输入，对该体素集合进行步骤4.2—步骤4.4的处理；

步骤4.2，定义线性段两个特征：最大方向变化(mov)和方向平行度(op)，本实例的设定电力线特征为：最大方向变化(mov)0度，方向平行度(op)0.1mm；

步骤4.3，基于两个特征(mov和op)，训练得到随机森林(rf)分类器，对线性段进行分类；

步骤4.4，对步骤4.4的分类结果，使用形态滤波器(膨胀和侵蚀)获得连接的杆塔段，剔除离散杆塔段，得到杆塔检测结果，检测效果见附图3-1，图3-2所示。

如上所述的步骤5中，利用线性段的上下文属性设计评估准则，对非杆塔段进行剔除的方法为：

步骤5.1，对步骤4得到的杆塔检测结果，执行步骤5.2—步骤5.4的处理；

步骤5.2，对连接边长小于给定阈值的杆塔段，在杆塔段之间进行所有可能的连接，本实例中连接边长阈值为20m；

步骤5.3，对每一个连接边eij(连接杆塔段si和sj)，计算如下三个参数：

f1：min(ai,aj)/max(ai,aj)，其中ai和aj是从在某一区域内从杆塔段si和sj扩展到另一杆塔段的电力线像素数。

f2：max(|θi-θe|,|θj-θe|)，其中θi和θj是si和sj的方位，θe是eij的方位。

f3：θij-θe，其中θij是si和sj之间的电力线像素的平均方位。

步骤5.4，根据步骤5.3得到的参数，使用评分函数(f)评估每个边作为杆塔边的可能性，评分函数如公式(3)所示；f(fi,w,b)＝wfi+b(3)

式中的i表示三个准则的序号(1,2和3)，w和b通过训练集确定。

步骤5.5，选择三个准则中的最低值作为每个边可能性，如公式(4)所示；

g(f1,f2,f3)＝min(f(f1),f(f2),f(f3))(4)

步骤5.6，根据步骤5.5得到的可能性对杆塔边和非杆塔边进行分类，本实例中将可能性小于0.5的边分类为非杆塔(np)边。

如上所述的步骤6中，设定圆柱形搜索框，标记电力线分割段及提取电力线点的方法为：

步骤6.1，设定圆柱形搜索框，将属于搜索区域内的线性段标记为电力线分割段，本例中圆柱形搜索框半径设定为2m，长度设定为10m；

步骤6.2，对标记为电力线分割段的线性段所在体素内的所有点进行标记，提取为电力线点，提取效果见附图4-1、图4-2所示。

表1是根据本实施的电力线提取精度表，从表中可以看出,本例中的电力线点提取的平均质量达到93.2％，其提取精度较高，能够满足现有电力线工程应用需求。

表1电力线提取精度表

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。