CN110794413B - 线性体素分割的激光雷达点云数据电力线检测方法和系统 - Google Patents

Abstract

本发明涉及电力线检测方法和系统，属于电力检测技术领域，具体是涉及一种线性体素分割的激光雷达点云数据电力线检测方法和系统。本发明利用机载激光雷达系统和POS系统采集地表电力线三维点云数据，先对点云数据进行滤波提取地物点，再基于线性体素分割的思想，将点云数据转换为体素，通过检测体素的线性度和杆塔的定位，实现电力线段的提取，从而达到从点云数据中准确提取电力线点云的目的。

Description

线性体素分割的激光雷达点云数据电力线检测方法和系统

【技术领域】

本发明涉及电力线检测方法和系统，属于电力检测技术领域，具体是涉及一种线性体素分割的激光雷达点云数据电力线检测方法和系统。

【背景技术】

随着电力需求在今天的生活和工业中急剧增加，对电力线网络进行模型构建和危险监测已变得至关重要。电力线通常长达几十公里，且修建在恶劣的地形环境下，对其进行检测是一项技术难题。目前，电力线网络运营商通常使用搭载有红外摄像机的直升机来监控大部分传输电线；对于110KV或更低电压水准的配电线路及其走廊，则由技术人员沿电力线行走进行人工检查，但上述方法代价昂贵，耗时长，且检测结果往往存在误差。

机载激光雷达(Light Detection And Ranging,简称LiDAR)系统作为一种新型的主动式对地观测系统，高度集成全球定位系统(Global Positioning System，简称GPS)、惯性导航系统(Inertial Navigation System，简称INS)以及激光扫描测距仪等先进设备，不仅能在较短时间内获取海量高精度、高密度的地物表面三维点云，而且LiDAR系统发射的激光束还能够形成多次回波。利用机载LiDAR系统进行电力巡线不仅高效快速，而且克服了传统工程测量电力巡线工作量大、危险性高、效率低下以及直升机电力巡线空间定位精度低的缺点。LiDAR系统扫描获得的有关每个导体的位置信息，塔架的几何形状信息，地形剖面以及所有地物(包括树木、建筑物和其他地物)的位置和形状信息，可用于检测导体的损坏情况、塔架的结构变化情况，寻找对电力线具有潜在危险的树木，从而更好地规划电力线的维护工作。

近年来，随着LiDAR技术的不断发展和普及，越来越多的电力部门或单位采用LiDAR技术来实现电力线巡线业务。现有的针对电力线提取的方法，在大型电力线三维场景的计算量较大，不具备普遍适用性，同时未能充分考虑杆塔与电力线的上下文关系，自动提取的精度难以达到较高的工程应用需求，需要较多的人工干预。因此，一种直接从三维LiDAR点云数据中准确检测电力线点云的方法对电力巡线工作具有重要的现实意义。

【发明内容】

有鉴于此，为克服现有技术的不足，针对现有技术先进行点云自动分类再进行人工编辑电力线点云过程存在的处理流程复杂、耗时长等问题，本发明提供一种线性体素分割的激光雷达点云数据电力线检测方法和系统，该方法和系统能够快速实现电力线点云数据自动准确提取的目的。

为实现上述目的，本发明的技术方案如下：

一种线性体素分割的激光雷达点云数据电力线检测方法，包括：

地物点云提取步骤，从飞行平台采集获取的三维点云数据中分离出地面点云，从而获得地物点云数据；

线性体素分割步骤，基于线性体素分割构建线性段图模型；

候选线段提取步骤，采用马尔可夫随机场模型提取电力线候选线性段；

电力线点云检测步骤，基于杆塔和电力线的上下文关系定位电力线性段，并通过电力线点云和电力线段的距离阈值提取电力线点云。

优选的，上述的一种线性体素分割的激光雷达点云数据电力线检测方法，所述地物点云提取步骤中，所述地物点云的获取包括：

三角网构建子步骤，对点云数据构建格网索引，针对格网中的每个分块，取其最低点为初始地面种子点；基于初始地面点构建初始三角网TIN；

点云遍历子步骤，遍历剩余点云，将相对地面高度和地形角满足预设条件的余下点云加入到三角网中。

优选的，上述的一种线性体素分割的激光雷达点云数据电力线检测方法，所述候线性体素分割步骤包括：

体素处理子步骤，利用多叉树结构对地物点云数据进行体素化处理；

主成分分析子步骤，对每个体素内的点云构建协方差矩阵，通过主成分分析法进行特征值的计算，基于特征值对体素内的线性结构点进行识别；

线性结构评估子步骤，基于体素内线性结构点所占比例来筛选具有线性结构的体素。

图模模型生成子步骤，将线性体素内的点转换为线性段，并结合线性段和它们之间的连接生成图模型。

优选的，上述的一种线性体素分割的激光雷达点云数据电力线检测方法，所述候选线段提取步骤中基于马尔可夫随机场模型提取出电力线候选线性段，并利用线性段的距地高度△H、线性段的线斜率κ、线性段的内外圆柱点比率μ线平行度σ计算顶点的势能，并构建能量函数E，通过能量函数的最小化来搜索电力线候选线性段，其中，所述势能函数U和能量函数E基于下式：

式中U是顶点的势能。α₁,α₂,α₃,α₄为权值系数。Q函数计算的是顶点的似然分布，V函数计算的是邻域范围内顶点的空间相关性，如果相邻顶点的标记不同，则V赋予惩罚系数，f是所求的优化标记。

优选的，上述的一种线性体素分割的激光雷达点云数据电力线检测方法，所述电力线点云检测步骤包括：

电力线模型构建子步骤，基于线性段的上下文关系定位杆塔的位置；构建杆塔的连接边集，即电力线模型；

电力线提取子步骤，对地物点云数据进行分类处理，通过设定点云与电力线性段的距离阈值提取电力线点云。

一种线性体素分割的激光雷达点云数据电力线检测系统，包括：

地物点云提取模块，从飞行平台采集获取的三维点云数据中分离出地面点云，从而获得地物点云数据；

线性体素分割模块，基于线性体素分割构建线性段图模型；

候选线段提取模块，采用马尔可夫随机场模型提取电力线候选线性段；

电力线点云检测模块，基于杆塔和电力线的上下文关系定位电力线性段，并通过电力线点云和电力线段的距离阈值提取电力线点云。

优选的，上述的一种线性体素分割的激光雷达点云数据电力线检测系统，所述地物点云提取模块进一步包括：

三角网构建单元，对点云数据构建格网索引，针对格网中的每个分块，取其最低点为初始地面种子点；基于初始地面点构建初始三角网TIN；

点云遍历单元，遍历剩余点云，将相对地面高度和地形角满足预设条件的余下点云加入到三角网中。

优选的，上述的一种线性体素分割的激光雷达点云数据电力线检测系统，所述候线性体素分割模块包括：

体素处理单元，利用多叉树结构对地物点云数据进行体素化处理；

主成分分析单元，对每个体素内的点云构建协方差矩阵，通过主成分分析法进行特征值的计算，基于特征值对体素内的线性结构点进行识别；

线性结构评估单元，基于体素内线性结构点所占比例来筛选具有线性结构的体素。

图模模型生成单元，将线性体素内的点转换为线性段，并结合线性段和它们之间的连接生成图模型。

优选的，上述的一种线性体素分割的激光雷达点云数据电力线检测系统，所述候选线段提取模块基于马尔可夫随机场模型提取出电力线候选线性段，并利用线性段的距地高度△H、线性段的线斜率κ、线性段的内外圆柱点比率μ线平行度σ计算顶点的势能U，并构建能量函数E，通过能量函数的最小化来搜索电力线候选线性段，其中，所述势能函数U和能量函数E基于下式：

式中U是顶点的势能。α₁,α₂,α₃,α₄为权值系数。Q函数计算的是顶点的似然分布，V函数计算的是邻域范围内顶点的空间相关性，如果相邻顶点的标记不同，则V赋予惩罚系数，f是所求的优化标记。

优选的，上述的一种线性体素分割的激光雷达点云数据电力线检测系统，所述电力线点云检测模块包括：

电力线模型构建单元，基于线性段的上下文关系定位杆塔的位置；构建杆塔的连接边集，即电力线模型；

电力线提取单元，对地物点云数据进行分类处理，通过设定点云与电力线性段的距离阈值提取电力线点云。

本发明与现有技术相比，具有以下优点：

1.本发明的点云检测方法处理流程简单，计算效率得到明显提高，而且适用于大型电力线三维场景；

2.本发明在检测电力线点云中考虑了电力线和杆塔的上下文关系，通过杆塔的精确定位来实现电力线段进一步刷选，再进行电力线点云的检测，提高了电力线点云的检测精度。

【附图说明】

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的电力线点云提取方法流程示意图。

图2为基于八叉树结构的点云体素化流程示意图。

图3为内外圆柱点比率结构示意图。

【具体实施方式】

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，本实施例的线性体素分割的激光雷达点云数据电力线检测方法包括：

步骤(1)，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；

步骤(2)，地物点提取步骤，基于迭代三角网加密滤波算法分离地面点云，获得地物点云集；

步骤(3)，线性分割步骤，利用八叉树结构对地物点云数据进行体素化处理，并基于其体素结构，进行线性检测，构建线性段图模型；

步骤(4)，电力线候选线性段提取步骤，以距地高度、线斜率、内外圆柱点比率和线平行度作为数据项，基于马尔可夫随机场模型提取出电力线候选线性段；

步骤(5)杆塔定位步骤，基于杆塔与电力线的上下文关系，对杆塔进行定位，并构建杆塔的连接边集；

步骤(6)电力线点云提取步骤，基于步骤5提取的电力线模型，通过设定的圆柱形搜索框，自动化提取电力线点云。

如上所述的步骤2中，基于迭代三角网加密滤波提取地物点云的具体步骤为：

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—2.5的处理；

步骤2.2，对点云数据构建格网索引，格网的大小取测区场景内最大建筑物的尺寸；

步骤2.3，针对格网中的每个分块，取其最低点为初始地面种子点，并基于初始地面点构建初始TIN，即概略地表模型；

步骤2.4，迭代判断余下点云是否满足加入到地形TIN的条件，其判断准则包括：

1)相对地面高度:待分类点云p到其所在地形三角网的垂直距离d；

2)地形角：待分类点云p与其所在地形三角网三个顶点的夹角的最大值θ；

如果待判断的激光脚点满足d≤T_d且θ≤T_θ，则判断其为地面点并加入到TIN模型中，其中T_d为相对地面高度阈值，T_θ为地形角阈值。

步骤2.5，在某次迭代中，没有满足判断准则的地面点，则表面滤波完成，剩余的非地面点云就是地物点。

如上所述的步骤3中，线性体素分割流程的具体步骤为：

步骤3.1，利用八叉树结构对地物点云数据进行体素化处理，其具体操作包括：1)统计点云数据在X,Y,Z轴上的最大最小值，获取点集的三维包围盒；2)将整个三维包围盒视为初始三维格网节点，将其划分成规则的三维网格，并将每个立方体内的点定义为体素。当格网节点中包含超过三个点则定义为满，否则定义为空。删除为空的八叉树节点，并进一步细分非空节点，直至达到终止标准：

R≤R_voxel||p_num≤min_p (1)

其中，R为体素体积，使用立方体的边长表示，R_voxel为设置的体素分辨率。p_num表示体素大小，即体素内的点个数，min_p表示最小体素大小，和点云密度相关。

如图2所示，本实施中采用八叉树结构对地物点云数据进行体素化处理。

步骤3.2，采用主成分分析(Principal Component Analysis，简称PCA)对每个体素的线性可能性进行评估。首先对每个体素内的点云构建协方差矩阵，通过PCA进行特征值(λ1，λ2，λ3)的计算。点云基于其空间分布可分为线性结构点、表面结构点和散射结构点，其中线性结构点在空间上呈线状特征，通过PCA获得的特征值具有λ1＞＞λ2＞λ3；表面上的点在空间上具有面状特征，其特征值λ1，λ2差距较小；而散射点在空间上分布离散，导致λ1，λ2，λ3值相近；可通过利用

来对体素内的线性结构点云进行识别。线性结构的体素的判定可通过计算每个体素内线性结构点所占比例来确定，若体素内的点云都为线性结构点，则该体素为线性体素，若体素内存在非线性结构点，则将其与临近体素进行比较，若临近体素为线性体素，且与其具有相似方向，则对其赋予线性体素标签。

步骤3.3，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，并结合线性段(即顶点V)和它们之间的连接(即边E)生成图模型G＝(V,E)。

基于八叉树结构的点云体素化流程如图2所示。

如上所述的步骤4中，基于马尔可夫随机场模型的电力线候选线性段提取的具体步骤为：

步骤4.1，计算线性段的距地高度(△H)和最大值H_max，电力线是架空的，而杆塔的底部和地面接触。

式中H代表线性段所在高程，H_G是地面高度。

步骤4.2，计算线斜率κ，电力线是水平的，而杆塔除了水平横臂，其余部分是垂直的。

式中N表示线性体素中点云的数量，κ_xi、κ_yi分别表示线性体素中第i个点云在XZ、YZ投影中的拟合曲线斜率。

步骤4.3，计算内外圆柱点比率(μ)，以线段为圆轴创建内外圆柱，本实施例中，内半径优选取0.15m，外半径优选取1m，此处的半径仅是例举，其余任何适用于创建内外圆柱的值均可用于本实施例中。计算内外圆柱内点云数量的比率。电力线内圆柱和外圆柱之间几乎没有点云。

式中m表示内圆柱中点云的数量，M表示外圆柱中点云的数量。

内外圆柱点比率结构如图3所示。

步骤4.4，计算线平行度σ，单条电力线通常与其他电力线平行，但是杆塔表现为随机分布。假设线性段p的方向向量为ξ_p，搜索窗口大小设为20m，窗口内含有的线性段数量为N，和线性段p具有一致方向的线性段数量为m(设线性段q的方向向量为ξ_q，如果1-|ξ_q·ξ_p|<0.1，则认为线性段q和p具有一致方向)，则线性段p的线平行度σ_p可表示为

步骤4.5，针对步骤3构建的线性段图模型，采用马尔可夫随机场来描述其唯一性特征和上下文属性，并利用三个数据项(距地高度、线斜率、内外圆柱点比率)和一个上下文项(线平行度)来构建能量函数。在由顶点V(线性段)和边E(线性段的连接边)组成的图模型G＝(V,E)中，只有局部连接的边保留在图中，即如果连接边的一对顶点之间的距离大于指定阈值(T_d＝3m)，则丢弃该边。根据当前顶点或相邻顶点的状态(即，电力线或非电力线)，每个能量项具有不同的能量函数，顶点的势能可由公式(6)计算获得。通过能量函数的最小化来搜索电力线候选线性段，迭代地将具有最高能量的线性段进行标签的切换，直到能量收敛。设能量函数形式如公式(7)所示。

式中U是顶点的势能。α₁,α₂,α₃,α₄为权值系数，经过反复试验调整取值为0.1，0.3，0.3，0.3。

式中Q函数计算的是顶点的似然分布，V函数计算的是邻域范围内顶点的空间相关性，累计计算连接顶点的势能，如果相邻顶点的标记不同，则V赋予惩罚系数，C表示顶点集合，f是所求的优化标记。

如上所述的步骤5中，基于上下文关系的杆塔精确定位流程的具体步骤为：

步骤5.1，将步骤4提取的线性段转换为二值图像；

步骤5.2，通过计算最大方向变化和方向平行度对杆塔进行检测。其中最大方向变化和方向平行度的定义如下：

最大方向变化(MOV):是一个像素中所有线对方向的最大变化。对于塔架来说大约是90度，而电力线是0度。

方向平行度(OP):是当前像素中的线的方向与相邻像素中线的方向之间的平均差。

如上所述的步骤6中，电力线点云提取过程的具体步骤为：

步骤6.1，设定电力线点云和电力线段的距离阈值；

步骤6.2，依次搜索电力线性段，将满足距离条件的所有点云均标记为电力线点。

Claims (4)

1.一种线性体素分割的激光雷达点云数据电力线检测方法，其特征在于，包括：

地物点云提取步骤，从飞行平台采集获取的三维点云数据中分离出地面点云，从而获得地物点云数据；

线性体素分割步骤，基于线性体素分割构建线性段图模型；

候选线段提取步骤，采用马尔可夫随机场模型提取电力线候选线性段；

电力线点云检测步骤，基于杆塔和电力线的上下文关系定位电力线性段，并通过电力线点云和电力线段的距离阈值提取电力线点云；

其中，线性体素分割步骤具体包括：

步骤3.1，利用八叉树结构对地物点云数据进行体素化处理，其具体操作包括：1)统计点云数据在X,Y,Z轴上的最大最小值，获取点集的三维包围盒；2)将整个三维包围盒视为初始三维格网节点，将其划分成规则的三维网格，并将每个立方体内的点定义为体素；当格网节点中包含超过三个点则定义为满，否则定义为空；删除为空的八叉树节点，并细分非空节点，直至达到终止标准：

R≤R_voxel||p_num≤min_p (1)

其中，R为体素体积，使用立方体的边长表示，R_voxel为设置的体素分辨率；p_num表示体素大小，即体素内的点个数，min_p表示最小体素大小，和点云密度相关；

步骤3.2，采用主成分分析对每个体素的线性可能性进行评估；首先对每个体素内的点云构建协方差矩阵，通过PCA进行特征值λ1，λ2，λ3的计算；由于线性结构点在空间上呈线状特征，通过PCA获得的特征值具有λ1>>λ2>λ3，表面上的点在空间上具有面状特征，其特征值λ1，λ2差距小，而散射点在空间上分布离散，导致λ1，λ2，λ3值相近，则通过利用

来对体素内的线性结构点云进行识别；线性结构的体素的判定通过计算每个体素内线性结构点所占比例来确定，若体素内的点云都为线性结构点，则该体素为线性体素，若体素内存在非线性结构点，则将其与临近体素进行比较，若临近体素为线性体素，且与其具有相似方向，则对其赋予线性体素标签；

步骤3.3，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，并结合线性段(即顶点V)和它们之间的连接(即边E)生成图模型G＝(V,E)；

其中，候选线段提取步骤具体包括：

步骤4.1，计算线性段的距地高度ΔH和最大值H_max，电力线是架空的，而杆塔的底部和地面接触；

式中H代表线性段所在高程，H_G是地面高度；

步骤4.2，计算线斜率κ，电力线是水平的，而杆塔除了水平横臂，其余部分是垂直的；

式中N表示线性体素中点云的数量，κ_xi、κ_yi分别表示线性体素中第i个点云在XZ、YZ投影中的拟合曲线斜率；

步骤4.3，计算内外圆柱点比率μ，以线段为圆轴创建内外圆柱，内半径取0.15m，外半径取1m，计算内外圆柱内点云数量的比率；电力线内圆柱和外圆柱之间几乎没有点云；

式中m表示内圆柱中点云的数量，M表示外圆柱中点云的数量；

步骤4.4，计算线平行度σ，单条电力线与其他电力线平行，但是杆塔表现为随机分布；假设线性段p的方向向量为ξ_p，搜索窗口大小设为20m，窗口内含有的线性段数量为N，和线性段p具有一致方向的线性段数量为m,设线性段q的方向向量为ξ_q，如果1-|ξ_q·ξ_p|＜0.1，则认为线性段q和p具有一致方向，则线性段p的线平行度σ_p表示为

步骤4.5，针对步骤3.3构建的线性段图模型，采用马尔可夫随机场来描述其唯一性特征和上下文属性，并利用三个数据项距地高度、线斜率、内外圆柱点比率和一个上下文项线平行度来构建能量函数；在由顶点V(线性段)和边E(线性段的连接边)组成的图模型G＝(V,E)中，只有局部连接的边保留在图中，即如果连接边的一对顶点之间的距离大于指定阈值T_d＝3m，则丢弃该边；根据当前顶点或相邻顶点的状态，即，电力线或非电力线，每个能量项具有不同的能量函数，顶点的势能由公式(6)计算获得；通过能量函数的全局最小化来搜索电力线候选线性段，迭代地将具有最高能量的线性段进行标签的切换，直到全局能量收敛；设能量函数形式如公式(7)所示；

式中U是顶点的势能；α₁,α₂,α₃,α₄为权值系数，取值为0.1，0.3，0.3，0.3；

式中Q函数计算的是顶点的似然分布，V函数计算的是邻域范围内顶点的空间相关性，如果相邻顶点的标记不同，则V赋予惩罚系数，f是所求的优化标记。

2.根据权利要求1所述的一种线性体素分割的激光雷达点云数据电力线检测方法，其特征在于，所述地物点云提取步骤中，所述地物点云的获取包括：

三角网构建子步骤，对点云数据构建格网索引，针对格网中的每个分块，取其最低点为初始地面种子点；基于初始地面点构建初始三角网TIN；

点云迭代遍历子步骤，迭代遍历剩余点云，将相对地面高度和地形角满足预设条件的余下点云加入到三角网中，并更新三角网TIN模型。

3.根据权利要求1所述的一种线性体素分割的激光雷达点云数据电力线检测方法，其特征在于，所述电力线点云检测步骤包括：

电力线模型构建子步骤，基于线性段的上下文关系定位杆塔的位置；构建杆塔的连接边集，即电力线模型；

电力线提取子步骤，对地物点云数据进行分类处理，通过设定点云与电力线性段的距离阈值提取电力线点云。

4.根据权利要求1所述的一种线性体素分割的激光雷达点云数据电力线检测方法，其特征在于，所述电力线点云检测步骤中，基于上下文关系的杆塔精确定位流程的具体步骤为：

步骤5.1，将步骤4提取的线性段转换为二值图像；

步骤5.2，通过计算最大方向变化和方向平行度对杆塔进行检测；其中最大方向变化和方向平行度的定义如下：

最大方向变化(MOV):是一个像素中所有线对方向的最大变化；对于塔架来说大约是90度，而电力线是0度；

方向平行度(OP):是当前像素中的线的方向与相邻像素中线的方向之间的平均差；

电力线点云提取过程的具体步骤为：

步骤6.1，设定电力线点云和电力线段的距离阈值；

步骤6.2，依次搜索电力线性段，将满足距离条件的所有点云均标记为电力线点。

Images