一种基于机载激光点云的电力线提取方法

2018-06-30 04:25吕来东臧玉府黄应华

企业科技与发展 2018年12期

吕来东臧玉府黄应华

【摘要】目前，电力走廊系统的传统检修方法因人眼识别率和空间定位精度等因素制约而导致信息准确度不高。近年来，随着机载激光雷达（LiDAR）技术发展和成本降低，其可获得地面场景的三维空间信息功能运用于电力走廊系统的检查变得更稳定有效。文章提出一种电力线点云数据处理方法：首先通过设置一定的高程阀值对无效数据进行大规模排除;其次通过张量投票算法对数据编码、投票、分解，保留板张量信息，筛选电力线点云;最后基于Snake模型实现电力线点的快速提取。

【关键词】机载LiDAR数据;张量投票;板张量;Snake模型

【中图分类号】P235 【文献标识码】A 【文章编号】1674-0688（2018）12-0069-02

0 引言

为保障电力线路运营安全，必须定期对电力线进行巡检。机载激光测量因其能够精准、高效地获取电力线路上的数字模型而被广泛应用于线路安全检测。对此国内外均有一定研究，目前主要有3种方法：利用Hough变换提取电力线方法;利用主成分分析进行电力线提取方法;利用人机交互方式进行电力线提取。现有方法大多存在使用局限性，在实践运用中存在很大误差，同时缺乏对拟合坐标系的考虑，拟合模型连续性较差。

本文提出一种基于机载激光点云的电力线提取方法，将电力线提取分为电力线点云的初过滤、通过张量投票确定电力线点云、基于Snake模型的电力线提取3个过程。

1 机载激光点云的电力线提取

本文采用张量投票识别线特征点云，用于提取电力线。張量投票中的棒张量、板张量与球张量3个分量，分别对应平面点、线点、特征点。本文通过确定出线点并结合snake模型提取电力线。

1.1 张量投票的分量求解

投票中，需旋转、对齐标准张量场以完成投票计算，在此基础上投票棒张量、板张量和球张量。如图1所示，当坐标原点o的张量矩阵T的特征值λ1=1，λ2=λ3=0时，则只有棒张量构成，即只有唯一的法向e1与x轴对齐。在e1和op构成的平面内，连接o、p两点的最可能路径为与o-yz平面相切的圆弧，θ为op与o-yz的夹角，φ为op在平面o-yz投影与y轴的夹角，由此可计算p点的法向Vp。则接受点p接收的棒投票张量如下：

S=ψ（s，k，σ）vpvpT（1）

其中，vp为点p的单位法向量，ψ（s，k，σ）为投票的衰减函数：

其中，s为两点间的弧长，k表示弧线的曲率，σ表示控制衰减变化的因子，决定着投票域大小，c为权衡距离与曲率的控制参数。

其中，Rθ是变换矩阵，θ表示o-yz面与op连线的夹角。

同理，可实现球张量投票。投票结束后，各散点均得到包含特征信息的张量矩阵。通过特征分解可得到各分量，根据每个分量的显著性分类各点。

（1）当特征值λ1-λ2>λ2-λ3且λ1-λ2>λ3时，棒张量显著性最大，表明该点为面元素。

（2）当λ2-λ3>λ1-λ2且λ2-λ3>λ3时，表明该点为线上的点。

（3）当λ3>λ1-λ2且λ3>λ2-λ3时，其球张量显著性大，表明该点为角点。

1.2 张量投票电力线点云提取

设置合理的高阈值，剔除大部分地面及低矮植物点云，得到粗略的电力线点云数据集;将点云数据进行张量编码成一系列3×3单位矩阵;将显著尺度参数设置为θ≤π/4;在投票域范围内进行第一次张量投票并统计结果;对第一次张量投票结果进行二次投票，将每个输入点的张量信息进行精确估计;根据投票结果，保留符合λ2-λ3>λ1-λ2且λ2-λ3>λ3的点云。

根据线路走廊点云数据将整段电力线分割成多个单档距线路点云子集;根据统计分析法在高程方向对线路进行分层;根据空间中每根输电线路的线路差距来分离出单根输电线。

1.3 基于snake模型的电力线提取

Snake模型[4]以构成一定形状的控制点（轮廓线），通过模板自身的弹性形变，与图像局部特征相匹配达到调和，即某种能量函数极小化，完成对图像的辨别，再通过对模板进一步分析而实现对图像的理解和识别。

Snake模型由一组控制点组成，在坐标系中这些点以首尾直线相连构成轮廓线，曲线长度s是以傅里叶变换形式描述边界的自变量，在Snake控制点上定义能量函数

α、β分别控制Snake模型的弹性和刚性，将能量函数极小化，再结合欧拉方程，内部曲线能量写为：

Eint=[α（s）|vs（s）|2+β（s）|vss（s）|2]/2（5）

Snake模型要求初始轮廓尽可能靠近真实轮廓，本文依据张量投票处理后的点云数据确定初始轮廓，进而更精准地提取有效电力线数据，做到对电力线进行分股。

2 实验与分析

本文以南京某区域机载点云为实验数据，通过上述方法进行数据处理，图2为原始机载点云，图3为采用本文方法提取的电力线点云结果。

经上述初过滤、电力线提取、电力线分股等步骤，对本文方法提取的电力线数量进行统计。由表1可知，电力线全部正确提取，电力线点提取率较高。

3 结语

本文提出的方法优点采用张量模型结合Snake区域增长模型提取电力线，上述结果表明各电力线提取的正确率较高，且近邻的多根电力线能得到有效分离，证明了本文方法的有效性和可行性。本文方法在处理电力线提取方面具有较大优势，但电力线与电塔点不易分离，还有待完善。