一種基于機載激光點云的電力線提取方法

2018-06-30 04:25:33呂來東臧玉府黃應華

企業科技與發展 2018年12期

呂來東臧玉府黃應華

【摘要】目前，電力走廊系統的傳統檢修方法因人眼識別率和空間定位精度等因素制約而導致信息準確度不高。近年來，隨著機載激光雷達（LiDAR）技術發展和成本降低，其可獲得地面場景的三維空間信息功能運用于電力走廊系統的檢查變得更穩定有效。文章提出一種電力線點云數據處理方法：首先通過設置一定的高程閥值對無效數據進行大規模排除;其次通過張量投票算法對數據編碼、投票、分解，保留板張量信息，篩選電力線點云;最后基于Snake模型實現電力線點的快速提取。

【關鍵詞】機載LiDAR數據;張量投票;板張量;Snake模型

【中圖分類號】P235 【文獻標識碼】A 【文章編號】1674-0688（2018）12-0069-02

0 引言

為保障電力線路運營安全，必須定期對電力線進行巡檢。機載激光測量因其能夠精準、高效地獲取電力線路上的數字模型而被廣泛應用于線路安全檢測。對此國內外均有一定研究，目前主要有3種方法：利用Hough變換提取電力線方法;利用主成分分析進行電力線提取方法;利用人機交互方式進行電力線提取。現有方法大多存在使用局限性，在實踐運用中存在很大誤差，同時缺乏對擬合坐標系的考慮，擬合模型連續性較差。

本文提出一種基于機載激光點云的電力線提取方法，將電力線提取分為電力線點云的初過濾、通過張量投票確定電力線點云、基于Snake模型的電力線提取3個過程。

1 機載激光點云的電力線提取

本文采用張量投票識別線特征點云，用于提取電力線。張量投票中的棒張量、板張量與球張量3個分量，分別對應平面點、線點、特征點。本文通過確定出線點并結合snake模型提取電力線。

1.1 張量投票的分量求解

投票中，需旋轉、對齊標準張量場以完成投票計算，在此基礎上投票棒張量、板張量和球張量。如圖1所示，當坐標原點o的張量矩陣T的特征值λ1=1，λ2=λ3=0時，則只有棒張量構成，即只有唯一的法向e1與x軸對齊。在e1和op構成的平面內，連接o、p兩點的最可能路徑為與o-yz平面相切的圓弧，θ為op與o-yz的夾角，φ為op在平面o-yz投影與y軸的夾角，由此可計算p點的法向Vp。則接受點p接收的棒投票張量如下：

S=ψ（s，k，σ）vpvpT（1）

其中，vp為點p的單位法向量，ψ（s，k，σ）為投票的衰減函數：

其中，s為兩點間的弧長，k表示弧線的曲率，σ表示控制衰減變化的因子，決定著投票域大小，c為權衡距離與曲率的控制參數。

其中，Rθ是變換矩陣，θ表示o-yz面與op連線的夾角。

同理，可實現球張量投票。投票結束后，各散點均得到包含特征信息的張量矩陣。通過特征分解可得到各分量，根據每個分量的顯著性分類各點。

（1）當特征值λ1-λ2>λ2-λ3且λ1-λ2>λ3時，棒張量顯著性最大，表明該點為面元素。

（2）當λ2-λ3>λ1-λ2且λ2-λ3>λ3時，表明該點為線上的點。

（3）當λ3>λ1-λ2且λ3>λ2-λ3時，其球張量顯著性大，表明該點為角點。

1.2 張量投票電力線點云提取

設置合理的高閾值，剔除大部分地面及低矮植物點云，得到粗略的電力線點云數據集;將點云數據進行張量編碼成一系列3×3單位矩陣;將顯著尺度參數設置為θ≤π/4;在投票域范圍內進行第一次張量投票并統計結果;對第一次張量投票結果進行二次投票，將每個輸入點的張量信息進行精確估計;根據投票結果，保留符合λ2-λ3>λ1-λ2且λ2-λ3>λ3的點云。

根據線路走廊點云數據將整段電力線分割成多個單檔距線路點云子集;根據統計分析法在高程方向對線路進行分層;根據空間中每根輸電線路的線路差距來分離出單根輸電線。

1.3 基于snake模型的電力線提取

Snake模型[4]以構成一定形狀的控制點（輪廓線），通過模板自身的彈性形變，與圖像局部特征相匹配達到調和，即某種能量函數極小化，完成對圖像的辨別，再通過對模板進一步分析而實現對圖像的理解和識別。

Snake模型由一組控制點組成，在坐標系中這些點以首尾直線相連構成輪廓線，曲線長度s是以傅里葉變換形式描述邊界的自變量，在Snake控制點上定義能量函數

α、β分別控制Snake模型的彈性和剛性，將能量函數極小化，再結合歐拉方程，內部曲線能量寫為：

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

Snake模型要求初始輪廓盡可能靠近真實輪廓，本文依據張量投票處理后的點云數據確定初始輪廓，進而更精準地提取有效電力線數據，做到對電力線進行分股。

2 實驗與分析

本文以南京某區域機載點云為實驗數據，通過上述方法進行數據處理，圖2為原始機載點云，圖3為采用本文方法提取的電力線點云結果。

經上述初過濾、電力線提取、電力線分股等步驟，對本文方法提取的電力線數量進行統計。由表1可知，電力線全部正確提取，電力線點提取率較高。

3 結語

本文提出的方法優點采用張量模型結合Snake區域增長模型提取電力線，上述結果表明各電力線提取的正確率較高，且近鄰的多根電力線能得到有效分離，證明了本文方法的有效性和可行性。本文方法在處理電力線提取方面具有較大優勢，但電力線與電塔點不易分離，還有待完善。