基于機載LiDAR點云的電力線自動提取

， ,2， ，，

(1.國網湖北省電力有限公司檢修公司,武漢 448000; 2.武漢大學 電氣工程學院,武漢 430079)

0 引言

電力工業關系到國計民生，是國家的重要基礎性產業。我國的電力系統由發電廠，全國輸電網，配電網和電力用戶組成。與配電網相比，高壓輸電線路，即全國的輸電網絡，可以很容易地利用遙感手段進行測量提取。因為高壓電力線位于地面較高的地方，靠近線路的植被通常被人為砍伐掉，對于電力線的提取造成了一定的困難。機載激光掃描(light detection and ranging, LiDAR)技術的出現與快速發展，為電力線測量和巡線提供了新方法，彌補了傳統的航空攝影測量在林區環境下，難以識別電力線的缺點。機載激光掃描技術可以對具有有較小直徑的物體(如電力線電纜)可以進行密集、快速和準確的測量[1]。自1995年以來，利用LiDAR技術已經繪制了數千公里的電力線路[2]。然而，當前的生產中仍然需要大量的人工操作，亟待全自動化的解決方案。

目前，針對LiDAR數據進行電力線提取的研究尚存在不足，生產中仍然需要大量的人工操作，亟待全自動化的解決方案。近年來，國內外大量學者對此進行了研究。例如，Axelsson(1999)[3]研究了基于霍夫變換方法尋找并行和線性二維結構，并利用二維線方程進行線性提取的方法。 Melzer和Briese(2004)[1]提出了一種通過二維霍夫變換和三維懸鏈曲線擬合從LiDAR數據中進行電力線提取和建模的方法。McLaughlin(2006)[4]在電力線檢測上根據維度特征的不同，提出了一種監督方法對電力線進行自動分類。Kim和Sohn(2011)[5]使用RANSAC，特征提取和隨機森林中的最小描述長度和主成分分析作為LiDAR數據的分類技術。Sohn等人(2012)[6]提出使用馬爾可夫隨機場(MRF)分類器來描繪線性和平面特征的空間上下文，用于電力線和建筑分類的圖形模型中。余潔(2011)[7]采用濾波的方法自動濾除地面點，并利用二維霍夫變換分離出各條電力線。陳馳(2015)[8]則充分利用點云維數特征以及方向特征分割出電力線激光點云，然后采用二維霍夫變換和最小二乘擬合的方法提取單電力線點云。

基于以上綜述，現有電力線檢測方法可以歸納為兩種：基于線性的檢測方法(如RANSAC和2D霍夫變換[1,3,7,8]和監督分類方法[4-6]。基于線性的檢測方法產生相對較高的計算成本，特別是對于大面積的數據集，必須計算每個點來確定它是否屬于一條線。而對于監督分類方法，需要大量的訓練數據集才能達到預期的結果，不均勻采樣也將導致錯誤分類率的提高。同時由于林區環境中探測電力線的困難性，該方面的研究較少。針對上述問題，本文提出了一種解決森林中電力線分類問題的方法，該方法基于兩種不同的技術：基于統計分析的數據預處理和基于圖像處理技術的數據分類。統計分析使用一些統計標準(即高度標準，密度標準和直方圖分析)來選擇電力線候選點，然后剔除大量不相關的點。在獲得電力線候選點之后，將這些點轉換為二值化圖像，并使用圖像處理技術去除噪聲和提取特征。最后再將二值化電力線圖像轉換到三維點云，從而提取出電力線點。

1 電力線提取算法

本文的算法主要有兩步：①統計分析；②基于圖像的處理。統計分析的目的是在密集點云中標識出電力線候選點。定義了電力線候選點選取準則(如高程、密度、直方圖閾值)。候選點選取后，電力線兩側的截斷邊緣就清晰可見了。基于圖像的處理，涉及到的是二值圖像識別處理技術。在點云密度較低時，針對電力線候選點二值化處理的后的圖像像素之間不具備連續性性，利用形態學變換進行圖優化，并采用效率較高的漸進概率霍夫變換進行線性分割。圖1詳細闡述了本文方法的算法流程。

圖1 電力線提取流程圖

在本文中，數據處理在三個不同層次上進行：(1)整個數據集;(2)格網;(3)網格中的倉。整個數據集可以網格化為m×n個網格，每個網格可以通過使用直方圖方法根據其高度在垂直平面上創建等間隔的倉。

1.1 統計分析

統計分析旨在原始機載激光雷達點云數據中標識出電力線候選點。在表1列出了有關電力線路距離地面最小距離標準，可以看出，地面以上電力線的最小高度根據電壓而變化。但是，最小高度不能小于5米。考慮到電力線的可能曲率和年限(可能不完全垂直于地面)，本文設置了高于地面的高度閾值(Ht=4 m)，將數據分成兩個數據集。通過在xy平面中對數據進行網格化，并從每個網格中提取高于地面4 m的點分到點集U中。剩下的數據分在點集I中，并從點集U中選擇電力線候選點，如圖(2)所示，選擇標準如下：

1)高程準則：在網格中，如果高度差小于0.5 m，則網格中的所有點都作為候選點， 該高差閾值根據電力線的可能曲率設定。

2)密度分布：在每平方米的網格中，當點的數量小于2倍點密度的平方根時，將網格中所有點選為電力線候選點。

3)直方圖分析：如果網格中的高差大于0.5 m，則表示該網格中存在樹木點或多個對象，使用直方圖來進行高度分析。例如，在高度差為10 m的網格中，可以將每個倉設置為1 m(直方圖中的間隔大小)。然后，對于每個網格，如果只有一個倉包含點，則該網格中的所有點作為候選點。或者，對于每個倉，如果高度差小于0.5 m并且點數不少于點密度的平方根，則選擇該倉中的所有點作為候選點。

圖2 數據統計分析示意圖

表1 電力線路與地面最小距離標準

1.2 基于圖像的處理

選取電力線候選點之后，由于在這些候選點存在一些植被點。因此，需要將選取后的電力線候選點所在網格轉成二值化圖像，在圖像中，植被點呈現出不規則的分布，而電力線則是線性分布。在現有的研究中，在圖像中進行線性特征提取常采用經典的霍夫變換[9-10]。

在X-Y平面上，直線通常被定義如公式(1)所示：

y=mx+b

(1)

其中:參數是斜率，為直線在Y軸上的截距。因此，直線也可以被表示如公式(2)：

b=-mx+y

(2)

對應參數空間m-b中點(m，b)。由于在二維空間中，直線具有兩個自由度，可以用兩個參數模型或一個具有兩個以上參數和附加約束的模型來表示，因此在標準霍夫變換中，直線采用極坐標形式進行表示，如公式(3)所示：

ρ=xcosθ+ysinθ

(3)

其中，ρ是直線與(0,0)之間的距離，是向量與X軸的夾角，如圖3所示。

圖3 不同空間下直線表示

標準霍夫變換進行線性檢測時需要在整個點集中進行，計算量較大，實時性較差。漸進概率霍夫變換(PPHT)作為標準霍夫變換的一個改進[12]，在一定范圍內進行霍夫變換，計算單個線段的方向及范圍，從而減少計算量。

PPHT的線性檢測流程如下：

1)隨機獲取圖像上的前景點，映射到極坐標系中繪制曲線；

2)當極坐標系中交點達到最小投票數，將該點對應的X-Y坐標系中的直線L找出；

3)搜索圖像上的前景點，將直線L上點連成線段并在刪除該點，同時記錄下該線段參數(起始點和終止點)，這里的線段需要滿足最小線段長度閾值。

本文PPHT算法利用開源計算機視覺庫(OpenCV)進行實現[13]，表2中是OpenCV中對概率霍夫變換函數的參數說明。

本文實驗中，image 為進過形態學變換之后的二值化圖像，Method選擇CV_HOUGH_PROBABILISTIC，Rho設置為1，Theta設置為0.2，Threshold設置為50，Param1和Param2分別設置為20和110。

利用漸進概率霍夫變換進行線性檢測之后，將分割出的電力線圖像通過與三維候選點轉換到二值圖像時相同的設置(如柵格尺寸和XY坐標最大最小值)轉換回三維點，并利用區域增長算法對三維電力線點云進行精細化提取。

表2 漸進概率霍夫變換函數參數說明

2 實驗與結果分析

本文以Visual Studio 2013為研發平臺，集成使用OpenCV圖像處理庫，實現本文所提出的機載激光點云數據的電力線檢測算法。實驗數據采用國網湖北省電力公司提供的湖北省境內采集的4塊林區環境下輸電線路機載LiDAR數據，實驗數據詳細說明如表3所示，原始點云如圖4所示。

表3 實驗數據詳細說明

圖4 區域1原始點云數據

圖5的(a)到(f)詳細說明了從原始機載激光雷達數據提取電力線的整個處理流程。圖5(a)為采用高度閾值，從原始點云中分離出電力線候選數據集的數據，圖5(b)是在圖5(a)的基礎上，利用設定的選取標準進行點云統計分析后得到的電力線候選點，可以觀察到電力線的可見性得到顯著提高。此外，由于點數顯著減少，后續的處理效率會明顯得到提高。圖5(c)是從圖5(b)轉換得到的二值化圖像。此時圖中的電力線區域由于點密度較低，生成的像素點之間難以具備連續性，因此進行形態學優化，得到如圖5(d)。采用漸進概率霍夫變換，對圖5(d)進行線性分割得到如圖5(e)所示二維電力線圖像。通過設置從圖5(b)到圖5(c)相同的參數，將二維電力線圖像轉換為三維電力線點云。此時，我們得到了電力線種子點云，利用區域增長進一步提取電力線三維點云得到如圖5(f)所示的電力線三維點云。

圖5 區域1電力線提取流程示意圖

圖6中顯示了，針對不同林區環境和電力線走向所采集到的其他3塊試驗區域的電力線提取結果，其中(2-a)(3-a)(4-a)分別表示進行高度閾值去除后的點云圖，(2-b)(3-b)(4-b)表示電力線提取結果圖。

圖6 其他區域電力線提取結果圖

為了對電力線檢測結果進行分析，本文采用的參考數據使用LiDAR_Suite軟件進行手工交互處理方式得到。通過分類點數(Cp)、真實點數(Tp)、錯分點數(Ep)和漏分點數(Op)對實驗數據分類結果進行評估，如表4所示。

表4 實驗數據結果評估表

表5直觀地表示出本文算法的分類結果，采用百分比來描述錯分率(Er)，漏分率(Or)以及正確率(Cr)，其計算公式如(4)所示：

Er=Ep/Cp

Or=Op/Tp

Cr=Tp/Cp

(4)

表5 實驗數據結果評估表(百分比)

上表的評估結果顯示不同實驗區域的正確率在93.65%到95.11%之間，達到了94.14%的平均正確率，其分類精度與點云密度和林區植被的密集程度等因素相關。從圖7中可以發現，錯分來源主要是一些接觸或非常靠近電力線的物體，如電力線桿塔。在這種情況下，部分噪聲點不能完整地去除。漏分誤差主要源于候選點選擇過程中。當使用密度準則和直方圖分析時，一些閾值會影響候選點選擇過程。

圖7 電力線錯分及漏分示意圖

3 結語

本文結合點云統計分析與基于圖像的處理技術，提出了一種針對植被環境中電力線的自動化、高效率的電力線檢測方法。實驗結果表明，該方法能夠完整地提取出電力線對象，分類精度較高，分類結果不受電力線走向的影響，對于非林區和城市開闊區域同樣具有較高的適用性，對于電力線巡檢具有一定的利用價值。隨著我國電力線路的不斷完善和其他遙感技術的創新和廣泛應用，如何基于多源遙感數據進行電力線、桿塔等地物的高精度高效率的提取將是本文的后續研究重心。