CN107610223B - 基于LiDAR点云的电力塔三维重建方法 - Google Patents

Abstract

本发明属于激光雷达点云数据信息提取技术领域，涉及一种基于LiDAR点云的电力塔三维重建方法。包括以下步骤：S1.电力塔的分解，通过对密度和宽度进行统计分析，将电力塔分解为塔身和塔头两部分；S2.基于数据驱动重建塔身，对角点进行提取与分割，对塔身的四条主轮廓线基于RANSAC算法进行三维直线拟合；S3.基于模型驱动重建塔头，预定义一个包含塔头基本类型的模型库，然后采用形状上下文算法识别塔头基本类型，再将Metropolis‑Hastings算法与模拟退火相结合估算塔头模型的最优参数；S4.根据S2、S3步骤所得结果中的位置和方向进行组合，得到完整的三维电力塔模型。本发明可有效的、准确的重建电力塔，满足输电线路三维可视化、数字化的需求。

Description

基于LiDAR点云的电力塔三维重建方法

技术领域

本发明属于激光雷达点云数据信息提取技术领域，更为具体的，涉及一种基于LiDAR点云的电力塔三维重建方法。

背景技术

电力塔作为高压输电线路重要的基础设施，其重建在输电线路三维可视化方面吸引了越来越多的关注。在过去几年中，电力塔建模最常用的方法主要是用CAD或3dmax进行人工手动建模，这种方法耗费大量的人力、物力且重建精度较低。电网管理部门急需一种自动化、高效率、高精度的电力塔重建方法来满足现代输电线路可视化、数字化的需求。随着机载LiDAR技术的飞速发展，高密度、精准的3D点云对该需求提供了一个有效的解决方案。

目前，有许多的学者在基于LiDAR点云三维目标的重建方面做了大量的研究，且在自然地物和人工地物重建上均取得了较大的进步。然而，由于电力塔结构的复杂性和种类的多样性，对电力塔重建的研究还十分稀少。李清泉等提出了一种基于模型驱动的电力塔重建方法，该方法首先将电力塔分解为塔头、塔身和塔脚三部分，然后对塔身部分用四个主平面进行重建，对塔头部分采用SVM分类器进行分类。该方法仅根据密度特征对电力塔进行分解，缺乏适用性，其他常见类型电力塔(如猫头塔、酒杯塔、六角塔)进行分解时往往会出现错误结果；此外，由于该方法引入了人工手动建立塔头模型，使得自动化程度降低，缺乏实用性。郭波等提出了一种基于随机几何的电力塔重建方法，该方法将RJMCMC采样器与模拟退火相结合，自动的解决电力塔类型和模型参数问题，但该方法效率不高，需要耗费大量的迭代次数判断电力塔类型，且在电力塔模型参数估算过程中，没有考虑参数间的几何关系，导致大量的冗余参数需要被估算。

目前，建筑物重建的方法主要分为以下两种策略：基于数据驱动的策略和基于模型驱动的策略。基于数据驱动的策略采用从上至下的重建方法。大部分建筑物重建处理过程一般包括两个关键步骤：建筑物屋顶边缘的提取和拓扑关系的重建。杂的屋顶结构或高密度的点云数据，通常采用基于面片分割的方法提取边缘，如基于边缘或区域增长、三维RANSAC算法、分类或特征聚类等。基于数据驱动的重建结果不受模型库完整性的影响，理论上可以重建任何形状。当数据比较完整时，数据驱动的方法对简单的目标提供精准的描述；然而，当数据缺失或包含较多噪声时，该方法会产生重建误差甚至失败。

基于模型驱动的策略采用从下至上的重建方法，该方法是基于预先定义的模型库的。该方法主要包含两个关键步骤：与模型库中的模型进行最优匹配和对应模型参数的最优化求解。在许多基于模型驱动的重建方法中，最基本的假设是建筑物是许多墙面的集合。许多方法如RJMCMC被引入来决模型参数问题，并且显示出了较大的发展潜力。基于模型驱动的方法对数据的质量具有鲁棒性且适用于大场景，由于拓扑关系预先在模型中定义，因此，该方法在点云密度较小时可发挥其优越性并保证正确的拓扑关系。然而，该方法的重建结果受到模型库的影响，当待求模型参数较多时，该方法效率较低。

由于目标结构的复杂性和形状的多样性，仅凭单一的某种方法很难满足现代重建的要求。因此，结合数据驱动与模型驱动的混合驱动策略在近几年中被提出。该方法在目标重建阶段将建造规则(如平行性、共面性、对称性)等引入来优化模型。与单一的策略不同，混合驱动的策略将两种方法的优势相融合，既保留了数据驱动的灵活性，也具有模型驱动的鲁棒性。

发明内容

本发明的目的在于克服现有技术的缺陷，提供一种基于LiDAR点云的电力塔三维重建方法，可有效的、准确的重建电力塔，满足输电线路三维可视化、数字化的需求。

为解决上述问题，本发明提供的技术方案是：一种基于LiDAR点云的电力塔三维重建方法，其中，包括以下步骤：

S1.电力塔的分解，获取电力塔的LiDAR点云数据，通过对电力塔点云的密度和宽度进行统计分析，将电力塔分解为塔身和塔头两部分；

S2.基于数据驱动重建塔身，对角点进行提取与分割，对塔身的四条主轮廓线基于RANSAC算法进行三维直线拟合；

S3.基于模型驱动重建塔头，预定义一个包含塔头基本类型的模型库，然后采用形状上下文算法识别塔头基本类型，再将Metropolis-Hastings算法与模拟退火相结合估算塔头模型的最优参数；

S4.根据S2、S3步骤所得结果中的位置和方向进行组合，得到完整的三维电力塔模型。

在本发明中，考虑到电力塔的结构特征，首先通过对密度和宽度进行统计分析，将电力塔分解为塔身和塔头两部分；然后对塔身基于数据驱动进行三维重建，对塔身的四条主轮廓线基于RANSAC算法进行三维直线拟合；在对塔头基于模型驱动进行三维重建，首先需要预定义一个参数化的塔头模型库，然后采用shape context算法基于模型库识别塔头点云的塔头类型，采用Metropolis-Hastings采样器与模拟退火相结合的方法估算相应塔头模型的参数，最后根据两部分的位置和方向进行组合，得到完整的三维电力塔模型。

电力塔是具有一定建造规则的人造地物，其塔身结构简单、类型单一，塔头种类较多且结构复杂。考虑到电力塔的结构特征，电力塔可以分解为两部分：塔身和塔头；尽管电力塔的类型有多种，但特征面都包括两个明显的特征：(1)局部密度最大，(2)局部宽度最小。其中，密度定义为塔架截面的点云个数，宽度定义为每一截面到截面中心的最大距离；因此，本发明对电力塔采用统计分析的方法来定位特征面。为了获取密度和宽度的统计直方图，电力塔被分成若干层，通过统计每一层的密度和宽度，选取同时具有密度局部最大和宽度最小的层作为特征面的位置。

进一步地，所述的S1步骤中对电力塔点云的密度和宽度进行统计分析包括以下步骤：

S101.将电力塔点云根据等间隔Δh分成若干层；

S102.计算每一层的密度和宽度，并分别以密度和宽度为X轴、以层数为Y轴建立密度直方图和宽度直方图；

S103.定义一个以当前层数为中心，大小为2L*1大小的移动窗口分别在密度和宽度直方图中寻找密度极大值和宽度极小值，并对极大值和极小值所在层进行标记；

S104.电力塔从下至上选择第一个同时满足该层密度局部最大且上下两层范围内存在宽度局部最小的层数作为特征面的位置，以特征面为界线进行分解，特征面以上的部分分解为塔头，特征面以下的部分分解为塔身。

基于特征点提取和分割的方法是数据驱动策略中常用的一种方法。为了提高分割的正确率，本发明只要求对角点进行提取；为了正确的提取塔身的角点，塔身首先根据高程被等间距的分为若干层。每一层可看作具有同一中心的矩形。对每一层，采用凸包算法提取其轮廓点，并不是所有的轮廓点都位于矩形的四个角，因此，需要对提取后的轮廓点基于管道算法进行简化。

进一步地，所述的S2步骤中对角点进行提取与分割包括以下步骤：

S2011.计算当前点与相邻两点的角度，若角度大于预定阈值df；则保留当前点，否则，剔除；

S2012.通过管道算法进行简化，删除大部分非角点；

S2013.对每一层已简化的角点，根据其在最小外接矩形中心的位置进行分割，将角点分为四个方向的子集。

经过上述步骤处理后，得到四个塔身角点的子集。由于每个子集中并不是所有简化的角点都在四个角，因此，本发明采用基于RANSAC的三维直线拟合算法对每一角点子集进行拟合。

进一步地，所述的S2步骤中基于RANSAC的轮廓线拟合包括以下步骤：

S2021.从S1步骤所得的子集中随机选取两点P₁(x₁,y₁,z₁)和P₂(x₂,y₂,z₂)，并计算其所在的三维直线方程L；

S2022.对于子集中的每一点，计算其到直线L的距离，如果当前点到直线的距离小于距离阈值Td，则为有效点，否则，将其定义为无效点；并统计有效点的比例inner_ratio，其中，inner_ratio是有效点占总点数的比例；

S2023.重复随机采样，直至满足P小于预设置信概率TP或采样次数M大于预设最大采样次数TN，选取拟合残差最小的一组参数作为该子集三维直线方程的参数；其中，P为采样子集的概率；

S2024.在四个子集均拟合后，加入对称性、共面性限制条件对模型进行优化。

优选地，所述的预定阈值df为30°。本发明中仅需要四个角的角点，因此设置df＝30°；当df设置的越大时，轮廓点越少，但Tf应小于90°。

进一步地，所述的三维直线方程L的计算方式为：

进一步地，所述的采样子集的概率P满足下列关系：

P＝1-(1-inner_ratio^m)^M，

其中，m是构建一个评判标准所需要的最少参数个数。

进一步地，所述的S3步骤中识别塔头基本类型包括以下步骤：

S3011.将待识别塔头点云和模型库中的所有塔头模型转化为二值影像；

S3012.提取所有影像的外轮廓，对轮廓边缘采样得到n个采样点点集P＝{p₁，p₂，p₃，.....p_n}；

S3013.根据形状上下文算法计算每个采样点的形状上下文h_i(k)，计算公式如式(1)，k＝{1,2,..K}，K＝M*N；

h_i(k)＝{q≠p_i:(q-p_i∈bin(k)}， (1)

S3014.计算待匹配影像的形状直方图和每个模型影像的形状直方图每对点之间的匹配代价，计算公式如式(2)，其中，h_i(k)为目标P的点p_i的形状直方图；h_j(k)为目标Q的点q_i的形状直方图，

S3015.基于计算得到的代价矩阵C进行点匹配操作，选取具有最小形状距离的模型影像为最佳匹配结果，该模型即为塔头点云对应模型。

进一步地，所述的S3步骤中参数最优化包括以下步骤：

S3021.Gibbs能量定义，Gibbs能量表达为式为(3)：

利用alpha shape算法来提取模型和点云的关键点，距离u_m(x_i)为每个模型关键点到最近塔头点云关键点的距离，距离u_p(x_i)为每个塔头点云关键点到最近模型关键点的距离，其中，

其中，

相似性程度u(x)由模型到点云的平均距离u_m(x_i)和点云到模型的平均距离u_p(x_i)组成，且u(x)＝au_m(x)+bu_p(x)，a+b＝1，a和b分别为两距离的权值；n为模型关键点个数，m为塔头点云关键点个数；

S3022.Metropolis-Hastings采样和模拟退火，首先，根据建议分布q(x^*|x)在搜索空间X中给出当前参数值x的一个候选参数值x^*，然后，根据计算公式(6)计算候选参数值的接受率A(x,x^*)；若接受率A(x,x^*)大于预设的接受阈值Ta，则将候选值x^*代替当前值x，否则，保留当前值x；

进一步地，所述的接受阈值Ta＝0.9+0.1*random(0,1)，random(0,1)为在0～1的范围内进行随机抽样结果。

Metropolis-Hastings(MH)采样作为最受欢迎的MCMC采样方法，它被广泛的应用于估算模型参数的近似值。MH采样的核心思想是通过统计学的采样，用一个简单的问题近似复杂的组合问题。MH采样中涉及到两个分布：目标分布p(x)和建议分布q(x^*|x)。首先，根据建议分布q(x^*|x)在搜索空间X中给出当前参数值x的一个候选参数值x^*。然后，根据式(10)计算候选参数值的接受率A(x,x^*)；若接受率A(x,x^*)大于预设的接受阈值Ta，则将候选值x^*代替当前值x，否则，保留当前值x。通过统计性的重复采样，候选值x^*最终趋于稳定。为防止采样陷入局部最优，接受阈值Ta＝0.9+0.1*random(0,1)，random(0,1)为在0～1的范围内进行随机抽样结果。尽管MH采样算法原理十分简单，但它的实现比较困难。这主要是因为目标函数和建议函数的选择。不同的选择结果会导致采样结果不同。本发明选择将高斯分布作为建议分布，将Gibbs能量作为目标分布。由于建议分布的对称性，q(x^*|x)＝q(x|x^*)，因此，接受率可以简化为式：

由于随机采样很少在真实值的附近，因此，MH采样效率比较低。它耗费较多的时间搜索非兴趣区域。为了使采样更有效率，模拟退火在本发明中被使用。模拟退火首先从一个较高的初始温度开始，制定一个退火策略，随着温度的下降，目标分布逐步趋于稳定，最终以较高的接受率达到全局最优。在模拟退火中，退火策略的选择是一个重要的影响因素，它通过模拟一个非齐次Markov链来估算模型的最优参数。与MH采样不同的是，目标分布

代替了p(x)。其中，Ti为迭代次数i时的温度，且满足lim_i→∞T_i＝0。

与现有技术相比，有益效果是：本发明提供的一种基于LiDAR点云的电力塔三维重建方法，充分考虑了电力塔的构造特征，对不同的电力塔部分采用对应的策略；在塔头重建过程中，充分利用了塔身重建信息、原始点云信息、和参数间几何关系以尽可能的减少参数个数和参数搜索空间；本发明可有效的、准确的重建电力塔，满足输电线路三维可视化、数字化的需求。

附图说明

图1为本发明电力塔结构示意图。

图2为本发明角点提取与分割中分层示意图。

图3为本发明角点提取与分割中角点提取示意图。

图4为本发明角点提取与分割中角点简化示意图。

图5为本发明角点提取与分割中角点分割示意图。

图6为本发明塔身重建中角点的某个子集示意图。

图7为本发明塔身重建中角点拟合结果示意图。

图8为本发明塔身重建中角点塔身优化结果示意图。

图9为本发明塔身重建中角点优化结果俯视图示意图。

图10为本发明参数化的塔头模型库Model 1结构示意图。

图11为本发明参数化的塔头模型库Model 2结构示意图。

图12为本发明参数化的塔头模型库Model 3结构示意图。

图13为本发明参数化的塔头模型库Model 4结构示意图。

图14为本发明形状上下文算法点云轮廓采样点示意图。

图15为本发明形状上下文算法模型轮廓采样点示意图。

图16为本发明形状上下文算法形状上下文示意图。

其中，1为塔头，2为塔身。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。

一种基于LiDAR点云的电力塔三维重建方法，其中，包括以下步骤：

步骤一：电力塔的分解，获取电力塔的LiDAR点云数据，通过对电力塔点云的密度和宽度进行统计分析，将电力塔分解为塔身和塔头两部分。

电力塔是具有一定建造规则的人造地物，其塔身结构简单、类型单一，塔头种类较多且结构复杂，考虑到电力塔的结构特征，电力塔可以分解为两部分：塔身和塔头，如图1所示。为了明确的区分塔头和塔身，本发明中定义下横担的下弦或塔架截面急剧变化处为特征面，如图1a、1b所示，特征面以上的部分定义为塔头，特征面以下的部分定义为塔身。尽管电力塔的类型有多种，但特征面都包括两个明显的特征：(1)局部密度最大(2)局部宽度最小。其中，密度定义为塔架截面的点云个数，宽度定义为每一截面到截面中心的最大距离；因此，本文对电力塔采用统计分析的方法来定位特征面。为了获取密度和宽度的统计直方图，电力塔被分成若干层，通过统计每一层的密度和宽度，选取同时具有密度局部最大和宽度最小的层作为特征面的位置。

具体步骤如下：

1.将电力塔点云根据高程等间隔Δh分成若干层。Δh的值设置越小，特征面定位精度越高，一般为Δh/2，但要保证每一层都有点。在本发明中，Δh＝0.5米；

2.计算每一层的密度和宽度，并分别以密度和宽度为X轴、以层数为Y轴建立密度直方图和宽度直方图；

3.定义一个以当前层数为中心，大小为2L*1大小的移动窗口分别在密度和宽度直方图中寻找密度极大值和宽度极小值。若当前层的密度在2L*1范围内最大，则对该层进行标记。若当前层的宽度在2L*1范围内最小，则对该层进行标记。窗口的大小2*L与电力塔高度有关，L设置时应小于相邻两横截面的最小距离。本发明中设置L＝3米；

4.从下至上选择第一个同时满足该层密度局部最大且上下两层范围内存在宽度局部最小的层数作为特征面的位置。以特征面为界线进行分解，特征面以上的部分分解为塔头，特征面以下的部分分解为塔身。

步骤二：基于数据驱动重建塔身，对角点进行提取与分割，对塔身的四条主轮廓线基于RANSAC算法进行三维直线拟合。

其中，首先进行角点的提取与分割；如图2、图3所示，并不是所有的轮廓点都位于矩形的四个角，因此，需要对提取后的轮廓点基于管道算法进行简化。计算当前点与相邻两点的角度，若角度大于预定阈值df，则保留当前点，否则，剔除。由于本文中仅需要四个角的角点，因此设置df＝30°。当Tf设置的越大时，轮廓点越少，但df应小于90°。如图4所示，通过管道算法进行简化，可删除大部分非角点。最后，对每一层已简化的角点，根据其在最小外接矩形中心的位置进行分割，将角点分为四个方向的子集，最终结果如图5所示。每一子集在形状上近似为三维直线。

其次，基于RANSAC的轮廓线拟合；经过上述步骤处理后，得到四个塔身角点的子集。由于每个子集中并不是所有简化的角点都在四个角，因此，本文采用基于RANSAC的三维直线拟合算法对每一角点子集进行拟合。

如图6所示，为了获取每个子集的三维直线方程，首先随机的选取两点P₁(x₁,y₁,z₁)和P₂(x₂,y₂,z₂)，并计算其所在的三维直线方程L。其中，两点的三维直线方程L根据式(1)进行计算；计算公式如下：

然后，对于子集中的每一点，计算其到直线L的距离。如果当前点到直线的距离小于距离阈值Td，则为有效点，否则，将其定义为无效点。距离阈值Td为噪声点容忍程度，Td设置越小，参与计算的噪声点越少，本发明中设置Td＝0.1米。统计有效点占该子集的总点数的比例inner_ratio。重复随机采样，直至满足P小于预设置信概率TP或采样次数M大于预设最大采样次数TN，选取拟合残差最小的一组参数作为该子集三维直线方程的参数，如图7所示。

其中，在一定的置信概率TP之下，RANSAC算法中的基础子集最小采样数目M和至少的一个正确的采样子集的概率P满足下列关系：

P＝1-(1-inner_ratio^m)^M，

上式中，inner_ratio是有效点占总点数的比例，m是构建一个评判标准所需要的最少参数个数。本发明设置置信概率为0.98，最大采样次数为30次。在四个子集都独立的拟合后，利用建造规范(如对称性、共面性、平行性等)对塔身重建结果进行优化，使得重建结果符合实际的结构特征，如图8所示。此外，塔身重建结果可以作为辅助信息运用在塔头重建过程中。如图9所示，在确定特征面的位置后，计算特征面的长tdx和宽tdy，并将其作为塔头重建的已知参数。

步骤三：基于模型驱动重建塔头，预定义一个包含塔头基本类型的模型库，然后采用形状上下文算法识别塔头基本类型，再将Metropolis-Hastings算法与模拟退火相结合估算塔头模型的最优参数。

首先，建立参数化的塔头模型库。

塔头结构复杂、类型繁多，采用数据驱动的策略很难实现塔头的重建。由于塔头具有一定的建造规则，且仅主材部分需要重建，因此，采用基于模型驱动的方法对塔头进行重建。模型驱动的策略是基于预定义的模型库。参照中国高压电力塔的基本类型，一个三维参数化的模型库首先被定义。模型库的完整性直接影响重建的结果。本发明的模型驱动方法仅能重建塔头类型已在模型库中定义的塔头点云。若塔头模型类型没有定义，则需要先在模型库中对该类型进行定义，然后再进行重建。

如图10至图13所示，在本发明中，塔头模型库包含四种在中国220-500kV高压输电线路广泛使用的电力塔类型。为了简化，塔头模型用关键点表示。为了获取关键点的坐标，塔头参数主要由特征高和特征长组成。由于塔头的复杂性，塔头模型包含许多参数，导致昂贵的计算代价来估算模型的最优参数。为了减少模型参数个数和参数搜索空间，本发明将充分利用塔身重建结果、原始点云信息和参数间的几何关系。四种类型的塔头参数如表1所示。其中，未知参数为需要估算的塔头参数，已知参数为可根据参数间的几何关系等信息进行推导的参数，不参与参数估算中。

表1塔头模型参数

从表1中可以看出，塔头模型包含四个基本的参数：tdx,tdy,Height,Length。tdx和tdy分别是特正面的长和宽，可以从塔身重建结果中得到。Height和Length分别是塔头的大小，可以从原始塔头点云的长和宽得到。另一些参数可以根据与其他参数的几何关系进行推导得到。以Model1为例，H₃、L₃分别可以从式(2)和式(3)中得到。

H₃＝Height-H₁-H₂； (2)

此外，参数搜索空间也可以根据几何关系极大程度的减小。这样，塔身重建的效率可以大幅度的提高。

其次，对塔头类型进行识别。

不同类型的塔头在形状上差异十分大，因此，可以根据塔头的形状对塔头类型进行识别。在本发明中，塔头点云和塔头模型首先被转化为二值影像，然后采用形状上下文算法实现塔头点云影像和对应模型影像的匹配。

形状上下文是度量形状相似性和找到点对应关系的的特征描述子。它在数字识别、基于相似性的检索、商标检索和三维目标识别等方面广泛应用。如图14、图15所示，形状上下文算法最基本的思想是在轮廓上选取n个采样点，然后计算每个点的形状上下文。其中，每个点的形状上下文定义为剩余n-1个点对当前点的相对坐标的直方图，以当前点p_i为圆心、R为半径的局域内按对数距离间隔建立N个同心圆。将此区域沿圆周方向M等分，形成如图16所示的靶状模板。当前点到其它各点的向量相对位置简化为模板上各扇区内的点分布数。这些点的统计分布直方图h_i(k),称为点p_i的形状上下文。通过计算待匹配影像和模型影像每对点之间的形状距离，最后选择具有最小代价的模型影像的类型作为该塔头点云的类型。

具体步骤如下：

1.将待识别塔头点云和模型库中的所有塔头模型转化为二值影像；

2.提取所有影像的外轮廓，对轮廓边缘采样得到n个采样点点集P＝{p₁,p₂,p₃,...p_n}；

3.根据形状上下文算法计算每个采样点的形状上下文h_i(k)，公式如式(4)，k＝{1,2,..K}，K＝M*N；

h_i(k)＝{q≠p_i:(q-p_i∈bin(k)}， (4)

4.计算待匹配影像的形状直方图和每个模型影像的形状直方图每对点之间的匹配代价，公式如式(5)，其中,h_i(k)为目标P的点p_i的形状直方图；h_j(k)为目标Q的点q_i的形状直方图；

5.基于计算得到的代价矩阵C进行点匹配操作，选取具有最小形状距离的模型影像为最佳匹配结果，该模型即为塔头点云对应模型。

最后，本发明将塔头重建过程转变为Gibbs能量最优化求解的为题，Gibbs能量定义为塔头点云和模型的相似性，利用Metropolis-Hastings采样器和模拟退火算法用来估算模型的最优化参数。

步骤四：根据步骤一、步骤二、步骤三所得结果中的位置和方向进行组合，得到完整的三维电力塔模型。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种基于LiDAR点云的电力塔三维重建方法，其特征在于，包括以下步骤：

S1.电力塔的分解，获取电力塔的LiDAR点云数据，通过对电力塔点云的密度和宽度进行统计分析，将电力塔分解为塔身和塔头两部分；

S2.基于数据驱动重建塔身，对角点进行提取与分割，对塔身的四条主轮廓线基于RANSAC算法进行三维直线拟合；

S3.基于模型驱动重建塔头，预定义一个包含塔头基本类型的模型库，然后采用形状上下文算法识别塔头基本类型，再将Metropolis-Hastings算法与模拟退火相结合估算塔头模型的最优参数；

S4.根据S2、S3步骤所得结果中的位置和方向进行组合，得到完整的三维电力塔模型；其中，

所述的S3步骤中识别塔头基本类型包括以下步骤：

S3011.将待识别塔头点云和模型库中的所有塔头模型转化为二值影像；

S3012.提取所有影像的外轮廓，对轮廓边缘采样得到n个采样点点集P＝{p₁，p₂，p₃，.....p_n}；

S3013.根据形状上下文算法计算每个采样点的形状上下文h_i(k)，计算公式如式(1)，k＝{1,2,..K}，K＝M*N；M代表采样次数；

h_i(k)＝{q≠p_i:(q-p_i∈bin(k)}， (1)

S3014.计算待匹配影像的形状直方图和每个模型影像的形状直方图每对点之间的匹配代价，计算公式如式(2)，其中，hi(k)为目标P的点pi的形状直方图；hj(k)为目标Q的点qi的形状直方图，

S3015.基于计算得到的代价矩阵C进行点匹配操作，选取具有最小形状距离的模型影像为最佳匹配结果，该模型即为塔头点云对应模型；

所述的S3步骤中参数最优化包括以下步骤：

S3021.Gibbs能量定义，Gibbs能量表达为式为：

利用alpha shape算法来提取模型和点云的关键点，距离u_m(x_i)为每个模型关键点到最近塔头点云关键点的距离，距离u_p(x_i)为每个塔头点云关键点到最近模型关键点的距离，其中：

其中，

相似性程度u(x)由模型到点云的平均距离u_m(x_i)和点云到模型的平均距离u_p(x_i)组成，且u(x)＝au_m(x)+bu_p(x)，a+b＝1，a和b分别为两距离的权值；n为模型关键点个数，m为塔头点云关键点个数；

S3022.Metropolis-Hastings采样和模拟退火，首先，根据建议分布q(x^*|x)在搜索空间X中给出当前参数值x的一个候选参数值x^*，然后，根据计算公式(6)计算候选参数值的接受率A(x,x^*)；若接受率A(x,x^*)大于预设的接受阈值Ta，则将候选值x^*代替当前值x，否则，保留当前值x；

2.根据权利要求1所述的基于LiDAR点云的电力塔三维重建方法，其特征在于，所述的S1步骤中对电力塔点云的密度和宽度进行统计分析包括以下步骤：

S101.将电力塔点云根据等间隔Δh分成若干层；

S102.计算每一层的密度和宽度，并分别以密度和宽度为X轴、以层数为Y轴建立密度直方图和宽度直方图；

S103.定义一个以当前层数为中心，大小为2L*1大小的移动窗口分别在密度和宽度直方图中寻找密度极大值和宽度极小值，并对极大值和极小值所在层进行标记；

S104.电力塔从下至上选择第一个同时满足该层密度局部最大且上下两层范围内存在宽度局部最小的层数作为特征面的位置，以特征面为界线进行分解，特征面以上的部分分解为塔头，特征面以下的部分分解为塔身。

3.根据权利要求1所述的基于LiDAR点云的电力塔三维重建方法，其特征在于，所述的S2步骤中对角点进行提取与分割包括以下步骤：

S2011.计算当前点与相邻两点的角度，若角度大于预定阈值df；则保留当前点，否则，剔除；

S2012.通过管道算法进行简化，删除大部分非角点；

S2013.对每一层已简化的角点，根据其在最小外接矩形中心的位置进行分割，将角点分为四个方向的子集。

4.根据权利要求3所述的基于LiDAR点云的电力塔三维重建方法，其特征在于，所述的S2步骤中基于RANSAC的轮廓线拟合包括以下步骤：

S2021.从S1步骤所得的子集中随机选取两点P1(x1,y1,z1)和P2(x2,y2,z2)，并计算其所在的三维直线方程L；

S2022.对于子集中的每一点，计算其到直线L的距离，如果当前点到直线的距离小于距离阈值Td，则为有效点，否则，将其定义为无效点；并统计有效点的比例inner_ratio，其中，inner_ratio是有效点占总点数的比例；

S2023.重复随机采样，直至满足P小于预设置信概率TP或采样次数M大于预设最大采样次数TN，选取拟合残差最小的一组参数作为该子集三维直线方程的参数；其中，P为采样子集的概率；

S2024.在四个子集均拟合后，加入对称性、共面性限制条件对模型进行优化。

5.根据权利要求3所述的基于LiDAR点云的电力塔三维重建方法，其特征在于，所述的预定阈值df为30°。

6.根据权利要求4所述的基于LiDAR点云的电力塔三维重建方法，其特征在于，所述的三维直线方程L的计算方式为：

7.根据权利要求4所述的基于LiDAR点云的电力塔三维重建方法，其特征在于，所述的采样子集的概率P满足下列关系：

P＝1-(1-inner_ratio^m)^M，

其中，m是构建一个评判标准所需要的最少参数个数。

8.根据权利要求7所述的基于LiDAR点云的电力塔三维重建方法，其特征在于，所述的接受阈值Ta＝0.9+0.1*random(0,1)，random(0,1)为在0～1的范围内进行随机抽样结果。

Images