CN110060256B - 一种基于机载LiDAR点云的杆塔提取方法 - Google Patents

Abstract

本发明涉及点云语义分割技术领域，具体涉及一种基于机载LiDAR点云的杆塔提取技术，本发明首先，输入点云预处理，对预处理后的点云数据按给定的格网尺寸划分格网，计算出杆塔点云和其他点云的坡度特征和高差特征，作为权重，利用最小割算法将点云分割成小点云，再使用泰森多边形划分出起小点云之间的边缘，之后，将小点云集作为数据集，使用条件随机场，将小点云集进行分类，本发明相对于PointNet，PointCNN,本算法可以处理大规模点云，相对于传统的点云提取杆塔算法，具有更高的鲁棒性。

Description

一种基于机载LiDAR点云的杆塔提取方法

技术领域

本发明涉及点云语义分割技术领域，具体涉及一种基于机载LiDAR点云的杆塔提取方法。

背景技术

高压输电线路是电力***的重要组成部分，具有线路距离长、覆盖范围大、安全可靠性要求高等特点。我国电网输电线路巡检目前主要通过运行人员手持仪器或肉眼来观测设备缺陷，人工巡检方式周期长且作业强度大，难以适应现代化电网快速发展和安全运行需要。

无人机技术的发展为输电线路巡检提供了全新的移动平台。利用无人机搭载巡检设备进行输电线路巡检，不受地理条件的限制，且巡检效率高，每小时可达几km至几十km。将无人机应用于输电线路巡检，可以弥补人工巡检的不足，实现对输电线路的快速、安全巡检，具有重要的研究价值和良好的应用前景。

基于无人机载激光雷达的***能以离散采样点云形式，快速、准确采集输电线路走廊电力设备与走廊地物的真三维坐标，为输电线路巡检工作提供了一种新的解决方案，对于丘陵或山区的架空线路来说意义尤为重大，因此正被逐渐应用到输电线路运行维护中，而杆塔的提取对高压输电线路的位置定位具有重要意义。

发明内容

针对现有技术的不足，本发明公开了一种基于机载LiDAR点云的杆塔提取方法，用于解决现阶段，一些点云分割的算法陆续出来，PointNet，PointCNN等神经网络分割点云都取得较好的效果，但不能对大规模的点云进行处理。传统的根据杆塔所具有的特征提取杆塔算法的鲁棒性不是很强的问题。

本发明通过以下技术方案予以实现：

一种基于机载LiDAR点云的杆塔提取方法，其特征在于，包括以下步骤：

S1输入点云预处理；

S2对预处理后的点云数据按给定的格网尺寸划分格网；

S3计算出杆塔点云和其他点云的坡度特征和高差特征并作为权重；

S4利用最小割算法将点云分割成小点云，再使用泰森多边形划分出起小点云之间的边缘；

S5将小点云集作为数据集，使用条件随机场，将小点云集进行分类。

优选的，所述坡度特征中，首先对预处理后的点云数据按给定的格网尺寸划分格网，遍历点云，计算点云所在格网的位置。计算出格网中的最低程H_L和最高程H_T；高差特征为H＝H_T-H_L。

优选的，所述高差特征中，坡度特征需要反映高程沿任意方向的变化程度，坡度越大的区域高程变化越剧烈；

坡度的计算公式为：

式中g_x和g_y分别为X方向和Y方向上高程变化率。

优选的，所述g_x和g_y计算公式为：

式中的k_i,j为3×3窗口的中心点的最高高程值，其余为其八邻域点的最高高程；d为格网的宽度。

优选的，所述最小割算法中，最小割分割点云，将每个点云体素作为一个节点，有向图G＝(V,E)中，有源点S和汇点T，每条弧有一个非负容量w_i(i＝1,2,3...n)，V为节点集合，E为边缘集合，我们设计n＝10，每个体素为一个节点，w_i(i＝1,2,3...n)为两个节点之间特征，定义：

w_i＝0.5*(s_i+H_i)(i＝1,2,3...n)

使用分割的依据的函数：

[.]“艾佛森括号”,是一种用方括号记号,如果方括号内的条件满足则为1,不满足则为0，W是w的集合，C是特征值个数的集合。

优选的，将小点云集视为空间中随机点，随机取一个随机点作为一个顶点，绕着该顶点，构成三角网，三角网要求为三角形三个顶点都在一个圆上，且圆内没有其他点，取三角网中，每个圆的圆心，一次连接形成泰森多边形，循环小点云集，形成泰森多边形划分点云的边缘。

优选的，包括条件随机场CRF分类点云集，其条件随机场CRF：根据给定的输出标识序列Y和观察序列X，经过训练后，得出符合模型的条件概率P(Y|X)，标记序列Y为杆塔、电线、地面和其他，分别由t，l，g，e表示，观察序列X为分割出来的点云集合。

优选的，在观察序列X其中i位置的标记序列Y的概率可以定义为：

其中t_j(y_i-1,y_i,x,i)是转移函数，s_p(y_i,x,i)是状态函数，和β_p分别是转移函数和状态函数的权重。

本发明的有益效果为：

1、相对于PointNet，PointCNN,本算法可以处理大规模点云。

2、相对于传统的点云提取杆塔算法，具有更高的鲁棒性。

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是本发明的方法步骤原理图；

图2是本发明的最小割分割点云原理图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

实施例1

本实施例公开如图1所示的一种基于机载LiDAR点云的杆塔提取方法，包括以下步骤：

S1输入点云预处理；

S2对预处理后的点云数据按给定的格网尺寸划分格网；

S3计算出杆塔点云和其他点云的坡度特征和高差特征并作为权重；

S4利用最小割算法将点云分割成小点云，再使用泰森多边形划分出起小点云之间的边缘；

S5将小点云集作为数据集，使用条件随机场，将小点云集进行分类。

所述坡度特征中，首先对预处理后的点云数据按给定的格网尺寸划分格网，遍历点云，计算点云所在格网的位置。计算出格网中的最低程H_L和最高程H_T；高差特征为H＝H_T-H_L。

所述高差特征中，坡度特征需要反映高程沿任意方向的变化程度，坡度越大的区域高程变化越剧烈；

坡度的计算公式为：

式中g_x和g_y分别为X方向和Y方向上高程变化率。

所述g_x和g_y计算公式为：

式中的k_i,j为3×3窗口的中心点的最高高程值，其余为其八邻域点的最高高程；d为格网的宽度。

所述最小割算法中，如图2所示的最小割分割点云，将每个点云体素作为一个节点，有向图G＝(V,E)中，有源点S和汇点T，每条弧有一个非负容量w_i(i＝1,2,3...n)，V为节点集合，E为边缘集合，我们设计n＝10，每个体素为一个节点，w_i(i＝1,2,3...n)为两个节点之间特征，定义：

w_i＝0.5*(s_i+H_i)(i＝1,2,3...n)

使用分割的依据的函数：

[.]“艾佛森括号”,是一种用方括号记号,如果方括号内的条件满足则为1,不满足则为0，W是w的集合，C是特征值个数的集合。

将小点云集视为空间中随机点，随机取一个随机点作为一个顶点，绕着该顶点，构成三角网，三角网要求为三角形三个顶点都在一个圆上，且圆内没有其他点，取三角网中，每个圆的圆心，一次连接形成泰森多边形，循环小点云集，形成泰森多边形划分点云的边缘。

包括条件随机场CRF分类点云集，其条件随机场CRF：根据给定的输出标识序列Y和观察序列X，经过训练后，得出符合模型的条件概率P(Y|X)，标记序列Y为杆塔、电线、地面和其他，分别由t，l，g，e表示，观察序列X为分割出来的点云集合。

在观察序列X其中i位置的标记序列Y的概率可以定义为：

其中t_j(y_i-1,y_i,x,i)是转移函数，s_p(y_i,x,i)是状态函数，和β_p分别是转移函数和状态函数的权重。

例如

表示第i个观察值为“杆塔点云”时，相对的标记分别是g，t，其状态和特征函数如下：

条件概率定义如下：

其中

Z(x)是规范化因子，求和时在所有可能的输出序列上进行的。j,k＝1,2,3...n，n＝标记序列Y的元素个数；由此，进行条件随机场的训练。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种基于机载LiDAR点云的杆塔提取方法，其特征在于，包括以下步骤：

S1输入点云预处理；

S2对预处理后的点云数据按给定的格网尺寸划分格网；

S3计算出杆塔点云和其他点云的坡度特征和高差特征并作为权重；

S4利用最小割算法将点云分割成小点云，再使用泰森多边形划分出小点云之间的边缘；

S5将小点云集作为数据集，使用条件随机场，将小点云集进行分类；

所述最小割算法中，最小割分割点云，将每个点云体素作为一个节点，有向图G＝(V,E)中，有源点S和汇点T，每条弧有一个非负容量w_i，i＝1,2,3...n，V为节点集合，E为边缘集合，设计n＝10，每个体素为一个节点，w_i，i＝1,2,3...n，为两个节点之间特征，定义：

w_i＝0.5*(s_i+H_i)，i＝1,2,3...n

使用分割的依据的函数：

[.]为艾佛森括号,是一种用方括号记号,如果方括号内的条件满足则为1,不满足则为0，W是w的集合，C是特征值个数的集合；

将小点云集视为空间中随机点，随机取一个随机点作为一个顶点，绕着该顶点，构成三角网，三角网要求为三角形三个顶点都在一个圆上，且圆内没有其他点，取三角网中，每个圆的圆心，一次连接形成泰森多边形，循环小点云集，形成泰森多边形划分点云的边缘；

所述的基于机载LiDAR点云的杆塔提取方法还包括条件随机场CRF分类点云集，其条件随机场CRF：根据给定的输出标识序列Y和观察序列X，经过训练后，得出符合模型的条件概率P(Y|X)，标记序列Y为杆塔、电线、地面和其他，分别由t，l，g，e表示，观察序列X为分割出来的点云集合；

在观察序列X中的i位置发生标记序列Y的概率为：

其中t_b(y_a-1,y_a,x_a)是转移函数，s_p(y_a,x_a)是状态函数，α_a和β_p分别是转移函数和状态函数的权重。

2.根据权利要求1所述的基于机载LiDAR点云的杆塔提取方法，其特征在于，所述高差特征中，首先对预处理后的点云数据按给定的格网尺寸划分格网，遍历点云，计算点云所在格网的位置；计算出格网中的最低程H_L和最高程H_T；高差特征为H＝H_T-H_L。

3.根据权利要求1所述的基于机载LiDAR点云的杆塔提取方法，其特征在于，所述坡度特征中，坡度特征需要反映高程沿任意方向的变化程度，坡度越大的区域高程变化越剧烈；

坡度的计算公式为：

式中g_x和g_y分别为X方向和Y方向上高程变化率。

4.根据权利要求3所述的基于机载LiDAR点云的杆塔提取方法，其特征在于，所述g_x和g_y计算公式为：

式中的k_i,j为3×3窗口的中心点的最高高程值，其余为其八邻域点的最高高程；d为格网的宽度。