CN103473734A - 一种基于车载LiDAR数据的电力线提取与拟合方法 - Google Patents

Abstract

基于车载LiDAR数据的电力线提取与拟合方法，方法如下：首先利用体元划分车载LiDAR点云，确定各个体元内的点；然后根据真实电力线的分布特点剔除不含有电力线点云的体元；再将过滤得到的电力线点云依据电力线走廊进行划分，并利用AutoClust算法对电力线点云进行初始聚类；接着使用基于端部拟合线段的聚类合并方法，将属于同一电力线的初始点云聚类合并到一起；最后根据电力线的特性，恢复断裂的电力线，最终得到可用以表征单条电力线的点云，并以此进行三维拟合。本发明能够实现海量车载LiDAR数据中电力线点云的自动快速提取，实现了单条电力线的准确识别以及电力线三维模型的精确拟合。

Description

一种基于车载LiDAR数据的电力线提取与拟合方法

技术领域

本发明涉及一种从车载LiDAR数据中提取、拟合电力线的方法。

背景技术

电力线是电力部门线路资产的重要组成部分，在电力巡线、电网设计与升级、电力专业分析等方面都发挥着重要作用，而且电力线这一基础设施的安全性显著地影响我们的日常生活和工业活动；对其检测与监测能够为电力线路管理和维护提供有力支撑从而发现和避免潜在的安全隐患和不必要的经济损失，保障国民经济的健康发展和居民的生命财产安全。

传统的对于电力线的监测主要是人工操作，不仅费时费力，而且无法获得大范围的观测数据。伴随着激光雷达技术的发展，机载激光雷达作为一种快速、高效、高精度的空间数据获取方式，逐渐被电力部门所接受，成为电力线监测的重要手段。使用机载激光雷达虽然能进行大范围的野外电力线数据采集与监测，并获得较好的效果；但是在城市区域的电力线监测上却存在着天然的弊端。这是因为机载激光雷达一般搭载于普通飞机或直升飞机上，普通飞机扫描时飞行高度约1000m，直升飞机扫描时飞行高度约200-300m。在激光雷达系统性能参数相同的情况下，飞行高度越大，点间距越大；反之，点间距越小。为了获取足够多的电力线点云，一般而言，用于电力线监测的激光雷达系统都搭载于直升飞机上，飞行高度普遍较低（60-150m）。在城市区域，建筑物普遍较高，往往超过了直升飞机扫描时的飞行高度，直升机作业的环境相对复杂，作业的安全性较低；另一方面，城市区域用地紧张，为了减少输电走廊用地，城区普遍采用同杆（塔）多回输电技术，由于机载激光雷达小角度、俯视地获取数据，仅能获取第一层横担上的电力线的信息，而其他横担的电力线则会被遮挡，无法获得完整地电力线点云数据。因此，探索新的数据、寻找新的方法，弥补机载激光雷达在城区电力线监测中的缺陷是十分必要的。

车载激光雷达是一种新兴的移动制图系统，能够在高速移动的车辆中快速获取道路及其两侧的地物。车载激光雷达数据已经越来越多地被应用于道路、建筑物、树木、路灯及其他杆状物的提取与建模中。然而车载LiDAR中提取电力线的研究还很少，仅有的是欧同庚等人在《大地测量与地球动力学》第29卷第2期上发表的“车载数据采集系统在电力线检测中的应用”一文，该文使用离地高度和Hough变换提取电力线，并使用抛物线方程进行拟合，实验结果验证了车载LiDAR中提取电力线的可行性。事实上，车载LiDAR能够很好地应用于电力线（尤其是城区电力线）的提取，主要表现在以下几个方面：1）城区道路网发达，而电力线通常沿道路分布，这就为车载LiDAR系统获取电力线提供了可能。2）车载LiDAR获取数据时距离电力线的距离仅有几米至几十米远，获取的点云密度较高，电力线上平均点间距可达到厘米级。3）车载LiDAR侧视地获取数据，对于同杆多回输电线路，也能够获取较为完整的点云数据。4）车载LiDAR系统相对于机载LiDAR系统价格更为便宜，可以随时上路实测，应对电力事故的能力更强。

由于机载LiDAR从地物顶部获取数据，一个平面（x，y）坐标通常仅对应于一个z值，相当于二维数据加一个z值属性；而车载LiDAR从地物侧面获取数据，平面（x，y）坐标通常对应于多个z值，是真正意义上的三维点云。因此，针对机载LiDAR数据的点云处理算法难以直接用来处理车载LiDAR点云，且由于车载LiDAR点云更为密集，受树木、建筑物等遮挡较多，电力线点云呈现一种密集点——断裂——密集点的空间分布特征，如何实现车载LiDAR中单条电力线点云的聚类面临着许多困难。所以，从车载LiDAR中提取电力线的技术方法还有待探索。

发明内容

本发明要解决技术问题是：克服现有技术缺点，提出一种基于车载LiDAR数据的电力线提取与拟合方法，能够自动快速的从车载LiDAR数据中提取电力线点云，并实现单条电力线点云的准确识别与电力线三维模型的高精度拟合。

为了解决上述技术问题，本发明提出的技术方案是：一种基于车载LiDAR数据的电力线提取与拟合方法，步骤包括：

第一步、构建体元——以体元为空间单元对车载LiDAR数据的空间区域进行分割，所述体元的尺寸范围为[10cm,dist_pl]，其中dist_pl为相邻电力线间的最小间距；

第二步、体元过滤——根据电力线的分布特点剔除不含有电力线LiDAR点的体元，保留含有电力线LiDAR点的体元；

第三步、电力线走廊识别——将第二步保留的体元内的LiDAR点投影至XY平面，采用hough变换检测直线，得到电力线点云所在直线，从而得到若干条电力线走廊；

第四步、电力线点云初始聚类——使用AutoClust算法对每条电力线走廊内的电力线点云进行初始聚类，得到若干属于同一电力线走廊的点云初始聚类；

第五步、电力线点云聚类合并——对同一电力线走廊的各点云初始聚类构建端部拟合线段，若相邻点云初始聚类之间相对的端部拟合线段的夹角小于α，则将相邻点云初始聚类合并，以此类推最终得到若干点云合并聚类，α的取值范围为5-12°；

第六步、电力线点云聚类恢复——对各点云合并聚类构建端部拟合线段，若某点云合并聚类的首尾端部拟合线段的角度都位于区间[-90°,0°]或[0°,90°]，则该点云合并聚类为断裂聚类；该断裂聚类和位于同一档距内的其他点云合并聚类分别组合进行抛物线拟合，将具有最小拟合残差的点云合并聚类与该断裂聚类合并，并将与该拟合抛物线平均距离小于M的点云合并聚类也合并到一起，得到完整的单条电力线点云，从而完成单条电力线点云聚类的恢复，M的取值范围为[5cm,15cm]；

第七步、电力线三维拟合——针对完整的单条电力线点云使用最小二乘算法拟合得到电力线三维曲线。

本发明首先利用体元划分车载LiDAR点云，确定各个体元内的点；然后根据真实电力线的分布特点剔除不含有电力线点云的体元；再将过滤得到的电力线点云依据电力线走廊进行划分，并利用AutoClust算法对电力线点云进行初始聚类；接着使用基于端部拟合线段的聚类合并方法，将属于同一电力线的初始点云聚类合并到一起；最后根据电力线的特性，恢复断裂的电力线，最终得到可用以表征单条电力线的点云，并以此进行三维拟合。

本发明基于车载LiDAR数据的电力线提取与拟合方法，还具有如下改进：

1）、第二步中滤掉不含有电力线LiDAR点体元的方法包含以下步骤：

a、离地高度筛选——若某体元内最高LiDAR点与最低LiDAR点的高差小于H，则该体元为地面体元，根据地面体元内的LiDAR点获取近似地面，如果体元内最低LiDAR点到近似地面的高度小于电力线高程阈值，则将该体元剔除，否则保留，其中H的取值范围为[0.8m-1.2m]。

本筛选步骤考虑到电力线通常高于地面，电力线所在体元也高于地面体元，可以根据体元距离地面的高度进行筛选，剔除距离地面过于接近的体元。

b、上下体元连续性筛选——若内含有LiDAR点的体元上下连续数量大于N，则将这些体元剔除，否则保留，N的取值范围为{2,3,4}。

本筛选步骤考虑上下体元连续性，上下体元连续性是指同一行列的体元、上下相邻的连续有点的体元的数量。电力线呈悬浮状态，电力线上下一定范围内没有其他地物，因此电力线的上下体元连续性较弱，而建筑物、树木、路灯等地物上下体元连续性较强。

c、特征向量筛选——通过对体元内点云的三维坐标进行特征分解获得的特征向量，若特征向量表征点云分布呈线状则保留该体元，否则剔除。

本筛选步骤考虑特征向量，通过对体元内点云的三维坐标进行特征分解，可以得到三个特征值λ₁、λ₂、λ₃（λ₁>λ₂>λ₃）。三个特征值关系的不同可以反映三维点云的分布情况：如果，则点云分布比较离散；如果λ₁,λ₂＞＞λ₃，则点云呈面状分布；如果λ₁＞＞λ₂,λ₃，则点云呈线状分布。基于此可以定义一个线性测度以度量体元内点云的线性分布情况。如果体元内点云的线性度大于一定阈值（0.3），则保留，否则剔除。

d、邻域体元点云数量筛选——计算邻域内所有体元的LiDAR点总数，若LiDAR点总数大于阈值P，则保留该体元，否则剔除，P的取值范围为[10-20]。

本筛选步骤考虑邻域体元点云数量。a、c、d三步筛选后，大量非电力线点被有效剔除了，但仍存在一些噪声点，通过观察发现，这些噪声产生的主要原因在于：体元筛选过程中设定的体元一般较小，导致很多非电力线体元内点云数量有限，恰好能够满足单体元筛选的各个条件。由于电力线点云空间上是连续的，所以相邻的电力线体元内总的点云数量较大，所以可以根据邻域体元总的点数进行筛选。

2）、步骤d中，阈值P的计算方法如下：

d-1）、计算所有邻域体元的点云数量，根据点云数量的最大值和最小值得到点云数量区间[D_min,D_max]，设定较小的间隔D_s对点云数量区间进行划分，得到邻域点云数量区间集合S={S_j,j=1,2,…,n}，其中

d-2）、对于所有邻域体元，如果点云数量D_i在区间S_j中，则S_j的累积量Acc_j加1；

d-3）、对于点云数量累积量制作曲线，使用累积量的中位数作为基线去除中位数以下的数据；对曲线求二次偏导，寻找峰值区间，得到电力线点云所在的点云数量区间，阈值P=点云数量区间的下限-1。

3）、所述第三步得到电力线走廊后，若某一电力线走廊的点云数量明显过少，那么将这个走廊及内部点云全部删去。

4）、第五步中对点云初始聚类构建端部拟合线段的方法如下：

若点云初始聚类中LiDAR点总数小于阈值Q，则该聚类不做拟合，其中Q的取值范围为4-6；

若点云初始聚类的跨距大于3m，则利用该聚类首尾X米范围内点云拟合获得端部拟合线段，否则利用点云初始聚类的所有点云拟合形成一条端部拟合线段，X的取值范围为0.8-1.2。

5）、所述第五步中利用端部拟合线段生长的方法实现点云初始聚类的合并，具体方法如下：

Ⅰ、生长基线选择——以任意点云初始聚类的端部拟合线段作为生长基线，分别向两端生长；

Ⅱ、待生长线段确定——计算相邻点云初始聚类未生长过的端部拟合线段与当前生长基线的夹角，如果夹角小于α，则将生长基线旋转至与该拟合线平行的位置，并计算两线段间的垂直距离；如果垂直距离小于0.2m，则该端部拟合线段标记为疑似待生长线；对于所有疑似待生长线，寻找与当前生长基线水平距离最小的端部拟合线段，若该端部拟合线段与当前生长基线在同一电力线档距内，则该端部拟合线段作为待生长线段；

Ⅲ、拟合线生长——将当前生长基线与待生长线段所在的点云初始聚类合并，待生长线段所在点云初始聚类合的另一端部拟合线段作为新的生长基线，重复步骤Ⅱ至Ⅲ，直到无法再生长；

Ⅳ、重复步骤Ⅰ至Ⅲ，直至所有端部拟合线段标都完成生长。

6）、骤Ⅲ中，在拟合线段生长的同时，计算所有无端部拟合线段的点云初始聚类与当前生长基线的平均垂直距离，如果距离小于0.1m，则将该点云初始聚类与当前生长基线对应的初始点云聚类合并。

本发明公开了一种从车载LiDAR数据中提取与拟合电力的方法，实现了车载LiDAR中电力线提取的自动化、快速化和准确化。具体有益效果如下：

第一，本发明提出了一种基于体元的车载LiDAR中提取电力线点云的方法，通过离地高度、上下体元连续性、特征向量、邻域体元点云数量四个特征，实现了电力线点云的自动准确提取。

第二，本发明结合AutoClust聚类算法，提出了一种基于端部拟合线的聚类生长算法、基于曲线拟合的聚类恢复算法，能够实现呈“密集点——断裂——密集点”空间分布特征的电力线点云的准确识别，从而为电力线的准确拟合提供可能。

第三，本发明的电力线提取方法是针对的车载LiDAR数据，相比于传统的机载LiDAR数据，价格更低廉，数据精度更高，并且能够较好地应用于城区电力线的监测中，具有较高的实际应用价值。

综上，本发明能够实现海量车载LiDAR数据中电力线点云的自动快速提取，实现了单条电力线的准确识别以及电力线三维模型的精确拟合，对于电力部门的电力线路管理与决策尤其是城区电力线路资产管理有重要的意义。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明方法的技术流程图。

图2是实施例所用车载LiDAR数据图。

图3是离地高度筛选结果图。

图4是上下体元连续性筛选结果图。

图5是特征向量筛选结果图。

图6是点数量累积量图。

图7是邻域体元点云数量筛选结果图。

图8是Hough变换筛选结果示意图。

图9是断裂聚类示意图。

图10是单条电力线识别结果图。

图10-a是图10的A区放大图。

图10-b是图10的B区放大图

图11是电力线三维拟合结果图。

图11-a是图11的A区放大图。

图11-b是图11的B区放大图

图11-c是图11的C区放大图

图11-d是图11的D区放大图

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明。

本实施例采用附图2所示车载LiDAR数据作为城区电力线提取的初始数据，该数据是中国测绘科学研究院研制的“SSW车载激光建模测量系统”（360度激光扫描、测量距离范围3-300m、反射率80%、点频200000点/秒）获取得到的数据中的一部分，采集时间为2011年，采用1:500地形图纠正。实施例区域位于南京奥体中心附近，区域大小约150mX150m，点云总数约440万，电力线上平均点间距约7cm。本实例具体实施采用标准C#编程语言在Visual Studio2008平台下实现。

如图1所示，本发明实施例基于车载LiDAR数据的电力线提取与拟合方法，包括以下步骤：

第一步、构建体元——以体元为空间单元对车载LiDAR数据的空间区域进行分割，所述体元的尺寸范围为[10cm,dist_pl]，其中dist_pl为相邻电力线间的最小间距。本例中，体元大小为0.4m×0.4m×0.4m。

本实施例中使用Lastools软件为LiDAR数据格式转换工具，将LAS文件格式的LiDAR数据转换为记录每个激光点空间坐标的文本文件。建立的空间坐标系的原点坐标选择为研究区域中所有激光点的X坐标、Y坐标值、Z坐标值中的最小值，X轴和Y轴的方向分别设置东西方向和南北方向，Z轴垂直于XY水平面。本实例中设置的体元大小为0.4m×0.4m×0.4m。每个体元由其行号,列号，层号所唯一标识，并记录每个体元所包含的的激光点的序号和空间坐标。

第二步、体元过滤——根据电力线的分布特点剔除不含有电力线LiDAR点的体元，保留含有电力线LiDAR点的体元。

本步骤中滤掉不含有电力线LiDAR点体元的方法依次使用以下4种：

a、离地高度筛选——若某体元内最高LiDAR点与最低LiDAR点的高差小于H，则该体元为地面体元，根据地面体元内的LiDAR点获取近似地面，如果体元内最低LiDAR点到近似地面的高度小于电力线高程阈值，则将该体元剔除，否则保留，其中H的取值范围为[0.8m-1.2m]；

具体的，本实施例中将所有点云投影至XY平面，构建不规则格网（1m*1m），计算每个格网内点云的最高值和最低值的高差，如果高差小于1m，则认为该格网内点云为地面点，否则为非地面点云。利用地面点云插值形成地面栅格数据；在Visual Studio中读入点云数据以及地面栅格数据，设定电力线高程阈值为2m，如果当前体元内最低点与近似地面的高差大于2m，则保留，否则剔除。离地高度筛选后的结果如图3所示，共剩下378999个点。

b、上下体元连续性筛选——若内含有LiDAR点的体元上下连续数量大于N，则将这些体元剔除，否则保留，N的取值范围为{2,3,4};

本例中N取值为3，经过上下体元连续性筛选后，得到图4中结果，共剩下22018个点。

c、特征向量筛选——通过对体元内点云的三维坐标进行特征分解获得的特征向量，若特征向量表征点云分布呈线状则保留该体元，否则剔除；

通过对体元内点云的三维坐标进行特征分解，可以得到三个特征值λ₁、λ₂、λ₃（λ₁>λ₂>λ₃）。三个特征值关系的不同可以反映三维点云的分布情况：如果

则点云分布比较离散；如果λ₁,λ₂>>λ₃，则点云呈面状分布；如果λ₁>>λ₂,λ₃，则点云呈线状分布。基于此可以定义一个线性测度

以度量体元内点云的线性分布情况。如果体元内点云的线性度大于一定阈值（0.3），则保留，否则剔除。经过特征向量筛选后，得到图5中的结果，共剩下15243个点。

d、邻域体元点云数量筛选——计算邻域内所有体元的LiDAR点总数，若邻域体元LiDAR点总数大于阈值P，则保留该体元，否则剔除，一般而言P的取值范围为[10-20]。

本例中给出了一种点数量累积量的方法自动计算点云数量阈值：

d-1）、计算所有邻域体元的点云数量，根据点云数量的最大值和最小值得到点云数量区间[D_min,D_max]，设定较小的间隔D_s对点云数量区间进行划分，得到邻域点云数量区间集合S={S_j,j=1,2,…,n}，其中

d-2）、对于所有邻域体元，如果点云数量D_i在区间S_j中，则S_j的累积量Acc_j加1，得到如图6所示的点云数量积量图；

d-3）、对于点云数量累积量制作曲线，使用累积量的中位数作为基线去除中位数以下的数据；对曲线求二次偏导，寻找峰值区间，得到电力线点云所在的点云数量区间，阈值P=点云数量区间的下限-1。

本例中，得到电力线点云所在的点数量区间为[16,931]，因此，则P取15，经过邻域体元点云数量筛选后，结果如图7所示。

第三步、电力线走廊识别——将第二步保留的体元内的LiDAR点投影至XY平面，采用hough变换检测直线，得到电力线点云所在直线，从而得到若干条电力线走廊。若某一电力线走廊的点云数量明显过少，那么将这个走廊及内部点云全部删去。结果如附图8所示，共有8条电力线走廊，11720个LiDAR点。

第四步、电力线点云初始聚类——使用AutoClust算法对每条电力线走廊内的电力线点云进行初始聚类，得到若干属于同一电力线走廊的点云初始聚类。

使用AutoClust算法对于所有的电力线走廊，共得到了2421个初始聚类，分别属于这8条电力线走廊。

第五步、电力线点云聚类合并——对同一电力线走廊的各点云初始聚类构建端部拟合线段，若相邻点云初始聚类之间相对的端部拟合线段的夹角小于α，则将相邻点云初始聚类合并，以此类推最终得到若干点云合并聚类，α的取值范围为5-12°，本例中α取10°。

本步骤中对点云初始聚类构建端部拟合线段的方法如下：

若点云初始聚类中LiDAR点总数小于5，则该聚类不做拟合；若点云初始聚类的跨距大于3m，则利用该聚类首尾1米范围内点云拟合获得端部拟合线段，否则利用点云初始聚类的所有点云拟合形成一条端部拟合线段。

本步骤中利用端部拟合线段生长的方法实现点云初始聚类的合并，具体方法如下：

Ⅰ、生长基线选择——以任意点云初始聚类的端部拟合线段作为生长基线，分别向两端生长；

Ⅱ、待生长线段确定——计算相邻点云初始聚类未生长过的端部拟合线段与当前生长基线的夹角，如果夹角小于10°，则将生长基线旋转至与该拟合线平行的位置，并计算两线段间的垂直距离；如果垂直距离小于0.2m，则该端部拟合线段标记为疑似待生长线；对于所有疑似待生长线，寻找与当前生长基线水平距离最小的端部拟合线段，若该端部拟合线段与当前生长基线在同一电力线档距内，则该端部拟合线段作为待生长线段；

Ⅲ、拟合线生长——将当前生长基线与待生长线段所在的点云初始聚类合并，待生长线段所在点云初始聚类合的另一端部拟合线段作为新的生长基线，重复步骤Ⅱ至Ⅲ，直到无法再生长；在拟合线段生长的同时，计算所有无端部拟合线段的点云初始聚类与当前生长基线的平均垂直距离，如果距离小于0.1m，则将该点云初始聚类与当前生长基线对应的初始点云聚类合并；

Ⅳ、重复步骤Ⅰ至Ⅲ，直至所有端部拟合线段标都完成生长。

第六步、电力线点云聚类恢复——对各点云合并聚类构建端部拟合线段，若某点云合并聚类的首尾端部拟合线段的角度都位于区间[-90°,0°]或[0°,90°]，则该点云合并聚类为断裂聚类；该断裂聚类和位于同一档距内的其他点云合并聚类分别组合进行抛物线拟合，将具有最小拟合残差的点云合并聚类与该断裂聚类合并，并将与该拟合抛物线平均距离小于10cm的点云合并聚类也合并到一起，得到完整的单条电力线点云，从而完成单条电力线点云聚类的恢复。如图9所示，为断裂聚类示意图，图中电力线2、电力线4经判断为断裂电力线，本步骤的目的是将断裂的电力线进行恢复。经本步骤恢复后结果如图10所示，共得到了30个聚类，即对应30条电力线，图10-a为图10的A区放大图，图10-b为图10的B区放大图。

第七步、电力线三维拟合——针对完整的单条电力线点云使用最小二乘算法拟合得到电力线三维曲线。

选取多项式方程作为数学模型，使用最小二乘算法拟合电力线三维曲线，拟合结果如图11所示。图11-a为图11的A区放大图，图11-b为图11的B区放大图，图11-c为图11的C区放大图，图11-d为图11的D区放大图。

通过统计所有电力线点云至拟合曲线的距离，得到点云至拟合曲线的平均距离为1.8cm，最大距离为5.6cm，RMSE为2.1cm。拟合误差约在2cm左右，精度较高。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (7)

1.一种基于车载LiDAR数据的电力线提取与拟合方法，步骤包括：

第一步、构建体元——以体元为空间单元对车载LiDAR数据的空间区域进行分割，所述体元的尺寸范围为[10cm,dist_pl]，其中dist_pl为相邻电力线间的最小间距；

第二步、体元过滤——根据电力线的分布特点剔除不含有电力线LiDAR点的体元，保留含有电力线LiDAR点的体元；

第三步、电力线走廊识别——将第二步保留的体元内的LiDAR点投影至XY平面，采用hough变换检测直线，得到电力线点云所在直线，从而得到若干条电力线走廊；

第四步、电力线点云初始聚类——使用AutoClust算法对每条电力线走廊内的电力线点云进行初始聚类，得到若干属于同一电力线走廊的点云初始聚类；

第五步、电力线点云聚类合并——对同一电力线走廊的各点云初始聚类构建端部拟合线段，若相邻点云初始聚类之间相对的端部拟合线段的夹角小于α，则将相邻点云初始聚类合并，以此类推最终得到若干点云合并聚类，α的取值范围为5-12°；

第六步、电力线点云聚类恢复——对各点云合并聚类构建端部拟合线段，若某点云合并聚类的首尾端部拟合线段的角度都位于区间[-90°,0°]或[0°,90°]，则该点云合并聚类为断裂聚类；该断裂聚类和位于同一档距内的其他点云合并聚类分别组合进行抛物线拟合，将具有最小拟合残差的点云合并聚类与该断裂聚类合并，并将与该拟合抛物线平均距离小于M的点云合并聚类也合并到一起，得到完整的单条电力线点云，从而完成单条电力线点云聚类的恢复，M的取值范围为[5cm,15cm]；

第七步、电力线三维拟合——针对完整的单条电力线点云使用最小二乘算法拟合得到电力线三维曲线。

2.根据权利要求1所述的基于车载LiDAR数据的电力线提取与拟合方法，其特征在于：第二步中滤掉不含有电力线LiDAR点体元的方法包含以下步骤：

a、离地高度筛选——若某体元内最高LiDAR点与最低LiDAR点的高差小于H，则该体元为地面体元，根据地面体元内的LiDAR点获取近似地面，如果体元内最低LiDAR点到近似地面的高度小于电力线高程阈值，则将该体元剔除，否则保留，其中H的取值范围为[0.8m-1.2m];

b、上下体元连续性筛选——若内含有LiDAR点的体元上下连续数量大于N，则将这些体元剔除，否则保留，N的取值范围为{2,3,4};

c、特征向量筛选——通过对体元内点云的三维坐标进行特征分解获得的特征向量，若特征向量表征点云分布呈线状则保留该体元，否则剔除；

d、邻域体元点云数量筛选——计算邻域内所有体元的LiDAR点总数，若LiDAR点总数大于阈值P，则保留该体元，否则剔除，阈值P的取值范围为10-20。

3.根据权利要求2所述的基于车载LiDAR数据的电力线提取与拟合方法，其特征在于：步骤d中，阈值P的计算方法如下：

d-1）、计算所有邻域体元的点云数量，根据点云数量的最大值和最小值得到点云数量区间[D_min,D_max]，设定较小的间隔D_s对点云数量区间进行划分，得到邻域点云数量区间集合S={S_j,j=1,2,…,n}，其中

d-2）、对于所有邻域体元，如果点云数量D_i在区间S_j中，则S_j的累积量Acc_j加1；

d-3）、对于点云数量累积量制作曲线，使用累积量的中位数作为基线去除中位数以下的数据；对曲线求二次偏导，寻找峰值区间，得到电力线点云所在的点云数量区间，阈值P=点云数量区间的下限-1。

4.根据权利要求1所述的基于车载LiDAR数据的电力线提取与拟合方法，其特征在于：所述第三步得到电力线走廊后，若某一电力线走廊的点云数量明显过少，那么将这个走廊及内部点云全部删去。

5.根据权利要求1所述的基于车载LiDAR数据的电力线提取与拟合方法，其特征在于：第五步中对点云初始聚类构建端部拟合线段的方法如下：

若点云初始聚类中LiDAR点总数小于阈值Q，则该聚类不做拟合，其中Q的取值范围为4-6；

若点云初始聚类的跨距大于3m，则利用该聚类首尾X米范围内点云拟合获得端部拟合线段，否则利用点云初始聚类的所有点云拟合形成一条端部拟合线段，X的取值范围为0.8-1.2。

6.根据权利要求5所述的基于车载LiDAR数据的电力线提取与拟合方法，其特征在于：所述第五步中利用端部拟合线段生长的方法实现点云初始聚类的合并，具体方法如下：

Ⅰ、生长基线选择——以任意点云初始聚类的端部拟合线段作为生长基线，分别向两端生长；

Ⅱ、待生长线段确定——计算相邻点云初始聚类未生长过的端部拟合线段与当前生长基线的夹角，如果夹角小于α，则将生长基线旋转至与该拟合线平行的位置，并计算两线段间的垂直距离；如果垂直距离小于0.2m，则该端部拟合线段标记为疑似待生长线；对于所有疑似待生长线，寻找与当前生长基线水平距离最小的端部拟合线段，若该端部拟合线段与当前生长基线在同一电力线档距内，则该端部拟合线段作为待生长线段；

Ⅲ、拟合线生长——将当前生长基线与待生长线段所在的点云初始聚类合并，待生长线段所在点云初始聚类合的另一端部拟合线段作为新的生长基线，重复步骤Ⅱ至Ⅲ，直到无法再生长；

Ⅳ、重复步骤Ⅰ至Ⅲ，直至所有端部拟合线段标都完成生长。

7.根据权利要求6所述的基于车载LiDAR数据的电力线提取与拟合方法，其特征在于：步骤Ⅲ中，在拟合线段生长的同时，计算所有无端部拟合线段的点云初始聚类与当前生长基线的平均垂直距离，如果距离小于0.1m，则将该点云初始聚类与当前生长基线对应的初始点云聚类合并。

Images