CN104484882A - 一种基于机载LiDAR数据的城市区域电力线检测方法 - Google Patents
一种基于机载LiDAR数据的城市区域电力线检测方法 Download PDFInfo
- Publication number
- CN104484882A CN104484882A CN201410815772.0A CN201410815772A CN104484882A CN 104484882 A CN104484882 A CN 104484882A CN 201410815772 A CN201410815772 A CN 201410815772A CN 104484882 A CN104484882 A CN 104484882A
- Authority
- CN
- China
- Prior art keywords
- cloud
- line
- point
- point cloud
- electric force
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
Abstract
一种基于机载LiDAR数据的城市区域电力线检测方法,本发明涉及城市区域电力线检测领域。本发明是要解决城区环境中提取出电力线信息过程中电力线点和建筑物边缘点云有很高的相似性以及电力线点云直接进行栅格化处理会丢失大量的电力线信息的问题,而提出的一种基于机载LiDAR数据的城市区域电力线检测方法。该方法是通过1、得到粗差剔除后的LiDAR数据;2、找到首次回波位置的点云;3、找出回波强度量化为0的的回波点云;4、得到滤波结果后的点云;5、得到点云栅格化后的栅格图像;6、确定点云栅格化后的栅格图像的线结构;7、得到最终的电力线检测结果等步骤实现的。本发明应用于城市区域电力线检测领域。
Description
技术领域
本发明涉及城市区域电力线检测领域;特别涉及一种基于机载LiDAR数据的城市区域电力线检测方法领域。
背景技术
电力系统通过电力线网络为数以亿计的家庭及各种工业厂矿提供源源不断的电力能源。然而,庞大的电力线网络安全却时刻受到周围树木、建筑物及异常人类活动的威胁。为了实现电力线网络状态的精确监控及管理,传统方法往往需要大量人力、物力和财力进行人工巡线或直升机巡线,巡线效率低、精度差。为此,开展具有高效率、高精度、大范围的电力线巡线技术研究已经成为电力研究领域的一个重要研究内容。
机载激光雷达(Light Detection Aand Ranging,LiDAR)能够快速获取目标场景大量的具有精确三维空间坐标的点云数据,用其取代耗时费力的人工或直升机可以很好的解决电力线网络高精度、高效率、大范围的巡线问题,已经在电力线巡线及三维重构、电力走廊环境分析等多种电力监测领域得到了相关应用。为此,国内外已经有相关研究机构开展了基于机载LiDAR系统的电力线巡线研究。然而,一方面,现有研究大多忽视了城市区域而集中于野外空旷地区的高架线路走廊的电力线监测。2013年11月27日公开的公开号CN103413133A的发明专利申请《无序激光点云数据中自动提取电力线方法》中公开了一种基于点云高程分割滤波以及距离聚类的电力线检测方法,获取电力线的精确点云,输出电力线矢量;2014年09月03日公开的公开号CN104020475A的发明专利申请《一种基于机载LiDAR数据的电力线提取及建模方法》中公开了一种基于Hough变换直线检测以及最小二乘曲线拟合的电力线检测方法,逐根地实现电力线检测。然而这些技术均是针对空旷地区的高架输电线路,城市环境与之相比要复杂得多,这些技术并不能很好地用于城市区域的电力线检测;另一方面,复杂的城市区域中,电力线点和建筑物、高架路等边缘点云有很高的相似性,如何对其进行有效区分需要进一步的分析与研究。因此针对城市区域的电力线检测技术具有重要的研究意义。
机载LiDAR系统能够快速获取大量具有精确三维空间坐标的点云数据。然而,这种点云数据中除了空间信息外,不存在任何结构及语义信息,且空间信息分布不均匀为此,为了实现机载LiDAR点云数据的有效利用,充分发挥其优势,还必须对其进行必要的结构信息及语义信息分析。一般情况下,对机载LiDAR点云数据的分析包括两种方法:(1)直接在三维空间对离散不均匀采样的点云数据利用邻域分析的方法进行处理;(2)将不均匀采样的三维点云数据进行栅格化,得到对应的DSM(Digital Surface Model)或nDSM(normalizedDSM),进而利用经典的图像处理技术进行相关分析与处理。而电力线点云在总体点云中所占比例很小,直接进行栅格化处理会丢失大量的电力线信息,所以在转换为栅格图像前我们要对其进行一系列的滤波处理。
发明内容
本发明的目的是为了解决复杂的城区环境中提取出电力线信息过程中城市区域中电力线点和建筑物边缘点云有很高的相似性以及电力线点云直接进行栅格化处理会丢失大量的电力线信息的问题,而提出一种基于机载LiDAR数据的城市区域电力线检测方法。
上述的发明目的是通过以下技术方案实现的:
步骤一、利用机载LiDAR系统对目标城区进行扫描,获取三维点云数据,根据高程分布统计直方图对三维点云数据设定高程阈值,将扫描出的三维点云数据中高度异常的极高点和极低点进行剔除得到粗差剔除后的LiDAR数据;
步骤二、从粗差剔除后的LiDAR数据中包含的N次回波信息中,提取出产生N次回波位置的LiDAR点云,对LiDAR点云进行LiDAR数据中首次回波提取,找到产生LiDAR数据中首次回波位置的点云;
步骤三、利用回波强度信息对提取出的LiDAR数据中的首次回波位置的点云进行再次筛选,找出回波强度量化为0的回波点云;
步骤四、利用基于k-d树的方法对回波强度量化为0的回波点云进行遍历,建立回波强度量化为0的回波点云中每一个点I的近邻点集,并确定近邻点集中的各个点到点I的空间最远距离点J,若最远距离点J到点I的距离小于等于阈值T,则将点I保留即得到滤波后的点云;
步骤五、对滤波后的点云进行栅格化,得到点云栅格化后的栅格图像,其中,栅格图像分辨率为n为三维点云数据密度;
步骤六、对点云栅格化后的栅格图像中的信息点进行霍夫变换线结构检测,找到霍夫变换线的峰值点信息,确定点云栅格化后的栅格图像的线结构;
步骤七、用电力线高程、电力线长度和双曲正弦拟合误差对点云栅格化后的栅格图像的线结构进行约束优化,得到最终的电力线检测结果;即完成了一种基于机载LiDAR数据的城市区域电力线检测方法。
发明效果
本发明以城市区域电力线为研究对象,提出了一种基于机载LiDAR回波信息的电力线提取方法,为及时准确的进行城市电力线状态监测及城市火灾管理提供了可靠地支撑信息。
本发明的目的是在复杂的城区环境中提取出电力线信息,能够从大量的LiDAR点云中提取出边缘线结构点并运用约束条件将电力线和建筑物进行有效的区分解决两者的边缘结构点云相似性。
现有的基于机载LiDAR数据的电力线提取技术大多是针对空旷地区线路走廊中的高架电力线,而在城市区域中由于其复杂的环境因素,这些技术并不能很好的实现电力线的提取。基于此中情况,本发明提出的一种在复杂城区环境中提取电力线的方法,弥补了机载LiDAR数据城区电力线提取技术的空缺。本发明的特征在于:用LiDAR数据中的多次回波信息和回波强度信息对点云进行处理,剔除了大量的非电力线信息点,图5(b)、图6(b)、图7(b)和图8(b)是根据多次回波信息从原始LiDAR点云中提取出来的边缘结构;图5(c)、图6(c)、图7(c)和图8(c)是根据首次回波信息从原始LiDAR点云中提取出来的边缘结构;图5(d)、图6(d)、图7(d)和图8(d)是根据回波强度信息将建筑物边缘滤除的效果图。用k-d树遍历的方法建立了LiDAR点云数据的索引,大大缩减了查询局部邻近点的时间;通过对局部k个近邻点距离的限制,剔除了大多散乱点,用kd树的方法是为了减少搜索近邻点的时间;通过对局部k近邻点距离的限制是为了滤除电力线外大量的散乱点,如图5(d)到5(e),6(d)到(e),7(d)到7(e),8(d)到8(e)的过程,对建筑物等结构的边缘和电力线点进行区分,保留了大部分电力线点云信息,为及时准确的进行城市电力线状态监测提供了可靠地支撑信息。城市区域电力线检测的最终效果图如图5(i)、图6(i)、图7(i)和图8(i)。
附图说明
图1是实施例提出的加载LiDAR数据城区电力线提取的技术流程图;
图2(a)是具体实施方式六提出的二维平面直角坐标系中点、线示意图空间的Hough变换线结构检测原理图;
图2(b)是具体实施方式六提出的将Hough变换线结构二维空间中的一个点映射为变换空间中的一条线示意图,其中,m轴表示斜率,b轴表示截距;图2(b)中的交点表示原二维空间中的一条线。
图2(c)是具体实施方式六提出的将Hough变换线结构二维空间中的一个点映射为极坐标变换空间中的一条曲线示意图,其中,纵坐标ρ表示半径直角坐标系中三维点云数据点投影到平面后的点到原点的距离,横坐标θ表示直角坐标系中三维点云数据点投影到平面后的点到原点的连线与x轴的夹角;图2(c)中的交点表示原二维空间中的一条线。其中,横坐标为极坐标变换空间中的倾角,纵坐标为极坐标变换空间中半径;
图3是本发明实施例中所用的初始机载LiDAR点云数据的实验区域点云数据;X,Y表示WGS84坐标系下的二维地理坐标,Z表示绝对高程;
图4是本发明实施例中粗差剔除时高程信息分布统计直方图;其中,横坐标表示什么的点云三维点云数据的绝对高程分布范围,纵坐标表示三维点云数据某一高度范围内点所占比例
图5(a)是本发明实施例所截取的实验区域一机载LiDAR点云数据示意图;
图5(b)是本发明实施例中提取实验区域一多次回波后的点云数据示意图;
图5(c)是本发明实施例中提取实验区域一多次回波中的首次回波后的点云数据示意图;
图5(d)是本发明实施例中实验区域一经过回波强度限制后的点云数据示意图;
图5(e)是本发明实施例中实验区域一经过局部点云密度限制后的点云数据示意图;
图5(f)是本发明实施例中实验区域一点云分布信息栅格化后的栅格图像示意图;
图5(g)是本发明实施例中实验区域一对点云分布栅格图进行霍夫变换后的峰值点提取结果示意图;
图5(h)是本发明实施例中实验区域一霍夫变换线检测结果示意图;
图5(i)是本发明实施例中实验区域一电力线点分布特征约束优化结果(电力线提取结果)示意图;
图6(a)是本发明实施例所截取的实验区域二机载LiDAR点云数据示意图;
图6(b)是本发明实施例中提取实验区域二多次回波后的点云数据示意图;
图6(c)是本发明实施例中提取实验区域二多次回波中的首次回波后的点云数据示意图;
图6(d)是本发明实施例中实验区域二经过回波强度限制后的点云数据示意图;
图6(e)是本发明实施例中实验区域二经过局部点云密度限制后的点云数据示意图;
图6(f)是本发明实施例中实验区域二点云分布信息栅格化后的栅格图像示意图;
图6(g)是本发明实施例中实验区域二对点云分布栅格图进行霍夫变换后的峰值点提取结果示意图;其中,横坐标为极坐标变换空间中的倾角,纵坐标为极坐标变换空间中半径;白色线条白色方格点表示霍夫变换所检测出来的峰值点,每个点对应一线结构;
图6(h)是本发明实施例中实验区域二霍夫变换线检测结果示意图;
图6(i)是本发明实施例中实验区域二电力线点分布特征约束优化结果(电力线提取结果)示意图;
图7(a)是本发明实施例所截取的实验区域三机载LiDAR点云数据示意图;
图7(b)是本发明实施例中提取实验区域三多次回波后的点云数据示意图;
图7(c)是本发明实施例中提取实验区域三多次回波中的首次回波后的点云数据示意图;
图7(d)是本发明实施例中实验区域三经过回波强度限制后的点云数据示意图;
图7(e)是本发明实施例中实验区域三经过局部点云密度限制后的点云数据示意图;
图7(f)是本发明实施例中实验区域三点云分布信息栅格化后的栅格图像示意图;
图7(g)是本发明实施例中实验区域三对点云分布栅格图进行霍夫变换后的峰值点提取结果示意图;其中,横坐标为极坐标变换空间中的倾角,纵坐标为极坐标变换空间中半径;白色线条白色方格点表示霍夫变换所检测出来的峰值点,每个点对应一线结构;
图7(h)是本发明实施例中实验区域三霍夫变换线检测结果示意图;
图7(i)是本发明实施例中实验区域三电力线点分布特征约束优化结果(电力线提取结果)示意图;
图8(a)是本发明实施例所截取的实验区域四机载LiDAR点云数据示意图;
图8(b)是本发明实施例中提取实验区域四多次回波后的点云数据示意图;
图8(c)是本发明实施例中提取实验区域四多次回波中的首次回波后的点云数据示意图;
图8(d)是本发明实施例中实验区域四经过回波强度限制后的点云数据示意图;
图8(e)是本发明实施例中实验区域四经过局部点云密度限制后的点云数据示意图;
图8(f)是本发明实施例中实验区域四点云分布信息栅格化后的栅格图像示意图;
图8(g)是本发明实施例中实验区域四对点云分布栅格图进行霍夫变换后的峰值点提取结果示意图;其中,横坐标为极坐标变换空间中的倾角,纵坐标为极坐标变换空间中半径;白色方格点表示霍夫变换所检测出来的峰值点,每个点对应一线结构;
图8(h)是本发明实施例中实验区域四霍夫变换线检测结果示意图;
图8(i)是本发明实施例中实验区域四电力线点分布特征约束优化结果(电力线提取结果)示意图;
具体实施方式
具体实施方式一:本实施方式的一种基于机载LiDAR数据的城市区域电力线检测方法,具体是按照以下步骤制备的:
步骤一、利用机载LiDAR系统对目标城区进行扫描,获取三维点云数据,根据高程分布统计直方图对三维点云数据设定高程阈值,将扫描出的三维点云数据中高度异常的极高点和极低点进行剔除得到粗差剔除后的LiDAR数据;
步骤二、由于电力线直径远小于激光雷达光斑的照射直径,所以激光雷达在探测电力线位置处时由于电力线和地面部分将会产生多次回波,并且电力线位置的回波信息一般包含在首次回波当中,通过提取点云中的首次回波可以将大部分的电力线点提取出来;从粗差剔除后的LiDAR数据中包含的N(N≥2)次回波信息中,提取出产生N次回波位置的LiDAR点云,并且电力线一般位于多次回波的首次回波中,所以再次对LiDAR点云进行LiDAR数据中首次回波提取,找到产生LiDAR数据中首次回波位置的点云;
步骤三、首次回波包含电力线点和建筑物等结构边缘点,而电力线由于直径很小,所产生的回波强度大多会远小于建筑物边缘处的回波强度,通过强度信息可以滤除大量的建筑物边缘回波点;利用回波强度信息对提取出的LiDAR数据中的首次回波位置的点云进行再次筛选,找出回波强度量化为0的回波点云;
步骤四、利用基于k-d树的方法对回波强度量化为0的回波点云进行遍历,建立回波强度量化为0的回波点云中每一个点I的近邻点集,并确定近邻点集中的各个点到点I的空间最远距离点J,若最远距离点J到点I的距离小于等于阈值T,则将点I保留即得到滤波后的点云;
步骤五、对滤波后的点云进行栅格化,得到点云栅格化后的栅格图像,其中,栅格图像分辨率为n为三维点云数据密度;
步骤六、对点云栅格化后的栅格图像中的信息点进行霍夫变换线结构检测,找到霍夫变换线的峰值点信息,确定点云栅格化后的栅格图像的线结构;
步骤七、根据电力线点分布特点,用电力线高程、电力线长度和双曲正弦拟合误差对点云栅格化后的栅格图像的线结构进行约束优化,得到最终的电力线检测结果;即完成了一种基于机载LiDAR数据的城市区域电力线检测方法。
本实施方式效果:
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤一中利用机载LiDAR系统对目标城区进行扫描,获取三维点云数据,根据高程分布统计直方图对三维点云数据设定高程阈值,将扫描出的三维点云数据中高度异常的极高点和极低点进行剔除得到粗差剔除后的LiDAR数据具体过程为:
(1)、当机载LiDAR传感器对地面目标进行扫描探测时,LiDAR系统将地面目标和某些低空目标,如飞鸟等进行扫描;LiDAR系统会记录地面目标点的高程信息即某些位置可能会产生异常值如产生远高于地表、建筑物和植被等待测目标的异常高程记录;原始LiDAR数据中,异常高程记录会对后续处理带来误差甚至严重的影响,所以首先应对其进行粗差剔除处理;
(2)、根据异常高程记录形成的原因及特点,利用基于直方图分析的方法对异常高程记录即粗差点来进行粗差剔除。其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:步骤一中三维点云数据中高度异常的极高点和极低点进行剔除具体过过程为:
(1)、基于直方图分析的方法对激光雷达获取的三维点云数据中的高度数据进行统计,绘出高度数据直方图;
(2)、根据高度数据直方图上下高程门限确定极高点和极低点的值范围,并剔除不在极高点和极低点范围内的数据点,极高点和极低点的值范围内的数据点即是粗差剔除后的LiDAR数据。其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:步骤四中阈值T根据三维点云数据密度和近邻点的个数,利用公式计算,其中k为近邻点集中的近邻点个数,n为三维点云数据密度,c为松弛常数。其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:步骤五中对滤波后的点云进行栅格化,得到点云栅格化后的栅格图像用含0或1的二值图像来表示栅格点中是否有滤波后的点云信息。其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:步骤六中对点云栅格化后的栅格图像中的信息点进行霍夫变换线结构检测具体过程为:
输入:多次提取后的点云水平分布信息对应的二值化栅格图像即点云栅格化后的栅格图像;
(1)令ρ∈[Rmin Rmax],θ∈[0π),其中,Rmin为点云栅格化后的栅格图像经霍夫变换后在极坐标系中的最小半径;Rmax为点云栅格化后的栅格图像经霍夫变换后在极坐标系中的最大半径;ρ为点云栅格化后的栅格图像经霍夫变换后在极坐标系中的半径;θ为点云栅格化后的栅格图像经霍夫变换后在极坐标系中的角度;
(2)初始化计数器A为全零,A为和栅格图像尺寸相同的矩阵;
(3)对应每一个信息点的坐标(xi,yi),计算
(4)投票:
(5)决策峰值点阈值:峰值点阈值T根据具体数据设定,即若存在T个点共线,则该峰值点存在线结构;
输出:霍夫变换线检测结果即找到霍夫变换线的峰值点信息如图2(a)、图2(b)和图2(c)。其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:步骤七中根据电力线点分布特点,用电力线高程、电力线长度和双曲正弦拟合误差对点云栅格化后的栅格图像的线结构进行约束优化条件为:
LiDAR点云数据中电力线的主要特征有:(1)电力线点具有较强的延伸性,即对应的线特征比较长;(2)经过多步提取后的点云中电力线点分布具有较好的连续性,即点云间距较小;故而本发明采用的约束策略如下:
(1)保留长度大于目标城区中建筑物最大尺寸的霍夫变换线特征;
(2)保留相邻共线霍夫变换线间隔小于目标城区中相邻建筑物间隔的霍夫变换线特征;
(3)由于霍夫变换中角度分辨率的限制以及点云水平坐标的随机噪声影响,LiDAR点云数据中某条电力线可能会被重复检测出来,所以要若霍夫变换线相交则合并霍夫变换线间的夹角小于5°霍夫变换线特征,若霍夫变换线不相交则合并夹角小于5°霍夫变换线间最小距离小于2m的霍夫变换线特征。其它步骤及参数与具体实施方式一至六之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例一种基于机载LiDAR数据的城市区域电力线检测方法,具体是按照以下步骤制备的:
本实施例采用附图5(a)所示的机载LiDAR点云数据作为城区电力线提取的原始点云数据,此数据是截取自2012年IEEE GRSS举办的数据融合竞赛所提供的美国旧金山地区的机载LiDAR数据(ARRA-CA_SanFranCoast_2010_10SEG5279.las,附图3所示),点云总数约423万,点云密度为2.6点/m2,截取的所用点云数量约44万。
本实施例具体实现均是在Matlab平台上进行的,依照附图1所示的处理流程逐步实现电力线信息的提取,下面对本实施例各步骤做进一步的详细介绍:
1.数据读取——首先将ARRA-CA_SanFranCoast_2010_10SEG5279.las文件导入到Matlab中转换为mat数据格式,其中每一列数据依次表示空间某点的X坐标、Y坐标、高程值、回波强度等信息。
2.点云粗差剔除——对读取的点云高程信息以1m为间隔进行直方图统计,其结果如附图4所示,根据统计结果可以看出,绝大多数点云的高程值在3~82m之间,低于3m的点云所占比例小于0.02%,高于82m的点云所占比例小于0.07%,所以本实施例将高程值不属于3~82m范围的点作为粗差点并将其剔除,剩余部分便是有效的点云信息。本实施例根据坐标信息从剔除粗差后的点云数据当中截取了某一矩形区域进行操作。
3.多次回波限制——由于电力线直径远小于激光雷达的探测光束直径,所以激光雷达在探测电力线位置信息时,必然会产生多次回波现象,通过提取多次回波便可以将大部分电力线点云提取出来。依照LAS文件的存储形式,其数据中的第6列表示某次激光探测所产生的总的回波次数。基于此,通过滤除mat数据中第6列值为1的点云,便可以将多次回波提取出来,结果如附图5(b)所示。
4.首次回波提取——在实际中,电力线在架设时上方一般不会再有其他物体对其产生遮挡,所以在机载激光雷达扫描下,电力线点一般出现在多次回波的首次回波之中。依照LAS文件的存储形式,其数据中的第5列表示该点在多次回波中所处的位置。基于此,通过滤除mat数据中第5列值不为1的点云,便可以将多次回波中的首次回波提取出来,结果如附图5(c)所示。
5.回波强度信息——上述步骤所提取的首次回波点云一般会出现在电力线、建筑物或高架路边缘等位置。电力线相对于其他事物的特点就是它只是一根线,在激光光斑中所占面积很小,这样就导致激光光束无论照射在电力线的哪个位置,其产生的回波强度也会很小,这种性质是建筑物、高架路等边缘结构所不具备的。所以通过限制回波强度信息,可以将首次回波中大部分非电力线的边缘点滤除。依照LAS文件的存储形式,其数据中的第4列表示该点的回波强度信息。基于此,通过滤除mat数据中第4列值小于某阈值的点,便可以将首次回波中的大部分电力线点提取出来,结果如附图5(d)所示。
6.局部点密度信息——经过上述步骤所提取的点云信息,不可避免地仍会包含部分建筑物、高架路等的边缘点云,不同的是电力线位置的点云分布相对较为集中,所以通过局部点密度的限制可以进一步分离电力线点云。首先在检索每个点的近邻点时,为了避免穷举法耗时长、效率低的问题,采用k-d树的方法对所有点云建立索引,然后用k-d树搜索每个点的5个近邻点,用近邻点中和当前点距离最远的点的距离来表征局部点集的疏密程度,据此将大多孤立的点滤除,结果如附图5(e)所示。
7.点云分布信息栅格化——经过上述一系列电力线点云提取过程,得以保留的大部分为电力线点,接下来通过将点云投影到水平面,并将分布信息进行栅格化为二值图像,从而用霍夫变换进行线结构提取。根据点云密度为2.6点/m2,确定栅格尺寸大小为经过投影后有点云信息的栅格值设为1,否则设为0,栅格化结果如附图5(f)所示。
8.霍夫变换线结构检测——
输入:多次提取后的点云水平分布信息对应的二值化栅格图像
(1)令ρ∈[Rmin Rmax],θ∈[0π),其中Rmin和Rmax分别为最小和最大半径;
(2)初始化计数器A为全零,A为和栅格图像尺寸相同的矩阵;
(3)对应每一个信息点的坐标(xi,yi),计算
(4)投票:
(5)阈值决策:阈值T根据具体数据设定,本实施例中设为17,即若存在17个点共线,则该峰值点存在线结构,结果如附图5(g)所示;
输出:线检测结果(如附图5(h)所示)。
9.电力线点分束优化——电力线LiDAR点云数据的主要特征有:(1)电力线点具有较强的延伸性,即对应的线特征比较长;(2)经过多步提取后的点云中电力线点分布具有较好的连续性,即点云间距较小。故而本发明采用的约束策略如下:剔除长度小于10m的线特征;剔除具有较大间隔的线特征。另外,由于霍夫变换中角度分辨率的限制以及点云水平坐标的随机噪声影响,某条电力线可能会被重复检测出来,所以要剔除方向距离相接近的线特征。
经过电力线点分布特征约束优化之后的线检测结果就是本实施例最终的城区电力线提取结果,如附图5(i)所示。按照本发明实施例所述方法在其他区域点云上进行实验,其结果如图6(a)、图6(b)、图6(c)、图6(d)、图6(e)、图6(f)、图6(g)、图6(h)、图6(i)、图7(a)、图7(b)、图7(c)、图7(d)、图7(e)、图7(f)、图7(g)、图7(h)、图7(i)、图8(a)、图8(b)、图8(c)、图8(d)、图8(e)、图8(f)、图8(g)、图8(h)和图8(i)可以看出本发明所提出的方法可以很好地从机载LiDAR数据中提取出城市区域的电力线分布信息。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.一种基于机载LiDAR数据的城市区域电力线检测方法,其特征在于一种基于机载LiDAR数据的城市区域电力线检测方法包括如下步骤:
步骤一、利用机载LiDAR系统对目标城区进行扫描,获取三维点云数据,根据高程分布统计直方图对三维点云数据设定高程阈值,将扫描出的三维点云数据中高度异常的极高点和极低点进行剔除得到粗差剔除后的LiDAR数据;
步骤二、从粗差剔除后的LiDAR数据中包含的N次回波信息中,提取出产生N次回波位置的LiDAR点云,对LiDAR点云进行LiDAR数据中首次回波提取,找到产生LiDAR数据中首次回波位置的点云;
步骤三、利用回波强度信息对提取出的LiDAR数据中的首次回波位置的点云进行再次筛选,找出回波强度量化为0的回波点云;
步骤四、利用基于k-d树的方法对回波强度量化为0的回波点云进行遍历,建立回波强度量化为0的回波点云中每一个点I的近邻点集,并确定近邻点集中的各个点到点I的空间最远距离点J,若最远距离点J到点I的距离小于等于阈值T,则将点I保留即得到滤波后的点云;
步骤五、对滤波后的点云进行栅格化,得到点云栅格化后的栅格图像,其中,栅格图像分辨率为其中,n为三维点云数据密度;
步骤六、对点云栅格化后的栅格图像中的信息点进行霍夫变换线结构检测,找到霍夫变换线的峰值点信息,确定点云栅格化后的栅格图像的线结构;
步骤七、用电力线高程、电力线长度和双曲正弦拟合误差对点云栅格化后的栅格图像的线结构进行约束优化,得到最终的电力线检测结果;即完成了一种基于机载LiDAR数据的城市区域电力线检测方法。
2.根据权利要求1所述一种基于机载LiDAR数据的城市区域电力线检测方法,其特征在于:步骤一中利用机载LiDAR系统对目标城区进行扫描,获取三维点云数据,根据高程分布统计直方图对三维点云数据设定高程阈值,将扫描出的三维点云数据中高度异常的极高点和极低点进行剔除得到粗差剔除后的LiDAR数据具体过程为:
(1)、当机载LiDAR传感器对地面目标进行扫描探测时,LiDAR系统会记录地面目标点的高程信息;
(2)、利用基于直方图分析的方法对异常高程记录即粗差点来进行粗差剔除。
3.根据权利要求2所述一种基于机载LiDAR数据的城市区域电力线检测方法,其特征在于:步骤一中三维点云数据中高度异常的极高点和极低点进行剔除具体过过程为:
(1)、基于直方图分析的方法对激光雷达获取的三维点云数据中的高度数据进行统计,绘出高度数据直方图;
(2)、根据高度数据直方图上下高程门限确定极高点和极低点的值范围,极高点和极低点的值范围内的数据点即是粗差剔除后的LiDAR数据。
4.根据权利要求1所述一种基于机载LiDAR数据的城市区域电力线检测方法,其特征在于:步骤四中阈值T根据三维点云数据密度和近邻点的个数,利用公式计算,其中k为近邻点集中的近邻点个数,n为三维点云数据密度,c为松弛常数。
5.根据权利要求1所述一种基于机载LiDAR数据的城市区域电力线检测方法,其特征在于:步骤五中对滤波后的点云进行栅格化,得到点云栅格化后的栅格图像用含0或1的二值图像来表示栅格点中是否有滤波后的点云信息。
6.根据权利要求1所述一种基于机载LiDAR数据的城市区域电力线检测方法,其特征在于:步骤六中对点云栅格化后的栅格图像中的信息点进行霍夫变换线结构检测具体过程为:
输入点云栅格化后的栅格图像;
(1)令ρ∈[Rmin Rmax],θ∈[0π),其中,Rmin为点云栅格化后的栅格图像经霍夫变换后在极坐标系中的最小半径;Rmax为点云栅格化后的栅格图像经霍夫变换后在极坐标系中的最大半径;ρ为点云栅格化后的栅格图像经霍夫变换后在极坐标系中的半径;θ为点云栅格化后的栅格图像经霍夫变换后在极坐标系中的角度;
(2)初始化计数器A为全零,A为和栅格图像尺寸相同的矩阵;
(3)对应每一个信息点的坐标(xi,yi),计算
(4)投票:
(5)决策峰值点阈值:峰值点阈值T根据具体数据设定,即若存在T个点共线,则该峰值点存在线结构;
输出霍夫变换线检测结果即找到霍夫变换线的峰值点信息。
7.根据权利要求1所述一种基于机载LiDAR数据的城市区域电力线检测方法,其特征在于:步骤七中用电力线高程、电力线长度和双曲正弦拟合误差对点云栅格化后的栅格图像的线结构进行约束优化条件为:
(1)保留长度大于目标城区中建筑物最大尺寸的霍夫变换线特征;
(2)保留相邻共线霍夫变换线间隔小于目标城区中相邻建筑物间隔的霍夫变换线特征;
(3)若霍夫变换线相交则合并霍夫变换线间的夹角小于5°霍夫变换线特征,若霍夫变换线不相交则合并夹角小于5°霍夫变换线间最小距离小于2m的霍夫变换线特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410815772.0A CN104484882B (zh) | 2014-12-24 | 2014-12-24 | 一种基于机载LiDAR数据的城市区域电力线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410815772.0A CN104484882B (zh) | 2014-12-24 | 2014-12-24 | 一种基于机载LiDAR数据的城市区域电力线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104484882A true CN104484882A (zh) | 2015-04-01 |
CN104484882B CN104484882B (zh) | 2017-09-29 |
Family
ID=52759422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410815772.0A Active CN104484882B (zh) | 2014-12-24 | 2014-12-24 | 一种基于机载LiDAR数据的城市区域电力线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104484882B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709475A (zh) * | 2017-01-22 | 2017-05-24 | 百度在线网络技术(北京)有限公司 | 障碍物识别方法及装置、计算机设备及可读存储介质 |
CN106887003A (zh) * | 2017-01-06 | 2017-06-23 | 沈阳工业大学 | 基于八邻域深度差的点云边缘提取方法 |
CN107680102A (zh) * | 2017-08-28 | 2018-02-09 | 国网甘肃省电力公司电力科学研究院 | 一种基于空间约束的机载点云数据电力杆塔自动提取方法 |
CN108573037A (zh) * | 2018-04-04 | 2018-09-25 | 湖南三德科技股份有限公司 | 一种盘煤仪点云数据过滤方法、系统及装置 |
CN109257604A (zh) * | 2018-11-20 | 2019-01-22 | 山东大学 | 一种基于tmc3点云编码器的颜色属性编码方法 |
CN109685769A (zh) * | 2018-11-30 | 2019-04-26 | 北京拓维思科技有限公司 | 导线相间距调整方法和装置 |
CN110320504A (zh) * | 2019-07-29 | 2019-10-11 | 浙江大学 | 一种基于激光雷达点云统计几何模型的非结构化道路检测方法 |
CN110824495A (zh) * | 2019-11-20 | 2020-02-21 | 中国人民解放军国防科技大学 | 基于激光雷达的果蝇视觉启发的三维运动目标检测方法 |
CN111062949A (zh) * | 2019-11-28 | 2020-04-24 | 国网冀北电力有限公司工程管理分公司 | 一种基于机载激光雷达的电力线点云提取方法 |
CN111650599A (zh) * | 2020-05-07 | 2020-09-11 | 国家电网有限公司 | 基于机载激光雷达遥感技术的电力输电线信息提取及安全检测方法 |
CN111862351A (zh) * | 2020-08-03 | 2020-10-30 | 字节跳动有限公司 | 定位模型优化方法、定位方法和定位设备 |
CN112348781A (zh) * | 2020-10-26 | 2021-02-09 | 广东博智林机器人有限公司 | 一种基准面高度检测方法、装置、设备及存储介质 |
CN112649814A (zh) * | 2021-01-14 | 2021-04-13 | 北京斯年智驾科技有限公司 | 一种用于激光定位的匹配方法、装置、设备和存储介质 |
CN112748443A (zh) * | 2020-12-24 | 2021-05-04 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种动态目标三维成像装置及方法 |
WO2021226981A1 (en) * | 2020-05-15 | 2021-11-18 | Baidu.Com Times Technology (Beijing) Co., Ltd. | A detector for point cloud fusion |
US11250438B2 (en) | 2019-07-31 | 2022-02-15 | Advanced New Technologies Co., Ltd. | Blockchain-based reimbursement splitting |
US11308656B1 (en) | 2020-11-16 | 2022-04-19 | International Business Machines Corporation | Power line extraction using reference data |
US11594022B2 (en) | 2020-11-16 | 2023-02-28 | International Business Machines Corporation | Power line georectification |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080007708A1 (en) * | 2005-07-20 | 2008-01-10 | Eurocopter | Method of Detecting Suspended Filamentary Objects by Telemetry |
CN102590823A (zh) * | 2012-01-06 | 2012-07-18 | 中国测绘科学研究院 | 一种机载lidar数据电力线快速提取及重构方法 |
CN103413133A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 无序激光点云数据中自动提取电力线方法 |
CN103473734A (zh) * | 2013-09-16 | 2013-12-25 | 南京大学 | 一种基于车载LiDAR数据的电力线提取与拟合方法 |
-
2014
- 2014-12-24 CN CN201410815772.0A patent/CN104484882B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080007708A1 (en) * | 2005-07-20 | 2008-01-10 | Eurocopter | Method of Detecting Suspended Filamentary Objects by Telemetry |
CN102590823A (zh) * | 2012-01-06 | 2012-07-18 | 中国测绘科学研究院 | 一种机载lidar数据电力线快速提取及重构方法 |
CN103413133A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 无序激光点云数据中自动提取电力线方法 |
CN103473734A (zh) * | 2013-09-16 | 2013-12-25 | 南京大学 | 一种基于车载LiDAR数据的电力线提取与拟合方法 |
Non-Patent Citations (3)
Title |
---|
姚敏: "《数字图像处理》", 31 January 2006, 北京:机械工业出版社 * |
梁静等: "基于 KD 树聚类的机载 LiDAR 数据输电线提取方法", 《中国科技论文在线》 * |
穆超: "基于多种遥感数据的电力线走廊特征物提取方法研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106887003A (zh) * | 2017-01-06 | 2017-06-23 | 沈阳工业大学 | 基于八邻域深度差的点云边缘提取方法 |
CN106887003B (zh) * | 2017-01-06 | 2019-06-07 | 沈阳工业大学 | 基于八邻域深度差的点云边缘提取方法 |
CN106709475A (zh) * | 2017-01-22 | 2017-05-24 | 百度在线网络技术(北京)有限公司 | 障碍物识别方法及装置、计算机设备及可读存储介质 |
CN106709475B (zh) * | 2017-01-22 | 2021-01-22 | 百度在线网络技术(北京)有限公司 | 障碍物识别方法及装置、计算机设备及可读存储介质 |
CN107680102A (zh) * | 2017-08-28 | 2018-02-09 | 国网甘肃省电力公司电力科学研究院 | 一种基于空间约束的机载点云数据电力杆塔自动提取方法 |
CN108573037A (zh) * | 2018-04-04 | 2018-09-25 | 湖南三德科技股份有限公司 | 一种盘煤仪点云数据过滤方法、系统及装置 |
CN109257604B (zh) * | 2018-11-20 | 2020-11-27 | 山东大学 | 一种基于tmc3点云编码器的颜色属性编码方法 |
CN109257604A (zh) * | 2018-11-20 | 2019-01-22 | 山东大学 | 一种基于tmc3点云编码器的颜色属性编码方法 |
CN109685769A (zh) * | 2018-11-30 | 2019-04-26 | 北京拓维思科技有限公司 | 导线相间距调整方法和装置 |
CN109685769B (zh) * | 2018-11-30 | 2020-12-18 | 北京拓维思科技有限公司 | 导线相间距调整方法和装置 |
CN110320504A (zh) * | 2019-07-29 | 2019-10-11 | 浙江大学 | 一种基于激光雷达点云统计几何模型的非结构化道路检测方法 |
CN110320504B (zh) * | 2019-07-29 | 2021-05-18 | 浙江大学 | 一种基于激光雷达点云统计几何模型的非结构化道路检测方法 |
US11250438B2 (en) | 2019-07-31 | 2022-02-15 | Advanced New Technologies Co., Ltd. | Blockchain-based reimbursement splitting |
CN110824495A (zh) * | 2019-11-20 | 2020-02-21 | 中国人民解放军国防科技大学 | 基于激光雷达的果蝇视觉启发的三维运动目标检测方法 |
CN111062949B (zh) * | 2019-11-28 | 2021-05-14 | 国网冀北电力有限公司工程管理分公司 | 一种基于机载激光雷达的电力线点云提取方法 |
CN111062949A (zh) * | 2019-11-28 | 2020-04-24 | 国网冀北电力有限公司工程管理分公司 | 一种基于机载激光雷达的电力线点云提取方法 |
CN111650599B (zh) * | 2020-05-07 | 2022-09-02 | 国家电网有限公司 | 基于机载激光雷达遥感技术的电力输电线信息提取及安全检测方法 |
CN111650599A (zh) * | 2020-05-07 | 2020-09-11 | 国家电网有限公司 | 基于机载激光雷达遥感技术的电力输电线信息提取及安全检测方法 |
WO2021226981A1 (en) * | 2020-05-15 | 2021-11-18 | Baidu.Com Times Technology (Beijing) Co., Ltd. | A detector for point cloud fusion |
CN111862351A (zh) * | 2020-08-03 | 2020-10-30 | 字节跳动有限公司 | 定位模型优化方法、定位方法和定位设备 |
CN111862351B (zh) * | 2020-08-03 | 2024-01-19 | 字节跳动有限公司 | 定位模型优化方法、定位方法和定位设备 |
CN112348781A (zh) * | 2020-10-26 | 2021-02-09 | 广东博智林机器人有限公司 | 一种基准面高度检测方法、装置、设备及存储介质 |
US11308656B1 (en) | 2020-11-16 | 2022-04-19 | International Business Machines Corporation | Power line extraction using reference data |
US11594022B2 (en) | 2020-11-16 | 2023-02-28 | International Business Machines Corporation | Power line georectification |
CN112748443A (zh) * | 2020-12-24 | 2021-05-04 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种动态目标三维成像装置及方法 |
CN112748443B (zh) * | 2020-12-24 | 2023-05-09 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种动态目标三维成像装置及方法 |
CN112649814A (zh) * | 2021-01-14 | 2021-04-13 | 北京斯年智驾科技有限公司 | 一种用于激光定位的匹配方法、装置、设备和存储介质 |
CN112649814B (zh) * | 2021-01-14 | 2022-12-23 | 北京斯年智驾科技有限公司 | 一种用于激光定位的匹配方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104484882B (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104484882A (zh) | 一种基于机载LiDAR数据的城市区域电力线检测方法 | |
CN103413133B (zh) | 无序激光点云数据中自动提取电力线方法 | |
Höfle et al. | Urban vegetation detection using high density full-waveform airborne lidar data-combination of object-based image and point cloud analysis | |
Kim et al. | 3D classification of power-line scene from airborne laser scanning data using random forests | |
Chen et al. | Multiscale grid method for detection and reconstruction of building roofs from airborne LiDAR data | |
CN102103202A (zh) | 一种融合影像的机载激光雷达数据半监督分类方法 | |
CN107273902B (zh) | 一种从机载LiDAR数据自动提取电塔点云的方法 | |
CN105488770A (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
CN106157309A (zh) | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 | |
Jin et al. | A point-based fully convolutional neural network for airborne lidar ground point filtering in forested environments | |
Cheng et al. | Three-dimensional reconstruction of large multilayer interchange bridge using airborne LiDAR data | |
Hu et al. | A fast and simple method of building detection from LiDAR data based on scan line analysis | |
CN104502919A (zh) | 利用机载激光雷达点云提取城市植被三维覆盖的方法 | |
CN105701862A (zh) | 一种基于点云的地物关键点提取方法 | |
CN109766824B (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
Su et al. | Extracting wood point cloud of individual trees based on geometric features | |
CN104318611A (zh) | 一种基于激光扫描点云的三维树木重建方法 | |
Sarıtaş et al. | Enhancing Ground Point Extraction in Airborne LiDAR Point Cloud Data Using the CSF Filter Algorithm | |
CN107993242A (zh) | 基于机载LiDAR点云数据缺失区域边界提取方法 | |
Lin et al. | A multilevel slicing based coding method for tree detection | |
CN112907567B (zh) | 基于空间推理方法的sar图像有序人造构筑物提取方法 | |
Selim et al. | Automatic detection of forest trees from digital surface models derived by aerial images | |
Yu et al. | Automatic object segmentation from large scale 3d urban point clouds through manifold embedded mode seeking | |
Gu et al. | Ground point extraction using self-adaptive-grid and point to surface comparison | |
Kunyuan et al. | Automated object extraction from MLS data: A survey |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |