CN107273902B - 一种从机载LiDAR数据自动提取电塔点云的方法 - Google Patents

一种从机载LiDAR数据自动提取电塔点云的方法 Download PDF

Info

Publication number
CN107273902B
CN107273902B CN201710356115.8A CN201710356115A CN107273902B CN 107273902 B CN107273902 B CN 107273902B CN 201710356115 A CN201710356115 A CN 201710356115A CN 107273902 B CN107273902 B CN 107273902B
Authority
CN
China
Prior art keywords
pylon
point cloud
cloud data
trunk region
data
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.)
Active
Application number
CN201710356115.8A
Other languages
English (en)
Other versions
CN107273902A (zh
Inventor
王成
李雪松
习晓环
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201710356115.8A priority Critical patent/CN107273902B/zh
Publication of CN107273902A publication Critical patent/CN107273902A/zh
Application granted granted Critical
Publication of CN107273902B publication Critical patent/CN107273902B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种从机载LiDAR数据自动提取电塔点云的方法。电塔是高压线路巡检中的重要内容，基于电塔平面位置和空间几何特征，提出了从机载激光雷达点云中提取电塔的方法：①对机载激光雷达获取的输电线路原始点云数据，按照二维格网邻域聚类法实现电塔点云粗提取；②采用Kd‑tree聚类和空间格网区域生长法对粗提取结果进行预处理；③通过电塔的空间几何结构，提取其主干区，并结合RANSAC空间直线拟合法确定塔身棱线方程；④基于线塔主干区点云模型生长剔除噪点，结合电塔底部结构的不同采用特定的方法剔除电塔底部噪点，完成电塔点云的精提取。该发明专利直接通过电塔点云的结构特征提出实现电塔点云精分类，一定程度上可以克服电塔点云数据质量较差的问题，而且分类效率和精度高。

Description

一种从机载LiDAR数据自动提取电塔点云的方法
所属技术领域
本发明专利是一种对地观测领域的技术，涉及一种从高压超高压输电线路的机载LiDAR点云数据自动提取电塔点云的分类方法。该方法具有一定的普适性，是一项具有理论研究和实际应用价值的方法。
背景技术
随着国民经济的快速发展，高压超高压电力线路的大幅扩建，输电线路走廊往往需要穿越各种复杂的地理环境，给传统人工巡检维护带来大量困难。如何快速、精确、实时的监控输电线路的运营状态是电力行业的一大难题。近年来，随着机载LiDAR技术在电力巡线中的深入发展，其高效率、高精度的实时获取三维数据的特点使智能巡线成为可能，而对输电线路点云数据分类是实现智能巡检的基础。而电塔是输电线路的基础设施，要保证电力的高效传输和安全的能源供给，必须实时、准确地掌握并监控电塔等设施的状态，建立完备的预警和应急响应机制。并且由于电力产业的快速发展，需要更加精确、精细和可视化的三维电力网的地理空间信息的支持，尤其是对于山区、森林等一些地形复杂的输电区域，精细的电力线线、电塔三维模型是三维输电走廊可视化和智能电网建设的重要组成部分，可以精确表达获取其重要参数和性能，并可以综合利用受力、天气、树木的生长情况等外部环境因素进行数值模拟分析和线路安全预警，以确保输电走廊的绝对安全。
激光雷达(Light Detection And Ranging，简称LiDAR)是集激光、全球定位系统(Global Positioning System，简称GPS)和惯性导航系统(Intertial NavigationSystem，简称INS)技术于一身，可以快速获取地面及地面目标三维信息，LiDAR技术与成像光谱、合成孔径雷达一起被列为对地观测系统(EOS)计划最核心的信息获取与处理技术。它以激光器为发射光源，向探测目标发射高频率激光脉冲来获取目标反射回波，经过系统处理生成大量离散的点——点云，每个点包含X,Y,Z坐标信息。高频率激光脉冲可以穿透植被，获取植被下地形信息，非常适于狭长区域、植被覆盖、地形复杂区域的三维信息获取，为数字电网建设和线路安全巡检等提供了强有力的技术支撑，其中电塔的三维重建是其中的重要内容，而电塔点云的精确识别是重建的前提和条件。
发明内容
本发明专利是针对机载LiDAR输电走廊点云数据中电塔点云的自动提取方法研究，依据电塔的中心位置和空间几何特征，开展高压电塔点云粗提取、点云数据预处理、塔身主体的提取以及精提取等，将三种不同类型的高压电塔与周围地物点有效分离。
附图说明
下面结合附图和实例对本发明专利进一步说明。
图1是电塔点云提取总流程图
图2是电塔点云提取详细流程图
图3是电塔点云提取流程示意图
具体实施方式
本发明专利总体思路为：根据电塔及周边地形地物的空间几何特征和点云分布特点，基于平面格网邻域聚类、Kd-tree聚类、空间格网区域生长、RANSAC线性拟合以及模型生长方法。针对电塔点云自动提取主要分四个步骤：基于平面格网邻域聚类的电塔点云粗提取、基于Kd-tree聚类和空间格网生长的点云数据预处理、基于电塔几何特征和RANSAC算法的电塔主干区点云提取以及基于模型生长的电塔点云数据精提取。图1是电塔点云提取总流程图，图2是电塔点云提取详细流程图，图3为不同类型的电塔点云提取流程示例，其中图3(a)和3(b)为T型塔、3(c)和3(d)为V型和门型塔提取示意图。
1基于平面格网邻域聚类的电塔点云粗提取
由于每个电塔的类型以及周围环境的不同，需要分别对每个电塔做相应处理，即根据电塔的位置和半径粗略提取电塔点云数据。考虑到各种空间数据结构的复杂度及各类索引算法的效率，本发明专利采用基于平面格网邻域聚类方法完成电塔点云粗提取。粗提取得到的电塔点云如图3(a)、(b)、(c)、(d)中的①图所示。
2基于Kd-tree聚类和空间格网生长的点云数据预处理
由于系统误差或设备原因(扫描设备本身的精度、多路径效应等)、空中对象(飞鸟、浓雾、云等) 以及地物本身材质的影响，都会使得机载激光扫描数据带有噪点，并且由于输电走廊地理环境复杂、植被生长速度较快以及整条输电走廊中电塔类型和大小不一，机载LiDAR电塔点云粗提取时设置的电塔半径阈值相对较大，导致粗提取的电塔点云数据集中存在较高的地形点和植被点，直接影响后续电塔分类过程中电塔主体的确定，从而间接影响电塔点云数据的分类精度。因此，通过分析Kd-tree聚类与空间格网生长的原理与特点，本发明专利提出了基于Kd-tree聚类与空间格网生长的电塔点云去噪方法。
经预处理得到的电塔点云数据如图3(a)、(b)、(c)、(d)中的②图所示。
3基于电塔几何特征和RANSAC算法的电塔主干区点云提取
根据电塔的几何结构，电塔类型可分为T、V、门型塔三种(图3)。电塔是关于中轴线对称的，对上述三类电塔主干区的几何结构形态进行分析：T型塔主干区近似为正四棱锥台，横截面为长方形，侧面和对角面均近似为正等腰梯形，所以它的边长和对角线长度随着高压电塔高度增加而减少，呈负比例线性关系；V型塔主干区近似为倒立的四棱锥台，横截面为长方形，侧面和对角面均可近似为倒立的等腰梯形，所以它的边长与对角线长度随着高压电塔高度的增加而增加，呈正比例线性关系；门型塔主干区可以近似为一个立方体，它的侧面、对角面和横截面均可近似为长方形，所以其横截面的边长和对角线长度随着高压电塔高度的增加保持不变，是一种特殊的线性关系。基于以上分析，可以根据三类电塔的高度和边长或对角线长度之间的线性关系来分离电塔主干区域，其过程简述如下：
(1)垂直分层：对去噪后的粗提取电塔点云数据设定间隔△H进行垂直分层；
(2)去噪：采用基于二维格网的去噪方法剔除每层少量的高压线、拉线和引流线等噪点；
(3)基于RANSAC直线拟合算法提取线性关系：上文分析表明电塔横截面的边长和对角线长度与横截面高度都呈线性关系，但由于横截面边长的计算比较复杂且易受高压电塔点云质量影响，本文采用横截面对角线长度与横截面高度的线性关系来分离电塔主干区点云数据。
图3(a)、(b)、(c)、(d)中的③图为提取的电塔主干区点云数据。
4基于模型生长的电塔点云数据精提取
利用电塔结构上的线性特性，以及主干区点云特点，采用基于主干区点云数据模型生长的方法进一步对电塔点云进行分类。
(1)求取电塔主干区各层角点坐标
针对上述分层点云数据质量的不同，以及三种高压电塔横截面都为长方形的结构特征，本章提出了基于坐标系旋转进行分层点云数据角点坐标提取的方法。然后再通过逆运算完成角点坐标的计算这样可以在一定程度上避免分层点云数据质量较差所导致的角点坐标误差。
(2)基于RANSAC空间直线拟合方法的塔身主体框架提取
从电塔几何结构特征以及电塔主干区各层角点的空间分布规律，本章通过拟合电塔主干区的四个棱线来控制点云模型生长的平面范围。但是，由于点云数据质量影响以及存在的一些特殊情况，用于拟合主干区棱线的角点存在粗差，最终降低基于最小二乘拟合算法的主干区棱线的拟合精度。针对这种情况，本文选择具有较强粗差剔除能力的RANSAC空间直线拟合算法来拟合棱线。
图3(a)、(b)、(c)、(d)中的④图为提取的电塔塔身棱线点。
(3)基于主干区数据模型生长的电塔点云数据提取
基于上文得到的电塔主干区各层点云数据以及塔身的棱线框架，可以对电塔点云数据进行分类，其详细过程如下：
(a)由于电塔通常远高于其周围地物，因此可以设定一个相对高度阈值h0，且其上的点云数据直接判定为电塔点云数据；
(b)对于相对高度在h0以下的电塔点云数据，首先对其进行分层，通过塔身框架棱线方程求取每层高压线点云数据的实际包围盒，然后通过判断每层点云数据是否在包围盒内实现电塔点云与周围噪点的分离。
图3(a)、(b)、(c)、(d)中的⑤图为基于模型生长后得到的电塔点云数据。
(4)基于电塔的类型去除其底部的噪点
经过电塔主干区模型生长后的点云数据的底部还有较多噪点(主要为地面和植被点)。由于电塔所处位置地形复杂且覆盖植被，同时不同类型电塔的底部结构有差异，若对所有电塔采用滤波等方式去掉靠近底部一定高度的点云数据，则会去掉部分电塔点云且高植被的点云并不能剔除。三种电塔都具有各自的塔身框架结构特点：T型塔为正四棱锥台，且其横截面长方形相邻边的长度相差不大，V型塔为倒四棱锥台，但其横截面长方形相邻边的长度相差较大，门型塔为长方体，其横截面长方形相邻边的长度相差较大，据此可以进行电塔类型的识别。针对不同电塔类型本章分别采用特定方法进行电塔底部点云的去噪。
图3(a)、(b)、(c)、(d)中的⑥图为最终精提取的电塔点云。

Claims (1)

1.一种从机载LiDAR数据自动提取电塔点云的方法，其特征在于，主要包括以下几个步骤：
(1)基于平面格网邻域聚类粗提取电塔点云数据；
(2)基于Kd-tree聚类和空间格网生长对粗提取的电塔点云数据进行预处理；
(3)基于电塔几何特征和RANSAC算法提取电塔主干区点云；
根据电塔的几何结构，利用电塔的高度和边长或对角线长度之间的线性关系来分离电塔主干区域，其过程简述如下：
a垂直分层：对去噪后的粗提取电塔点云数据设定间隔△H进行垂直分层；
b去噪：采用基于二维格网的去噪方法剔除每层少量的高压线、拉线和引流线噪点；
c基于RANSAC直线拟合算法提取线性关系：电塔横截面的边长和对角线长度与横截面高度都呈线性关系，但由于横截面边长的计算比较复杂且易受高压电塔点云质量影响，采用横截面对角线长度与横截面高度的线性关系来分离电塔主干区点云数据；
(4)基于模型生长精提取电塔点云数据，完成电塔点云分类；
利用电塔结构上的线性特性，以及主干区点云特点，采用基于主干区点云数据模型生长的方法进一步对电塔点云进行分类；
A求取电塔主干区各层角点坐标；
B基于RANSAC空间直线拟合方法的塔身主体框架提取；
C基于主干区点云数据模型生长的电塔点云数据提取；
基于步骤(4)中得到的电塔主干区各层点云数据以及塔身的棱线框架，对电塔点云数据进行分类，其详细过程如下：
1)由于电塔通常远高于其周围地物，设定一个相对高度阈值h0，且其上的点云数据直接判定为电塔点云数据；
2)对于相对高度在h0以下的电塔点云数据，首先对其进行分层，通过塔身框架棱线方程求取每层高压线点云数据的实际包围盒，然后通过判断每层点云数据是否在包围盒内实现电塔点云与周围噪点的分离；
D基于电塔的类型去除其底部的噪点。
CN201710356115.8A 2017-05-19 2017-05-19 一种从机载LiDAR数据自动提取电塔点云的方法 Active CN107273902B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710356115.8A CN107273902B (zh) 2017-05-19 2017-05-19 一种从机载LiDAR数据自动提取电塔点云的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710356115.8A CN107273902B (zh) 2017-05-19 2017-05-19 一种从机载LiDAR数据自动提取电塔点云的方法

Publications (2)

Publication Number Publication Date
CN107273902A CN107273902A (zh) 2017-10-20
CN107273902B true CN107273902B (zh) 2019-10-18

Family

ID=60064262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710356115.8A Active CN107273902B (zh) 2017-05-19 2017-05-19 一种从机载LiDAR数据自动提取电塔点云的方法

Country Status (1)

Country Link
CN (1) CN107273902B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107993242B (zh) * 2017-12-14 2022-06-03 天津大学 基于机载LiDAR点云数据缺失区域边界提取方法
CN108230336B (zh) * 2017-12-29 2021-09-24 国网通用航空有限公司 一种点云杆塔提取方法及装置
CN108562885B (zh) * 2018-03-29 2021-12-31 同济大学 一种高压输电线路机载LiDAR点云提取方法
CN109613514A (zh) * 2018-12-29 2019-04-12 中国科学院遥感与数字地球研究所 一种基于机载LiDAR点云数据的杆塔倾斜预警方法
CN109948682B (zh) * 2019-03-12 2021-12-10 湖南科技大学 基于正态随机抽样分布的激光雷达点云电力线分类方法
CN111242799B (zh) * 2019-12-10 2024-01-16 国网电力空间技术有限公司 基于机载LiDAR点云的高压线塔中心坐标提取编号方法及介质
CN111145159B (zh) * 2019-12-27 2023-05-23 北京数字绿土科技股份有限公司 提取巡检关键部件点的方法及装置
CN111895907B (zh) * 2020-06-18 2023-02-03 南方电网数字电网研究院有限公司 一种电塔点云提取方法、系统及设备
CN112394743B (zh) * 2020-10-12 2021-12-10 天津航天中为数据系统科技有限公司 一种电力杆塔巡检航线危险点检测的方法
CN112767352B (zh) * 2021-01-19 2023-07-07 国网电力空间技术有限公司 面向机载LiDAR电力巡检的高压线塔自动精细化提取方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412296B (zh) * 2013-06-28 2015-11-18 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塔方法
CN105184250B (zh) * 2015-08-31 2018-06-22 哈尔滨工业大学 一种电力走廊机载LiDAR点云数据的地物分类方法

Also Published As

Publication number Publication date
CN107273902A (zh) 2017-10-20

Similar Documents

Publication Publication Date Title
CN107273902B (zh) 一种从机载LiDAR数据自动提取电塔点云的方法
CN107274417B (zh) 一种基于机载激光点云聚集关系的单木分割方法
Kim et al. 3D classification of power-line scene from airborne laser scanning data using random forests
CN112241661B (zh) 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法
CN105184250A (zh) 一种电力走廊机载LiDAR点云数据的地物分类方法
KR102496740B1 (ko) 위성영상 기반 저수지 수표면적 분석 시스템 및 방법
CN113420674B (zh) 基于点云数据的森林档案模型构建方法、装置及存储介质
CN104484882A (zh) 一种基于机载LiDAR数据的城市区域电力线检测方法
CN114119863B (zh) 一种基于车载激光雷达数据自动提取行道树目标及其林木属性的方法
CN111462134A (zh) 高分遥感影像和激光雷达点云融合的单木分割方法及系统
CN114764871B (zh) 一种基于机载激光点云的城市建筑物属性提取方法
CN112767352B (zh) 面向机载LiDAR电力巡检的高压线塔自动精细化提取方法
CN113570621B (zh) 一种基于高精度点云与影像的树木信息提取方法及装置
CN110794413A (zh) 线性体素分割的激光雷达点云数据电力线检测方法和系统
CN110222586A (zh) 一种建筑物高度的计算及城市形态参数数据库的建立方法
CN102540277A (zh) 基于面向对象和时序影像的白天陆地辐射雾检测方法
CN115063555A (zh) 高斯分布区域生长的车载LiDAR点云行道树提取方法
Shokri et al. A robust and efficient method for power lines extraction from mobile LiDAR point clouds
CN116524219A (zh) 一种基于激光雷达点云聚类的障碍物检测方法
CN115690081A (zh) 一种树木计数方法、系统、存储介质、计算机设备及终端
CN113345094A (zh) 基于三维点云的电力走廊安全距离分析方法及系统
CN115223090A (zh) 基于多源遥感影像的机场净空障碍物周期监测方法
CN109684914A (zh) 基于无人机影像智能识别方法
CN115761382A (zh) 一种基于随机森林的als点云分类方法
CN107705344A (zh) 激光扫描环境点云数据中树冠模型提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant