CN107292335A - 一种基于随机森林模型的输电线路点云数据自动分类方法 - Google Patents

Abstract

本发明提供一种基于随机森林模型的输电线路点云数据自动分类方法，随着激光雷达技术的发展和应用，机载激光雷达也被逐渐地引入到输电线路巡视作业中，激光雷达对输电线路走廊进行扫描后会产生大量的点云数据，点云数据的分类是后续点云数据分析和处理的基础。但是，如果采用传统的人工分类方法，工作量较大、非常耗时。本发明主要阐述了一种基于随机森林的自动分类的方法，本方法基于点的局部特征定义机器学习的特征，逐点计算所有的特征值，再通过随机森林构建学习器，以人工分类的点云数据作为训练样本构建有监督的学习模型。在模型训练完成后，将模型运用于未分类的点云数据进行自动分类。

Description

一种基于随机森林模型的输电线路点云数据自动分类方法

技术领域

本发明涉及以一种机载激光雷达对输电线路走廊扫描后的点云数据进行自动分类方法，是一种对输电线路点云数据的自动分类方法。

背景技术

激光雷达技术(LiDAR)是一种主动式的对地观察和测量的技术，在电力、公路、铁路、林业、矿山、城市规划等众多领域都有广泛地应用。由于机载LiDAR可以完整地记录飞行路线及其两侧走廊范围内的三维信息，具有安全、高效、快速等优点，因此逐渐被引入到输电线路巡线中，特别是在地形复杂、条件恶劣的地区。

机载LiDAR在进行输电巡线作业时会产生大量的扫描数据(点云数据)，对点云数据的分析和应用主要包括：电力线路走廊点云分类、输电线路缺陷分析、输电走廊三维重建及可视化等多个方面。其中，电力线路走廊点云分类是其他应用的基础，只要在完成了点云分类以后，才能继续进行深入的分析和研究。传统的分类方法主要采用手动分类，即以人工方式选取点云，手动设置类别，工作量较大、非常耗时。

发明内容

本发明的目的正是为了解决传统输电线路点云数据的分类方法所存在的问题，通过机器学习算法，从已分类的样本中学习分类的知识，然后再将这些知识应用于未分类的点云数据，从而实现点云数据的自动分类。

为了实现上述目的，本发明提供如下技术方案：

一种基于随机森林模型的输电线路点云数据自动分类方法，首先，获取输电线路走廊的机载激光雷达点云数据，基于点云数据中每个点的局部特征定义机器学习的特征，逐点计算所有的特征值，采用有监督的机器学习算法随机森林作为学习器，以人工分类的点云数据作为训练样本来构建模型；在模型训练完成后，将模型运用于未分类的点云数据进行自动分类。

2、本发明所述的一种基于随机森林模型的输电线路点云数据自动分类方法，

1)点云数据的特征定义

只基于点的空间信息来定义特征，不使用回波、颜色等其他信息，从点的邻域中获取局部特征，逐个点地进行特征提取；

对于任意点P及其邻域N，可知存在邻域N的协方差矩阵C，求解矩阵C的特征向量(λ₁≥λ₂≥λ₃≥0)及其对应的特征值(e₁,e₂,e₃)，而特征向量能表达出每个点的局部几何特征，通过特征向量和特征值的组合得到机器学习的特征。

2)设置随机森林参数

随机森林由127棵决策树构成，其中，决策树采用Gini系数作为节点分裂的维度选择标准；

3)样本选择优化

由于在输电走廊通道的点云数据中，电力设施的点数量通常会远远小于其他类别的数量，而数量较多的类别会在分类结果上表现出更大的权重；为了平衡各类别在训练样本中数量，需要对点数量较多的类别采取“欠采样”，对点数量较少的类别采取“过采样”，以此来平衡训练样本；

4)模型训练

首先，对获取到的输电线路走廊点云数据进行人工分类，将分类后的点云作为训练集。其次，计算训练集中所有点的特征值；对训练集按照上述方法进行均衡采样，按照上述参数设置随机森林模型，并进行训练，得到随机森林分类模型；

5)自动分类

读取未进行分类的点云数据，逐点进行特征计算，将计算后的特征向量输入上述训练得到的模型，得到所有点的分类结果。

表1点云数据特征值选取表。

附图说明

图1为本发明结构框图。

具体实施方式

见图1，本发明一种基于随机森林模型的输电线路点云数据自动分类方法，首先，获取输电线路走廊的机载激光雷达点云数据，基于点云数据中每个点的局部特征定义机器学习的特征，逐点计算所有的特征值，采用有监督的机器学习算法随机森林作为学习器，以人工分类的点云数据作为训练样本来构建模型；在模型训练完成后，将模型运用于未分类的点云数据进行自动分类。

本发明根据上述技术特征所采取的技术手段是：

1)点云数据的特征定义

对于任意点P，只基于点的空间信息(x，y，z)来定义特征，计算P的邻域N，计算N协方差矩阵C，求解矩阵C的特征向量(λ₁≥λ₂≥λ₃≥0)及其对应的特征值(e₁,e₂,e₃)，按照表1定义的16个维度计算每个点的特征。

2)设置随机森林参数

随机森林由127棵决策树构成，其中，决策树采用Gini系数作为节点分裂的维度选择标准；

3)样本选择优化

由于在输电走廊通道的点云数据中，电力设施的点数量通常会远远小于其他类别的数量，而数量较多的类别会在分类结果上表现出更大的权重；为了平衡各类别在训练样本中数量，需要对点数量较多的类别采取“欠采样”，对点数量较少的类别采取“过采样”，以此来平衡训练样本；

4)模型训练

首先，对获取到的输电线路走廊点云数据进行人工分类，将分类后的点云作为训练集。其次，计算训练集中所有点的特征值；对训练集按照上述方法进行均衡采样，按照上述参数设置随机森林模型，并进行训练，得到随机森林分类模型；

5)自动分类

读取未进行分类的点云数据，逐点进行特征计算，将计算后的特征向量输入上述训练得到的模型，得到所有点的分类结果。

Claims (2)

1.一种基于随机森林模型的输电线路点云数据自动分类方法，其特征是：首先，获取输电线路走廊的机载激光雷达点云数据，基于点云数据中每个点的局部特征定义机器学习的特征，逐点计算所有的特征值，采用有监督的机器学习算法随机森林作为学习器，以人工分类的点云数据作为训练样本来构建模型；在模型训练完成后，将模型运用于未分类的点云数据进行自动分类。

2.根据权利要求1所述的一种基于随机森林模型的输电线路点云数据自动分类方法，其特征是：

1)点云数据的特征定义

只基于点的空间信息来定义特征，不使用回波、颜色等其他信息，从点的邻域中获取局部特征，逐个点地进行特征提取；

对于任意点P及其邻域N，可知存在邻域N的协方差矩阵C，求解矩阵C的特征向量(λ₁≥λ₂≥λ₃≥0)及其对应的特征值(e₁,e₂,e₃)，而特征向量能表达出每个点的局部几何特征，通过特征向量和特征值的组合得到机器学习的特征；

2)设置随机森林参数

随机森林由127棵决策树构成，其中，决策树采用Gini系数作为节点分裂的维度选择标准；

3)样本选择优化

由于在输电走廊通道的点云数据中，电力设施的点数量通常会远远小于其他类别的数量，而数量较多的类别会在分类结果上表现出更大的权重；为了平衡各类别在训练样本中数量，需要对点数量较多的类别采取“欠采样”，对点数量较少的类别采取“过采样”，以此来平衡训练样本；

4)模型训练

首先，对获取到的输电线路走廊点云数据进行人工分类，将分类后的点云作为训练集。其次，计算训练集中所有点的特征值；对训练集按照上述方法进行均衡采样，按照上述参数设置随机森林模型，并进行训练，得到随机森林分类模型；

5)自动分类

读取未进行分类的点云数据，逐点进行特征计算，将计算后的特征向量输入上述训练得到的模型，得到所有点的分类结果。