CN110458111B - 基于LightGBM的车载激光点云电力线的快速提取方法 - Google Patents

基于LightGBM的车载激光点云电力线的快速提取方法 Download PDF

Info

Publication number
CN110458111B
CN110458111B CN201910747202.5A CN201910747202A CN110458111B CN 110458111 B CN110458111 B CN 110458111B CN 201910747202 A CN201910747202 A CN 201910747202A CN 110458111 B CN110458111 B CN 110458111B
Authority
CN
China
Prior art keywords
neighborhood
point cloud
points
plane
spherical
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
CN201910747202.5A
Other languages
English (en)
Other versions
CN110458111A (zh
Inventor
赵志远
蒋鑫吴
方莉娜
李代超
刘明超
郑强文
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN201910747202.5A priority Critical patent/CN110458111B/zh
Publication of CN110458111A publication Critical patent/CN110458111A/zh
Application granted granted Critical
Publication of CN110458111B publication Critical patent/CN110458111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning 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
    • G06V10/40—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

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)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于LightGBM的车载激光点云电力线的快速提取方法，包括以下步骤：步骤S1：从车载激光点云中提取电力线及典型地物的点云样本，并构建训练数据集；步骤S2:分析车载激光点云电力线的基本特征，并构建点云特征向量；步骤S3:根据训练数据集，构建并训练基于LightGBM的集成学习算法模型；步骤S4:根据点云特征向量计算待提取车载激光点云数据的特征向量数值，将特征向量数值输入训练好的基于LightGBM的集成学习算法模型，提取得到电力线点云。本发明实现激光点云中电力线的快速提取，克服了支持向量机在处理高维特征向量时的效率问题。

Description

基于LightGBM的车载激光点云电力线的快速提取方法
技术领域
本发明涉及空间信息技术领域，具体涉及一种基于LightGBM的车载激光点云电力线的快速提取方法。
背景技术
电力线作为一项关系国计民生的重要基础设施其安全情况不容忽视，尤其是在城市棚户区或老旧社区中，密切关系着社区消防等工作。目前，电力线及其周围的安全情况主要依靠人工巡检。然而，传统的人工巡线效率低、人工成本大，如何实现电力线的智能巡检和快速检测并消除电力线隐患是城乡供电管理和科学规划的重要任务。车载激光雷达作为一种高效、快速、高精度的空间数据获取方法，为城市电力线信息的更新和提取提供了一种新的技术手段，可支撑电力线的智能巡检和快速检测服务。
发明内容
有鉴于此，本发明的目的在于提供一种基于LightGBM的车载激光点云电力线的快速提取方法，能够有效提升对应点云分类算法中机器学习模型的训练效率，提高电力线对应点云的提取速度。
为实现上述目的，本发明采用如下技术方案：
一种基于LightGBM的车载激光点云电力线的快速提取方法，包括以下步骤：
步骤S1：从车载激光点云中提取电力线及典型地物的点云样本，并构建训练数据集；
步骤S2:分析车载激光点云电力线的基本特征，并构建点云特征向量；
步骤S3:根据训练数据集，构建并训练基于LightGBM的集成学习算法模型；
步骤S4:根据点云特征向量计算待提取车载激光点云数据的特征向量数值，将特征向量数值输入训练好的基于LightGBM的集成学习算法模型，提取得到电力线点云。
进一步的，所述训练数据集包括电力线、杆状地物和其他类型地物共三种类别的地物。
进一步的，所述电力线的筛选考虑如下三个特征：(a)明显高于地面的悬空点；(b)邻近点云呈现线性延展分布特征，并且直径小于3cm；(c)在点云线性延展方向上，呈现出自然弯曲或垂直地物支撑。
进一步的，所述杆状地物的筛选主要考虑如下特征：(a)呈现出线性延展分布特征，但直径大于于3cm；(b)在点云线性延展方向上，延展距离短于5米，并且呈现出刚性笔直延展，而非自然弯曲。
进一步的，所述步骤S2具体为：从8个类别，利用23个指标构建的特征向量对点云进行描述，计算点云周围邻域范围内的统计特征，所述邻域包括球状邻域与圆柱状邻域；
其中球状邻域用半径r进行定义，即以目标点云为中心、半径为r的球体范围；而柱状邻域则是以XOY平面上目标点云位置为中心、以r为半径的圆，在垂直与XOY平面上构建高度为2r高、中心在点云位置的圆柱体；
所述点云特征具体包括：
(a)高程相关特征：计算球状邻域内所有点的高程方差
Figure BDA0002165966090000031
最大值与最小值的最值差Δzs，垂直圆柱体邻域内所有点的高程方差
Figure BDA0002165966090000032
最大值与最小值的最值差Δzc
Figure BDA0002165966090000033
Figure BDA0002165966090000034
Δzs＝hmax-hmin
Δzc＝hmax-hmin
其中hi是球状邻域或垂直圆柱体邻域内各点的高程，
Figure BDA0002165966090000035
是球状邻域或垂直圆柱体邻域内各点的高程的平均值，N是球状邻域或垂直圆柱体邻域内点的总数，hmax是球状邻域或垂直圆柱体邻域内点的最大值，hmin是球状邻域或垂直圆柱体邻域内点的最小值；
(b)协方差矩阵相关特征：先计算球状邻域内点云三维坐标的协方差矩阵的特征值，将特征值按照从大到小排序依次为λ1、λ2、λ3，然后根据此三个特征值，分别计算邻域范围内点云的球度性SP、线性LN、平面性PL、各向异性AN，具体计算方式如下：
SP＝λ3/λ1
LN＝(λ1-λ2)/λ1
PL＝(λ2-λ3)/λ1
AN＝(λ1-λ3)/λ1
(c)面相关特征：计算球状邻域内所有点拟合的平面的法向量，再计算邻域内所有点到此平面法向量的距离的方差，此特征为平面指数PI，地面和建筑物顶面平面指数较小，而植被平面指数较大；计算平面法向量与z轴之间的角度差Δθ，此特征为平面斜率PS：
Figure BDA0002165966090000041
Figure BDA0002165966090000042
其中di是球状邻域内各点的到平面法向量的距离，N是球状邻域内点的总数，
Figure BDA0002165966090000043
是平面法向量，
Figure BDA0002165966090000044
是z轴的单位向量。
(d)投影相关特征：将球状邻域内所有点投影到一定的平面上，计算其投影面积；选取两种投影方式，XOY平面和与XOY平面垂直的平面；以XOY平面为投影平面计算得到的特征是XOY投影面积特征PA；地面及屋顶XOY投影面积较大，而电力线XOY投影面积较小；按照预设的角度间隔遍历一定数量的平面，取具有最小投影面积的平面，此平面的投影面积为z方向的最小投影面积PB；使用z方向的最小投影面积，植被有较大值，地面及屋顶投影面积次之，而电力线投影面积最小；球状邻域内所有点所围成的体积，此特征为边界体积特征BV
PA＝A/(π·r2)
PB＝min(Ax)
BV＝V/(4π·r3/3)
其中r是邻域半径，A是xy投影面积，Ax是与xy平面垂直的平面面积，V是球状邻域内所有点所围成的体积。
(e)回波次序相关特征：激光点云中记录点云的多次回波，回波信息是用于将可穿透物体与不可穿透物体区分开的常用特征；不同的地物对应的回波次数有所差异，结合待分类点球状邻域内不同回波点所占比例提取出不同的回波特征，具体计算方式如下：
VE＝(nfr+nir)/ns
BE＝nsr/ns
TE＝(nsr+nlr)/ns
PE＝nfr/ns
其中nsr，nfr，nir和nlr分别是对应于球状邻域内捕获的单个，第一，中间和最后回波的点数；ns为球状邻域内的点数；
(f)回波强度相关特征：球状邻域内所有点的回波强度的均值称为回波强度均值IA，不同材质的物体点云回波强度不同，统计球状邻域内所有点的回波强度均值用于区分不同地物
IA＝mean(I)
其中I是球状邻域内各点的回波强度，mean为求平均函数；
(g)密度相关特征：定义球状邻域内单位体积内点的数量，此特征为点密度PD；定义球状邻域内点的数目同柱状邻域内点的数目的一定比率,此特征为密度比率DR；不同类型的物体点密度不同，地面和建筑物表面点密度最高，植被的点密度比电力线的密度高等
PD＝(3·ns)/(4πr3)
DR＝(3·ns)/(4r·nc)≈ns/nc
其中r是邻域半径，ns是球状邻域内的点数，nc是垂直圆柱体邻域内的点数；
(h)垂直剖面相关特征：对垂直柱体邻域在z方向上划分为等距离分段，提取出垂直剖面的特征；当垂直剖面某一分割内有点时，称此分割非空；非空分割数目OS是待分类点所在垂直柱体邻域上所有非空分割的数目；同时，可以计算最大连续非空分割数目COS和最大连续空分割数目CFS
OS＝sum(Nnull)
COS＝max(No)
CFS＝max(Nf)
其中Nnull是非空分割，No是连续非空分割数目，Nf是连续空分割数目，sum、max分别为求和和求最大值函数。
进一步的，所述步骤S3具体为：
步骤S1:在LightGBM算法模型中，对输入的训练数据集采用基于梯度的单边采样算法，采集训练数据集中的大梯度样本和加权后的小梯度样本作为模型的训练数据；
步骤S2:采用互斥特征绑定算法，对训练数据集中存在互斥关系的特征进行绑定与合并；
步骤S3：选择若干不同的邻域半径r计算点云特征向量数值、并选择若干不同的LightGBM模型参数训练模型，其中，LightGBM模型参数包括单边梯度采样中的比例阈值和互斥特征绑定中的互斥程度阈值，通过比较模型训练结果，获取测试效果好的模型。
本发明与现有技术相比具有以下有益效果：
本发明将LightGBM的集成学习算法应用在车载激光点云电力线的提取上，在顾及点云特征的同时，利用单边梯度采样策略减少参与训练的样本数量，利用互斥特征绑定机制来降低参与训练的特征数量，实现激光点云中电力线的快速提取，克服了支持向量机在处理高维特征向量时的效率问题。
附图说明
图1是本发明方法流程原理图；
图2是本发明实例中电力线点云和其他典型地物示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于LightGBM的车载激光点云电力线的快速提取方法，包括以下步骤：
步骤S1：从车载激光点云中提取电力线及典型地物的点云样本，并构建训练数据集；
步骤S2:分析车载激光点云电力线的基本特征，并构建点云特征向量；
步骤S3:根据训练数据集，构建并训练基于LightGBM的集成学习算法模型；
步骤S4:根据点云特征向量计算待提取车载激光点云数据的特征向量数值，将特征向量数值输入训练好的基于LightGBM的集成学习算法模型，提取得到电力线点云。
在本实施例中，所述训练数据集包括电力线、杆状地物和其他类型地物共三种类别的地物。
所述电力线的筛选考虑如下三个特征：(a)明显高于地面的悬空点；(b)邻近点云呈现线性延展分布特征，并且直径小于3cm；(c)在点云线性延展方向上，呈现出自然弯曲或垂直地物支撑。
所述杆状地物的筛选主要考虑如下特征：(a)呈现出线性延展分布特征，但直径大于于3cm；(b)在点云线性延展方向上，延展距离短于5米，并且呈现出刚性笔直延展，而非自然弯曲。
选择特征明显的其他类型地物或生物要素标记为其他类型点云，其中其他类型包括但不限于建筑物、独立植被、车辆、人员等类型。
在本实施例中，从8个类别，利用23个指标构建的特征向量对点云进行描述，计算点云周围邻域范围内的统计特征，所述邻域包括球状邻域与圆柱状邻域；
其中球状邻域用半径r进行定义，即以目标点云为中心、半径为r的球体范围；而柱状邻域则是以XOY平面上目标点云位置为中心、以r为半径的圆，在垂直与XOY平面上构建高度为2r高、中心在点云位置的圆柱体；
所述点云特征具体包括：
(a)高程相关特征：计算球状邻域内所有点的高程方差
Figure BDA0002165966090000081
最大值与最小值的最值差Δzs，垂直圆柱体邻域内所有点的高程方差
Figure BDA0002165966090000082
最大值与最小值的最值差Δzc
Figure BDA0002165966090000083
Figure BDA0002165966090000091
Δzs＝hmax-hmin
Δzc＝hmax-hmin
其中hi是球状邻域或垂直圆柱体邻域内各点的高程，
Figure BDA0002165966090000093
是球状邻域或垂直圆柱体邻域内各点的高程的平均值，N是球状邻域或垂直圆柱体邻域内点的总数，hmax是球状邻域或垂直圆柱体邻域内点的最大值，hmin是球状邻域或垂直圆柱体邻域内点的最小值；
(b)协方差矩阵相关特征：先计算球状邻域内点云三维坐标的协方差矩阵的特征值，将特征值按照从大到小排序依次为λ1、λ2、λ3，然后根据此三个特征值，分别计算邻域范围内点云的球度性SP、线性LN、平面性PL、各向异性AN，具体计算方式如下：
SP＝λ3/λ1
LN＝(λ1-λ2)/λ1
PL＝(λ2-λ3)/λ1
AN＝(λ1-λ3)/λ1
(c)面相关特征：计算球状邻域内所有点拟合的平面的法向量，再计算邻域内所有点到此平面法向量的距离的方差，此特征为平面指数PI，地面和建筑物顶面平面指数较小，而植被平面指数较大；计算平面法向量与z轴之间的角度差Δθ，此特征为平面斜率PS：
Figure BDA0002165966090000092
Figure BDA0002165966090000101
其中di是球状邻域内各点的到平面法向量的距离，N是球状邻域内点的总数，
Figure BDA0002165966090000102
是平面法向量，
Figure BDA0002165966090000103
是z轴的单位向量。
(d)投影相关特征：将球状邻域内所有点投影到一定的平面上，计算其投影面积；选取两种投影方式，XOY平面和与XOY平面垂直的平面；以XOY平面为投影平面计算得到的特征是XOY投影面积特征PA；地面及屋顶XOY投影面积较大，而电力线XOY投影面积较小；按照预设的角度间隔遍历一定数量的平面，取具有最小投影面积的平面，此平面的投影面积为z方向的最小投影面积PB；使用z方向的最小投影面积，植被有较大值，地面及屋顶投影面积次之，而电力线投影面积最小；球状邻域内所有点所围成的体积，此特征为边界体积特征BV
PA＝A/(π·r2)
PB＝min(Ax)
BV＝V/(4π·r3/3)
其中r是邻域半径，A是xy投影面积，Ax是与xy平面垂直的平面面积，V是球状邻域内所有点所围成的体积。
(e)回波次序相关特征：激光点云中记录点云的多次回波，回波信息是用于将可穿透物体与不可穿透物体区分开的常用特征；不同的地物对应的回波次数有所差异，结合待分类点球状邻域内不同回波点所占比例提取出不同的回波特征，具体计算方式如下：
VE＝(nfr+nir)/ns
BE＝nsr/ns
TE＝(nsr+nlr)/ns
PE＝nfr/ns
其中nsr，nfr，nir和nlr分别是对应于球状邻域内捕获的单个，第一，中间和最后回波的点数；ns为球状邻域内的点数；
(f)回波强度相关特征：球状邻域内所有点的回波强度的均值称为回波强度均值IA，不同材质的物体点云回波强度不同，统计球状邻域内所有点的回波强度均值用于区分不同地物
IA＝mean(I)
其中I是球状邻域内各点的回波强度，mean为求平均函数；
(g)密度相关特征：定义球状邻域内单位体积内点的数量，此特征为点密度PD；定义球状邻域内点的数目同柱状邻域内点的数目的一定比率,此特征为密度比率DR；不同类型的物体点密度不同，地面和建筑物表面点密度最高，植被的点密度比电力线的密度高等
PD＝(3·ns)/(4πr3)
DR＝(3·ns)/(4r·nc)≈ns/nc
其中r是邻域半径，ns是球状邻域内的点数，nc是垂直圆柱体邻域内的点数；
(h)垂直剖面相关特征：对垂直柱体邻域在z方向上划分为等距离分段，提取出垂直剖面的特征；当垂直剖面某一分割内有点时，称此分割非空；非空分割数目OS是待分类点所在垂直柱体邻域上所有非空分割的数目；同时，可以计算最大连续非空分割数目COS和最大连续空分割数目CFS
OS＝sum(Nnull)
COS＝max(No)
CFS＝max(Nf)
其中Nnull是非空分割，No是连续非空分割数目，Nf是连续空分割数目，sum、max分别为求和和求最大值函数。
在本实施例中，所述步骤S3具体为：
步骤S1:在LightGBM算法模型中，对输入的训练数据集采用基于梯度的单边采样算法，采集训练数据集中的大梯度样本和加权后的小梯度样本作为模型的训练数据；
步骤S2:采用互斥特征绑定算法，对训练数据集中存在互斥关系的特征进行绑定与合并；
步骤S3：选择不同的邻域半径r计算点云特征向量数值、选择不同的LightGBM参数训练模型，其中，LightGBM模型参数包括单边梯度采样中的比例阈值和互斥特征绑定中的互斥程度阈值，通过比较模型训练结果，获取测试效果好的模型。
在本实施例中，所述单边采样算法和互斥特征绑定算法具体为：
(a)单边采样算法
在训练过程中，如果一个样本的梯度很小，说明该样本的训练误差很小，或者说该样本已经得到了很好的训练，那么在下次的迭代训练中，该样本影响的权重较小。因此当需要减少样本数量时，该样本可以不包括在内。单边梯度采样的步骤如下：
首先，假设有n个样本{x1，…,xn}，计算各个样本的负梯度数值{G1,…,Gn}，并按照梯度绝对值进行降序排序，得到排序后的梯度值{g1,…,gn}；
其次，对排序后的结果选取前a比例的样本生成一个大梯度样本的子集A；对剩下的样本集合(1-a)比例的样本，随机的选取b比例的样本，生成一个小梯度样本的子集B；
最后，将筛选出的大梯度样本子集A和小梯度样本子集B进行合并，并根据此合并后的样本数据集对模型进行训练。
决策树使用信息增益来寻找最优切分点将训练数据集分割成子集，使得各个子集在当前条件下有最好的分类。因此，在GOSS中使用较小的训练样本来计算决策树的信息增益，对于特征j的决策树信息增益计算公式如下：
Figure BDA0002165966090000131
其中
Figure BDA0002165966090000132
分别是左右两个子结点上的样本个数，大梯度样本的集合A在左右两个子结点上的集合分别为Al＝{xi∈A:xij≤d},Ar＝{xi∈A:xij≤d},小梯度样本的集合B在左右两个子结点上的集合分别为Bl＝{xi∈B:xij≤d},Br＝{xi∈B:xij≤d},而系数
Figure BDA0002165966090000133
将小梯度样本子集B上的梯度之和归一化到大梯度样本子集A的梯度大小。
(b)互斥特征绑定算法
在训练过程中，互斥特征绑定思想是首先将互斥的特征捆绑在一起，从而减少参与训练的特征数量，从而达到降维的作用。其中主要步骤包括互斥特征检测以及特征合并两个步骤，具体介绍如下：
首先，进行互斥特征检测。一般地，当两个特征的数值不同时非零时，则认为它们互斥。因此，可以通过检测训练集中，不同的特征值之间不同时非零的数量，据此构建特征之间的互斥程度矩阵，根据互斥程度阈值判定互斥特征小的特征。
计算特征之间的互斥程度；检查排序之后的每个特征，根据公式P(C，D)≤K判断两个特征的互斥程度，其中P(C，D)是待绑定的两个特征的互斥程度，其中K是互斥程度阈值，如果两个特征的互斥程度之和小于K则对它们进行特征绑定，否则，建立新的绑定，使得所有特征绑定之后的总体冲突最小；其中P(C，D)计算方式如下
Figure BDA0002165966090000141
其中
Figure BDA0002165966090000142
表示的是第i个样本的特征C和特征D之间是否互斥，判断方法如下所述：
Figure BDA0002165966090000143
其中
Figure BDA0002165966090000144
和
Figure BDA0002165966090000145
分别表示第i个样本的特征C和D的数值。
其次，特征合并。此处合并操作本身为求和，为了更好地确保合并后原本不同特征的值要有所体现，对原始特征的值添加偏移来实现，即对待合并的不同特征分别添加不同的偏移值，然后将同一点云的需要合并的特征数值求和，作为合并特征值，从而将多个维度的特征合并为一个维度特征。各个特征的偏移数值可以采用已合并数值中的最大值为参考进行获取。例如，假设一个绑定中有两个特征，原始特征A取值[0,10]，B取值[0,20]。添加偏移量10到B中，得到B取值[10,30]。通过这种做法，就可以安全地将特征A和B合并，使用一个取值[0,30]的特征取代原来的两个特征A和B。这样一来，利用这样在新的特征中遍历直方图相当于遍历原来好几个直方图，从而找到最优切分点。

Claims (4)

1.一种基于LightGBM的车载激光点云电力线的快速提取方法，其特征在于，包括以下步骤：
步骤S1：从车载激光点云中提取电力线及典型地物的点云样本，并构建训练数据集；
步骤S2:分析车载激光点云电力线的基本特征，并构建点云特征向量；
步骤S3:根据训练数据集，构建并训练基于LightGBM的集成学习算法模型；
步骤S4:根据点云特征向量计算待提取车载激光点云数据的特征向量数值，将特征向量数值输入训练好的基于LightGBM的集成学习算法模型，提取得到点云电力线；
所述步骤S2具体为：从8个类别，利用23个指标构建的特征向量对点云进行描述，计算点云周围邻域范围内的统计特征，所述邻域包括球状邻域与圆柱状邻域；
其中球状邻域用半径r进行定义，即以目标点云为中心、半径为r的球体范围；而柱状邻域则是以XOY平面上目标点云位置为中心、以r为半径的圆，在垂直与XOY平面上构建高度为2r高、中心在点云位置的圆柱体；
所述点云特征具体包括：
(a)高程相关特征：计算球状邻域内所有点的高程方差
Figure FDA0003977495370000021
最大值与最小值的最值差Δzs，垂直圆柱体邻域内所有点的高程方差
Figure FDA0003977495370000022
最大值与最小值的最值差Δzc；
Figure FDA0003977495370000023
Figure FDA0003977495370000024
Δzs＝hmax-hmin
Δzc＝hmax-hmin
其中hi是球状邻域或垂直圆柱体邻域内各点的高程，
Figure FDA0003977495370000025
是球状邻域或垂直圆柱体邻域内各点的高程的平均值，N是球状邻域或垂直圆柱体邻域内点的总数，hmax是球状邻域或垂直圆柱体邻域内点的最大值，hmin是球状邻域或垂直圆柱体邻域内点的最小值；
(b)协方差矩阵相关特征：先计算球状邻域内点云三维坐标的协方差矩阵的特征值，将特征值按照从大到小排序依次为λ1、λ2、λ3，然后根据此三个特征值，分别计算邻域范围内点云的球度性SP、线性LN、平面性PL、各向异性AN，具体计算方式如下：
SP＝λ3/λ1
LN＝(λ1-λ2)/λ1
PL＝(λ2-λ3)/λ1
AN＝(λ1-λ3)/λ1
(c)面相关特征：计算球状邻域内所有点拟合的平面的法向量，再计算邻域内所有点到此平面法向量的距离的方差，此特征为平面指数PI，地面和建筑物顶面平面指数较小，而植被平面指数较大；计算平面法向量与z轴之间的角度差Δθ，此特征为平面斜率PS：
Figure FDA0003977495370000031
Figure FDA0003977495370000032
其中di是球状邻域内各点的到平面法向量的距离，N是球状邻域内点的总数，
Figure FDA0003977495370000033
是平面法向量，
Figure FDA0003977495370000034
是z轴的单位向量；
(d)投影相关特征：将球状邻域内所有点投影到一定的平面上，计算其投影面积；选取两种投影方式，XOY平面和与XOY平面垂直的平面；以XOY平面为投影平面计算得到的特征是XOY投影面积特征PA；地面及屋顶XOY投影面积较大，而电力线XOY投影面积较小；按照预设的角度间隔遍历一定数量的平面，取具有最小投影面积的平面，此平面的投影面积为z方向的最小投影面积PB；使用z方向的最小投影面积，植被投影面积有较大值，地面及屋顶投影面积次之，而电力线投影面积最小；球状邻域内所有点所围成的体积，此特征为边界体积特征BV：
PA＝A/(π·r2)
PB＝min(Ax)
BV＝V/(4π·r3/3)
其中r是邻域半径，A是XOY投影面积，Ax是与XOY平面垂直的平面面积，V是球状邻域内所有点所围成的体积；
(e)回波次序相关特征：激光点云中记录点云的多次回波，回波信息是用于将可穿透物体与不可穿透物体区分开的常用特征；不同的地物对应的回波次数有所差异，结合待分类点球状邻域内不同回波点所占比例提取出不同的回波特征，具体计算方式如下：
VE＝(nfr+nir)/ns
BE＝nsr/ns
TE＝(nsr+nlr)/ns
PE＝nfr/ns
其中nsr，nfr，nir和nlr分别是对应于球状邻域内捕获的单个，第一，中间和最后回波的点数；ns为球状邻域内的点数；
(f)回波强度相关特征：球状邻域内所有点的回波强度的均值称为回波强度均值IA，不同材质的物体点云回波强度不同，统计球状邻域内所有点的回波强度均值用于区分不同地物：
IA＝mean(I)
其中I是球状邻域内各点的回波强度，mean为求平均函数；
(g)密度相关特征：定义球状邻域内单位体积内点的数量，此特征为点密度PD；定义球状邻域内点的数目同柱状邻域内点的数目的一定比率,此特征为密度比率DR；不同类型的物体点密度不同，地面和建筑物表面点密度最高，植被的点密度比电力线的密度高；
PD＝(3·ns)/(4πr3)
DR＝(3·ns)/(4r·nc)≈ns/nc
其中r是邻域半径，ns是球状邻域内的点数，nc是垂直圆柱体邻域内的点数；
(h)垂直剖面相关特征：对垂直柱体邻域在z方向上划分为等距离分段，提取出垂直剖面的特征；当垂直剖面某一分割内有点时，称此分割非空；非空分割数目OS是待分类点所在垂直柱体邻域上所有非空分割的数目；同时，计算最大连续非空分割数目COS和最大连续空分割数目CFS：
OS＝sum(Nnull)
COS＝max(No)
CFS＝max(Nf)
其中Nnull是非空分割，No是连续非空分割数目，Nf是连续空分割数目，sum、max分别为求和和求最大值函数；
所述步骤S3具体为：
步骤S31:在基于LightGBM算法的集成学习算法模型中，对输入的训练数据集采用基于梯度的单边采样算法，采集训练数据集中的大梯度样本和加权后的小梯度样本作为模型的训练数据；
步骤S32:采用互斥特征绑定算法，对训练数据集中存在互斥关系的特征进行绑定与合并；
步骤S33：选择若干不同的邻域半径r计算点云特征向量数值、并选择若干不同的基于LightGBM算法的集成学习算法模型参数训练模型，其中，基于LightGBM算法的集成学习算法模型参数包括单边梯度采样中的比例阈值和互斥特征绑定中的互斥程度阈值，通过比较模型训练结果，获取测试效果好的模型。
2.根据权利要求1所述的基于LightGBM的车载激光点云电力线的快速提取方法，其特征在于：所述训练数据集包括电力线、杆状地物和其他类型地物共三种类别的地物。
3.根据权利要求2所述的基于LightGBM的车载激光点云电力线的快速提取方法，其特征在于：所述电力线的筛选考虑如下三个特征：(a)明显高于地面的悬空点；(b)邻近点云呈现线性延展分布特征，并且直径小于3cm；(c)在点云线性延展方向上，呈现出自然弯曲或垂直地物支撑。
4.根据权利要求2所述的基于LightGBM的车载激光点云电力线的快速提取方法，其特征在于：所述杆状地物的筛选主要考虑如下特征：(a)呈现出线性延展分布特征，但直径大于3cm；(b)在点云线性延展方向上，延展距离短于5米，并且呈现出刚性笔直延展，而非自然弯曲。
CN201910747202.5A 2019-08-14 2019-08-14 基于LightGBM的车载激光点云电力线的快速提取方法 Active CN110458111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910747202.5A CN110458111B (zh) 2019-08-14 2019-08-14 基于LightGBM的车载激光点云电力线的快速提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910747202.5A CN110458111B (zh) 2019-08-14 2019-08-14 基于LightGBM的车载激光点云电力线的快速提取方法

Publications (2)

Publication Number Publication Date
CN110458111A CN110458111A (zh) 2019-11-15
CN110458111B true CN110458111B (zh) 2023-02-21

Family

ID=68486325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910747202.5A Active CN110458111B (zh) 2019-08-14 2019-08-14 基于LightGBM的车载激光点云电力线的快速提取方法

Country Status (1)

Country Link
CN (1) CN110458111B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111929698A (zh) * 2020-06-22 2020-11-13 云南电网有限责任公司带电作业分公司 一种输电线路走廊区域内的树障隐患识别方法
CN114494380A (zh) * 2022-04-18 2022-05-13 武汉大学 二进制形状上下文特征描述子构建方法及点云配准方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011153624A2 (en) * 2010-06-11 2011-12-15 Ambercore Software Inc. System and method for manipulating data having spatial coordinates
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
CN107918953A (zh) * 2017-09-27 2018-04-17 中国科学院光电研究院 基于三维空间的激光扫描电力线点云的提取方法及装置
CN109815705A (zh) * 2019-01-31 2019-05-28 福州大学 一种基于扫描链特征分析的硬件木马检测方法
CN109948414A (zh) * 2018-12-29 2019-06-28 中国科学院遥感与数字地球研究所 基于LiDAR点云特征的电力走廊场景分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011153624A2 (en) * 2010-06-11 2011-12-15 Ambercore Software Inc. System and method for manipulating data having spatial coordinates
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
CN107918953A (zh) * 2017-09-27 2018-04-17 中国科学院光电研究院 基于三维空间的激光扫描电力线点云的提取方法及装置
CN109948414A (zh) * 2018-12-29 2019-06-28 中国科学院遥感与数字地球研究所 基于LiDAR点云特征的电力走廊场景分类方法
CN109815705A (zh) * 2019-01-31 2019-05-28 福州大学 一种基于扫描链特征分析的硬件木马检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
S. Xu et al..Power Line Extraction From Mobile LiDAR Point Clouds.《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》.2019,第12卷(第2期),第734-743页. *
王艳军等.多尺度邻域特征下的机载LiDAR点云电力线分类.《测绘通报》.2019,(第4期),第21-25页. *
蒋鑫吴等.基于LightGBM的车载激光点云电力线快速提取方法.《测绘科学技术学报》.2019,第36卷(第05期),第494-499页. *
赵刚等.基于Gradient Boosting的车载LiDAR点云分类.《Power Line Extraction From Mobile LiDAR Point Clouds》.2016,第23卷(第03期),第47-52页. *

Also Published As

Publication number Publication date
CN110458111A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
Guo et al. Classification of airborne laser scanning data using JointBoost
CN111299815B (zh) 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法
CN106599808B (zh) 一种基于全波形激光雷达数据的隐蔽目标提取方法
CN104091321B (zh) 适用于地面激光雷达点云分类的多层次点集特征的提取方法
CN102496034B (zh) 基于直线单词的高空间分辨率遥感图像词袋分类方法
Kim et al. 3D classification of power-line scene from airborne laser scanning data using random forests
CN110992341A (zh) 一种基于分割的机载LiDAR点云建筑物提取方法
CN110348478B (zh) 一种基于形状分类与组合的室外点云场景中树木提取方法
CN101853389A (zh) 多类目标的检测装置及检测方法
CN111191628B (zh) 基于决策树与特征优化的遥感影像震害建筑物识别方法
CN112099046B (zh) 基于多值体素模型的机载lidar三维平面检测方法
CN110458111B (zh) 基于LightGBM的车载激光点云电力线的快速提取方法
CN104182763A (zh) 一种基于花朵特征的植物种类识别系统
CN109325502A (zh) 基于视频渐进区域提取的共享单车停放检测方法和系统
CN112529044B (zh) 基于车载LiDAR的铁路接触网提取分类的方法
CN110047036B (zh) 基于极坐标格网的地面激光扫描数据建筑物立面提取方法
CN103927511A (zh) 基于差异特征描述的图像识别方法
CN104794496A (zh) 一种改进mRMR算法的遥感特征优选算法
CN110532963B (zh) 一种车载激光雷达点云驱动的道路标线精准提取方法
CN101964060A (zh) 基于局部纹理特征的sar变体目标识别方法
CN111709430A (zh) 基于高斯过程回归的室外场景三维点云的地面提取方法
CN115690086A (zh) 一种基于对象的高分辨率遥感影像变化检测方法及系统
CN113657216A (zh) 基于形状特征的点云场景树木树冠及木质点分离方法
CN105447488B (zh) 基于素描线段拓扑结构的sar图像目标检测方法
CN113468982A (zh) 一种城市功能区分类方法、装置及存储介质

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