CN111079650A - 基于改进knn-dpc算法的激光点云分裂导线提取方法 - Google Patents

Abstract

本发明公开了基于改进KNN‑DPC算法的激光点云分裂导线提取方法，本发明首先通过基于欧氏距离的K‑MEANS聚类方法提取每根电力线点云；然后对每根电力线点云进行抛物线方程拟合，并计算每根电力线点云的空间点相对坐标；再采用改进的KNN‑DPC算法实现分裂导线的识别和各分裂子导线点云的分类。本发明通过对KNN‑DPC算法加以改进，实现了分裂导线的自动识别和提取，提高了分裂导线识别的准确率，并在高噪声背景下表现出较强的抗噪性。

Description

基于改进KNN-DPC算法的激光点云分裂导线提取方法

技术领域

本发明涉及应用于高压输电线路的三维模型重建领域，具体为一种基于改进KNN-DPC算法的激光点云分裂导线提取方法。

背景技术

随着我国输电线路规模不断扩大，输电线路的安全可靠性被要求不断提高，因此需要不断优化输电线路验收方式，以提高输电线路的验收效率。目前，传统的人工验收方式由于验收过程繁琐，工作条件艰苦，存在人员安全隐患等诸多问题逐渐被三维激光扫描验收方式取代。三维激光扫描技术因其可以快速获取周围环境的三维模型在电力行业得到广泛应用，其中，电力线的提取是重点研究方向之一，在特高压及超高压输电线路中，为了抑制电晕放电和减少线路电抗，常采取分裂导线作为高压线路架设方式。由于各分裂子导线间距较小，且各分裂子导线点云间极易产生噪声点，使得基于激光点云的分裂导线自动提取难度大大增加。

近年来，国内外在输电线路三维激光扫描技术上的研究主要集中在输电线路中电力线的提取和输电线路的点云分类两个方面。但关于分裂导线点云的提取研究较少，现有分裂导线提取办法大多采用基于欧氏距离的K-MEANS算法提取分裂导线，该方法需要人机交互输入分裂导线数K，且对距离因素较为敏感，当噪声点过多时容易产生误判。

发明内容

为解决现有技术中存在的问题，本发明目的是提供一种基于改进KNN-DPC算法的激光点云分裂导线提取方法，本发明能够有效提取电力线点云中的分裂导线，具有较强的抗噪性和良好的鲁棒性。

为达到上述目的，本发明采用如下技术方案：

基于改进KNN-DPC算法的激光点云分裂导线提取方法，包括如下步骤：

(1)利用电力线的点云数据，采用空间聚类的方法得到单根电力线点云，然后分别计算各单根电力线点云的拟合抛物线方程，进而计算各电力线点云相对于该抛物线的空间点相对坐标，得到空间点相对坐标点集；

(2)在获取的空间点相对坐标点集上，采用改进的KNN-DPC算法识别分裂导线；

(3)采用两种分配策略分配除类簇中心和噪声点外的样本点。

所述步骤(1)的具体步骤包括：

1-1)利用电力线的点云数据，采用基于欧氏距离的K-MEANS聚类方法得到单根电力线点云；

1-2)随机均匀选取各单根电力线点云的N个样本点构成样本集C，样本集C中点P_i的坐标为(x_i,y_i,z_i)，其中i＝1，2，3…N；

1-3)将三维空间中的样本点转化为曲线所在二维平面中的样本点，则二维样本点坐标为(w_i,z_i)，其中

并采用最小二乘法拟合N个二维样本点(w_i,z_i)，拟合抛物线方程Z为：

Z＝A w²+B w+C

1-4)迭代选取样本集C中的各样本点P_j，取过点P_j的平面x＝x_j，设该平面与拟合曲线式(1)相交于点S_j，则以S_j为原点，计算P_j对于S_j的相对坐标；

1-5)将相对坐标点集中于同一二维平面中，构成相对坐标点集D。

所述步骤(2)的具体步骤包括：

2-1)利用步骤(1)中获取的电力线相对坐标点集D，计算各样本(空间)点i的局部密度ρ_i，其中，i＝1，2，3…N，局部密度ρ_i计算表达式为

其中，d_ij为样本点i和j之间的欧氏距离，KNN(i)为样本点i的K个近邻样本构成的集合，K值取总数据量的1％～2％；

2-2)找出ρ值(即局部密度值)最大的样本点h，记其局部密度值为ρ_max，并计算样本h的距离δ_h：

δ_h＝max_j(d_hj)

空间点j为任意样本点，计算除样本h外，其余各样本点i的距离δ_i，距离δ_i计算表达式为：

δ_i＝min(d_ij)

其中，样本j满足条件：ρ_j＞ρ_i；

2-3)滤除离群点，离群点集合定义为：

Outlier＝{o|k_dist(o)＞threshold}

其中N为样本集全部样本数，若样本点o满足k_dist(o)＞threshold，则样本点o被定义为离群点；

2-4)分裂导线中，分裂子导线间距为0.2-0.5m，为避免距离不同带来的影响，归一化各样本点i的局部密度值和距离值，即

并利用

和

绘制决策图，直观展示聚类结果；

2-5)选取类簇中心候选点k，点k的距离和密度满足条件：δ_k*ρ_k>0.3。；

2-6)除去拥有最大局部密度的样本点h，设剩余类簇中心候选点共有m个，则类簇中心候选点的平均距离

根据

值采用查表法判别分裂导线数。

判别公式为：

所述步骤(3)的具体步骤包括：

3-1)对于除类簇中心外的核心样本点采用第一种策略分配：

将核心样本点分配至距离其最近且密度比它大的样本所在的类簇；

其中核心样本点集合E定义方法如下

E＝{i|ρ_i≥ρ_th}

3-2)对于剩余未分配样本点，采用第二种策略分配：

将剩余未分配样本点按照KNN的思想进行分配，具体过程包括；

设类簇中心个数为S，即统计当前样本i邻域KNN(i)中属于类簇c的样本数N_c(i)，构成一个1×S的向量N(i)，统计N(i)中最大的分量，并将样本i归入对应类簇，若最大分量不止一个，则随机选择一个分量进行分配即可，其中c＝1，2，3，…，S。

本发明的有益效果在于：

本发明提出了基于改进KNN-DPC算法的激光点云分裂导线提取方法，在分裂导线提取的研究中，本发明摒弃了过去常用的基于距离的K-MEANS聚类方法，转而采用基于密度的KNN-DPC聚类算法，并结合输电线路的固有特征加以改进，实现了分裂导线点云的自动提取，提高了分裂导线识别的准确率，并在高噪声背景下表现出较强的抗噪性。本发明的方法在激光扫描条件较差、点云数据中包含较多噪声点的背景下，表现出了较强的抗噪性与优秀的鲁棒性，极大地提高了分裂导线提取的准确率，为输电线路验收工作提供了精确的分析数据。

附图说明

图1为本发明基于改进KNN-DPC算法的分裂导线提取流程图。

图2为本发明样本点选取示意图。

图3为本发明1000KV四分裂导线空间点相对坐标分布图。

图4为本发明1000KV四分裂导线决策图。

图5(a)为分裂导线空间结构示意图(二分裂导线，

)。

图5(b)为分裂导线空间结构示意图(四分裂导线，

)。

图5(c)为分裂导线空间结构示意图(六分裂导线，

)。

图5(d)为分裂导线空间结构示意图(八分裂导线，

)。

图中，1为分裂子导线1，2为分裂子导线2，3为分裂子导线3，4为分裂子导线4，5为分裂子导线5，6为分裂子导线6，7为分裂子导线7，8为分裂子导线8。

具体实施方式

下面结合附图对本发明的具体实施例进行详细说明。

参照图1，本发明的基于改进KNN-DPC算法的激光点云分裂导线提取方法，包括以下步骤：

(1)利用电力线的点云数据，采用空间聚类的方法得到单根电力线点云，然后分别计算各单根电力线点云的拟合抛物线方程，进而计算各电力线点云相对于该抛物线的空间点相对坐标，得到空间点相对坐标点集；

(2)在获取的空间点相对坐标数据集上，采用改进的KNN-DPC算法识别分裂导线；

(3)采用两种分配策略分配除类簇中心和噪声点外的样本点。

其中，所述步骤(1)的具体步骤包括

1-1)利用电力线的点云数据，采用基于欧氏距离的K-MEANS聚类方法得到单根电力线点云；

1-2)随机均匀选取各单根电力线点云的N个样本点构成样本集C，其中点P_i的坐标为(x_i,y_i,z_i)，(i＝1，2，3…N)；

1-3)将三维空间中的样本点转化为曲线所在二维平面中的样本点，则二维样本点坐标为(w_i,z_i)，其中

并采用最小二乘法拟合N个二维样本点(w_i,z_i)，拟合抛物线方程为

Z＝A w²+B w+C

1-4)迭代选取样本集C中的各样本点P_j，取过点P_j的平面x＝x_j，设该平面与拟合曲线式(1)相交于点S_j，则以S_j为原点，计算P_j对于S_j的相对坐标；

1-5)将相对坐标点集中于同一二维平面中，构成相对坐标点集D；

步骤(2)的具体步骤包括：

2-1)利用步骤(1)中获取的电力线相对坐标点集D，并计算各样本(空间)点i(i＝1，2，3…N)的局部密度ρ_i，其计算表达式为：

其中，d_ij为样本点i和j之间的欧氏距离，KNN(i)为样本i的K个近邻样本构成的集合，K值常取总数据量的1％～2％；

2-2)找出局部密度值ρ最大的样本点h，记其局部密度值ρ值为ρ_max，并计算样本h的距离

δ_h＝max_j(d_hj)(样本j为任意样本点)

计算除样本h外，其余各样本点i的距离δ_i，距离δ_i计算表达式为：

δ_i＝min(d_ij)(样本j满足条件：ρ_j＞ρ_i)

2-3)滤除离群点，离群点集合定义为：

Outlier＝{o|k_dist(o)＞threshold}

其中N为样本集全部样本数，即若样本点o满足k_dist(o)＞threshold，则样本点o被定义为离群点；

2-4)由于分裂子导线间距为0.2-0.5m，为避免距离不同带来的影响，归一化各样本点i的ρ值和δ值，即

并利用

和

绘制的决策图，直观展示聚类结果；

2-5)选取类簇中心候选点k，点k满足条件：δ_k*ρ_k>0.3；

2-6)除去拥有最大局部密度的样本点h，设剩余类簇中心候选点共有m个，则类簇中心候选点的平均距离

根据

值采用查表法判别分裂导线数，判别公式为

步骤(3)的具体步骤包括：

3-1)对于除类簇中心外的核心样本点采用策略1分配：将核心样本点分配至距离其最近且密度比它大的样本所在的类簇；

其中核心样本点集合E定义方法如下

E＝{i|ρ_i≥ρ_th}

3-2)对于剩余未分配样本点，采用策略2分配：将剩余未分配样本点按照KNN的思想进行分配，具体过程包括：

设类簇中心个数为S，即统计当前样本i邻域KNN(i)中属于类簇c(c＝1，2，3，…，S)的样本数N_c(i)，得到一个1×S的向量N(i)，统计N(i)中最大的分量，并将样本i归入对应类簇，若最大分量不止一个，则随机选择一个分量进行分配即可。

本发明在拟合出电力线点云的抛物线方程之后，计算电力线点云中各样本点的空间点相对坐标，并将各样本点的相对坐标投影至同一平面内，对相对坐标点集执行改进的KNN-DPC算法。为避免分裂子导线间距不同的影响，对各样本点的ρ值和δ值进行归一化处理。根据分裂导线空间结构及类簇中心特征，设置阈值0.3，自动选取类簇中心点。根据不同电压等级分裂导线空间结构的不同，得到各分裂导线

值的所属范围，并运用查表法识别分裂导线。定义核心样本点，核心样本点与剩余点采用两种分配策略进行分配。

实施例

如图1所示，本实施例的基于改进KNN-DPC算法的激光点云分裂导线提取方法，包括下列步骤：

(1)利用电力线的点云数据，采用空间聚类的方法得到单根电力线点云，然后分别计算各单根电力线点云的拟合抛物线方程，进而计算各电力线点云相对于该抛物线的空间点相对坐标。步骤(1)的具体步骤为：

1-1)输入电力线的点云数据，首先通过统计分析法滤除噪声点(防止对聚类结果产生影响)，然后采用基于欧氏距离的K-MEANS聚类算法得到单根电力线点云；

1-2)随机均匀选取各单根电力线点云的N个样本点构成样本集C，其中点P_i的坐标为(x_i,y_i,z_i)，(i＝1，2，3…N)，为确保选择的均匀性，可采取等间隔取点的方式(如图2所示)，在图中采用同样大小的方框框选了5个区域，将这5个区域中的所有点作为样本集C即可；

1-3)将三维空间中的样本点转化为曲线所在二维平面中的样本点，则二维样本点坐标为(w_i,z_i)，其中

并采用最小二乘法拟合N个二维样本点(w_i,z_i)，拟合抛物线方程为

Z＝A w²+B w+C (1)

该拟合曲线是穿过电力线截面中心的一条曲线，此时并不区分电力线是否为分裂导线；

1-4)迭代选取样本集C中的各样本点P_j，取过点P_j的平面x＝x_j，设该平面与拟合曲线式(1)相交于点S_j，则以S_j为原点，计算P_j对于S_j的相对坐标；

1-5)将相对坐标点投影于同一二维平面中，构成相对坐标点集D(如图3所示)，因此处选取的1000KV线路为四分裂导线线路，所以图3中共有四簇点云团。

(2)在获取的空间点相对坐标数据集上，采用改进的KNN-DPC算法识别分裂导线。步骤(2)的具体步骤为：

2-1)输入步骤(1)中获取的电力线相对坐标点集D，并计算各样本(空间)点i(i＝1，2，3…N)的局部密度ρ_i，其计算表达式为

其中，d_ij为样本点i和j之间的欧氏距离，KNN(i)为样本i的K个近邻样本构成的集合，K值常取总数据量的1％～2％。由上式知，样本点i到其K近邻的距离越小，其密度值ρ_i越大；

2-2)找出ρ值最大的样本点h，记其ρ值为ρ_max，并计算样本h的距离

δ_h＝max_j(d_hj)(样本j为任意样本点) (3)

计算除样本h外，其余各样本点i的距离δ_i，其计算表达式为

δ_i＝min(d_ij)(样本j满足条件：ρ_j＞ρ_i) (4)

由以上两式知，样本点h同时具有最大的ρ值和δ值；

2-3)滤除离群点，离群点集合定义为

Outlier＝{o|k_dist(o)＞threshold} (7)

其中N为样本集全部样本数，即若样本点o满足k_dist(o)＞threshold，则样本点o被定义为离群点；

2-4)由于分裂子导线间距为0.2-0.5m，为避免距离不同带来的影响，归一化各样本点i的ρ值和δ值，即

并利用

和

绘制的决策图(如图4所示)，直观展示聚类结果，图4中各样本点分为类簇中心点，类簇内非中心点和噪声点三类；

2-5)选取类簇中心候选点k，点k满足条件：δ_k*ρ_k>0.3，该阈值参考了八分裂导线参数(如图5d所示)，并考虑了类簇中心点同时具有较大的ρ值和δ值；

2-6)除去拥有最大局部密度的样本点h，设剩余类簇中心候选点共有m个，则类簇中心候选点的平均距离

根据

值采用查表法判别分裂导线数(参考图5)，判别公式为

(3)采用两种分配策略分配除类簇中心和噪声点外的样本点。步骤(3)的具体步骤包括：

3-1)对于除类簇中心外的核心样本点采用策略1分配：将核心样本点分配至距离其最近且密度比它大的样本所在的类簇。

其中核心样本点集合E定义方法如下

E＝{i|ρ_i≥ρ_th} (10)

即选取样本i满足条件：样本i的密度值大于所有样本的密度平均值；

3-2)对于剩余未分配样本点，采用策略2分配：将剩余未分配样本点按照KNN的思想进行分配。

设类簇中心个数为S，即统计当前样本i邻域KNN(i)中属于类簇c(c＝1，2，3，…，S)的样本数N_c(i)，得到一个1×S的向量N(i)，统计N(i)中最大的分量，并将样本i归入对应类簇，若最大分量不止一个，则随机选择一个分量进行分配即可。

Claims (8)

1.基于改进KNN-DPC算法的激光点云分裂导线提取方法，包括以下步骤：

(1)利用电力线的点云数据，采用空间聚类的方法得到单根电力线点云，然后分别计算各单根电力线点云的拟合抛物线方程，进而计算各电力线点云相对于拟合抛物线的空间点相对坐标，得到空间点相对坐标点集；

(2)在获取的空间点相对坐标点集上，采用改进的KNN-DPC算法识别分裂导线；

(3)采用两种分配策略分配除类簇中心和噪声点外的样本点。

2.根据权利要求1所述的基于改进KNN-DPC算法的激光点云分裂导线提取方法，其特征在于：所述步骤(1)的具体步骤包括：

1-1)利用电力线的点云数据，采用基于欧氏距离的K-MEANS聚类方法得到单根电力线点云；

1-2)随机均匀选取各单根电力线点云的N个样本点构成样本集C，样本集C中点P_i的坐标为(x_i,y_i,z_i)，其中i＝1，2，3…N；

1-3)将三维空间中的样本点转化为曲线所在二维平面中的样本点，则二维样本点坐标为(w_i,z_i)，其中

并采用最小二乘法拟合N个二维样本点(w_i,z_i)，拟合抛物线方程Z为：

Z＝Aw²+Bw+C

1-4)迭代选取样本集C中的各样本点P_j，取过点P_j的平面x＝x_j，当平面x＝x_j与拟合抛物线相交于点S_j时，则以S_j为原点，计算P_j对于S_j的相对坐标；

1-5)将相对坐标点集中于同一二维平面中，构成相对坐标点集D。

3.根据权利要求1所述的基于改进KNN-DPC算法的激光点云分裂导线提取方法，其特征在于：所述步骤(2)的具体步骤包括：

2-1)利用步骤(1)中获取的电力线的空间点相对坐标点集，计算各样本点i的局部密度ρ_i，其中，i＝1，2，3…N，局部密度ρ_i计算表达式为：

其中，d_ij为样本点i和j之间的欧氏距离，KNN(i)为样本点i的K个近邻样本构成的集合；

2-2)找出局部密度值最大的样本点h，记其局部密度值为ρ_max，并计算样本点h的距离δ_h：

δ_h＝max_j(d_hj)

空间点j为任意样本点，计算除样本点h外，其余各样本点i的距离δ_i，距离δ_i的计算表达式为：

δ_i＝min(d_ij)

其中，样本j满足条件：ρ_j＞ρ_i；

2-3)滤除离群点，离群点集合定义为：

Outlier＝{o|k_dist(o)＞threshold}

其中N为样本集全部样本数，若样本点o满足k_dist(o)＞threshold，则样本点o被定义为离群点；

2-4)归一化各样本点i的局部密度值和距离值，得到归一化的局部密度值

和距离值

并利用

和

绘制决策图，展示聚类结果；

2-5)选取类簇中心候选点k；

2-6)除去拥有最大局部密度的样本点h，剩余类簇中心候选点共有m个，则类簇中心候选点的平均距离

根据

值采用查表法判别分裂导线数。

4.根据权利要求3所述的基于改进KNN-DPC算法的激光点云分裂导线提取方法，其特征在于：根据

值采用查表法判别分裂导线数的判别公式为：

5.根据权利要求3所述的基于改进KNN-DPC算法的激光点云分裂导线提取方法，其特征在于：K值取总数据量的1％～2％。

6.根据权利要求3所述的基于改进KNN-DPC算法的激光点云分裂导线提取方法，其特征在于：步骤2-5)中，类簇中心候选点k的距离和密度满足条件：δ_k*ρ_k>0.3。

7.根据权利要求1所述的基于改进KNN-DPC算法的激光点云分裂导线提取方法，其特征在于：所述步骤(3)的具体步骤包括：

3-1)对于除类簇中心外的核心样本点采用第一种策略分配：将核心样本点分配至距离其最近且密度比它大的样本所在的类簇；

其中核心样本点集合E定义方法如下

E＝{i|ρ_i≥ρ_th}

3-2)对于剩余未分配样本点，采用第二种策略分配：将剩余未分配样本点按照KNN的思想进行分配，具体过程包括：

当类簇中心个数为S时，统计当前样本点i邻域KNN(i)中属于类簇c的样本数N_c(i)，得到一个1×S的向量N(i)，统计N(i)中最大的分量，并将样本点i归入对应类簇，若最大分量不止一个，则随机选择一个分量进行分配，其中c＝1，2，3，…，S。

8.根据权利要求1所述的基于改进KNN-DPC算法的激光点云分裂导线提取方法，其特征在于：分裂子导线间距为0.2-0.5m。

Images