CN113345089A - 一种基于电力塔点云的规则化建模方法 - Google Patents

Abstract

本发明提供了一种基于电力塔点云的规则化建模方法，属于计算机图形学领域，包括：采集电力塔点云数据，对电力塔进行分类；求取不同种类的电力塔分割层，在分割层中利用特征点提取算法获得分割层特征点；对电力塔结构进行分解，分析不同种类电力塔内部和外部图案，抽象出7种基本图元规则；将不同图案规则和分割层特征点相互组合构建出包含内外部完整结构的电力塔三维模型。该方法对不同种类的电力塔图案进行规则抽象，建模时通过组合图案规则快速实现建模，适用于不同的电力塔类型组件的建模；能在较短时间内生成电力塔的内部细节结构和外部轮廓结构且真实感较强的完整电力塔模型，具有建模时间短、易扩展、适用范围广和重建结构完整的优势。

Description

一种基于电力塔点云的规则化建模方法

技术领域

本发明属于计算机图形学领域，具体涉及一种基于电力塔点云的规则化建模方法。

背景技术

电力塔作为主要的建筑结构类型广泛存在于生活中，快速高质量地重建电力塔结构在虚拟现实、建筑设计和数字化城市等领域有着广泛的应用价值，在模拟电力塔结构受力分析(风荷载、冰荷载、线拉力等)和灾害发生预测(地震作用、山体滑坡等)等方面具有重要的科学意义。然而，由于电力塔本身的孔洞结构和类型多样性，使得快速完整的对电力塔进行建模存在困难。面对这一挑战，模型驱动的建模方法、数据驱动的建模方法和模型-数据驱动相结合的建模方法等三种主要的建模方法应用在电力塔点云上去重建电力塔模型，但以上研究聚焦在电力塔的外部轮廓结构建模，缺少电力塔的内部结构重建。而基于规则的建模方法可通过定义参数和相应的语法规则生成具备更多细节的建筑模型，因此如何利用基于规则的建模方法快速高效地重建电力塔的内外部结构在遥感领域是一个值得研究的热点问题。

电力塔是生活中常见的建筑对象，它不同于常规的结构规则模型，由于其孔洞多、图案结构复杂，导致快速重建电力塔模型成为一个挑战。电力塔的三维建模在研究过程中逐渐形成模型驱动的建模、数据驱动的建模和模型-数据驱动相结合的建模等三种建模方法，虽然这些建模方法能重建电力塔的外部轮廓结构，却难以重建电力塔的具有丰富细节的内部结构。

近年来，随着计算机硬件的性能大幅度提高和三维建模技术的快速发展，国内外在电力塔三维重建方法方面进行了大量的研究，也取得了很多有价值的成果，但基本上都能被归为如下三类：模型驱动的建模方法、数据驱动的建模方法和模型-数据驱动相结合的建模方法。下面将分别对以上三种建模方法的研究现状进行分析。

Chen等采用模型驱动的方法对电力塔建模，该方法首先根据所建立的电力塔概念模型，将复杂的电力塔分解为塔身、塔头和塔脚三个简单的部分，然后用不同的方法对每个部分进行重建。最后，利用位置和方向信息将模型各个部分组装成完整的电力塔模型。Li等通过提取塔头的几何特征，利用支持向量机分类器推导出塔头的几何类型。之后，通过在预定义的塔头模型库中寻找相对应的模型重建塔头。最后，通过拟合点云数据到平面重建塔身。Guo等通过三维参数模型库去重建电力塔，库中的模型用基于随机几何的多面体表示，通过模拟退火算法对能量进行最小化估计，在能量优化过程中自动地重建电力塔模型。但模型驱动的建模方法需要预先定义典型建筑物的模型库，重建建筑的类型仅限于符合预定义模型的建筑。

Zhou等提出了一种机载激光雷达(Light Detection and Ranging,LiDAR)点云的高压输电塔启发式重建方法，该方法结合了数据驱动建模方法和模型驱动建模方法。该研究依据电力塔结构将其分解为塔身和塔头两部分。电力塔重建过程按顺序组装两个部分：首先，通过数据驱动策略重建电力塔主体，其中采用基于RANSAC的算法来拟合四个主要分支。然后，通过形状上下文算法识别塔头的类型，其参数由Metropolis-Hastings采样器和模拟退火算法二者结合的方法来估计，最后在预先定义的3D塔头模型库的帮助下，采用模型驱动策略重建塔头。该研究的建模结果重建了电力塔的外侧轮廓结构，塔身、塔头和塔脚的内部图案结构缺失，建模不完整。Wang等提出了一种从LiDAR点云数据自动进行电力塔3D重建的模型-数据驱动的混合方法。该方法首先根据各个组件的共同特征和功能来定义其头部、塔架主体、横臂和基座等四个组件。然后，根据来自原始点云的位置和形状特征对这四个组件分别进行分割和标识。之后提出一种基于Metropolis-Hastings采样和模拟退火算法的改进方法来估计模型参数。基于估计的参数，重建并堆叠各个组件的3D形状，以形成整个电力塔模型。然而，除塔头模型外，其他模型如横臂模型和塔身模型在针对不同类型构件的模型设计中只包含一种类型，不能满足电力塔结构的复杂性和类型的多样性。

综上所述，现有技术缺点主要包括四方面：

(1)电力塔的分类主要基于塔头结构分类，丢失了塔身结构和塔脚结构的信息。

(2)模型驱动的建模方法不足在于对电力塔的模型假设，重建电力塔的类型仅限于符合预定义模型的电力塔，在后期扩展电力塔类型处于劣势。

(3)数据驱动的建模方法缺少电力塔内部结构的重建，重建模型不完整。

(4)模型-数据驱动相结合的建模方法除塔头组件外，其他不同类型组件的模型设计中只包含一种类型，不能满足电力塔结构的复杂性和类型的多样性。

基于此，本发明提出一种基于电力塔点云的规则化建模方法。

发明内容

为了克服上述现有技术存在的不足，本发明提供了一种基于电力塔点云的规则化建模方法。

为了实现上述目的，本发明提供如下技术方案：

一种基于电力塔点云的规则化建模方法，包括：

采集电力塔点云数据，对电力塔进行分类；

求取不同种类的电力塔分割层，在分割层中利用特征点提取算法获得分割层特征点；

对电力塔结构进行分解，分析不同种类电力塔内部和外部图案，抽象出7 种基本图元规则；

将不同图案规则和分割层特征点相互组合构建出包含内外部完整结构的电力塔三维模型。

优选地，所述对电力塔进行分类包括以下步骤：

对电力塔点云数据进行预处理；

制作电力塔点云图像数据集；

基于卷积神经网络对电力塔点云图像数据集进行分类，将电力塔点云分为长干字塔T1、短干字塔T2和猫型塔T3三个类别。

优选地，对所述电力塔点云进行预处理包括以下步骤：

在Meshlab软件中手动去除电力塔点云中的绝缘子点云噪点，保留植物点云噪点；

对Meshlab软件处理后的电力塔点云进行标准化处理，将点云数据的值缩放在[-1,1]之间，为点云数据选择标准坐标系；

标准化处理如公式(1)所示，其中X^*表示标准化后的点云数据，X表示处理前的点云数据，X_center表示所有数据的平均坐标，X_Max和X_Min分别表示点云数据的最大坐标和最小坐标；

优选地，所述制作电力塔点云图像数据集具体操作为：

利用三维旋转变换和投影将电力塔点云数据的三维坐标信息降维成二维图像，得到电力塔不同角度的图片，电力塔不同角度的图片构成电力塔点云图像数据集。

优选地，所述求取不同种类的电力塔分割层，在分割层中利用特征点提取算法获得分割层特征点具体为：基于电力塔从顶到脚点云分布不均匀的特点，绘制点云的高度直方图求出电力塔分割层，将电力塔被分割为塔身、塔头和塔脚三个部分，并从分割层中利用算法提取点云特征点。

优选地，所述在分割层中利用特征点提取算法获得分割层特征点包括：塔身棱台特征点、塔身棱上特征点、塔脚特征点和塔头特征点。

优选地，所述7种基本图元规则包括折叠形规则、耳形规则、蝶形规则、坡形规则、梯形规则、裤形规则和酒樽形规则。

本发明提供的基于电力塔点云的规则化建模方法具有以下有益效果：

(1)本发明引入卷积神经网络的方法对电力塔点云图像进行分类，该方法基于电力塔的整体结构分类，而不仅仅通过塔头分类，还考虑了采集的电力塔点云数据为倾斜的情况，可实现对倾斜的电力塔进行分类。

(2)本发明提出了一种基于规则的高效易扩展的电力塔建模方法，该方法对不同种类的电力塔塔身、塔头和塔脚图案进行规则抽象，在电力塔建模时通过组合图案规则快速实现建模，适用于不同的电力塔类型组件的建模。

(3)本发明能在较短时间内生成电力塔的内部细节结构和外部轮廓结构且真实感较强的完整电力塔模型。

(4)本发明可以通过定义规则的参数和相应的语法生成电力塔模型，具有建模时间短、易扩展、适用范围广和重建结构完整的优势。

附图说明

为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1的基于电力塔点云的规则化建模方法的流程图；

图2为基于电力塔点云的规则化建模方法图示过程；

图3为电力塔点云沿X轴、Y轴和Z轴的旋转结果图；其中，(a)绕X轴每隔两度旋转的结果；(b)绕Y轴每隔两度旋转的结果；(c)绕Z轴每隔两度旋转的结果；

图4为VGG16卷积神经网络架构图；

图5为电力塔点云图像测试集的识别率曲线；

图6为ResNet50网络电力塔图像测试集的识别率；

图7为电力塔的分割层；其中，(a)电力塔点云的正视图；(b)点云高度直方图；(c)电力塔点云的侧视图；

图8为塔身棱台特征点图；其中，(a)为猫型塔身的棱台特征点；(b)为长干字型塔身的棱台特征点；(c)为猫型塔身的棱台特征点俯视图；(d)为长干字型塔身的棱台特征点俯视图；

图9为确定塔身特征点图；其中，(a)为确定塔身棱上特征点A；(b)为计算塔身内部中心交点C；

图10为确定塔脚特征点图；其中，(a)确定塔身棱上特征点A；(b)计算塔身内部中心交点C；

图11为确定塔头分割层的特征点图；其中，(a)为在分割层点云中找到凸包点；(b)为利用DP算法抽稀凸包点；(c)为内外点判断获取两侧点云；(d)为通过最小包围矩形求出特征点坐标；

图12为塔头特征点提取结果图；其中，(a)为长干字塔的塔头特征点； (b)为短干字塔的塔头特征点；(c)为猫型塔的塔头特征点；

图13为电力塔结构分解示意图；

图14为对称的图案归为同一种图案；其中，(a)为原始图案；(b)为左右对称的图案；(c)上下对称的图案；

图15为折叠形结构图；

图16为耳形结构图；

图17为蝶形结构图；

图18为坡形结构；

图19为梯形结构；

图20为裤形结构；

图21为酒樽形结构；

图22为两个不同塔身规则化建模结果；(a)与塔身10(b)对应的建模结果 (b)另一塔身的建模结果；

图23为长干字型、短干字型和猫型塔塔头的规则化重建结果；

图24为塔脚的规则化建模结果；其中，(a)为裤形规则的重建结果1；(b) 为裤形规则的重建结果2；(c)为酒樽形规则的重建结果；(d)为折叠形规则的重建结果；

图25为长干字塔绕Y轴每隔两度旋转投影的结果；

图26为三种类型的电力塔规则化重建结果；

图27为规则化建模方法与3ds Max建模方法比较；其中，(a)为电力塔点云 (b)为3ds Max建模结果；(c)为规则化建模结果；

图28为规则化建模方法与抽象模板结构建模方法的对比图；其中，(a)为抽象模板结构建模结果；(b)为规则化建模结果；

图29为点云缺失对规则化重建的影响；其中，(a)为电力塔点云缺失；(b)为缺失点云的规则化建模结果；

图30为基于规则的建模方法应用在其他类型的电力塔点云上的重建结果；

图31为电力塔在场景中的重建结果；其中，(a)机载激光雷达系统采集的电力塔场景点云；(b)采用广义圆柱体表示的猫型电力塔几何重建结果；

具体实施方式

为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例1

本发明提供了一种基于电力塔点云的规则化建模方法，包括：

首先，在将电力塔三维点云(图2(a))旋转投影为二维点云图像后，采用卷积神经网络对点云图像进行分类(图2(b))，将电力塔点云分为长干字塔(T1)、短干字塔(T2)和猫型塔(T3)等三个类别。然后，基于电力塔从顶到脚点云分布不均匀的特点，绘制点云的高度直方图求出电力塔分割层，并从分割层中利用算法提取点云特征点(图2(d))。同时，通过分析常见电力塔的塔身、塔头和塔脚的图案，抽象出图案规则(图2(c))，并且可以将其同时应用于塔身、塔头和塔脚的规则化重建。最后，在特征点上组合不同的图形规则完成电力塔的重建，快速构建出包含内、外部图案的电力塔模型(图2(e))。

该建模方法具体步骤如下：

步骤1、采集电力塔点云数据，对电力塔进行分类；

电力塔类型多样、结构复杂的特点极大加剧了其分类的困难程度。由于不同电力塔的分割层和特征点不同，因此需先识别电力塔的类型，步骤1具体包括：

步骤1.1、对电力塔点云数据进行预处理

步骤1.1.1、在Meshlab软件中手动去除电力塔点云中的绝缘子点云噪点，保留植物点云噪点。

电力塔点云的噪点主要包括绝缘子点云和植物点云两类。绝缘子点云噪点对电力塔重建有着重要的影响，因为其直接影响着关键分割层的选取和特征点的确定，绝缘子点云的存在会影响电力塔的建模效果。所以，本发明在Meshlab 软件中手动去除了绝缘子点云噪点。对于植物点云噪点，在数量上较少，对建模方法干扰不大，本发明选择保留这些点。

步骤1.1.2、对Meshlab软件处理后的电力塔点云进行标准化处理，将点云数据的值缩放在[-1,1]之间，为点云数据选择标准坐标系。

在去除了噪点之后，进而对电力塔点云进行标准化处理，将点云数据的值缩放在[-1,1]之间，为点云数据选择有效的标准坐标系，以便后序的数据处理实验。标准化处理如公式(1)所示，其中X^*表示标准化后的点云数据，X表示处理前的点云数据，X_center表示所有数据的平均坐标，X_Max和X_Min分别表示点云数据的最大坐标和最小坐标。

之后，本发明将处理后的点云数据进行旋转，旋转到电力塔点云的正面，为之后采集电力塔旋转投影图像做准备。

步骤1.2、制作电力塔点云图像数据集，具体为利用三维旋转变换和投影将电力塔点云数据的三维坐标信息降维成二维图像，得到电力塔不同角度的图片，电力塔不同角度的图片构成电力塔点云图像数据集。

本发明的电力塔数据来源于陕西省西安市长安区，利用机载LiDAR对电力塔点云数据进行采集，采集到的电力塔类型有长干字塔(T₁)、短干字塔(T₂)和猫型塔(T₃)，对应的数量分别为21、20和18个。本发明的电力塔分类实验以T₁， T₂和T₃三种类型的电力塔为研究对象。电力塔点云数据为三维坐标信息，直接利用电力塔三维信息对其进行分类存在很大困难，通过降维的操作将三维信息降成二维，从而应用二维数据分类方法实现对电力塔的分类。目前对数据进行降维存在很多的方法，本发明利用三维旋转变换和投影将三维点云降维成二维图像。

本发明将电力塔的三维点云沿着X轴、Y轴和Z轴分别旋转，采集投影到二维XY平面的图像。每轴的旋转范围为[-5°,5°)，每隔1°采样。以三维点云绕Y轴旋转为例，点云分别旋转-5°，-4°，...，4°后，采集投影到XY平面的图像，图3为电力塔点云分别沿X轴、Y轴和Z轴每隔2°的旋转结果。利用三维点云旋转，本发明得到了电力塔的不同角度的图片，每个电力塔绕每个轴旋转可获得10张投影图像，三个轴共获得30张图像。实验中三类电力塔共59 个塔可收集到1770张图片数据，数据集按7:3的比例划分，其中1239张图片数据用于训练，531张图片数据用于测试。

步骤1.3、基于卷积神经网络VGG16对电力塔点云图像数据集进行分类，将电力塔点云分为长干字塔T1、短干字塔T2和猫型塔T3三个类别；

VGG16模型是图像分类领域中的一个经典卷积神经网络，分类网络模型如图4所示，该网络通过增加网络深度提升了网络的性能，可以充分地提取图像的信息，在图像识别领域获得了广泛应用。考虑到VGG16模型的良好分类性能。本发明采用VGG16网络对电力塔点云图像进行分类测试，在训练过程中将批大小设置为10，学习率设置为0.01，训练次数(Epoch)设置为50。经过6000 多次的迭代训练，在测试集上的识别率收敛到94.17％，如下图5所示，分类的结果如表1所示，其中，TP(True Positives)表示测试集中正确分类的电力塔数量， FN(False Negatives)意为错误分类的电力塔数量，FP(False Positives)指的是被错误分到当前类的电力塔数量，查准率的计算公式为Correctness＝TP/(TP+FP)，查全率的计算公式为Completeness＝TP/(TP+FN)。实验结果显示该分类方法的平均查准率为94.17％，平均查全率为94.39％，说明该模型可在测试集上实现较好的分类结果。

表1.VGG16的识别结果

VGG网络随着卷积层数的增加会导致网络性能不断下降，主要原因是网络层数越深，模型在训练过程中越容易出现梯度弥散现象。ResNet网络的提出 (He et al.2016)有效解决了网络无法继续增加的问题，它可以训练超深层卷积神经网络并且实现更好的分类精度。本发明选取应用最为广泛的卷积神经网络 RenNet50作为网络模型，如表2所示。该网络先通过一个的7×7的卷积层对图像进行卷积操作，其次经过一个3×3的最大池化层，然后经过48个卷积层，最后经过一个全连接层，构成一个50层的网络。

表2.ResNet50网络架构

本发明也用ResNet50网络对电力塔图像进行分类测试，在训练过程中批大小和训练次数(Epoch)仍设置为10和50。经过6000多次的迭代训练，在测试集上的识别率收敛到99.82％，如图6所示，分类结果如表3所示。该分类方法的平均查准率为99.82％，平均查全率为99.79％，结果表明该方法的平均查准率较VGG16网络提升了5.65个百分点，由此说明ResNet50网络比 VGG16网络的分类效果更好，更能满足电力塔的分类需求。

表3.ResNet50的识别结果

另外，本发明也对传统的机器学习方法SVM进行了测试，将其作为卷积神经网络的对比实验。实验中SVM分类器采用的核函数为RBF，正则化系数C 的值为0.01，高斯核参数gamma的值为0.0000015。实验结果表明SVM分类方法的平均查准率为84.79％，平均查全率为71.25％。两者比较说明采用卷积神经网络的方法可以更有效提取图像特征并实现电力塔的分类，分类结果更精确。

本发明分析了三种方法的分类结果，发现SVM分类错误的电力塔类型都错认为电力塔T2，T1和T2在外形结构上有一定的相似度，T3和T2在结构相似性较低，但部分T3数据分类为T2，可以看出SVM分类方法不太适合对电力塔分类。而VGG16和ResNet50分类错误的图片较少，误判在可承受的范围内，它们分类错误的原因可能是数据集不够大，模型训练的还不够健壮，但是目前的精度已经能满足后序实验需要，在未来的研究中将会扩充数据集以进一步训练模型并提升分类精度。

电力塔为高大的钢框架结构，其主要区别在于电力塔的形状。虽然相比于塔身和塔脚，塔头的形状区别比较大，但是塔头结构不能完全表示电力塔的整体结构，所以本发明基于电力塔的整体结构对其分类。本发明采用卷积神经网络对电力塔进行分类，在建立数据集时考虑到采集的电力塔点云为倾斜的情况，从而该分类方法可以对倾斜的电力塔进行分类，采用ResNet50卷积神经网络分类的平均查准率为99.82％。造成分类错误的原因可能是电力塔的相似性和数据集不够多。

步骤2、求取不同种类的电力塔分割层，在分割层中利用特征点提取算法获得分割层特征点，具体为：基于电力塔从顶到脚点云分布不均匀的特点，绘制点云的高度直方图求出电力塔分割层，将电力塔被分割为塔身、塔头和塔脚三个部分，并从分割层中利用算法提取点云特征点，包括：塔身棱台特征点、塔身棱上特征点、塔脚特征点和塔头特征点。

为了得到电力塔点云特征点，通过特征点与规则化算法相结合进行电力塔建模，本发明采用特征点提取算法求出电力塔点云的特征点。根据电力塔的分类结果，分别绘制电力塔点云高度直方图，利用算法求出分割层的特征点。不同的分类结果求取特征点的算法不相同，本发明中用到的特征点提取算法主要包括凸包算法、道格拉斯-普克算法、最小包围矩形算法以及内外点判断方法等，最终找出建模所需的电力塔点云特征点。具体包括：

步骤2.1基于高度直方图的电力塔分割

电力塔的整体结构较为复杂，直接对其进行建模存在较大难度。为此，本发明通过分析电力塔的几何特性，将不同类型的电力塔分割为塔身、塔头和塔脚三个部分，然后分别对每个部分进行建模。分割电力塔需预先确定分割层，分割层主要和局部最大点密度有关，故可通过点云高度直方图提取分割层。

在实验中，首先定义点密度为每层点云数量占最大层点云数量的比例，然后将点云沿Y轴划分为N层，N的经验值如表4所示，其中P为总点云数目。假设每层点云数量为P_i，i为层数，点云数量最多层为m，则点密度可表示为φ_i＝P_i/P_m。每一层密度值均存放于数组Array中，然后用宽度大小为W的窗口向上移动寻找数组中的局部最大密度。最高层(P_N层)包含塔头特征点，实验中将其设置为局部最大密度。塔身存在的部分局部最大值会影响定位分割层，从而通过阈值γ限定分割层的范围。从电力塔底部向顶部移动时，如果局部最大密度在γ范围内，则窗口将继续移动，否则将标记局部最大密度。表4列出了识别分割层所需的参数和相应的经验值。

表4.识别分割层参数的经验值

通过以上方法可以获取到电力塔点云的分割层结果，图7所示为获取的猫型塔分割层结果。其中图7(a)和图7(c)中的粗线表示分割位置，图7(b)中的粗线表示找到的局部最大密度。本发明通过S₀和S₁将电力塔分割为塔身、塔头和塔脚三部分，S₀到S₁中间部分为塔身，S₁以上部分为塔头，S₀以下部分为塔脚。

步骤2.2、电力塔特征点提取

电力塔按照分割层可以分为塔身、塔头和塔脚，针对不同部分分别提取特征点。在分割层中，通过凸包算法、道格拉斯-普克算法和最小包围矩形等方法提取特征点，具体包括：

步骤2.2.1、塔身棱台特征点提取

首先提取棱台的八个角点，即塔身上顶和下底角点。塔身的棱台结构决定了角点位于四条侧棱上，采用最小包围矩形的方法，如公式(2)所示，可以快速计算出角点坐标。该方法将分割层点云包围成矩形，旋转分割层点云时，矩形的面积S也在变化，则存在一个旋转角度θ使包围矩形的面积最小，此时矩形的四个顶点即为对应的角点。

S_min＝min{(X_rθ-X_lθ)(Y_tθ-Y_bθ)} (2)

其中，θ∈(0°,360°)，X_rθ是点云旋转角度为θ时最右端点，X_lθ是点云旋转角度为θ时最左端点，Y_tθ是点云旋转角度为θ时最上端点，Y_bθ是点云旋转角度为θ时最下端点。

在提取塔身上顶特征点时，由于上顶分割层位于塔头和塔身的衔接处，导致分割层点云存在塔头点云，因此，直接采用最小包围矩形求取特征点存在较大误差，而分割层的相邻层只包含塔身点云。所以，本发明利用相邻层的角点作为塔身上顶的特征点。在塔身上确定的棱台特征点如图8(a)和8(b)的黑色角点所示，图8(c)和8(d)分别为提取猫型塔和长干字型塔特征点后的俯视图。

步骤2.2.2、塔身棱上特征点提取

对塔身的内部结构建模需确定塔身侧棱上的特征点。由于直接将塔身三维点云投影到二维平面上会出现点云叠影点，导致难以判断棱上特征点和中心交点。为解决该问题，本发明采用交互式的方法估计侧棱特征点的位置。实验中将塔身划分为L层，棱的起点和终点分别为上顶角点和下底角点，通过棱的端点可以求出棱的方向向量。建模过程中根据点云位置交互式调整缩放因子，近似确定特征点的位置。如图9(a)所示，A₁和A₂为塔身上顶和下底特征点，特征点A的坐标求解如下所示：

其中，α作为缩放因子，取值范围为0～1。

在利用规则建模时需要用到两个分割层特征点连线的中点，如图9(b)中点 C的坐标，A、B、A′和B′为分割层的特征点，v₁是A′到B的单位向量，v₂是A 到B′的单位向量，t表示A′C的长度，中点C坐标的计算方法如下所示：

步骤2.2.3、塔脚特征点提取

电力塔塔脚的建模需确定四个支撑点的坐标，本发明通过分析电力塔塔脚点和塔身的联系以确定塔脚点坐标。如图10(a)中点云所示，电力塔塔身侧棱线与塔脚支撑点在同一条直线上。点与线之间的几何关系如图10(b)所示，其中 B₁为塔身上层的特征点，B₂为下层特征点，θ表示侧棱与垂线的夹角，待求支撑点E的计算方法如公式(5)所示：

步骤2.2.4、塔头特征点提取

塔头是相对复杂的结构，由于塔头类型较多、结构复杂和图案多样，导致提取塔头特征点的难度较大。本发明将塔头结构分为内部棱台结构和外部横担结构，内部棱台结构与塔身结构类似，采取跟塔身一致的实现方法，外部结构主要指塔头两侧的支撑电线的横担结构，下面主要叙述外部横担结构的特征点提取方法。在本发明中，塔头分割层由点云高度直方图得到，塔头特征点可以由分割层得到。与塔身特征点求取方法不同的是，塔头外部横担结构的特征点位于分割层的两侧。分割层中点云的分布是无序的、没有规律的，如图11(a) 中的点，所以不容易找到特征点。本发明通过以下四个步骤寻找塔头横担的特征点。

(1)对分割层点云求凸包

获取塔头横担分割层后，为了得到横担的特征点，通过寻找分割层上的凸包来简化分割层点云。本发明将分割层上的点云看作二维点，利用二维的凸包算法求取凸包点。凸包指的是完全包含所有分割层点云且由最外侧轮廓上点组成的多边形，该多边形的内部都是凸的。在实验过程中，本发明调用OpenCV 的convexHull()函数求取的凸包点如图11(a)加粗圆点所示。

(2)用DP算法对凸包点抽稀

凸包点包含着轮廓上所有的点，但并不是所有的凸包点都是研究所需要的，其中一些凸包点非关键信息，为了去除这些点，本发明应用轮廓分析中DP算法对得到的凸包点进行抽稀。该算法首先从轮廓中挑选两个最远的点，将两点相连。然后在原来的轮廓上寻找一个离线段距离最远的点，将该点加入逼近后的新轮廓中，算法经过反复迭代，不断将最远的点添加到新轮廓中，直到所有的点到多边形的最短距离小于参数指定的精度。在实验中采用DP算法对凸包点进行抽稀得到了如图11(b)加粗圆点所示的结果。

(3)对点云进行内外点判断，求出外部点云

经过抽稀后的点包含中间部分点和两侧点(图11(b))，两侧部分点为塔头横担特征点。在对各种类型的塔头分割层特征点分析后发现塔头横担的特征点全部位于塔身下底的四个角点的外侧，故特征点可通过抽稀后的点是否在塔身下底特征点构成的矩形外侧进行判断。为判断点是否在塔身分割层特征点构成的矩形内，可遍历矩形点A_i到外点O的向量与矩形点A_i到下一点A_i+1的向量，计算叉乘值，若

(当i＝4时,A_i+1＝A₁)，则说明点为内部点，反之，则为外部点。通过内外点判断方法，得到了塔头横担的特征点(图11(c)加粗圆点)。

(4)利用最小包围矩形求出特征点坐标

本发明想获得塔头横担的四个特征点，但经过以上三步可能存在只获得了三个特征点的情况，此时，可利用点的对称性，通过最小包围矩形的方法获取四个特征点(图11(d)加粗圆点)。在实验过程中调用了OpenCV库中的minAreaRect()函数确定四个特征点的坐标。

三种类型的电力塔塔头提取的特征点如图12粗点所示，长干字型塔矩形框标注的点为内部四棱台结构提取的特征点，上面矩形框中的特征点为利用塔头的第二个分割层提取所得，下面矩形框中的特征点与塔身上顶的特征点保持一致。同理，短干字塔的塔头特征点获取方法与长干字塔相同。对于猫型塔，还需对部分分割层提取方法进行调整。如图12(c)所示，对于猫型塔头的第二、五层，该分割层点云由两部分组成，所以需先通过坐标值判断点云属于左侧还是右侧，再应用最小包围矩形求出特征点。最终猫型塔提取的特征点如图12(c) 中粗点所示。

为了评估提取特征点的有效性，本发明生成了电力塔的点云数据，准确记录每个特征点的信息，再与使用特征点提取算法获得的特征点进行比较，计算二者的均方根误差(Root Mean Square Error，RMSE)，

其中n 表示特征点的个数，X_i表示第i个特征点的原始坐标，Y_i表示第i个用提取算法提取到的特征点。计算结果为0.0192，相对较小，由此可见该特征点提取方法对于电力塔的特征点提取是有效的并且误差在容错的范围内。

步骤3、对电力塔结构进行分解，分析不同种类电力塔内部和外部图案，抽象出7种基本图元规则；通过分析常见电力塔的塔身、塔头和塔脚的图案，抽象出图案规则，并且可以将其同时应用于塔身、塔头和塔脚的规则化重建。

为获得电力塔的图案规则，实现电力塔的规则化建模，在上述技术方案的基础上，深入研究电力塔的图案规则。在确定特征点之后，本发明根据电力塔的图案分布将电力塔整体结构分解成各个图案，然后观察特征点与特征点间的线性拓扑关系，找到图案的构成原理，进而形成特定的规则化算法。之后在塔身、塔头和塔脚的点云上进行规则化建模方法的实验，验证规则化建模方法的可用性。具体包括：

步骤3.1、电力塔结构分解

为了获取电力塔的图案信息，本发明将电力塔结构分解为简单的图案，观察各个图案的构成原理，并进行规则抽象，形成规则化算法。如下以干字型电力塔为例说明，如图13所示，本发明将电力塔的部分横担结构和塔身结构进行分解(图13中圆圈所示)，并对分解的结构赋予名称，名称根据结构的形状来命名。分解的横担结构被命名为坡形结构(图13(a))，分解的塔身结构被分别命名为折叠形(图13(b))、耳形(图13(c))和蝶形结构(图13(d))。与此类似，电力塔的其他部分也通过同样的方法分解出图案形状。

电力塔结构具有对称性，分解的图案除了图14(a)之外，还有图14(b)和图 14(c)，仔细观察可发现其中存在对称关系，图14(b)为图14(a)的左右对称结果，而图14(c)为图14(a)的上下对称结果，这些经对称变换可得到的图案在实验中将其看做同一种类型，并在算法中利用对称性实现。

步骤3.1、图案规则抽象

分解后的图案由点和线构成，在此重点研究点与点之间的拓扑关系并将这些关系转化为规则化的算法描述，由此来解决电力塔外侧图案多样导致电力塔建模困难的问题。本发明首先对不同种类电力塔内部和外部图案进行分析，共抽象出7种基本图元规则，这些基本规则都由最基本的线、三角形和四边形构成，它们的定义如下:

Line(A,B)：连接A,B两个点；

Tri(A,B,C)：沿三个点A,B,C逆时针连接；

Quad(A,B,C,D)：沿四个点A,B,C,D逆时针连接；

QuadStrip(A,B,C,D)：沿四个点A,B,C,D逆时针连接，D到A不连接。

本发明通过对已有数据的电力塔分解，一共总结出7种电力塔图案形状，每一种图案形状都包含一大类形状，其中通过旋转、对称和镜像等能实现的或结构形状相似的图案归为一类。以下为7种图案形状的规则抽象，抽象的规则基于上述最基本图元绘制函数实现。

(1)折叠形规则

如图15所示，图形的形状类似于折叠结构，本发明称其为折叠形结构。该结构的规则如下所示：

Fold(A,B,C,D)

Quad(A,B,D,C)

Line(B,C)

(2)耳形规则

如图16所示，三种图形的外部结构类似于耳朵，本发明称其为耳形结构。由于它们的内部结构不同，故将其划分为三种类型，每种类型关于中心线镜像变换(Mirror)可得到完整结构。耳形规则定义如下：

Ear(A,B,C,Type)

HalfEar(A,B,C,Type)

Mirror(HalfEar(A,B,C,Type))

HalfEar的规则如下所示：

(3)蝶形规则

如图17所示，四种图形的外部结构类似于蝴蝶，本发明称其为蝶形结构。由于它们的内部结构略有不同，本发明将其划分为四种类型，每种类型关于中心线镜像变换(Mirror)可得到完整结构。碟形规则定义如下：

Butterfly(A,B,C,Level,Type)

HalfButterfly(A,B,C,Level,Type)

Mirror(HalfButterfly(A,B,C,Level,Type))

HalfButterfly的规则如下所示：

(4)坡形规则

如图18所示，两种图形的外部结构类似于山坡，本发明称其为坡形结构。这两种结构的内部结构不同，故将其划分为两种类型，每种类型的规则如下所示：

(5)梯形规则

如图19所示，两种图形的外部结构类似于梯子，本发明称其为梯形结构。这两种类型由于内部结构不同被划分为两种类型，每种类型的规则如下所示：

(6)裤形规则

如图20所示，两种图形的外部结构类似于裤腿，本发明称其为裤形结构。由于它们的内部结构不同，故将其划分为两种类型，每种类型关于中心线镜像变换(Mirror)可得到完整结构。裤形规则定义如下：

Pants(A,B,C,Level,Type)

HalfPants(A,B,C,Level,Type)

Mirror(HalfPants(A,B,C,Level,Type))

HalfPants的规则如下所示：

(7)酒樽形规则

如图21所示，图形的外部结构类似于酒樽，本发明称其为酒樽形结构。该结构的规则如下所示：

在七种图案形状中，裤形和酒樽形规则主要用于电力塔塔脚的建模，折叠形、耳形、蝶形、坡形和梯形等五种规则主要用于电力塔塔头和塔身的建模。这七种规则在实现中互相调用，并且可互相切换，如塔脚的规则可根据需要在模型中快速修改调用的规则。规则与规则之间既存在着紧密的包含关系，同时各个规则又具备自己的重建功能。

步骤4、将不同图案规则和分割层特征点相互组合构建出包含内外部完整结构的电力塔三维模型。

特征点和规则的相互组合可快速形成电力塔图案，重建电力塔模型。在规则化重建过程中要观察图案的类型，根据类型在特征点上加载相对应的图案规则重建电力塔。下面将详细介绍电力塔塔身、塔头和塔脚的规则化重建方法。步骤4.1、塔身的规则化重建

不同电力塔的塔身结构是不同的。获取塔身特征点后，在建模过程中加载相对应的图案规则可以形成塔身模型。例如，图10(b)中的塔身图案可以由耳形规则和蝶形规则生成，重建规则描述如算法1。

算法1构建的塔身模型如图22(a)所示，同理耳形、蝶形规则可以被重用去构建其他的塔身图案，重建结果如图22(b)所示。从实验中可以看出，两种图案规则可以重建不同的塔身模型。利用基于规则的建模方法的优势，可以应用相同的图案规则通过不同的组合来生成新的塔身。

步骤4.2、塔头的规则化重建

不同的塔头有不同的结构。一旦确定塔头的特征点，根据塔头类型和基本图案规则组合便可构建塔头模型，对应规则化建模结果如图23所示。

其中图23中长干字型塔对应塔头规则化重建算法2，其余塔头规则化重建算法与算法2类似。实验中利用四种图案规则对三种不同的塔头进行建模。同时，可以利用这些规则生成新的塔头，充分发挥基于规则的建模方法的优势。

步骤4.3、塔脚的规则化重建

确定塔脚支撑点坐标后，根据塔脚内部图案，应用不同图案规则可重建塔脚模型。图24(a)和24(b)是应用裤形规则得到的重建结果，24(c)和24(d)为应用酒樽形和折叠形规则得到的重建结果。实验中采用了三种图案规则对塔脚进行建模，未来也将会抽象出更多的图案规则来满足其它的塔脚类型。

本发明公开的基于电力塔点云的规则化建模方法重点在于：

(1)提出了一种基于卷积神经网络的电力塔分类方法

本发明对采集的电力塔点云进行预处理后，采用三维旋转变换和投影将三维点云降维成二维图像。通过将电力塔的三维点云沿着X轴、Y轴和Z轴分别旋转，采集投影到二维XY平面的图像共1770张，构建了一个电力塔点云图像数据集，图25所示为部分电力塔点云图像数据集，其为长干字塔沿Y轴每隔两度旋转投影的结果。

本发明基于电力塔整体结构分类，并首次提出使用卷积神经网络的方法对电力塔进行分类。由于卷积神经网络端到端的处理过程以及卷积层获得的大规模的感知域，它可以比传统的机器学习方法更好地提取图像信息。考虑到 VGG16模型是图像分类领域中的一个经典神经网络，其具有良好的分类性能，本发明在对电力塔分类时采用了VGG16卷积神经网络，分类的平均查准率为 94.17％。

(2)实现了基于规则的建模方法快速高效重建电力塔模型

为验证基于规则的建模方法的可靠性和适用性，将本发明应用在三种不同类型的电力塔点云上进行重建，建模结果如图26所示，塔的详细参数如表5所示。从结果中可看出提出的方法对三种电力塔的塔身、塔头和塔脚内部结构和外部轮廓结构都实现了重建。因此，针对机载激光雷达电力塔点云数据，采用基于规则的建模方法可有效的重建电力塔模型。实验中，点云的划分层数N在60～100 之间，平均重建时间为0.3s。因此，基于规则的建模方法可以快速的从点云中重建电力塔。

表5.电力塔点云信息统计及重建时间

为更好地凸显重建模型的优势，本发明将基于规则的建模方法与其它建模方法进行了比较。图27为规则化建模方法与3ds Max建模方法的比较。对比同一电力塔的建模结果可知，本发明和人工建模结果在关键特征点位置、高度和外侧图案呈现上基本一致，但使用3ds Max建模周期长且建模结果固定，不适合大规模场景中电力塔的建模。而本发明可在短时间内快速构建电力塔模型，并且可根据不同的模型需求自由切换塔身、塔头和塔脚类型，自适应性很高。

图28为规则化建模方法与抽象模板结构建模方法的比较。规则化建模方法的优点是可以重建电力塔的内部结构。Chen等提出了一种基于先验知识和数据驱动的塔身和塔脚重建策略，塔头重建基于抽象模板结构和数据驱动策略。然而，塔头和塔脚建模的结果未能重建内部结构。如图28(a)中的圆圈标记所示，塔头和塔脚内部的点云尚未重建，塔身的部分内部结构进行了重建。图28(b) 是本发明的重建结果，该结果重建出电力塔内部的细节结构，重建模型保留了更多原始模型信息，所以基于规则的建模方法可以重建电力塔的具有丰富细节的内部结构。

另外，针对缺失的电力塔点云数据(图29(a))，本发明可根据电力塔的对称性，将对称图案规则应用在缺失点云上，从而实现对缺失点云的有效重建，建模结果如图29(b)所示，结果显示本发明可以重建塔脚缺失点云的图案，重建方法具有良好的鲁棒性。

该方法采用卷积神经网络的方法对电力塔整体结构的分类效果较好，利用基于规则的建模方法不仅可以重建电力塔的外部轮廓结构，还可以有效重建电力塔的内部丰富细节结构。该方法的优势是重建速度快、扩展性强，针对不同类型的电力塔结构可以复用图案规则实现重建，适用范围更广。

本发明采用卷积神经网络的分类方法考虑了电力塔塔身和塔脚的形状和图案信息，利用基于规则的建模方法解决了电力塔重建过程中难以重建内部丰富细节结构的问题。本发明经过基于卷积神经网络的电力塔分类、电力塔点云特征点提取、基于规则的高效电力塔模型重建可实现电力塔的快速高效重建，建模结果包含外部轮廓结构和具有丰富细节的内部结构。除以上提到的三种类型外，还将本发明应用在其他类型的电力塔点云上，利用基于规则的建模方法实现的电力塔重建结果如图30所示。

另外，为了更好的呈现建模效果，在机载激光雷达系统采集的电力塔场景点云中呈现出电力塔建模结果。如图31所示，(a)为采集的场景点云，(b)为应用广义圆柱体表示的电力塔几何模型。该结果表明，基于规则的电力塔建模方法可以应用在虚拟现实、自然景观模拟中。

本发明通过定义规则的参数和相应的语法生成电力塔模型，具有建模时间短、易扩展、适用范围广和重建结构完整的优势。同时，为了对电力塔进行分类进而提取特征点，采用了卷积神经网络的方法对电力塔整体结构进行分类，针对不同的分类结果分别提取特征点。最后将分解的电力塔图案进行规则抽象并结合特征点快速实现对电力塔的建模。分类结果表明卷积神经网络方法的分类效果较好，重建结果说明基于规则的建模方法可在较短的时间内有效重建电力塔的内部丰富细节结构和外部轮廓结构且适用于不同的电力塔类型组件的建模。

同时，本发明可减少建模人员的工作量、辅助专家检修电力塔，电力塔的三维重建主要应用于数字化城市建设、输电走廊三维可视化、仿真分析、灾难预防等方面。

以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (7)

1.一种基于电力塔点云的规则化建模方法，其特征在于，包括：

采集电力塔点云数据，对电力塔进行分类；

求取不同种类的电力塔分割层，在分割层中利用特征点提取算法获得分割层特征点；

对电力塔结构进行分解，分析不同种类电力塔内部和外部图案，抽象出7种基本图元规则；

将不同图案规则和分割层特征点相互组合构建出包含内外部完整结构的电力塔三维模型。

2.根据权利要求1所述的基于电力塔点云的规则化建模方法，其特征在于，所述对电力塔进行分类包括以下步骤：

对电力塔点云数据进行预处理；

制作电力塔点云图像数据集；

基于卷积神经网络对电力塔点云图像数据集进行分类，将电力塔点云分为长干字塔T1、短干字塔T2和猫型塔T3三个类别。

3.根据权利要求2所述的基于电力塔点云的规则化建模方法，其特征在于，对所述电力塔点云进行预处理包括以下步骤：

在Meshlab软件中手动去除电力塔点云中的绝缘子点云噪点，保留植物点云噪点；

对Meshlab软件处理后的电力塔点云进行标准化处理，将点云数据的值缩放在[-1,1]之间，为点云数据选择标准坐标系；

标准化处理如公式(1)所示，其中X^*表示标准化后的点云数据，X表示处理前的点云数据，X_center表示所有数据的平均坐标，X_Max和X_Min分别表示点云数据的最大坐标和最小坐标；

4.根据权利要求3所述的基于电力塔点云的规则化建模方法，其特征在于，所述制作电力塔点云图像数据集具体操作为：

利用三维旋转变换和投影将电力塔点云数据的三维坐标信息降维成二维图像，得到电力塔不同角度的图片，电力塔不同角度的图片构成电力塔点云图像数据集。

5.根据权利要求4所述的基于电力塔点云的规则化建模方法，其特征在于，所述求取不同种类的电力塔分割层，在分割层中利用特征点提取算法获得分割层特征点具体为：基于电力塔从顶到脚点云分布不均匀的特点，绘制点云的高度直方图求出电力塔分割层，将电力塔被分割为塔身、塔头和塔脚三个部分，并从分割层中利用算法提取点云特征点。

6.根据权利要求1所述的基于电力塔点云的规则化建模方法，其特征在于，所述在分割层中利用特征点提取算法获得分割层特征点包括：塔身棱台特征点、塔身棱上特征点、塔脚特征点和塔头特征点。

7.根据权利要求1所述的基于电力塔点云的规则化建模方法，其特征在于，所述7种基本图元规则包括折叠形规则、耳形规则、蝶形规则、坡形规则、梯形规则、裤形规则和酒樽形规则。

Images