机载激光点云中高压电塔自动识别方法

，，

(武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079)

高压电塔作为输电线路的重要组成部分，对带电导线起到机械支撑作用，实现电力资源的远距离大范围调配[1]，高压电塔的安全与否直接关系到输电线路的安全运行[2]。目前我国输电线路巡检以人工实地巡检为主，巡检周期长、工作强度大，难以适应现代化电网快速发展和安全运行的需要[3]，因此，输电线路的智能巡检变得尤为重要[4]。近些年，无人机电力巡检技术凭借高效、安全的优点，逐渐成为输电线路巡检的应用热点。基于机载点云的输电线路安全巡检方式也成为输电线路巡检工作的一种全新解决方案[5]，而从机载激光点云中有效识别出电力要素则成为线路安全分析的前提。目前机载激光点云中高压电塔坐标大多以人工交互方式获取或直接事先给定[6]，因此从机载点云中自动识别出高压电塔在一定程度上能提高无人机电力巡检自动化程度与作业效率。

目前，基于激光点云的高压电塔自动识别方面仅有少量成果。文献[6]提出一种基于二维格网多维特征分析的输电杆塔自动识别方法，根据网格点密度、高差和坡度特征迭代识别出输电杆塔，但该方法在处理包含较大地形起伏区域数据时效果不甚理想。文献[7]提出以高程自动阈值分割方法进行滤波去除地面点，而后将滤波后三维点云转换为二维高程值影像，以数学形态学方法提取电塔，但该方法以全局阈值分离非电力设备，无法适用于有地形起伏的大场景数据。文献[8]通过竖直直方图投影与均匀网格离散将激光点云降维成二维灰度图像，提取其中直方图响应最大的地方作为杆塔水平位置，但该方法需事先提取出准确的电塔电力线点云。文献[9]提出以高程分布直方图统计方法去除大量地面点，而后使用K-means聚类得到电力线与杆塔点云，最终基于点密度特征进行杆塔识别，但真实环境中存在的高大树木往往也存在高密度的特征，极易影响电塔识别效果。文献[10]则直接以提供的所有电塔的精确二维信息确定每座电塔的精确位置。 以上方法在处理复杂自然环境的山地点云数据时均无法获得较好结果。

针对机载点云中高压电塔自动识别问题，本文提出一种基于格网特征的机载点云高压电塔自动识别方法。该方法首先对点云进行快速滤波去噪；其次对规则化格网点云进行特征分析获取电塔粗识别区域；然后对粗识别区域外接邻域网格数据进行线性特征悬空点集检测，确定最终电塔识别结果，并以分层切片法分析电塔中心平面坐标；最后以大型无人机实际线路巡检机载点云为试验数据，验证算法的有效性。结果表明，本方法能够有效地从机载点云中识别出高压电塔，对无人机智能巡检作业推广有一定的积极作用。

1 基于格网特征的高压电塔自动识别

高压输电线路具有分布点多面广、所处地形复杂、自然环境恶劣等特点[11]，实际高压输电线路在二维空间分布上呈折线状[6]，而且高压电塔的塔宽与架设位置共同决定了实际输电线路走向及分布范围。从机载点云中自动识别出高压电塔，不仅可用于计算电塔倾斜度，还可以辅助提取电力线，进一步实现安全距离检测等。在点云数据中，高压电塔往往具有以下特性：①塔身具有较大高差；②所在区域点云在高程方向连续分布；③所在位置为区域局部极高处；④水平面上的投影分布范围存在最大值；⑤与悬空电力线相连接。本文方法流程如图1所示。

1.1 初始机载点云滤波去噪

三维激光扫描数据具有高精度、高密度的特点，能直观反映出被扫描物体的真实三维空间表面信息[12-15]。然而受扫描环境及扫描设备本身精度限制等，往往会产生大量点云噪声。噪声点会给后续的数据处理带来极大的干扰，因此在对点云数据进行电塔识别之前，首先应进行滤波去噪处理。

三维激光点云中的噪声点一般可以分为3种：体外飞点、离群成簇噪声、混杂噪点。针对体外飞点与混杂噪点，可根据点云数据中邻域点到中心点的距离服从高斯分布特征进行统计分析，将距离标准差大于给定阈值的点作为噪点滤除[6]。而离群成簇噪声则可根据其远离主体点云且数量远远低于主体点云的特点采用改进的近邻点距离传播算法[16]将其滤除。

1.2 基于格网点云的特征计算与高压电塔区域粗识别

输电线路环境复杂，点云数据中不仅包含高压电塔和输电导线，还包含大量的地面、低矮植被等非必要数据，因此预先对点云数据进行电塔粗识别可以快速锁定电塔潜在区域。本文算法通过计算网格特征，并结合高压电塔几何分布特性对其进行粗识别，大大减少待分析点云数量，降低了电塔自动识别的盲目性，提高了算法识别效率。

1.2.1 基于格网点云的特征计算

针对高压电塔的区域粗识别依赖于基于网格的点云特征，根据高压电塔具有的大高差、高程连续分布、局部极高值等特性，需计算点云格网的DSM特征、DEM特征及高差特征。

基于格网点云的特征计算首先需对点云进行格网化，根据每个点的二维平面坐标计算其格网归属，完成无序点云格网化，然后在规则格网点云的基础上计算点云的格网特征。点云格网化具体计算公式为

(1)

式中，(x，y)为待定点二维平面坐标；xmin、ymin分别为点云数据中X坐标与Y坐标最小值；d为网格尺寸；m、n为待定点对应于网格中的行列号。

网格点云的DSM特征能在格网分辨率下反映出数据采集区域的地物顶部起伏状况，可用于分析局部极高区域，由网格内最高点高程值表示。点云DSM特征具体计算公式为

(2)

网格点云的DEM特征能在格网分辨率下反映出数据采集区域的地形起伏状况，结合DSM特征可以去除地形起伏对高压电塔识别的影响，由网格内最低点高程值表示。点云DEM特征具体计算公式为

(3)

网格点云的高差特征是点云局部高差的直接反映，结合高压电塔具有的大高差特性，其在高差特征图中应有较为明显的响应，因此高差特征可直接用作滤除地面、低矮植被等非目标点云的基础数据使用，高差特征由DSM特征与DEM特征作差直接计算获得。点云高差特征具体计算公式为

Diff(m,n)=DSM(m,n)-DEM(m,n)

(4)

式中，Diff(m,n)、DSM(m,n)和DEM(m,n)分别表示网格坐标为(m,n)处对应的高差特征值、DSM特征值及DEM特征值。

1.2.2 高压电塔网格区域粗识别

高压电塔网格区域粗识别旨在自动快速锁定高压电塔潜在区域，为后续高压电塔精细识别提供区域位置参考，减少精细识别处理数据量，提高算法效率。本文算法粗识别部分结合高压电塔的大高差特性，从高差特征图中快速滤除大量地面、低矮植被区域;结合高程连续分布特性，从数据中分离输电导线所在区域；结合局部极高值特性，从DSM特征图中快速滤除大面积高大林区，从而实现高压电塔区域粗识别。具体过程如下：

(1) 遍历高差特征图，获得高差特征值大于阈值Ht的所有网格集合{G}。

(2) 给定断层间隔阈值k，对{G}中的每个网格Gi的点云数据独立进行高程连续性分析，若出现断层，则以断层处高程最小值更新DSM特征图，并同步更新高差特征图，并将该网格标记为悬空点集网格。

(3) 以高差特征图中特征值大于设定阈值Ht的网格为种子网格集，在DSM特征图中进行高程聚类，查找每一个聚类结果的主方向并计算聚类结果在主方向上的分布长度。

(4) 滤除聚类结果中分布长度大于设定阈值的结果，获得电塔粗识别网格区域。

通过上述方式对点云格网化特征进行操作，可以快速实现高压电塔粗识别，大大减少高压电塔精细识别所需处理的数据量。

1.3 电塔精细识别与塔中心平面位置计算

1.3.1 基于邻域网格线性特征的电塔精细识别

输电线路区域内，不仅存在高压电塔，还可能存在单株高大乔木、信号塔等具有相似几何分布特性的干扰要素，因此高压电塔精细识别旨在从粗识别结果中剔除干扰项。高压电塔区别于干扰要素最显著的特征即是与线性悬空输电导线相连，因此，本文通过分析高压电塔粗识别区域外接邻域内是否包含线性悬空点集来辅助识别杆塔。具体步骤为：

(1) 获取每一个高压电塔粗识别结果区域，放入群组{T}中。

本文以文献[5]中方法计算点集协方差阵特征值判断其是否具有明显线性特征。

1.3.2 基于分层切片的塔中心平面位置计算

在实际输电线路安全智能诊断中，往往需要提供高压电塔的平面二维坐标，因此，根据高压电塔区域识别结果对塔中心平面坐标进行计算必不可少。本文以高程方向分层切片法分析计算塔中心平面坐标，具体流程如下：

(2) 取任意两层切片中心点构成点对，计算该点对之间的平面距离drc及该点对确定的直线与Z轴夹角θrc。

(3) 取{drc}中的最大值dMrc，若其大于给定阈值，则执行步骤(4)，否则执行步骤(5)。

(4) 取dMrc对应的两个切片层中心点pr、pc，分别计算其余点与pr、pc确定的直线与Z轴夹角，并投票给夹角较大的一项，删除pr、pc中得票较多项对应的中心点坐标，以及与之相关的所有{drc}与{θrc}，进入步骤(3)。

(5) 统计剩余切片中心点中任意两点确定的直线与Z轴夹角最小值，并取对应的两中心点平面坐标均值作为最终高压电塔平面中心坐标。

2 试验结果及分析

2.1 试验结果

本文以Visual Studio 2013为开发平台，结合OpenCV、PCL库，实现了本文提出的基于格网特征的高压电塔自动识别方法并验证其有效性。由大型无人机实际运行线路巡检获取，具有巡检线路长、数据冗余量大、线路环境复杂等特点。图2为两份原始点云试验数据；图3、图4分别为数据1与数据2滤波去噪结果、电塔粗识别结果、电塔精细识别结果及局部细节图。

如图2所示，本次试验数据穿越茂密林地、丘陵，线路包含交叉跨越，自然环境复杂，同时存在大量噪声点；如图3(a)和图4(a)所示，对点云进行滤波去噪后，噪声点被滤除，电力走廊真实数据被完整保留；如图3(b)和图4(b)所示，电塔粗识别结果能在滤除非目标区域时完整保留电塔区域，但结果中仍存在众多高大乔木、信号塔等干扰因素；如图3(c)和图4(c)所示，电塔精细识别可将乔木、信号塔等滤除，获取最终电塔识别结果。试验结果直观说明本文算法能从点云数据中有效自动识别高压电塔，且准确率较高。

2.2 试验结果分析

为验证本文方法的可行性，对试验数据中高压电塔识别结果进行统计，结果见表1。

表1 高压电塔识别结果统计

通过与实际线路高压电塔数据相比，在线路1中，本文方法成功自动识别出全部47座高压电塔中的46座，遗漏1处；在线路2中，本文方法成功自动识别出全部37座高压电塔。试验结果表明，本文算法可有效识别高压电塔，且准确率较高。

对试验数据1、数据2中识别出的高压电塔以前述方法进行平面位置估计，并结合人工选点方式获取的高压电塔中心坐标作为真值进行对比分析，结果见表2、表3。由结果可以看出，本文算法提取的高压电塔平面中心坐标可达米级精度，可以满足电力巡检智能诊断数据处理要求。

表2 数据1部分电塔平面位置计算结果 m

表3 高压电塔中心平面位置估计结果误差统计 m

3 结 语

(1) 提出了一种机载点云中高压电塔自动识别方法。采用无人机实际巡检机载点云数据对算法进行验证，试验结果充分证明了算法的可行性与有效性。

(2) 本文方法能够自动地从点云数据中较为稳健地识别高压电塔，提高了机巡作业效率和智能化水平，可为电力走廊智能诊断提供有效电塔信息。

(3) 本文方法按由粗到细的方案进行。基于网格特征的电塔粗提取能快速锁定电塔潜在区域，提高了算法效率；基于线性悬空特征点集辅助精确识别电塔能够有效排除高大乔木、信号塔等干扰项，提高了电塔识别准确度。