一种基于机载激光点云数据的电力线提取方法

2022-06-09中铁第一勘察设计院集团有限公司王康康

数字技术与应用 2022年5期

中铁第一勘察设计院集团有限公司王康康

提出一种基于机载激光点云数据的电力线提取方法。首先利用栅格区域高差特征提取电力线候选点，然后构建多类型、多邻域、多尺度点云特征，最后结合基于离散二进制粒子群算法与SVM分类器进行电力线点云分类提取。实验结果表明，电力线点云的精确率和召回率分别达到97.24和99.11，验证了本文方法对电力线点云提取的有效性。

机载激光雷达作为一种主动式对地观测技术，能够快速获取高精度三维点云数据，不受天气影响且能在复杂地理条件下工作，逐渐成为输电线路巡检的重要手段。

档间（单档）单根电力线点云在XOY平面投影通常呈线性分布，一些研究把电力线点云提取当作直线检测问题，霍夫变换被广泛使用[1-3]。一些研究[4,5]先利用电力线点云的高程、密度等信息提取电力线候选点，然后定义多层语义规则进行精确提取。Zhu and Hyyppa首先基于高差（Height Criteria）、密度分布（Density Distribution）、直方图分析（Histogram Analysis）等约束条件去除非电力线点，然后将电力线候选点转为二值化影像，根据联通特性将影像分割为多个区域，利用基于形状的约束条件（如区域大小、长度等）提取电力线。

本文提出一种新的基于机载激光点云数据的电力线提取方法。首先通过高程信息约束，得到电力线候选点；然后提取出多类型、多邻域、多尺度的点云特征；再采用离散二进制粒子群算法结合SVM分类进行特征选择，根据选择出的最优特征子集提取电力线。

1 电力线提取方法

本文提出的电力提取方法基本步骤包括：(1)电力线候选点提取；(2)多类型、多邻域、多尺度特征提取；(3)离散二进制粒子群算法结合SVM分类；(4)电力线自动提取。流程图如图1所示。

图1 电力线点云提取流程Fig.1 Flow chart of power line point cloud extraction

1.1 电力线候选点提取

电力走廊点云数据中，植被点和地面点占据很大比重，而电力线和电力塔点云相对较少，且输电线路悬空分布，高于地面一定距离。故可以根据高差信息滤除部分非电力线点，减少后续数据处理量，同时改善点云分类中样本不均衡问题。

对点云数据进行栅格区域划分，根据激光脚点的平面坐标投影至平面格网内。统计各格网内高程最小值，计算各格网内激光脚点高程与最低高程之差。设置高差阈值，则电力线候选点定义为如式(1)所示：

式中，PLcandidate为电力线候选点，T为高差阈值，NH为格网内各点高程与最低点高程之差。

1.2 点云特征提取

1.2.1 特征邻域

点云特征是单个激光脚点与其周围激光脚点空间关系的描述。特征邻域是提取点云特征的重要参数。常用的二维特征邻域包括：柱形邻域、K邻域；三维特征邻域包括：体素及球形邻域，如图2所示。

图2 点云特征邻域类型Fig.2 Point cloud feature neighborhood type

1.2.2 特征类型

结合电力线点云的空间分布特点，提取多类型单点特征，包括：基于特征值的特征、基于回波的特征、基于密度的特征。

(1)基于特征值的特征。假设目标点Pi({Pi}={(xi,yi,zi)T})的协方差矩阵为CPi，如式(2)所示：

(2)基于回波的特征。电力线激光点云多为首次回波，采用首次回波比作为一种特征，如式(7)所示：

式中，Nf为邻域内首次回波点的数量。

(3)基于密度的特征。包括三维点云密度和二维点云密度。半径为r的球体邻域内点云数量（N3D）与球体体积之比即为三维点云密度。半径为r的垂直柱形邻域内点云数量（N2D）与圆柱底面圆面积之比即为二维点云密度。如式(8)、式(9)所示：

1.3 离散二进制粒子群算法与SVM分类

1.3.1 离散二进制粒子群算法

粒子群算法是解决优化问题常用的智能算法之一，具有容易实现、精度高、收敛快等特点。每一个寻优问题解视作一个“粒子”，所有粒子在D维搜索空间中以一定速度飞行以寻找最佳位置（最优解）。每个粒子在搜索时，会受到全局历史最优位置和自身历史最优位置的影响。假设第i个粒子的空间位置为Xi=(xi1,xi2,…xiD)T，飞行速度为Vi=(vi1,vi2,…viD)T。该粒子的自身历史最优位置为Pbesti，粒子群的全局历史最优位置为Gbest，则该粒子在第t次迭代时的速度和位置更新公式如式(10)、式(11)所示：

式中，w为惯性权重，c1、c2为学习因子，r1、r2为两个随机数, 其变化取值范围是[0,1]。

标准的粒子群优化算法只适用于解决连续空间目标优化问题,为适应离散空间的优化，Eberhart和Kennedy提出了离散粒子群算法。离散粒子群算法中，粒子的位置用0和1的二进制编码组合进行表示，位置更新时，采用Sigmoid函数将速度映射到[0,1]区间，并通过如式(12)所示确定xid取值为1还是0。

利用离散二进制粒子群算法进行特征选择时，不同类型、不同邻域以及不同尺度的特征组成D维搜索空间。特征对应的编码为1时，表示该特征被选中。

1.3.2 SVM 分类

粒子群算法中，粒子的自身历史最优和全局历史最优位置是通过适应度函数确定的。本文针对电力线场景分类问题，利用电力线点云分类的精确率和召回率来计算适应度值。采用SVM分类器进行点云分类。

分类精确率是指所有被分为该类的样本中，真正属于该类别的比例。查全率是指分类正确的样本数与该类别所有样本数的比值。两者的计算公式如式(13)、式(14)所示：

式中，TP表示电力线点云被正确分类的样本数量，FP表示植被、电塔点云被错分为电力线的样本数量，FN表示电力线错分为其他类的样本数量。

为了兼顾电力线的精确率和召回率，本文采用F_Score作为适应度指标。计算公式如式(15)所示：

1.3.3 电力线提取

基于离散二进制粒子群算法和SVM分类，最优特征选择与分类方法步骤如下：

步骤1：随机初始化粒子位置，对不同类型、邻域及尺度的特征进行二进制编码；

步骤2：初始化的粒子位置作为各粒子自身历史最优位置，计算各粒子的适应度值，确定初始的全局最优位置；

步骤3：根据各粒子当前位置、各粒子自身历史最优位置及全局最优位置，更新粒子的速度和位置；

步骤4：根据更新后的粒子位置，确定被选择的特征，利用SVM分类器进行点云分类，根据适应度函数及适应度值更新各粒子自身历史最优位置和全局最优位置；

步骤5：判断是否达到最大循环次数，若没有，则重复进行步骤3和步骤4；若达到最大循环次数，进行步骤6；

步骤6：根据最终的全局最优位置，确定被选择的特征，得到电力走廊场景分类的结果。

2 实验验证

2.1 实验数据

选取一组电力走廊的机载激光点云数据进行实验。实验数据中点云密度约为5点/m2。分类目标为电力线、电力塔及植被，基本信息如表1所示。

表1 实验数据信息Tab.1 Experimental data information

2.2 实验结果

2.2.1 特征选择结果

基于特征值的特征选择三种邻域，基于密度和回波的特征采用球形和垂直柱形两种邻域。球形和垂直柱形邻域的尺度分别为1m、2m、3m、4m、5m，K邻近尺度分别为5m、10m、15m、20m。基于上述特征邻域、特征类型及特征尺度，共提取113维点云特征。通过离散二进制粒子群算法选择出的特征子集序号如表2所示。