基于機載激光雷達數據中電力線提取方法研究

□ 鄭長春 梁艷玲

（1.山西亞太數字遙感新技術有限公司，山西 太原 030006；2.山西眾智檢測科技有限公司，山西 太原 030032）

0.引言

隨著國民經濟的高速發展，對高電壓、大功率、長距離輸電需求的提高，線路走廊穿越的地理環境越來越復雜，對其運行維護日趨困難。傳統的直升機巡線大多搭載紅外線攝像儀、數碼攝像機、照相機等設備，在飛行的同時，對途經線路進行觀察、獲取線路走廊可見光和紅外影像，但這些技術的空間定位精度均不高，很難精確判斷線路走廊地物到線路的距離。而機載激光雷達測量技術可以很好地解決空間定位和測量精度等問題。它可直接采集線路走廊高分辨率的航空數碼影像和高精度高密度三維激光點云數據，進而快速地獲得高精度三維線路走廊的地形、地貌、地物和線路設施的空間信息。

目前激光雷達在電力線提取方面的應用正處于初始階段，國內在此方面研究甚少，且提取的過程大都利用Hough變換提取電力線，即將三維點云轉化到二維空間后，在進行Hough變換，此類方法損失了點云的高程信息，對于平面位置相同的多層電力線點云，不能快速實現單條電力線分類。此外，利用Hough變換檢測電力線，計算過程復雜，不利于大數據的應用。Liang Jing等人直接根據同一根電力線上激光腳點緊密相連的特性，利用點云聚類的思想，并結合KD樹組織數據結構進行最近鄰搜索，實現了電力線的快速自動提取。但該算法需要滿足聚類閾值K需小于兩根電力線的最小距離，當點云間距大于兩根電力線的最小距離，K值無法滿足聚類需要，降低了聚類的完整性。

本文重點分析了超高壓輸電線路走廊的基本特征，簡化電力線提取流程，提出一種從機載激光雷達點云中快速提取電力線點云的方法，并運用不同層電力線的高程差異實現電力線的分股，并通過試驗驗證了該方法的可靠性和有效性。

1.電力線提取方法

電力線的快速高效提取，首先充分掌握原始激光雷達點云數據中電力線路設施的特征，即桿塔和輸電線路的基本特征；在此基礎上需要找有效的方法，使用這些特征，將這些設施從激光雷達點云中分隔提取。

1.1 電力線路的基本特征

與一般輸電線路走廊不同，超高壓輸電線路相對于地面點的高差很大。其中，桿塔相對于地面點的最大高差達55m，遠遠超過附近植被點，且沿垂直方向桿塔具有較好的連續性（如圖1（a）所示）；導、地線懸掛于兩座桿塔之間，沿豎直方向按照高低分列式排布，導線弧垂最低點與地面之間保持較大的高程差（如圖1（b）所示）。

圖1 （a）桿塔剖面圖

1.2 提取流程

本研究將電力線提取分為電力線點云數據粗分類、精分類和電力線點云分股三個過程，具體流程（如圖2所示）。

1.3 激光點云粗分類

圖1 （b）導線縱向剖面圖

在狹長的電力線走廊區域內，激光點云主要分為地面點、植被點、建筑物點、電塔點和電力線點。本文首先采用濾波的方法濾除地面點，保留非地面點云數據。根據濾波后獲取的非地面點云的空間幾何特性，電力線點不同于植被點和桿塔點，在局部范圍內，電力線點云的高程值與非電力線點云高程呈現分布不連續。因此，首先以地面點建立基準高程面，通過設置合理的高程閾值，即可快速剔除大部分非電力線點云。

圖2 機載激光點云數據快速提取電力線流程

1.4 激光點云精分類

經過粗分類后的電力線點云基本剔除了植被點，但還包括桿塔點和部分散亂的噪聲點。由于電力線點云在XY投影的平面內具有線狀特征，因此本文運用隨機抽樣一致算法（RANSAC）進行進一步的精細分類。該算法是從一組包含離群的被觀測數據中估算出數學模型，對于含錯50%離群數據的樣本集，能夠有效獲得參數數學模型，具有較強的魯棒性，方法如下：

（1）將粗分類得到的電力線點云投影到XY平面，得到二維平面點集A。

（2）設置迭代變量K=0，迭代變量閾值K0=1；在 A中隨機選擇兩個點（A0，A1），并構造一條直線L。

（3）遍歷A中的每個點Ai（Ai二維平面點集中任意點），計算Ai到直線L的垂距d；確定一個垂距閾值d0，其大小取決于每股電力線的直徑大小；如果d＜d0，則判定該點為直線L上的點，反之棄之。

（4）統計直線L上點的個數n，并與閾值n0比較（n0為估計的每段電力線大致的點云數目，視點云密度而定）。如果n＞n0，更新迭代變量閾值（如公式（1）所示），并遞增迭代變量 k；否則，無需更新，只遞增迭代變量k。

式中：p代表所有直線上的點全為電力線點云的概率，由于電力線點云在粗分類點集中占有很大的比例，因此可設置為一個較大的值；r為n與點集A的點云數量的比值。

（5）迭代步驟（2）-（4），直至 k＜k0，或者 k0小于最大迭代次數kmax。

（6）迭代完成后，統計L上點的個數N，并與閾值n0比較。由于電力線走廊寬度較窄，因此交跨的電力線點云數量較少，可通過設置此變量達到剔除交跨電力線的目的；如果N≥n0，則判定直線L上的所有點為電力線點。以粗分類結果中的非電力線點為原始數據，重復步驟（1）-（6）直至N＜n0；或者重復的次數達到一個次數限制的閥值K，其大小可根據電力線的股數以及電力線轉折的次數來確定。

RANSAC算法雖然能夠剔除大部分電塔點云，但不能剔除電塔上絕緣子的點云，由于與電力線在同一垂直面上，也被投影到A～[m,n]平面。可用高程統計分析的方法剔除這部分點云。圖3為RANSAC算法處理后的數據，比較1號和2號方框的點云，在一定的高程范圍內1號點高程呈現連續性分布，基于這一特性來剔除絕緣子點云。

圖3 RANSAC算法處理后的點云

1.5 電力線分股

通過精分類處理激光點云后，一方面電力線激光點云與地面、電塔等背景激光點云數據分離，獨立成為一類地物；另一方面將電力線在XY平面上分成了多段直線。由于高壓輸電線路往往包含多層電力線數據，同一垂直面上的電力線投影到XY平面上會表現為同一條電力線，因此還需要對電力線進行分股，方法如下：

（1）針對每段電力線L，利用RANSAC算法得到該段電力線的走勢，將L上的點投影到L與Z軸構成的平面上。圖4為同一垂直面上1號電力線和2號電力線投影后的意圖。

（2）對投影后的電力線進行分段。如果直接對整段電力線進行高程比較，受電力線走廊地形或電力線弧垂的影響，可能會導致錯分，因此對電力線點云進行分段，取小范圍內的電力線點云進行高程比較。

（3）取每段電力線中高程值最小的點，其該值記為Z0，將該段電力線中每個點的高程值與Z0作差，得到高差h。

（4）設定一個高差閥值h0其大小根據電力線的弧垂情況確定；如果h＜h0，則可以看作是同一根電力線上的點。

（5）對于未確定屬于哪根電力線的點，重復步驟(3)和步驟(4)，直到所有的點都歸屬某一電力線為止。

（6）如果直接分析整段電力線，高差閥值最小應設定為h1，才能找到2號電力線上的所有點，但由于1號電力線a段的高程值較小，使得1號線的a段被錯分為2號線；如果取b段進行分析，設定h2為高差閥值，則能很好地區分2號電力線。

圖4 投影到走向面內的電力線示意圖

（7）電力線點云分析比較完成后，根據點云數據地理空間位置和屬性信息自動連接成完整分股電力線。

2.實驗與結果分析

本文以Microsoft Visual Studio 2010為研發平臺，集成使用Open CV圖像處理庫，實現機載激光點云數據的電力線提取。采用電網公司±800kV的輸電線路機載激光雷達數據進行試驗驗證。該線路長度為17.4km，包含37個電塔，4根電力線，總點數19397萬個點，平均點密度為每平方米54個點。經量測，電力線高差間距為20m，水平間距為22m，電力線距地表高差最小為25m，每股電力線直徑約為1.2m，絕緣子直徑約為2.8m。線路上的地形起伏較大，最大坡度約47°，地表覆蓋主要包含建筑、樹木、河流、公路、電塔、電力線、交跨線等。針對以上特點，首先利用濾波算法，分出地面點云與非地面點云，然后以地面點建立基準高程面，通過高程閾值進行粗分類試驗，整體效果（如圖5（a）所示），可以看出，除了電力線點云外，還包含部分桿塔點云和少量的噪聲點。利用RANSAC算法，選用參數分別為：d0=1，n0=150，p=0.99，Kmax=60，K=10，實驗效果（如圖5（b）所示），其中電塔點云和噪聲點已被剔除，但是仍然包含了一些絕緣子點云。選用最小分析單元，即絕緣子直徑2.8m、高差20m為高程統計閾值，實驗效果（如圖 5（c）所示），此時絕緣子點云已經被剔除。最后進行電力線分股，即選用5m長度范圍內的點云為最小的分析單元，判斷是否屬于同一根電力線的高程差標準為1m，分股效果（如圖 5（d）所示）。

圖5 （a）粗分類結果

圖5 （b）精分類結果

圖5 （c）剔除絕緣子后局部放大效果

圖5 （d）分股后電力線效果

上述實驗的粗分類過程耗時21.4S，精分類以及電力線分股過程耗時45.8S，總耗時67.2S。統計該方法提取的每根電力線點云數，并與人工結合Terrasolid軟件提取電力線點云結果進行對比（如表1所示）。由于受電塔結構與點云密度等因素的影響，除了遺漏部分電力線點云，提取結果中還包含少量非電力線點。

表1 電力線提取結果分析

3.結束語

本研究在充分分析高壓線路走廊結構特征的基礎上，采用濾波分類和隨機抽樣一致性相結合的方法，有效地從機載激光雷達數據中提取電力線，并通過實際工程數據驗證了該方法的可靠性和穩健性，為輸電線路巡檢提供可靠的數據處理方案。但該方法不足之處有兩個方面，一是涉及的參數多且設置繁瑣，一些參數的大小嚴格依賴于點云數據密度。二是剔除絕緣子時，把整個絕緣子垂直范圍內的點云全部剔除，包括與絕緣子相連的電力線點也被剔除。如何建立參數與點云密度關系，自動獲取相應參數及如何更好的區分絕緣子點與電力線點有待于深入探討問題。