機載激光點云中高壓電塔自動識別方法

，，

(武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079)

高壓電塔作為輸電線路的重要組成部分，對帶電導線起到機械支撐作用，實現電力資源的遠距離大范圍調配[1]，高壓電塔的安全與否直接關系到輸電線路的安全運行[2]。目前我國輸電線路巡檢以人工實地巡檢為主，巡檢周期長、工作強度大，難以適應現代化電網快速發展和安全運行的需要[3]，因此，輸電線路的智能巡檢變得尤為重要[4]。近些年，無人機電力巡檢技術憑借高效、安全的優點，逐漸成為輸電線路巡檢的應用熱點?；跈C載點云的輸電線路安全巡檢方式也成為輸電線路巡檢工作的一種全新解決方案[5]，而從機載激光點云中有效識別出電力要素則成為線路安全分析的前提。目前機載激光點云中高壓電塔坐標大多以人工交互方式獲取或直接事先給定[6]，因此從機載點云中自動識別出高壓電塔在一定程度上能提高無人機電力巡檢自動化程度與作業效率。

目前，基于激光點云的高壓電塔自動識別方面僅有少量成果。文獻[6]提出一種基于二維格網多維特征分析的輸電桿塔自動識別方法，根據網格點密度、高差和坡度特征迭代識別出輸電桿塔，但該方法在處理包含較大地形起伏區域數據時效果不甚理想。文獻[7]提出以高程自動閾值分割方法進行濾波去除地面點，而后將濾波后三維點云轉換為二維高程值影像，以數學形態學方法提取電塔，但該方法以全局閾值分離非電力設備，無法適用于有地形起伏的大場景數據。文獻[8]通過豎直直方圖投影與均勻網格離散將激光點云降維成二維灰度圖像，提取其中直方圖響應最大的地方作為桿塔水平位置，但該方法需事先提取出準確的電塔電力線點云。文獻[9]提出以高程分布直方圖統計方法去除大量地面點，而后使用K-means聚類得到電力線與桿塔點云，最終基于點密度特征進行桿塔識別，但真實環境中存在的高大樹木往往也存在高密度的特征，極易影響電塔識別效果。文獻[10]則直接以提供的所有電塔的精確二維信息確定每座電塔的精確位置。 以上方法在處理復雜自然環境的山地點云數據時均無法獲得較好結果。

針對機載點云中高壓電塔自動識別問題，本文提出一種基于格網特征的機載點云高壓電塔自動識別方法。該方法首先對點云進行快速濾波去噪；其次對規則化格網點云進行特征分析獲取電塔粗識別區域；然后對粗識別區域外接鄰域網格數據進行線性特征懸空點集檢測，確定最終電塔識別結果，并以分層切片法分析電塔中心平面坐標；最后以大型無人機實際線路巡檢機載點云為試驗數據，驗證算法的有效性。結果表明，本方法能夠有效地從機載點云中識別出高壓電塔，對無人機智能巡檢作業推廣有一定的積極作用。

1 基于格網特征的高壓電塔自動識別

高壓輸電線路具有分布點多面廣、所處地形復雜、自然環境惡劣等特點[11]，實際高壓輸電線路在二維空間分布上呈折線狀[6]，而且高壓電塔的塔寬與架設位置共同決定了實際輸電線路走向及分布范圍。從機載點云中自動識別出高壓電塔，不僅可用于計算電塔傾斜度，還可以輔助提取電力線，進一步實現安全距離檢測等。在點云數據中，高壓電塔往往具有以下特性：①塔身具有較大高差；②所在區域點云在高程方向連續分布；③所在位置為區域局部極高處；④水平面上的投影分布范圍存在最大值；⑤與懸空電力線相連接。本文方法流程如圖1所示。

1.1 初始機載點云濾波去噪

三維激光掃描數據具有高精度、高密度的特點，能直觀反映出被掃描物體的真實三維空間表面信息[12-15]。然而受掃描環境及掃描設備本身精度限制等，往往會產生大量點云噪聲。噪聲點會給后續的數據處理帶來極大的干擾，因此在對點云數據進行電塔識別之前，首先應進行濾波去噪處理。

三維激光點云中的噪聲點一般可以分為3種：體外飛點、離群成簇噪聲、混雜噪點。針對體外飛點與混雜噪點，可根據點云數據中鄰域點到中心點的距離服從高斯分布特征進行統計分析，將距離標準差大于給定閾值的點作為噪點濾除[6]。而離群成簇噪聲則可根據其遠離主體點云且數量遠遠低于主體點云的特點采用改進的近鄰點距離傳播算法[16]將其濾除。

1.2 基于格網點云的特征計算與高壓電塔區域粗識別

輸電線路環境復雜，點云數據中不僅包含高壓電塔和輸電導線，還包含大量的地面、低矮植被等非必要數據，因此預先對點云數據進行電塔粗識別可以快速鎖定電塔潛在區域。本文算法通過計算網格特征，并結合高壓電塔幾何分布特性對其進行粗識別，大大減少待分析點云數量，降低了電塔自動識別的盲目性，提高了算法識別效率。

1.2.1 基于格網點云的特征計算

針對高壓電塔的區域粗識別依賴于基于網格的點云特征，根據高壓電塔具有的大高差、高程連續分布、局部極高值等特性，需計算點云格網的DSM特征、DEM特征及高差特征。

基于格網點云的特征計算首先需對點云進行格網化，根據每個點的二維平面坐標計算其格網歸屬，完成無序點云格網化，然后在規則格網點云的基礎上計算點云的格網特征。點云格網化具體計算公式為

(1)

式中，(x，y)為待定點二維平面坐標；xmin、ymin分別為點云數據中X坐標與Y坐標最小值；d為網格尺寸；m、n為待定點對應于網格中的行列號。

網格點云的DSM特征能在格網分辨率下反映出數據采集區域的地物頂部起伏狀況，可用于分析局部極高區域，由網格內最高點高程值表示。點云DSM特征具體計算公式為

(2)

網格點云的DEM特征能在格網分辨率下反映出數據采集區域的地形起伏狀況，結合DSM特征可以去除地形起伏對高壓電塔識別的影響，由網格內最低點高程值表示。點云DEM特征具體計算公式為

(3)

網格點云的高差特征是點云局部高差的直接反映，結合高壓電塔具有的大高差特性，其在高差特征圖中應有較為明顯的響應，因此高差特征可直接用作濾除地面、低矮植被等非目標點云的基礎數據使用，高差特征由DSM特征與DEM特征作差直接計算獲得。點云高差特征具體計算公式為

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

(4)

式中，Diff(m,n)、DSM(m,n)和DEM(m,n)分別表示網格坐標為(m,n)處對應的高差特征值、DSM特征值及DEM特征值。

1.2.2 高壓電塔網格區域粗識別

高壓電塔網格區域粗識別旨在自動快速鎖定高壓電塔潛在區域，為后續高壓電塔精細識別提供區域位置參考，減少精細識別處理數據量，提高算法效率。本文算法粗識別部分結合高壓電塔的大高差特性，從高差特征圖中快速濾除大量地面、低矮植被區域;結合高程連續分布特性，從數據中分離輸電導線所在區域；結合局部極高值特性，從DSM特征圖中快速濾除大面積高大林區，從而實現高壓電塔區域粗識別。具體過程如下：

(1) 遍歷高差特征圖，獲得高差特征值大于閾值Ht的所有網格集合{G}。

(2) 給定斷層間隔閾值k，對{G}中的每個網格Gi的點云數據獨立進行高程連續性分析，若出現斷層，則以斷層處高程最小值更新DSM特征圖，并同步更新高差特征圖，并將該網格標記為懸空點集網格。

(3) 以高差特征圖中特征值大于設定閾值Ht的網格為種子網格集，在DSM特征圖中進行高程聚類，查找每一個聚類結果的主方向并計算聚類結果在主方向上的分布長度。

(4) 濾除聚類結果中分布長度大于設定閾值的結果，獲得電塔粗識別網格區域。

通過上述方式對點云格網化特征進行操作，可以快速實現高壓電塔粗識別，大大減少高壓電塔精細識別所需處理的數據量。

1.3 電塔精細識別與塔中心平面位置計算

1.3.1 基于鄰域網格線性特征的電塔精細識別

輸電線路區域內，不僅存在高壓電塔，還可能存在單株高大喬木、信號塔等具有相似幾何分布特性的干擾要素，因此高壓電塔精細識別旨在從粗識別結果中剔除干擾項。高壓電塔區別于干擾要素最顯著的特征即是與線性懸空輸電導線相連，因此，本文通過分析高壓電塔粗識別區域外接鄰域內是否包含線性懸空點集來輔助識別桿塔。具體步驟為：

(1) 獲取每一個高壓電塔粗識別結果區域，放入群組{T}中。

本文以文獻[5]中方法計算點集協方差陣特征值判斷其是否具有明顯線性特征。

1.3.2 基于分層切片的塔中心平面位置計算

在實際輸電線路安全智能診斷中，往往需要提供高壓電塔的平面二維坐標，因此，根據高壓電塔區域識別結果對塔中心平面坐標進行計算必不可少。本文以高程方向分層切片法分析計算塔中心平面坐標，具體流程如下：

(2) 取任意兩層切片中心點構成點對，計算該點對之間的平面距離drc及該點對確定的直線與Z軸夾角θrc。

(3) 取{drc}中的最大值dMrc，若其大于給定閾值，則執行步驟(4)，否則執行步驟(5)。

(4) 取dMrc對應的兩個切片層中心點pr、pc，分別計算其余點與pr、pc確定的直線與Z軸夾角，并投票給夾角較大的一項，刪除pr、pc中得票較多項對應的中心點坐標，以及與之相關的所有{drc}與{θrc}，進入步驟(3)。

(5) 統計剩余切片中心點中任意兩點確定的直線與Z軸夾角最小值，并取對應的兩中心點平面坐標均值作為最終高壓電塔平面中心坐標。

2 試驗結果及分析

2.1 試驗結果

本文以Visual Studio 2013為開發平臺，結合OpenCV、PCL庫，實現了本文提出的基于格網特征的高壓電塔自動識別方法并驗證其有效性。由大型無人機實際運行線路巡檢獲取，具有巡檢線路長、數據冗余量大、線路環境復雜等特點。圖2為兩份原始點云試驗數據；圖3、圖4分別為數據1與數據2濾波去噪結果、電塔粗識別結果、電塔精細識別結果及局部細節圖。

如圖2所示，本次試驗數據穿越茂密林地、丘陵，線路包含交叉跨越，自然環境復雜，同時存在大量噪聲點；如圖3(a)和圖4(a)所示，對點云進行濾波去噪后，噪聲點被濾除，電力走廊真實數據被完整保留；如圖3(b)和圖4(b)所示，電塔粗識別結果能在濾除非目標區域時完整保留電塔區域，但結果中仍存在眾多高大喬木、信號塔等干擾因素；如圖3(c)和圖4(c)所示，電塔精細識別可將喬木、信號塔等濾除，獲取最終電塔識別結果。試驗結果直觀說明本文算法能從點云數據中有效自動識別高壓電塔，且準確率較高。

2.2 試驗結果分析

為驗證本文方法的可行性，對試驗數據中高壓電塔識別結果進行統計，結果見表1。

表1 高壓電塔識別結果統計

通過與實際線路高壓電塔數據相比，在線路1中，本文方法成功自動識別出全部47座高壓電塔中的46座，遺漏1處；在線路2中，本文方法成功自動識別出全部37座高壓電塔。試驗結果表明，本文算法可有效識別高壓電塔，且準確率較高。

對試驗數據1、數據2中識別出的高壓電塔以前述方法進行平面位置估計，并結合人工選點方式獲取的高壓電塔中心坐標作為真值進行對比分析，結果見表2、表3。由結果可以看出，本文算法提取的高壓電塔平面中心坐標可達米級精度，可以滿足電力巡檢智能診斷數據處理要求。

表2 數據1部分電塔平面位置計算結果 m

表3 高壓電塔中心平面位置估計結果誤差統計 m

3 結 語

(1) 提出了一種機載點云中高壓電塔自動識別方法。采用無人機實際巡檢機載點云數據對算法進行驗證，試驗結果充分證明了算法的可行性與有效性。

(2) 本文方法能夠自動地從點云數據中較為穩健地識別高壓電塔，提高了機巡作業效率和智能化水平，可為電力走廊智能診斷提供有效電塔信息。

(3) 本文方法按由粗到細的方案進行?；诰W格特征的電塔粗提取能快速鎖定電塔潛在區域，提高了算法效率；基于線性懸空特征點集輔助精確識別電塔能夠有效排除高大喬木、信號塔等干擾項，提高了電塔識別準確度。