多尺度鄰域特征下的機載LiDAR點云電力線分類

王艷軍，李 凱，路立娟

(1. 湖南科技大學地理空間信息技術國家地方聯合工程實驗室，湖南 湘潭 411201； 2. 湖南科技大學資源環境與安全工程學院，湖南 湘潭 411201； 3. 湘潭市國土資源信息中心，湖南 湘潭 411201)

快速檢測并消除電力線隱患是城鄉供電管理和科學規劃的重要任務[1]，但傳統的現場檢測方法實施難度大，耗費人力多。LiDAR測量技術測量精度高且定位準確，可以很好地克服電力線巡查中的缺陷，直接而快速地采集電力線走廊高精度三維點云數據[2-3]。但機載LiDAR點云數據量較大，地表信息豐富，電力線點云數據存在與森林植被、建筑物群、道路等要素相互遮擋和混雜的復雜場景，導致從海量機載LiDAR點云數據中快速準確地提取電力線點存在困難。研究一種高效快速且自動化從機載LiDAR點云數據中分類提取電力線的模型，是激光雷達技術在電力和環境研究等領域的重要內容。現有的電力線分類技術可大致分為3類：①基于高度、密度或脈沖數的點云統計分析分類[4-7]；②基于二維圖像處理的霍夫變換和聚類分類[8]；③基于點云的測量和分布特征的監督分類[9-11]。

通常使用二維霍夫變換來檢測分段的電力線基元，使用隨機抽樣一致性算法選擇用于估計垂直參數的電力線基元，以此實現電力線的整體重建，但該方法沒有充分利用所有電力線且精度不高。文獻[12—13]利用馬爾可夫隨機場首先從給定的線性走廊場景中提取電力線，然后根據電力線與塔架之間的語義關系提取塔架，最后使用基于塔架位置的懸鏈曲線模型進行多級跨度分析以完成三維電力線的重建。該方法是通過基于塔架位置的語義關系提取電力線和塔架，不適用于普遍存在電力桿而不是高塔架的復雜城區中的電力線分類。另有研究者提出通過使用懸鏈線的非線性調節來檢測電力線候選點，利用電力線的空間分布特征從點云中提取單個電力線，然后直接使用基于多項式的最小二乘法匹配算法來估計其三維重建的電力線模型參數[14],該方法計算復雜且最終擬合模型不連續。綜上，機載LiDAR點云數據能夠克服傳統電力線路巡檢和管理規劃中的問題，但需針對點云數據量大、三維電力線提取自動化程度低和分類精度低的問題，設計自動化的電力線分類提取算法。本文提出一種植被、建筑物與輸電線路混合的復雜城市場景中基于機載LiDAR點云的電力線分類提取方法，可適用于建筑物、植被等的分類提取。

1 研究方法

針對已有的基于形狀屬性的概率統計、圖像轉換分析方法存在的誤差和精度問題，本文提出充分利用形狀結構關系的電力線支持向量機(support vector machine，SVM)分類模型構建復雜場景下候選電力線點云數據的形狀結構特征關聯參數，應用兩塊典型區域訓練和測試樣本驗證模型結果，對比評價結果精度和反饋模型參數。本文設計了基于幾何多尺度特征和多尺度鄰域類型的電力線點云分類的新方法。該方法主要包括：電力線候選點過濾、多尺度鄰域類型選擇、形狀結構特征提取和SVM分類，具體方法框架如圖1所示。

1.1 電力線候選點濾波

機載LiDAR點云數據包括空間三維坐標、密度、回波強度、顏色等信息，針對點云數據量龐大、反映地表要素的數據稠密和精度高的特點，電力線網絡分類提取需考慮明顯噪聲點、地面點、建筑物點等過濾，而且電力線走廊在某固定高度范圍內呈線狀分布的特征，需要研究基于機載LiDAR點云數據的電力線三維結構特征指標體系。具體包括：基于原始點云數據，噪聲、地面、建筑物等顯著非電力線點的過濾機制，以進行點云數據預處理；建立電力線三維結構特征指標體系，將更加準確地區分非電力線點，減少后續處理數據量，同時保證可能電力線點的完整篩選。來自原始LiDAR點云的電力線候選點過濾是電力線分類的第1步。本文首先從原始LiDAR點云進行地面點過濾和DTM生成以提取所有非地面點，根據電力線布設規范，選擇地面4 m以上的非地面點作為電力線候選點[5]。

1.2 多尺度鄰域類型選取

本文方法通過使用給定點X的局部三維空間形狀結構進行電力線分類。初步選取兩類鄰域：單一尺度鄰域和多尺度鄰域[14]，并在每個尺度上分別選取球形鄰域、柱狀鄰域和K值鄰域3種鄰域類型，每種鄰域類型的限制參數為半徑和K值[15]。其中球形鄰域為圍繞給定點X的球體內的所有三維點形成的球形鄰域，限制參數為半徑；柱狀鄰域為圍繞給定點X的圓柱內的所有三維點組成的圓柱形鄰域，其中圓柱的軸線穿過給定點X，限制參數為半徑；K值鄰域為圍繞給定點X的K個最近三維點組成的鄰域，限制參數為K值。

經多次試驗比較分析，選定多尺度球鄰域獲取電力線形狀結構的各向異性和層次細節。

1.3 形狀結構特征提取

結合LiDAR點云數據中電力線與林木、建筑物等地物相互遮擋、混雜的問題和電力線快速自動化提取的需求，針對已有的基于結構形狀的統計分析和圖像處理分類方法中的不足，通過研究在不同復雜場景下電力線點云數據的形狀結構特征，確定其關聯參數。該方法從本質上避免了機載LiDAR點云數據中其他地物特征要素對電力線分類的干擾，以真實直接地反映出電力線空間結構特征，進而達到提高分類提取精度的目的。由鄰域內點集的協方差三維結構張量的特征值計算和提取形狀結構特征的方法，具體參見文獻[14—15]。

1.4 SVM分類

基于前述的候選電力線點云數據集及其三維形狀結構關聯參數，針對已有的電力線分類概率統計分析、格式轉換間接分類等方法存在的模型精度和誤差問題，設計和研究基于機器學習監督分類的電力線智能分類模型。設計機載LiDAR點云數據的SVM分類算法，以候選電力線點云的三維形狀結構關聯參數作為特征向量，以是否屬于電力線點作為結果種類，構建電力線SVM分類算法的訓練樣本和測試樣本，以Terrascan、ENVI等商業軟件和人工手動提取真實結果為訓練樣本，選擇美國夏威夷檀香山區域機載LiDAR點云數據作為測試樣本，并使用五重交叉對比分析來驗證評估分類器的準確性。

2 試驗與分析

2.1 試驗數據

試驗數據集包括：①數據集1為2014年采集的夏威夷檀香山市區域，選取LiDAR城市場景區域，覆蓋范圍為246 m×170 m，其點密度為3.27點/m2；②數據集2為2015年采集的夏威夷檀香山森林區域，選取場景覆蓋范圍為180 m×180 m，其點密度為3.02點/m2。對于數據集1和數據集2，地面、建筑物、電力線點等要素類參照實際情況以逐點方式進行標記，其中電力線點作為真實參考數據，原始試驗數據如圖2所示，已標記LiDAR點云與地物類別的點數量概況見表1。

2.2 試驗過程

試驗使用單一尺度和多尺度鄰域作為空間形狀結構特征提取的基礎：①6個球形單一尺度鄰域分別表示為N1m、N3m、N5m、N7m、N9m和N11m；②優化最近K值鄰域Nopt，由基于特征值熵最大的最近點構建；③球形鄰域N1m、N3m、N5m、N7m、N9m和N11m組合得到多尺度鄰域，表示為Nall。該8種不同鄰域類型所得特征值組合成特征向量作為SVM分類器的輸入值。

為了比較該方法在不同點層次上獲得的分類結果，設置多種指標對電力線分類結果進行評估：準確率(PREC)、召回率(REC)、質量(QUA)和處理時間(T)，其計算公式如下

(1)

(2)

(3)

式中，TP為正確分類的電力線點數量；FP為錯誤分類的電力線點數量；FN為遺漏分類的電力線點數量；時間T包括從原始點云數據濾波到SVM分類的整個處理過程。

2.3 結果與分析

本研究利用8類鄰域和2個數據集共進行16次試驗，每次試驗的準確率(PREC)、召回率(REC)、質量(QUA)和處理時間(T)結果見表2，其具體的分類結果如圖3和圖4所示。

結果表明，在兩個試驗數據中，多尺度鄰域類型結果精度最好，準確率、召回率和質量基本達到90%；6類單一尺度鄰域類型分類結果，在數據集1中精度較高的是N9m，在數據集2中精度較高的是N7m；文獻[14—15]所提出的優化最近K值鄰域Nopt分類結果精度較低。在處理時間方面，單一尺度鄰域類型N5m、N7m耗時較少，N1m和多尺度鄰域類型Nall耗時接近且居中，Nopt耗時最多。分析可知，數據集1中電力線與樹木和建筑物更為接近，且場景比數據集1更為復雜，分類結果精度從N1m到N11m呈先逐漸遞增后遞減的趨勢。由于多尺度鄰域Nall包含所有單一尺度鄰域的形狀結構特征，因此其分類精度比任何單一尺度鄰域都高，其分類結果的召回率不如準確率高，而優化最近K值鄰域Nopt類型則相對不適用電力分類模型。

研究發現，在不同尺度的鄰域中，基于多尺度鄰域類型及形狀結構特征的電力線SVM分類模型效果較好。本試驗數據中，電力線距離地面約6 m，間距約2 m，走廊平均寬度分別為9和7 m。在數據集1和數據集2中，單一尺度鄰域類型的最佳尺度近似于電力線的水平或垂直跨度。由于三維城市場景的空間各向異質性，多尺度球形鄰域下的分類效果較好。

3 結 語

與現有的將點云數據柵格化或利用圖像處理和統計分析技術相比，本文提出了利用多尺度球形鄰域的形狀結構關系進行電力線自動化分類，對不同尺度下局部鄰域進行形狀特征提取以獲取三維點的空間結構，完成逐點單獨分類，并最終獲得高精度的分類結果。在未來的工作中，將通過考慮數據中更多固有的上下文環境特征改進模型方法。此外，本文方法還需要針對不同類型的點云數據(如移動或車載激光掃描數據)進行試驗，或在更復雜的城市環境中評估模型并基于分類結果進一步實現電力線的三維重建。