基于机载激光点云的电力线自动提取方法

李 靖，钱建国*，王伟玺，李晓明，李 游

(1.辽宁工程技术大学 测绘与地理科学学院，阜新 123000；2.深圳大学 智慧城市研究院， 深圳 518061)

引 言

随着国民经济的高速发展，输电线路规模日益庞大，电网结构日益复杂，对电力线周期性巡检提出了新的挑战。机载激光雷达技术可以快速准确地获取输电线路附近地形地物的高精度、高密度3维点云信息，具备巡检效率高、成本低、点云数据精度高等优势，因此近年来，机载激光雷达技术在电力线无人机巡检中得到了广泛应用，为输电线路防灾减灾和安全隐患分析等工作提供了大量准确可靠的点云数据[1-8]。

如何从输电线路激光点云数据中快速准确提取电力线点，精确拟合生成电力线矢量是电力线无人机巡检的主要研究内容之一。近年来，众多学者对此展开了研究，提出了多种电力线提取方法。CHEN等人使用顾及地形起伏特征的滤波方法剔除地面点，然后采用维度和方向特征过滤植被点和电塔点，最后通过Hough变换提取各条电力线点[9]，但该方法中Hough变换需要将点云数据转换为图像，且Hough变换对噪声点较为敏感。YU等人通过不规则三角网加密和角度滤波方法过滤非电力线点，使用2维Hough变换拟合电力线水平投影分离各条电力线[10]，该方法计算量较大，算法效率有待提高。SHEN等人沿x轴将输电线路点云分割为多个子空间，然后通过高程阈值分割滤波算法过滤地面点，然后采用高程密度分割算法提取电力线点[11]，但该方法过滤地形起伏较大，走向多样的输电线路的地面点效果有限，尤其是输电线路走向倾向于y轴或者走向呈折线状时。

作者在前人研究的基础上[12-20]，总结分析电力线点的空间分布特征后，提出了一种高效的电力线自动提取和矢量化重建方法。电力线自动提取时采用改进后的高程滤波算法，通过空间分割和子空间网格的点云密度分析，解决了地形、走向复杂、点云密度不均匀的输电线路中电力线提取精度不高的问题。电力线矢量化重建包括直线拟合和抛物线拟合两部分。

1 电力线激光点云自动提取方法

本文中提出的基于机载激光点云的电力线自动提取和矢量化重建方法技术流程如图1所示。该方法首先通过空间分割方法将输电线路点云划分为多个小尺度子空间网格，然后通过本文中提出的基于子空间网格点云密度的高程滤波算法完成电力线粗提取。接着采用基于倾斜角度平均值的滤波算法精提取电力线，最后通过统计滤波算法对电力线精提取结果去噪，得到电力线整体点云，提高电力线提取准确度。采用基于随机采样一致性(random sample consensus，RANSAC)算法的电力线分条提取算法对各档电力线进行电力线分离，并根据最小二乘法则拟合单条电力线的直线和抛物线模型，生成电力线矢量。

Fig.1 Power line automatic extraction flow chart

1.1 电力线整体点云提取

传统高程阈值分割算法沿x轴方向[11]或者输电线路主方向[12]对输电线路进行空间分割，并不适用于地形起伏较大，线路走向呈折线状的输电线路，此外输电线路激光点云数据中可能存在点云密度不均匀的情况，影响电力线的提取精度。因此本文中提出了改进后的电力线提取算法，具体实现方法见下。

1.1.1 子空间网格分割 根据输电线路地形起伏变化情况设置分割尺度dx，将线路原始点云空间S沿x轴方向等距分割为n个单元网格Si(i=1,2,…,n)，xmin和xmax表示原始点云的x坐标最值,「⎤表示向上取整。

(1)

根据线路地形实际情况设置分割尺度dy，将单元网格Si沿y轴方向等距分割为mi个子空间网格Si,j(i=1,2,…,n;j=1,2,…,mi)，ymin和ymax表示单元网格Si中点云的y坐标最值。

(2)

线路点云空间分割时网格分割尺度dx和dy取值范围一般从几米到几十米，通常情况下地形起伏变化越小分割尺度越大，地形起伏变化越大分割尺度越小。输电线路点云的子空间网格分割如图2所示。

Fig.2 Schematic diagram of point cloud space division of transmission lines

1.1.2 电力线粗提取 子空间网格中可能有以下5种点集：地面点集；地面点和植被点集；地面点和电力线点集；地面点、植被点和电力线点集；电力线点集。根据电力线点在相同空间内相比于非电力线点通常具有高程较高和点云密度较小的特征，对子空间网格进行点云密度分析，然后通过高程滤波算法尽可能多地过滤非电力线点。

f(z)=

(3)

式中，d表示每个子空间网格的点云平均密度，D表示输电线路总体点云的点云平均密度(输电线路总体点云个数/输电线路水平投影面积)，a和b表示常数，zmin和zmean分别表示每个子空间网格点云高程的最小值和平均值，f(z)表示不同条件下子空间网格中需要被滤除的非电力线点的高程区间。

1.1.3 电力线精提取 电力线点在小范围内的高程变化具有远小于植被点和电塔点的特征，因此对于电力线粗提取结果中的植被点和电塔点，本文中采用基于点云间倾斜角度平均值的滤波算法[10]进行电力线精提取，算法原理如下：对点云中每个点给定半径r进行K维树(K-dimensional tree，KdTree)范围搜索，计算搜索区域其它点到搜索点的倾斜角度的平均值，倾斜角度平均值小于阈值的搜索点视为电力线点，否则视为非电力线点。点pi(xi,yi,zi)与点pj(xj,yj,zj)倾斜角度的计算公式为：

(4)

1.1.4 点云去噪 为了提高电力线点云提取精度，本文中采用统计滤波算法滤除上述提取结果中的噪声点。通过KdTree的最近邻搜索方法遍历点云获取其邻域，统计分析搜索点与邻域内各点的距离，计算平均距离和方差，假设结果呈高斯分布，那么与搜索点距离在标准区间外的点视为噪声点，从电力线精提取点云中删除，最终得到电力线整体点云。

1.2 电力线激光点云分档分条提取

将提取的电力线整体点云按相邻两座电塔之间的电力线为一档进行电力线分档。根据两座电塔之间的电力线的水平投影呈直线且相互平行的特性，通过本文中提出的基于RANSAC的电力线分条提取算法拟合出投影点云中的直线，进而分离各条电力线。基于RANSAC的电力线分条提取算法思路如下：(1)从单档电力线的水平投影点云中随机抽取两个点确定直线，设置距离阈值，计算其它投影点到直线L1的距离，距离小于dth的点加入直线点集P1，并统计点集元素个数N1；(2)设置随机采样次数m，重复m-1次随机采样，得到直线L2，L3，…，Lm及对应的直线点集p2，p3，…，pm；(3)根据最小二乘法则求取最大直线点集的最佳拟合直线，将投影点还原为3维点云，并从单档电力线点云中删除该条电力线；(4)根据单条电力线高程呈连续性分布的特征，对提取的电力线点云进行高程排查，通过KdTree遍历搜索电力线点，剔除与周围点有高程突变的噪声点，以确保电力线点云提取的准确率；(5)重复步骤(1)～步骤(4)，提取下一条电力线，直到所有电力线分离完成。

1.3 单条电力线重建方法

理想情况下电力线在理论力学中的空间形态的数学模型为悬链线模型，根据已有研究结果发现抛物线方程可视作电力线悬链线模型的近似表达，且比悬链线模型有更高的模型重建效率和精度，更适合电力线重建[13]。因此将单条电力线的3维重建分为曲线拟合和直线拟合，直线拟合时首先将电力线点云投影到xy平面，然后根据最小二乘法则求取参量k,b，直线方程式如下：

y=kx+b

(5)

曲线拟合时先求取电力线方向，然后将单条电力线投影到电力线方向和Z轴所构成的平面[13]，最后根据拟合z值与点云实际z值的残差平方和Q最小求取抛物线模型的最佳参量a0，a1，a2。抛物线方程和最小二乘法则的残差平方和计算公式如下：

z=a0x2+a1x+a2

(6)

(7)

2 实验与分析

本文中以Microsoft Visual Studio 2013为程序开发平台，使用点云库(point cloud library，PCL)完成算法设计。为了验证电力线自动提取和重建算法的可行性，采用中国能源建设集团广东省电力设计院提供的两段输电线路机载激光点云数据进行实验测试，两段输电线路中植被众多，同档电力线水平投影相隔最短距离为0.38m，走廊内点云密度不均匀，部分地区存在点云密度比较稀疏的情况。数据1:线路总长度为2km，线路走向为直线段，地形起伏变化较大，点云总数为9325655，点云平均密度为68point/m2;数据2:线路总长度为1.95km，线路走向为折线段，地形起伏变化较小，点云总数为7314818，点云平均密度为71point/m2。原始点云数据如图3所示。

Fig.3 Original laser point cloud of transmission line

输电线路空间分割时根据地形起伏情况设置分割尺度，数据1中设置dx=dy=5，数据2中设置dx=25，dy=15。如果不对分割后的子空间网格进行点云密度分析，高程阈值区间都统一为(zmin,zmean+a)，会因为子空间内点云密度大小不一，导致电力线粗提取结果中要么存在大量植被点和杆塔点，要么部分电力线点被过滤掉。此外某些子空间网格中可能只有电力线点，此时无论高程阈值区间怎么取值都会造成电力线点被过滤的结果，因此需要对子空间网格进行点云密度分析，以便提高电力线提取的效率和准确率。如图4所示,数据1中该处点云比较稀疏。

Fig.4 Sparse area of point cloud

高程滤波时(3)式中高程阈值区间数据1设置a=b=5，数据2设置a=5，b=4。如图5所示，两组数据的粗提取结果可靠，没有造成电力线缺失，对输电线路地形、走向和点云密度等因素鲁棒性较好，能滤除绝大多数地面点，大量植被点和电塔点，左侧为数据1的电力线粗提取部分结果，右侧为数据2的电力线粗提取部分结果。

Fig.5 Elevation filtering results

两组点云数据在电力线精提取时KdTree的搜索半径设置为1.5m，角度阈值设置为9°，统计滤波时通过KdTree遍历点云搜索最邻近的50个点，剔除与搜索点距离在3倍标准差外的噪声点。两组点云数据的电力线整体点云提取结果准确完整，精度较高，噪声点少，部分结果如图6所示。

对电力线整体点云按照相邻两座电塔为一档进行分档处理后，随机选取第2档电力线作为后续电力线分条提取和电力线拟合重建的实验数据。根据本文中提出的基于RANSAC直线拟合的电力线分条提取算法分离各条电力线，RANSAC直线拟合时采样次数为40，距离阈值设置为0.38m，高程排查搜索半径为1.5m，高程差阈值为1m。电力线分条提取精度详见表1，该档内8条电力线总的提取精度达到99.342%，单条电力线的最低提取精度为98.90%。

Fig.6 Power line point cloud

Table 1 Extraction accuracy of power line

第2档电力线分条提取后，将各条电力线依次投影到xy平面、电力线方向和z轴构成的平面上，根据最小二乘法则计算直线拟合方程和抛物线最佳拟合曲线方程，最后在[xmin,xmax]上每隔0.3m根据直线方程和抛物线方程生成对应的y值和z值，得到电力线3维矢量节点，近似表达电力线矢量。电力线重建结果精度评定采用原始电力线LiDAR点云与3维重建模型的最佳拟合点的欧氏距离的最大值dmax、平均值dmean和最小值dmin3项指标为评价标准，其中距离平均值为最重要的精度评价指标。该档电力线3维重建精度统计结果如表2所示，模型拟合的距离平均值最大误差为0.042m。

Table 2 Accuracy evaluation of 3-D reconstruction of power lines

3 结 论

提出了一种高效的电力线提取方法，在电力线粗提取部分设计了一种新的高程滤波算法，该算法通过空间分割和子空间网格的点云密度分析，避免了输电线路走向和地形对电力线提取的影响，提高了高程滤波算法在点云密度不均匀的输电线路数据中的适用性。实验结果表明，本文中的电力线提取方法具有较好的稳健性和抗干扰性，电力线点云提取与3维重建的精度较高，满足实际工程需要，可以应用于大规模复杂环境下的输电线路激光点云数据处理中。