賈 魁 張 晶

(首都師范大學(xué)資源環(huán)境與旅游學(xué)院，北京 100048)

0 引 言

電力線為人們?nèi)粘Ｉ詈蜕虡I(yè)活動輸送電能，電力線的安全情況不容忽視.傳統(tǒng)的人工巡線的方式檢查電力線及其周邊的安全情況，這種巡線方式效率低、人力成本高，而且在人工巡線監(jiān)測電力線的過程中，即使觀察到電力線周圍的危險狀況，也有可能記載錯誤，復(fù)查電力線工作效率更低、更費時費力[1].

車載激光雷達系統(tǒng)可以快速獲取道路周圍的高精度真三維點云數(shù)據(jù)，又如機載激光雷達系統(tǒng)可以快速獲取大范圍真三維點云數(shù)據(jù)[2]，閆利等[3]使用車載激光雷達點云數(shù)據(jù)，通過觀察電力線點云數(shù)據(jù)完成電力線巡查工作，既省時又省力.在山區(qū)完成電力線巡檢工作比較困難，有些地方人很難到達，機載激光雷達可以很方便的獲取山區(qū)電力線的真三維點云信息，從而可以服務(wù)于山區(qū)的電力線巡檢工作.與機載激光雷達相比，車載激光雷達可以獲得地物更高精度的三維信息[4-7].在城市區(qū)域，有樹木和高樓等可能影響機載方式飛行，電力線點云數(shù)據(jù)的獲取更適合用車載激光雷達系統(tǒng)[8].激光雷達技術(shù)代替?zhèn)鹘y(tǒng)的人工巡線方式可以更加高效率的服務(wù)于電力線巡線工作.在獲取點云數(shù)據(jù)之后，如何更完整、更準(zhǔn)確地提取出電力線點云數(shù)據(jù)成為需要解決的重要問題.

在國內(nèi)外相關(guān)研究中，Kim和Sohn[9]提出基于特征值分析點云數(shù)據(jù)幾何結(jié)構(gòu)特征的方法，他們使用一個尺度計算目標(biāo)點云數(shù)據(jù)及其鄰域范圍內(nèi)構(gòu)成的數(shù)據(jù)集合的協(xié)方差，然后判斷分析當(dāng)λ1?λ2,λ3時，集合呈線分布特征，并通過Linearity=(λ1-λ2)/λ3計算分析可以得到該線分布的程度.Cheng等[10]也是通過特征值的分析提取了電力線點云數(shù)據(jù)，但是他們也只用了一個尺度進行的電力線點云數(shù)據(jù)提取，然后結(jié)合電力線上下連續(xù)性和水平方向連續(xù)性去除噪點，并結(jié)合方向、距離分析得到單根電力線點云數(shù)據(jù)集合.Melzer和Briese[11]使用霍夫變換的方法計算電力線交點預(yù)估電線桿位置，進而使用隨機抽樣一致性(random sample consensus)方法提取和重建電力線點云數(shù)據(jù)，但當(dāng)該方法受初始模型的限制，如果初始模型選取不合適就會嚴(yán)重影響提取和重建結(jié)果.Guan等[12]使用霍夫變換算法提取電力線點云數(shù)據(jù)，并通過歐式距離法聚類每單根電力線點云數(shù)據(jù).余潔等[13]使用濾波算法初步去除干擾點，然后使用角度濾波和二維霍夫變換的方法提取電力線點云數(shù)據(jù).尹輝增等[14]使用霍夫變換特征空間全局方向特征分析，使用局部分段提取方法等對電力線點云數(shù)據(jù)進行提取，并聚類提取單根電力線點云數(shù)據(jù).本研究主要探討使提取更為完整的疊加多尺度電力線點云數(shù)據(jù)幾何結(jié)構(gòu)特征提取方法，本文使用多個尺度分析電力線點云數(shù)據(jù)幾何結(jié)構(gòu)特征，使用每個尺度分別提取線特征點云數(shù)據(jù)，最終將各個尺度提取的結(jié)果疊加，并計算各個尺度和疊加后的提取結(jié)果的電力線點云數(shù)據(jù)提取完整度，進行對比和分析.本研究還參考使用開源軟件CloudCompare V2.7.0手動提取出電力線點云實驗數(shù)據(jù)，該開源軟件可以運行在Linux和Winodws等平臺，具有點云數(shù)據(jù)裁剪、格式轉(zhuǎn)換等基本功能，方便且好用[15].

1 電力線點云數(shù)據(jù)提取方法

在電力線點云數(shù)據(jù)提取方法過程中，首先使用Kdtree[16](k-dimensional)建立索引的方式找到待分析目標(biāo)點云周圍的點云數(shù)據(jù)集合，使用多個遞增的尺度，分析點云數(shù)據(jù)集合的幾何結(jié)構(gòu)特征，得到該目標(biāo)點呈現(xiàn)的幾何結(jié)構(gòu)分布特征(散亂點、線、面)，在分析完所有點云數(shù)據(jù)之后，提取出呈線分布特征的點云數(shù)據(jù)作為電力線點云數(shù)據(jù)，然后疊加各個尺度提取結(jié)果，這樣可以盡可能多的得到電力線點云數(shù)據(jù).

1.1 幾何結(jié)構(gòu)特征分析方法介紹

在使用幾何結(jié)構(gòu)特征分析方法分析點云數(shù)據(jù)的幾何結(jié)構(gòu)特征分布情況時，首先找到待分析的目標(biāo)點周圍點云數(shù)據(jù)的集合，根據(jù)點云數(shù)據(jù)集合的X、Y、Z坐標(biāo)數(shù)值計算該集合對應(yīng)的協(xié)方差矩陣，然后計算該協(xié)方差矩陣的特征值，分析特征值之間的關(guān)系，從而得到該目標(biāo)點所呈現(xiàn)的幾何結(jié)構(gòu)分布特征.對所有點云數(shù)據(jù)進行幾何結(jié)構(gòu)特征分析，提取出所有呈線分布特征的點云數(shù)據(jù).

根據(jù)點云數(shù)據(jù)集合的X、Y、Z坐標(biāo)計算協(xié)方差矩陣公式[17](1)如下：

(1)

在計算分析目標(biāo)點云數(shù)據(jù)所呈現(xiàn)的幾何結(jié)構(gòu)特征時，首先計算出其周圍點云數(shù)據(jù)集合對應(yīng)的協(xié)方差矩陣，然后計算出三個特征值：λ1，λ2和λ3(λ1>λ2>λ3).然后分析λ1，λ2和λ3之間的關(guān)系，當(dāng)λ1?λ2,λ3時，該點云數(shù)據(jù)集合呈線分布特征，該目標(biāo)點云數(shù)據(jù)識別為是呈線分布特征的點；當(dāng)λ1≈λ2?λ3時，該點云數(shù)據(jù)集合呈面分布特征，該目標(biāo)點云數(shù)據(jù)識別為是呈面分布特征的點；當(dāng)λ1≈λ2≈λ3時，該點云數(shù)據(jù)集合呈散亂分布特征，該目標(biāo)點云數(shù)據(jù)識別為是呈散亂分布特征的點.這三種情況，可以轉(zhuǎn)換為通過三個公式進行計算和分析，這三個公式如(2)所示：

(2)

當(dāng)且僅當(dāng)Linearity≈1，Planarity≈0且Sphericity≈0時，該目標(biāo)點云數(shù)據(jù)鄰域范圍內(nèi)點云數(shù)據(jù)集合呈線分布特征[10].

1.2 多個遞增尺度分析點云數(shù)據(jù)幾何結(jié)構(gòu)特征

在分析目標(biāo)點云數(shù)據(jù)幾何結(jié)構(gòu)特征之前，需要設(shè)定領(lǐng)域半徑R來搜索該目標(biāo)點云數(shù)據(jù)周圍的點云數(shù)據(jù)集合，從而運用該點云數(shù)據(jù)集合進行協(xié)方差矩陣計算.這里所謂的多個尺度即設(shè)定多個領(lǐng)域半徑R搜索，在不同尺度下，目標(biāo)點云數(shù)據(jù)可能計算為呈現(xiàn)不同的分布特征[18].

使用多個尺度即多個鄰域半徑R，分析點云數(shù)據(jù)是否呈線分布特征，不同尺度下分析得到的結(jié)果相互補充，最終得到更多、更準(zhǔn)確的線分布特征的點云數(shù)據(jù).如圖1示，圖中對同一個目標(biāo)點云數(shù)據(jù)在不同鄰域搜索半徑范圍內(nèi)進行幾何結(jié)構(gòu)特征分析，根據(jù)圖中鄰域內(nèi)點云數(shù)據(jù)分布情況可以明顯看出當(dāng)R=0.15 m時，該目標(biāo)點云數(shù)據(jù)a周圍的點云數(shù)據(jù)集合呈面或散亂分布特征；但當(dāng)R=0.3 m時，該目標(biāo)點云數(shù)據(jù)a周圍的點云數(shù)據(jù)集合呈線分布特征.因此該呈線分布的點云數(shù)據(jù)在小尺度下不能正確識別出來，在之后的線分布特征的點云數(shù)據(jù)提取時會被遺漏掉.又如圖2所示，當(dāng)R=0.15 m時，該目標(biāo)點云數(shù)據(jù)b在鄰域半徑R范圍內(nèi)的點云數(shù)據(jù)集合呈線分布特征；當(dāng)R=0.3 m時，該目標(biāo)點云數(shù)據(jù)b在鄰域半徑R范圍內(nèi)的點云數(shù)據(jù)集合呈散亂分布特征.因此該呈線分布特征的點云數(shù)據(jù)在大尺度下不能正確的識別出來，如果只用一個大的尺度提取線分布特征的點云數(shù)據(jù)，該目標(biāo)點云數(shù)據(jù)會被錯誤識別并被遺漏掉.若用兩個尺度分別進行幾何結(jié)構(gòu)特征分析，疊加分析結(jié)果，會盡可能多的得到呈線分布特征的點云數(shù)據(jù)集合.由于使用Kdtree算法建立了每個目標(biāo)點云鄰域內(nèi)點集合索引，使用多個尺度分析相比單個尺度分析所用的時間不會提高太多計算時間和工作量.

圖1 目標(biāo)點云在大尺度下分析為線特征但在小尺度下不為線特征

圖2 目標(biāo)點云在小尺度下分析為線特征但在大尺度下不為線特征

在提取電力線點云數(shù)據(jù)的過程中，建議根據(jù)點云實驗數(shù)據(jù)的點間距，設(shè)定點間距兩倍的長度作為鄰域半徑R最小值，使用多個遞增尺度R進行分析.在電力線周圍通常有散亂的樹木點云數(shù)據(jù)，在較大的尺度下，因為樹木點云數(shù)據(jù)周圍通常是散亂點，樹木上的點云數(shù)據(jù)會更可能的分析為散亂分布，而在小尺度下，由于樹枝等也可能呈線分布特征，容易識別為線分布特征的點云數(shù)據(jù)，從而錯誤識別為電力線點云數(shù)據(jù).本研究使用最小的領(lǐng)域半徑R=0.15 m時可以很好的提取出大部分電力線點云數(shù)據(jù).使用6個尺度R=0.15 m，R=0.25 m，R=0.35 m，R=0.45 m，R=0.55 m，R=0.65 m分別對電力線點云數(shù)據(jù)進行幾何結(jié)構(gòu)特征計算和分析，驗證和分析不同尺度下提取線分布特征的點云數(shù)據(jù)結(jié)果完整度，并與合并結(jié)果的完整度進行比較分析.

2 實驗結(jié)果與討論

本文通過使用開源軟件CloudCompare V2.7.0，人工手動提取出實驗區(qū)域電力線點云數(shù)據(jù)，然后使用多個尺度分析這些電力線點云數(shù)據(jù)的幾何結(jié)構(gòu)分布特征，在各個鄰域半徑尺度下提取出呈線分布特征的點云數(shù)據(jù)作為成功識別為電力線點云數(shù)據(jù)的集合，通過對比成功識別的點云個數(shù)并計算提取結(jié)果的完整度，來分析多尺度提取分析方法的優(yōu)勢，從而為電力線點云數(shù)據(jù)提取方法提供參考.該實驗過程是在Visual Studio 2010編程軟件中編寫C++代碼完成，電腦配置安裝內(nèi)存是16 GB.

2.1 實驗數(shù)據(jù)

實驗區(qū)域選擇北京蓮花橋地區(qū)，采集的是車載點云數(shù)據(jù)，點間距大約為0.08 m，如圖3所示，通過在CloudCompare V2.7.0中手動裁剪選取出電力線點云數(shù)據(jù)集合作為實驗數(shù)據(jù)，總共有2 748個電力線點云數(shù)據(jù).

圖3 電力線點云實驗數(shù)據(jù)

2.2 實驗結(jié)果與討論

根據(jù)電力線點云實驗數(shù)據(jù)，分別用遞增的6個尺度(R=0.15 m，R=0.25 m，R=0.35 m，R=0.45 m，R=0.55 m，R=0.65 m)對其進行幾何結(jié)構(gòu)分析，實驗數(shù)據(jù)一共有2 748個電力線點云數(shù)據(jù)，不同尺度下提取出的電力線點云數(shù)據(jù)結(jié)果如圖4所示，不同尺度下提取出的電力線點云數(shù)據(jù)結(jié)果是不一樣的，不同尺度下提取出的電力線點云數(shù)據(jù)的個數(shù)不同，對比各個尺度下提取出來的結(jié)果可以看出，在R=0.15 m尺度下可以提取出來的電力線點云數(shù)據(jù)，在其他尺度下基本可以提取出來，相反其他尺度下提取出來的電力線點云數(shù)據(jù)在0.15 m尺度下基本可以提取出來.

如圖5所示，合并所有遞增尺度提取出的電力線點云數(shù)據(jù)結(jié)果，在同一個坐標(biāo)位置下只保留一個點，得到2 727個電力線點云數(shù)據(jù)，結(jié)果比各個遞增尺度提取出的電力線點云數(shù)據(jù)都多.表1中完整度是通過計算正確識別出的電力線點云個數(shù)與實驗數(shù)據(jù)總的電力線點云數(shù)據(jù)個數(shù)比值得到的，從表1中可以看出，合并所有尺度的結(jié)果后，電力線點云提取的完整度比使用任一個鄰域半徑R提取出來的電力線點云數(shù)據(jù)的完整的高.從表1中還可以看出，隨著鄰域半徑R的增大，完整度越來越低，這是因為電力線在自然環(huán)境中是懸鏈線形狀，不是完全筆直的，電力線在局部接近直線，但是當(dāng)領(lǐng)域半徑R增大時，鄰域半徑范圍內(nèi)的電力線通常有一定的弧度，從而目標(biāo)點云被識別為非電力線點云數(shù)據(jù).這也是隨著半徑R的增大，電力線點云數(shù)據(jù)提取結(jié)果中漏分個數(shù)相對增多，正確識別出為電力線點云數(shù)據(jù)個數(shù)的減少原因.另外，在半徑是0.15 m的時候電力線點云數(shù)據(jù)正確識別個數(shù)相對于其他閾值半徑來講是最多的，并且接近于合并所有尺度結(jié)果的總的正確識別個數(shù)，如果是使用單個半徑閾值提取電力線點云數(shù)據(jù)，本實驗建議使用0.15 m，該值設(shè)定是考慮到實驗數(shù)據(jù)點間距來設(shè)定的，其大小約為點間距的2倍.

圖4 不同尺度幾何結(jié)構(gòu)特征提取電力線點云數(shù)據(jù)

圖5 合并多個尺度電力線點云數(shù)據(jù)提取結(jié)果

領(lǐng)域半徑R/m正確識別數(shù)量/個漏分?jǐn)?shù)量/個完整度/%0.152 6856397.70.251 6771 07161.30.351 5611 18756.80.451 5501 19856.40.551 5421 20656.110.651 0481 70038.11合并所有尺度的結(jié)果2 7272199.24

3 結(jié) 論

本研究使用CloudCompare V2.7.0開源軟件提取出的電力線點云數(shù)據(jù)作為實驗數(shù)據(jù)，多個遞增尺度提取呈線特征點云數(shù)據(jù)，并計算各個尺度提取結(jié)果的完整度，使用半徑0.15 m時進行幾何結(jié)構(gòu)特征分析得到的電力線點云數(shù)據(jù)比使用其它半徑分析得到的電力線點云數(shù)據(jù)都多，但多尺度結(jié)果疊加后提取結(jié)果的完整度最高，疊加多個尺度電力線點云數(shù)據(jù)提取結(jié)果可以獲得更多、更完整的電力線點云數(shù)據(jù)，該疊加多尺度電力線點云數(shù)據(jù)提取結(jié)果的思路可供電力線點云數(shù)據(jù)提取與重建過程參考，但該研究也需要繼續(xù)進行，由于激光雷達掃描過程中收到遮擋等原因，電力線點云數(shù)據(jù)出現(xiàn)數(shù)據(jù)缺口情況，這時可能影響提取精度，存在數(shù)據(jù)缺口時的解決辦法將在作者畢業(yè)設(shè)計中繼續(xù)研究進行.