馬文++耿貞偉++張小波

摘 要：本文主要討論一種基于隨機森林的輸電線路點云數(shù)據(jù)自動分類方法。首先，基于點的鄰域提取點的局部特征，然后，選取隨機森林作為分類模型，采用Gini系數(shù)作為節(jié)點分裂的標準，使用手工分類的點云數(shù)據(jù)訓(xùn)練模型，成功地實現(xiàn)了輸電線路走廊內(nèi)桿塔、電力線路、地物等的自動分類，為處理機載激光雷達在輸電線路巡視中產(chǎn)生的點云數(shù)據(jù)提供了一種數(shù)據(jù)處理方案。

關(guān)鍵詞：隨機森林；自動分類；輸電巡線；激光雷達；LiDAR；點云

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1671-2064（2017）19-0147-02

1 引言

激光雷達技術(shù)（LiDAR）是一種主動式的對地觀察和測量的技術(shù)，從上世紀70年代出現(xiàn)至今，發(fā)展迅速，在電力、公路、鐵路、林業(yè)、礦山、城市規(guī)劃等眾多領(lǐng)域都有廣泛地應(yīng)用。機載LiDAR，就是將LiDAR系統(tǒng)掛載于機載平臺（飛機、直升機以及無人機等），沿機載平臺的飛行軌跡對地物進行掃描以獲取空間信息。由于機載LiDAR可以完整地記錄飛行路線及其兩側(cè)走廊范圍內(nèi)的三維信息，具有安全、高效、快速等優(yōu)點，因此逐漸被引入到輸電線路巡線中，特別是在地形復(fù)雜、條件惡劣的地區(qū)[1-3]。

機載LiDAR在進行輸電巡線作業(yè)時會產(chǎn)生大量的掃描數(shù)據(jù)（點云數(shù)據(jù)），對點云數(shù)據(jù)的分析和應(yīng)用主要包括：電力線路走廊點云分類、輸電線路缺陷分析、輸電走廊三維重建及可視化等多個方面。其中，電力線路走廊點云分類是其他應(yīng)用的基礎(chǔ)，只要在完成了點云分類以后，才能繼續(xù)進行深入的分析和研究。傳統(tǒng)的分類方法主要采用手動分類，即以人工方式選取點云，手動設(shè)置類別。同時，國內(nèi)外也有眾多的關(guān)于自動分類的研究，如K Zhang[4]等提取地面的方法；VU T[5]提出的將點云數(shù)據(jù)轉(zhuǎn)化為圖像后，利用圖像學(xué)的方法采用K均值聚類法將數(shù)據(jù)分割成高層建筑物、地面點及其他地物三大類。而在輸電巡線的點云自動分類領(lǐng)域，梁靜[6]等提出的基于KD樹聚類的提取方法；Kim等[7]使用回波和點的局部信息為特征，基于隨機森林模型實現(xiàn)了電力線路的提取。

2 點云特征提取

本文所述的方法只使用點的空間信息，不使用回波、顏色等其他信息，逐個點地進行特征提取。對于任意點Pi及其鄰域N，可知存在鄰域N的協(xié)方差矩陣C，求解矩陣C的特征向量（λ1≥λ2≥λ3≥0）及其對應(yīng)的特征值（e1，e2，e3），而特征向量能表達出每個點的局部幾何特征[8]，如下圖1所示。

在此基礎(chǔ)上，對Weinmann[9-10]，Hackel等[11]所定義的特征進行分析，結(jié)合輸電線路桿塔和導(dǎo)線所具有的空間特性，選取以下特征：表1所示。

3 隨機森林

3.1 隨機森林學(xué)習器

集成學(xué)習（ensemble learning）是通過構(gòu)建多個學(xué)習器來進行學(xué)習，可獲得比單一學(xué)習器更顯著的泛化性能，這對“弱學(xué)習器（weak learner）”來說尤為明顯。其中，Bagging是并行式集成學(xué)習方法的最著名的代表，它采用自主采樣方法，最終得到T個采樣集，每個采樣集包含m個樣本的。然后，基于每個采樣集形成一個“基學(xué)習器”，再將這些基學(xué)習器進行結(jié)合，以取得更好的泛化結(jié)果。

隨機森林（Random Forest，簡稱RF）是Bagging的一個擴展變體，RF以決策樹為基學(xué)習器構(gòu)建Bagging，并且還引入了隨機屬性選擇。而且，隨著基學(xué)習器數(shù)量的增加，RF通常會收斂到更低的泛化誤差，且RF的訓(xùn)練效率通常優(yōu)于Bagging[12]。

3.2 隨機森林的構(gòu)建

隨機森林由T棵決策樹構(gòu)成，每一棵決策樹在構(gòu)造時，選擇節(jié)點的分裂屬性有很多種方法，如：信息增益、信息增益比、Gini系數(shù)等等，本文采用Gini系數(shù)作為節(jié)點分裂的選擇標準。而對于隨機森林中決策樹的數(shù)量，根據(jù)文獻[13]所述，建議其設(shè)置在64～128之間，可以取得計算性能和分類效果的最佳平衡。因此，本文選擇128棵決策樹。

4 實驗結(jié)果

本文實驗數(shù)據(jù)為某輸電線路LiDAR數(shù)據(jù)，從#1～#4，共三檔，所有數(shù)據(jù)都已經(jīng)過人工分類。用#1～#3前兩檔作為訓(xùn)練集，#3～#4作為驗證集。

按照上述定義的特征，計算特征值后，部分特征值的可視化效果如下圖2-4所示。

使用隨機森林進行模型訓(xùn)練后，在驗證集上泛化性能評估混淆矩陣如表2所示，總體分類精度為90%。

5 結(jié)語

本文主要討論了一種對輸電巡線點云數(shù)據(jù)進行自動分類的方法，基于點的鄰域提取每個點的局部特征，選取128棵決策樹構(gòu)建隨機森林，采用Gini系數(shù)作為節(jié)點分裂的標準，并通過一系列試驗過程實現(xiàn)了輸電線路走廊內(nèi)桿塔、電力線路、地物等的自動分類，為處理輸電線路巡視中產(chǎn)生的點云數(shù)據(jù)提供了一種數(shù)據(jù)處理方案。

參考文獻

[1]林昀，吳敦，李丹農(nóng).基于機載激光雷達的高精度電力巡線測量[J].城市勘測，2011，（5）：71-74.

[2]孫曉云，王曉冬.應(yīng)用 LiDAR 數(shù)據(jù)中提取電網(wǎng)信息方法初探[J].測繪技術(shù)裝備，2010，（1）：27-29.

[3]徐祖艦，王滋政，陽鋒.機載激光雷達測量技術(shù)及工程應(yīng)用實踐[M].武漢：武漢大學(xué)出版社，2009.

[4]K Zhang，SC Chen，D Whitman，ML Shyu. A progressive morphological filter for removing nonground measurements from airborne LIDAR data[J].IEEE Transactions on Geoscience & Remote Sensing，2003，（4）：872-882.

[5]VU T. Thuy，M Tokunaga，WAVELET AND SCALE-SPACE THEORY IN SEGMENTATION OF AIRBORNE LASER SCANNER DATA[J].Robotica.ipleiria.pt，2001，（3）：53-57.endprint

[6]梁靜，張繼賢，鄧喀中，劉正軍.基于KD樹聚類的機載LiDAR數(shù)據(jù)輸電線提取方法[EB/OL].北京：中國科技論文在線，2012.

[7]HB Kim，G Sohn. 3D CLASSIFICATION OF POWER-LINE SCENE FROM AIRBORNE LASER SCANNING DATA USING RANDOM FORESTS[C].PCV，2010.

[8]G Guy，G Medioni，rard. Inference of Surfaces， 3D Curves， and Junctions from Sparse， Noisy， 3D Data[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence，1995，（11）：1265-1277.

[9]M Weinmann， B Jutzi ， C Mallet. Feature relevance assessment for the semantic interpretation of 3D point cloud data[C].Isprs Annals of Photogrammetry，2013， （II-5/W2）：313-318.

[10]M. Weinmann， S. Urban， S. Hinz， B. Jutzi， and C. Mallet. Distinctive 2D and 3D features for automated large-scale scene analysis in urban areas[J] . Computers & Graphics， Vol. 49， pp. 47-57

[11]T Hackel，JD Wegner，K Schindler. Fast Semantic Segmentation of 3d Point Clouds with Strongly Varying Density[C].Isprs Annals of Photogrammetry Remote Sensing & Spatial Informa， 2016，（III-3）：177-184.

[12]周志華.機器學(xué)習[M].清華大學(xué)出版社，2016.

[13]Thais Mayumi Oshiro， Pedro Santoro Perez， and Jose Augusto Baranauskas. How Many Trees in a Random Forest？[J].Lecture Notes in Computer Science，2012，（4）：154-168.endprint