危雙豐， 尹思銘， 習(xí)曉環(huán)， 王 濮

(1.北京建筑大學(xué) 測繪與城市空間信息學(xué)院， 北京 100044； 2.北京建筑大學(xué) 北京未來城市設(shè)計高精尖創(chuàng)新中心， 北京 100044；3.北京建筑大學(xué) 代表性建筑與古建筑數(shù)據(jù)庫教育部工程研究中心， 北京 102616；4.中國科學(xué)院遙感與數(shù)字地球研究所， 北京 100094)

收稿日期：2019-05-14

基金項目：國家自然科學(xué)基金項目(41601409)； 北京市自然科學(xué)基金項目(8172016)

第一作者簡介：危雙豐(1979—)，男，副教授，博士，研究方向：點云智能處理.

激光雷達技術(shù)在架空輸電線路中的應(yīng)用已經(jīng)得到國內(nèi)外電網(wǎng)公司的廣泛認可，如線路規(guī)劃選線與施工、安全巡檢、危險點預(yù)警與分析、數(shù)字電網(wǎng)建設(shè)等，特別是對于線路穿越地形復(fù)雜、人員難以到達的區(qū)域更顯示其突出優(yōu)勢[1-3].

激光雷達在輸電線路中的應(yīng)用主要包括輸電線路通道數(shù)據(jù)獲取、點云去噪、濾波分類、數(shù)字化建模與分析等，其中濾波分類是后續(xù)應(yīng)用中不可或缺的流程，直接影響后續(xù)建模的精度和分析應(yīng)用結(jié)果. 濾波分類的目的是將輸電通道點云數(shù)據(jù)分為地面點、植被點、建筑點、電力線點、電塔點云等，在此基礎(chǔ)上進行各要素的建模與分析. 電塔作為輸電線路的重要組成部分，其安全穩(wěn)定性對線路穩(wěn)定運行至關(guān)重要，特別是山區(qū)地形復(fù)雜、人員難以到達的區(qū)域，更需要對電塔進行三維數(shù)字重建、定期/不定期進行變化分析，如電塔位置的精細識別與動態(tài)變化等. 國內(nèi)外學(xué)者開展了很多有關(guān)電塔定位的研究. 彭向陽等[3]3670-3677利用電力走廊區(qū)域點云的高差、密度和坡度特征提取電塔位置，但坡度特征易受到地表高大植被的影響而效果不佳，且其結(jié)果可用高差特征替換. 虢韜等[4]利用電塔的空間分布特征，首先粗提電塔點云，再分離電塔，最后利用最小二乘法精確擬合電塔位置. 該方法提取點云較為復(fù)雜，為了簡化提取過程，本文利用電塔點云的特征直接提取其位置. 韓文軍[5]首先提取電力線點云，然后通過檢測電力線連接點定位電塔. 其方法過于依賴電力線，若電力線有異常情況(如異物、斷裂等)則難以取得良好的效果，限制了其在災(zāi)害監(jiān)測方面的應(yīng)用能力. 游安清等[6]將點云數(shù)據(jù)格網(wǎng)化后向水平方向投影降維成二維灰度圖像，提取其直方響應(yīng)最大的位置為電塔位置. 但進行桿塔定位算法不夠精細，且沒有經(jīng)過較大規(guī)模數(shù)據(jù)的驗證. 劉洋等[7]進行了改進，增加利用懸空特征點集來輔助識別電塔，但也使方法變得更加復(fù)雜. 葉嵐等[8]在提取電力線的基礎(chǔ)上提出利用數(shù)學(xué)形態(tài)學(xué)進行電塔識別定位的方法. 其在電塔識別上有創(chuàng)新的方法，但主要針對電力線的提取和擬合. 賴廣陵等[9]提出基于車載激光雷達數(shù)據(jù)進行電塔定位的方法. 經(jīng)過對比，機載激光點云地面噪聲點更少、電塔頂部信息更全面，更利于進行電塔定位，且機載點云獲取方法更為方便，有更好的應(yīng)用前景. 林祥國等[10]則是直接基于已提供的電塔二維信息精確定位每座塔的位置，此方法需要先驗數(shù)據(jù)的支持，因此適用度不高. 上述方法都為電塔定位的研究提供了良好的思路.

本文針對前人算法進行改進，針對電塔自身和機載激光雷達數(shù)據(jù)的特點，設(shè)計并整合了較為有效的提取、定位手段，簡化了總體處理流程. 本算法利用電塔區(qū)域點云的大高差、高密度等特點，提出了一種對點云構(gòu)建二維格網(wǎng)，根據(jù)密度、歸一化數(shù)字表面模型(Normalized Digital Surface Model，nDSM)統(tǒng)計出興趣區(qū)(Area of Interest，AOI)，最后根據(jù)AOI的高程空間分布特征提取電塔坐標(biāo)的算法，用試驗驗證了算法的穩(wěn)健性和效率.

1 算法流程

在二維平面空間上，輸電線路通常呈折線段，其節(jié)點為電塔；在三維空間中，電塔通常具有特定的高度(與輸電電壓有關(guān))，具有一定的高程空間分布特征. 此外，由于機載激光雷達和電塔自身的特點，激光可以穿透電塔的鏤空結(jié)構(gòu)并返回得到其內(nèi)部構(gòu)造，使得電塔區(qū)域內(nèi)的點云投影到二維平面上時密度較高. 因此，本文根據(jù)電塔區(qū)域點云數(shù)據(jù)的nDSM特征和密度特征，對其進行濾波、篩選，得到電塔的潛在AOI. 為了進一步分離電塔點云，剔除周圍高大喬木等的影響，需要統(tǒng)計AOI的高程空間特征，從而排除干擾，提取出電塔區(qū)域并計算位置，實現(xiàn)電塔的自動定位. 電力桿塔自動定位流程如圖1所示.

1.1 預(yù)處理

由于機載激光雷達儀器存在噪聲，使得點云數(shù)據(jù)中存在一定量的孤立點和噪聲點. 孤立點和噪聲點的存在會影響nDSM特征的判斷、提取，并降低電塔定位的最終精度，因此需要對原始數(shù)據(jù)進行降噪處理. 本文使用的降噪方法為半徑異常值去除法. 其基本原理是設(shè)定一個半徑值，若待定點周圍半徑區(qū)域內(nèi)所含的其他點數(shù)小于給定的閾值(一般為經(jīng)驗值)，則該點被視為噪聲點，該方法能夠有效去除離散點.

此外，受限于無人機激光雷達數(shù)據(jù)的獲取方式，其掃描得到的電力走廊點云密度往往不夠均勻. 若點云在整個走廊上分布不均，則會導(dǎo)致統(tǒng)計的局部密度特征與地物的垂直分布特征失去相關(guān)性，從而無法準(zhǔn)確識別電塔，因此需要對電力走廊點云數(shù)據(jù)進行密度均勻化處理. 本文采用了體素格網(wǎng)濾波器，其格網(wǎng)尺寸受提取的電塔尺寸和原數(shù)據(jù)的點云密度限制，而后者主要受無人機航高、航速和掃描角分辨率等因素共同影響.

為了進一步提高處理效率，更有效提取點云特征，將經(jīng)過濾波之后的點云數(shù)據(jù)建立K- D樹索引，并進行格網(wǎng)化，格網(wǎng)的尺寸大小與體素格網(wǎng)濾波器的格網(wǎng)尺寸、電力走廊區(qū)域的地形以及電塔的尺寸有關(guān). 若格網(wǎng)尺寸較大，則會影響定位精度；若格網(wǎng)區(qū)域過小，則會影響程序的處理效率且獲取不到足夠的統(tǒng)計數(shù)據(jù).

點云規(guī)則格網(wǎng)化的具體公式：

(1)

式中：(x,y)為待定點的二維平面坐標(biāo)，xmin、ymin分別為點云數(shù)據(jù)中x、y坐標(biāo)的最小值，g為格網(wǎng)尺寸(即格網(wǎng)邊長)，i、j分別為計算得到的待定點所屬區(qū)域的點云規(guī)則格網(wǎng)的行、列號.

1.2 AOI提取方法

輸電走廊區(qū)域中含有電力設(shè)施(電力線、電塔等)的區(qū)域較其他區(qū)域有著較大的相對高度，因此可以根據(jù)nDSM快速得到電塔的范圍. 此外，電塔區(qū)域較其他區(qū)域又有著局部密度高的特點. 因此，可以結(jié)合局部密度特征確定AOI的位置.

本文統(tǒng)計的具體點云特征包含點云局部密度特征，數(shù)字高程模型(Digital Eleration Model，DEM)特征和數(shù)字表面模型(Digital Surface Moder，DSM)特征[11]，并據(jù)此得到nDSM數(shù)據(jù).

點云格網(wǎng)的局部密度特征是定位電塔的重要依據(jù)，其計算方法是將點云降維，以一個格網(wǎng)為單位，統(tǒng)計落入格網(wǎng)中點的個數(shù)，以作為該格網(wǎng)區(qū)域內(nèi)的局部密度特征.

單個格網(wǎng)的DEM、DSM特征值的具體計算方法是統(tǒng)計其中最低點、最高點的高程值，并分別作為該格網(wǎng)區(qū)域的DEM、DSM特征值.

單個點云格網(wǎng)的nDSM特征數(shù)據(jù)是用其DSM特征值減去DEM特征值得到的，記錄了格網(wǎng)區(qū)域內(nèi)高于地面的地物相對于地面的最大高度信息. 該信息對于區(qū)分不同類型地物具有重要作用，能夠有效找到高大地物，如電塔、電力線、建筑物及高大喬木植被等[12].

計算出各個格網(wǎng)中的上述特征之后，可根據(jù)密度特征和nDSM特征分別設(shè)定相應(yīng)的閾值提取得到AOI. 電塔nDSM特征分離閾值H*的設(shè)立應(yīng)不高于數(shù)據(jù)區(qū)域中最低電塔的高度. 密度特征分離閾值D則受點云數(shù)據(jù)密度影響，其取值為經(jīng)驗值. 根據(jù)上述H*和D可以提取AOI.

1.3 基于高程空間統(tǒng)計法的電塔存在區(qū)域提取

由于電力走廊區(qū)域環(huán)境復(fù)雜，不僅存在電塔，還存在電力線、復(fù)雜地形和高大植被. 這些都會對電塔的識別定位帶來影響. 例如，電力線具有較大nDSM值，而高大植被等兼具有nDSM值較大、密度較高的特點. 為了在AOI中有效地提取出電塔，本文在保證便于計算的同時提取不同地物的高程空間特征并予以區(qū)分，將各個AOI的高程空間分為上下2個區(qū)域，如圖2所示. 各區(qū)域上下閾值以該區(qū)域nDSM值的特定倍數(shù)設(shè)定，目的是為避免復(fù)雜電力線噪聲或復(fù)雜植被噪聲等對電塔分類、定位的影響. 其具體過程如下：

第一，設(shè)置合理的閾值，將AOI的高程空間分為上部區(qū)域Cloudup和下部區(qū)域Clouddown，如圖2所示.

第二，分別統(tǒng)計上部區(qū)域和下部區(qū)域中的點云密度Dup、Ddown.

第三，計算各個AOI格網(wǎng)的上部區(qū)域和下部區(qū)域的點云密度之比r.

由于桿塔自身結(jié)構(gòu)特點，其形狀在高程空間內(nèi)分布較為均勻和連續(xù)，與其他高大地物(如喬木等)有一定區(qū)別. 因此，根據(jù)電塔點云數(shù)據(jù)在其高程空間內(nèi)的上、下部區(qū)域均有一定的密度、分布較為均勻的特征，可以在AOI內(nèi)的復(fù)雜環(huán)境中找出含有電塔的區(qū)域.

1.4 電塔擬合定位算法

由于經(jīng)過上述特征提取獲得的只是電塔存在的格網(wǎng)區(qū)域，而不是電塔實際的存在位置，因此需要對電塔存在區(qū)域進行電塔位置的擬合. 為了獲得電塔的精確位置，本文使用了電塔位置粗定位和高程分層迭代精定位2個步驟，具體流程圖如圖3所示.

由于提取特征的格網(wǎng)尺寸小于電塔的尺寸，且同一電塔有著眾多不同的響應(yīng)區(qū)域，因此粗定位可以將經(jīng)過之前1.3提取得到的各個電塔存在區(qū)域的中心點取平均值，從而得到電塔大概位置，并將臨近的響應(yīng)區(qū)域識別為同一個電塔.

高程分層迭代精定位是在電塔位置粗定位基礎(chǔ)上進行的. 當(dāng)粗定位得到每個電塔大概的位置坐標(biāo)后，以該坐標(biāo)為圓心，一定半徑R和一定搜索高度H來劃定圓柱形搜索區(qū)，在濾波后的點云數(shù)據(jù)中搜索得到在搜索區(qū)范圍內(nèi)的點，并擬合計算該點云質(zhì)心的x、y坐標(biāo)值作為電塔平面坐標(biāo).

其中，搜索高度H是根據(jù)固定系數(shù)乘以該區(qū)域nDSM值而確定的，因此并不能在劃分搜索高度時確定以H劃分的搜索區(qū)在電塔點云塔身的具體部位，搜索區(qū)中有可能包含有電力線點、絕緣子點、懸掛點等噪聲點，從而影響電塔擬合定位的精度. 為確定合適的擬合高度，本文采用了高程分層迭代的方法來選擇點云密度較低的搜索區(qū)進行擬合. 當(dāng)搜索區(qū)點云密度大于設(shè)定的點云密度閾值Dn時，H則遞增Δh.

經(jīng)過高程分層迭代精定位后，可以獲得較高精度的電塔位置坐標(biāo)，從而完成基于無人機機載雷達數(shù)據(jù)的輸電線走廊電塔的識別與定位.

2 試驗結(jié)果與分析

2.1 試驗數(shù)據(jù)

所用試驗數(shù)據(jù)包含了26 165 476個點，平均點密度47 pts/m2，電力走廊電壓等級為500 kV,電力走廊長度為4 728 m，地形復(fù)雜，包含平原和山地，植被茂盛. 此數(shù)據(jù)在提供時已經(jīng)經(jīng)過部分的預(yù)處理，包括配準(zhǔn)、裁剪等. 電力走廊部分有13座電塔，其中有1座電塔數(shù)據(jù)不完整. 電塔之間高度不統(tǒng)一，主要分布在45～100 m(圖4).

由于數(shù)據(jù)區(qū)內(nèi)存在交叉跨越塔架，且電塔數(shù)據(jù)不完整、掃描密度不均勻等，都會給電塔的自動定位帶來了一定困難.

2.2 試驗結(jié)果

本文使用C++語言在Windows平臺上利用Visual Studio 2015編譯器開發(fā)，集成了點云處理庫(Point Cloud Library,PCL)來實現(xiàn)算法的主要功能. 依據(jù)實驗區(qū)的地形情況和電塔尺寸設(shè)置格網(wǎng)邊長為2 m. 在根據(jù)試驗數(shù)據(jù)設(shè)置合適的密度分離閾值D和nDSM分離閾值H*后，便可根據(jù)H*、D得到試AOI. 本次試驗中所設(shè)的密度分離閾值D為82.5 pts/m2，nDSM分離閾值H*設(shè)為25 m.

2.2.1 對數(shù)據(jù)進行高程空間統(tǒng)計并提取電塔存在區(qū)

本文統(tǒng)計的高程空間點云分布特征為上、下區(qū)域點云密度特征和它們的比值，具體參見1.3.

其中，上、下部區(qū)域密度特征對電力桿塔較為敏感，可以在電塔位置AOI數(shù)據(jù)上提取出電塔所在的位置. 其中上部密度特征除了對電塔有著較強的響應(yīng)以外，還對電力線有著一定的相應(yīng). 而下部密度特征也會受到地表密集植被影響.

AOI上下密度比例特征則能較好地從AOI中提取電塔位置，其分離效果也較為可觀.

根據(jù)統(tǒng)計得到的AOI高程空間特征，分別設(shè)定上部區(qū)域和下部區(qū)域中的點云密度閾值Dup、Ddown及其比值r，從而精確提取得到電塔所在的區(qū)域. 本次試驗中Dup、Ddown設(shè)為不小于10 pts/m2，半徑R則為0.5～0.8.

2.2.2 對試驗數(shù)據(jù)進行電塔擬合定位

為了在各個電塔存在區(qū)域中精確定位得到電塔的位置，對電塔存在區(qū)域數(shù)據(jù)進行了“先粗后細”的定位方式.

在進行完粗定位后，可以在粗定位的成果之上進行高程分層迭代精定位. 搜索高度H設(shè)為92% nDSM，搜索半徑R設(shè)為8 m. 經(jīng)過試驗驗證，進行高程分層迭代會顯著提高電塔定位精度. 其最終定位結(jié)果如圖5所示.

2.3 討論與分析

經(jīng)過上述過程，可得到電塔平面坐標(biāo)，其定位精度分析結(jié)果見表1. 其中，人工真值X、Y為在試驗點云上人工選取的各個電塔的中心坐標(biāo)，x、y則為本文算法所得到的定位坐標(biāo). 可以看到，本文算法能將試驗數(shù)據(jù)中的電塔全部識別并進行定位，證明了本算法在復(fù)雜環(huán)境中對非電塔目標(biāo)(如喬木等)有一定的抗干擾能力. 其中4號電塔由于原始掃描數(shù)據(jù)不全導(dǎo)致誤差較大(圖6)，其誤差達到了近2 m. 但這也反映出本算法對各種電塔識別的穩(wěn)健性，即使電塔數(shù)據(jù)不全也能進行識別. 其余電塔中最大點位誤差為1.253 m,平均誤差為0.778 m. 由結(jié)果看出，本文算法精度達到米級，可以為電力走廊建模、點云精細分類以及災(zāi)害檢測等提供基礎(chǔ)初始數(shù)據(jù)，基本滿足電力巡檢數(shù)據(jù)處理、分析的要求.

本文為減少定位處理中所處理的數(shù)據(jù)量，提高算法運行效率，在定位之前先提取AOI. 在進行AOI的提取之后，可以排除原始數(shù)據(jù)中大量的無關(guān)點云(如植被點、地面點及部分電力線點)，此時對提取后的數(shù)據(jù)進行高程空間的統(tǒng)計則能極大減少處理的數(shù)據(jù)量，從而在保證定位精度的情況下提高算法的效率并減少資源消耗. 本文處理4.7 km數(shù)據(jù)共耗時136 s，大致處理速度達到了125 km/h.

為了提高效率，本文并沒有采用復(fù)雜的特征提取算法，如使用霍夫變換、懸鏈擬合、種子點生長算法以及計算坡度等復(fù)雜二維特征，但依舊獲得了較為良好的定位精度.

表1 試驗數(shù)據(jù)定位精度分析

3 結(jié)論

作為一項自動化程度較高的技術(shù)，無人機電力巡檢有著一定優(yōu)勢. 本文針對電塔點云的nDSM、局部密度和特有高程空間分布特征，提出了一種由二維格網(wǎng)特征提取和高程空間特征分析相結(jié)合的電塔自動定位方法. 本算法有如下特點：

1)降低了點云密度分布的均勻性對電塔定位精度的影響. 本文使用體素格網(wǎng)濾波器對數(shù)據(jù)進行了處理，降低點云密度分布的不均勻性，并通過將迭代搜索的初始高程設(shè)置為較高的位置進行改善. 根據(jù)無人機掃描的特點，在較高位置上其掃描分辨率較高，數(shù)據(jù)較近地面數(shù)據(jù)也更為全面和均勻. 同時，較高的位置也可以有效避免電塔位置擬合時受到地表植被的影響.

2)本文算法與其他算法相比，在結(jié)合有效提取手段的同時，簡化了處理流程，并能為之后的點云精細分類、災(zāi)害檢測等提供基礎(chǔ)數(shù)據(jù).

3)本算法可針對不同類型的電塔設(shè)置特定的提取參數(shù)，有較好的普適性. 經(jīng)過試驗驗證，本方法能夠準(zhǔn)確提取并定位無人機機載激光雷達獲取的電力走廊點云數(shù)據(jù)中的電塔，擁有較好的穩(wěn)定性、適應(yīng)性和處理效率，對促進和提高無人機巡檢的自動化水平有著積極的作用，并為智能巡檢系統(tǒng)的開發(fā)帶來了一定的啟發(fā).