一种简化的输电线路点云电塔自动定位方法

危双丰， 尹思铭， 习晓环， 王 濮

(1.北京建筑大学 测绘与城市空间信息学院， 北京 100044； 2.北京建筑大学 北京未来城市设计高精尖创新中心， 北京 100044；3.北京建筑大学 代表性建筑与古建筑数据库教育部工程研究中心， 北京 102616；4.中国科学院遥感与数字地球研究所， 北京 100094)

收稿日期：2019-05-14

基金项目：国家自然科学基金项目(41601409)； 北京市自然科学基金项目(8172016)

第一作者简介：危双丰(1979—)，男，副教授，博士，研究方向：点云智能处理.

激光雷达技术在架空输电线路中的应用已经得到国内外电网公司的广泛认可，如线路规划选线与施工、安全巡检、危险点预警与分析、数字电网建设等，特别是对于线路穿越地形复杂、人员难以到达的区域更显示其突出优势[1-3].

激光雷达在输电线路中的应用主要包括输电线路通道数据获取、点云去噪、滤波分类、数字化建模与分析等，其中滤波分类是后续应用中不可或缺的流程，直接影响后续建模的精度和分析应用结果. 滤波分类的目的是将输电通道点云数据分为地面点、植被点、建筑点、电力线点、电塔点云等，在此基础上进行各要素的建模与分析. 电塔作为输电线路的重要组成部分，其安全稳定性对线路稳定运行至关重要，特别是山区地形复杂、人员难以到达的区域，更需要对电塔进行三维数字重建、定期/不定期进行变化分析，如电塔位置的精细识别与动态变化等. 国内外学者开展了很多有关电塔定位的研究. 彭向阳等[3]3670-3677利用电力走廊区域点云的高差、密度和坡度特征提取电塔位置，但坡度特征易受到地表高大植被的影响而效果不佳，且其结果可用高差特征替换. 虢韬等[4]利用电塔的空间分布特征，首先粗提电塔点云，再分离电塔，最后利用最小二乘法精确拟合电塔位置. 该方法提取点云较为复杂，为了简化提取过程，本文利用电塔点云的特征直接提取其位置. 韩文军[5]首先提取电力线点云，然后通过检测电力线连接点定位电塔. 其方法过于依赖电力线，若电力线有异常情况(如异物、断裂等)则难以取得良好的效果，限制了其在灾害监测方面的应用能力. 游安清等[6]将点云数据格网化后向水平方向投影降维成二维灰度图像，提取其直方响应最大的位置为电塔位置. 但进行杆塔定位算法不够精细，且没有经过较大规模数据的验证. 刘洋等[7]进行了改进，增加利用悬空特征点集来辅助识别电塔，但也使方法变得更加复杂. 叶岚等[8]在提取电力线的基础上提出利用数学形态学进行电塔识别定位的方法. 其在电塔识别上有创新的方法，但主要针对电力线的提取和拟合. 赖广陵等[9]提出基于车载激光雷达数据进行电塔定位的方法. 经过对比，机载激光点云地面噪声点更少、电塔顶部信息更全面，更利于进行电塔定位，且机载点云获取方法更为方便，有更好的应用前景. 林祥国等[10]则是直接基于已提供的电塔二维信息精确定位每座塔的位置，此方法需要先验数据的支持，因此适用度不高. 上述方法都为电塔定位的研究提供了良好的思路.

本文针对前人算法进行改进，针对电塔自身和机载激光雷达数据的特点，设计并整合了较为有效的提取、定位手段，简化了总体处理流程. 本算法利用电塔区域点云的大高差、高密度等特点，提出了一种对点云构建二维格网，根据密度、归一化数字表面模型(Normalized Digital Surface Model，nDSM)统计出兴趣区(Area of Interest，AOI)，最后根据AOI的高程空间分布特征提取电塔坐标的算法，用试验验证了算法的稳健性和效率.

1 算法流程

在二维平面空间上，输电线路通常呈折线段，其节点为电塔；在三维空间中，电塔通常具有特定的高度(与输电电压有关)，具有一定的高程空间分布特征. 此外，由于机载激光雷达和电塔自身的特点，激光可以穿透电塔的镂空结构并返回得到其内部构造，使得电塔区域内的点云投影到二维平面上时密度较高. 因此，本文根据电塔区域点云数据的nDSM特征和密度特征，对其进行滤波、筛选，得到电塔的潜在AOI. 为了进一步分离电塔点云，剔除周围高大乔木等的影响，需要统计AOI的高程空间特征，从而排除干扰，提取出电塔区域并计算位置，实现电塔的自动定位. 电力杆塔自动定位流程如图1所示.

1.1 预处理

由于机载激光雷达仪器存在噪声，使得点云数据中存在一定量的孤立点和噪声点. 孤立点和噪声点的存在会影响nDSM特征的判断、提取，并降低电塔定位的最终精度，因此需要对原始数据进行降噪处理. 本文使用的降噪方法为半径异常值去除法. 其基本原理是设定一个半径值，若待定点周围半径区域内所含的其他点数小于给定的阈值(一般为经验值)，则该点被视为噪声点，该方法能够有效去除离散点.

此外，受限于无人机激光雷达数据的获取方式，其扫描得到的电力走廊点云密度往往不够均匀. 若点云在整个走廊上分布不均，则会导致统计的局部密度特征与地物的垂直分布特征失去相关性，从而无法准确识别电塔，因此需要对电力走廊点云数据进行密度均匀化处理. 本文采用了体素格网滤波器，其格网尺寸受提取的电塔尺寸和原数据的点云密度限制，而后者主要受无人机航高、航速和扫描角分辨率等因素共同影响.

为了进一步提高处理效率，更有效提取点云特征，将经过滤波之后的点云数据建立K- D树索引，并进行格网化，格网的尺寸大小与体素格网滤波器的格网尺寸、电力走廊区域的地形以及电塔的尺寸有关. 若格网尺寸较大，则会影响定位精度；若格网区域过小，则会影响程序的处理效率且获取不到足够的统计数据.

点云规则格网化的具体公式：

(1)

式中：(x,y)为待定点的二维平面坐标，xmin、ymin分别为点云数据中x、y坐标的最小值，g为格网尺寸(即格网边长)，i、j分别为计算得到的待定点所属区域的点云规则格网的行、列号.

1.2 AOI提取方法

输电走廊区域中含有电力设施(电力线、电塔等)的区域较其他区域有着较大的相对高度，因此可以根据nDSM快速得到电塔的范围. 此外，电塔区域较其他区域又有着局部密度高的特点. 因此，可以结合局部密度特征确定AOI的位置.

本文统计的具体点云特征包含点云局部密度特征，数字高程模型(Digital Eleration Model，DEM)特征和数字表面模型(Digital Surface Moder，DSM)特征[11]，并据此得到nDSM数据.

点云格网的局部密度特征是定位电塔的重要依据，其计算方法是将点云降维，以一个格网为单位，统计落入格网中点的个数，以作为该格网区域内的局部密度特征.

单个格网的DEM、DSM特征值的具体计算方法是统计其中最低点、最高点的高程值，并分别作为该格网区域的DEM、DSM特征值.

单个点云格网的nDSM特征数据是用其DSM特征值减去DEM特征值得到的，记录了格网区域内高于地面的地物相对于地面的最大高度信息. 该信息对于区分不同类型地物具有重要作用，能够有效找到高大地物，如电塔、电力线、建筑物及高大乔木植被等[12].

计算出各个格网中的上述特征之后，可根据密度特征和nDSM特征分别设定相应的阈值提取得到AOI. 电塔nDSM特征分离阈值H*的设立应不高于数据区域中最低电塔的高度. 密度特征分离阈值D则受点云数据密度影响，其取值为经验值. 根据上述H*和D可以提取AOI.

1.3 基于高程空间统计法的电塔存在区域提取

由于电力走廊区域环境复杂，不仅存在电塔，还存在电力线、复杂地形和高大植被. 这些都会对电塔的识别定位带来影响. 例如，电力线具有较大nDSM值，而高大植被等兼具有nDSM值较大、密度较高的特点. 为了在AOI中有效地提取出电塔，本文在保证便于计算的同时提取不同地物的高程空间特征并予以区分，将各个AOI的高程空间分为上下2个区域，如图2所示. 各区域上下阈值以该区域nDSM值的特定倍数设定，目的是为避免复杂电力线噪声或复杂植被噪声等对电塔分类、定位的影响. 其具体过程如下：

第一，设置合理的阈值，将AOI的高程空间分为上部区域Cloudup和下部区域Clouddown，如图2所示.

第二，分别统计上部区域和下部区域中的点云密度Dup、Ddown.

第三，计算各个AOI格网的上部区域和下部区域的点云密度之比r.

由于杆塔自身结构特点，其形状在高程空间内分布较为均匀和连续，与其他高大地物(如乔木等)有一定区别. 因此，根据电塔点云数据在其高程空间内的上、下部区域均有一定的密度、分布较为均匀的特征，可以在AOI内的复杂环境中找出含有电塔的区域.

1.4 电塔拟合定位算法

由于经过上述特征提取获得的只是电塔存在的格网区域，而不是电塔实际的存在位置，因此需要对电塔存在区域进行电塔位置的拟合. 为了获得电塔的精确位置，本文使用了电塔位置粗定位和高程分层迭代精定位2个步骤，具体流程图如图3所示.

由于提取特征的格网尺寸小于电塔的尺寸，且同一电塔有着众多不同的响应区域，因此粗定位可以将经过之前1.3提取得到的各个电塔存在区域的中心点取平均值，从而得到电塔大概位置，并将临近的响应区域识别为同一个电塔.

高程分层迭代精定位是在电塔位置粗定位基础上进行的. 当粗定位得到每个电塔大概的位置坐标后，以该坐标为圆心，一定半径R和一定搜索高度H来划定圆柱形搜索区，在滤波后的点云数据中搜索得到在搜索区范围内的点，并拟合计算该点云质心的x、y坐标值作为电塔平面坐标.

其中，搜索高度H是根据固定系数乘以该区域nDSM值而确定的，因此并不能在划分搜索高度时确定以H划分的搜索区在电塔点云塔身的具体部位，搜索区中有可能包含有电力线点、绝缘子点、悬挂点等噪声点，从而影响电塔拟合定位的精度. 为确定合适的拟合高度，本文采用了高程分层迭代的方法来选择点云密度较低的搜索区进行拟合. 当搜索区点云密度大于设定的点云密度阈值Dn时，H则递增Δh.

经过高程分层迭代精定位后，可以获得较高精度的电塔位置坐标，从而完成基于无人机机载雷达数据的输电线走廊电塔的识别与定位.

2 试验结果与分析

2.1 试验数据

所用试验数据包含了26 165 476个点，平均点密度47 pts/m2，电力走廊电压等级为500 kV,电力走廊长度为4 728 m，地形复杂，包含平原和山地，植被茂盛. 此数据在提供时已经经过部分的预处理，包括配准、裁剪等. 电力走廊部分有13座电塔，其中有1座电塔数据不完整. 电塔之间高度不统一，主要分布在45～100 m(图4).

由于数据区内存在交叉跨越塔架，且电塔数据不完整、扫描密度不均匀等，都会给电塔的自动定位带来了一定困难.

2.2 试验结果

本文使用C++语言在Windows平台上利用Visual Studio 2015编译器开发，集成了点云处理库(Point Cloud Library,PCL)来实现算法的主要功能. 依据实验区的地形情况和电塔尺寸设置格网边长为2 m. 在根据试验数据设置合适的密度分离阈值D和nDSM分离阈值H*后，便可根据H*、D得到试AOI. 本次试验中所设的密度分离阈值D为82.5 pts/m2，nDSM分离阈值H*设为25 m.

2.2.1 对数据进行高程空间统计并提取电塔存在区

本文统计的高程空间点云分布特征为上、下区域点云密度特征和它们的比值，具体参见1.3.

其中，上、下部区域密度特征对电力杆塔较为敏感，可以在电塔位置AOI数据上提取出电塔所在的位置. 其中上部密度特征除了对电塔有着较强的响应以外，还对电力线有着一定的相应. 而下部密度特征也会受到地表密集植被影响.

AOI上下密度比例特征则能较好地从AOI中提取电塔位置，其分离效果也较为可观.

根据统计得到的AOI高程空间特征，分别设定上部区域和下部区域中的点云密度阈值Dup、Ddown及其比值r，从而精确提取得到电塔所在的区域. 本次试验中Dup、Ddown设为不小于10 pts/m2，半径R则为0.5～0.8.

2.2.2 对试验数据进行电塔拟合定位

为了在各个电塔存在区域中精确定位得到电塔的位置，对电塔存在区域数据进行了“先粗后细”的定位方式.

在进行完粗定位后，可以在粗定位的成果之上进行高程分层迭代精定位. 搜索高度H设为92% nDSM，搜索半径R设为8 m. 经过试验验证，进行高程分层迭代会显著提高电塔定位精度. 其最终定位结果如图5所示.

2.3 讨论与分析

经过上述过程，可得到电塔平面坐标，其定位精度分析结果见表1. 其中，人工真值X、Y为在试验点云上人工选取的各个电塔的中心坐标，x、y则为本文算法所得到的定位坐标. 可以看到，本文算法能将试验数据中的电塔全部识别并进行定位，证明了本算法在复杂环境中对非电塔目标(如乔木等)有一定的抗干扰能力. 其中4号电塔由于原始扫描数据不全导致误差较大(图6)，其误差达到了近2 m. 但这也反映出本算法对各种电塔识别的稳健性，即使电塔数据不全也能进行识别. 其余电塔中最大点位误差为1.253 m,平均误差为0.778 m. 由结果看出，本文算法精度达到米级，可以为电力走廊建模、点云精细分类以及灾害检测等提供基础初始数据，基本满足电力巡检数据处理、分析的要求.

本文为减少定位处理中所处理的数据量，提高算法运行效率，在定位之前先提取AOI. 在进行AOI的提取之后，可以排除原始数据中大量的无关点云(如植被点、地面点及部分电力线点)，此时对提取后的数据进行高程空间的统计则能极大减少处理的数据量，从而在保证定位精度的情况下提高算法的效率并减少资源消耗. 本文处理4.7 km数据共耗时136 s，大致处理速度达到了125 km/h.

为了提高效率，本文并没有采用复杂的特征提取算法，如使用霍夫变换、悬链拟合、种子点生长算法以及计算坡度等复杂二维特征，但依旧获得了较为良好的定位精度.

表1 试验数据定位精度分析

3 结论

作为一项自动化程度较高的技术，无人机电力巡检有着一定优势. 本文针对电塔点云的nDSM、局部密度和特有高程空间分布特征，提出了一种由二维格网特征提取和高程空间特征分析相结合的电塔自动定位方法. 本算法有如下特点：

1)降低了点云密度分布的均匀性对电塔定位精度的影响. 本文使用体素格网滤波器对数据进行了处理，降低点云密度分布的不均匀性，并通过将迭代搜索的初始高程设置为较高的位置进行改善. 根据无人机扫描的特点，在较高位置上其扫描分辨率较高，数据较近地面数据也更为全面和均匀. 同时，较高的位置也可以有效避免电塔位置拟合时受到地表植被的影响.

2)本文算法与其他算法相比，在结合有效提取手段的同时，简化了处理流程，并能为之后的点云精细分类、灾害检测等提供基础数据.

3)本算法可针对不同类型的电塔设置特定的提取参数，有较好的普适性. 经过试验验证，本方法能够准确提取并定位无人机机载激光雷达获取的电力走廊点云数据中的电塔，拥有较好的稳定性、适应性和处理效率，对促进和提高无人机巡检的自动化水平有着积极的作用，并为智能巡检系统的开发带来了一定的启发.