一种基于机载激光点云数据的电力线提取方法_徐景中

基于车载激光雷达的点云道路标线提取方法

1228　2023RadioEngineeringVol.53No.5doi:10.3969/j.issn.1003-3106.2023.05.030引用格式:康学亮,王晓川.基于车载激光雷达的点云道路标线提取方法[J].无线电工程,2023,53(5):1228-1234.[KANGXueliang,WANGXiaochuan.RoadMarkingExtractionfromPointCloudBasedonVehicularLidar[J].RadioEngineering,2023,53(5):1228-1234.]基于车载激光雷达的点云道路标线提取方法康学亮1,王晓川2(1.河南物流职业学院信息工程学院,河南新乡450014;2.郑州大学物理学院,河南郑州450001)摘　要:车载激光雷达扫描技术对道路信息提取具有重要的现实作用,而道路标线作为道路的重要组成部分,是自动驾驶、全息城市建模不可或缺的信息之一。从车载扫描点云数据中自动、快速、准确地提取出道路标线是当前研究的一个难点,通过布料模拟算法从车载点云数据中提取出地面点云,将点云格网化,用反距离加权插值方法计算格网内点云强度值得到强度值矩阵,对该矩阵进行均值池化计算,设定阈值将矩阵二值化并反投影出标线点云,对标线点云进行高斯滤波得到精化的道路标线点云。实验表明,该算法提取的平均准确率为86.8%,平均完整率为91.3%,平均综合提取质量为88.8%,能够完整且准确地提取出标线点云。关键词:车载激光雷达;布料模拟算法;反距离加权插值;均值池化;高斯滤波中图分类号:TN958文献标志码:A开放科学(资源服务)标识码(OSID):文章编号:1003-3106(2023)05-1228-07RoadMarkingExtractionfromPointCloudBasedonVehicularLidarKANGXueliang1,WANGXiaochuan2(1.SchoolofInformationEngineering,HenanLogisticsVocationalCollege,Xinxiang450014,China;2.SchoolofPhysics,ZhengzhouUniversity,Zhengzhou450001,China)Abstract:Vehicularlidarscanningtechnologyhasanimportantpracticaleffectonroadinformationextraction,androadmarking,asanimportantpartoftheroad,isoneoftheindispensableinformationforautonomousdrivingandholographiccitymodeling.Automatically,quicklyandaccuratelyextracttheroadmarkingsfromtheon-boardscanningpointclouddataisadifficultpointinthecurrentresearch,firstthegroundpointcloudisextractedfromthevehiclepointclouddatathroughtheclothsimulationalgorithm,andthenthepointcloudisperformedtobegrid,theinversedistanceweightedinterpolationmethodisusedtocalculatetheintensityofthepointcloudinthegridtoachievetheintensityvaluematrix,themeanpoolingcalculationofthematrixisperformed,thethresholdissettoperformbinarizationofthematrixandthemarkingpointcloudisperformedbackprojection,andfinallythemarkingpointcloudisperformedGaussianfilteringtoobtainarefinedroadmarkingpointcloud.Theexperimentsshowthattheaverageaccuracyofthealgorithmextractionis86.8%,theaveragecompletenessrateis91.3%,andtheaveragecomprehensiveextractionqualityis88.8%,whichcancompletelyandaccuratelyextractthemarkingpointcloud.Keywords:vehicularlidar;clothsimulationalgorithm;inversedistanceweightedinterpolation;mean-pooling;Gaussianfiltering

机载激光雷达数据中电力线的快速提取

发表时间：2020-08-17T07:07:46.833Z 来源：《中国科技人才》2020年第9期作者：高亚洲

[导读] 为了安全检测和分析高压输电线路，提出了一种基于机载激光雷达功率范围数据的电力线激光点云分割和提取算法。

天津航天中为数据系统科技有限公司天津 300301

摘要：随着电力工程的快速发展和电网运行维护的要求，对线路走廊的结构特征进行了深入的分析。本文首先对高压线路上的点进行了滤波分类和相对地面高程阈值的粗略提取，然后运用随机抽样一致性剔除残留的电塔点，结合点云高程分布特征进一步剔除绝缘子点，

实现电力线点的精提取；最后，同一垂直平面上供电线路上各点的高程分布特征，使各供电线路上各点的快速提取成为可能。实际的技术

数据验证了该方法的可靠性和鲁棒性。最后，支线各点的平均抽提率均大于95%。

关键词：机载激光雷达；电力线建模

前言

为了安全检测和分析高压输电线路，提出了一种基于机载激光雷达功率范围数据的电力线激光点云分割和提取算法。该方法（DBSCAN）可用于运输走廊中单个线路的分割和提取。

一、DBSCAN方法

1996年DBSCAN 方法被Martin提出，它是基于密度空间数据的全系统方法，是一种典型的聚类算法。DBSCAN算法通常假设类别可以由样本分布的厚度来确定。同一类别的样本之间是密切相关的，即同一类别的样本必须与该类别的任何一个样本相邻。通过对密切相关的

样本进行分类，得到一个聚合类别。所有聚集类的最终结果是通过将所有密切相关的组的样本细分为不同的类别得到的。该算法将有一个

足够密集的区域作为距离的中心，并且该区域将继续增长，这是基于集群只能由其任何一个中心对象来识别的事实。该算法采用基于密度

的聚类概念，要求聚类空间中的对象（点或其他空间对象）数量不小于给定的阈值。

二、电力线提取方法

1.电力线路的基本特征

与传统的输电线路走廊不同，特高压输电线路与地面高度相差很大。塔与地表的最大高度差为55米，远远超过周围的植被点，塔具有良好的垂直连续性。导丝和底丝悬挂在塔和塔之间。在垂直划分的情况下，弧形凹陷的最低点保持在与地面高度的显著差异。

基于lidar点云数据的电力线提取和拟合方法研究

- 1 - 基于lidar点云数据的电力线提取和拟合方法研究

现代社会依赖电力发展，而电力线构建是电力系统的基础，对于智慧电网的可持续发展至关重要。然而，传统的电力线提取技术，例如来自图像和语音的视觉检测方法，往往无法获得准确的电力线信息。因此，基于LIDAR点云数据的电力线提取技术受到关注。

LIDAR技术是一种利用激光传感器以及相关技术来采集物体信息的技术。它可以获得比传统测量技术更高精度的仿真模型数据。LIDAR技术已经被广泛应用于电力线提取，其优点在于可以获得准确的空间信息，从而实现更精确的建模。

本文的主要内容是基于LIDAR点云数据的电力线提取和拟合方法研究。首先，将探讨电力线的提取方法，包括基于聚类的提取方法、基于粗糙集的提取方法和基于距离变换的提取方法；其次，研究电力线拟合算法，包括基于最小二乘拟合算法、基于最小平方根拟合算法和基于多项式拟合算法；最后，实验结果将被分析，从而改进提取方法和拟合算法的性能。

第二部分：LIDAR数据的提取

LIDAR数据的提取是基于LIDAR点云数据的电力线提取与拟合的基础。在此，重点介绍基于聚类的提取方法、基于粗糙集的提取方法和基于距离变换的提取方法。

1.于聚类的提取方法

基于聚类的提取方法是利用聚类技术对LIDAR点云进行分类，根据点云特征，将其分离成不同的类别，然后电力线就位于不同类别中。 - 2 - 这种方法可以有效地提取电力线，从而减少噪声点的影响。

2.于粗糙集的提取方法

基于粗糙集的提取方法是基于粗糙集的理论，以电力线的连续性为前提，通过计算电力线点与其他点之间的相似性，从而提取电力线。这种方法能够除去其他类型的点，从而更好的提取电力线。

3.于距离变换的提取方法

基于距离变换的提取方法是利用距离变换技术提取电力线，通过计算点与电力线之间的距离，计算点到电力线的投影点，最终用于确定电力线。这种方法能够使用更少的参数实现电力线的提取，从而减少计算的复杂度。

基于机载激光雷达点云数据的道路标识线提取

袁晨鑫;陈良良

【期刊名称】《北京测绘》

【年(卷),期】2022(36)7

【摘要】针对道路高精度地图采集中道路标识线快速分类提取问题,提出一种基于机载激光雷达(LiDAR)点云数据提取道路边缘线及道路标识特征信息提取的方法。首先利用点云地面点滤波(CSF)算法进行点云滤波,之后将点云生成强度特征图像,其次利用双边滤波Canny算法进行道路边缘线及道路标识特征信息检测,考虑到路面标识线缺失的情况,利用两次连通分析(Two-pass)方法对边缘检测结果进行连通域分析,最后制定约束识别规则,从而达到道路标识线精细化。通过机载雷达扫描系统获取的高速公路点云进行多项试验,结果显示,该方法在LiDAR点云中能够很好地获取道路边缘线及道路标识线的信息,具有实用性强、鲁棒性好的特点。

【总页数】6页(P897-902)

【作者】袁晨鑫;陈良良

【作者单位】中陕核工业集团测绘院有限公司

【正文语种】中文

【中图分类】P258

【相关文献】

1.基于机载激光雷达点云的断裂线自动提取方法2.复杂地形电力线机载激光雷达点云自动提取方法3.基于ArcGIS10.1平台的机载激光雷达点云数据的等高线提取4.基于机载激光雷达点云数据的河网提取方法研究5.基于机载激光雷达点云数据更新1:1万地形图中等高线、高程要素浅析

因版权原因，仅展示原文概要，查看原文内容请购买

LIDAR点云中多层屋顶轮廓线提取方法研究

徐景中;姚芳

【摘要】在分析LIDAR数据提取建筑物轮廓线现状的基础上,针对多层、非规则屋顶轮廓线提取的难点,提出一种直接基于离散点云的屋顶轮廓线提取方法,该方法主要包括屋顶点的识别,初始轮廓线的提取以及轮廓线的规则化等步骤.最后采用实地数据进行验证,结果表明该方法具有一定的应用前景.

【期刊名称】《计算机工程与应用》

【年(卷),期】2010(046)032

【总页数】3页(P141-143)

【关键词】机载激光雷达;建筑物;轮廓线;规则化

【作者】徐景中;姚芳

【作者单位】武汉大学,遥感信息工程学院,武汉,430079;武汉大学,遥感信息工程学院,武汉,430079

【正文语种】中文

【中图分类】TP75

1 引言

建筑物是城市的重要组成部分，其轮廓线的快速提取一直是建筑物模型重建的首要任务。长期以来，建筑物轮廓线的提取一直是测绘、遥感学者的研究重点之一。传统方法中建筑物三维轮廓线的提取通常是基于具有一定重叠度的二维影像，采用立体交会方式进行，工序复杂，周期长，且提取结果易受立体模型构建精度的影响[1]。具有快速获取目标三维信息能力的机载激光雷达（LIght Detection And

Range，LIDAR）技术的出现，为建筑物的快速获取和重建带来了新的生机。

目前，利用LIDAR数据进行建筑物轮廓线的提取已有一些学者进行了相关的研究，如文献[2]提出一种基于LIDAR距离影像的建筑物边缘自动提取方法，该方法首先将LIDAR点云分成地面点与非地面点，然后将分类点云分别重采样成数字表面模型（DSM）和数字高程模型（DEM）；接着通过DSM与DEM差值运算进行建筑物区域的提取；最后利用拉普拉斯（Laplace）算子实现建筑物边缘的提取。文献[3-4]则首先将LIDAR点云重采样为不同尺度的距离影像，然后采用类似的方法进行建筑物区域的分割，最后采用Canny算法进行建筑物边缘的提取。此类方法虽能借助成熟的图像处理方法进行建筑物轮廓线的提取，但重采样过程容易引入人为误差，且检测结果受采样尺寸、灰阶值等因素影响较大。

一种基于机载激光点云的电力线提取方法

龙源期刊网

一种基于机载激光点云的电力线提取方法

作者：吕来东臧玉府黄应华

来源：《企业科技与发展》2018年第12期

龙源期刊网

【摘要】目前，电力走廊系统的传统检修方法因人眼识别率和空间定位精度等因素制约而导致信息准确度不高。近年来，随着机载激光雷达（LiDAR）技术发展和成本降低，其可获得地面场景的三维空间信息功能运用于电力走廊系统的检查变得更稳定有效。文章提出一种电力线点云数据处理方法：首先通过设置一定的高程阀值对无效数据进行大规模排除;其次通过张量投票算法对数据编码、投票、分解，保留板张量信息，筛选电力线点云;最后基于Snake模型实现电力线点的快速提取。

【關键词】机载LiDAR数据;张量投票;板张量;Snake模型

【中图分类号】P235 【文献标识码】A 【文章编号】1674-0688（2018）12-0069-02

0 引言龙源期刊网

为保障电力线路运营安全，必须定期对电力线进行巡检。机载激光测量因其能够精准、高效地获取电力线路上的数字模型而被广泛应用于线路安全检测。对此国内外均有一定研究，目前主要有3种方法：利用Hough变换提取电力线方法;利用主成分分析进行电力线提取方法;利用人机交互方式进行电力线提取。现有方法大多存在使用局限性，在实践运用中存在很大误差，同时缺乏对拟合坐标系的考虑，拟合模型连续性较差。

本文提出一种基于机载激光点云的电力线提取方法，将电力线提取分为电力线点云的初过滤、通过张量投票确定电力线点云、基于Snake模型的电力线提取3个过程。

1 机载激光点云的电力线提取

本文采用张量投票识别线特征点云，用于提取电力线。张量投票中的棒张量、板张量与球张量3个分量，分别对应平面点、线点、特征点。本文通过确定出线点并结合snake模型提取电力线。

基于机载激光雷达点云的断裂线自动提取方法

龙源期刊网

基于机载激光雷达点云的断裂线自动提取方法

作者：徐景中万幼川张圣望

来源：《计算机应用》2008年第05期

摘要：基于机载激光雷达（LIDAR）点云生产高精度的数字高程模型（DTM）需要进行断裂线的存储与表达，在分析现有断裂线提取方法不足的基础上，提出一种从LIDAR点云自动提取断裂线的方法。该方法利用离散的点云构建三角网，建立点云之间的拓扑关系，根据三角网面片之间的法向差异提取候选断裂线点，采用“方向优先”追踪策略实现断裂线的追踪处理，并利用“线性迭代法”实现断裂线的光滑输出。实验结果表明，该方法可以快速从LIDAR点云中自动提取断裂线信息，具有一定的应用价值。

关键词：机载激光雷达；点云；数字地面模型；断裂线

激光点云输电线精细提取的残差聚类法

摘要：针对输电线点云数据中存在缺失、噪声等复杂环境，提出了一种基于模型残差聚类的激光点云电力线精细提取方法。首先根据归一化高程阈值分割去除近地面点，在此基础上，采用自适应维度特征和方向特征粗提取电力线点；然后以抛物线模型为约束条件，采用改进的建模方法，确定模型残差并对其进行密度聚类，根据聚类结果实现单根电力线精细提取；最后讨论了关键参数的选择对提取结果的影响。两景实测数据试验表明：该方法能快速实现点云部分缺失、噪声干扰等复杂环境下的电力线精细提取，无须电力线数目、点云密度等先验知识，对不同类型分裂导线提取均具有很好的适用性。单根电力线提取准确率达99.17%以上，模型误差最大值为0.167 m，中误差最大值为0.079 m。

关键词：模型残差密度聚类点云数据电力线提取模型重建

Extraction of power lines from laser point cloud based on

residual clustering method

Abstract: Aiming at the complex environment such as missing and noise in power line cloud data, a

precise power line extraction method based on model residual clustering from LiDAR point is proposed.

Firstly, the near-ground points are removed according to the normalized elevation threshold

segmentation. The power line points are roughly extracted using adaptive dimension features and

机载激光雷达数据中电力线的快速提取 2

机载激光雷达数据中电力线的快速提取

摘要：随着电力工程的快速发展和电网运行维护的要求，对线路走廊的结构特征进行了深入的分析。本文首先对高压线路上的点进行了滤波分类和相对地面高程阈值的粗略提取，然后运用随机抽样一致性剔除残留的电塔点，结合点云高程分布特征进一步剔除绝缘子点，实现电力线点的精提取；最后，同一垂直平面上供电线路上各点的高程分布特征，使各供电线路上各点的快速提取成为可能。实际的技术数据验证了该方法的可靠性和鲁棒性。最后，支线各点的平均抽提率均大于95%。

关键词：机载激光雷达；电力线建模

前言

为了安全检测和分析高压输电线路，提出了一种基于机载激光雷达功率范围数据的电力线激光点云分割和提取算法。该方法（DBSCAN）可用于运输走廊中单个线路的分割和提取。

一、DBSCAN方法

1996年DBSCAN 方法被Martin提出，它是基于密度空间数据的全系统方法，是一种典型的聚类算法。DBSCAN算法通常假设类别可以由样本分布的厚度来确定。同一类别的样本之间是密切相关的，即同一类别的样本必须与该类别的任何一个样本相邻。通过对密切相关的样本进行分类，得到一个聚合类别。所有聚集类的最终结果是通过将所有密切相关的组的样本细分为不同的类别得到的。该算法将有一个足够密集的区域作为距离的中心，并且该区域将继续增长，这是基于集群只能由其任何一个中心对象来识别的事实。该算法采用基于密度的聚类概念，要求聚类空间中的对象（点或其他空间对象）数量不小于给定的阈值。

二、电力线提取方法

1.电力线路的基本特征

与传统的输电线路走廊不同，特高压输电线路与地面高度相差很大。塔与地表的最大高度差为55米，远远超过周围的植被点，塔具有良好的垂直连续性。导丝和底丝悬挂在塔和塔之间。在垂直划分的情况下，弧形凹陷的最低点保持在与地面高度的显著差异。

2.激光点云粗分类

在狭窄的电走廊区域，激光点云主要分为地表点、植被点、建筑点、电塔点和电力线点。本文首先采用滤波的方法滤除地面点，保留非地面点云数据。根据滤波后获取的非地面点云的空间几何特性，电力线点不同于植被点和杆塔点，在局部范围内，电力线点云的高程值与非电力线点云高程呈现分布不连续。因此，首先以地面点建立基准高程面，通过设置合理的高程阈值，即可快速剔除大部分非电力线点云。

机载激光点云数据中电力线自动提取方法

机载激光点云数据是一种通过激光扫描来获取地物三维坐标信息的技术。在电力线输电线路的检测和维护中，机载激光点云数据可以提供高精度的电力线位置和形状信息，因此自动提取电力线是一项重要的研究任务。本文将介绍几种常用的机载激光点云数据中电力线自动提取方法。

首先，基于形状特征的方法是一种常用的自动提取电力线的方式。通过分析点云数据中电力线的形状特征，可以将电力线从其他地物中区分出来。例如，电力线往往具有较长的直线段和较短的锐角，这些特征可以通过直线拟合和角度检测等算法来提取。

其次，基于高度信息的方法也是一种有效的自动提取电力线的方式。电力线往往位于较高的位置，因此可以通过分析点云数据中的高度信息来提取电力线。例如，可以将点云数据分割成水平层，然后根据每个层中点的高度信息来确定是否为电力线。

此外，基于颜色信息的方法也可以用于自动提取电力线。电力线往往具有特定的颜色，可以通过分析点云数据中的颜色信息来提取电力线。例如，可以通过颜色分类和颜色过滤等算法来筛选出属于电力线的点云数据。

最后，机器学习方法也可以用于自动提取电力线。通过训练机器学习模型，可以将电力线从点云数据中自动提取出来。例如，可以使用支持向量机（SVM）和卷积神经网络（CNN）等算法来学习电力线的特征，并进行分类和提取。

总之，机载激光点云数据中电力线的自动提取是一项具有挑战性的任务。通过综合利用形状特征、高度信息、颜色信息和机器学习等方法，可以实现高效准确地自动提取电力线，在电力线的检测和维护中发挥重要作用。