[发明专利]基于LiDAR点云的电力塔三维重建方法

权利要求书

1.一种基于LiDAR点云的电力塔三维重建方法，其特征在于，包括以下步骤：

S1.电力塔的分解，获取电力塔的LiDAR点云数据，通过对电力塔点云的密度和宽度进行统计分析，将电力塔分解为塔身和塔头两部分；

S2.基于数据驱动重建塔身，对角点进行提取与分割，对塔身的四条主轮廓线基于RANSAC算法进行三维直线拟合；

S3.基于模型驱动重建塔头，预定义一个包含塔头基本类型的模型库，然后采用形状上下文算法识别塔头基本类型，再将Metropolis-Hastings算法与模拟退火相结合估算塔头模型的最优参数；

S4.根据S2、S3步骤所得结果中的位置和方向进行组合，得到完整的三维电力塔模型；其中，

所述的S3步骤中识别塔头基本类型包括以下步骤：

S3011.将待识别塔头点云和模型库中的所有塔头模型转化为二值影像；

S3012.提取所有影像的外轮廓，对轮廓边缘采样得到n个采样点点集P＝{p₁，p₂，p₃，.....p_n}；

S3013.根据形状上下文算法计算每个采样点的形状上下文h_i(k)，计算公式如式(1)，k＝{1,2,..K}，K＝M*N；M代表采样次数；

h_i(k)＝{q≠p_i:(q-p_i∈bin(k)}， (1)

S3014.计算待匹配影像的形状直方图和每个模型影像的形状直方图每对点之间的匹配代价，计算公式如式(2)，其中，hi(k)为目标P的点pi的形状直方图；hj(k)为目标Q的点qi的形状直方图，

S3015.基于计算得到的代价矩阵C进行点匹配操作，选取具有最小形状距离的模型影像为最佳匹配结果，该模型即为塔头点云对应模型；

所述的S3步骤中参数最优化包括以下步骤：

S3021.Gibbs能量定义，Gibbs能量表达为式为：

利用alpha shape算法来提取模型和点云的关键点，距离u_m(x_i)为每个模型关键点到最近塔头点云关键点的距离，距离u_p(x_i)为每个塔头点云关键点到最近模型关键点的距离，其中：

其中，相似性程度u(x)由模型到点云的平均距离u_m(x_i)和点云到模型的平均距离u_p(x_i)组成，且u(x)＝au_m(x)+bu_p(x)，a+b＝1，a和b分别为两距离的权值；n为模型关键点个数，m为塔头点云关键点个数；

S3022.Metropolis-Hastings采样和模拟退火，首先，根据建议分布q(x^*|x)在搜索空间X中给出当前参数值x的一个候选参数值x^*，然后，根据计算公式(6)计算候选参数值的接受率A(x,x^*)；若接受率A(x,x^*)大于预设的接受阈值Ta，则将候选值x^*代替当前值x，否则，保留当前值x；

2.根据权利要求1所述的基于LiDAR点云的电力塔三维重建方法，其特征在于，所述的S1步骤中对电力塔点云的密度和宽度进行统计分析包括以下步骤：

S101.将电力塔点云根据等间隔Δh分成若干层；

S102.计算每一层的密度和宽度，并分别以密度和宽度为X轴、以层数为Y轴建立密度直方图和宽度直方图；

S103.定义一个以当前层数为中心，大小为2L*1大小的移动窗口分别在密度和宽度直方图中寻找密度极大值和宽度极小值，并对极大值和极小值所在层进行标记；

S104.电力塔从下至上选择第一个同时满足该层密度局部最大且上下两层范围内存在宽度局部最小的层数作为特征面的位置，以特征面为界线进行分解，特征面以上的部分分解为塔头，特征面以下的部分分解为塔身。