[发明专利]基于LiDAR点云的电力塔三维重建方法

说明书

本发明属于激光雷达点云数据信息提取技术领域，涉及一种基于LiDAR点云的电力塔三维重建方法。包括以下步骤：S1.电力塔的分解，通过对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。本发明可有效的、准确的重建电力塔，满足输电线路三维可视化、数字化的需求。

技术领域

本发明属于激光雷达点云数据信息提取技术领域，更为具体的，涉及一种基于LiDAR点云的电力塔三维重建方法。

背景技术

电力塔作为高压输电线路重要的基础设施，其重建在输电线路三维可视化方面吸引了越来越多的关注。在过去几年中，电力塔建模最常用的方法主要是用CAD或3dmax进行人工手动建模，这种方法耗费大量的人力、物力且重建精度较低。电网管理部门急需一种自动化、高效率、高精度的电力塔重建方法来满足现代输电线路可视化、数字化的需求。随着机载LiDAR技术的飞速发展，高密度、精准的3D点云对该需求提供了一个有效的解决方案。

目前，有许多的学者在基于LiDAR点云三维目标的重建方面做了大量的研究，且在自然地物和人工地物重建上均取得了较大的进步。然而，由于电力塔结构的复杂性和种类的多样性，对电力塔重建的研究还十分稀少。李清泉等提出了一种基于模型驱动的电力塔重建方法，该方法首先将电力塔分解为塔头、塔身和塔脚三部分，然后对塔身部分用四个主平面进行重建，对塔头部分采用SVM分类器进行分类。该方法仅根据密度特征对电力塔进行分解，缺乏适用性，其他常见类型电力塔(如猫头塔、酒杯塔、六角塔)进行分解时往往会出现错误结果；此外，由于该方法引入了人工手动建立塔头模型，使得自动化程度降低，缺乏实用性。郭波等提出了一种基于随机几何的电力塔重建方法，该方法将RJMCMC采样器与模拟退火相结合，自动的解决电力塔类型和模型参数问题，但该方法效率不高，需要耗费大量的迭代次数判断电力塔类型，且在电力塔模型参数估算过程中，没有考虑参数间的几何关系，导致大量的冗余参数需要被估算。

目前，建筑物重建的方法主要分为以下两种策略：基于数据驱动的策略和基于模型驱动的策略。基于数据驱动的策略采用从上至下的重建方法。大部分建筑物重建处理过程一般包括两个关键步骤：建筑物屋顶边缘的提取和拓扑关系的重建。杂的屋顶结构或高密度的点云数据，通常采用基于面片分割的方法提取边缘，如基于边缘或区域增长、三维RANSAC算法、分类或特征聚类等。基于数据驱动的重建结果不受模型库完整性的影响，理论上可以重建任何形状。当数据比较完整时，数据驱动的方法对简单的目标提供精准的描述；然而，当数据缺失或包含较多噪声时，该方法会产生重建误差甚至失败。

基于模型驱动的策略采用从下至上的重建方法，该方法是基于预先定义的模型库的。该方法主要包含两个关键步骤：与模型库中的模型进行最优匹配和对应模型参数的最优化求解。在许多基于模型驱动的重建方法中，最基本的假设是建筑物是许多墙面的集合。许多方法如RJMCMC被引入来决模型参数问题，并且显示出了较大的发展潜力。基于模型驱动的方法对数据的质量具有鲁棒性且适用于大场景，由于拓扑关系预先在模型中定义，因此，该方法在点云密度较小时可发挥其优越性并保证正确的拓扑关系。然而，该方法的重建结果受到模型库的影响，当待求模型参数较多时，该方法效率较低。

由于目标结构的复杂性和形状的多样性，仅凭单一的某种方法很难满足现代重建的要求。因此，结合数据驱动与模型驱动的混合驱动策略在近几年中被提出。该方法在目标重建阶段将建造规则(如平行性、共面性、对称性)等引入来优化模型。与单一的策略不同，混合驱动的策略将两种方法的优势相融合，既保留了数据驱动的灵活性，也具有模型驱动的鲁棒性。

发明内容