融合线路通道正射影像的激光点云地物自动识别方法技术

本发明专利技术公开了一种融合线路通道正射影像的激光点云地物自动识别方法，包括：采集线路通道正射影像数据，并进行预处理；采用随机森林算法对修正后正射影像进行识别分类；采集线路通道激光点云数据和杆塔台账数据，并对激光点云数据进行预处理，提取出地面点云以及杆塔和电力线点云，将剩余激光点云数据作为目标点云；正射影像分类结果作为约束条件对目标点云进行点云分割，采用随机森林算法对所述粗分类结果进行精细分类，获得点云识别结果。基于正射影像的诸多特点，将正射影像的二维优势与激光点云的三维优势相结合，提高点云分类的精度，同时在正射影像分类的基础上加入点云分类并行处理，提高了点云分类处理的效率。提高了点云分类处理的效率。提高了点云分类处理的效率。

【技术实现步骤摘要】
融合线路通道正射影像的激光点云地物自动识别方法


[0001]本专利技术涉及超特高压输电线路
，更具体的说是涉及一种融合线路通道正射影像的激光点云地物自动识别方法。

技术介绍

[0002]依据分类方法的分类策略，现有的点云分类方法可以划分为两类：阶层式分类方法和同时分类方法。阶层式分类方法包括两个步骤，滤波处理和对象分类。在滤波处理阶段，阶层式分类方法采用点云滤波算法将点云数据划分为地面点和非地面点，其中常用的点云滤波算法有数学形态学算法、坡度滤波算法、不规则三角网渐进加密算法、移动曲面拟合算法和迭代线性最小二乘内插法等。在对象分类阶段，阶层式分类方法将非地面点进一步划分为建筑物和植被等多个类别。如采用多向滤波算法移除点云中的地面点，然后采用基于形态的建筑物检测方法，依据建筑物的形态特征移除剩余的非建筑物点，从而将非地面点分为建筑物和非建筑物两类。总之，在使用阶层式分类方法进行点云分类时，通常需要为每个类设置相应的判别方法，从而将点云划分为多个类别。
[0003]相比于阶层式分类方法，同时分类方法则依据点的特征将点云直接分类为地面、建筑物和植被等多个类别，并不需要设定太多的假设。依据特征提取的基本单元，可以将现有的点云分类方法划分为两类：基于点的分类和基于分割段的分类。其中，基于点的分类方法通过分析单个点的特征对三维点云数据进行分类。例如，将激光雷达的回波次数作为点的特征来区分相邻目标或是使用JointBoost分类器进行特征选择，选出有效的特征对点云数据进行分类。此外，大多数点云滤波算法都属于基于点的分类。基于分割段的分类，对于由多类对象构成的复杂点云数据，许多方法首先对原始点云进行分割，然后在分割段的基础上对点云数据进行分类。如基于对象分析的点云分类方法，在分类过程中，首先采用区域增长算法将点云分割成不同的点集，然后基于判断规则对不同的点集进行分类，或是采用基于区域增长的平面分割算法对点云数据进行分割，然后计算分割段的特征，最后对点云数据进行分类等。基于分割段的分类效果在很大程度上依赖于其所使用的点云分割算法。
[0004]在点云数据的分类阶段，传统的分类方法通过手动定义一系列的判定规则来判定点的类别。例如，我们可以假定在近邻区域内地面点的高度最小，并以此作为判定规则，标记出所有的地面点。然而，在许多情况下，判定规则是难以设定的。为了解决这个问题，机器学习被用于实现点云分类。这类方法的基本思想是利用训练集训练一个分类器，然后使用分类器对点云数据进行分类。常用的分类器有：支持向量机、随机森林、AdaBoost、JointBoost、朴素贝叶斯分类器和最大期望算法等。其中，随机森林分类器由于出色的性能，受到了越来越多的关注。同时，使用随机森林分类器能够分析特征的重要性，移除不相关的特征，提高数据分类的性能及效率。
[0005]依照现有的点云分类技术，可按照分类点云分类流程分为两大类，单目标点云分类和多要素点云分类。
[0006](1)单目标点云分类依靠输电线路走廊内地物特征并有针对性地设置约束条件、
高程阈值、连通性等分类规则，利用点云的低层次特征将线路点云分为目标类别点云和非目标点云，通过单目标的逐层次提取实现线路的点云分类。然而，由于点特征的数目有限，在对复杂点云数据进行分类时，基于点的分类方法得到的结果不理想。同时，在计算单个点的特征时，需要为每个点定义一个相应的邻域，这大大增加了特征计算的难度。
[0007](2)多要素点云分类中的可大致分为监督分类和非监督分类两大类。其中非监督分类主要采用无目标类别标签的聚类算法实现点云分类，该方法输电线路通道点云分类的效率较高，但分类结果容易受先验参数、点云密度、离群噪声点和场景复杂度等诸多因素的影响，点云分类的精度不高。
[0008](3)监督分类方法，如支持向量机、随机森林等分类器则是通过从训练样本中提取全局和局部代表性的点特征描述符，如密度、平整度、曲率等基于局部邻域点的几何结构信息，通过机器学习分类知识并构建分类模型将激光点云划分为预定义的语义类别实现全要素目标点云分类。但大多数分类器在分类的时候，只考虑局部特征，即样本的特征集，忽略了不同样本之间的拓扑和几何关系。
[0009]正射影像作为无人机遥感技术的产物，具有高分辨率、高纹理性、高特征性等特点，更容易分辨出地物类型，且当前市面上的激光雷达产品如大疆的禅思L1便搭载拥有激光雷达和摄像头两种设备，在扫描激光雷达的同时拍摄照片，以此获取的激光点云数据与正射影像数据具有极高的一致性。当前常见的影像分类的方法包括传统的非监督分类、监督分类、决策树分类、面向对象分类、支持向量机分类、最大似然法分类等一些深度学习、机器学习的算法，如神经网络、随机森林等方法在影像分类上都有较好的体现。
[0010]现有的影像分类的方法及流程存在以下不足：
[0011](1)传统的非监督分类、监督分类等算法虽然在数据处理效率上占有极大的优势，但是在分类精度上远远不足，尤其是在精度高达厘米级的正射影像上的分类效果不尽人意。而深度学习、机器学习等算法虽然在分类精度上占据优势，但是数据分类处理效率不高。
[0012](2)从当前的影像分类的流程中可以发现，大多数研究集中表现在对数据的分类处理上，而忽略了数据本身的质量，而往往数据质量的好坏直接影响着影像分类的结果。
[0013]目前，随着无人机激光雷达技术的不断完善，其应用领域也在不断的扩大，在电力巡检、地形测绘、三维建模等领域都有很好的应用，然而无人机激光雷达获取的点云数据是无序的点云数据，并不能直接从数据中获取地面或特定物体的相关信息，需要进行数据处理才能从点云数据中提取出有效的信息。当前的点云数据自动识别的技术在点云分类精度和点云分类效率上的选择存在一定的不足，如要提高点云分类的精度则会降低点云分类的效率，而若提高点分类的效率则会一定程度地损失点云分类的精度。
[0014]因此，如何提高点云分类的精度和效率是本领域技术人员亟需解决的问题。

技术实现思路

[0015]有鉴于此，本专利技术提供了一种融合线路通道正射影像的激光点云地物自动识别方法，基于正射影像的诸多特点，将正射影像的二维优势与激光点云的三维优势相结合，提高点云分类的精度，同时在正射影像分类的基础上加入点云分类并行处理，提高了点云分类处理的效率。
[0016]为了实现上述目的，本专利技术采用如下技术方案：
[0017]一种融合线路通道正射影像的激光点云地物自动识别方法，包括以下步骤：
[0018]步骤1：采集线路通道正射影像数据，并进行预处理，获得修正正射影像；
[0019]步骤2：采用随机森林算法对所述修正正射影像进行识别分类，获得正射影像分类结果；
[0020]步骤3：采集线路通道激光点云数据和杆塔台账数据，并对所述激光点云数据进行预处理，提取出地面点云以及杆塔和电力线点云，将剔除地面点云、杆塔和电力线点云的所述激光点云数据作为目标点云；
[0021]步骤4：将正射影像分类结果作为约束条件对目标点云进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合线路通道正射影像的激光点云地物自动识别方法，其特征在于，包括以下步骤：步骤1：采集线路通道正射影像数据，并进行预处理，获得修正正射影像；步骤2：采用随机森林算法对所述修正正射影像进行识别分类，获得正射影像分类结果；步骤3：采集线路通道激光点云数据和杆塔台账数据，并对所述激光点云数据进行预处理，提取出地面点云以及杆塔和电力线点云，将剔除地面点云、杆塔和电力线点云的所述激光点云数据作为目标点云；步骤4：将正射影像分类结果作为约束条件对目标点云进行点云分割，获得粗分类结果，并采用随机森林算法对所述粗分类结果进行精细分类，获得点云识别结果。2.根据权利要求1所述的融合线路通道正射影像的激光点云地物自动识别方法，其特征在于，所述步骤1中，对线路通道正射影像数据进行的预处理包括匀光匀色、修正阴影及遮蔽；修正阴影及遮蔽处理包括基于光照函数分析对彩色影像阴影区域信息进行增强，采用基于纹理匹配的影像缺损信息补偿方法对增强后的影像进行补偿修正；采用自适应全局到局部颜色平衡方法对正射影像数据进行匀光匀色处理过程包括：步骤111：对正射影像数据计算重叠区域色彩信息；步骤112：根据重叠区域色彩信息构建色彩校正模型；步骤113：利用色彩校正模型对正射影像数据进行优化，获得全局优化结果；步骤114：对全局优化结果进行影像检测，确定影像检测窗口大小；步骤115：进行分块色调信息统计；步骤116：计算逐像素色调校正参数；步骤117：进行Gamma变换逐像素色彩调整，获得匀光匀色结果；基于光照函数分析对彩色影像阴影区域信息进行增强的具体过程为：步骤121：将影像从RGB颜色空间转换到包含亮度信息的HSI颜色空间；步骤122：对亮度信息值依次进行数学形态学的开运算和闭运算，得到影像亮度低频成分；步骤123：对影像亮度低频成分作阈值处理和带条件的腐蚀运算，分别获得阴影区域和非阴影区域；步骤124：在RGB颜色空间中通过亮度信息对阴影区域中的R、G、B分量分别进行调整，实现阴影区域信息增强；采用基于纹理匹配的影像缺损信息补偿方法对增强后的影像进行补偿修正的具体过程为：步骤131：从整张影像信息缺失部分四周的任意一个像素开始；步骤132：在像素位置构建一个邻域区块，以邻域区块为基础模板在整张影像中搜寻与邻域区块纹理最匹配的对应区域，将对应区域一侧的某个像素的值赋给邻域区块一侧的对应像素；步骤133：选取信息缺失部分四周的下一像素，并返回所述步骤32，且选取的像素由边缘逐渐向内部推进，直至信息缺失部分全部得到补偿，获得...

【专利技术属性】
技术研发人员：张兴华，姜诚，黄和燕，王黎伟，张福，罗望春，王鸿涛，梁晖明，莫兵兵，李翔，刘洪驿，石志彬，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司检修试验中心，
类型：发明
国别省市：