针对机载激光雷达(LiDAR)点云数据中因地表形变不规则性与点云离散化特征导致的电力线提取精度不够问题,本文提出了一种基于空间分布特征的电力线提取方法。本文方法采用递进式处理流程。首先,提出一种改进曲面拟合滤波算法,有效实现了...针对机载激光雷达(LiDAR)点云数据中因地表形变不规则性与点云离散化特征导致的电力线提取精度不够问题,本文提出了一种基于空间分布特征的电力线提取方法。本文方法采用递进式处理流程。首先,提出一种改进曲面拟合滤波算法,有效实现了非电力目标的多尺度噪声抑制;其次,以去噪后的点云为基础,利用电力线点维度特征粗提取电力线点,并基于密度聚类算法完成电力线的语义分割;最后,在提取单根电力线的基础上,实现电力线三维几何结构的重建。基于点云库(PCL)和激光雷达航空测量库(libLAS)构建了算法体系,并在Visual Studio 2017 C++环境下完成了工程化实现。实验结果表明,本文方法在典型地理场景下的测试表现出色,电力线提取精确率为97.71%,召回率为99.65%,F1值达98.67%。本文方法实现了电力线要素的单流程自动提取,在保障定位精度的同时,处理效率较传统方法也有较大提升,为输电线路智能化巡检提供了有效的技术支撑。展开更多
文摘针对机载激光雷达(LiDAR)点云数据中因地表形变不规则性与点云离散化特征导致的电力线提取精度不够问题,本文提出了一种基于空间分布特征的电力线提取方法。本文方法采用递进式处理流程。首先,提出一种改进曲面拟合滤波算法,有效实现了非电力目标的多尺度噪声抑制;其次,以去噪后的点云为基础,利用电力线点维度特征粗提取电力线点,并基于密度聚类算法完成电力线的语义分割;最后,在提取单根电力线的基础上,实现电力线三维几何结构的重建。基于点云库(PCL)和激光雷达航空测量库(libLAS)构建了算法体系,并在Visual Studio 2017 C++环境下完成了工程化实现。实验结果表明,本文方法在典型地理场景下的测试表现出色,电力线提取精确率为97.71%,召回率为99.65%,F1值达98.67%。本文方法实现了电力线要素的单流程自动提取,在保障定位精度的同时,处理效率较传统方法也有较大提升,为输电线路智能化巡检提供了有效的技术支撑。
