论文部分内容阅读
当前电力走廊系统的巡检主要依靠地面人力或直升机搭载光学相机的方式进行,不仅耗费较多的人力物力,而且由于人眼辨识率和图像的空间定位精度不高,所获取的信息不够准确。机载激光雷达(LiDAR)可以获取地面场景的三维空间信息,并且随着LiDAR系统发展和飞行成本的下降,利用机载LiDAR进行电力走廊巡检有更广阔的发展空间。本文从机载LiDAR系统获取的三维点云数据出发,根据LiDAR数据特性以及场景内不同地物特点,首先研究了用于LiDAR点云分类的特征提取过程,之后在特征提取基础上利用稀疏表示分类器对LiDAR点云进行分类,并对稀疏表示分类过程中存在的非线性和特征异构性问题进行了深入研究,提出了基于多核学习的联合稀疏表示分类器,最后对分类后的目标分别进行处理,分析评价电力走廊的安全状态。本文研究工作主要为四个部分:LiDAR点云数据的特征提取、基于稀疏表示的点云分类、多核学习用于稀疏表示以及点云的分类后处理。具体内容如下:首先,本文研究了面向点云分类应用的特征提取过程,针对场景内的地物目标种类,寻找能够有效区分地物类别的特征信息,包括单点特征以及多尺度空间邻域特征,对得到的特征信息进行预处理以便和稀疏表示分类器相匹配,从而构建出用于进行点云分类的特征向量。其次,本文研究了基于稀疏表示的点云分类方法,在原始的稀疏表示分类基础上,探讨了将核方法与联合稀疏表示应用于点云分类中。核方法对高维数据分类时的非线性问题有良好效果,而联合稀疏表示可以充分利用邻近点云标签相似性信息。对于点云数据特征的异构性问题,进一步提出了基于多核学习的稀疏表示分类器,相较于单核情形下的稀疏表示分类,效果有明显提升。最后,针对课题对电力走廊信息提取的目的,分类后的LiDAR点云数据:对并行的电力线进行单线分离与拟合;对植物和建筑物点云进行空间单体目标分割,计算电力线和单体建筑物、树木等地物的水平和垂直距离信息,根据有关的电力安全标准,确定地物目标是否对电力线的安全性构成威胁,并评估电力线的安全状态。