1.一种基于正态分布和聚类的激光雷达点云电力线分类方法,包括以下步骤:(1)对原始点云数据进行预处理,建立数字地形模型,利用高程滤波进行电力线候选点粗提取;
(2)针对粗提取后的电力线候选点数据,基于正态分布变换算法实现三维空间上电力线候选点的进一步优化提取;
(3)针对优化提取后的电力线候选点数据,利用均值聚类算法实现电力线点的精确提取。
2.根据权利要求1所述的基于正态分布和聚类的激光雷达点云电力线分类提取方法,其特征在于:所述步骤(1)的具体步骤为:
1-1)基于原始点云数据、显著非电力线点的过滤机制,进行点云数据预处理;
1-2)根据原始点云数据质量描述场景,并设计0.5米的地面种子点间距;
1-3)将点云数据进行分块处理,得到若干小块区域,在每一个小块区域内选择一个地面种子点;
1-4)利用得到的种子点进行地面拟合,得到数字地形模型,记为DTM;
1-5)在原始点云高程的基础上减去DTM得到点云相对高度信息;
1-6)提取相对高度为4m及4m以上的点作为电力线候选点数据集一。
3.根据权利要求2所述的基于正态分布和聚类的激光雷达点云电力线分类提取方法,其特征在于:所述步骤(2)的具体步骤为:
2-1)电力线候选点数据集一中所有电力线候选点坐标为x、y、z,分别计算电力线候选点坐标x、y、z三轴的最大值与最小值的差值,取不小于差值的三个相应最小整数分别为Ax、Ay、Az;
2-2)构建大小为Ax*Ay*Az立方体,立方体X轴方向的最小值为候选点坐标x的最小值,立方体X轴方向的最大值为不小于点坐标x的最大值的最小整数;立方体Y轴方向的最小值为点坐标y的最小值,立方体Y轴方向的最大值为不小于点坐标y的最大值的最小整数;立方体Z轴方向的最小值为点坐标z的最小值,立方体Z轴方向的最大值为不小于点坐标z的最大值的最小整数;
2-3)将构建的立方体分割为n个1m*1m*1m的立方体单元;
2-4)将电力线候选点根据三维点坐标值分别分配到满足坐标方位的立方体单元格内;
2-5)统计每个立方体单元内的点个数,若点数量小于3,则将该立方体单元及立方体单元内的点从数据集一中剔除,以得到优化更新后的电力线候选点数据集一和更新后的n’个立方体单元;
2-6)从上步骤得到的数据集一及其n’个立方体单元中,计算各个立方体单元内点坐标的协方差矩阵,计算公式为:式中:cov表示协方差计算算子;x、y、z则是各个立方体单元内点集的X轴、Y轴、Z轴坐标值; 则是各个立方体单元内点集的X轴、Y轴、Z轴坐标值的平均值;m为相应立方体内的点数;R即为相应立方体单元内点集的三维协方差矩阵;
2-7)根据2-6)计算得到的立方体单元的协方差矩阵R,根据常规矩阵运算法则计算得到三个特征值λ1、λ2和λ3,并设定:λ12λ2≤λ3 (5);
2-8)设置阈值t=0.02,若λ2/λ3≤t,则将该立方体单元标记为线状立方体单元,否则为非线状立方体单元;
2-9)提取线状立方体单元及其内的点数据作为电力线候选点数据集二。
4.根据权利要求3所述的基于正态分布和聚类的激光雷达点云电力线分类提取方法,其特征在于:所述步骤(3)的具体步骤为:
3-1)保存数据集二中每一个立方体单元中最大特征值所对应的特征向量作为均值聚类算法的样本数据,记为数据集三;
3-2)在数据集三中目视选取k个属于电力线候选点立方体单元的特征向量作为种子向量;
3-3)遍历数据集三,计算每个特征向量分别与k个种子向量之间的夹角αpq;其中p代表数据集三中第p个立方体单元的最大特征值对应的特征向量;q代表k个种子向量中第q个特征向量;αpq代表数据集三中第p个特征向量与第q个种子向量之间的夹角;
3-4)设置夹角阈值Δ=0.5度,判断数据集三中每个特征向量与k个种子向量之间的夹角αpq与夹角阈值Δ之间的大小关系,若αpq<Δ,则αpq对应的数据集三中第p个立方体单元特征向量属于k个种子向量中第q个的种子向量群,总共得到k个种子向量群,若αpq>Δ,则该第p个立方体单元特征向量不属于任何种子向量群;
3-5)计算每个特征向量群的法向量,以这k个法向量作为新的种子向量;
3-6)重复步骤3-3)-步骤3-5),直到法向量与种子向量一致,结束循环;
3-7)剔除不满足夹角阈值的特征向量所在的立方体单元及其内的点数据,则数据集三中剩余的点数据即为最终的电力线点,且k个特征向量群所在的立方体单元内的点数据属于k个不同方向的电力线。