快速检测并消除电力线隐患是城乡供电管理和科学规划的重要任务^[1]，但传统的现场检测方法实施难度大，耗费人力多。LiDAR测量技术测量精度高且定位准确，可以很好地克服电力线巡查中的缺陷，直接而快速地采集电力线走廊高精度三维点云数据^[2-3]。但机载LiDAR点云数据量较大，地表信息丰富，电力线点云数据存在与森林植被、建筑物群、道路等要素相互遮挡和混杂的复杂场景，导致从海量机载LiDAR点云数据中快速准确地提取电力线点存在困难。研究一种高效快速且自动化从机载LiDAR点云数据中分类提取电力线的模型，是激光雷达技术在电力和环境研究等领域的重要内容。现有的电力线分类技术可大致分为3类：①基于高度、密度或脉冲数的点云统计分析分类^[4-7]；②基于二维图像处理的霍夫变换和聚类分类^[8]；③基于点云的测量和分布特征的监督分类^[9-11]。

通常使用二维霍夫变换来检测分段的电力线基元，使用随机抽样一致性算法选择用于估计垂直参数的电力线基元，以此实现电力线的整体重建，但该方法没有充分利用所有电力线且精度不高。文献[12—13]利用马尔可夫随机场首先从给定的线性走廊场景中提取电力线，然后根据电力线与塔架之间的语义关系提取塔架，最后使用基于塔架位置的悬链曲线模型进行多级跨度分析以完成三维电力线的重建。该方法是通过基于塔架位置的语义关系提取电力线和塔架，不适用于普遍存在电力杆而不是高塔架的复杂城区中的电力线分类。另有研究者提出通过使用悬链线的非线性调节来检测电力线候选点，利用电力线的空间分布特征从点云中提取单个电力线，然后直接使用基于多项式的最小二乘法匹配算法来估计其三维重建的电力线模型参数^[14], 该方法计算复杂且最终拟合模型不连续。综上，机载LiDAR点云数据能够克服传统电力线路巡检和管理规划中的问题，但需针对点云数据量大、三维电力线提取自动化程度低和分类精度低的问题，设计自动化的电力线分类提取算法。本文提出一种植被、建筑物与输电线路混合的复杂城市场景中基于机载LiDAR点云的电力线分类提取方法，可适用于建筑物、植被等的分类提取。

1 研究方法

针对已有的基于形状属性的概率统计、图像转换分析方法存在的误差和精度问题，本文提出充分利用形状结构关系的电力线支持向量机(support vector machine，SVM)分类模型构建复杂场景下候选电力线点云数据的形状结构特征关联参数，应用两块典型区域训练和测试样本验证模型结果，对比评价结果精度和反馈模型参数。本文设计了基于几何多尺度特征和多尺度邻域类型的电力线点云分类的新方法。该方法主要包括：电力线候选点过滤、多尺度邻域类型选择、形状结构特征提取和SVM分类，具体方法框架如图 1所示。

1.1 电力线候选点滤波

机载LiDAR点云数据包括空间三维坐标、密度、回波强度、颜色等信息，针对点云数据量庞大、反映地表要素的数据稠密和精度高的特点，电力线网络分类提取需考虑明显噪声点、地面点、建筑物点等过滤，而且电力线走廊在某固定高度范围内呈线状分布的特征，需要研究基于机载LiDAR点云数据的电力线三维结构特征指标体系。具体包括：基于原始点云数据，噪声、地面、建筑物等显著非电力线点的过滤机制，以进行点云数据预处理；建立电力线三维结构特征指标体系，将更加准确地区分非电力线点，减少后续处理数据量，同时保证可能电力线点的完整筛选。来自原始LiDAR点云的电力线候选点过滤是电力线分类的第1步。本文首先从原始LiDAR点云进行地面点过滤和DTM生成以提取所有非地面点，根据电力线布设规范，选择地面4 m以上的非地面点作为电力线候选点^[5]。

1.2 多尺度邻域类型选取

本文方法通过使用给定点X的局部三维空间形状结构进行电力线分类。初步选取两类邻域：单一尺度邻域和多尺度邻域^[14]，并在每个尺度上分别选取球形邻域、柱状邻域和K值邻域3种邻域类型，每种邻域类型的限制参数为半径和K值^[15]。其中球形邻域为围绕给定点X的球体内的所有三维点形成的球形邻域，限制参数为半径；柱状邻域为围绕给定点X的圆柱内的所有三维点组成的圆柱形邻域，其中圆柱的轴线穿过给定点X，限制参数为半径；K值邻域为围绕给定点X的K个最近三维点组成的邻域，限制参数为K值。

经多次试验比较分析，选定多尺度球邻域获取电力线形状结构的各向异性和层次细节。

1.3 形状结构特征提取

结合LiDAR点云数据中电力线与林木、建筑物等地物相互遮挡、混杂的问题和电力线快速自动化提取的需求，针对已有的基于结构形状的统计分析和图像处理分类方法中的不足，通过研究在不同复杂场景下电力线点云数据的形状结构特征，确定其关联参数。该方法从本质上避免了机载LiDAR点云数据中其他地物特征要素对电力线分类的干扰，以真实直接地反映出电力线空间结构特征，进而达到提高分类提取精度的目的。由邻域内点集的协方差三维结构张量的特征值计算和提取形状结构特征的方法，具体参见文献[14—15]。

1.4 SVM分类

基于前述的候选电力线点云数据集及其三维形状结构关联参数，针对已有的电力线分类概率统计分析、格式转换间接分类等方法存在的模型精度和误差问题，设计和研究基于机器学习监督分类的电力线智能分类模型。设计机载LiDAR点云数据的SVM分类算法，以候选电力线点云的三维形状结构关联参数作为特征向量，以是否属于电力线点作为结果种类，构建电力线SVM分类算法的训练样本和测试样本，以Terrascan、ENVI等商业软件和人工手动提取真实结果为训练样本，选择美国夏威夷檀香山区域机载LiDAR点云数据作为测试样本，并使用五重交叉对比分析来验证评估分类器的准确性。

2 试验与分析 2.1 试验数据

试验数据集包括：①数据集1为2014年采集的夏威夷檀香山市区域，选取LiDAR城市场景区域，覆盖范围为246 m×170 m，其点密度为3.27点/m²；②数据集2为2015年采集的夏威夷檀香山森林区域，选取场景覆盖范围为180 m×180 m，其点密度为3.02点/m²。对于数据集1和数据集2，地面、建筑物、电力线点等要素类参照实际情况以逐点方式进行标记，其中电力线点作为真实参考数据，原始试验数据如图 2所示，已标记LiDAR点云与地物类别的点数量概况见表 1。

2.2 试验过程

试验使用单一尺度和多尺度邻域作为空间形状结构特征提取的基础：①6个球形单一尺度邻域分别表示为N_1m、N_3m、N_5m、N_7m、N_9m和N_11m；②优化最近K值邻域N_opt，由基于特征值熵最大的最近点构建；③球形邻域N_1m、N_3m、N_5m、N_7m、N_9m和N_11m组合得到多尺度邻域，表示为N_all。该8种不同邻域类型所得特征值组合成特征向量作为SVM分类器的输入值。

为了比较该方法在不同点层次上获得的分类结果，设置多种指标对电力线分类结果进行评估：准确率(PREC)、召回率(REC)、质量(QUA)和处理时间(T)，其计算公式如下

式中，TP为正确分类的电力线点数量；FP为错误分类的电力线点数量；FN为遗漏分类的电力线点数量；时间T包括从原始点云数据滤波到SVM分类的整个处理过程。

2.3 结果与分析

本研究利用8类邻域和2个数据集共进行16次试验，每次试验的准确率(PREC)、召回率(REC)、质量(QUA)和处理时间(T)结果见表 2，其具体的分类结果如图 3和图 4所示。

结果表明，在两个试验数据中，多尺度邻域类型结果精度最好，准确率、召回率和质量基本达到90%；6类单一尺度邻域类型分类结果，在数据集1中精度较高的是N_9m，在数据集2中精度较高的是N_7m；文献[14—15]所提出的优化最近K值邻域N_opt分类结果精度较低。在处理时间方面，单一尺度邻域类型N_5m、N_7m耗时较少，N_1m和多尺度邻域类型N_all耗时接近且居中，N_opt耗时最多。分析可知，数据集1中电力线与树木和建筑物更为接近，且场景比数据集1更为复杂，分类结果精度从N_1m到N_11m呈先逐渐递增后递减的趋势。由于多尺度邻域N_all包含所有单一尺度邻域的形状结构特征，因此其分类精度比任何单一尺度邻域都高，其分类结果的召回率不如准确率高，而优化最近K值邻域N_opt类型则相对不适用电力分类模型。

研究发现，在不同尺度的邻域中，基于多尺度邻域类型及形状结构特征的电力线SVM分类模型效果较好。本试验数据中，电力线距离地面约6 m，间距约2 m，走廊平均宽度分别为9和7 m。在数据集1和数据集2中，单一尺度邻域类型的最佳尺度近似于电力线的水平或垂直跨度。由于三维城市场景的空间各向异质性，多尺度球形邻域下的分类效果较好。

3 结语

与现有的将点云数据栅格化或利用图像处理和统计分析技术相比，本文提出了利用多尺度球形邻域的形状结构关系进行电力线自动化分类，对不同尺度下局部邻域进行形状特征提取以获取三维点的空间结构，完成逐点单独分类，并最终获得高精度的分类结果。在未来的工作中，将通过考虑数据中更多固有的上下文环境特征改进模型方法。此外，本文方法还需要针对不同类型的点云数据(如移动或车载激光扫描数据)进行试验，或在更复杂的城市环境中评估模型并基于分类结果进一步实现电力线的三维重建