基于隨機(jī)森林方法的輸電巡線點(diǎn)云自動(dòng)分類

馬文++耿貞偉++張小波

摘 要：本文主要討論一種基于隨機(jī)森林的輸電線路點(diǎn)云數(shù)據(jù)自動(dòng)分類方法。首先，基于點(diǎn)的鄰域提取點(diǎn)的局部特征，然后，選取隨機(jī)森林作為分類模型，采用Gini系數(shù)作為節(jié)點(diǎn)分裂的標(biāo)準(zhǔn)，使用手工分類的點(diǎn)云數(shù)據(jù)訓(xùn)練模型，成功地實(shí)現(xiàn)了輸電線路走廊內(nèi)桿塔、電力線路、地物等的自動(dòng)分類，為處理機(jī)載激光雷達(dá)在輸電線路巡視中產(chǎn)生的點(diǎn)云數(shù)據(jù)提供了一種數(shù)據(jù)處理方案。

關(guān)鍵詞：隨機(jī)森林；自動(dòng)分類；輸電巡線；激光雷達(dá)；LiDAR；點(diǎn)云

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2017）19-0147-02

1 引言

激光雷達(dá)技術(shù)（LiDAR）是一種主動(dòng)式的對(duì)地觀察和測(cè)量的技術(shù)，從上世紀(jì)70年代出現(xiàn)至今，發(fā)展迅速，在電力、公路、鐵路、林業(yè)、礦山、城市規(guī)劃等眾多領(lǐng)域都有廣泛地應(yīng)用。機(jī)載LiDAR，就是將LiDAR系統(tǒng)掛載于機(jī)載平臺(tái)（飛機(jī)、直升機(jī)以及無(wú)人機(jī)等），沿機(jī)載平臺(tái)的飛行軌跡對(duì)地物進(jìn)行掃描以獲取空間信息。由于機(jī)載LiDAR可以完整地記錄飛行路線及其兩側(cè)走廊范圍內(nèi)的三維信息，具有安全、高效、快速等優(yōu)點(diǎn)，因此逐漸被引入到輸電線路巡線中，特別是在地形復(fù)雜、條件惡劣的地區(qū)[1-3]。

機(jī)載LiDAR在進(jìn)行輸電巡線作業(yè)時(shí)會(huì)產(chǎn)生大量的掃描數(shù)據(jù)（點(diǎn)云數(shù)據(jù)），對(duì)點(diǎn)云數(shù)據(jù)的分析和應(yīng)用主要包括：電力線路走廊點(diǎn)云分類、輸電線路缺陷分析、輸電走廊三維重建及可視化等多個(gè)方面。其中，電力線路走廊點(diǎn)云分類是其他應(yīng)用的基礎(chǔ)，只要在完成了點(diǎn)云分類以后，才能繼續(xù)進(jìn)行深入的分析和研究。傳統(tǒng)的分類方法主要采用手動(dòng)分類，即以人工方式選取點(diǎn)云，手動(dòng)設(shè)置類別。同時(shí)，國(guó)內(nèi)外也有眾多的關(guān)于自動(dòng)分類的研究，如K Zhang[4]等提取地面的方法；VU T[5]提出的將點(diǎn)云數(shù)據(jù)轉(zhuǎn)化為圖像后，利用圖像學(xué)的方法采用K均值聚類法將數(shù)據(jù)分割成高層建筑物、地面點(diǎn)及其他地物三大類。而在輸電巡線的點(diǎn)云自動(dòng)分類領(lǐng)域，梁靜[6]等提出的基于KD樹(shù)聚類的提取方法；Kim等[7]使用回波和點(diǎn)的局部信息為特征，基于隨機(jī)森林模型實(shí)現(xiàn)了電力線路的提取。

2 點(diǎn)云特征提取

本文所述的方法只使用點(diǎn)的空間信息，不使用回波、顏色等其他信息，逐個(gè)點(diǎn)地進(jìn)行特征提取。對(duì)于任意點(diǎn)Pi及其鄰域N，可知存在鄰域N的協(xié)方差矩陣C，求解矩陣C的特征向量（λ1≥λ2≥λ3≥0）及其對(duì)應(yīng)的特征值（e1，e2，e3），而特征向量能表達(dá)出每個(gè)點(diǎn)的局部幾何特征[8]，如下圖1所示。

在此基礎(chǔ)上，對(duì)Weinmann[9-10]，Hackel等[11]所定義的特征進(jìn)行分析，結(jié)合輸電線路桿塔和導(dǎo)線所具有的空間特性，選取以下特征：表1所示。

3 隨機(jī)森林

3.1 隨機(jī)森林學(xué)習(xí)器

集成學(xué)習(xí)（ensemble learning）是通過(guò)構(gòu)建多個(gè)學(xué)習(xí)器來(lái)進(jìn)行學(xué)習(xí)，可獲得比單一學(xué)習(xí)器更顯著的泛化性能，這對(duì)“弱學(xué)習(xí)器（weak learner）”來(lái)說(shuō)尤為明顯。其中，Bagging是并行式集成學(xué)習(xí)方法的最著名的代表，它采用自主采樣方法，最終得到T個(gè)采樣集，每個(gè)采樣集包含m個(gè)樣本的。然后，基于每個(gè)采樣集形成一個(gè)“基學(xué)習(xí)器”，再將這些基學(xué)習(xí)器進(jìn)行結(jié)合，以取得更好的泛化結(jié)果。

隨機(jī)森林（Random Forest，簡(jiǎn)稱RF）是Bagging的一個(gè)擴(kuò)展變體，RF以決策樹(shù)為基學(xué)習(xí)器構(gòu)建Bagging，并且還引入了隨機(jī)屬性選擇。而且，隨著基學(xué)習(xí)器數(shù)量的增加，RF通常會(huì)收斂到更低的泛化誤差，且RF的訓(xùn)練效率通常優(yōu)于Bagging[12]。

3.2 隨機(jī)森林的構(gòu)建

隨機(jī)森林由T棵決策樹(shù)構(gòu)成，每一棵決策樹(shù)在構(gòu)造時(shí)，選擇節(jié)點(diǎn)的分裂屬性有很多種方法，如：信息增益、信息增益比、Gini系數(shù)等等，本文采用Gini系數(shù)作為節(jié)點(diǎn)分裂的選擇標(biāo)準(zhǔn)。而對(duì)于隨機(jī)森林中決策樹(shù)的數(shù)量，根據(jù)文獻(xiàn)[13]所述，建議其設(shè)置在64～128之間，可以取得計(jì)算性能和分類效果的最佳平衡。因此，本文選擇128棵決策樹(shù)。

4 實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)數(shù)據(jù)為某輸電線路LiDAR數(shù)據(jù)，從#1～#4，共三檔，所有數(shù)據(jù)都已經(jīng)過(guò)人工分類。用#1～#3前兩檔作為訓(xùn)練集，#3～#4作為驗(yàn)證集。

按照上述定義的特征，計(jì)算特征值后，部分特征值的可視化效果如下圖2-4所示。

使用隨機(jī)森林進(jìn)行模型訓(xùn)練后，在驗(yàn)證集上泛化性能評(píng)估混淆矩陣如表2所示，總體分類精度為90%。

5 結(jié)語(yǔ)

本文主要討論了一種對(duì)輸電巡線點(diǎn)云數(shù)據(jù)進(jìn)行自動(dòng)分類的方法，基于點(diǎn)的鄰域提取每個(gè)點(diǎn)的局部特征，選取128棵決策樹(shù)構(gòu)建隨機(jī)森林，采用Gini系數(shù)作為節(jié)點(diǎn)分裂的標(biāo)準(zhǔn)，并通過(guò)一系列試驗(yàn)過(guò)程實(shí)現(xiàn)了輸電線路走廊內(nèi)桿塔、電力線路、地物等的自動(dòng)分類，為處理輸電線路巡視中產(chǎn)生的點(diǎn)云數(shù)據(jù)提供了一種數(shù)據(jù)處理方案。

參考文獻(xiàn)

[1]林昀，吳敦，李丹農(nóng).基于機(jī)載激光雷達(dá)的高精度電力巡線測(cè)量[J].城市勘測(cè)，2011，（5）：71-74.

[2]孫曉云，王曉冬.應(yīng)用 LiDAR 數(shù)據(jù)中提取電網(wǎng)信息方法初探[J].測(cè)繪技術(shù)裝備，2010，（1）：27-29.

[3]徐祖艦，王滋政，陽(yáng)鋒.機(jī)載激光雷達(dá)測(cè)量技術(shù)及工程應(yīng)用實(shí)踐[M].武漢：武漢大學(xué)出版社，2009.

[4]K Zhang，SC Chen，D Whitman，ML Shyu. A progressive morphological filter for removing nonground measurements from airborne LIDAR data[J].IEEE Transactions on Geoscience & Remote Sensing，2003，（4）：872-882.

[5]VU T. Thuy，M Tokunaga，WAVELET AND SCALE-SPACE THEORY IN SEGMENTATION OF AIRBORNE LASER SCANNER DATA[J].Robotica.ipleiria.pt，2001，（3）：53-57.endprint

[6]梁靜，張繼賢，鄧喀中，劉正軍.基于KD樹(shù)聚類的機(jī)載LiDAR數(shù)據(jù)輸電線提取方法[EB/OL].北京：中國(guó)科技論文在線，2012.

[7]HB Kim，G Sohn. 3D CLASSIFICATION OF POWER-LINE SCENE FROM AIRBORNE LASER SCANNING DATA USING RANDOM FORESTS[C].PCV，2010.

[8]G Guy，G Medioni，rard. Inference of Surfaces， 3D Curves， and Junctions from Sparse， Noisy， 3D Data[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence，1995，（11）：1265-1277.

[9]M Weinmann， B Jutzi ， C Mallet. Feature relevance assessment for the semantic interpretation of 3D point cloud data[C].Isprs Annals of Photogrammetry，2013， （II-5/W2）：313-318.

[10]M. Weinmann， S. Urban， S. Hinz， B. Jutzi， and C. Mallet. Distinctive 2D and 3D features for automated large-scale scene analysis in urban areas[J] . Computers & Graphics， Vol. 49， pp. 47-57

[11]T Hackel，JD Wegner，K Schindler. Fast Semantic Segmentation of 3d Point Clouds with Strongly Varying Density[C].Isprs Annals of Photogrammetry Remote Sensing & Spatial Informa， 2016，（III-3）：177-184.

[12]周志華.機(jī)器學(xué)習(xí)[M].清華大學(xué)出版社，2016.

[13]Thais Mayumi Oshiro， Pedro Santoro Perez， and Jose Augusto Baranauskas. How Many Trees in a Random Forest？[J].Lecture Notes in Computer Science，2012，（4）：154-168.endprint