基于变电站3D点云数据的目标识别与检测学习总结（一）

         最近开始学习有关三维点云的知识，由于工程项目原因，首先学习了一篇与变电站相关的文章–《基于三维点云的变电站设备分类识别研究–李玲侠》，该文采用三维激光扫描仪来获取点云数据。

文章摘要

1.三维激光扫描系统的工作原理

2.变电站设备点云的获取以及预处理、特征提取

3.电气设备的分类

实现目标如下：

        对整个变电站进行点云分割→提取设备特征以及设备类别和型号的分类识别→确定设备所处位置和姿态→变电站三维重建

变电站设备三维点云数据的获取&预处理

1.地面激光雷达扫描：雷达发出激光脉冲信号射向待扫描物体，并利用探测器接受反射信号，通过记录器对其进行记录，最终转化为可被识别处理的点云数据信息。

2.获取变电站点云数据（空间三维坐标值、激光反射强度、距离等信息组成），可通过QTreader系统将其可视化。（ps.实际所需数据只有位置和高度数据）

3.变电站设备识别分类：点云数据预处理（点云的排序精简以及分割去噪）→特征提取（可描述设备外形轮廓特征，如长宽高等）→分类器设计→特征权重（粒子群算法）→姿态估计
    3.1点云的精简排序：方向排序法（排序）；均匀采样法（精简）
    3.2设备点云分割：首先需要将设备之外的三维点云集去除（将获取点云投影到XOY平面并进行网格划分，根据点云平均高度以及设定的阈值来剔除地面点），然后提取每个设备的点云（此时需要将设备顶部电线去除，对设备进行分层处理，根据每层面积获得从下到上的面积变化率并标记变化最大的地方进而判断此处面积是否大于一个阈值）
    3.3设备点云去噪（分层去噪）

变电站设备特征提取

1.投影边界曲率
    提取点云边界（当设备投影点较少时选择三角网格法，投影点较多时选择经纬线法）
曲率估计（距离累积代替边界曲率）→直方图统计

2.设备的三维点云法向量
    主成分分析法（PCA）（以K-L变换为基础，通过选择样本点云数据分布方差较大的坐标轴来投影，把点云数据从高维空间降到低维空间的变化系数来代表点云数据的特征）
    点云法向量可以近似用计算获得的平面法向量来代替，法向量能够表示点的曲面变化方向以及基于点的绘制
    文章采取做法：对变电站设备点云进行空间网格划分→将网格中的点云集作为该网格中点的领域计算该网格法向量（PCA）→分别计算法向量与z、x轴的夹角值→直方图统计表示

3.设备三维点云灰度直方图
    点云灰度特征：提取待处理点云区域在xyz方向的最值→水平投影，并根据水平方向最值进行网格划分（根据网格内的平面距离、点云密集度以及高度差异等来确定每个网格的灰度值）→归一化→直方图统计

4.设备分层投影面积直方图（运用三角网格剖分算法）

5.设备体积（包络体积，逐层累加）、高程分布（绘制直方图）几何特征

变电站设备模式识别

距离分类算法（即将待分类识别样本分类到与该样本最相似的类别中）
    模板匹配法（计算待识别样本与模板库中代表每个类别的样本的距离，利用点间距离来计算相似度）–采用加权距离
    改进粒子群算法优化距离分类算法输入权重