基于点云技术和参数化模型的变电站三维数据管理研究_珞珈德毅科技

1、基于点云技术和参数化模型的变电站三维数据管理研究实施方案武汉珞珈德毅科技发展有限公司2014年2月1. 目的与意义变电站是电力系统中重要的组成部分，具有变换电压等级，汇集配送电能的重要功能。随着数字城市，三维GIS技术在电力领域的深入研究和应用，建立高仿真度三维电力站模型成为研究和应用的热点。传统三维建模技术主要利用近景摄影测量技术和碎步测量技术,但摄影测量技术对层次数据立体测量精度很难达到令人满意的效果而碎步测量的工作量巨大，不能快速获取数据。珞珈德毅科技长期扎根电力行业，深入研究电力行业的各项需求，基于二三维一体化地理信息系统平台DEUGlobe®自主研发了智能电网输变电资源管理

2、平台。辅以云计算、通讯、LiDAR及遥感技术，实现电力基础数据的处理、三维数据快速浏览、空间分析、三维渲染、辅助设计、专业分析等功能，支持地上、地下一体化三维展现、储存、发布与共享，支持云服务架构，为GPMS、ERP等业务系统提供完美的数据服务支撑，数据安全性和可靠性高。系统通过三维可视化技术和空间信息技术构筑“智能电网”，实时、直观地了解电网的各类信息，辅助工作人员进行业务管理和决策，从而实现对电网实时、科学、高效的管理，提高电网管理质量和运行效率、降低运营成本。激光雷达（LiDAR，又称：激光扫描）技术是近十几年来发展异常迅速的主动式测量技术，其硬件工艺日益成熟，能以每秒50万点（甚至更高

3、）的速度获取测距精度达2mm的密集点云数据，同时，还能接收具有一定规律的强度信号，在测绘、城市建模、土木工程中得到了大量的应用。与成熟的数据采集硬件相比，激光扫描数据后处理软件技术有明显的滞后，尽管激光扫描数据处理是近年来国内外非常热门的研究领域，在波形分析、数据配准、点云滤波、对象识别和重建等方向上都有许多成果和方法，但是，这些方法大多是针对某种特殊的数据密度或区域进行的实验性研究，无法解决由激光扫描数据生产结构复杂，种类多样的变电站电器件三维重建的实际问题，在数据生产中，仍需要大量的人工干预，生产效率和产品精度较低，难以体现激光扫描的优势。电力站的数字化是将测绘、信息、计算机等多学科技术有

4、机结合为一体的交叉学科，是三维重建的新方法与手段，通过客观、完整地获取电站设备元器件几何、色彩和电力知识等资料，实现对变电站的三维结构重建与展示。为了实现国网山东省电力站资源、景观和环境管理等资源的数字化、网络化及动态可视化的目标。在此共识，利用目前发达的传感器和信息技术等数字化的手段，比如激光扫描技术快速、精确的获取电力站的三维信息以及实时纹理，并为以后的场区管理工作提供最全面最基础的信息支持。在点云的基础上实现变电站模型参数化和三维数据管理的研究。本项目是国内少有几个对变电站建立三维数字化信息系统，将数字化展示分析与变电站管理有机结合，能为变电站信息化建设、展示、管理、分析，应急响应等应用

5、提供基础服务的同时，研究变电站三维建模过程中存在的若干关键技术并给出相应的解决方案。本项目服务范围主要是山东地区，能提升山东电力集团公司的社会影响与宣传力度；能以信息化管理和决策的方式直接带来经济效益；能增加文化知名度和社会影响力，带来社会效益；研究了点云在三维变电站数字化过程中的若干关键技术，推动技术进步。本项目将来可以推广应用到国内变电站数字化进程，潜在效益巨大。2. 研究内容和预期效果2.1. 研究内容针对变电站的规模、分布、三维重建内容、设备现状等特点，本项目的研究内容包括以下几个方面：1. 研究与变电站设备业务ID对应的点云数据管理方法2. 研究点云关键数据的抽取和分类办法3. 研究

6、点云数据快速转化为参数化模型的方法4. 研究参数化模型与点云套合程度的计算指标5. 研究点云数据、参数化模型在非结构化平台的存储和调用方法2.2. 重点解决问题针对以上这些研究内容，拟重点解决的问题是：1. 有效的点云数据管理方法2. 有效的点云数据分割分类方法3. 点云数据的参数化建模方法2.3. 预期成果及提交形式1. 建立一套变电站点云数据分类管理、构造参数化模型、参数模型符合度评价的作业方法和工作机制2. 采集2个变电站的点云数据，构造参数化模型并与电网GIS平台设备业务ID对应，实现GIS平台二三维一体化；3. 申报1项发明专利、1项实用新型专利，发表2篇论文。3. 实施方案3.1.

7、 总体流程变电站数字化工作分为控制测量、三维激光扫描数据采集、纹理数据处理、三维平台搭建等步骤，总体流程如图 1所示。数据采集阶段场区坐标系建立控制点加密标靶放置激光扫描纹理拍摄点云数据配准点云坐标系转换点云数据处理建模纹理贴图后期成果展示数据处理阶段地形及局部场景数字化场区激光扫描精确扫描点云数据配准纹理贴图标靶放置标靶网构建点云数据处理重点设备器件数字化数据采集阶段数据处理阶段模型生成图 1总体流程图Ø 采集变电站三维几何基础资料数据激光扫描系统获取密集的场区点云可精确记录场区现状的几何形态与空间结构，作为场区数字化的基础性工作，是非常有价值的底层资料，可作为场区数字化的重要数据

8、长期存档。Ø 重建变电站的精细三维外观利用不同尺度和精度的激光扫描数据构建场区部分器件外观与其周围环境的三维几何模型，并赋予准确的空间位置信息。对于场区的精确的三维几何建模和空间定位，给场区数字化工作提供了最全面的基础“框架”，各单体和部分精细局部地形等数字化工作成果可直接对接到场区总体三维几何数据中，从而快速将其数字化成果定位到绝对的空间位置中。Ø 搭建变电站三维数字化管理系统平台完成场区的雕塑、地形等三位重建后，搭建三维场区管理平台，将构建的模型、搜集的各种历史文化资料等信息导入该平台，方便场区工作人员查阅、整理、观看场区的各种实景以及资料。为场区管理单位提供更准确详细

9、的场区管理支撑平台。3.2. 三维激光数据采集方案3.2.1. 总体控制数据采集示意如下图所示，大体上可分为激光扫描和控制测量两个步骤。附合导线支导线激光扫描测站激光扫描标靶支导线图 2 激光扫描数据采集方案示意图（1）激光扫描在变电站内布设若干激光扫描标靶，作为多站激光扫描多站连接的公共点，也作为单独洞窟扫描与整体控制测量连接的控制点。激光扫描利用笔记本电脑运行Leica Cyclone软件对激光扫描仪的扫描进行控制。首先对洞窟进行合适分辨率的扫描，然后对激光扫描标靶进行精确扫描。（2）控制测量利用山东省测绘局在场区内测量的已知点作为场区坐标系的控制点，加密测量出一条控制导线，控制导线要求每

10、个扫描站都能与导线的至少一个节点通视，以便为每个扫描站测量场区内激光扫描控制点的坐标建立支导线。支导线最多只能有两个节点，第一个节点在对象入口，能与附合导线的节点通视；第二个节点延伸至对象内部，与入口的节点通视，同时要求能观测到对象内部3个以上的激光扫描标靶。3.2.2. 激光扫描仪器设备由于变电站特殊的环境，激光扫描将采用短距离地面激光扫描仪与长距离地面激光扫描仪相结合的方式进行。部分结构复杂仪器采用短距激光扫描仪精扫描，建筑物、局部结构简单的对象采用短距离地面激光扫描仪，局部大地形采用长距离激光扫描仪。地面测量激光扫描仪：（1）50米测量距离，单点实际测距精度在3mm左右（注意：非仪器标称

11、精度）；（2）为了保证工作效率，仪器要达到每秒10万点的测量速度；（3）为了保证在洞窟中方便使用，仪器体积不可太大；（4）仪器要提供方便的控制软件，方便仪器使用和不同扫描站之间的配准。短距离地面激光扫描仪采用我实验室已经购置的Z+F Imager5006型三维激光扫描仪，仪器外形如图3所示，主要参数如所示。图 3 Z+F Imager5006型三维激光扫描仪表1 Z+F Imager5006型三维激光扫描仪测量性能参数最大测程: 79 m 最小测程: 0.4 m 测距分辨率: 0.1 mm 测量频率: 508 000 点/秒测距线性误差精度（50m） 1 mm 角度分辨率: 0.0018

12、76;角度精度: 0.007°rms由参数表1可知，Z+F Imager5006型三维激光扫描仪测距范围、分辨率、精度、扫描速度等各项指标均适合在场区内近距离对局部地形、地宫等对象进行扫描。在之前的敦煌莫高窟崖壁扫描中，利用该款激光扫描仪，得到了比较理想的效果。长距离地面激光扫描仪采用RIEGL VZ-1000三维地面激光扫描仪，仪器外形如图4所示，主要参数如所示。图 4 RIEGL VZ-1000型三维激光扫描仪表2 RIEGL VZ-1000型三维激光扫描仪测量性能参数最大测程: 1200 m 测距分辨率: 5 mm 测量频率: 300 000 点/秒测距线性误差精度（100m）

13、5mm 扫描视场范围: 100° x 360°（垂直x 水平）RIEGL VZ-1000型三维激光扫描仪属于长距离激光扫描仪，适合在高处对周围的局部地形进行远距离激光扫描。此仪器也可用LeicaScanStation2等脉冲式长距离激光扫描仪代替。针对数据的完整性与工作实施的可行性问题，必须根据不同的具体情况使用不同的激光扫描仪。如一般遮挡较少、对象不丰富区域，使用长距离产生的数据即可，重点展示区域，需要利用激光扫描仪数据构建精细的三维模型，需要短距离三维激光扫描仪，尽可能真实还原现状。3.2.3. 激光扫描仪参数设置在场区的扫描过程中，将采用2种激光扫描仪进行扫描。同时不

14、同的扫描仪将采用不同的设置参数以发挥其作用。（1）激光强度RIEGL VZ-1000型三维激光扫描仪没有激光强度的设置，而Z+F Imager5006型三维激光扫描仪的激光强度有高和低2个选项，高强度激光发射的激光功率大，稳定性好、测距精度高、数据噪音小，通常会选择这个选择。（2）点云分辨率RIEGL VZ-1000型三维激光扫描仪三维激光扫描仪可用的点云相关设置如表所示,一共有4个强度选项，根据场区的具体地形，在实际操作中应选用300kHz的激光强度，以达到更好的扫描效果。表3 RIEGL VZ-1000型三维激光扫描仪点云分辨率激光强度扫描线数/秒最大距离最小距离70kHz29000120

15、0m560m100kHz420001000m470m150kHz62000800m380m300kHz122000450m270mZ+F Imager5006型三维激光扫描仪可用的点云分辨率设置如表所示，一共有6个选择项，不同的分辨率设置改变的是扫描一周的扫描线数量，从而改变扫描的角分辨率。在实际操作中，对于崖壁扫描分辨率使用super high，对于标靶以及固定标志物针对性的对其使用ultra high，以提高后期配准工作的精度。表4 Z+F Imager5006型三维激光扫描仪点云分辨率点云分辨率扫描线数/360°扫描时间/360°角分辨率preview1 25025

16、sec0.288°middle 5 0001 min 40 sec0.072°high 10 0003 min 22 sec0.036°super high20 0006 min 44 sec0.018°ultra high40 00026 min 40 sec0.009°3.2.4. 激光数据采集方案流程（1）场区坐标系的建立在项目最初根据场区具体的地理环境进行场区坐标系的建立，选取坐标系原点以及各轴线的方向并进行标示。（2）控制点加密利用全站仪，对GPS控制点进行加密。所有加密出来的点都必须易于放置标靶。控制点加密的密度以后期每站激光扫描仪

17、扫描时能够通视的数量不少于5个为准，并且分布较为均匀，此外，每个GPS控制点分出去的支导线的长度不可大于1。（3）标靶的放置每次在进行激光扫描前，应进行标靶的放置。此项目中，标靶分为2类。一类为控制点标靶，用来将最后的点云数据转换到世界坐标系中去，扫描站点可覆盖的扫描范围内选择不少于5个的控制点来放置控制点标靶。另一类为普通标靶，不用要求放置在控制点上，主要用来站点与站点之间配准用。在放置时，应该保证此类标靶在需要配准的两站中公共个数不少于5个。另外，此两类标靶在数量上尽可能的大于其需要的个数，以防止人为或其他因素导致的标靶破坏。（4）扫描站点的架设根据先整体再局部的原则，以“先长距离后短距离

18、”的原则进行激光扫描工作。首先，分别在场区地形较高的地方进行RIEGL VZ-1000型三维激光扫描仪的架设工作，用来获取局部大场景的点云数据。此外，RIEGL VZ-1000型三维激光扫描仪自带NIKON D700或NIKON D300(s)高精度、低畸变的专业单反数码相机，可以同时获取现场的实时彩色影像，使后期数据更具真实感。然后，所有“长距离”的激光扫描工作完成后，应进行一次数据检查整理工作，来查看场区的哪些地方存在数据不完整的情况。若数据不完整的情况（不完全属于遮挡问题而是存在漏扫的情况），则应继续使用RIEGL VZ-1000型三维激光扫描仪进行补扫，直到所有“长距离”的激光扫描工作

19、全部完成。之后，根据整理后的“长距离”的激光扫描工作的结果，对数据不完整的地方用Z+F Imager5006型三维激光扫描仪进行补充扫描，以求数据的绝对完整性。另外对与各洞窟窟口等需要精扫的地方可以用Z+F Imager5006型三维激光扫描仪进行highest的精确扫描。（5）纹理照片拍摄RIEGL VZ-1000型三维激光扫描仪自带NIKON D700或NIKON D300(s)高精度、低畸变的专业单反数码相机，已经获取了大部分的地形纹理影像，对于没有获取到的纹理影像，需要利用其他单反数码相机进行纹理获取。纹理在获取时，应注意光线等因素的影像，以免为后期纹理拼接时匀光等过程带来不必要的困难

20、。3.3. 数据预处理方案3.3.1. 激光点云数据配准在完成激光数据采集后，将获得的各站点云数据导入到Leica Cyclone软件中进行各站点点云间的配准。配准的原则是，远距离站点先与近距离站点进行配准，先把所有RIEGL VZ-1000型三维激光扫描仪的点云数据进行配准，得到重点场区的一个整体模型。然后在将Z+F Imager5006型三维激光扫描仪的点云数据与这个整体模型进行配准。在具体的配准工作实施中，将利用各站点间公共的标靶点进行配准如图6，从而在本阶段可以精确的将不同站点的两块点云配准到一起，形成一个新点云。图 5 点云配准示意图通过控制点标靶，将上步配准得到的相对坐标系的点云转

21、移到变电站控制坐标系中。由于，此控制点标靶的个数前期是以每站不少于5个的指标进行的，此时可以利用这些数据检查前期的配准精度，同时进行配准平差工作，已达到更高精度。3.3.2. 大量高密度点云的数据管理方法目前，点云数据的组织与管理多采用文件形式的数据管理方案。然而，文件管理点云数据的方法尚存在许多不足之处，如：信息共享不便、安全级别较低、并发访问难等。Oracle Spatial作为领先的空间数据库管理平台，在管理空间数据方面有保证数据的完整性、可恢复性和安全性等基本特性。Oracle Spatial从11g开始推出了专门用于点云数据组织与管理的SDO_PC数据类型，针对点云数据的特点扩展了存

22、储对象创建、查询、可视化等多方面的功能。针对SDO_PC的存储模型和功能结构研究Oracle数据库的点云数据导入、创建存储对象和检索点云数据的操作。SDO_PC是Oracle数据库的一种对象关系数据模型，是存取管理点云数据信息的基础，提供了存取、索引、查询、分析点云数据的能力，同时提供了并发访问和安全控制等机制，并将相关函数集成在一起。在Oracle中使用SDO_PC类型表示点云的存储体系结构。基表具有数据类型为SDO_PC的列，这个列存储与点云相关的元数据。点云被分成多个子集，并存储为块表的多行。块表同时记录了分块的其他属性，如：分块的范围、分块中点的数目、分块点云的分辨率范围等。块表中的每

23、个分块都唯一关联到一个pc元数据对象上，同时每个pc对象记录了对应块表的属性信息，如：块表名称、块表的范围、分块的大小等。Oracle Spatial为实现快速、高效地存取、分析空间数据而将相关功能函数及其过程完全集成在数据库服务器内，并为数据库管理系统管理空间数据提供了完全开放的体系结构。用户通过SQL定义和操纵空间数据，可以访问对象关系数据模型的存取、检索、分析等功能。表5为集成在Oracle数据库内部的SDO_PC相关功能。表6. SDO_PC_PKG集成函数函数功能SDO_PC_PKG.CLIP_PC对点云数据的查询操作SDO_PC_PKG.CREATE_PC创建点云存储对象SDO_P

24、C_PKG.DROP_DEPENDENCIES删除块表和基表及其pc列之间的依赖关系SDO_PC_PKG.INIT初始化一个PC对象SDO_PC_PKG.TO_GEOMETRY转存为Geometry数据类型（1）点云数据的数据库导入LAS文件为存储点云数据的常用数据格式。目前有两种方法可以实现点云数据LAS文件的Oracle数据库导入，分别是libLAS和PDAL。仿照libLAS的las文件读取方式读取点云数据，使用OCCI接口将点云数据插入到Oracle数据库中，根据要存储的点云属性创建Inputtable来存储点云坐标和属性信息。（2）创建SDO_PC存储对象在Oracle数据库中，创建

25、SDO_PC存储对象的实质是基于点云数据构建R-tree索引。导入到输入表（InpTable）的点云数据最终按照R-tree索引的原理被分块存储到块表的多行。Oracle数据库的基于点云数据构建R-tree索引的程序被集成在Oracle数据库服务器的SDO_PC_PKG.INIT函数和SDO_PC_PKG.CREATE_PC函数中。（3）点云数据的检索Oracle数据库提供了两种检索点云数据的方法，窗口查询和基于分辨率的查询。两者相比而言，窗口查询的检索结果更加精准。主要针对窗口查询进行了实验。查询过程包括两个阶段：1）检索与所给窗口范围相交的候选分块；2）检索候选分块中与检索窗口范围相交的所

26、有点。该过程被集成在Oracle数据库服务器的SDO_PC_PKG.CLIP_PC函数中。3.3.3. 点云数据的抽取点云分类场景较为复杂，目标多样，如：对于变电站对象，不仅有变压器、管线，还有电力线各种支架等。这要求所定义的特征要更加的细致和准确，能有效区分每一种类别。特征值的计算通常需要连同三维邻域内的其他点一起统计和分析，因此，特征的定义需要考虑邻域的大小，同时还要考虑邻域的形状。（1）阶跃指数（）非地面点通常高于其周围地面点，且局部地形点高程变化较少，基于此，设计了阶跃指数特征。如果待分类点在各个方向上比周围的点高一定的阈值，此点是非地面点的概率较大。为了便于特征值计算，将待分类点云数

27、据划分为格网，统计待分类点在所有方向上同周围点的高差。实际计算过程中，可对八个方向进行了统计（如Error! Reference source not found.6所示），具体细节如下：图 6 阶跃指数特征计算示意图，图中格网灰度值代表格网最低高程值如Error! Reference source not found.所示，从待分类点所在的中心网格开始，依次比较每个方向上相邻网格的最低高程差，当前一个网格的最低高程值比后一个网格的最低高程值小于一定的阈值，且此方向的长度小于阈值，则认为该方向为阶跃方向。阶跃指数（）是所有八个方向中阶跃方向的数目。由于此特征计算需要考虑八个方向，在边缘格网处计

28、算不稳定；在地面大范围点云测量及工程应用中，数据获取一般有一定的冗余，可以弥补此缺陷。（2）高程相关的特征这一类特征包括多个内容，具体为：球状邻域和垂直柱体邻域内所有点的高程方差（,）、最大值最小值之差（,）；以及归一化的高程值（），即：待分类点与其2D格网中最低值的差值。（3）协方差矩阵相关特征计算球状邻域内点云三维坐标的协方差矩阵，此矩阵可以被视为表示球状邻域内点分布信息的三维结构张量。各向异性（），线性（），平面性（），球度性（）是协方差矩阵的数学特征，这些特征描述了点云局部空间分布特性。（4）回波相关特征点云一般记录有多次回波，不同的地物对应的回波次数有所差异，可以结合待分类点球状邻域

29、内不同回波点所占比例提取出：建筑物回波（），地面回波（），线回波（），植被回波（）等特征16。回波相关特征对区分不同类别的地物具有较重要的作用。（5）回波强度相关特征 不同材质的物体点云回波强度不同，因此，统计球状邻域内所有点的回波强度均值（）用于区分不同地物。（6）Hough变换特征（）Hough变换能提取出线状物体，分类场景中可以帮助区分电力线。将球状邻域内所有点投影到xy平面上，进行Hough变化后，探测出角度极值，结合其附近的值，计算球状邻域内通过该角度极值区域的点的比例，称为Hough变换特征。（7）密度相关特征点密度（）是球状邻域内单位体积内点的数量；不同类型的物体点密度不同，如：

30、地面和建筑物表面点密度最高，植被的点密度比电力线的密度高等。同时，定义密度比率（）为球状邻域内点的数目同柱状邻域内点的数目的一定比率。（8）面相关特征将球状邻域内所有点拟合成一个平面，计算邻域内所有点到此平面的距离的方差，此特征为平面指数（）。地面和建筑物顶面平面指数较小，而植被平面指数较大。由于屋顶类型不仅有平面屋顶，还有人字形屋顶等；在人字形屋脊上，平面指数可能失效。针对这一特点，引入了表面指数（）。表面指数是待分类点格网邻域内所有点的平面指数的平均值。（9）投影相关特征将球状邻域内所有点投影到一定的平面上，计算其投影面积：对投影平面进行一定大小的格网划分，当格网内有投影点时，此格网为非空

31、格网，投影面积为非空格网的数目。选取两种投影方式：xy平面和与xy平面垂直的平面。xy投影面积（）是以xy平面为投影平面计算得到的特征。地面及屋顶xy投影面积较大，而电力线xy投影面积较小。由于与xy垂直的平面有无穷多个，按照一定的角度间隔遍历一定数量的平面，取具有最小投影面积的平面；此平面的投影面积为z方向的最小投影面积（）。使用z方向的最小投影面积（），植被有较大值，地面及屋顶投影面积次之，而电力线投影面积最小。（10）垂直剖面相关特征对垂直柱体邻域在Z方向上划分为等距离分段（如Error! Reference source not found.7所示），可以提取出垂直剖面的特征；一般植被

32、、电力塔在垂直剖面上的占有多个分割，且分割具有连续性，而电力线等在垂直剖面上只有少量的非空分割。当垂直剖面某一分割内有点时，称此分割非空。非空分割数目（）是待分类点所在垂直柱体邻域上所有非空分割的数目。同时，计算最大连续非空分割数目（）和最大连续空分割数目（）；这些特征对于区分电力塔、电力线有一定的意义。图 7 垂直剖面分割示意图3.3.4. 点云数据分类JointBoost分类器是一类增强快速学习算法规则，是传统Boost分类规则的多类别扩展，使用特征方式简单，可以通过对弱分类器的增减实现对特征的不同使用。通过改变JointBoost分类器的判别方式，由原始的全部类别一起判断的规则转变为按照

33、待分类点云可能类别的概率大小逐步判别，降低分类过程中所使用的特征数量，提高了分类速度。JointBoost分类器是一种增强的多类别分类算法，它具有很多有吸引力的性质，如：自动特征选择、适合处理多类别分类中的大量的特征输入。JointBoost在设计上考虑了多类物体的特征共享，这种机制能极大的降低特征维数和提高分类精度。JointBoost分类器的输入是待分类对象的特征向量, 输出是对待分类对象每一个可能类别（是待分类对象所有可能类别的集合）的概率值函数：分类器由个弱分类器组成：当时，即把特征向量代表的待分类物体分为类。每一个弱分类器依据特征向量的第f维分量值对可能的类别进行评分，具体见下式：弱

34、分类器在训练阶段依据损失函数最小化的原则对参数（包括，）进行选择及计算。（1）特征排序本文已分析了基于空间相关性提取，可以对待分类点属于不同类别的概率进行预测当要判定待分类对象的类别是否为类时，需要对此类相关的特征进行重要性排序。对分类器训练完成后，依据每个弱分类器对应的类别集合，可以从所有训练得到的弱分类器集合中确定类相关的弱分类器子集合。对特定类别相关的每一维向量，计算涉及到的弱分类器最小值的和：式中，代表与特征以及类别相关的所有弱分类器子集合；，定义见公式 。由于在强分类器判决中，与类别和特征相关的弱分类器子集合计算的值不可能小于此最小值，因此可以用此值对类别相关的特征进行排序，在分类过

35、程优先采用数值较大的特征。采用此排序方式，可能采用较少的特征满足类别的判断条件，提前终止类别判断。（2）判决结构序列化对待分类对象的可能类别概率进行计算及对特定类别的特征进行排序后，使用下述序列化的判决结构，对原始的判决方式进行改进。在判断待分类对象是否属于某一固定类别时，首先，对未涉及到该类别的弱分类器的值进行相加，判决过程中此部分数值不会改变；然后，依次使用排序好的特征对强分类器进行更新和类别判断。具体算法如图 8所示。1) 基于空间相关性提取对待分类点类别概率进行计算，排序后的可能类别依次为，设置所有类别的判据为0：，。2) 依次取第类别，a) 选取和类别无关的弱分类器，设置b) 依据特

36、征排序准则，对类别相关的维特征进行排序，获得排序后的特征序列c) 依次取排序后的第m维特征，i) 选择和类别以及特征相关的弱分类器集合ii) 对强分类器的数值进行更新 iii) 选取所有和类别相关，且未使用的特征弱分类器集合如果 设置待判定点的类别为 ，并且停止2)迭代。图 8 序列化JointBoost分类判决过程图序列化判断过程中，判断待分类对象类别是否为某一类时，将所有弱分类分成三部分：第一部分为和类别无关的弱分类器组合，统计值；第二部分为类别相关，已使用特征的弱分类组合，按照原始相关的弱分类计算相应的值；第三部分为类别相关，未使用特征的弱分类组合，计算弱分类器中，的最小值。当时，依据公

37、式可以判断，即可将待分类对象判定为类。由于考虑了地物目标之间的空间相关性并从训练样本中预先提取地物的空间关联关系，此方法能对待分类对象类别进行有效预测。所以，在优化的判决结构中，不需要提取所有类别相关的特征，可以达到特征降维从而减少特征计算时间的目的。3.4. 点云数据快速参数化方案电力器件重建的意义：（1）能获取电力器件的位置及参数，对电力器件的作用力分析以及电力线路的安全进行模拟分析；（2）建立信息化系统，对于电力器件的保护有意义；在城市规划及项目施工设计阶段，就可以对施工方案进行有针对性的规划，用于避免破坏电力器件；（3）当电力器件因为某种原因损坏后（工程施工、自然灾害等），可以依据存档

38、的模型对其进行修复。3.4.1. 电力器件参数化建模针对常见的电力环境（220KV-500KV）中常见的电力器件模型进行重建。此类电力器件是当前中国较常用的，在国民经济建设中起了较大的作用。由于在实际的电力器件建模过程中，需要对提取的电力器件的模型进行参数化定义，如下：，为需要重建电力器件模型的区域。是中电力器件的数量。，为参数配置空间的元素，对应的是相关提取电力器件的参数配置；由区域中所有电力器件的类型和参数组成。，每一个电力器件模型由模型库中定义的类型和具体的一组参数组成。由于对电力器件模型重建为一个复杂的过程，我们在文中设计了贝叶斯概率模型，用于测量电力器件模型和电力器件实测点的配合程度

39、。此概率模型同Gibbs能量模型的关系为： 为归一化参数。可以被表示为先验概率和似然性的能量模型： 因此非归一化的概率函数为： 电力器件模型重建为寻找最优化的参数的配置空间： 由于电力器件景中有多个对象，为了对电力场景中电力器件都有较好的重建效果，因此设计数据似然性的能量函数为参数配置空间中的每一个电力器件的能量的叠加： 上式中具体为单个电力器件模型与其对应数据的配合程度的测度。由于电力器件模型为复杂的多面体，其与数据的配合程度的能量函数，用以下的归化距离公式来表示： 在公式中定义为两部分: 为电力塔实测点到模型的归化距离（图中红色箭头所示），其距离最小化可以使测量点与模型很好的贴合；为模型关

40、键点（模型组成面的角点以及其中心点）到实测点的Hausdoff距离，描述电力器件实测点到模型的平均距离能反映实测点和模型的套合程度；同时加入Hausdoff距离的原因为：由于电力器件结构复杂，当构建的模型有一定空置时，有可能所有实测点到模型的距离依然较近。在此种情况下，构建的模型是失败的。如果没有引入Hausdoff距离，得不到惩罚，这样的模型也是有缺陷的。为第个电力器件所有测量点集合到模型的归化距离。为了避免不同的数据密度对此项计算值造成影响，我们计算了距离的平均值；由于平均距离对异常点的探测不敏感，我们需要在计算平均距离的基础上中加入最大距离： 式中，为测量点的数目。为点到模型的最近的归化

41、距离。由于在模型重建过程中，模型应该包含所有的实测点，因此本文对建模过程中，模型内部点和外部点的距离采用不同的公式进行计算，对位于模型外部的点进行惩罚。（1）如果点在模型内： （2）如果点在模型外： 式中，为点到模型的最近的马氏距离，为的最大值。和分别为内部及外部距离的归化参数，用于将马氏距离归化到一定的范围。在文中，我们设置， 。经过公式和公式的归化，模型内部点到模型的归化距离的取值范围为；同时模型外部点到模型的归化距离的取值范围为。为模型关键点到实测点的归化的Hausdoff距离： 式中和的含义同上式一样。3.4.2. MCMC优化优化的实质是求解吉布斯自由能变模型的全局最小能量（最大后验

42、概率），以便实现点云数据与模型的最佳匹配，从而对电力器件得到重建。由于电力器件模型由不同数量的参数进行定义，对电力器件的类别和参数进行选择的优化模型是一个高维、可变空间的非凸优化模型。此类问题求解较复杂，不能采用直接解法进行求解。本文采用蒙特卡洛-马尔卡夫链（MCMC）框架、利用采样的方法对最优模型进行迭代求解。MCMC方法具有诸多优点，很多研究已经证明了其在处理多参数建模问题时的实用性。Dicket al利用MCMC方法从地面图像中对建筑物模型进行了建立；参数化模型集合包含有门、窗户、柱子、基础等。Ripperda基于可逆跳变的蒙特卡洛-马尔卡夫链（RJMCMC）提出了一种语法驱动的建筑物外

43、立面提取方法。MCMC方法在优化过程中需要同模拟退火算法进行结合，使优化过程收敛。该方法能获得近似全局最优值，获得较好的重建效果。下面对MCMC算法和模拟退火算法进行说明。RJMCMC算法是一种特殊的Metropolis-Hastings算法(Hastings 1970)，主要用于不同维度之间的可逆跳转。因此此方法适合本文的优化过程。RJMCMC方法对离散的马尔科夫链在配置空间内进行了仿真；此马尔科夫链最终能收敛到一个不变的测度（本文中利用后验概率）。马尔科夫链设计的依据为可遍历性（ergodic）；可使处于不同初始配置空间的马尔科夫链能最终迭代至目标测度。每一个抽样迭代过程包含两个步骤：第一步为对现状态空间进行扰动获得一个新的状态空间；第二步为确定扰动是否被接受为新的状态空间，如果未被接受，继续保持原来的状态空间。设为定义在内的目标测度，在这里定义为后验概率；为定义的转移核，在（节Error! Reference source not found.）中进行了详细定义。因此转换的接受率为： 因此 的接受概率为RJMCMC的抽样法则为：1. 首先依据概率选择转移核，2. 抽样出配置参数依据选择的核函数：，3. 计算相关的Green比率，以及接受概率，4. 依据概率，接受转换，否则拒绝转换。公式中为从模型跳变到模型的概率。模拟退火用于保证MCMC收敛于近似全局最优解（