本发明涉及电力线巡检领域，具体涉及一种电力线提取方法、系统及终端。
背景技术：
电力工业在国民经济基础工业中有着举足轻重的作用，随着国民经济的高速发展，输电线路规模日益庞大，电网结构日益复杂，对电力线实时周期性巡检以监控电网安全提出了新的挑战。严重依赖人工劳动力，效率低下，巡检周期长，巡检数据准确率不高等种种不足制约着传统电力线巡检方法，不能满足电力工业现代化发展需要。机载激光扫描技术的发展弥补了传统电力线巡检方法的缺点，通过机载激光雷达可以快速准确地获取电力线走廊地形地物的高精度、高密度点云数据，具有成本低、自动化程度高、精度好和效率高等优势，因此近年来无人机电力线巡检得到了广泛应用，为输电线路防灾减灾和安全隐患分析等工作提供准确可靠的参考和依据。
如何准确快速基于激光点云提取电力线点云，如何精确拟合完成电力线的三维重建是电力线巡检的重要研究内容之一，也是电网安全检查的基础，有着重要的研究意义。
现有电力线点云提取的方法主要有两种，一是根据电力线与周围地物存在一定高差的特点，通过高程阈值分割算法对地物点进行整体过滤，但受到地形起伏程度以及电力线走廊走向的限制，不适用地形起伏变化较大的区间，也使得仅沿x轴分割导致电力线走廊走向倾向于y轴时空间网格分割不合理；二是利用不规则三角网加密算法首先过滤地面点，之后采用基于角度的滤波方法提取电力线点，但该算法在长距离电力线走廊点云数据处理时计算量较大且参数阈值设置复杂，效率低。
因此，现有技术有待于改进和发展。
技术实现要素：
基于此，有必要针对上述现有技术未充分考虑地形起伏程度以及电力线走廊走向导致提取准确性低以及计算量大、参数阈值设置复杂导致效率低的技术问题，提供一种电力线提取方法、系统及终端，旨在根据地形起伏程度缩放电力线走廊空间分割网格，通过点云密度区间和高程阈值区间对各点云分割区进行滤波处理，同时基于点云倾斜角度过滤剩余非电力线点，基于高斯分布模型滤除噪声点，使电力线点云提取不受走廊地形，走向，点云密度等因素的限制，提高提取准确度和效率，方便用户。
为了达到上述目的，本发明采取了以下技术方案：
一种电力线提取方法，所述电力线提取方法包括以下步骤：
将电力线激光点云进行分割，以得到若干点云分割区；
基于各点云分割区对应的点云密度、各点对应的高程以及预设的点云密度区间，筛选出视为电力线点对应的第一电力线点云；
针对所述第一电力线点云中每个点，基于该点到预设半径阈值内所有临近点的倾斜角度的平均值，筛选出视为电力线点的第二电力线点云；
针对所述第二电力线点云中每个点，基于该点到预设k个临近点的距离的平均值，筛选出视为电力线点的目标点云；其中，k为正整数；
将所有的目标点云三维重构成若干电力线。
所述的电力线提取方法，其中，还包括：针对所述第一电力线点云中每个点，基于该点到预设半径阈值内所有临近点的倾斜角度的最大值，筛选出第二电力线点云。
所述的电力线提取方法，其中，所述电力线激光点云包括点集以及点集内各点对应的坐标信息，所述点集包括地面点、植被点、电塔点、噪声点以及电力线点。
所述的电力线提取方法，其中，所述将电力线激光点云进行分割，以得到若干点云分割区具体包括：
将所述电力线激光点云进行x轴方向等距分割，得到所述电力线激光点云对应的第一三维空间网格；
将各第一三维空间网格进行y轴方向等距分割，得到所述电力线激光点云对应的第二三维空间网格；
将各第二三维空间网络以xy平面投影，得到各第二三维空间网络对应的平面面积；
根据地形起伏程度对各平面面积一定比例缩放，得到所述电力线激光点云对应的若干点云分割区。
所述的电力线提取方法，其中，所述基于各点云分割区对应的点云密度、各点对应的高程以及预设的点云密度区间，筛选出视为电力线点对应的第一电力线点云具体包括：
计算各点云分割区对应的点云密度；
获取预设的点云密度区间；
当存在点云分割区对应的点云密度小于所述点云密度区间的最小值时，则该点云分割区内所有点视为电力线点；
当存在点云分割区对应的点云密度大于所述点云密度区间的最大值时，计算该点云分割区对应的第一高程阈值区间，并筛选出该点云分割区内该点的高程不属于所述第一高程阈值区间的点，并将该点视为电力线点；
当存在点云分割区对应的点云密度属于所述点云密度区间时，计算该点云分割区对应的第二高程阈值区间，并筛选出该点云分割区内该点的高程不属于所述第二高程阈值区间的点，并将该点视为电力线点；
将所有被视为电力线点的点作为第一电力线点云。
所述的电力线提取方法，其中，所述针对所述第一电力线点云中每个点，基于该点到预设半径阈值内所有临近点的倾斜角度的平均值，筛选出视为电力线点的第二电力线点云具体包括：
获取所述第一电力线点云中每个点的坐标信息；
通过kdtree算法以每个点作为搜索点，获取该搜索点到预设半径阈值内所有临近点的坐标信息；
根据该搜索点的坐标信息以及所有临近点的坐标信息，计算该搜索点到所有临近点的倾斜角度的平均值；
获取预设的倾斜角度阈值；
将该搜索点到所有临近点的倾斜角度的平均值与所述倾斜角度阈值进行大小比较；
若该搜索点到所有临近点的倾斜角度的平均值小于所述倾斜角度阈值，则该搜索点视为电力线点；
将所有视为电力线点的搜索点作为第二电力线点云。
所述的电力线提取方法，其中，所述针对所述第一电力线点云中每个点，基于该点到预设半径阈值内所有临近点的倾斜角度的最大值，筛选出第二电力线点云具体包括：
获取所述第一电力线点云中每个点的坐标信息；
通过kdtree算法以每个点作为搜索点，获取该搜索点到预设半径阈值内所有临近点的坐标信息；
根据该搜索点的坐标信息以及所有临近点的坐标信息，计算该搜索点到所有临近点的倾斜角度中最大值；
获取预设的倾斜角度阈值；
将该搜索点到所有临近点的倾斜角度中最大值与所述倾斜角度阈值进行大小比较；
若该搜索点到所有临近点的倾斜角度中最大值小于所述倾斜角度阈值，则该搜索点视为电力线点；
将所有视为电力线点的搜索点作为第二电力线点云。
所述的电力线提取方法，其中，所述针对所述第二电力线点云中每个点，基于该点到预设k个临近点的距离的平均值，筛选出视为电力线点的目标点云具体包括：
获取所述第二电力线点云中每个点的坐标信息；
通过kdtree算法以每个点作为搜索点，获取该搜索点到预设k个临近点的坐标信息；
根据该搜索点的坐标信息以及所有临近点的坐标信息，计算该搜索点到所有临近点的距离以及所有距离的平均值；
若各点搜索结果计算的距离的平均值呈高斯分布，则获取该高斯分布对应的标准差区间范围；
判断该搜索点到所有临近点的距离的平均值是否处于所述标准差区间范围；
若该搜索点到所有临近点的距离的平均值处于所述标准差区间范围，则该搜索点视为电力线点；
将所有视为电力线点的搜索点作为目标点云。
本发明还提供一种电力线提取系统，包括处理器以及与所述处理器连接的存储器，所述存储器存储有电力线提取程序，所述处理器执行时用于实现上述所述的电力线提取方法中的步骤。
本发明还提供一种终端，其包括处理器以及与所述处理器连接的存储器，所述存储器存储有电力线提取程序，所述处理器执行时用于实现上述所述的电力线提取方法中的步骤。
本发明的有益效果在于：
相较于现有技术，本发明公开了一种电力线提取方法、系统及终端，该方法包括将电力线激光点云进行分割，以得到若干点云分割区；基于各点云分割区对应的点云密度，根据预设的点云密度区间和高程阈值，，筛选出视为电力线点对应的第一电力线点云；针对所述第一电力线点云中每个点，基于该点到预设半径阈值内所有临近点的倾斜角度的平均值，筛选出视为电力线点的第二电力线点云；针对所述第二电力线点云中每个点，基于该点到预设k个临近点的距离的平均值，筛选出视为电力线点的目标点云；其中，k为正整数；将所有的目标点云三维重构成若干电力线。
本发明其旨在根据地形起伏程度缩放电力线走廊空间分割网格，通过点云密度区间和高程阈值区间对各点云分割区进行滤波处理，同时基于点云倾斜角度过滤剩余非电力线点，基于高斯分布模型滤除噪声点，使电力线点云提取不受走廊地形，走向，点云密度等因素的限制，提高提取效率和准确度，方便用户。
附图说明
图1为本发明提供的一种电力线提取方法的流程图。
图2为本发明所述电力线提取方法中步骤s10流程图。
图3为本发明所述电力线提取方法中步骤s20流程图。
图4为本发明所述电力线提取方法中步骤s30流程图。
图5为本发明所述电力线提取方法中步骤s40流程图。
图6为本发明提供的电力线提取系统的功能原理框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，图1是本发明提供的一种电力线提取方法的流程图，应该说明的是，本发明实施方式的电力线提取方法并不限于图1所示的流程图中的步骤及顺序，根据不同的需求，流程图中的步骤可以增加、移除或者改变顺序。
如图1所示，本发明提供的电力线提取方法包括以下步骤：
s10、将电力线激光点云进行分割，以得到若干点云分割区。
在本发明实施例中，通过激光探测及测距技术即lidar(lightdetectionandranging)技术采集电力线走廊地形地物的电力线激光点云，也称电力线走廊lidar点云，所述电力线激光点云包括点集以及点集内各点对应的坐标信息，所述点集包括地面点、植被点、电塔点、噪声点以及电力线点。各点的坐标信息即为该点对应的三维坐标信息(x,y,z)，其中z视为该点的高程值，该高程值可视为电力线激光点云到大地水准面的距离。需要说明的是，各点的三维坐标为矢量信息，具有方向性。
即如图2所示，所述将电力线激光点云进行分割，以得到若干点云分割区具体包括：
s11，将所述电力线点云进行x轴方向等距分割，得到所述电力线点云对应的第一三维空间网格；
s12，将各第一三维空间网格进行y轴方向等距分割，得到所述电力线点云对应的第二三维空间网格；
s13，将各第二三维空间网络以xy平面投影，得到各第二三维空间网络对应的平面面积；
s14，根据地形起伏程度对各平面面积一定比例缩放，得到所述电力线激光点云对应的若干点云分割区。
在实际运用中，预先构建顾及地形起伏变化和点云密度的高程滤波模型。该高程滤波模型不同于现有技术，充分考虑了地形起伏变化，电力线走向以及点云密度带来的影响。然后将所述电力线激光点云形成空间网格，经过x轴和y轴方向的空间分割后，得到地形起伏不同的多个第二三维空间网格，然后对属于地形起伏大的若干第二三维空间网格水平投影对应的平面面积缩小，如x轴和y轴方向均缩小几米，对属于地形起伏小的若干第二三维空间网格水平投影对应的平面面积放大，如x轴和y轴方向均放大几米。
当然，同属于同一地形的，可缩放相同的比例。如同属于地形平坦如平原的分割区使用相同比例放大。
这样，空间网格平面面积大小根据高程滤波模型选择尽可能大的平面面积，从而提高运行效率。
s20，基于各点云分割区对应的点云密度，根据预设的点云密度区间和高程阈值，筛选出视为电力线点对应的第一电力线点云。
即基于步骤s10后，对分割后的若干点云分割区进行初次筛选，即主要通过各点云分割区点云坐标z值分布进行滤波，剔除坐标z值不在高程阈值区间内的点，即滤波过程中尽可能过滤掉大量的非电力线点，如地面点和植被点。
如图3所示，所述基于各点云分割区对应的点云密度，根据预设的点云密度区间和高程阈值，筛选出视为电力线点对应的第一电力线点云具体包括：
s21，计算各点云分割区对应的点云密度；
s22，获取预设的点云密度区间；
s23，当存在点云分割区对应的点云密度小于所述点云密度区间的最小值时，则该点云分割区内所有点视为电力线点；
s24，当存在点云分割区对应的点云密度大于所述点云密度区间的最大值时，计算该点云分割区对应的第一高程阈值区间，并筛选出该点云分割区内该点的高程不属于所述第一高程阈值区间的点，并将该点视为电力线点；
s25，当存在点云分割区对应的点云密度属于所述点云密度区间时，计算该点云分割区对应的第二高程阈值区间，并筛选出该点云分割区内该点的高程不属于所述第二高程阈值区间的点，并将该点视为电力线点；
s26，将所有被视为电力线点的点作为第一电力线点云。
在本发明实施例中，计算电力线点云平均点云密度d，该电力线点云平均点云密度d是通过电力线走廊整体点云总数量除以电力线走廊总面积计算得到，即表示点云投影到xy平面后每平方米平均多少个点。然后设置点云密度区间，该点云密度区间指的是所述电力线点云平均点云密度d的预设倍数对应区间，该预设倍数可设置为0.05至0.06倍，其预设倍数的设置并非限制性的。优选地，所述点云密度区间设置为(0.05d，0.5d)。
具体实施时，分割后的各点云分割区在所述高程滤波模型进行初次筛选，计算各分割区内的点云密度d。
遍历各点云分割区，当存在点云分割区对应的点云密度小于点云密度区间的最小值，即d＜0.05*d时，该d对应的点云分割区内的所有点均视为电力线点。
当存在点云分割区对应的点云密度大于点云密度区间的最大值，即d＞0.5*d时，通过高程滤波模型计算该点云分割区对应的第一高程阈值区间(zmin，zmean)，其中，zmin表示该点云密度d对应的点云分割区内所有点对应的高程最小值，zmean表示该点云密度d对应的点云分割区内所有点对应的高程平均值。然后对该点云分割区内每个点进行筛选，筛选出该点的高程不属于所述第一高程阈值区间的点，并将该点视为电力线点。即过滤掉该点云分割区内高程属于所述第一高程阈值区间的点
其中，统计点云分割区每个点的高程zi(i＝1,2,...,n)，该点云分割区所有点的高程平均值计算公式为：
当存在点云分割区对应的点云密度属于所述点云密度区间，即0.05*d≤d≤0.5*d时，通过高程滤波模型计算该点云分割区对应的第二高程阈值区间(zmin，zmin 3)。然后对该点云分割区内每个点进行筛选，筛选出该点的高程不属于所述第二高程阈值区间的点，并将该点视为电力线点。即过滤掉该点云分割区内高程属于所述第二高程阈值区间的点。
最后将所有视为电力线点的点作为第一电力线点云。
需要说明的是，当执行高程阈值区间滤波所用于作筛选标准对应的高程阈值随筛选后的点云分割区内的点云密度变化而调整。
这样，通过步骤s10和s20的高程滤波，顾及电力线走廊地形起伏变化和点云密度影响下的电力线走廊点云高程滤波，剔除地面点和大部分植被点、电塔点，充分考虑了电力线走廊点云在空间上的走向，不仅可以不受地形限制，无论电力线走廊位于山地丘陵，还是平原，而且受点云采集密度影响较小，为后续进一步筛选提供更精准数据，提高筛选效率和提取准确度，适用于处理大规模的电力线点云数据。
s30、针对所述第一电力线点云中每个点，基于该点到预设半径阈值内所有临近点的倾斜角度的平均值，筛选出视为电力线点的第二电力线点云。
在经过步骤s20的初次电力线点筛查后，再次通过两种方式对步骤s20得到的第一电力线点云区内的所有点二次筛查。即由于小范围内电力线点的坐标z值变化极小，植被点和电塔点的坐标z值变化明显，因此电力线点的倾斜角度明显小于其他点的倾斜角度。基于此特性，通过基于点云倾斜角度的滤波模型，用于完成过滤剩余植被点和电塔点。
在本发明实施例中，该两种方式中一是通过该搜索点到预设半径阈值内所有临近点的倾斜角度对应的平均值进行筛选，二是通过该搜索点到预设半径阈值内所有临近点的倾斜角度中最大值进行筛选。这样，筛选方式多样，更利于推广，适用于不同场景。
针对通过该搜索点到预设半径阈值内所有临近点的倾斜角度对应的平均值进行筛选的方式，如图4所示，所述针对所述第一电力线点云中每个点，基于该点到预设半径阈值内所有临近点的倾斜角度的平均值，筛选出视为电力线点的第二电力线点云具体包括：
s31，获取所述第一电力线点云中每个点的坐标信息；
s32，通过kdtree算法以每个点作为搜索点，获取该搜索点到预设半径阈值内所有临近点的坐标信息；
s33，根据该搜索点的坐标信息以及所有临近点的坐标信息，计算该搜索点到所有临近点的倾斜角度的平均值；
s34，获取预设的倾斜角度阈值；
s35，将该搜索点到所有临近点的倾斜角度的平均值与所述倾斜角度阈值进行大小比较；
s36，若该搜索点到所有临近点的倾斜角度的平均值小于所述倾斜角度阈值，则该搜索点视为电力线点；
s37，将所有视为电力线点的搜索点作为第二电力线点云。
其中，kdtree简称k-d树，其以每个节点存储一个二维的坐标点，并将平面空间以该点所在的横线/竖线递归地分割成两个子空间。也就是，通过kdtree算法以第一电力线点云中每个点建立半径搜索，将每个点作为搜索点，搜索预设半径阈值内所有点，在预设半径阈值内的区域称为领域。
然后计算搜索点到领域内所有点的倾斜角度以及所有倾斜角度对应的平均值。
其中，点i(xi,yi,zi)与点j(xj,yj,zj)的倾斜角度θ计算公式如下：
在具体实施中，预先构建基于点云倾斜角度的角度滤波模型，并预先设置好半径阈值以及倾斜角度阈值；然后将第一电力线点云中每个点使用kdtree建立半径搜索，将各点输入至所述角度滤波模型，研究领域内所有点到搜索点的倾斜角度分布情况进行筛选。
当存在某搜索点到领域内所有点的倾斜角度对应的平均值小于所述倾斜角度阈值，则该搜索点视为电力线点，否则视为非电力线点。
然后根据角度滤波模型中的滤波结果，不断调整预设半径阈值和倾斜角度阈值，对视为非电力线点的搜索点再次进行步骤30的筛选，直至滤波结果最优，筛选出均视为电力线点的搜索点。这样，使得电塔点和植被点最大程度被过滤，保证电力线点尽可能不受损失，从而实现完成电力线点云的提取。
例如：半径3m倾斜角度平均值为9度的过滤结果和半径1.5m倾斜角度平均值为9度的过滤结果不一样，具体参数根据实际数据进行调节。
同理，针对通过该搜索点到预设半径阈值内所有临近点的倾斜角度对应的最大值进行筛选的方式，采用上述相同的原理计算和筛选，如上述所述，故不在此赘述。
最后，将视为电力线点的所有搜索点作为第二电力线点云。
s40、针对所述第二电力线点云中每个点，基于该点到预设k个临近点的距离的平均值，筛选出视为电力线点的目标点云。
在本发明实施例中，基于步骤s30后，对第二电力线点云再次进一步进行筛选，由于噪声点的距离大于3倍标准区间，基于此特性，通过某个点的平均距离超出三倍的标准差区间的点则视为噪声点，进而剔除，从而更进一步提高电力线点云提取精度。
即如图5所示，所述针对所述第二电力线点云中每个点，基于该点到预设第二半径内所有临近点的距离的平均值，根据高斯分布筛选出视为电力线点的若干目标点云具体包括：
s41，获取所述第二电力线点云中每个点的坐标信息；
s42，通过kdtree算法以每个点作为搜索点，获取该搜索点到预设k个临近点的坐标信息；k为正整数；
s43，根据该搜索点的坐标信息以及所有临近点的坐标信息，计算该搜索点到所有临近点的距离以及所有距离的平均值；
s44，若各点搜索结果计算的距离的平均值呈高斯分布，则获取该高斯分布对应的标准差区间范围；
s45，判断该搜索点到所有临近点的距离的平均值是否处于所述标准差区间范围；
s46，若该搜索点到所有临近点的距离的平均值处于所述标准差区间范围，则该搜索点视为电力线点；
s47，将所有视为电力线点的搜索点作为目标点云。
也就是说，预先构建过滤噪声点的高斯滤波模型，通过高斯滤波模型筛除掉噪声点。将步骤s30得到的第二电力线点云中所有点输入至高斯滤波模型，过滤掉平均距离在高斯分布标准差区间范围外的点。该标准差区域范围包括高斯分布中全局平均距离的1倍、2倍或者3倍对应的标准差区间。换句话说，只要该搜索点到预设k个临近点的距离对应的平均值属于全局平均距离的1倍、2倍或者3倍对应的标准差区间，即该搜索点可视为电力线点。
其中，计算全局平均距离的公式如下：
其中，r是全局平均距离，xi是每个点邻域的平均距离。
同样地，遍历倾斜角度滤波得到的点云，基于高斯滤波模型的滤波结果调整临近点搜索个数，使得尽可能过滤噪声点，直至最后留下均视为电力线点的搜索点。这样，从精度以及准确度上更进一步提高电力线点云提取。
经过步骤40的筛选留下的搜索点作为最终目标点云即目标电力线点。
s50、将所有的目标点云三维重构成若干电力线。
在本发明实施例中，基于步骤s40，将所有的目标点云通过最小二乘算法重构成若干电力线。
这样，基于步骤s10-s50，本发明所提供的一种电力线提取方法，旨在根据地形起伏程度缩放电力线走廊空间分割网格，通过点云密度区间和高程阈值区间对各点云分割区进行滤波处理，同时基于点云倾斜角度过滤剩余非电力线点，基于高斯分布模型滤除噪声点，使电力线点云提取不受走廊地形，走向，点云密度等因素的限制，提高提取效率和准确度，方便用户。
实施例二
基于上述电力线提取方法，本发明还相应提供了一种电力线提取系统，可应用于终端，如图6所示，所述电力线提取系统100包括处理器11以及与所述处理器11连接的存储器22，图6仅示出了电力线提取系统100的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器22在一些实施例中可以是所述电力线提取系统100的内部存储单元，例如电力线提取系统100的内存。所述存储器22在另一些实施例中也可以是所述电力线提取系统100的外部存储设备，例如所述电力线提取系统100上配备的插接式u盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器22还可以既包括所述电力线提取系统100的内部存储单元也包括外部存储设备。所述存储器22用于存储安装于所述电力线提取系统100的应用软件及各类数据，例如所述基于电力线提取程序代码等。所述存储器22还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器22上存储有基于电力线提取程序，该基于电力线提取程序可被处理器11所执行，从而实现本申请中电力线提取方法，具体如上述方法所述。
所述处理器11在一些实施例中可以是一中央处理器(centralprocessingunit,cpu)，微处理器，手机基带处理器或其他数据处理芯片，用于运行所述存储器22中存储的程序代码或处理数据，例如执行所述电力线提取方法等，具体如上述方法所述。
本发明还提供一种终端，所述终端包括处理器以及与所述处理器连接的存储器，所述存储器存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器(本实施例为所述处理器11)执行，以实现本发明电力线提取方法中的步骤，具体如上述方法所述。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
1.一种电力线提取方法，其特征在于，所述电力线提取方法包括以下步骤：
将电力线激光点云进行分割，以得到若干点云分割区；
基于各点云分割区对应的点云密度，根据预设的点云密度区间和高程阈值，筛选出视为电力线点对应的第一电力线点云；
针对所述第一电力线点云中每个点，基于该点到预设半径阈值内所有临近点的倾斜角度的平均值，筛选出视为电力线点的第二电力线点云；
针对所述第二电力线点云中每个点，基于该点到预设k个临近点的距离的平均值，筛选出视为电力线点的目标点云；其中，k为正整数；
将所有的目标点云三维重构成若干电力线。
2.根据权利要求1所述的电力线提取方法，其特征在于，还包括：针对所述第一电力线点云中每个点，基于该点到预设半径阈值内所有临近点的倾斜角度的最大值，筛选出第二电力线点云。
3.根据权利要求1所述的电力线提取方法，其特征在于，所述电力线激光点云包括点集以及点集内各点对应的坐标信息，所述点集包括地面点、植被点、电塔点、噪声点以及电力线点。
4.根据权利要求1所述的电力线提取方法，其特征在于，所述将电力线激光点云进行分割，以得到若干点云分割区具体包括：
将所述电力线激光点云进行x轴方向等距分割，得到所述电力线激光点云对应的第一三维空间网格；
将各第一三维空间网格进行y轴方向等距分割，得到所述电力线激光点云对应的第二三维空间网格；
将各第二三维空间网络以xy平面投影，得到各第二三维空间网络对应的平面面积；
根据地形起伏程度对各平面面积一定比例缩放，得到所述电力线激光点云对应的若干点云分割区。
5.根据权利要求1所述的电力线提取方法，其特征在于，所述基于各点云分割区对应的点云密度，根据预设的点云密度区间和高程阈值，筛选出视为电力线点对应的第一电力线点云具体包括：
计算各点云分割区对应的点云密度；
获取预设的点云密度区间；
当存在点云分割区对应的点云密度小于所述点云密度区间的最小值时，则该点云分割区内所有点视为电力线点；
当存在点云分割区对应的点云密度大于所述点云密度区间的最大值时，计算该点云分割区对应的第一高程阈值区间，并筛选出该点云分割区内该点的高程不属于所述第一高程阈值区间的点，并将该点视为电力线点；
当存在点云分割区对应的点云密度属于所述点云密度区间时，计算该点云分割区对应的第二高程阈值区间，并筛选出该点云分割区内该点的高程不属于所述第二高程阈值区间的点，并将该点视为电力线点；
将所有被视为电力线点的点作为第一电力线点云。
6.根据权利要求1所述的电力线提取方法，其特征在于，所述针对所述第一电力线点云中每个点，基于该点到预设半径阈值内所有临近点的倾斜角度的平均值，筛选出视为电力线点的第二电力线点云具体包括：
获取所述第一电力线点云中每个点的坐标信息；
通过kdtree算法以每个点作为搜索点，获取该搜索点到预设半径阈值内所有临近点的坐标信息；
根据该搜索点的坐标信息以及所有临近点的坐标信息，计算该搜索点到所有临近点的倾斜角度的平均值；
获取预设的倾斜角度阈值；
将该搜索点到所有临近点的倾斜角度的平均值与所述倾斜角度阈值进行大小比较；
若该搜索点到所有临近点的倾斜角度的平均值小于所述倾斜角度阈值，则该搜索点视为电力线点；
将所有视为电力线点的搜索点作为第二电力线点云。
7.根据权利要求2所述的电力线提取方法，其特征在于，所述针对所述第一电力线点云中每个点，基于该点到预设半径阈值内所有临近点的倾斜角度的最大值，筛选出第二电力线点云具体包括：
获取所述第一电力线点云中每个点的坐标信息；
通过kdtree算法以每个点作为搜索点，获取该搜索点到预设半径阈值内所有临近点的坐标信息；
根据该搜索点的坐标信息以及所有临近点的坐标信息，计算该搜索点到所有临近点的倾斜角度中最大值；
获取预设的倾斜角度阈值；
将该搜索点到所有临近点的倾斜角度中最大值与所述倾斜角度阈值进行大小比较；
若该搜索点到所有临近点的倾斜角度中最大值小于所述倾斜角度阈值，则该搜索点视为电力线点；
将所有视为电力线点的搜索点作为第二电力线点云。
8.根据权利要求1或6或7所述的电力线提取方法，其特征在于，所述针对所述第二电力线点云中每个点，基于该点到预设k个临近点的距离的平均值，筛选出视为电力线点的目标点云具体包括：
获取所述第二电力线点云中每个点的坐标信息；
通过kdtree算法以每个点作为搜索点，获取该搜索点到预设k个临近点的坐标信息；
根据该搜索点的坐标信息以及所有临近点的坐标信息，计算该搜索点到所有临近点的距离以及所有距离的平均值；
若各点搜索结果计算的距离的平均值呈高斯分布，则获取该高斯分布对应的标准差区间范围；
判断该搜索点到所有临近点的距离的平均值是否处于所述标准差区间范围；
若该搜索点到所有临近点的距离的平均值处于所述标准差区间范围，则该搜索点视为电力线点；
将所有视为电力线点的搜索点作为目标点云。
9.一种电力线提取系统，包括处理器以及与所述处理器连接的存储器，所述存储器存储有电力线提取程序，所述处理器执行时用于实现如权利要求1-8任一项所述的电力线提取方法中的步骤。
10.一种终端，其特征在于，包括处理器以及与所述处理器连接的存储器，所述存储器存储有电力线提取程序，所述处理器执行时用于实现如权利要求1-8任一项所述的电力线提取方法中的步骤。
技术总结