CN105513119B - 一种基于无人机的路桥三维重建方法及装置 - Google Patents
一种基于无人机的路桥三维重建方法及装置 Download PDFInfo
- Publication number
- CN105513119B CN105513119B CN201510917783.4A CN201510917783A CN105513119B CN 105513119 B CN105513119 B CN 105513119B CN 201510917783 A CN201510917783 A CN 201510917783A CN 105513119 B CN105513119 B CN 105513119B
- Authority
- CN
- China
- Prior art keywords
- road
- image
- bridge
- sequential images
- images data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了一种基于无人机的路桥三维重建方法及装置，利用无人机搭载影像采集系统，通过控制无人机飞行来采集路桥的序列影像数据，并通过后续影像数据处理过程得到路桥表面网格模型，为路桥病害的治理提供依据。由于本申请是基于无人机采集路桥的影像数据，以实现路桥表面网格模型的构建，对路桥巡检周期大大缩短，并且不会影响交通通行。
Description
技术领域
本申请涉及路桥巡检技术领域，更具体地说，涉及一种基于无人机的路桥三维重建方法及装置。
背景技术
近年来，随着交通运输业的快速发展，尤其是超限(超重、超高、超宽、超长)车辆的激增，使得道路破损、桥梁开裂，严重威胁到道路桥梁安全，随之而来的桥梁坍塌事故近年来时有发生，造成人民财产和生命的严重损失。
目前各路桥养护公司还是使用常规手段对路桥进行巡检，多数情况下仍然以使用桥检车配合人力检查的方法进行，而这种方法普遍存在检测周期长、效率低下，影响交通通行等问题。
发明内容
有鉴于此，本申请提供了一种基于无人机的路桥三维重建方法及装置，用于解决现有路桥检修方式检测周期长、效率低下并影响交通通行的问题。
为了实现上述目的，现提出的方案如下：
一种基于无人机的路桥三维重建方法，包括：
获取无人机上影像采集系统所采集的路桥的序列影像数据，所述序列影像数据携带有拍摄时刻无人机的位置信息GPS和飞行姿态信息POS；
针对采集的序列影像数据中的每一幅影像，提取影像的特征点集合；
针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配，得到立体像对；
对所述立体像对利用运动结构算法SFM恢复序列影像的相对位置，并利用匹配成功的特征点的视觉信息计算特征点深度信息，对立体像对进行深度恢复；
将深度恢复后的立体像对中每个像素点反投影到三维空间，得到稠密的三维点云；
对所述三维点云利用泊松重构的方法生成路桥表面网格模型；
对所述路桥表面网格模型进行颜色渲染。
优选地，在所述针对采集的序列影像数据中的每一幅影像，提取影像的特征点集合之前，该方法还包括：
对序列影像数据中各幅影像进行预处理，得到标定的影像；
则所述提取影像的特征点集合具体为：
提取标定的影像的特征点集合。
优选地，所述提取标定的影像的特征点集合，包括：
利用尺度不变特征转换SIFT算法，提取标定的影像的特征点集合。
优选地，所述针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配，包括：
利用KD树匹配算法，对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配。
优选地，在所述针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配之后，该方法还包括：
利用随机抽样一致性算法RANSAC，对匹配成功的特征点进行误匹配过滤。
优选地，还包括：
对标定的影像进行多尺度分割，得到路桥结构特征；
利用所述路桥结构特征对所述路桥表面网格模型进行调整。
优选地，所述对所述路桥表面网格模型进行颜色渲染，包括：
对所述三维点云反向投影到标定的影像上，得到对应像素点的颜色，以该颜色渲染所述路桥表面网格模型上对应像素点。
一种基于无人机的路桥三维重建装置，包括：
影像数据获取单元，用于获取无人机上影像采集系统所采集的路桥的序列影像数据，所述序列影像数据携带有拍摄时刻无人机的位置信息GPS和飞行姿态信息POS；
特征点集合提取单元，用于针对采集的序列影像数据中的每一幅影像，提取影像的特征点集合；
特征点匹配单元，用于针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配，得到立体像对；
立体像对恢复单元，用于对所述立体像对利用运动结构算法SFM恢复序列影像的相对位置，并利用匹配成功的特征点的视觉信息计算特征点深度信息，对立体像对进行深度恢复；
三维点云确定单元，用于将深度恢复后的立体像对中每个像素点反投影到三维空间，得到稠密的三维点云；
模型建立单元，用于对所述三维点云利用泊松重构的方法生成路桥表面网格模型；
模型渲染单元，用于对所述路桥表面网格模型进行颜色渲染。
优选地，还包括：
影像预处理单元，用于对所述影像数据获取单元获取的各幅影像进行预处理，得到标定的影像；
所述特征点集合提取单元具体用于提取标定的影像的特征点集合。
优选地，所述影像预处理单元包括：
第一影像预处理子单元，用于利用尺度不变特征转换SIFT算法，提取标定的影像的特征点集合。
从上述的技术方案可以看出，本申请实施例提供的基于无人机的路桥三维重建方法，利用无人机搭载影像采集系统，通过控制无人机飞行来采集路桥的序列影像数据，并通过后续影像数据处理过程得到路桥表面网格模型，为路桥病害的治理提供依据。其中，对影像数据处理的过程包括：针对采集的序列影像数据中的每一幅影像，提取影像的特征点集合，针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配，得到立体像对，对所述立体像对利用运动结构算法SFM恢复序列影像的相对位置，并利用匹配成功的特征点的视觉信息计算特征点深度信息，对立体像对进行深度恢复，将深度恢复后的立体像对中每个像素点反投影到三维空间，得到稠密的三维点云，对所述三维点云利用泊松重构的方法生成路桥表面网格模型，对所述路桥表面网格模型进行颜色渲染。本申请基于无人机采集路桥的影像数据，以实现路桥表面网格模型的构建，对路桥巡检周期大大缩短，并且不会影响交通通行。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种基于无人机的路桥三维重建方法流程图；
图2为本申请实施例公开的另一种基于无人机的路桥三维重建方法流程图；
图3为本申请实施例公开的又一种基于无人机的路桥三维重建方法流程图；
图4为本申请实施例公开的一种基于无人机的路桥三维重建装置结构示意图；
图5为本申请实施例公开的另一种基于无人机的路桥三维重建装置结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1，图1为本申请实施例公开的一种基于无人机的路桥三维重建方法流程图。
如图1所示，该方法包括：
步骤S100、获取无人机上影像采集系统所采集的路桥的序列影像数据；
所述序列影像数据携带有拍摄时刻无人机的位置信息GPS和飞行姿态信息POS。无人机飞行平台上搭载了影像采集系统以及全球定位系统GPS和POS惯导系统，通过控制无人机飞行获取路桥的序列影像数据。
步骤S110、针对采集的序列影像数据中的每一幅影像，提取影像的特征点集合；
具体地，因为无人机影像拍摄条件的不同，存在不同的旋转、缩放或亮度变化情况，为了保证提取的特征点具有很好的鲁棒性，本实施例可以选用SIFT尺度不变特征转换算法，提取影像的特征点集合。
SIFT特征点提取方法具有尺度不变、旋转不变和光照不变的特点，有很好的鲁棒性，非常实用于宽基线的匹配，因此能够一定程度的适应采集图像倾斜角度过大的问题，广泛应用在近景摄影测量中。
步骤S120、针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配，得到立体像对；
特征点表现为64维的特征向量，采用某两点特征向量间的欧式距离作为相似性判定度量，大于某个阈值既可判定为同名点，将两两特征点关联匹配。特征点匹配的相邻影像生成立体像对。
步骤S130、对所述立体像对利用运动结构算法SFM恢复序列影像的相对位置，并利用匹配成功的特征点的视觉信息计算特征点深度信息，对立体像对进行深度恢复；
步骤S140、将深度恢复后的立体像对中每个像素点反投影到三维空间，得到稠密的三维点云；
步骤S150、对所述三维点云利用泊松重构的方法生成路桥表面网格模型；
步骤S160、对所述路桥表面网格模型进行颜色渲染。
本申请实施例提供的基于无人机的路桥三维重建方法，利用无人机搭载影像采集系统，通过控制无人机飞行来采集路桥的序列影像数据，并通过后续影像数据处理过程得到路桥表面网格模型，为路桥病害的治理提供依据。
本申请基于无人机采集路桥的影像数据，以实现路桥表面网格模型的构建，对路桥巡检周期大大缩短，并且不会影响交通通行。
进一步参见图2，图2为本申请实施例公开的另一种基于无人机的路桥三维重建方法流程图。
如图2所示，该方法包括：
步骤S200、获取无人机上影像采集系统所采集的路桥的序列影像数据；
所述序列影像数据携带有拍摄时刻无人机的位置信息GPS和飞行姿态信息POS。无人机飞行平台上搭载了影像采集系统以及全球定位系统GPS和POS惯导系统，通过控制无人机飞行获取路桥的序列影像数据。
步骤S210、对序列影像数据中各幅影像进行预处理，得到标定的影像；
其中，预处理过程包括对影像去模糊、几何纠正，以及对GPS和POS参数做系统误差纠正等。
步骤S220、针对各幅标定的影像，提取标定的影像的特征点集合；
步骤S230、针对序列影像数据中相邻两幅标定影像的特征点集合进行特征点匹配，得到立体像对；
特征点表现为64维的特征向量，采用某两点特征向量间的欧式距离作为相似性判定度量，大于某个阈值既可判定为同名点，将两两特征点关联匹配。特征点匹配的相邻影像生成立体像对。
步骤S240、对所述立体像对利用运动结构算法SFM恢复序列影像的相对位置，并利用匹配成功的特征点的视觉信息计算特征点深度信息，对立体像对进行深度恢复；
步骤S250、将深度恢复后的立体像对中每个像素点反投影到三维空间，得到稠密的三维点云；
步骤S260、对所述三维点云利用泊松重构的方法生成路桥表面网格模型；
步骤S270、对所述路桥表面网格模型进行颜色渲染。
相比于上一实施例，本实施例中增加对无人机采集的序列影像的预处理过程，通过预处理得到标定的影像，后续处理对象均为标定的影像。通过影像预处理，提高了最终建立的模型的准确度。
可选的，上述实施例中在对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配时，可以采用KD树匹配算法，对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配。
KD树(K-Dimensional树的简称)，是一种分割k维数据空间的数据结构。主要应用于多维空间关键数据的搜索(如:范围搜索和最近邻搜索)。KD树是二进制空间分割树的特殊的情况。
使用KD树匹配算法能够提高匹配效率。在此基础上，同时采用由粗到精的匹配策略，以处理冗余度较高的序列影像。
进一步地，在对特征点集合进行特征点匹配之后，还可以进一步采用随机抽样一致性算法RANSAC，对匹配成功的特征点进行误匹配过滤。提高了匹配的稳健性和可靠性。
再进一步参见图3，图3为本申请实施例公开的又一种基于无人机的路桥三维重建方法流程图。
如图3所示，该方法包括：
步骤S300、获取无人机上影像采集系统所采集的路桥的序列影像数据；
所述序列影像数据携带有拍摄时刻无人机的位置信息GPS和飞行姿态信息POS。无人机飞行平台上搭载了影像采集系统以及全球定位系统GPS和POS惯导系统，通过控制无人机飞行获取路桥的序列影像数据。
步骤S310、对序列影像数据中各幅影像进行预处理，得到标定的影像；
其中，预处理过程包括对影像去模糊、几何纠正，以及对GPS和POS参数做系统误差纠正等。
步骤S320、针对各幅标定的影像，提取标定的影像的特征点集合；
步骤S330、针对序列影像数据中相邻两幅标定影像的特征点集合进行特征点匹配，得到立体像对；
特征点表现为64维的特征向量，采用某两点特征向量间的欧式距离作为相似性判定度量，大于某个阈值既可判定为同名点，将两两特征点关联匹配。特征点匹配的相邻影像生成立体像对。
步骤S340、对所述立体像对利用运动结构算法SFM恢复序列影像的相对位置，并利用匹配成功的特征点的视觉信息计算特征点深度信息，对立体像对进行深度恢复；
步骤S350、将深度恢复后的立体像对中每个像素点反投影到三维空间，得到稠密的三维点云；
步骤S360、对所述三维点云利用泊松重构的方法生成路桥表面网格模型；
步骤S370、对标定的影像进行多尺度分割，得到路桥结构特征；
具体地，针对路桥表面纹理同质化，提取特征点较少的问题，充分利用路桥结构规整、边缘清晰的特点，采用面向对象的方法，如多尺度影像分割提取路桥的线状边缘信息和面状的结构信息，作为路桥结构特征。
步骤S380、利用所述路桥结构特征对所述路桥表面网格模型进行调整；
通过利用路桥结构特征来调整路桥表面网格模型，提高了路桥表面网格模型的精度。
步骤S390、对调整后的路桥表面网格模型进行颜色渲染。
相比于上述实施例，本实施例中增加了对路桥结构特征的提取，以及利用路桥结构特征对路桥表面网格模型进行特征的过程，提高了路桥表面网格模型的精度。
可以理解的是，上述步骤S370可以在步骤S310之后的任意位置执行，图3仅仅示例了一种可选的方式。
进一步，上述各个实施例中对路桥表面网格模型进行颜色渲染的过程，具体可以按照下述方式实现：
将所述三维点云反向投影到标定的影像上，得到对应像素点的颜色，以该颜色渲染所述路桥表面网格模型上对应像素点。
下面对本申请实施例提供的基于无人机的路桥三维重建装置进行描述，下文描述的基于无人机的路桥三维重建装置与上文描述的基于无人机的路桥三维重建方法可相互对应参照。
参见图4，图4为本申请实施例公开的一种基于无人机的路桥三维重建装置结构示意图。
如图4所示，该装置包括：
影像数据获取单元41，用于获取无人机上影像采集系统所采集的路桥的序列影像数据，所述序列影像数据携带有拍摄时刻无人机的位置信息GPS和飞行姿态信息POS；
特征点集合提取单元42，用于针对采集的序列影像数据中的每一幅影像，提取影像的特征点集合；
特征点匹配单元43，用于针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配，得到立体像对；
立体像对恢复单元44，用于对所述立体像对利用运动结构算法SFM恢复序列影像的相对位置，并利用匹配成功的特征点的视觉信息计算特征点深度信息，对立体像对进行深度恢复；
三维点云确定单元45，用于将深度恢复后的立体像对中每个像素点反投影到三维空间，得到稠密的三维点云；
模型建立单元46，用于对所述三维点云利用泊松重构的方法生成路桥表面网格模型；
模型渲染单元47，用于对所述路桥表面网格模型进行颜色渲染。
本申请实施例利用无人机搭载影像采集系统，通过控制无人机飞行来采集路桥的序列影像数据，由本申请的路桥三维重建装置获取序列影像数据，并通过后续影像数据处理过程得到路桥表面网格模型，为路桥病害的治理提供依据。
本申请基于无人机采集路桥的影像数据，以实现路桥表面网格模型的构建，对路桥巡检周期大大缩短，并且不会影响交通通行。
进一步可选的，本申请实施例还提供了上述基于无人机的路桥三维重建装置的另一种可选结构，结合图4和图5可知，路桥三维重建装置还可以包括：
影像预处理单元48，用于对所述影像数据获取单元41获取的各幅影像进行预处理，得到标定的影像；
在此基础上，所述特征点集合提取单元42具体用于提取标定的影像的特征点集合。
其中，上述影像预处理单元具体可以包括：
第一影像预处理子单元，用于利用尺度不变特征转换SIFT算法，提取标定的影像的特征点集合。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于无人机的路桥三维重建方法，其特征在于，包括：
获取无人机上影像采集系统所采集的路桥的序列影像数据，所述序列影像数据携带有拍摄时刻无人机的位置信息GPS和飞行姿态信息POS；
针对采集的序列影像数据中的每一幅影像，提取影像的特征点集合；
针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配，得到立体像对；
对所述立体像对利用运动结构算法SFM恢复序列影像的相对位置，并利用匹配成功的特征点的视觉信息计算特征点深度信息，对立体像对进行深度恢复；
将深度恢复后的立体像对中每个像素点反投影到三维空间，得到稠密的三维点云；
对所述三维点云利用泊松重构的方法生成路桥表面网格模型；
对所述路桥表面网格模型进行颜色渲染。
2.根据权利要求1所述的方法，其特征在于，在所述针对采集的序列影像数据中的每一幅影像，提取影像的特征点集合之前，该方法还包括：
对序列影像数据中各幅影像进行预处理，得到标定的影像；
则所述提取影像的特征点集合具体为：
提取标定的影像的特征点集合。
3.根据权利要求2所述的方法，其特征在于，所述提取标定的影像的特征点集合，包括：
利用尺度不变特征转换SIFT算法，提取标定的影像的特征点集合。
4.根据权利要求2所述的方法，其特征在于，所述针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配，包括：
利用KD树匹配算法，对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配。
5.根据权利要求2所述的方法，其特征在于，在所述针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配之后，该方法还包括：
利用随机抽样一致性算法RANSAC，对匹配成功的特征点进行误匹配过滤。
6.根据权利要求2所述的方法，其特征在于，还包括：
对标定的影像进行多尺度分割，得到路桥结构特征；
利用所述路桥结构特征对所述路桥表面网格模型进行调整。
7.根据权利要求2所述的方法，其特征在于，所述对所述路桥表面网格模型进行颜色渲染，包括：
将所述三维点云反向投影到标定的影像上，得到对应像素点的颜色，以该颜色渲染所述路桥表面网格模型上对应像素点。
8.一种基于无人机的路桥三维重建装置，其特征在于，包括：
影像数据获取单元，用于获取无人机上影像采集系统所采集的路桥的序列影像数据，所述序列影像数据携带有拍摄时刻无人机的位置信息GPS和飞行姿态信息POS；
特征点集合提取单元，用于针对采集的序列影像数据中的每一幅影像，提取影像的特征点集合；
特征点匹配单元，用于针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配，得到立体像对；
立体像对恢复单元，用于对所述立体像对利用运动结构算法SFM恢复序列影像的相对位置，并利用匹配成功的特征点的视觉信息计算特征点深度信息，对立体像对进行深度恢复；
三维点云确定单元，用于将深度恢复后的立体像对中每个像素点反投影到三维空间，得到稠密的三维点云；
模型建立单元，用于对所述三维点云利用泊松重构的方法生成路桥表面网格模型；
模型渲染单元，用于对所述路桥表面网格模型进行颜色渲染。
9.根据权利要求8所述的装置，其特征在于，还包括：
影像预处理单元，用于对所述影像数据获取单元获取的各幅影像进行预处理，得到标定的影像；
所述特征点集合提取单元具体用于提取标定的影像的特征点集合。
10.根据权利要求9所述的装置，其特征在于，所述影像预处理单元包括：
第一影像预处理子单元，用于利用尺度不变特征转换SIFT算法，提取标定的影像的特征点集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510917783.4A CN105513119B (zh) | 2015-12-10 | 2015-12-10 | 一种基于无人机的路桥三维重建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510917783.4A CN105513119B (zh) | 2015-12-10 | 2015-12-10 | 一种基于无人机的路桥三维重建方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105513119A CN105513119A (zh) | 2016-04-20 |
| CN105513119B true CN105513119B (zh) | 2018-08-28 |
Family
ID=55721074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510917783.4A Active CN105513119B (zh) | 2015-12-10 | 2015-12-10 | 一种基于无人机的路桥三维重建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105513119B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780729A (zh) * | 2016-11-10 | 2017-05-31 | 中国人民解放军理工大学 | 一种无人机序列影像批处理三维重建方法 |
| WO2018094719A1 (zh) * | 2016-11-28 | 2018-05-31 | 深圳市大疆创新科技有限公司 | 生成点云地图的方法、计算机系统和装置 |
| CN107341851A (zh) * | 2017-06-26 | 2017-11-10 | 深圳珠科创新技术有限公司 | 基于无人机航拍影像数据的实时三维建模方法及系统 |
| CN107492147A (zh) * | 2017-07-12 | 2017-12-19 | 国网山东省电力公司经济技术研究院 | 一种电力设备三维建模方法 |
| CN107941167B (zh) * | 2017-11-17 | 2020-06-16 | 西南民族大学 | 一种基于无人机载具和结构光扫描技术的空间扫描系统及其工作方法 |
| CN108520055A (zh) * | 2018-04-04 | 2018-09-11 | 天目爱视（北京）科技有限公司 | 一种基于天目点云比对的产品检测鉴定方法 |
| CN109557934B (zh) * | 2018-09-20 | 2022-01-14 | 中建科技有限公司深圳分公司 | 一种基于装配式建筑平台的无人机巡航的控制方法及装置 |
| CN113129422A (zh) * | 2019-12-30 | 2021-07-16 | 中移智行网络科技有限公司 | 一种三维模型构建方法、装置、存储介质和计算机设备 |
| CN113554747B (zh) * | 2021-07-28 | 2023-04-07 | 上海大风技术有限公司 | 一种基于三维模型的无人机巡检数据的查看方法 |
| CN116993928B (zh) * | 2023-09-27 | 2023-11-28 | 山东省国土测绘院 | 一种基于无人机遥感技术的城市工程测绘方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103426165A (zh) * | 2013-06-28 | 2013-12-04 | 吴立新 | 一种地面激光点云与无人机影像重建点云的精配准方法 |
| CN104809755A (zh) * | 2015-04-09 | 2015-07-29 | 福州大学 | 基于单幅图像文化遗存遗址的三维重建方法 |
| CN104899831A (zh) * | 2015-06-09 | 2015-09-09 | 天津航天中为数据系统科技有限公司 | 一种无人机影像数据实时处理方法及系统 |
-
2015
- 2015-12-10 CN CN201510917783.4A patent/CN105513119B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103426165A (zh) * | 2013-06-28 | 2013-12-04 | 吴立新 | 一种地面激光点云与无人机影像重建点云的精配准方法 |
| CN104809755A (zh) * | 2015-04-09 | 2015-07-29 | 福州大学 | 基于单幅图像文化遗存遗址的三维重建方法 |
| CN104899831A (zh) * | 2015-06-09 | 2015-09-09 | 天津航天中为数据系统科技有限公司 | 一种无人机影像数据实时处理方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 《基于微型无人机的全自动三维重建方法实验》;王海英等;《城市勘测》;20120229(第1期);第2节第1段最后3行, 第3节第1段, 第3.2节第1段第1-3行，第3.3节第1段第3-5行，第3.3节最后1段最后3行，第3.2节第3-5行，第3.1节第1段 * |
| 《基于辅助信息的无人机图像批处理三维重建方法》;郭复胜等;《自动化学报》;20130630;第39卷(第6期);全文 * |
| 《顾忌影像拓扑的SFM算法改进及其在灾场三维重建中的应用》;许志华等;《武汉大学学报 信息科学版》;20150531;第40卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105513119A (zh) | 2016-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105513119B (zh) | 一种基于无人机的路桥三维重建方法及装置 | |
| Zhou et al. | Seamless fusion of LiDAR and aerial imagery for building extraction | |
| Abayowa et al. | Automatic registration of optical aerial imagery to a LiDAR point cloud for generation of city models | |
| CN110135455A (zh) | 影像匹配方法、装置及计算机可读存储介质 | |
| CN105806315B (zh) | 基于主动编码信息的非合作目标相对测量系统及测量方法 | |
| CN112219087A (zh) | 位姿预测方法、地图构建方法、可移动平台及存储介质 | |
| US10546385B2 (en) | System and method for image capture device pose estimation | |
| CN103218787B (zh) | 多源异构遥感影像控制点自动采集方法 | |
| CN103822616A (zh) | 一种图分割与地形起伏约束相结合的遥感影像匹配方法 | |
| CN108090435A (zh) | 一种可停车区域识别方法、系统及介质 | |
| CN106485690A (zh) | 基于点特征的点云数据与光学影像的自动配准融合方法 | |
| CN107862735B (zh) | 一种基于结构信息的rgbd三维场景重建方法 | |
| Honegger et al. | Embedded real-time multi-baseline stereo | |
| CN104091369A (zh) | 一种无人机遥感影像建筑物三维损毁检测方法 | |
| CN104021538A (zh) | 物体定位方法和装置 | |
| CN102607532B (zh) | 一种利用飞控数据的低空影像快速匹配方法 | |
| Huang et al. | Point wise or feature wise? A benchmark comparison of publicly available LiDAR odometry algorithms in urban canyons | |
| KR101941878B1 (ko) | 무인항공기 영상 자동 기하보정을 위한 처리시스템 | |
| AliAkbarpour et al. | Fast structure from motion for sequential and wide area motion imagery | |
| US11861855B2 (en) | System and method for aerial to ground registration | |
| CN109671109B (zh) | 密集点云生成方法及系统 | |
| Hofer et al. | Line-based 3D reconstruction of wiry objects | |
| CN113689535A (zh) | 基于无人机影像的建筑物模型的生成方法和装置 | |
| Cui et al. | Tracks selection for robust, efficient and scalable large-scale structure from motion | |
| Duarte et al. | Damage detection on building façades using multi-temporal aerial oblique imagery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230718 Address after: 22nd Floor, Block 1, Maoye Building, No. 78, Haihe East Road, Guangfu Street, Hebei District, Tianjin 300143 Patentee after: Henghua digital technology (Tianjin) Co.,Ltd. Address before: 100011 3rd floor, building 4, No.11, Dongbinhe Road, Deshengmen, Xicheng District, Beijing Patentee before: BEIJING FOREVER TECHNOLOGY Co.,Ltd. |