CN107067394A - 一种倾斜摄影获取点云坐标的方法及装置 - Google Patents
一种倾斜摄影获取点云坐标的方法及装置 Download PDFInfo
- Publication number
- CN107067394A CN107067394A CN201710254355.7A CN201710254355A CN107067394A CN 107067394 A CN107067394 A CN 107067394A CN 201710254355 A CN201710254355 A CN 201710254355A CN 107067394 A CN107067394 A CN 107067394A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- region
- coordinate
- flat
- cloud
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供一种倾斜摄影获取点云坐标的方法及装置,旨在解决倾斜拍摄测量中点云位置与实际位置之间存在不一致性的问题,该方法包括:根据对倾斜拍摄的多片影像进行密集匹配及前方交会获取被拍摄物的点云坐标;根据点云坐标,确定“平坦”区域,“平坦”区域的高差位于预设阈值区间内;构建“平坦”区域的三角网,获取三角网的数据特征;依据共线方程及光顺能量函数建立平差模型,对平差模型线性化,获得点云的三维坐标;该方法以“平坦”区域作为约束条件进行点云计算,减少了因高差变化而导致点云的误匹配现象,使得点云位置与实际位置一致。
Description
技术领域
本发明涉及测绘领域,尤其涉及一种倾斜摄影获取点云坐标的方法及装置。
背景技术
当前,倾斜航空摄影测量在全国得到越来越广泛的应用,倾斜航摄的关键问题之一是通过密集匹配计算点云。
然而,由于测量系统中密集匹配精度、误匹配、影像几何畸变、外方位元素解算误差及交会角度的影响,采用传统最小二乘解算模型对多种误差的分配极易导致点云位置与实际位置之间存在不一致性。该不一致性在高差有变化时表现尤为突出,突出表现为点云高差较大,导致建模时生成的三角形网格模型表面粗糙、连续区域表面法向量存在误差。具体的,理想点云为被测地形高程保持不变时所获得的点云,而实际点云为被测地形有高程变化时所获得的点云。当被测地形高程有变化时,实际点云分布发生了显著变化,导致建模生成的三角形网格模型表面粗糙、连续区域表面法向量存在误差。因此,在倾斜摄影测量中,如何排除地面高程误差的影响非常必要,具有重要的现实意义。
发明内容
本发明的主要目的在于提出一种倾斜摄影获取点云坐标的方法及装置,其解决了现有技术中所获取点云数据误差较大及点云位置与实际位置不一致的的问题。
根据本发明的一个方面,提供了一种倾斜摄影获取点云坐标的方法,包括:
根据对倾斜拍摄的多片影像进行密集匹配及前方交会获取被拍摄物的点云坐标;根据点云坐标,确定“平坦”区域,所述“平坦”区域的高差位于预设阈值范围内;构建所述“平坦”区域的三角网,获取所述三角网的数据特征;依据所述三角网的数据特征及共线方程建立平差模型,对所述平差模型线性化,获得点云的三维坐标。
可选的,所述依据三角网的数据特征及共线方程建立平差模型,对所述平差模型线性化,获得点云的三维坐标,包括:
依据所述三角网的数据特征,构建光顺能量函数;依据所述三角网的数据特征及共线方程建立平差模型;将所述光顺能量函数作为约束条件附加到平差模型中,对所述平差模型线性化,获得点云的三维坐标。
可选的,所述确定“平坦”区域包括:根据点云坐标,利用K-mean聚类算法和/或区域增长算法对所述点云坐标处理以确定“平坦”区域。
可选的,所述预设阈值为:根据1:500数字高程模型精度指标,以2倍中误差为限差,高差范围为40厘米。
可选的,所述根据对倾斜拍摄的多片影像进行密集匹配及前方交会获取被拍摄物的点云坐标,包括:
从多张重叠影像中的密集匹配信息中获取匹配点对信息;采用异常值检测算法,对光线进行误差初剔除;对异常值检测后的光线,两两交会计算初始点云的候选位置,并以最小二乘法计算点云坐标。
根据本发明的第二个方面,提供了一种倾斜摄影获取点云坐标的装置,包括:
点云坐标获取模块,用于根据对倾斜拍摄的多片影像进行密集匹配及前方交会获取被拍摄物的点云坐标;区域建立模块,用于根据点云坐标,确定“平坦”区域,所述“平坦”区域的高差位于预设阈值范围内;三角网建立模块,用于构建所述区域建立模块所确定的“平坦”区域的三角网,获取所述三角网的数据特征;解算模块,用于依据共线方程及所述三角网建立模块获取的数据特征建立平差模型,对所述平差模型线性化,实现点云的三维坐标的解算以得到点云数据。
可选的,所述解算模块具体用于依据所述三角网的数据特征,构建光顺能量函数;依据所述三角网的数据特征及共线方程建立平差模型;将所述光顺能量函数作为约束条件附加到平差模型中,对所述平差模型线性化,获得点云的三维坐标。
可选的,所述区域建立模块具体用于根据点云坐标,利用K-mean聚类算法和/或区域增长算法对所述点云坐标处理以确定“平坦”区域。
可选的,所述预设阈值为:根据数字高程模型精度指标,以2倍中误差为限差,高差范围为40厘米。
可选的,所述点云坐标获取模块具体用于:
从多张重叠影像中的密集匹配信息中获取匹配点对信息;采用异常值检测算法,对光线进行误差初剔除;对异常值检测后的光线,两两交会计算初始点云的候选位置,并以最小二乘法计算点云坐标。
本发明有益效果如下:本发明实施例提供的倾斜摄影获取点云坐标的方法及装置依据获取的点云坐标,确定了高差位于预设阈值范围内“平坦”区域,并以该“平坦”区域作为约束条件进行点云计算,从而减少了因多种误差积累而导致“平坦”区域点云高程不均匀变化,有效提高了点云数据的准确性,使得点云位置与实际位置一致;即将物方的几何特征附加到传统的局部最优最小二乘解算中,克服了多片影像密集匹配过程中对误匹配等相关误差的强行分配。
附图说明
图1为实现本发明实施例1提供的获取点云坐标的流程图;
图2为实现本发明实施例2提供的获取点云坐标的流程图;
图3为实现本发明实施例4及本发明实施例5提供的获取点云坐标的流程图;
图4为实现本发明实施例3提供的获取点云坐标的流程图;
图5为数字高程模型精度指标的示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了解决现有技术中所获取点云数据误差较大及点云位置与实际位置不一致的问题,本发明提供了一种倾斜摄影获取点云坐标的方法及装置,以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不限定本发明。
倾斜摄影测量技术是国际测绘领域近些年发展起来的一项高新技术,它颠覆了以往正射影像只能从垂直角度拍摄的局限,通过在同一飞行平台上搭载多台传感器,同时从一个垂直、四个倾斜等五个不同的角度采集影像,将用户引入了符合人眼视觉的真实直观世界。航空倾斜影像不仅能够真实地反应被摄物的情况,而且还通过采用先进的定位技术,嵌入精确的地理信息、更丰富的影像信息、更高级的用户体验,极大地扩展了遥感影像的应用领域,并使遥感影像的行业应用更加深入。
然而,由于测量系统中密集匹配精度、误匹配、影像几何畸变、外方位元素解算误差及交会角度的影响,采用传统最小二乘解算模型对多种误差的分配极易导致点云位置与实际位置之间存在不一致性。该不一致性在高差有变化时表现尤为突出,突出表现为点云高差较大,导致建模时生成的三角形网格模型表面粗糙、连续区域表面法向量存在误差。具体的,理想点云为被测地形高程保持不变时所获得的点云,而实际点云为被测地形有高程变化时所获得的点云。当被测地形高程有变化时,实际点云分布发生了显著变化,导致建模生成的三角形网格模型表面粗糙、连续区域表面法向量存在误差。
为解决上述技术问题,本发明提供了一种倾斜摄影获取点云坐标的方法及装置。为方便理解,首先对本领域中的一些常见的专业术语进行简要说明。
密集匹配为在生产DSM/DEM时,为了计算测区每个物方点三维坐标,从而重建整个测区地形而进行的同名点匹配。
共线方程是表达物点、像点和投影中心(对像片而言通常是镜头中心)三点位于一条直线的数学关系式,是摄影测量学中最基本的公式之一。
高差是两点间高程之差。首先选择一个面作为参考面(一般选择地面),然后测出两点相对参考面的高度,两高度之差即为高差(可为正,可为负)。
点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合。即在获取物体表面每个采样点的空间坐标后,得到的是一个点的集合,称之为“点云”(PointCloud)。此外,根据激光测量原理得到的点云,包括三维坐标(XYZ)和激光反射强度(Intensity)。根据摄影测量原理得到的点云,包括三维坐标(XYZ)和颜色信息(RGB)。结合激光测量和摄影测量原理得到点云,包括三维坐标(XYZ)、激光反射强度(Intensity)和颜色信息(RGB)。点云的属性包括:空间分辨率,点位精度,表面法向量等。
三角网是由一系列连续三角形构成的网状的平面控制图形,是三角测量中布设连续三角形的两种主要扩展形式,同时向各方向扩展而构成网状。
最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
为解决该问题,特提供以下实施例以详述可以解决该问题的技术方案。
实施例1:
具体如图1所示,本实施例提供了一种倾斜摄影获取点云坐标的方法,包括:
S1:根据对倾斜拍摄的多片影像进行密集匹配及前方交会获取被拍摄物的点云坐标;
S2:根据点云坐标,确定“平坦”区域,所述“平坦”区域的高差位于预设阈值范围内;
S3:构建所述“平坦”区域的三角网,获取所述三角网的数据特征;
S4:依据所述三角网的数据特征及共线方程建立平差模型,对所述平差模型线性化,获得点云的三维坐标。
本发明实施例所提供的倾斜摄影获取点云坐标的方法,首先,利用经过倾斜拍摄得到的重叠影像,获取同一匹配点不同视角的观测信息,同时,获取密集匹配信息后,利用匹配像点与其同名像点、影像的内外方位元素与构像模型,通过前方交会方法,解算匹配像点的物方空间三维坐标,以此得到点云坐标;接着,依据获取的点云坐标,确定了高差位于预设阈值范围内“平坦”区域;具体的,得到“平坦”区域后,构建该“平坦”区域的三角网并获取三角网的数据特征;结合共线方程及三角网的数据特征,建立平差模型以获得点云的三维坐标。借此,以该“平坦”区域作为约束条件进行点云计算可以减少了因多种误差积累而导致点云的误匹配现象,使得点云位置与实际位置一致;即将物方的几何特征附加到传统的局部最优最小二乘解算中,克服了多片影像密集匹配过程中对误匹配等相关误差的强行分配。
具体而言,上述步骤S1中,所述根据对倾斜拍摄的多片影像进行密集匹配及前方交会获取被拍摄物的点云坐标可包括从多张重叠影像中的密集匹配信息中获取匹配点对信息;采用异常值检测算法,对光线进行误差初剔除;对异常值检测后的光线,两两交会计算初始点云的候选位置,并以最小二乘法计算点云坐标,即包括对去除噪声的同名点对集合两两进行前方交会,得到交会点出现的位置,并利用最小二乘法原理进行共线方程的解算,得到局部最优的交会坐标。可选的,其中的异常值检测算法包括:利用光线投影特征,分析其中的粗差因素;利用数据处理算法对其中的粗差进行检测,并去除其中的噪声光线。
在本实施例中,上述“平坦”区域的确定包括:根据点云坐标,利用K-mean聚类算法和/或区域增长算法对所述点云坐标处理以确定“平坦”区域;而且,其中的预设阈值为:根据1:500数字高程模型精度指标,以2倍中误差为限差,高差范围为40厘米,其中,1:500数字高程模型精度指标如图5所示。当然,在实际的测量计算过程中,高差及预设阈值可以根据需要而选择设定。
实施例2:
具体如图2所示,本实施例2在实施例1的基础上可选的,上述的依据三角网的数据特征及共线方程建立平差模型,对所述平差模型线性化,获得点云的三维坐标,包括S14,S14具体为:
依据所述三角网的数据特征,构建光顺能量函数;
依据所述共线方程建立平差模型;
将所述光顺能量函数作为约束条件附加到平差模型中,对所述平差模型线性化,获得点云的三维坐标,借此,将光顺能量函数作为约束条件,构建误差方程并解算,实现全局最优多片空间前方交会三维空间坐标严密解算,提高密集匹配点云的质量。
本实施例2在获得三角网的数据特征后,通过构建光顺能量函数进行定量分析,然后结合利用由共线方程和光顺能量函数建立最小二乘平差模型,接着对所述平差模型线性化,获得点云的三维坐标。这样,通过提供一种模型以建立物方几何约束条件与空间前方交会解算之间的内在关联,将光顺能量函数作为约束条件,构建误差方程并解算,实现全局最优多片空间前方交会三维空间坐标严密解算,提高密集匹配点云的质量。
本发明提供的一种倾斜摄影获取点云坐标的方法建立了全局最优解算模型,提高密集匹配点云的平滑性,为后期模型的恢复创造有利条件;同时,对倾斜模型生产过程中的网格质量低下、匹配噪声的消除等具有重要的意义。
实施例3:
结合图4所示,本实施例3针对上述实施例1及实施例2,做出以下优化,在本实施例中,首先进行多片密集匹配,然后依次进行初始严密解算、“平坦”区域检测及约束条件下的严密计算。
其中,初始严密解算包括光束法前方交会初始解(最小二乘解算);“平坦”区域检测包括“平坦”区域检测及三角网的构建;约束条件下的严密计算包括网格光顺能量函数的构建、误差方程构建及严密值解算。
本发明实施例所提供的倾斜摄影获取点云坐标的方法,点云坐标的解算流程为:多片密集匹配--光束法前方交会初始解(最小二乘解算)--“平坦”区域检测--三角网的构建--网格光顺能量函数的构建--误差方程构建--严密值解算。另外,在网格光顺能量函数的构建之前还需依次进行投影光线异常值检测及去除--光束法前方交会解算(两两交会)--备选三维坐标点计算。
本发明实施例所提供的倾斜摄影获取点云坐标的方法,通过“投影光线异常值检测及去除--光束法前方交会解算(两两交会)--备选三维坐标点计算”实现对光线的质量进行检核和粗差剔除,并计算备选三维坐标点计算。
而且,多片密集匹配是利用经过倾斜拍摄得到的重叠影像,获取同一匹配点不同视角的观测信息;光束法前方交会初始解(最小二乘解算)包括获取密集匹配信息后,利用匹配像点与其同名像点、影像的内外方位元素与构像模型,通过前方交会方法,解算匹配像点的物方空间三维坐标,以此得到点云坐标;接着,“平坦”区域检测包括依据获取的点云坐标,确定了高差位于预设阈值范围内“平坦”区域,并对“平坦”区域进行检测;具体的,三角网的构建包括得到“平坦”区域后,构建该“平坦”区域的三角网并获取三角网的数据特征;依据三角网的数据特征,建立平差模型以进行上述的严密值解算,从而获得点云的三维坐标。借此,以该“平坦”区域作为约束条件进行点云计算可以减少了因多种误差积累而导致点云的误匹配现象,使得点云位置与实际位置一致;即将物方的几何特征附加到传统的局部最优最小二乘解算中,克服了多片影像密集匹配过程中对误匹配等相关误差的强行分配。
实施例4:
如图3所示,本实施例4提供了倾斜摄影获取点云坐标的装置,所述装置包括:点云坐标获取模块11、区域建立模块12、三角网建立模块13及解算模块14。
其中,点云坐标获取模块11,用于根据对倾斜拍摄的多片影像进行密集匹配和前方交会获取被拍摄物的点云坐标;
区域建立模块12,用于根据点云坐标,确定“平坦”区域,所述“平坦”区域的高差位于预设阈值范围内;
三角网建立模块13,用于构建所述“平坦”区域的三角网,获取所述三角网的数据特征;
解算模块14,用于依据所述共线方程和光顺能量函数建立平差模型,对所述平差模型线性化,实现点云的三维坐标的解算以得到点云数据。
本发明实施例所提供的倾斜摄影获取点云坐标的装置中,首先通过点云坐标获取模块11获得被拍摄物的点云坐标,具体的,首先利用经过倾斜拍摄得到的重叠影像,获取同一匹配点不同视角的观测信息,同时,获取密集匹配信息后,利用匹配像点与其同名像点、影像的内外方位元素与构像模型,通过前方交会方法,解算匹配像点的物方空间三维坐标,以此得到点云坐标。
然后通过区域建立模块12,划分高差位于预设阈值范围内的“平坦”区域。其中,该区域建立模块具体用于根据点云坐标,利用K-mean聚类算法和/或区域增长算法对所述点云坐标处理以确定“平坦”区域。在此处,根据1:500数字高程模型精度指标,以2倍中误差为限差,高差范围为40厘米,其中,1:500数字高程模型精度指标如图5所示;当然,在实际的测量计算过程中,高差及预设阈值可以根据需要而选择设定。
在确定“平坦”区域后,就可以三角网建立模块13,实现通过三角网建立模块13构建该“平坦”区域的三角网,从而获取三角网的数据特征,即该“平坦”区域的数据特征。
接着,通过解算模块14,从而建立平差模型以获得点云的三维坐标。借此,以该“平坦”区域作为约束条件进行点云计算可以减少了因高差变化而导致点云的误匹配现象,使得点云位置与实际位置一致;即将物方的几何特征附加到传统的局部最优最小二乘解算中,克服了多片影像密集匹配过程中对误匹配等相关误差的强行分配。
所述点云坐标获取模块11具体用于:从多张重叠影像中的密集匹配信息中获取匹配点对信息;采用异常值检测算法,对光线进行误差初剔除;对异常值检测后的光线,两两交会计算初始点云的候选位置,并以最小二乘法计算点云坐标。即包括对去除噪声的同名点对集合两两进行前方交会,得到交会点出现的位置,并利用最小二乘法原理进行共线方程的解算,得到局部最优的交会坐标。而且,其中的异常值检测算法包括:利用光线投影特征,分析其中的粗差因素;利用数据处理算法对其中的粗差进行检测,并去除其中的噪声光线。
实施例5:
具体如图3所示,本实施例5在实施例4的基础上可选的,针对上述的解算模块14,上述的解算模块14具体用于依据所述三角网的数据特征,构建光顺能量函数;
依据共线方程建立平差模型;
将所述光顺能量函数作为约束条件,对所述平差模型线性化,获得点云的三维坐标。
本实施例5在获得三角网的数据特征后,通过构建光顺能量函数进行定量分析,然后结合利用由最小二乘原理得到的共线方程以及光顺能量函数,建立平差模型以进行误差分类解算,对所述平差模型线性化,获得点云的三维坐标。
具体的,本实施例5提供的一种倾斜摄影获取点云坐标的装置通过提供一种模型以建立物方几何约束条件与空间前方交会解算之间的内在关联,将光顺能量函数作为约束条件,构建误差方程并解算,实现全局最优多片空间前方交会三维空间坐标严密解算,提高密集匹配点云的质量。
而且,建立了全局最优解算模型,提高密集匹配点云的平滑性,为后期模型的恢复创造有利条件;同时,对倾斜模型生产过程中的网格质量低下、匹配噪声的消除等具有重要的意义。
尽管为示例目的,已经公开了本发明的优选实施例,本领域的技术人员将意识到各种改进、增加和取代也是可能的,因此,本发明的范围应当不限于上述实施例。
Claims (10)
1.一种倾斜摄影获取点云坐标的方法,其特征在于,所述方法包括:
根据对倾斜拍摄的多片影像进行密集匹配及前方交会获取被拍摄物的点云坐标;
根据点云坐标确定“平坦”区域,所述“平坦”区域的高差位于预设阈值范围内;
构建所述“平坦”区域的三角网,获取所述三角网的数据特征;
依据所述三角网的数据特征及共线方程建立平差模型,对所述平差模型线性化,获得点云的三维坐标。
2.根据权利要求1所述的方法,其特征在于,所述依据三角网的数据特征及共线方程建立平差模型,对所述平差模型线性化,获得点云的三维坐标,包括:
依据所述三角网的数据特征,构建光顺能量函数;
依据所述三角网的数据特征及共线方程建立平差模型;
将所述光顺能量函数作为约束条件附加到平差模型中,对所述平差模型线性化,获得点云的三维坐标。
3.根据权利要求1或2所述的方法,其特征在于,所述确定“平坦”区域包括:根据点云坐标,利用K-mean聚类算法和/或区域增长算法对所述点云坐标处理以确定“平坦”区域。
4.根据权利要求1或2所述的方法,其特征在于,所述预设阈值为:根据1:500数字高程模型精度指标,以2倍中误差为限差,高差范围为40厘米。
5.根据权利要求1或2所述的方法,其特征在于,所述根据对倾斜拍摄的多片影像进行密集匹配及前方交会获取被拍摄物的点云坐标,包括
从多张重叠影像中的密集匹配信息中获取匹配点对信息;
采用异常值检测算法,对光线进行误差初剔除;
对异常值检测后的光线,两两交会计算初始点云的候选位置,并以最小二乘法计算点云坐标。
6.一种倾斜摄影获取点云坐标的装置,其特征在于,所述装置包括:
点云坐标获取模块,用于根据对倾斜拍摄的多片影像进行密集匹配及前方交会获取被拍摄物的点云坐标;
区域建立模块,用于根据点云坐标,确定“平坦”区域,所述“平坦”区域的高差位于预设阈值范围内;
三角网建立模块,用于构建所述区域建立模块所确定的“平坦”区域的三角网,获取所述三角网的数据特征;
解算模块,用于依据共线方程及所述三角网建立模块获取的数据特征建立平差模型,对所述平差模型线性化,实现点云的三维坐标的解算以得到点云数据。
7.根据权利要求6所述的装置,其特征在于,所述解算模块具体用于依据所述三角网的数据特征,构建光顺能量函数;
依据所述三角网的数据特征及共线方程建立平差模型;
将所述光顺能量函数作为约束条件附加到平差模型中,对所述平差模型线性化,获得点云的三维坐标。
8.根据权利要求6或7所述的装置,其特征在于,所述区域建立模块具体用于根据点云坐标,利用K-mean聚类算法和/或区域增长算法对所述点云坐标处理以确定“平坦”区域。
9.根据权利要求6或7所述的装置,其特征在于,所述预设阈值为:根据1:500数字高程模型精度指标,以2倍中误差为限差,高差范围为40厘米。
10.根据权利要求6或7所述的装置,其特征在于,所述点云坐标获取模块具体用于:
从多张重叠影像中的密集匹配信息中获取匹配点对信息;
采用异常值检测算法,对光线进行误差初剔除;
对异常值检测后的光线,两两交会计算初始点云的候选位置,并以最小二乘法计算点云坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710254355.7A CN107067394A (zh) | 2017-04-18 | 2017-04-18 | 一种倾斜摄影获取点云坐标的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710254355.7A CN107067394A (zh) | 2017-04-18 | 2017-04-18 | 一种倾斜摄影获取点云坐标的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107067394A true CN107067394A (zh) | 2017-08-18 |
Family
ID=59599760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710254355.7A Pending CN107067394A (zh) | 2017-04-18 | 2017-04-18 | 一种倾斜摄影获取点云坐标的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107067394A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798731A (zh) * | 2017-11-10 | 2018-03-13 | 泰瑞数创科技(北京)有限公司 | 一种基于卫星影像自动建模的方法 |
CN107844802A (zh) * | 2017-10-19 | 2018-03-27 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机低空遥感和面向对象分类的水土保持监测方法 |
CN108537834A (zh) * | 2018-03-19 | 2018-09-14 | 杭州艾芯智能科技有限公司 | 一种基于深度图像的体积测量方法、系统及深度相机 |
CN108875136A (zh) * | 2018-05-11 | 2018-11-23 | 沈阳云奕科技有限公司 | 导线的数据处理方法及装置 |
CN108981700A (zh) * | 2018-06-13 | 2018-12-11 | 江苏实景信息科技有限公司 | 一种定位定姿方法及装置 |
CN109238243A (zh) * | 2018-08-08 | 2019-01-18 | 湖南省地质测绘院 | 一种基于倾斜摄影的测量方法、系统、存储介质及设备 |
CN110110621A (zh) * | 2019-04-23 | 2019-08-09 | 安徽大学 | 基于多特征整合深度学习模型的倾斜摄影点云分类方法 |
CN110866531A (zh) * | 2019-10-15 | 2020-03-06 | 深圳新视达视讯工程有限公司 | 一种基于三维建模的建筑物特征提取方法、系统及存储介质 |
CN110913197A (zh) * | 2019-11-14 | 2020-03-24 | 湖北第二师范学院 | 自动化三维高清摄像文物数据保护装置及方法 |
CN116071438A (zh) * | 2023-03-06 | 2023-05-05 | 航天宏图信息技术股份有限公司 | 一种无人机RigCamera影像的增量SfM方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915988A (zh) * | 2015-06-29 | 2015-09-16 | 北京建筑大学 | 一种摄影测量密集点云生成方法 |
US20150347833A1 (en) * | 2014-06-03 | 2015-12-03 | Mark Ries Robinson | Noncontact Biometrics with Small Footprint |
CN105160702A (zh) * | 2015-08-20 | 2015-12-16 | 武汉大学 | 基于LiDAR点云辅助的立体影像密集匹配方法及系统 |
CN106228609A (zh) * | 2016-07-09 | 2016-12-14 | 武汉广图科技有限公司 | 一种基于空间特征信息的倾斜摄影三维建模方法 |
-
2017
- 2017-04-18 CN CN201710254355.7A patent/CN107067394A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150347833A1 (en) * | 2014-06-03 | 2015-12-03 | Mark Ries Robinson | Noncontact Biometrics with Small Footprint |
CN104915988A (zh) * | 2015-06-29 | 2015-09-16 | 北京建筑大学 | 一种摄影测量密集点云生成方法 |
CN105160702A (zh) * | 2015-08-20 | 2015-12-16 | 武汉大学 | 基于LiDAR点云辅助的立体影像密集匹配方法及系统 |
CN106228609A (zh) * | 2016-07-09 | 2016-12-14 | 武汉广图科技有限公司 | 一种基于空间特征信息的倾斜摄影三维建模方法 |
Non-Patent Citations (3)
Title |
---|
张三喜 编: "《弹道特征参数摄像测量》", 31 March 2014, 北京国防工业出版社 * |
李晶晶 等: "城市点云的区域生长三角网构建方法", 《测绘科学技术学报》 * |
陈建平 等: "《月球地质研究与编图》", 31 August 2014, 北京地质出版社 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844802A (zh) * | 2017-10-19 | 2018-03-27 | 中国电建集团成都勘测设计研究院有限公司 | 基于无人机低空遥感和面向对象分类的水土保持监测方法 |
CN107798731A (zh) * | 2017-11-10 | 2018-03-13 | 泰瑞数创科技(北京)有限公司 | 一种基于卫星影像自动建模的方法 |
CN108537834B (zh) * | 2018-03-19 | 2020-05-01 | 杭州艾芯智能科技有限公司 | 一种基于深度图像的体积测量方法、系统及深度相机 |
CN108537834A (zh) * | 2018-03-19 | 2018-09-14 | 杭州艾芯智能科技有限公司 | 一种基于深度图像的体积测量方法、系统及深度相机 |
CN108875136A (zh) * | 2018-05-11 | 2018-11-23 | 沈阳云奕科技有限公司 | 导线的数据处理方法及装置 |
CN108875136B (zh) * | 2018-05-11 | 2022-04-12 | 江苏卓月云智能科技有限公司 | 导线的数据处理方法及装置 |
CN108981700A (zh) * | 2018-06-13 | 2018-12-11 | 江苏实景信息科技有限公司 | 一种定位定姿方法及装置 |
CN108981700B (zh) * | 2018-06-13 | 2022-02-15 | 江苏实景信息科技有限公司 | 一种定位定姿方法及装置 |
CN109238243A (zh) * | 2018-08-08 | 2019-01-18 | 湖南省地质测绘院 | 一种基于倾斜摄影的测量方法、系统、存储介质及设备 |
CN110110621A (zh) * | 2019-04-23 | 2019-08-09 | 安徽大学 | 基于多特征整合深度学习模型的倾斜摄影点云分类方法 |
CN110866531A (zh) * | 2019-10-15 | 2020-03-06 | 深圳新视达视讯工程有限公司 | 一种基于三维建模的建筑物特征提取方法、系统及存储介质 |
CN110913197A (zh) * | 2019-11-14 | 2020-03-24 | 湖北第二师范学院 | 自动化三维高清摄像文物数据保护装置及方法 |
CN110913197B (zh) * | 2019-11-14 | 2021-04-20 | 湖北第二师范学院 | 自动化三维高清摄像文物数据保护装置及方法 |
CN116071438A (zh) * | 2023-03-06 | 2023-05-05 | 航天宏图信息技术股份有限公司 | 一种无人机RigCamera影像的增量SfM方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067394A (zh) | 一种倾斜摄影获取点云坐标的方法及装置 | |
CN102506824B (zh) | 一种城市低空无人机系统生成数字正射影像图的方法 | |
CN107167786B (zh) | 卫星激光测高数据辅助提取高程控制点方法 | |
Alidoost et al. | Comparison of UAS-based photogrammetry software for 3D point cloud generation: a survey over a historical site | |
CN106327573B (zh) | 一种针对城市建筑的实景三维建模方法 | |
CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
CN110443836A (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN110221603A (zh) | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 | |
CN107316325A (zh) | 一种基于图像配准的机载激光点云与影像配准融合方法 | |
CN102103747B (zh) | 采用参照物高度的监控摄像机外部参数标定方法 | |
CN108474658B (zh) | 地面形态检测方法及系统、无人机降落方法和无人机 | |
CN106526593B (zh) | 基于sar严密成像模型的子像素级角反射器自动定位方法 | |
CN105046746A (zh) | 一种数字散斑人体三维快速扫描方法 | |
CN103617649B (zh) | 一种基于相机自标定技术的河工模型地形测量方法 | |
CA2731680A1 (en) | System for adaptive three-dimensional scanning of surface characteristics | |
CN104567801B (zh) | 一种基于立体视觉的高精度激光测量方法 | |
CN113607135A (zh) | 一种用于路桥施工领域的无人机倾斜摄影测量方法 | |
CN112270698A (zh) | 基于最邻近曲面的非刚性几何配准方法 | |
CN108362205A (zh) | 基于条纹投影的空间测距方法 | |
CN106651925A (zh) | 一种彩色深度图像的获取方法、获取设备 | |
CN106033653A (zh) | 一种基于地面激光扫描的三维室内地图制作方法 | |
CN111047698A (zh) | 一种真正射影像采集方法 | |
CN111986074A (zh) | 一种真正射影像制作方法、装置、设备及存储介质 | |
CN113096047B (zh) | 广义云驱动与辐射协同遥感影像几何精校正方法及系统 | |
CN108050995B (zh) | 一种基于dem的倾斜摄影无像控点航摄测区归并方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |
|
RJ01 | Rejection of invention patent application after publication |