CN109827548A

CN109827548A - 无人机航测数据的处理方法

Info

Publication number: CN109827548A
Application number: CN201910150667.2A
Authority: CN
Inventors: 李红轩
Original assignee: Southern China Machinery Manufacturing Co Ltd
Current assignee: Southern China Machinery Manufacturing Co Ltd
Priority date: 2019-02-28
Filing date: 2019-02-28
Publication date: 2019-05-31

Abstract

本发明公开了一种无人机航测数据的处理方法，包括：S1，获取无人机航测数据，所述航测数据包括通过无人机摄像采集的多视影像；S2，对所述多视影像进行联合平差处理，提高定位精度；S3，识别所述多视影像中的建筑物体，对所述建筑物体的特征进行自动识别和提取；S4，对提取的建筑物体特征数据中，获取所述多视影像的外方位元素，分析与选择对应的影像匹配单元进行特征匹配和逐像素级的密集匹配，并引入算法，得到密集匹配结果；S5，通过联合平差和建筑物的密集匹配结果，建立所述多视影像的联合纠正，进行整体匀光处理，实现所述多视影像的真正射纠正；本发明可以提高矿山地形的绘制准确度，防止建设工程上出现由于数据误差而带来的失误。

Description

无人机航测数据的处理方法

技术领域

本发明涉及航测数据处理领域，尤其涉及一种无人机航测数据的处理方法。

背景技术

通过无人机对矿山地形进行航拍测绘在现有的矿山建设工程中是常用的技术，而由于无人机在航测的过程当中，因为无人机采集的数据会受到自身的飞行角度和数据采集影响，导致无人机采集的数据会出现偏差，以使后期对矿山地形进行绘制时出现偏差，造成建设工程上的失误。

因此，目前市场上极需一种可以对无人机航测错误数据进行处理的方法。

发明内容

本发明提供了一种无人机航测数据的处理方法，以解决无人机采集的数据会受到自身的飞行角度和数据采集影响，导致无人机采集的数据会出现偏差的技术问题，从而提高矿山地形的绘制准确度，进而实现防止建设工程上出现由于数据误差而带来的失误。

为了解决上述技术问题，本发明实施例提供了一种无人机航测数据的处理方法，包括：

获取无人机航测数据，所述航测数据包括通过无人机摄像采集的多视影像；

对所述多视影像进行联合平差处理，提高定位精度；

识别所述多视影像中的建筑物体，对所述建筑物体的特征进行自动识别和提取；

对提取的建筑物体特征数据中，获取所述多视影像的外方位元素，分析与选择对应的影像匹配单元进行特征匹配和逐像素级的密集匹配，并引入算法，得到密集匹配结果；

通过联合平差和建筑物的密集匹配结果，建立所述多视影像的联合纠正，进行整体匀光处理，实现所述多视影像的真正射纠正。

作为优选方案，所述多视影像数据包括垂直摄影数据和倾斜摄影数据。

作为优选方案，所述对所述多视影像数据进行联合平差处理，包括：

通过金字塔匹配策略在每级影像上进行同名点自动匹配和自由网光束法平差，得到优化后的同名点匹配结果；

建立影像数据间的连接点和连接线，将连接点坐标和GPS/IMU辅助数据代入多视影像自检校区域网平差的误差方程，通过联合解算，得到平差结果，提高定位精度。

作为优选方案，所述建筑物体的特征包括建筑物的边缘、墙面的边缘和建筑物的纹理。

作为优选方案，所述对所述建筑物体的特征进行自动识别和提取，包括：

将所述建筑物体的二维矢量数据上的二维特征转化为三维特征；

在确定墙面时，对墙面设置影响因子并给予预设的权值，将墙面分为不同的类，对建筑的各个墙面进行平面扫描和分割；

获取建筑物的侧面结构，再通过对侧面进行重构，提取出建筑物屋顶的高度和轮廓。

作为优选方案，对所述密集匹配结果进行计算的算法为并行算法。

作为优选方案，在所述获取所述多视影像的外方位元素，分析与选择对应的影像匹配单元进行特征匹配和逐像素级的密集匹配，并引入算法之后，还包括：

获取高密度DSM数据，进行滤波处理，并将不同匹配单元进行融合，形成统一的DSM。

作为优选方案，所述通过联合平差和建筑物的密集匹配结果，建立所述多视影像的联合纠正，进行整体匀光处理，实现所述多视影像的真正射纠正，包括：

在所述多视影像上提取物方语义信息；

在所述多视影像上获取像方语义信息；

根据联合平差和密集匹配的结果建立物方和像方的同名点对应关系；

建立全局优化采样策略和具有几何辐射特性的联合纠正，同时进行整体匀光处理，实现多视影像的真正射纠正。

作为优选方案，所述提取物方语义信息的方法包括轮廓提取、面片拟合、屋顶重建。

作为优选方案，所述获取像方语义信息的方法包括影像分割、边缘提取、纹理聚类。

相比于现有技术，本发明实施例具有如下有益效果：

通过对多视影像的联合平差处理和建筑物的密集匹配处理，建立联合纠正，使多视影像实现真正射纠正，解决无人机采集的数据会受到自身的飞行角度和数据采集影响，导致无人机采集的数据会出现偏差的技术问题，从而提高矿山地形的绘制准确度，实现防止建设工程上出现由于数据误差而带来的失误。

附图说明

图1：为本发明实施例中的方法步骤流程示意图；

图2：为本发明实施例中的步骤S2的流程示意图；

图3：为本发明实施例中的步骤S3的流程示意图；

图4：为本发明实施例中的步骤S5的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参照图1，本发明优选实施例提供了一种无人机航测数据的处理方法，包括：

S1，获取无人机航测数据，所述航测数据包括通过无人机摄像采集的多视影像；

在本实施例中，所述多视影像数据包括垂直摄影数据和倾斜摄影数据。

S2，对所述多视影像进行联合平差处理，提高定位精度；

请参照图2，在本实施例中，所述对所述多视影像数据进行联合平差处理，包括：

S21，通过金字塔匹配策略在每级影像上进行同名点自动匹配和自由网光束法平差，得到优化后的同名点匹配结果；

S22，建立影像数据间的连接点和连接线，将连接点坐标和GPS/IMU辅助数据代入多视影像自检校区域网平差的误差方程，通过联合解算，得到平差结果，提高定位精度。

在本实施例中，多视影像不仅包含垂直摄影数据，还包括倾斜摄影数据，而部分传统空中三角测量系统无法较好地处理倾斜摄影数据，因此，多视影像联合平差需充分考虑影像间的几何变形和遮挡关系。结合POS系统提供的多视影像外方位元素，采取由粗到精的金字塔匹配策略在每级影像上进行同名点自动匹配和自由网光束法平差，得到较好的同名点匹配结果。同时建立连接点和连接线、控制点坐标、GPS/IMU辅助数据的多视影像自检校区域网平差的误差方程，通过联合解算，确保平差结果的精度。

S3，识别所述多视影像中的建筑物体，对所述建筑物体的特征进行自动识别和提取；

在本实施例中，所述建筑物体的特征包括建筑物的边缘、墙面的边缘和建筑物的纹理。

请参照图3，在本实施例中，所述对所述建筑物体的特征进行自动识别和提取，包括：

S31，将所述建筑物体的二维矢量数据上的二维特征转化为三维特征；

S32，在确定墙面时，对墙面设置影响因子并给予预设的权值，将墙面分为不同的类，对建筑的各个墙面进行平面扫描和分割；

S33，获取建筑物的侧面结构，再通过对侧面进行重构，提取出建筑物屋顶的高度和轮廓。

在本实施例中，影像匹配是摄影测量的基本问题之一，多视影像具有覆盖范围大、分辨率高等特点。因此如何在匹配过程中充分考虑冗余信息，快速准确获取多视影像上的同名点坐标，进而获取地物的三维信息是多视影像匹配的关键。由于单独使用一种匹配基元或匹配策略往往难以获取建模需要的同名点，因此近年来随着计算机视觉发展起来的多基元、多视影像匹配逐渐成为人们研究的焦点。目前在该领域的研究已取得很大进展，例如建筑物侧面的自动识别与提取。通过搜索多视影像上的特征如建筑物边缘、墙面边缘和纹理来确定建筑物的二维矢量数据集影像上不同视角的二维特征可以转化为三维特征，在确定墙面时，可以设置若干影响因子并给予一定的权值，将墙面分为不同的类，将建筑的各个墙面进行平面扫描和分割，获取建筑物的侧面结构，再通过对侧面进行重构，提取出建筑物屋顶的高度和轮廓。

S4，对提取的建筑物体特征数据中，获取所述多视影像的外方位元素，分析与选择对应的影像匹配单元进行特征匹配和逐像素级的密集匹配，并引入算法，得到密集匹配结果；

在本实施例中，对所述密集匹配结果进行计算的算法为并行算法。

在本实施例中，在所述获取所述多视影像的外方位元素，分析与选择对应的影像匹配单元进行特征匹配和逐像素级的密集匹配，并引入算法之后，还包括：

在本实施例中，多视影像密集匹配能得到高精度高分辨率的数字表面模型(DSM)，充分表达地形地物起伏特征，已经成为新一代空间数据基础设施的重要内容。由于多角度倾斜影像之间的尺度差异较大，加上较严重的遮挡和阴影等问题，基于倾斜影像的DSM自动获取存在新的难点。可以首先根据自动空三解算出来的各影像外方位元素，分析与选择合适的影像匹配单元进行特征匹配和逐像素级的密集匹配，并引入并行算法，提高计算效率。在获取高密度DSM数据后，进行滤波处理，并将不同匹配单元进行融合，形成统一的DSM。

S5，通过联合平差和建筑物的密集匹配结果，建立所述多视影像的联合纠正，进行整体匀光处理，实现所述多视影像的真正射纠正。

请参照图4，在本实施例中，所述通过联合平差和建筑物的密集匹配结果，建立所述多视影像的联合纠正，进行整体匀光处理，实现所述多视影像的真正射纠正，包括：

S51，在所述多视影像上提取物方语义信息；

S52，在所述多视影像上获取像方语义信息；

S53，根据联合平差和密集匹配的结果建立物方和像方的同名点对应关系；

S54，建立全局优化采样策略和具有几何辐射特性的联合纠正，同时进行整体匀光处理，实现多视影像的真正射纠正。

在本实施例中，所述提取物方语义信息的方法包括轮廓提取、面片拟合、屋顶重建。

在本实施例中，所述获取像方语义信息的方法包括影像分割、边缘提取、纹理聚类。

在本实施例中，多视影像真正射纠正涉及物方连续的数字高程模型(DEM)和大量离散分布粒度差异很大的地物对象，以及海量的像方多角度影像，具有典型的数据密集和计算密集特点。因此多视影像的真正射纠正，可分为物方和像方同时进行。在有DSM的基础上根据物方连续地形和离散地物对象的几何特征，通过轮廓提取、面片拟合、屋顶重建等方法提取物方语义信息，同时在多视影像上通过影像分割、边缘提取、纹理聚类等方法获取像方语义信息，再根据联合平差和密集匹配的结果建立物方和像方的同名点对应关系，继而建立全局优化采样策略和顾及几何辐射特性的联合纠正，同时进行整体匀光处理，实现多视影像的真正射纠正。

本发明通过对多视影像的联合平差处理和建筑物的密集匹配处理，建立联合纠正，使多视影像实现真正射纠正，解决无人机采集的数据会受到自身的飞行角度和数据采集影响，导致无人机采集的数据会出现偏差的技术问题，从而提高矿山地形的绘制准确度，实现防止建设工程上出现由于数据误差而带来的失误。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种无人机航测数据的处理方法，其特征在于，包括：

对所述多视影像进行联合平差处理，提高定位精度；

2.如权利要求1所述的方法，其特征在于，所述多视影像数据包括垂直摄影数据和倾斜摄影数据。

3.如权利要求1所述的方法，其特征在于，所述对所述多视影像数据进行联合平差处理，包括：

建立影像数据间的连接点和连接线，将连接点坐标和GPS/I MU辅助数据代入多视影像自检校区域网平差的误差方程，通过联合解算，得到平差结果，提高定位精度。

4.如权利要求1所述的方法，其特征在于，所述建筑物体的特征包括建筑物的边缘、墙面的边缘和建筑物的纹理。

5.如权利要求4所述的方法，其特征在于，所述对所述建筑物体的特征进行自动识别和提取，包括：

6.如权利要求1所述的方法，其特征在于，对所述密集匹配结果进行计算的算法为并行算法。

7.如权利要求1所述的方法，其特征在于，在所述获取所述多视影像的外方位元素，分析与选择对应的影像匹配单元进行特征匹配和逐像素级的密集匹配，并引入算法之后，还包括：

8.如权利要求1所述的方法，其特征在于，所述通过联合平差和建筑物的密集匹配结果，建立所述多视影像的联合纠正，进行整体匀光处理，实现所述多视影像的真正射纠正，包括：

在所述多视影像上提取物方语义信息；

在所述多视影像上获取像方语义信息；

9.如权利要求1所述的方法，其特征在于，所述提取物方语义信息的方法包括轮廓提取、面片拟合、屋顶重建。

10.如权利要求1所述的方法，其特征在于，所述获取像方语义信息的方法包括影像分割、边缘提取、纹理聚类。