CN110766782A - 基于多无人机视觉协同的大型施工场景实时重构方法 - Google Patents

Abstract

基于多无人机视觉协同的大型施工场景实时重构方法，利用多无人机同时对同一个目标施工场景进行拍摄，每架无人机在各自的任务区域内进行飞行拍摄；对每架无人机获得的视频进行筛选获取关键帧序列；基于高斯尺度空间定义多尺度Harris算子，用多尺度Harris算子计算获得尺度不变性的角点，基于Forstner算子对角点精定位；将精定位的角点作为关键点、参照SIFT方法对关键点进行描述，生成关键点描述向量；用KD树对关键点进行匹配，剔除无匹配的关键点，剩余的关键点形成待求的匹配点对集合；获得稀疏点云；获得稠密点云，获得场景重构模型。本发明具有能够快速对大型施工场景进行现场情况的拍摄，并且能够快速并准确地对施工场景进行重构的优点。

Description

基于多无人机视觉协同的大型施工场景实时重构方法

技术领域

本发明涉及一种对大型施工场景实时重构的方法。

背景技术

随着社会信息化程度的加深，三维重建技术的应用场景也越来越丰富，从动画设计到军事应用，不一而足。而近年来，随着我国经济飞速发展，建筑业的产业规模也不断扩大，具体表现在建筑工程数量和规模的增大。值得注意的是，建筑施工进度对工程项目的经济效益至关重要，而当前我国施工进度管理主要以人力方式为主，缺少智能化，且施工环境通常危险性相对较大。基于上述因素，设计一套施工进度监测方法将具有重要应用价值。而这一切的前提在于能准确地实现对施工场景的三维实时重构。

同时，微型遥感技术和机器视觉技术的发展使得基于无人机视觉的三维重构技术逐渐受到关注。其与传统的三维测量技术相比具有成本低廉，机动性较强，图像信息丰富等特点，为场景实时三维重构提供了有利条件。

传统的三维重构技术大多直接通过数学模型或利用机械扫描设备进行扫描，从而重建三维模型，但其存在成本高昂，灵活性较差等问题，特别是面对大型场景时建模的实时性和便捷性很难保证。此外，即使是基于机器视觉的三维重构方法，也存在诸如图像配准算法时间复杂度较大等问题，导致其不能直接应用于室外大场景的三维重建。

发明内容

本发明的目的在于提供一种能够快速对大型施工场景进行现场情况的拍摄，并且能够快速并准确地对施工场景进行重构的方法。

基于多无人机视觉协同的大型施工场景实时重构方法，执行以下操作：利用多无人机同时对同一个目标施工场景进行拍摄，每架无人机在各自的任务区域内进行飞行拍摄；对每架无人机获得的视频进行筛选获取关键帧序列；基于高斯尺度空间定义多尺度Harris算子，用多尺度Harris算子计算获得尺度不变性的角点，基于Forstner算子对角点精定位；将精定位的角点作为关键点、参照SIFT方法对关键点进行描述，生成关键点描述向量；用KD树对关键点进行匹配，基于RANSAC剔除无匹配的关键点，剩余的关键点形成待求的匹配点对集合；用待求的匹配点对集合进行相机参数估计和稀疏重建获得稀疏点云；将稀疏点云进行聚类，聚类后进行稠密重建获得稠密点云，将稠密点云进行曲面拟合和纹理映射获得场景重构模型。

优选的，筛选包括对清晰度的浅层筛选；做浅层筛选时，将无人机获得的视频图像序列看做是无参考图像的清晰度评价问题，采用Laplacian(拉普拉斯)梯度函数作为清晰度评价的梯度函数，Laplacian算子为：

图像清晰度D(f),D(f)＝∑_y∑_x|G(x，y)|，(G(x，y)＞T)，G(x,y)是坐标(x,y)处的Laplacian卷积。Laplacian梯度函数采用Laplacian算子计算梯度，图像清晰度D(f)采用Laplacian梯度函数来衡量图像清晰度；将图像清晰度D(f)小于清晰度阈值的帧图像去除。清晰度阈值是预设值。

优选的，对浅层筛选获得的图像序列进行基于几何鲁棒信息准则和特征对应率的深层筛选，浅层筛选获得的图像序列任选两帧作为参考图像对，其余图像作为待匹配图像；深层筛选的原则包括：计算参考图像对与待匹配图像的特征对应率Rc，筛选出符合特征对应率预设范围的图像序列，剔除信息冗余的图像；计算深层筛选第一序列中每一帧待匹配图像与参考图像的基础矩阵的GRIC值，每一帧待匹配图像与参考图像的单应矩阵的GRIC值，将单应矩阵的GRIC值小于基础矩阵的GRIC值的待匹配图像作为候选帧图像；符合特征对应率预设范围的候选帧图像作为深层筛选获得的图像序列。图像的单应矩阵的GRIC值小于基础矩阵的GRIC值，说明两帧图像未出现图像退化。

定义特征对应率Rc，

其中，Tc为待匹配图像和任意一帧参考图像之间对应的特征点的数量，T_f为参考图像对之间对应的特征点的数量；

几何鲁邦信息准则GRIC定义为：

其中，d是模型维数，n是匹配的特征点数量，k是模型自由度，ρ为函数，e_i为留数，μ₁＝ln(r)

μ₂＝ln(rn)

其中，r为数据维度,d为模型维度，σ²为误差平方，μ₃为限制留数的参数。

深度筛选的目的在于获得特征匹配率高，并且无图像退化的匹配帧对，去除无效图像数据，降低图像数据的处理量。

优选的，利用Harris-SIFT算子进行图像特征点提取和定位包括以下操作：构建高斯尺度空间，一幅图像的高斯尺度空间表示为：L(x，y，σ)＝G(x，y，σ)＊I(x，y)；其中，G(x,y,σ)表示高斯核函数，I(x,y)表示坐标(x,y)处的像素灰度，σ＝{σ₁,σ₂,...,σ_i}，σ_i表示第i个尺度、，Harris算子二阶矩表示为：

(x，y)为图像的像素坐标，σ_i表示第i个尺度，g_x,g_y分别表示对图像使用高斯核函数在x或y方向取微分的结果；在每个尺度σ_i下分别对应有各自的角点响应函数CRF，

其中，∈是极小量；以角点响应函数计算获得的角点作为Forstner算子的最佳窗口中心点，对最佳窗口内的每个像素的边缘直线进行加权中心化处理。角点响应函数计算得到的值用于判断某个像素点是否为角点，判断方法采用传统的Harris角点检测原理。

Forstner算子是精确定位角点坐标的方法，然后以中心点为基准，以窗口尺寸为依据，然后是获得窗口内的每个像素点的边缘直线，然后加权中心化，得到的中心点作为角点的精定位。

优选的，用KD树对关键点进行匹配的具体操作包括：用关键点随机生成M个不同结构的KD树；对每一个关键点同时搜索M个KD树，得到与该关键点最近邻的候选点，每个关键点与其最近邻的候选点形成一组匹配点对；然后基于队列对节点进行排序，按照节点与查询点之间的距离依次进行搜索。

优选的，基于RANSAC算法消除无匹配点，包括以下操作：从KD树搜索获得的匹配点对中任意选取三组匹配点对作为当前匹配点对，计算获得匹配点对中关键点与其最近邻的候选点之间的变换关系；对剩余的匹配点对，利用关键点和变换关系计算获得该特征点的最邻近候选点位置，获得关键点与计算获得的最邻近候选点位置的距离；将关键点与计算获得的最邻近候选点位置的距离于预设的距离阈值比较，距离小于距离阈值的匹配点对作为内点对，距离大于距离阈值的匹配点对作为外点对，获得内点对集合，从内点对集合中任意选取三个匹配点对作为当前匹配点对，重复执行上述操作，直到迭代次数达到指定次数，选择内点对数量最多的集合为待求的匹配点对集合。

优选的，用待求的匹配点对集合进行相机参数估计和稀疏重建，从而获得稀疏点云，具体操作包括基于运动恢复结构算法估计场景的初始结构和相机运动；用优化算法对场景机构和相机矩阵参数进行优化和几何拟合，完成稀疏重建。优化目的是获得更好的重建效果，因为随着三维重建图像数量增加，累计误差会增大，所以要利用光束法平差算法减少累计误差。

优化算法采用光束法平差算法消除稀疏重建的累积误差，其中，x_i,j是第i个点在第k张图片上的投影坐标min下面的x是优化参数，例如相机参数等；f是代价函数，L_I是损失函数。

优选的，将稀疏点云进行聚类，聚类后进行稠密重建获得稠密点云的具体操作包括：基于CMVS算法对稀疏点云进行聚类，对聚类后的稀疏点云基于PMVS算法完成稠密重建，获得稠密点云。

现有的图像匹配算法分为基于区域匹配的方法，基于变换域的方法和基于特征匹配的方法，基于特征的匹配方法对于光照和噪声的鲁棒性较高；基于特征的匹配方法以SIFT方法最为突出，SIFT方法具有尺度、旋转和光照不变性等，但SIFT算子在提取特征点时会在DOG尺度空间检测极值点，运算量大，复杂度较高，因此SIFT方法的时效性差。而Harris算法具有旋转和光照不变性，并且Harris算子运算简单，只用到一阶差分获取梯度信息，复杂度较低，实时性好，但是Harris算法不能保证尺度不变性。本发明通过构造高斯尺度空间，为Harris算子添加了尺度信息，并基于此获得尺度不变性的角点特征，然后再使用Forstner算子修正Harris算子所获得的角点位置，最后借鉴SIFT算子来描述精定位之后的角点主方向和产生角点描述向量；本方法兼顾了Harris算法的时效性和SIFT算子尺度、旋转和光照不变性的优点。

本发明的优点在于：1、利用多无人机协同拍摄同一个施工场景，提高了采样的时效性，缩短采样时间。2、对无人机获得的图像进行粗细筛选，从而获得清晰度高、鲁棒性好的图像数据，减少图像数据的处理总量。3、通过构造高斯尺度空间，为Harris算子添加了尺度信息，并基于此获得尺度不变性的角点特征，上述过程替换了SIFT算子的关键点定位步骤，Harris算子只用到一阶差分，运算比SIFT算子简单，因此，在提取尺度不变性的角点时，降低了运算量，提高了运算速度。4、采用Harris算子得出的角点作为Forstner算子的最佳窗口中心点，用Forstner算子对Harris算子提取的角点精定位，提高定位精度。

附图说明

图1为本发明实例中所述的浅层筛选流程图。

图2为本发明实例中所述的大型施工场景的实时重构的流程图。

具体实施方式

如图2所示，基于多无人机视觉协同的大型施工场景实时重构方法，执行以下操作：利用多无人机同时对同一个目标施工场景进行拍摄，每架无人机在各自的任务区域内进行飞行拍摄；对每架无人机获得的视频进行筛选获取关键帧序列；基于高斯尺度空间定义多尺度Harris算子，用多尺度Harris算子计算获得尺度不变性的角点，基于Forstner算子对角点精定位；将精定位的角点作为关键点、参照SIFT方法对关键点进行描述，生成关键点描述向量；用KD树对关键点进行匹配，基于RANSAC剔除无匹配的关键点，剩余的关键点形成待求的匹配点对集合；用待求的匹配点对集合进行相机参数估计和稀疏重建获得稀疏点云；将稀疏点云进行聚类，聚类后进行稠密重建获得稠密点云，将稠密点云进行曲面拟合和纹理映射获得场景重构模型。

优选的，筛选包括对清晰度的浅层筛选，如图1所示；做浅层筛选时，将无人机获得的视频图像序列看做是无参考图像的清晰度评价问题，采用Laplacian(拉普拉斯)梯度函数作为清晰度评价的梯度函数，Laplacian算子为：

图像清晰度D(f),D(f)＝∑_y∑_x|G(x，y)|，(G(x，y)＞T)，G(x,y)是坐标(x,y)处的Laplacian卷积。Laplacian梯度函数采用Laplacian算子计算梯度，图像清晰度D(f)采用Laplacian梯度函数来衡量图像清晰度；将图像清晰度D(f)小于清晰度阈值的帧图像去除。清晰度阈值是预设值。

优选的，对浅层筛选获得的图像序列进行基于几何鲁棒信息准则和特征对应率的深层筛选，浅层筛选获得的图像序列任选一帧作为参考图像，其余图像作为待匹配图像；深层筛选的原则包括：计算参考图像与待匹配图像的特征对应率Rc，剔除信息冗余的图像；计算深层筛选第一序列中每一帧待匹配图像与参考图像的基础矩阵的GRIC值，每一帧待匹配图像与参考图像的单应矩阵的GRIC值，将单应矩阵的GRIC值小于基础矩阵的GRIC值的待匹配图像作为候选帧图像；符合特征对应率预设范围的候选帧图像作为深层筛选获得的图像序列。图像的单应矩阵的GRIC值小于基础矩阵的GRIC值，说明两帧图像未出现图像退化。

定义特征对应率Rc，

其中，Tc为待匹配图像和任意一帧参考图像之间对应的特征点的数量，T_f为参考图像对之间对应的特征点的数量。比如，以A图像和B图像作为参考图像对，C图像作为待匹配图像，T_f是A图像和B图像之间特征点对应数量，Tc是图像A和图像C特征点对应数量；若T_f和Tc差不多(Rc计算值大于特征对应率阈值)，那么说明B,C包含的图像信息差不多，C图像的信息冗余了，将C图像剔除。

几何鲁邦信息准则GRIC定义为：

其中，d是模型维数，n是匹配的特征点数量，k是模型自由度，ρ为函数，e_i为留数，μ₁＝ln(r)

μ₂＝ln(rn)

其中，r为数据维度,d为模型维度，σ²为误差平方，μ₃为限制留数的参数。优选的，利用Harris-SIFT算子进行图像特征点提取和定位包括以下操作：构建高斯尺度空间，一幅图像的高斯尺度空间表示为：L(x，y，σ)＝G(x，y，σ)＊I(x，y)；其中，G(x,y,σ)表示高斯核函数，I(x,y)表示坐标(x,y)处的像素灰度，σ＝{σ₁,σ₂,...,σ_i}，σ_i表示第i个尺度、，Harris算子二阶矩表示为：

(x，y)为图像的像素坐标，σ_i表示第i个尺度，g_x,g_y分别表示对图像使用高斯核函数在x或y方向取微分的结果；在每个尺度σ_i下分别对应有各自的角点响应函数CRF，其中，∈是极小量；以角点响应函数计算计算获得的角点作为Forstner算子的最佳窗口中心点，对最佳窗口内的每个像素的边缘直线进行加权中心化处理。角点响应函数计算得到的值用于判断像素点是否为角点，判断方法采用传统的Harris角点检测原理。传统的角点检测的基本原理就是取一像素的邻域窗口，然后在各个方向移动这个窗口。观察窗口内的平均像素值变化，对于角点来说，就是像素值在水平和竖直方向都变化较大的点，而我们定义的角点响应函数当点的像素值在水平和竖直方向都变化较大时，会大于预设阈值，从而认为是角点。本发明中，预设阈值通过实验测得。预设阈值的获取方法为：获取多帧输入图像，获得分别获得输入图像的已知角点，分别对每个已知角点进行角点响应函数计算，将所有角点响应函数计算值取平均获得角点平均值，将角点平均值作为预设阈值。

Forstner算子是精确定位角点坐标的方法，然后以中心点为基准，以窗口尺寸为依据，然后是获得窗口内的每个像素点的边缘直线，然后加权中心化，得到的中心点作为角点的精定位。

优选的，用KD树对关键点进行匹配的具体操作包括：用关键点随机生成M个不同结构的KD树；对每一个关键点同时搜索M个KD树，得到与该关键点最近邻的候选点，每个关键点与其最近邻的候选点形成一组匹配点对；然后基于队列对节点进行排序，按照节点与查询点之间的距离依次进行搜索。

KD树是对数据点在K维空间中划分的数据结构，即空间划分树，其输入是精定位角点的K维描述向量，具体生成过程参照经典的KD树算法。大致思想就是对这些K维描述向量所在的K维空间进行划分，这些搜索最近邻候选点时，就不用穷举法，只需要利用KD树作为数据索引，缩小搜索范围，提高效率。特征点已经生成了，随机KD树负责这些特征点间的匹配，从而生成匹配点对集合。

优选的，基于RANSAC算法消除无匹配点，包括以下操作：从KD树搜索获得的匹配点对中任意选取三组匹配点对作为当前匹配点对，计算获得匹配点对中关键点与其最近邻的候选点之间的变换关系；对剩余的匹配点对，利用关键点和变换关系计算获得该特征点的最邻近候选点位置，获得关键点与计算获得的最邻近候选点位置的距离；将关键点与计算获得的最邻近候选点位置的距离于预设的距离阈值比较，距离小于距离阈值的匹配点对作为内点对，距离大于距离阈值的匹配点对作为外点对，获得内点对集合，从内点对集合中任意选取三个匹配点对作为当前匹配点对，重复执行上述操作，直到迭代次数达到指定次数，选择内点对数量最多的集合为待求的匹配点对集合。

其实RANSAC算法可理解成是对最小二乘法的改进，思想就是通过一堆点，对其中的一部分进行随机取样，用随机取的点拟合一条直线，再看这一堆点中满足这条直线方程的点占多少比例，如果这个比例大于某个阈值，则最终以所取模型表征这一堆点的模型。

优选的，用待求的匹配点对集合进行相机参数估计和稀疏重建，从而获得稀疏点云，具体操作包括基于运动恢复结构算法估计场景的初始结构和相机运动；用优化算法对场景机构和相机矩阵参数进行优化和几何拟合，完成稀疏重建。优化目的是获得更好的重建效果，因为随着三维重建图像数量增加，累计误差会增大，所以要利用光束法平差算法减少累计误差

优化算法采用光束法平差算法消除稀疏重建的累积误差，

其中，x_i,j是第i个点在第k张图片上的投影坐标min下面的x是优化参数，例如相机参数等；，f是代价函数，L_I是损失函数。

优选的，将稀疏点云进行聚类，聚类后进行稠密重建获得稠密点云的具体操作包括：基于CMVS算法对稀疏点云进行聚类，对聚类后的稀疏点云基于PMVS算法完成稠密重建，获得稠密点云。

现有的图像匹配算法分为基于区域匹配的方法，基于变换域的方法和基于特征匹配的方法，基于特征的匹配方法对于光照和噪声的鲁棒性较高；基于特征的匹配方法以SIFT方法最为突出，SIFT方法具有尺度、旋转和光照不变性等，但SIFT算子在提取特征点时会在DOG尺度空间检测极值点，运算量大，复杂度较高，因此SIFT方法的时效性差。而Harris算法具有旋转和光照不变性，并且Harris算子运算简单，只用到一阶差分获取梯度信息，复杂度较低，实时性好，但是Harris算法不能保证尺度不变性。本发明通过构造高斯尺度空间，为Harris算子添加了尺度信息，并基于此获得尺度不变性的角点特征，然后再使用Forstner算子修正Harris算子所获得的角点位置，最后借鉴SIFT算子来描述精定位之后的角点主方向和产生角点描述向量；本方法兼顾了Harris算法的时效性和SIFT算子尺度、旋转和光照不变性的优点。

本发明的优点在于：1、利用多无人机协同拍摄同一个施工场景，提高了采样的时效性，缩短采样时间。2、对无人机获得的图像进行粗细筛选，从而获得清晰度高、鲁棒性好的图像数据，减少图像数据的处理总量。3、通过构造高斯尺度空间，为Harris算子添加了尺度信息，并基于此获得尺度不变性的角点特征，上述过程替换了SIFT算子的关键点定位步骤，Harris算子只用到一阶差分，运算比SIFT算子简单，因此，在提取尺度不变性的角点时，降低了运算量，提高了运算速度。4、采用Harris算子得出的角点作为Forstner算子的最佳窗口中心点，用Forstner算子对Harris算子提取的角点精定位，提高定位精度。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.基于多无人机视觉协同的大型施工场景实时重构方法，其特征在于：该重构方法执行以下操作：利用多无人机同时对同一个目标施工场景进行拍摄，每架无人机在各自的任务区域内进行飞行拍摄；对每架无人机获得的视频进行筛选获取关键帧序列；基于高斯尺度空间定义多尺度Harris算子，用多尺度Harris算子计算获得尺度不变性的角点，基于Forstner算子对角点精定位；将精定位的角点作为关键点、参照SIFT方法对关键点进行描述，生成关键点描述向量；用KD树对关键点进行匹配，基于RANSAC剔除无匹配的关键点，剩余的关键点形成待求的匹配点对集合；用待求的匹配点对集合进行相机参数估计和稀疏重建获得稀疏点云；将稀疏点云进行聚类，聚类后进行稠密重建获得稠密点云，将稠密点云进行曲面拟合和纹理映射获得场景重构模型。

2.如权利要求1所述的基于多无人机视觉协同的大型施工场景实时重构方法，其特征在于：筛选包括对清晰度的浅层筛选；做浅层筛选时，将无人机获得的视频图像序列看做是无参考图像的清晰度评价问题，采用Laplacian(拉普拉斯)梯度函数作为清晰度评价的梯度函数，Laplacian算子为：

图像清晰度D(f),D(f)＝∑_y∑_x|G(x，y)|，(G(x，y)＞T)，G(x,y)是坐标(x,y)处的Laplacian卷积。Laplacian梯度函数采用Laplacian算子计算梯度，图像清晰度D(f)采用Laplacian梯度函数来衡量图像清晰度；将图像清晰度D(f)小于清晰度阈值的帧图像去除。

3.如权利要求1所述的基于多无人机视觉协同的大型施工场景实时重构方法，其特征在于：对浅层筛选获得的图像序列进行基于几何鲁棒信息准则和特征对应率的深层筛选，浅层筛选获得的图像序列任选两帧作为参考图像对，其余图像作为待匹配图像；深层筛选的原则包括：特征对应率Rc筛选和、或几何鲁邦信息准则GRIC筛选；

特征对应率Rc筛选为计算参考图像对与待匹配图像和参考图像的特征对应率Rc，筛选出符合特征对应率预设范围的图像序列；

几何鲁邦信息准则GRIC筛选为计算每一帧待匹配图像与参考图像的基础矩阵的GRIC值，每一帧待匹配图像与参考图像的单应矩阵的GRIC值，将单应矩阵的GRIC值小于基础矩阵的GRIC值的待匹配图像作为候选帧图像；符合特征对应率预设范围的候选帧图像作为深层筛选获得的图像序列。

4.如权利要求3所述的基于多无人机视觉协同的大型施工场景实时重构方法，其特征在于：定义特征对应率Rc，

其中，Tc为待匹配图像和任意一帧参考图像之间对应的特征点的数量，T_f为参考图像对之间对应的特征点的数量；几何鲁邦信息准则GRIC定义为：

其中，d是模型维数，n是匹配的特征点数量，k是模型自由度，ρ为函数，e_i为留数，μ₁＝ln(r)

μ₂＝ln(rn)

其中，r为数据维度,d为模型维度，σ²为误差平方，μ₃为限制留数的参数。

5.如权利要求1所述的基于多无人机视觉协同的大型施工场景实时重构方法，其特征在于：利用Harris-SIFT算子进行图像特征点提取和定位包括以下操作：构建高斯尺度空间，一幅图像的高斯尺度空间表示为：L(x，y，σ)＝G(x，y，σ)^＊|(x，y)；其中，G(x,y,σ)表示高斯核函数，I(x,y)表示坐标(x,y)处的像素灰度，σ＝{σ₁,σ₂,...,σ_i}，σ_i表示第i个尺度、，Harris算子二阶矩表示为：(x，y)为图像的像素坐标，σ_i表示第i个尺度，g_x,g_y分别表示对图像使用高斯核函数在x或y方向取微分的结果；在每个尺度σ_i下分别对应有各自的角点响应函数CRF，

其中，∈是极小量；以角点响应函数计算获得的角点作为Forstner算子的最佳窗口中心点，对最佳窗口内的每个像素的边缘直线进行加权中心化处理。

6.如权利要求1所述的基于多无人机视觉协同的大型施工场景实时重构方法，其特征在于：用KD树对关键点进行匹配的具体操作包括：用关键点随机生成M个不同结构的KD树；对每一个关键点同时搜索M个KD树，得到与该关键点最近邻的候选点，每个关键点与其最近邻的候选点形成一组匹配点对；然后基于队列对节点进行排序，按照节点与查询点之间的距离依次进行搜索。

7.如权利要求1所述的基于多无人机视觉协同的大型施工场景实时重构方法，其特征在于：基于RANSAC算法消除无匹配点，包括以下操作：从KD树搜索获得的匹配点对中任意选取三组匹配点对作为当前匹配点对，计算获得匹配点对中关键点与其最近邻的候选点之间的变换关系；对剩余的匹配点对，利用关键点和变换关系计算获得该特征点的最邻近候选点位置，获得关键点与计算获得的最邻近候选点位置的距离；将关键点与计算获得的最邻近候选点位置的距离于预设的距离阈值比较，距离小于距离阈值的匹配点对作为内点对，距离大于距离阈值的匹配点对作为外点对，获得内点对集合，从内点对集合中任意选取三个匹配点对作为当前匹配点对，重复执行上述操作，直到迭代次数达到指定次数，选择内点对数量最多的集合为待求的匹配点对集合。

8.如权利要求1所述的基于多无人机视觉协同的大型施工场景实时重构方法，其特征在于：用待求的匹配点对集合进行相机参数估计和稀疏重建，从而获得稀疏点云，具体操作包括基于运动恢复结构算法估计场景的初始结构和相机运动；用优化算法对场景机构和相机矩阵参数进行优化和几何拟合，完成稀疏重建。优化目的是获得更好的重建效果，因为随着三维重建图像数量增加，累计误差会增大，所以要利用光束法平差算法减少累计误差。

9.如权利要求7所述的基于多无人机视觉协同的大型施工场景实时重构方法，其特征在于：优化算法采用光束法平差算法消除稀疏重建的累积误差，

其中，x_i,j是第i个点在第k张图片上的投影坐标min下面的x是优化参数，例如相机参数等；，f是代价函数，L_I是损失函数。

Images