CN112435299B - 一种机载点云辅助的卫星影像立体匹配点云定向方法 - Google Patents

一种机载点云辅助的卫星影像立体匹配点云定向方法 Download PDF

Info

Publication number
CN112435299B
CN112435299B CN202110120579.5A CN202110120579A CN112435299B CN 112435299 B CN112435299 B CN 112435299B CN 202110120579 A CN202110120579 A CN 202110120579A CN 112435299 B CN112435299 B CN 112435299B
Authority
CN
China
Prior art keywords
point cloud
satellite image
airborne
stereo matching
image stereo
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
Application number
CN202110120579.5A
Other languages
English (en)
Other versions
CN112435299A (zh
Inventor
王伟玺
李晓明
谢林甫
罗文强
汤圣君
李游
郭仁忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202110120579.5A priority Critical patent/CN112435299B/zh
Publication of CN112435299A publication Critical patent/CN112435299A/zh
Application granted granted Critical
Publication of CN112435299B publication Critical patent/CN112435299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • 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
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种机载点云辅助的卫星影像立体匹配点云定向方法，包括：获取卫星影像立体匹配点云和机载点云，确定卫星影像立体匹配点云和机载点云的若干重叠区；计算各个重叠区对应的机载点云密度和重叠区面积，并根据机载点云密度和重叠区面积确定各个重叠区的定向权重；根据定向权重构建目标函数，并根据目标函数对卫星影像立体匹配点云进行绝对定向。本发明根据各个重叠区对应的机载点云密度和重叠区面积确定各个重叠区的定向权重，根据各个重叠区的定向权重对卫星影像立体匹配点云进行绝对定向，在绝对定向过程中考虑了不同重叠区中的机载点云数据的数据质量差异及误差分布的各向异性，提高了卫星影像立体匹配点云的定向精度。

Description

一种机载点云辅助的卫星影像立体匹配点云定向方法
技术领域
本发明涉及摄影遥感与测量技术领域，具体涉及一种机载点云辅助的卫星影像立体匹配点云定向方法。
背景技术
通过卫星影像获取的三维点云数据在大范围测图等应用中具有不可替代的作用。然而，由于卫星星历误差等因素的影响，卫星影像位置信息往往不够精确，从而导致通过卫星影像立体匹配获取的点云数据绝对位置精度较差，故利用卫星影像立体匹配获取的点云数据需要结合地面数据进行绝对定向。
在城市地区，无人机获取的机载点云数据具有密度大、绝对位置精度高的特点，可用作参考对卫星影像立体匹配点云进行绝对定向。但现有以机载点云为参考，对卫星影像立体匹配点云进行绝对定向的方法未考虑不同区域机载点云数据的数据质量差异及误差分布的各向异性，导致定向结果并非最优估计，使得卫星影像匹配点云的绝对定向精度不足。
因此，现有技术还有待于改进和发展。
发明内容
针对现有技术的上述缺陷，本发明提供一种机载点云辅助的卫星影像立体匹配点云定向方法，旨在解决现有卫星影像立体匹配点云定向方法未考虑不同区域机载点云数据的数据质量差异及误差分布的各向异性，导致定向结果误差大的问题。
本发明解决技术问题所采用的技术方案如下：
一种机载点云辅助的卫星影像立体匹配点云定向方法，其中，包括：
获取卫星影像立体匹配点云和机载点云，确定所述卫星影像立体匹配点云和所述机载点云的若干重叠区；
计算各个所述重叠区对应的机载点云密度和重叠区面积，并根据所述机载点云密度和所述重叠区面积确定各个所述重叠区的定向权重；
根据所述定向权重构建目标函数，并根据所述目标函数对所述卫星影像立体匹配点云进行绝对定向。
所述的机载点云辅助的卫星影像立体匹配点云定向方法，其中，所述确定所述卫星影像立体匹配点云和所述机载点云的若干重叠区的步骤包括：
对所述卫星影像立体匹配点云和所述机载点云进行以地面为参考面的二维平面投影，并从投影后的所述卫星影像立体匹配点云中提取出第一多边形，以及从投影后的所述机载点云中提取出第二多边形；
对所述第一多边形和所述第二多边形进行求交运算，确定所述卫星影像立体匹配点云和所述机载点云的若干重叠区。
所述的机载点云辅助的卫星影像立体匹配点云定向方法，其中，所述计算各个所述重叠区对应的机载点云密度的步骤包括：
采用K近邻搜索算法确定各个所述重叠区内的机载点云中的每个点对应的K个邻近点；
计算各个所述重叠区内的机载点云中的所有点与其对应的K个邻近点的距离平均值，并将所述距离平均值作为各个所述重叠区对应的机载点云密度。
所述的机载点云辅助的卫星影像立体匹配点云定向方法，其中，所述计算各个所述重叠区对应的重叠区面积的步骤包括：
对各个所述重叠区内的机载点云进行二维平面投影，并从投影后的各个所述重叠区内的机载点云中提取出各个所述重叠区对应的二维alpha-shape边界；
根据所述二维alpha-shape边界确定各个所述重叠区对应的第三多边形，并根据所述第三多边形计算各个所述重叠区对应的重叠区面积。
所述的机载点云辅助的卫星影像立体匹配点云定向方法，其中，所述根据所述机载点云密度和所述重叠区面积确定各个所述重叠区的定向权重的步骤包括：
根据所述机载点云密度，确定各个所述重叠区的密度权重；
根据所述重叠区面积，确定各个所述重叠区的面积权重；
根据所述密度权重和所述面积权重，确定各个所述重叠区的定向权重。
所述的机载点云辅助的卫星影像立体匹配点云定向方法，其中，所述目标函数的公式为：
Figure GDA0003005823830000041
其中，Wi表示第i个重叠区的定向权重，|E|表示机载点云数量，ej表示机载点云中的点，sj表示卫星影像立体匹配点云中的点，R表示旋转参数，t表示平移参数。
所述的机载点云辅助的卫星影像立体匹配点云定向方法，其中，所述根据所述目标函数对所述卫星影像立体匹配点云进行绝对定向的步骤包括：
获取各个所述重叠区中卫星影像立体匹配点云在机载点云中的对应近点，并将各个所述重叠区中卫星影像立体匹配点云及其对应近点代入所述目标函数中，确定各个所述重叠区的变换参数；其中，所述变换参数包括旋转参数和平移参数；
利用所述变换参数对所述卫星影像立体匹配点云进行坐标变换，并判断变换后的所述卫星影像立体匹配点云与所述机载点云的平均距离是否满足预设条件，若否，则将变换后的所述卫星影像立体匹配点云作为新的卫星影像立体匹配点云，并继续执行确定各个所述重叠区的变换参数，利用所述变换参数对所述卫星影像立体匹配点云进行坐标变换的步骤，直至变换后的所述卫星影像立体匹配点云与所述机载点云的平均距离满足预设条件。
所述的机载点云辅助的卫星影像立体匹配点云定向方法，其中，所述获取各个所述重叠区中卫星影像立体匹配点云在机载点云中的对应近点的步骤包括：
遍历各个所述重叠区中的每个卫星影像立体匹配点云，确定各个所述重叠区中的每个卫星影像立体匹配点云与所有机载点云的欧式距离；
根据所述欧式距离，获取各个所述重叠区中卫星影像立体匹配点云在机载点云中的对应近点。
一种智能终端，其中，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述所述的机载点云辅助的卫星影像立体匹配点云定向方法中的步骤。
一种计算机可读存储介质，其上存储有多条指令，其中，所述指令适于由处理器加载并执行，以执行实现上述所述的机载点云辅助的卫星影像立体匹配点云定向方法中的步骤。
本发明的有益效果：本发明根据各个重叠区对应的机载点云密度和重叠区面积确定各个重叠区的定向权重，根据各个重叠区的定向权重对卫星影像立体匹配点云进行绝对定向，在绝对定向过程中考虑了不同重叠区中的机载点云数据的数据质量差异及误差分布的各向异性，提高了卫星影像立体匹配点云的定向精度。
附图说明
图1是本发明实施例中提供的机载点云辅助的卫星影像立体匹配点云定向方法的一个实施例流程图；
图2是本发明实施例提供的机载点云辅助的卫星影像立体匹配点云定向方法的实验场景图；
图3是本发明实施例提供的智能终端的功能原理图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、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仅用以解释本发明，并不用于限定本发明。
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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明提供的机载点云辅助的卫星影像立体匹配点云定向方法，可以应用于终端中。其中，终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。本发明的终端采用多核处理器。其中，终端的处理器可以为中央处理器(Central Processing Unit，CPU)，图形处理器(Graphics Processing Unit，GPU)、视频处理单元(Video Processing Unit，VPU)等中的至少一种。
示例性方法
在城市地区，无人机获取的机载点云数据具有密度大、绝对位置精度高的特点，可用作参考对卫星影像立体匹配点云进行绝对定向。当前常规做法是：以经过绝对定向的机载点云为参数，对卫星影像立体匹配点云采用迭代最近点(Iterative Closest Point，ICP)算法进行配准，纠正卫星影像立体匹配点云的三维坐标，实现绝对定向。然而，现有方法未考虑不同区域机载点云数据的数据质量差异及误差分布的各向异性，导致定向结果并非最优估计，使得卫星影像立体匹配点云的绝对定位精度不足。
为了解决上述问题，本发明实施例提供了一种机载点云辅助的卫星影像立体匹配点云定向方法，请参照图1，图1是本发明提供的一种机载点云辅助的卫星影像立体匹配点云定向方法的一个实施例的流程图。
在本发明的一个实施例中，所述机载点云辅助的卫星影像立体匹配点云定向方法有三个步骤：
S100、获取卫星影像立体匹配点云和机载点云，确定所述卫星影像立体匹配点云和所述机载点云的若干重叠区。
具体地，本实施例中的卫星影像立体匹配点云通过卫星获取，机载点云通过无人机获取，无人机获取的机载点云具有密度大、绝对位置精度高的特点，可用作参考对卫星影像立体匹配点云进行绝对定位。考虑卫星影像立体匹配点云和机载点云不在同一平面上，本实施例中以地面为参考面，获取到卫星影像立体匹配点云和机载点云后，将卫星影像立体匹配点云和机载点云分别进行以地面为参考面的二维平面投影，确定卫星影像立体匹配点云和机载点云在所述二维平面上的若干重叠区，以便后续步骤中根据不同重叠区中机载点云的数据质量差异及误差分布的各向异性，对卫星影像立体匹配点云进行绝对定向。
在一具体实施方式中，步骤S100中所述确定所述卫星影像立体匹配点云和所述机载点云的若干重叠区的步骤包括：
S110、对所述卫星影像立体匹配点云和所述机载点云进行以地面为参考面的二维平面投影，并从投影后的所述卫星影像立体匹配点云中提取出第一多边形，以及从投影后的所述机载点云中提取出第二多边形；
S120、对所述第一多边形和所述第二多边形进行求交运算，确定所述卫星影像立体匹配点云和所述机载点云的若干重叠区。
如图2所示，本实施例获取到卫星影像立体匹配点云和机载点云后，将所述卫星影像立体匹配点云和所述机载点云投影到以地面为参考面的二维平面上，然后从投影后的所述卫星影像立体匹配点云中提取出所述卫星影像立体匹配点云对应的二维alpha-shape边界，并根据所述卫星影像立体匹配点云对应的二维alpha-shape边界构建所述卫星影像立体匹配点云对应的第一多边形，以及从投影后的所述机载点云中提取出所述机载点云对应的二维alpha-shape边界，并根据所述机载点云对应的二维alpha-shape边界构建所述机载点云对应的第二多边形。最后对所述第一多边形和所述第二多边形进行求交运算，确定所述卫星影像立体匹配点云和所述机载点云的若干重叠区。
S200、计算各个所述重叠区对应的机载点云密度和重叠区面积，并根据所述机载点云密度和所述重叠区面积确定各个所述重叠区的定向权重。
为了衡量不同重叠区中的机载点云数据的数据质量差异及误差分布的各向异性，本实施例中确定所述卫星影像立体匹配点云和所述机载点云的若干重叠区后，计算各个所述重叠区对应的机载点云密度和重叠区面积，并根据所述机载点云密度和所述重叠区面积确定各个所述重叠区的定向权重，一般来说，不同测区机载点云的绝对位置精度越高，其对应的定向权重越大，根据不同重叠区的定向权重对卫星影像立体匹配点云进行绝对定向，能提高卫星影像立体匹配点云的定向精度。
在一具体实施方式中，步骤S200中所述计算各个所述重叠区对应的机载点云密度的步骤包括：
S210、采用K近邻搜索算法确定各个所述重叠区内的机载点云中的每个点对应的K个邻近点；
S220、计算各个所述重叠区内的机载点云中的所有点与其对应的K个邻近点的距离平均值，并将所述距离平均值作为各个所述重叠区对应的机载点云密度。
本实施例中采用K近邻搜索算法计算各个所述重叠区对应的机载点云密度，首先遍历各个所述重叠区内的机载点云中的每个点，以被遍历点为中心，采用K近邻搜索算法，确定各个所述重叠区内的机载点云中的每个点对应的K个邻近点；然后计算各个所述重叠区内的机载点云中的所有点与其对应的K个邻近点的距离平均值，并将所述距离平均值作为各个所述重叠区对应的机载点云密度。例如，假设某一重叠区域A内包括n个点即A1、A2、A3…An，确定A1、A2、A3…An各自对应的K个邻近点，并计算A1、A2、A3…An与其对应的K个邻近点的平均距离分别为S1、S2、S3…Sn，则重叠区域A对应的机载点云密度为S1、S2、S3…Sn的平均值。
在一具体实施方式中，步骤S200中所述计算各个所述重叠区对应的重叠区面积的步骤包括：
S230、对各个所述重叠区内的机载点云进行二维平面投影，并从投影后的各个所述重叠区内的机载点云中提取出各个所述重叠区对应的二维alpha-shape边界；
S240、根据所述二维alpha-shape边界确定各个所述重叠区对应的第三多边形，并根据所述第三多边形计算各个所述重叠区对应的重叠区面积。
在计算各个所述重叠区对应的重叠区面积时，本实施例中将各个所述重叠区内的机载点云投影到二维平面，并从投影后的各个所述重叠区内的机载点云中提取出各个所述重叠区对应的二维alpha-shape边界；然后根据所述二维alpha-shape边界确定各个所述重叠区对应的第三多边形，计算所述第三多边形面积并将所述第三多边形面积作为各个所述重叠区对应的重叠区面积。
在一具体实施方式中，步骤S200中所述根据所述机载点云密度和所述重叠区面积确定各个所述重叠区的定向权重的步骤包括：
S250、根据所述机载点云密度，确定各个所述重叠区的密度权重；
S260、根据所述重叠区面积，确定各个所述重叠区的面积权重；
S270、根据所述密度权重和所述面积权重，确定各个所述重叠区的定向权重。
在确定各个所述重叠区的定向权重时，本实施例中首先根据各个重叠区对应的机载点云密度和重叠区面积分别确定各个所述重叠区的密度权重和面积权重。其中，密度权重的计算公式为：
Figure GDA0003005823830000111
其中，WDensity(i)为第i个重叠区的密度权重，Di为第i个重叠区对应的机载点云密度，n为重叠区个数；面积权重的计算公式为：
Figure GDA0003005823830000112
其中，WArea(i)为第i个重叠区的面积权重，Si为第i个重叠区对应的重叠区面积，n为重叠区个数。
进一步地，确定各个所述重叠区的密度权重和面积权重后，根据所述密度权重和所述面积权重，确定各个所述重叠区的定向权重。其中，所述定向权重的计算公式为：Wi＝WArea(i)+WDensity(i)。定向权重反应了不同重叠区中的机载点云数据的数据质量差异及误差分布的各向异性，根据不同重叠区的定向权重对卫星影像立体匹配点云进行绝对定向，能提高卫星影像立体匹配点云的定向精度。
S300、根据所述定向权重构建目标函数，并根据所述目标函数对所述卫星影像立体匹配点云进行绝对定向。
与传统卫星影像立体匹配点云绝对定向方法不同，本实施例中以机载点云为参考，采用非对称迭代最近点(Iterative Closest Point，ICP)加权方法对卫星影像立体匹配点云进行绝对定向，所述目标函数为非对称ICP加权方法中使用的优化函数，用于对所述卫星影像立体匹配点云进行绝对定位，其根据各个所述重叠区的定向权重构建。本实施例中所述目标函数的公式为：
Figure GDA0003005823830000121
其中，Wi表示第i个重叠区的定向权重，|E|表示机载点云数量，ej表示机载点云中的点，sj表示卫星影像立体匹配点云中的点，R表示旋转参数，t表示平移参数。
在一具体实施方式中，所述根据所述目标函数对所述卫星影像立体匹配点云进行绝对定向的步骤包括：
S310、获取各个所述重叠区中卫星影像立体匹配点云在机载点云中的对应近点，并将各个所述重叠区中卫星影像立体匹配点云及其对应近点代入所述目标函数中，确定各个所述重叠区的变换参数；其中，所述变换参数包括旋转参数和平移参数；
S320、利用所述变换参数对所述卫星影像立体匹配点云进行坐标变换，并判断变换后的所述卫星影像立体匹配点云与所述机载点云的平均距离是否满足预设条件，若否，则将变换后的所述卫星影像立体匹配点云作为新的卫星影像立体匹配点云，并继续执行确定各个所述重叠区的变换参数，利用所述变换参数对所述卫星影像立体匹配点云进行坐标变换的步骤，直至变换后的所述卫星影像立体匹配点云与所述机载点云的平均距离满足预设条件。
本实施例中通过定向权重构建目标函数后，获取各个重叠区中卫星影像立体匹配点云在机载点云中的对应近点，并将各个所述重叠区中卫星影像立体匹配点云及其对应近点代入所述目标函数中，即可求得使各个所述重叠区中卫星影像立体匹配点云及其对应近点平均距离最小时的旋转参数和平移参数，即各个所述重叠区的变换参数；然后利用得到的变换参数对卫星影像立体匹配点云进行坐标变换，并将变换后的卫星影像立体匹配点云与机载点云代入目标函数中，计算变换后的所述卫星影像立体匹配点云与所述机载点云的平均距离；随后判断所述平均距离是否满足预设条件，若否，则将变换后的所述卫星影像立体匹配点云作为新的卫星影像立体匹配点云，并继续执行确定各个所述重叠区的变换参数，利用所述变换参数对所述卫星影像立体匹配点云进行坐标变换的步骤，直至变换后的所述卫星影像立体匹配点云与所述机载点云的平均距离满足预设条件。例如，各个所述重叠区中卫星影像立体匹配点云与其在机载点云中的对应近点分别为sj和ej，将sj和ej代入目标函数中可以确定使sj和ej的平均距离最小时的旋转参数R和平移参数t，然后通过旋转参数R和平移参数t对卫星影像立体匹配点云进行坐标变换，得到变换后的卫星影像立体匹配点云；当变换后的卫星影像立体匹配点云和机载点云平均距离不满足预设阈值时，则将变换后的卫星影像立体匹配点云作为新的卫星影像立体匹配点云，并继续执行确定旋转参数R和平移参数t，利用旋转参数R和平移参数t对所述卫星影像立体匹配点云进行坐标变换的步骤，直至变换后的所述卫星影像立体匹配点云与所述机载点云的平均距离满足预设阈值。
在一具体实施方式中，步骤S310中所述获取各个所述重叠区中卫星影像立体匹配点云在机载点云中的对应近点的步骤包括：
S311、遍历各个所述重叠区中的每个卫星影像立体匹配点云，确定各个所述重叠区中的每个卫星影像立体匹配点云与所有机载点云的欧式距离；
S312、根据所述欧式距离，获取各个所述重叠区中卫星影像立体匹配点云在机载点云中的对应近点。
在确定各个所述重叠区中卫星影像立体匹配点云在机载点云中的对应近点时，本实施例中遍历各个重叠区中的每个卫星影像立体匹配点云，计算遍历点与对应重叠区中所有机载点云的欧式距离，并将欧式距离最小的机载点云作为各个所述重叠区中卫星影像立体匹配点云在机载点云中的对应近点。
示例性设备
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图3所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏和温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种机载点云辅助的卫星影像立体匹配点云定向方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在装置内部设置，用于检测内部设备的当前运行温度。
本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时至少可以实现以下步骤：
获取卫星影像立体匹配点云和机载点云，确定所述卫星影像立体匹配点云和所述机载点云的若干重叠区；
计算各个所述重叠区对应的机载点云密度和重叠区面积，并根据所述机载点云密度和所述重叠区面积确定各个所述重叠区的定向权重；
根据所述定向权重构建目标函数，并根据所述目标函数对所述卫星影像立体匹配点云进行绝对定向。
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的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种机载点云辅助的卫星影像立体匹配点云定向方法，包括：获取卫星影像立体匹配点云和机载点云，确定所述卫星影像立体匹配点云和所述机载点云的若干重叠区；计算各个所述重叠区对应的机载点云密度和重叠区面积，并根据所述机载点云密度和所述重叠区面积确定各个所述重叠区的定向权重；根据所述定向权重构建目标函数，并根据所述目标函数对所述卫星影像立体匹配点云进行绝对定向。本发明根据各个重叠区对应的机载点云密度和重叠区面积确定各个重叠区的定向权重，根据各个重叠区的定向权重对卫星影像立体匹配点云进行绝对定向，在绝对定向过程中考虑了不同重叠区中的机载点云数据的数据质量差异及误差分布的各向异性，提高了卫星影像立体匹配点云的定向精度。
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。

Claims (6)

1.一种机载点云辅助的卫星影像立体匹配点云定向方法，其特征在于，包括：
获取卫星影像立体匹配点云和机载点云，确定所述卫星影像立体匹配点云和所述机载点云的若干重叠区；
计算各个所述重叠区对应的机载点云密度和重叠区面积，并根据所述机载点云密度和所述重叠区面积确定各个所述重叠区的定向权重；
根据所述定向权重构建目标函数，并根据所述目标函数对所述卫星影像立体匹配点云进行绝对定向；
所述根据所述机载点云密度和所述重叠区面积确定各个所述重叠区的定向权重的步骤包括：
根据所述机载点云密度，确定各个所述重叠区的密度权重；所述密度权重的计算公式为：
Figure FDA0003013014330000011
其中，WDensity(i)为第i个重叠区的密度权重，Di为第i个重叠区对应的机载点云密度，n为重叠区个数，i＝1，2，3…n；
根据所述重叠区面积，确定各个所述重叠区的面积权重；所述面积权重的计算公式为：
Figure FDA0003013014330000012
其中，WArea(i)为第i个重叠区的面积权重，Si为第i个重叠区对应的重叠区面积，n为重叠区个数，i＝1，2，3…n；
根据所述密度权重和所述面积权重，确定各个所述重叠区的定向权重；
所述目标函数的公式为：
Figure FDA0003013014330000021
其中，Wi表示第i个重叠区的定向权重，|E|表示机载点云数量，ej表示机载点云中的点，sj表示卫星影像立体匹配点云中的点，R表示旋转参数，t表示平移参数。
2.根据权利要求1所述的机载点云辅助的卫星影像立体匹配点云定向方法，其特征在于，所述确定所述卫星影像立体匹配点云和所述机载点云的若干重叠区的步骤包括：
对所述卫星影像立体匹配点云和所述机载点云进行以地面为参考面的二维平面投影，并从投影后的所述卫星影像立体匹配点云中提取出第一多边形，以及从投影后的所述机载点云中提取出第二多边形；
对所述第一多边形和所述第二多边形进行求交运算，确定所述卫星影像立体匹配点云和所述机载点云的若干重叠区。
3.根据权利要求1所述的机载点云辅助的卫星影像立体匹配点云定向方法，其特征在于，所述计算各个所述重叠区对应的机载点云密度的步骤包括：
采用K近邻搜索算法确定各个所述重叠区内的机载点云中的每个点对应的K个邻近点；
计算各个所述重叠区内的机载点云中的所有点与其对应的K个邻近点的距离平均值，并将所述距离平均值作为各个所述重叠区对应的机载点云密度；其中，针对每个重叠区，计算此重叠区内的机载点云中的每个点与其对应的K个邻近点的平均距离，对此重叠区内的机载点云中的所有点所对应的平均距离求取平均值，将此平均值作为此重叠区内的机载点云中的所有点与其对应的K个邻近点的距离平均值。
4.根据权利要求1所述的机载点云辅助的卫星影像立体匹配点云定向方法，其特征在于，所述计算各个所述重叠区对应的重叠区面积的步骤包括：
对各个所述重叠区内的机载点云进行二维平面投影，并从投影后的各个所述重叠区内的机载点云中提取出各个所述重叠区对应的二维alpha-shape边界；
根据所述二维alpha-shape边界确定各个所述重叠区对应的第三多边形，并根据所述第三多边形计算各个所述重叠区对应的重叠区面积。
5.根据权利要求1所述的机载点云辅助的卫星影像立体匹配点云定向方法，其特征在于，所述根据所述目标函数对所述卫星影像立体匹配点云进行绝对定向的步骤包括：
获取各个所述重叠区中卫星影像立体匹配点云在机载点云中的对应最近点，并将各个所述重叠区中卫星影像立体匹配点云及其对应最近点代入所述目标函数中，确定各个所述重叠区的变换参数；其中，所述变换参数包括旋转参数和平移参数；
利用所述变换参数对所述卫星影像立体匹配点云进行坐标变换，并判断变换后的所述卫星影像立体匹配点云与所述机载点云的平均距离是否满足预设条件，若否，则将变换后的所述卫星影像立体匹配点云作为新的卫星影像立体匹配点云，并继续执行确定各个所述重叠区的变换参数，利用所述变换参数对所述卫星影像立体匹配点云进行坐标变换的步骤，直至变换后的所述卫星影像立体匹配点云与所述机载点云的平均距离满足预设条件。
6.根据权利要求5所述的机载点云辅助的卫星影像立体匹配点云定向方法，其特征在于，所述获取各个所述重叠区中卫星影像立体匹配点云在机载点云中的对应最近点的步骤包括：
遍历各个所述重叠区中的每个卫星影像立体匹配点云，确定各个所述重叠区中的每个卫星影像立体匹配点云与所有机载点云的欧式距离；
根据所述欧式距离，获取各个所述重叠区中卫星影像立体匹配点云在机载点云中的对应最近点。
CN202110120579.5A 2021-01-28 2021-01-28 一种机载点云辅助的卫星影像立体匹配点云定向方法 Active CN112435299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110120579.5A CN112435299B (zh) 2021-01-28 2021-01-28 一种机载点云辅助的卫星影像立体匹配点云定向方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110120579.5A CN112435299B (zh) 2021-01-28 2021-01-28 一种机载点云辅助的卫星影像立体匹配点云定向方法

Publications (2)

Publication Number Publication Date
CN112435299A CN112435299A (zh) 2021-03-02
CN112435299B true CN112435299B (zh) 2021-06-01

Family

ID=74697386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110120579.5A Active CN112435299B (zh) 2021-01-28 2021-01-28 一种机载点云辅助的卫星影像立体匹配点云定向方法

Country Status (1)

Country Link
CN (1) CN112435299B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114485683B (zh) * 2021-12-31 2023-04-21 武汉中海庭数据技术有限公司 一种基于蒙特卡洛优化的局部碎片地图匹配方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463894B (zh) * 2014-12-26 2020-03-24 山东理工大学 一种多视角三维激光点云全局优化整体配准方法
CN108376408B (zh) * 2018-01-30 2020-04-03 清华大学深圳研究生院 一种基于曲率特征的三维点云数据快速加权配准方法
CN108830902A (zh) * 2018-04-19 2018-11-16 江南大学 一种基于点云处理的散乱工件识别与定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Point Clouds Registration with Probabilistic Data Association;Gabriel Agamennoni et al;《2016 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)》;20161201;第4092-4098页 *
基于机载激光点云的电力线自动提取方法;李靖 等;《https://kns.cnki.net/kcms/detail/51.1125.TN.20200710.1024.002.html》;20200710;第1-10页 *

Also Published As

Publication number Publication date
CN112435299A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN110969145B (zh) 一种遥感图像匹配优化方法、装置、电子设备及存储介质
CN112085033B (zh) 一种模板匹配方法、装置、电子设备及存储介质
CN114120149B (zh) 一种倾斜摄影测量建筑物特征点提取方法、装置、电子设备及介质
CN112862890B (zh) 道路坡度预测方法、装置和存储介质
CN111241224B (zh) 目标距离估计的方法、系统、计算机设备和存储介质
CN109102524B (zh) 图像特征点的跟踪方法和跟踪装置
CN111950370B (zh) 动态环境下线拓展视觉里程计方法
CN112435299B (zh) 一种机载点云辅助的卫星影像立体匹配点云定向方法
CN113945937A (zh) 精度检测方法、装置及存储介质
CN111582013A (zh) 一种基于灰度共生矩阵特征船只检索方法及装置
CN112219225A (zh) 定位方法、系统及可移动平台
CN114581678A (zh) 一种模板特征匹配的自动跟踪与重识别方法
CN114501615A (zh) 终端定位方法、装置、计算机设备、存储介质和程序产品
CN112634628A (zh) 一种车辆速度确定方法、终端及存储介质
CN112489207A (zh) 一种空间约束的密集匹配点云平面基元提取方法
CN115952248B (zh) 终端设备的位姿处理方法、装置、设备、介质及产品
CN115222776B (zh) 匹配辅助视觉目标跟踪方法、装置、电子设备和存储介质
CN116758146A (zh) 基于图像的无人机集群目标定位方法、装置、设备及介质
CN116295353A (zh) 一种无人车辆的定位方法、装置、设备和存储介质
CN115272470A (zh) 相机定位方法、装置、计算机设备和存储介质
CN111951304B (zh) 基于互监督孪生网络的目标跟踪方法、装置与设备
CN110866535B (zh) 视差图的获取方法、装置、计算机设备和存储介质
CN113298713A (zh) 一种抗云干扰的在轨快速配准方法
CN109242894B (zh) 一种基于移动最小二乘法的图像对齐方法及系统
CN117671007B (zh) 一种位移监测方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant