CN112785686A - 一种基于大数据的林区地图构建方法及可读存储介质 - Google Patents
一种基于大数据的林区地图构建方法及可读存储介质 Download PDFInfo
- Publication number
- CN112785686A CN112785686A CN202110094660.0A CN202110094660A CN112785686A CN 112785686 A CN112785686 A CN 112785686A CN 202110094660 A CN202110094660 A CN 202110094660A CN 112785686 A CN112785686 A CN 112785686A
- Authority
- CN
- China
- Prior art keywords
- forest
- data
- precision
- point cloud
- aerial vehicle
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于大数据的林区地图构建方法及可读存储介质,所述方法涉及测绘领域,运用大数据技术快速构建林区高精地图,实现一种低成本及高效的林区高精路网制作方法及刻度存储介质,解决了本领域普遍存在地图制作耗时过长,制作成本大,三维制图过程不能呈现复杂的林区道路等等问题。
Description
技术领域
本发明涉及地面测绘领域,尤其涉及大数据的林区地图构建方法及可读存储介质。
背景技术
数字化和精准化是当今林业管理的趋势,林区高精路网地图必将成为林业管理中的“新基建”。然而,高精地图的生产制作是一个资金和技术要求很高的产业,因此本发明将利用大数据技术实现一种高效、低成本的林区高精路网制作方法。
如CN109345471A现有技术公开了一种基于高精轨迹数据测量绘制高精地图数据方法,根据GPS技术和相机参数进行地图绘制,但是需要高精轨迹相机辅助并且制作过程过长不适合林区环境的地图绘制。
另一种如CN101925941B的现有技术公开的一种地图数据制作装置以及地图描绘装置,根据节点进行一系列操作制作地图,但是该发明操作繁琐,不能快速完成地图的制作。
再来看如CN103337221B的现有技术公开的一种室内地图制作方法及室内地图,对制图数据进行分类分层,考虑不同比例尺地图的载负量,根据地图比例尺不同,呈现相应地图内容,不符合需要处理大量数据的林区地图的绘制。
为了解决本领域普遍存在地图制作耗时过长,制作成本大,三维制图过程不能呈现复杂的林区道路等等问题,作出了本发明。
发明内容
本发明的目的在于发明一种高效、低成本的林区高精路网制作的方法,针对目前林区地图制作耗时过长,地图制作成本大且大部分林区地图不能呈现完整的林区地貌所存在的不足,提出了一种基于大数据的林区地图构建方法及可读存储介质。
为了克服现有技术的不足,本发明采用如下技术方案:
一种基于大数据的林区地图构建方法及可读存储介质,其特征在于,包括:
外业数据采集;
对摄影数据进行特征点提取并生成密集匹配特征点;
通过密集匹配特征点获得点云数据并进行点云融合;
构建林区实景三维模型;
绘制林区高精路网。
可选的,所述外业数据采集步骤包括:
所述外业数据采集使用无人机技术进行所述林区数据采集,其中所述无人机技术采用倾斜摄影测量和地面近景摄影测量相结合的测量方法。
可选的,所述外业数据采集步骤包括:
所述倾斜摄影测量方法利用所述无人机进行低空摄影测量,其中所述无人机倾斜摄影测量方法分别在平行于所述林区地面的空中平面上的五个方位进行摄影测量,所述五个方位分别为:前、后、左、右、正。
可选的,所述外业数据采集步骤包括:
所述地面近景摄影测量方法采用手持所述无人机对平行于所述林区地面的四个方位进行摄影数据采集,其中所述四个方位分别为:与所述林区地面平行的前、后、左、右。
可选的,所述对摄影数据进行特征点提取并生成密集匹配特征点步骤包括:
通过所述倾斜摄影测量方法获取所述林区高空摄影数据,对所述林区高空摄影数据进行特征点1提取并进行特征点1匹配获得密集匹配特征点对1,通过所述地面近景摄影测量方法获取所述林区地表摄像数据,对所述林区地表摄影数据进行特征点2提取并对所述特征点2匹配获得密集匹配特征点对2。
可选的,所述通过密集匹配特征点获得点云数据并进行点云融合步骤包括:
将所述对摄影数据进行特征点提取并生成密集匹配特征点步骤中获取的特征点对1和特征点对2进行高精度相机位姿估计,通过对所述相机位姿估计获得所述摄影图像的像素,将所述像素反投影到世界坐标系下获得点云数据,对所述点云数据进行融合。
可选的,所述构建林区实景三维模型步骤包括:
通过所述密集匹配生成点云数据并进行点云融合步骤得到高精度的融合点云模型,通过所述点云融合模型获得三维模型。
可选的,所述绘制林区高精路网步骤包括:
使用三维测绘系统软件对所述林区路网上的道路点集的航向、坡度和曲率的计算,从而获取所述林区道路和道路周边设施的高精度地理位置信息。
可选的,所述绘制林区高精路网步骤包括:
使用所述三维绘测系统软件对所述林区路网进行绘制后进行精准度验证实验,验证绘制完成的所述林区高精路网满足高精度要求,若所述林区高精路网不满足精度要求则返回进行所述外业数据采集步骤,若所述林区高精路网满足所述精度要求,则所述林区高精路网绘制完成。
可选的,所述可读存储介质存储权力要求1至权利要求8的所有方法步骤。
本发明所取得的有益效果是:
1.通过采用无人机技术获取大量林区高空地貌数据,并且结合倾斜摄影测量和地面近景摄影测量结合的测量方法,有效获取林区地图制作所需数据,并且提高数据的完整性。
2.通过采用无人机技术快速获取点云与影响数据,利用点云融合技术快速构建林区三维地图。
3.通过采用特征点高精匹配算法快速提取影响特征点并采用全局优化实时优化摄像头的位姿数据,有效减少像素点的数据误差。
4.通过采用三维模型与影像数据相融合技术完成模型渲染,构建精准真实的三维模型,从精准三维模型上采集高精度地理信息数据,从而生成低成本高精度林区路网地图。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在不同的视图中,相同的附图标记指定对应的部分。
图1为本发明的方法步骤关系之间的结构示意图。
图2为本发明的无人机高空拍摄时的航线规划的结构示意图。
图3为本发明的林下影像获取的结构示意图。
图4为本发明的检查点分布的结构示意图。
图5为本发明的精度检验时航向、坡度、曲率路网选取点的结构示意图。
图6为本发明的林区三维地图模型的结构示意图。
具体实施方式
为了使得本发明的目的.技术方案及优点更加清楚明白,以下结合其实施例,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用于解释本发明,并不用于限定本发明。对于本领域技术人员而言,在查阅以下详细描述之后,本实施例的其它系统.方法和/或特征将变得显而易见。旨在所有此类附加的系统.方法.特征和优点都包括在本说明书内. 包括在本发明的范围内,并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征,并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”.“下”.“左”.“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位. 以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例一:
一种基于大数据的林区地图构建方法及可读存储介质,其特征在于,包括:
外业数据采集;
密集匹配生成点云数据并进行点云融合;
构建林区实景三维模型;
绘制林区高精路网;
其中所述外业数据采集步骤包括:
所述外业数据采集使用无人机技术进行所述林区数据采集,其中所述无人机技术采用倾斜摄影测量和地面近景摄影测量相结合的测量方法;
其中所述无人机技术中使用的无人机设备采用紧凑型四旋翼高精度航测专用无人机,其中所述无人机设备搭载基于RGB-D相机技术的摄像头,其中在所述摄像头内搭载5个传感器,其中所述传感器尺寸为12.8mm×9.6mm,所述摄像头的镜头焦距为8mm,所述摄像头的影像分辨率为5472×3648,所述摄像头的像元物理尺度为2.63um,当所述无人机进行所述倾斜摄影测量方法时的侧视镜头与所述林区水平面呈45度夹角;
所述无人机设备在所述林区进行所述倾斜摄影测量的具体步骤如下:
本实施例设计所述无人机飞行航高为120m,航线规划为南北方向32 条航带,东西方向21条航带,航线间距10m,航向重叠度与旁向重叠度均为70%;对所述林区的航拍面积为1.4平方公里,并且所述无人机在所述林区进行所述倾斜摄影时的飞行时间控制在30分钟以内,所述无人机设备进行所述倾斜摄影时分为10个架次,其中本实施例中所述无人机设备分别从前、后、左、右、正5个方向共获取2819张影像;
所述外业数据采集步骤包括:
所述地面近景摄影测量方法采用手持所述无人机对平行于所述林区地面的四个方位进行摄影数据采集,其中所述四个方位分别为:与所述林区地面平行的前、后、左、右;
其中所述手持所述无人机过程中需保证所述无人机平稳的移动,所述手持无人机需对林冠下平行于所述林区地面的前后左右四个方向采集所述影像数据并且保证所述影像的正向重叠率与旁向重叠率分别为80%、70%。
实施例二:本实施例应当理解为至少包含前述任一一个实施例的全部特征,并在其基础上进一步改进,具体的,提供一种基于大数据的林区地图构建方法及可读存储介质,其特征在于,包括:
外业数据采集;
密集匹配生成点云数据并进行点云融合;
构建林区实景三维模型;
绘制林区高精路网;
其中所述外业数据采集步骤包括:
所述外业数据采集使用无人机技术进行所述林区数据采集,其中所述无人机技术采用倾斜摄影测量和地面近景摄影测量相结合的测量方法;
其中所述无人机技术中使用的无人机设备采用紧凑型四旋翼高精度航测专用无人机,其中所述无人机设备搭载基于RGB-D相机技术的摄像头,其中在所述摄像头内搭载5个传感器,其中所述传感器尺寸为 12.8mm×9.6mm,所述摄像头的镜头焦距为8mm,所述摄像头的影像分辨率为5472×3648,所述摄像头的像元物理尺度为2.63um,当所述无人机进行所述倾斜摄影测量方法时的侧视镜头与所述林区水平面呈45度夹角;
所述无人机设备在所述林区进行所述倾斜摄影测量的具体步骤如下:
本实施例设计所述无人机飞行航高为120m,航线规划为南北方向32 条航带,东西方向21条航带,航线间距10m,航向重叠度与旁向重叠度均为70%;对所述林区的航拍面积为1.4平方公里,并且所述无人机在所述林区进行所述倾斜摄影时的飞行时间控制在30分钟以内,所述无人机设备进行所述倾斜摄影时分为10个架次,其中本实施例中所述无人机设备分别从前、后、左、右、正5个方向共获取2819张影像;
所述外业数据采集步骤包括:
所述地面近景摄影测量方法采用手持所述无人机对平行于所述林区地面的四个方位进行摄影数据采集,其中所述四个方位分别为:与所述林区地面平行的前、后、左、右;
其中所述手持所述无人机过程中需保证所述无人机平稳的移动,所述手持无人机需对林冠下平行于所述林区地面的前后左右四个方向采集所述影像数据并且保证所述影像的正向重叠率与旁向重叠率分别为80%、70%;所述对摄影数据进行特征点提取并生成密集匹配特征点步骤包括:
通过所述倾斜摄影测量方法获取所述林区高空摄影数据,对所述林区高空摄影数据进行特征点1提取并进行特征点1匹配获得密集匹配特征点对1,通过所述地面近景摄影测量方法获取所述林区地表摄像数据,对所述林区地表摄影数据进行特征点2提取并对所述特征点2匹配获得密集匹配特征点对2;
其中对所述特征点1和特征点2的提取步骤是相同的,所述步骤具体操作如下所示:
1、根据GMS特征提取获得初始的所述特征点对1和特征点对2;
先对所述摄影图像数据进行FAST角点提取,计算所述摄影图像中任意一个像素点与其领域内N个像素点亮度的差值,当所述任意像素点与其领域内像素点的亮度差值超过阈值的数量达到规定值时,则将所述像素点规定为所述FAST角点,其中所述阈值为任意数值;然后后见尺度空间,并对每层所述摄影图像都提取所述FAST角点,对所有所述FAST角点进行评估,选取前M个点作为最终的FAST角点,其中所述N和M可取任意整数,所述FAST角点代表所述像素点的空间位置,所述FAST角点即为所述特征点,所述特征点方向计算使用灰度质心计算并得出所述特征点,由公式(1)表示所述特征点:
其中公式(1)中f(o,α)表示所述特征点的二维像素坐标,N表示所述其领域内N个像素点,N取任意整数,i表示第i个像素点;公式(2)中的o(z)和o(t)分别表示所述像素点在z,t处的亮度,所述z为水平轴方向, t为垂直轴方向;
将计算获得的所有所述特征点依此进行欧式距离对比,遍历所有所述欧氏距离值对所述特征点对应的所述欧氏距离值的大小进行排序,对所述欧氏距离最近的所述特征点的集合称为所述密集匹配特征点对;
2、二三维特征点联合;根据所述密集匹配特征点对的二维像素坐标与其对应的三维空间坐标进行结合从而获得所述摄像头的位姿矩阵;根据步骤1可得二维特征点集合P2={p2 1、p2 2、p2 3、…p2 n}和三维特征点集合 P3={p3 1、p3 2、p3 3、…p3 n},通过将所述二维三维特征点进行联合调整获取优化的所述摄像头位姿,具体过程如下所示:
所述无人机每完成一次拍摄,所述拍摄所得图像即产生初始的当前时刻所述摄像头的位姿(E,t)及所述时刻获得的所述图像下的像素坐标x= (u,c,s),其中u和c分别为相机内置坐标的数据参数,s为深度信息产生的观测误差;则根据公式(3)可得经过优化后的所述图像拍摄时所述摄像头的位姿优化模型:
(3)Gi(xi+Δx)=ci+2biΔx+Δx′HiΔx
公式(3)中的Gi(xi+Δx)为所述位姿优化模型,xi表示第i个像素点的像素坐标;Δx为增量,在0-1范围之间取值;ci为所述第i个像素点的原始像素坐标,数据由所述无人机提供;bi和Hi分别为一次项系数和二次项系数,Hi为海塞矩阵形式,所述一次项系数和二次项系数值由所述摄像头内置参数进行数据插值方法进行拟合取得;
3、进行全局优化;将步骤2中求得的所有所述位姿优化模型数值与观测到的二维三维地图点进行联合后参加平差解算,并将所述摄像头的第一帧位姿固定不变从而获取高精度的所述摄像头的位姿和路标点;
将步骤1至步骤3获得的所述密集匹配特征点对和优化后的所述摄像头位姿和路标点进行联立,便可将所述图像的像素反投影至世界坐标系下得到点云数据。
实施例三:本实施例应当理解为至少包含前述任一一个实施例的全部特征,并在其基础上进一步改进,具体的,提供一种基于大数据的林区地图构建方法及可读存储介质,其特征在于,包括:
外业数据采集;
密集匹配生成点云数据并进行点云融合;
构建林区实景三维模型;
绘制林区高精路网;
其中所述外业数据采集步骤包括:
所述外业数据采集使用无人机技术进行所述林区数据采集,其中所述无人机技术采用倾斜摄影测量和地面近景摄影测量相结合的测量方法;
其中所述无人机技术中使用的无人机设备采用紧凑型四旋翼高精度航测专用无人机,其中所述无人机设备搭载基于RGB-D相机技术的摄像头,其中在所述摄像头内搭载5个传感器,其中所述传感器尺寸为 12.8mm×9.6mm,所述摄像头的镜头焦距为8mm,所述摄像头的影像分辨率为5472×3648,所述摄像头的像元物理尺度为2.63um,当所述无人机进行所述倾斜摄影测量方法时的侧视镜头与所述林区水平面呈45度夹角;
所述无人机设备在所述林区进行所述倾斜摄影测量的具体步骤如下:
本实施例设计所述无人机飞行航高为120m,航线规划为南北方向32 条航带,东西方向21条航带,航线间距10m,航向重叠度与旁向重叠度均为70%;对所述林区的航拍面积为1.4平方公里,并且所述无人机在所述林区进行所述倾斜摄影时的飞行时间控制在30分钟以内,所述无人机设备进行所述倾斜摄影时分为10个架次,其中本实施例中所述无人机设备分别从前、后、左、右、正5个方向共获取2819张影像;
所述外业数据采集步骤包括:
所述地面近景摄影测量方法采用手持所述无人机对平行于所述林区地面的四个方位进行摄影数据采集,其中所述四个方位分别为:与所述林区地面平行的前、后、左、右;
其中所述手持所述无人机过程中需保证所述无人机平稳的移动,所述手持无人机需对林冠下平行于所述林区地面的前后左右四个方向采集所述影像数据并且保证所述影像的正向重叠率与旁向重叠率分别为80%、70%;通过所述倾斜摄影测量方法获取所述林区高空摄影数据,对所述林区高空摄影数据进行特征点1提取并进行特征点1匹配获得密集匹配特征点对1,通过所述地面近景摄影测量方法获取所述林区地表摄像数据,对所述林区地表摄影数据进行特征点2提取并对所述特征点2匹配获得密集匹配特征点对2;
其中对所述特征点1和特征点2的提取步骤是相同的,所述步骤具体操作如下所示:
a1、根据GMS特征提取获得初始的所述特征点对1和特征点对2;
先对所述摄影图像数据进行FAST角点提取,计算所述摄影图像中任意一个像素点与其领域内N个像素点亮度的差值,当所述任意像素点与其领域内像素点的亮度差值超过阈值的数量达到规定值时,则将所述像素点规定为所述FAST角点,其中所述阈值为任意数值;然后后见尺度空间,并对每层所述摄影图像都提取所述FAST角点,对所有所述FAST角点进行评估,选取前M个点作为最终的FAST角点,其中所述N和M可取任意整数,所述FAST角点代表所述像素点的空间位置,所述FAST角点即为所述特征点,所述特征点方向计算使用灰度质心计算并得出所述特征点,由公式(1)表示所述特征点:
其中公式(1)中f(o,α)表示所述特征点的二维像素坐标,N表示所述其领域内N个像素点,N取任意整数,i表示第i个像素点;公式(2)中的o(z)和o(t)分别表示所述像素点在z,t处的亮度,所述z为水平轴方向, t为垂直轴方向;
将计算获得的所有所述特征点依此进行欧式距离对比,遍历所有所述欧氏距离值对所述特征点对应的所述欧氏距离值的大小进行排序,对所述欧氏距离最近的所述特征点的集合称为所述密集匹配特征点对;
a2、二三维特征点联合;根据所述密集匹配特征点对的二维像素坐标与其对应的三维空间坐标进行结合从而获得所述摄像头的位姿矩阵;根据步骤a1可得二维特征点集合P2={p2 1、p2 2、p2 3、…p2 n}和三维特征点集合 P3={p3 1、p3 2、p3 3、…p3 n},通过将所述二维三维特征点进行联合调整获取优化的所述摄像头位姿,具体过程如下所示:
所述无人机每完成一次拍摄,所述拍摄所得图像即产生初始的当前时刻所述摄像头的位姿(E,t)及所述时刻获得的所述图像下的像素坐标x= (u,c,s),其中u和c分别为相机内置坐标的数据参数,s为深度信息产生的观测误差;则根据公式(3)可得经过优化后的所述图像拍摄时所述摄像头的位姿优化模型:
(3)Gi(xi+Δx)=ci+2biΔx+Δx′HiΔx
公式(3)中的Gi(xi+Δx)为所述位姿优化模型,xi表示第i个像素点的像素坐标;Δx为增量,在0-1范围之间取值;ci为所述第i个像素点的原始像素坐标,数据由所述无人机提供;bi和Hi分别为一次项系数和二次项系数,Hi为海塞矩阵形式,所述一次项系数和二次项系数值由所述摄像头内置参数进行数据插值方法进行拟合取得;
a3、进行全局优化;将步骤2中求得的所有所述位姿优化模型数值与观测到的二维三维地图点进行联合后参加平差解算,并将所述摄像头的第一帧位姿固定不变从而获取高精度的所述摄像头的位姿和路标点;
将步骤a1至步骤a3获得的所述密集匹配特征点对和优化后的所述摄像头位姿和路标点进行联立,便可将所述图像的像素反投影至世界坐标系下得到点云数据;
所述通过密集匹配特征点获得点云数据并进行点云融合步骤包括:
将所述对摄影数据进行特征点提取并生成密集匹配特征点步骤中获取的特征点对1和特征点对2进行高精度相机位姿估计,通过对所述相机位姿估计获得所述摄影图像的像素,将所述像素反投影到世界坐标系下获得点云数据,对所述点云数据进行融合;
b1、首先将获取所述点云数据,具体步骤如下所示:
所述位姿参数经过优化后对所述图像中像素的点云的位置发生变化,变化位置方程由公式(4)决定:
公式(4)中的n’i表示所述变形后的第i个点云坐标,ni为第i个所述点云的所述变形前的坐标,其数值由所述摄像头提供;集合(n,g)表示所有所述点云中特征点的集合,gr和gt分别表示所述特征点被优化后的位置和姿态数值,qb(n)表示所述第i个点云所受所述特征点影响的权重,所述权重值由公式(6)决定;
所述点云法向量的变形方程由公式(5)决定:
公式(5)中的w’i表示变形后的所述点云的法向量,wi表示变形前的所述点云的法向量,其数值由所述摄像头提供;
公式(6)中的d表示第i个点云与其全部领域内所述特征点的最大欧式距离;
b2、获取变形后的所述点云数据后,将所述远景数据取得的点云数据与近景数据取得的点云数据进行点云融合,具体操作如下:
所述远景数据的点云集和为L={l1,l2,l3,…,ln}和所述影像点云集为K={k1,k2,k3,…,kn};则所述点云融合的目标函数模型为公式(7) 所示:
公式(7)中R表示点云数据之间的旋转矩阵参数,T表示所述点云数据之间的平移矩阵参数;所述R、T数值利用最小二乘法求解可得;
根据所述点云融合模型进一步构建林区实景三维模型;
所述构建林区实景三维模型步骤包括:
通过所述密集匹配生成点云数据并进行点云融合步骤得到高精度的融合点云模型,通过所述点云融合模型构建TIN模型,所述TIN模型负责表示所述林区地表几何结构数据,所述TIN模型与所述影像数据共同组成三维模型,其中所述三维测绘系统软件内置TIN模型自动生成所述林区地表集合结构数据。
实施例四:本实施例应当理解为至少包含前述任一一个实施例的全部特征,并在其基础上进一步改进,具体的,提供一种基于大数据的林区地图构建方法及可读存储介质,其特征在于,包括:
外业数据采集;
密集匹配生成点云数据并进行点云融合;
构建林区实景三维模型;
绘制林区高精路网;
其中所述外业数据采集步骤包括:
所述外业数据采集使用无人机技术进行所述林区数据采集,其中所述无人机技术采用倾斜摄影测量和地面近景摄影测量相结合的测量方法;
其中所述无人机技术中使用的无人机设备采用紧凑型四旋翼高精度航测专用无人机,其中所述无人机设备搭载基于RGB-D相机技术的摄像头,其中在所述摄像头内搭载5个传感器,其中所述传感器尺寸为 12.8mm×9.6mm,所述摄像头的镜头焦距为8mm,所述摄像头的影像分辨率为5472×3648,所述摄像头的像元物理尺度为2.63um,当所述无人机进行所述倾斜摄影测量方法时的侧视镜头与所述林区水平面呈45度夹角;
所述无人机设备在所述林区进行所述倾斜摄影测量的具体步骤如下:
本实施例设计所述无人机飞行航高为120m,航线规划为南北方向32 条航带,东西方向21条航带,航线间距10m,航向重叠度与旁向重叠度均为70%;对所述林区的航拍面积为1.4平方公里,并且所述无人机在所述林区进行所述倾斜摄影时的飞行时间控制在30分钟以内,所述无人机设备进行所述倾斜摄影时分为10个架次,其中本实施例中所述无人机设备分别从前、后、左、右、正5个方向共获取2819张影像;
所述外业数据采集步骤包括:
所述地面近景摄影测量方法采用手持所述无人机对平行于所述林区地面的四个方位进行摄影数据采集,其中所述四个方位分别为:与所述林区地面平行的前、后、左、右;
其中所述手持所述无人机过程中需保证所述无人机平稳的移动,所述手持无人机需对林冠下平行于所述林区地面的前后左右四个方向采集所述影像数据并且保证所述影像的正向重叠率与旁向重叠率分别为80%、70%;
所述对摄影数据进行特征点提取并生成密集匹配特征点步骤包括:
通过所述倾斜摄影测量方法获取所述林区高空摄影数据,对所述林区高空摄影数据进行特征点1提取并进行特征点1匹配获得密集匹配特征点对1,通过所述地面近景摄影测量方法获取所述林区地表摄像数据,对所述林区地表摄影数据进行特征点2提取并对所述特征点2匹配获得密集匹配特征点对2;
其中对所述特征点1和特征点2的提取步骤是相同的,所述步骤具体操作如下所示:
A1、根据GMS特征提取获得初始的所述特征点对1和特征点对2;
先对所述摄影图像数据进行FAST角点提取,计算所述摄影图像中任意一个像素点与其领域内N个像素点亮度的差值,当所述任意像素点与其领域内像素点的亮度差值超过阈值的数量达到规定值时,则将所述像素点规定为所述FAST角点,其中所述阈值为任意数值;然后后见尺度空间,并对每层所述摄影图像都提取所述FAST角点,对所有所述FAST角点进行评估,选取前M个点作为最终的FAST角点,其中所述N和M可取任意整数,所述FAST角点代表所述像素点的空间位置,所述FAST角点即为所述特征点,所述特征点方向计算使用灰度质心计算并得出所述特征点,由公式(1)表示所述特征点:
其中公式(1)中f(o,α)表示所述特征点的二维像素坐标,N表示所述其领域内N个像素点,N取任意整数,i表示第i个像素点;公式(2)中的o(z)和o(t)分别表示所述像素点在z,t处的亮度,所述z为水平轴方向, t为垂直轴方向;
将计算获得的所有所述特征点依此进行欧式距离对比,遍历所有所述欧氏距离值对所述特征点对应的所述欧氏距离值的大小进行排序,对所述欧氏距离最近的所述特征点的集合称为所述密集匹配特征点对;
A2、二三维特征点联合;根据所述密集匹配特征点对的二维像素坐标与其对应的三维空间坐标进行结合从而获得所述摄像头的位姿矩阵;根据步骤A1可得二维特征点集合P2={p2 1、p2 2、p2 3、…p2 n}和三维特征点集合 P3={p3 1、p3 2、p3 3、…p3 n},通过将所述二维三维特征点进行联合调整获取优化的所述摄像头位姿,具体过程如下所示:
所述无人机每完成一次拍摄,所述拍摄所得图像即产生初始的当前时刻所述摄像头的位姿(E,t)及所述时刻获得的所述图像下的像素坐标x= (u,c,s),其中u和c分别为相机内置坐标的数据参数,s为深度信息产生的观测误差;则根据公式(3)可得经过优化后的所述图像拍摄时所述摄像头的位姿优化模型:
(3)Gi(xi+Δx)=ci+2biΔx+Δx′HiΔx
公式(3)中的Gi(xi+Δx)为所述位姿优化模型,xi表示第i个像素点的像素坐标;Δx为增量,在0-1范围之间取值;ci为所述第i个像素点的原始像素坐标,数据由所述无人机提供;bi和Hi分别为一次项系数和二次项系数,Hi为海塞矩阵形式,所述一次项系数和二次项系数值由所述摄像头内置参数进行数据插值方法进行拟合取得;
A3、进行全局优化;将步骤2中求得的所有所述位姿优化模型数值与观测到的二维三维地图点进行联合后参加平差解算,并将所述摄像头的第一帧位姿固定不变从而获取高精度的所述摄像头的位姿和路标点;
将步骤A1至步骤A3获得的所述密集匹配特征点对和优化后的所述摄像头位姿和路标点进行联立,便可将所述图像的像素反投影至世界坐标系下得到点云数据;
所述通过密集匹配特征点获得点云数据并进行点云融合步骤包括:
将所述对摄影数据进行特征点提取并生成密集匹配特征点步骤中获取的特征点对1和特征点对2进行高精度相机位姿估计,通过对所述相机位姿估计获得所述摄影图像的像素,将所述像素反投影到世界坐标系下获得点云数据,对所述点云数据进行融合;
B1、首先将获取所述点云数据,具体步骤如下所示:
所述位姿参数经过优化后对所述图像中像素的点云的位置发生变化,变化位置方程由公式(4)决定:
公式(4)中的n’i表示所述变形后的第i个点云坐标,ni为第i个所述点云的所述变形前的坐标,其数值由所述摄像头提供;集合(n,g)表示所有所述点云中特征点的集合,gr和gt分别表示所述特征点被优化后的位置和姿态数值,qb(n)表示所述第i个点云所受所述特征点影响的权重,所述权重值由公式(6)决定;
所述点云法向量的变形方程由公式(5)决定:
公式(5)中的w’i表示变形后的所述点云的法向量,wi表示变形前的所述点云的法向量,其数值由所述摄像头提供;
公式(6)中的d表示第i个点云与其全部领域内所述特征点的最大欧式距离;
B2、获取变形后的所述点云数据后,将所述远景数据取得的点云数据与近景数据取得的点云数据进行点云融合,具体操作如下:
所述远景数据的点云集和为L={l1,l2,l3,…,ln}和所述影像点云集为K={k1,k2,k3,…,kn};则所述点云融合的目标函数模型为公式(7) 所示:
公式(7)中R表示点云数据之间的旋转矩阵参数,T表示所述点云数据之间的平移矩阵参数;所述R、T数值利用最小二乘法求解可得;
根据所述点云融合模型进一步构建林区实景三维模型;
所述构建林区实景三维模型步骤包括:
通过所述密集匹配生成点云数据并进行点云融合步骤得到高精度的融合点云模型,通过所述点云融合模型构建TIN模型,所述TIN模型负责表示所述林区地表几何结构数据,所述TIN模型与所述影像数据共同组成三维模型,其中所述三维测绘系统软件内置TIN模型自动生成所述林区地表集合结构数据;
所述绘制林区高精路网步骤包括:
使用三维测绘系统软件对所述林区路网上的道路点集的航向、坡度和曲率的计算,从而获取所述林区道路和道路周边设施的高精度地理位置信息;使用所述三维绘测系统软件对所述林区路网进行绘制后进行精准度验证实验,验证绘制完成的所述林区高精路网满足高精度要求,若所述林区高精路网不满足精度要求则返回进行所述外业数据采集步骤,若所述林区高精路网满足所述精度要求,则所述林区高精路网绘制完成;
在所述林区路网中的每条路段从西至东正向行驶的车道的中心线上选取20个坐标点来计算所述路段车道的航向、坡度、曲率,所述计算过程如下所示:
所述林区路网的三维数据由所述摄像头拍摄的摄影数据可得,在所述林区内任意一路段上任意两个个坐标点为J1(X1,Y1,Z1)、J2(X2,Y2,Z2),则所述J2的航向、坡度和曲率计算分别由公式(8)、(9)、(10)计算所得,其中所述航向表示为Ha,所述坡度表示为Po,所述曲率表示为 R:
根据公式(8)、(9)、(10)可得所述林区路网的三维位置信息;
使用所述三维绘测系统软件对所述林区路网进行绘制后进行精准度验证实验,验证绘制完成的所述林区高精路网满足高精度要求,为了验证林区路网的精度,在本实施例中对所述林区设置8个检查点;
采用GPS-RTK实时采集所述检查点的三维坐标,将所述三维坐标作为真值,并利用现场量测工具得到所述检查点的实际坐标,计算所述三维坐标和实际坐标之间的差值,进而计算平面中误差及高程中误差,根据所述平面中误差和高程中误差判断所述高精路网的精度,其中若所述误差值小于20cm则所述高精路网符合精度要求。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
综上所述,本发明的一种基于大数据的林区地图构建方法及可读存储介质。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。也就是说上面讨论的方法,系统和设备是示例。各种配置可以适当地省略,替换或添加各种过程或组件。例如,在替代配置中,可以以与所描述的顺序不同的顺序执行方法,和/或可以添加,省略和/或组合各种部件。而且,关于某些配置描述的特征可以以各种其他配置组合,如可以以类似的方式组合配置的不同方面和元素。此外,随着技术发展其中的元素可以更新,即许多元素是示例,并不限制本公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而,可以在没有这些具体细节的情况下实践配置例如,已经示出了众所周知的电路,过程,算法,结构和技术而没有不必要的细节,以避免模糊配置。该描述仅提供示例配置,并且不限制权利要求的范围,适用性或配置。相反,前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下,可以对元件的功能和布置进行各种改变。
综上,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (10)
1.一种基于大数据的林区地图构建方法,所述方法运用大数据技术快速构建林区高精地图;其特征在于,包括:
外业数据采集;
对摄影数据进行特征点提取并生成密集匹配特征点;
通过密集匹配特征点获得点云数据并进行点云融合;
构建林区实景三维模型;
绘制林区高精路网。
2.如权利要求1所述的一种基于大数据的林区地图构建方法,其特征在于,所述外业数据采集步骤包括:
所述外业数据采集使用无人机技术进行所述林区数据采集,其中所述无人机技术采用倾斜摄影测量和地面近景摄影测量相结合的测量方法。
3.如前述权利要求之一所述的一种基于大数据的林区地图构建方法,其特征在于,所述外业数据采集步骤包括:
所述倾斜摄影测量方法利用所述无人机进行低空摄影测量,其中所述无人机倾斜摄影测量方法分别在平行于所述林区地面的空中平面上的五个方位进行摄影测量,所述五个方位分别为:前、后、左、右、正。
4.如前述权利要求之一所述的一种基于大数据的林区地图构建方法,其特征在于,所述外业数据采集步骤包括:
所述地面近景摄影测量方法采用手持所述无人机对平行于所述林区地面的四个方位进行摄影数据采集,其中所述四个方位分别为:与所述林区地面平行的前、后、左、右。
5.如前述权利要求之一所述的一种基于大数据的林区地图构建方法,其特征在于,所述对摄影数据进行特征点提取并生成密集匹配特征点步骤包括:
通过所述倾斜摄影测量方法获取所述林区高空摄影数据,对所述林区高空摄影数据进行特征点1提取并进行特征点1匹配获得密集匹配特征点对1,通过所述地面近景摄影测量方法获取所述林区地表摄像数据,对所述林区地表摄影数据进行特征点2提取并对所述特征点2匹配获得密集匹配特征点对2。
6.如前述权利要求之一所述的一种基于大数据的林区地图构建方法,其特征在于,所述通过密集匹配特征点获得点云数据并进行点云融合步骤包括:
将所述对摄影数据进行特征点提取并生成密集匹配特征点步骤中获取的特征点对1和特征点对2进行高精度相机位姿估计,通过对所述相机位姿估计获得所述摄影图像的像素,将所述像素反投影到世界坐标系下获得点云数据,对所述点云数据进行融合。
7.如前述权利要求之一所述的一种基于大数据的林区地图构建方法,其特征在于,所述构建林区实景三维模型步骤包括:
通过所述密集匹配生成点云数据并进行点云融合步骤得到高精度的融合点云模型,通过所述点云融合模型获得三维模型。
8.如前述权利要求之一所述的一种基于大数据的林区地图构建方法,其特征在于,所述绘制林区高精路网步骤包括:
使用三维测绘系统软件对所述林区路网上的道路点集的航向、坡度和曲率的计算,从而获取所述林区道路和道路周边设施的高精度地理位置信息。
9.如前述权利要求之一所述的一种基于大数据的林区地图构建方法,其特征在于,所述绘制林区高精路网步骤包括:
使用所述三维绘测系统软件对所述林区路网进行绘制后进行精准度验证实验,验证绘制完成的所述林区高精路网满足高精度要求,若所述林区高精路网不满足精度要求则返回进行所述外业数据采集步骤,若所述林区高精路网满足所述精度要求,则所述林区高精路网绘制完成。
10.如前述权利要求之一所述的一种基于大数据的林区地图构建的可读存储介质,其特征在于,所述可读存储介质存储权力要求1至权利要求8的所有方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110094660.0A CN112785686A (zh) | 2021-01-25 | 2021-01-25 | 一种基于大数据的林区地图构建方法及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110094660.0A CN112785686A (zh) | 2021-01-25 | 2021-01-25 | 一种基于大数据的林区地图构建方法及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112785686A true CN112785686A (zh) | 2021-05-11 |
Family
ID=75758870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110094660.0A Pending CN112785686A (zh) | 2021-01-25 | 2021-01-25 | 一种基于大数据的林区地图构建方法及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785686A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409461A (zh) * | 2021-06-22 | 2021-09-17 | 北京百度网讯科技有限公司 | 构建地貌地图的方法、装置、电子设备和可读存储介质 |
CN113503883A (zh) * | 2021-06-22 | 2021-10-15 | 北京三快在线科技有限公司 | 采集用于构建地图的数据的方法、存储介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276757A (zh) * | 2019-06-25 | 2019-09-24 | 北京林业大学 | 一种基于倾斜像片进行高郁闭度人工林区域单木生物量制图技术 |
CN110428501A (zh) * | 2019-08-01 | 2019-11-08 | 北京优艺康光学技术有限公司 | 全景影像生成方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-01-25 CN CN202110094660.0A patent/CN112785686A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276757A (zh) * | 2019-06-25 | 2019-09-24 | 北京林业大学 | 一种基于倾斜像片进行高郁闭度人工林区域单木生物量制图技术 |
CN110428501A (zh) * | 2019-08-01 | 2019-11-08 | 北京优艺康光学技术有限公司 | 全景影像生成方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
徐浩楠: "面向室内复杂大尺度场景的高精度三维地图构建方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
李磊: "一种基于无人机倾斜摄影的三维路网提取方法", 《中国公路学报》 * |
黎娟: "基于空地融合的精细化实景建模及可视化研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409461A (zh) * | 2021-06-22 | 2021-09-17 | 北京百度网讯科技有限公司 | 构建地貌地图的方法、装置、电子设备和可读存储介质 |
CN113503883A (zh) * | 2021-06-22 | 2021-10-15 | 北京三快在线科技有限公司 | 采集用于构建地图的数据的方法、存储介质及电子设备 |
CN113409461B (zh) * | 2021-06-22 | 2023-06-23 | 北京百度网讯科技有限公司 | 构建地貌地图的方法、装置、电子设备和可读存储介质 |
US11893685B2 (en) | 2021-06-22 | 2024-02-06 | Beijing Baidu Netcom Science Technology Co., Ltd. | Landform map building method and apparatus, electronic device and readable storage medium |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
KR100912715B1 (ko) | 이종 센서 통합 모델링에 의한 수치 사진 측량 방법 및장치 | |
CN108168521A (zh) | 一种基于无人机实现景观三维可视化的方法 | |
CN109238239B (zh) | 基于航空摄影的数字测量三维建模方法 | |
CN108765298A (zh) | 基于三维重建的无人机图像拼接方法和系统 | |
CN106826833A (zh) | 基于3d立体感知技术的自主导航机器人系统 | |
CN107862744A (zh) | 航空影像三维建模方法及相关产品 | |
CN113850126A (zh) | 一种基于无人机的目标检测和三维定位方法和系统 | |
CN110617821A (zh) | 定位方法、装置及存储介质 | |
CN108931235A (zh) | 无人机倾斜摄影测量技术在规划竣工测量中的应用方法 | |
Cosido et al. | Hybridization of convergent photogrammetry, computer vision, and artificial intelligence for digital documentation of cultural heritage-a case study: the magdalena palace | |
Skarlatos et al. | Accuracy assessment of minimum control points for UAV photography and georeferencing | |
CN108053474A (zh) | 一种新型城市三维建模控制系统及方法 | |
CN105953777B (zh) | 一种基于深度图的大比例尺倾斜影像测图方法 | |
CN113034347B (zh) | 倾斜摄影图像处理方法、装置、处理设备及存储介质 | |
CN112862966B (zh) | 地表三维模型构建方法、装置、设备及存储介质 | |
CN117253029B (zh) | 基于深度学习的图像匹配定位方法及计算机设备 | |
CN102519436A (zh) | 一种ce-1立体相机与激光高度计数据联合平差方法 | |
Lee et al. | Vision-based terrain referenced navigation for unmanned aerial vehicles using homography relationship | |
CN112785686A (zh) | 一种基于大数据的林区地图构建方法及可读存储介质 | |
CN108801225A (zh) | 一种无人机倾斜影像定位方法、系统、介质及设备 | |
CN113947638A (zh) | 鱼眼相机影像正射纠正方法 | |
CN113284239A (zh) | 一种关于智慧城市的电子沙盘制作方法及装置 | |
CN108253942B (zh) | 一种提高倾斜摄影测量空三质量的方法 | |
CN110780313A (zh) | 一种无人机可见光立体测量采集建模方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |