CN113867410B - 一种无人机航拍数据的采集模式识别方法和系统 - Google Patents
一种无人机航拍数据的采集模式识别方法和系统 Download PDFInfo
- Publication number
- CN113867410B CN113867410B CN202111363300.2A CN202111363300A CN113867410B CN 113867410 B CN113867410 B CN 113867410B CN 202111363300 A CN202111363300 A CN 202111363300A CN 113867410 B CN113867410 B CN 113867410B
- Authority
- CN
- China
- Prior art keywords
- acquisition mode
- image
- aerial
- route
- unmanned aerial
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 238000007621 cluster analysis Methods 0.000 claims abstract description 16
- 238000007619 statistical method Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000010006 flight Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- MWKFXSUHUHTGQN-UHFFFAOYSA-N decan-1-ol Chemical compound CCCCCCCCCCO MWKFXSUHUHTGQN-UHFFFAOYSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Image Processing (AREA)
Abstract
本发明涉及无人机技术领域，具体涉及一种无人机航拍数据的采集模式识别方法和系统。该方法包括：获取无人机航拍影像集的位置信息数据并进行坐标转换，得到所述航拍影像集对应的影像位置的高度值；对所述影像位置的高度值进行聚类分析，将航拍影像集划分为不同高度的多个航线子类；利用所述航线子类的类别属性对各航线子类进行采集模式识别；对识别的航线子类采集模式进行统计分析，得到无人机最终航拍数据的采集模式。本发明利用影像的位置信息，无需人工判断，即可快速自动识别出整个数据集的采集模式，为后续影像重建策略使用提供参考，提高无人机摄影测量的自动化程度，可以解决需要人工目视判别航拍数据的采集模式的问题，优化重建流程。
Description
技术领域
本发明涉及无人机技术领域，涉及无人机航拍三维建模、无人机航拍数据处理相关的技术，应用于测绘遥感地理信息、计算机图形图像处理等，具体涉及一种无人机航拍数据的采集模式识别方法和系统。
背景技术
随着无人机(UAV)技术快速发展，无人机在各领域已经得到广泛的应用。无人机摄影测量通过无人机飞行平台搭载光学传感器，采集实验区的地物影像，利用多视影像的三维建模算法，重建实验区的三维模型。现实世界中包含丰富的地形特征和地物结构，针对不同的场景，往往需要不同的影像采集策略。因此，相关研究人员设计了多种航拍数据的采集模式以满足不同的场景需求，包括常规的“牛耕法”规则航带、针对塔状结构的环绕飞行、航拍操作人员实时操控的自由飞行、圆形交叉环绕、仿地飞行、贴近摄影测量等。
三维重建过程中，对于不同采集模式所获取的影像集，根据影像的分布是否规则或者是否有序，可以采用不同的三维重建策略，提升生产效率。实际生产过程中，往往通过导入影像的位置信息，目视判断航拍数据的采集模式，从而选择重建策略和相关算法。当有多套数据集时，上述方法消耗人力大，不能实现自动化。
因此，需要一种无人机航拍数据的采集模式识别方法和系统，解决需要人工目视判别航拍数据的采集模式的问题，提高无人机摄影测量的自动化程度，优化重建流程。
发明内容
为了解决目前人工判断航拍数据的采集模式导致人力消耗大的问题，本发明构建了一种无人机航拍数据的采集模式识别方法和系统，降低人力成本，提高无人机摄影测量的自动化程度。
本发明采用以下技术方案实现：
一种无人机航拍数据的采集模式识别方法，包括以下步骤：
获取无人机航拍影像集的位置信息数据并进行坐标转换，得到所述航拍影像集对应的影像位置的高度值；
对所述影像位置的高度值进行聚类分析，将航拍影像集划分为不同高度的多个航线子类；
利用所述航线子类的类别属性对各航线子类进行采集模式识别；
对识别的航线子类采集模式进行统计分析，得到无人机最终航拍数据的采集模式。
作为本发明的进一步方案，得到所述航拍影像集对应的影像位置的高度值的方法包括：
根据无人机各传感器的航拍影像获取顺序依次输入无人机航拍影像的位置信息pi；
根据坐标转换理论，将经纬度坐标转化为空间直角坐标并进行中心化变换，得到位置信息空间直角坐标pi＝{xi，yi，zi}，即航拍影像集对应的影像位置的高度值。
进一步的，所述航拍影像集对应的影像位置的高度值还可以直接利用已知的影像位置的空间直角坐标，则无需进行转换，直接使用即可得到航拍影像集对应的影像位置的高度值。
作为本发明的进一步方案，对所述影像位置的高度值进行聚类分析的方法为：对影像位置的高度值进行聚类分析，根据自动分类个数将航线分为k类，航线C＝{c1,c2,…,ci}，其中，航线子类ci表示高度相同的一组影像集或无序影像集。
进一步的，若影像采集过程已对各航线子类进行划分，则根据高度对子类进行合并和再分。
进一步的，所述航线子类ci的类别属性包括每张影像的飞行向量vj、连续影像飞行向量之间的长度差异比dj、角度差异aj、航线子类的0矢量系数o、长度一致系数lc、平均变化角度aa以及长度角度一致系数la。
进一步的，所述航线子类的采集模式包括但不限于：规则航带、多层规则航带、圆形交叉环绕、水平环绕、全景采集以及其他未知自由飞行，所述航线子类的采集模式的识别方法为：
设定航线子类的类别属性要素的阈值范围；
判断各航线子类的类别属性要素是否符合阈值范围限制下的各采集模式的判别条件；
定义各航线子类所述的采集模式，并统计各采集模式的类别数量和影像数量；
计算各采集模式影像数量所占影像集总数的百分比，根据百分比对采集模式进行降序排序；
根据不同占比的影像组合输出最终的航拍数据采集模式。
进一步的，最终的航拍数据采集模式包括规则航带、多层规则航带、圆形交叉环绕、水平环绕、全景采集以及其他未知自由飞行。
本发明还包括一种无人机航拍数据的采集模式识别系统，所述无人机航拍数据的采集模式识别系统采用前述无人机航拍数据的采集模式识别方法自动识别出整个航拍数据集的采集模式；所述无人机航拍数据的采集模式识别系统包括位置信息采集模块、航线子类划分模块、采集模式识别模块以及采集模式确定模块。
所述位置信息采集模块，用于获取无人机航拍影像集的位置信息数据并进行坐标转换，得到所述航拍影像集对应的影像位置的高度值。
所述航线子类划分模块，用于对所述影像位置的高度值进行聚类分析，将航拍影像集划分为不同高度的多个航线子类。
所述采集模式识别模块，用于利用所述航线子类的类别属性对各航线子类进行采集模式识别；还用于根据设定航线子类的类别属性要素的阈值范围，判断各航线子类的类别属性要素是否符合阈值范围限制下的各采集模式的判别条件，定义各航线子类所述的采集模式，并统计各采集模式的类别数量和影像数量，计算各采集模式影像数量所占影像集总数的百分比，根据百分比对采集模式进行降序排序。
所述采集模式确定模块，用于对识别的航线子类采集模式进行统计分析，得到无人机最终航拍数据的采集模式；还用于根据不同占比的影像组合输出最终的航拍数据采集模式。
本发明还包括一种计算机设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述的无人机航拍数据的采集模式识别方法。
本发明还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行所述的无人机航拍数据的采集模式识别方法。
本发明提供的技术方案，具有如下有益效果：
1、本发明提供的无人机航拍数据的采集模式识别方法利用影像的位置信息，无需人工判断，即可快速自动识别出整个数据集的采集模式，为后续影像重建策略使用提供参考，提高无人机摄影测量的自动化程度。
2、本发明提供的无人机航拍数据的采集模式识别方法，可以将复杂数据集划分为多个航线子类，并识别出对应的采集模式；或已知复杂数据集的各子类，直接识别其采集模式。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对示例性实施例或相关技术描述中所需要使用的附图作一简单地介绍，附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明的一种无人机航拍数据的采集模式识别方法的流程图。
图2为本发明的一种无人机航拍数据的采集模式识别方法中得到高度值的流程图。
图3为本发明的一种无人机航拍数据的采集模式识别方法中航线子类的采集模式识别的流程图。
图4为本发明的一个实施例中无人机航拍数据的采集模式识别系统的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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用以解释本发明，并不用于限定本发明。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明示例性实施例中的附图，对本发明示例性实施例中的技术方案进行清楚、完整地描述，显然，所描述的示例性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。
本发明提供的一种无人机航拍数据的采集模式识别方法和系统，通过对航拍影像集高度信息进行聚类分析得到不同高度的航线子类，然后利用飞行向量等类别属性对各航线子类进行采集模式识别，最后对多种采集模式进行统计和分析，得到最终航拍数据的采集模式。本发明可以解决需要人工目视判别航拍数据的采集模式的问题，提高无人机摄影测量的自动化程度，优化重建流程。
本发明提出的一种无人机航拍数据的采集模式识别方法和系统，自动识别出整个航拍数据集的采集模式，以此来解决需要人工目视判别航拍数据的采集模式的痛点，并为后续的优化重建流程做准备。
下面结合具体实施例对本发明的技术方案作进一步的说明：
参阅图1所示，图1为本发明提供的一种无人机航拍数据的采集模式识别方法的流程图。本发明的一个实施例提供了一种无人机航拍数据的采集模式识别方法，包括以下步骤：
S1：获取无人机航拍影像集的位置信息数据并进行坐标转换，得到所述航拍影像集对应的影像位置的高度值。
需要特别说明的是，本实施例中，可以对无人机航拍影像集的影像位置数据的坐标转换，也直接利用已知的影像位置的空间直角坐标，得到所述航拍影像集对应的影像位置的高度值。
在本实施例中，参见图2所示，得到所述航拍影像集对应的影像位置的高度值的方法包括：
S101、根据无人机各传感器的航拍影像获取顺序依次输入无人机航拍影像的位置信息；
S102、根据坐标转换理论，将经纬度坐标转化为空间直角坐标并进行中心化变换，得到位置信息空间直角坐标，即航拍影像集对应的影像位置的高度值。
在本实施例中，对影像位置数据的坐标转换时，按照无人机各传感器的影像获取顺序依次输入无人机影像的位置信息pi，根据坐标转换理论，将经纬度坐标转化为空间直角坐标并进行中心化变换。具体的，按照无人机各传感器的影像获取顺序依次输入无人机影像的位置信息pi，根据坐标转换理论，将经纬度坐标转化为局部直角坐标系并进行中心化变换，得到pi＝{xi，yi，zi}；若已知影像的空间直角坐标，则无需进行转换，直接使用即可。
S2：对所述影像位置的高度值进行聚类分析，将航拍影像集划分为不同高度的多个航线子类。
需要特别说明的是，本实施例是通过对航拍影像集高度信息进行聚类分析得到不同高度的航线子类，然后利用飞行向量等类别属性对各航线子类进行采集模式识别。在本实施例中，对所述影像位置的高度值进行聚类分析的方法为：对影像位置的高度值进行聚类分析，根据自动分类个数将航线分为k类，航线C＝{c1，c2，...，ci}，其中，航线子类ci表示高度相同的一组影像集或无序影像集。
具体的，首先对影像位置的高度值进行聚类分析，将航线分为k类。然后计算航线子类ci的类别属性，包括每张影像的飞行向量vj，连续影像飞行向量之间的长度差异比dj、角度差异aj，航线子类的0矢量系数o、长度一致系数lc、平均变化角度aa、长度角度一致系数la等要素。接下来根据不同航线类别的属性差异，将航线子类类别分为规则航带(“牛耕式采集”)、圆形航带(航线轨迹为圆形)、全景采集(单点环绕采集，即影像位置不变，依次旋转拍摄角度进行数据采集)、未知任意飞行等类别。
在本实施例中，若影像采集过程已对各航线子类进行划分，则根据高度对子类进行合并和再分。
S3：利用所述航线子类的类别属性对各航线子类进行采集模式识别。
需要特别说明的是，所述航线子类ci的类别属性包括但不局限于每张影像的飞行向量vj、连续影像飞行向量之间的长度差异比dj、角度差异aj、航线子类的0矢量系数o、长度一致系数lc、平均变化角度aa以及长度角度一致系数la。
在利用所述航线子类的类别属性对各航线子类进行采集模式识别时，计算航线子类ci中每张影像的飞行向量vj，飞行向量vj为每张影像与下一张影像的空间位置之差，飞行向量vj的长度为lj：
vj＝(xj+1-xj，yj+1-yj，zj+1-zj)
lj＝|vj|
计算连续影像飞行向量之间的长度差异比dj，角度差异aj：
计算航线子类ci的相关要素，包括0矢量系数o，长度一致系数lc，平均变化角度aa，长度角度一致系数la，其中m表示ci的影像数量，n1表示飞行向量长度lj＜t1(0＜t1＜1)的向量个数，n2表示长度差异比dj＜t2(0＜t2＜0.3)的向量个数，n3表示长度差异比dj＜t2(0＜t2＜0.3)且平均角度aa＜t3(0＜t3＜30)的向量个数：
接下来对采集模式进行分类。
在本实施例中，所述航线子类的采集模式包括但不限于：规则航带、多层规则航带、圆形交叉环绕、水平环绕、全景采集以及其他未知自由飞行。即：航线子类的采集模式Flight Pattern包括但不限于以下类别：规则航带regular Flight(“牛耕式采集”)、圆形航带circle Flight(航线轨迹为圆形)、全景采集panor ama Flight(单点环绕采集，即影像位置不变，依次旋转拍摄角度进行数据采集)、未知任意飞行unknown Flight(航拍人员手动操纵或规划的不规律航线)等。
在本实施例中，参见图3所示，所述航线子类的采集模式的识别方法为：
S301、设定航线子类的类别属性要素的阈值范围；
S302、判断各航线子类的类别属性要素是否符合阈值范围限制下的各采集模式的判别条件；
S303、定义各航线子类所述的采集模式，并统计各采集模式的类别数量和影像数量；
S304、计算各采集模式影像数量所占影像集总数的百分比，根据百分比对采集模式进行降序排序；
S305、根据不同占比的影像组合输出最终的航拍数据采集模式。
需要特别说明的是，航线子类采集模式Flight Pattern的具体判别方法如下，其中各要素的阈值设置范围：0.6＜e1＜0.9，0.5＜e2＜0.9，5＜e3＜10，15＜e4＜30，0.6＜e5＜0.9。
(1)当航线子类ci的相关要素满足以下条件：
o＜e1&&lc＞e2&&aa＜e3&&la≥e5
ci的采集模式Flight Pattern＝regular Flight；
(2)当航线子类ci的相关要素满足以下条件：
o＜e1&&lc＞e2&&e3＜aa＜e4&&la≥e5
cj的采集模式Flight Pattern＝circle Flight；
(3)当航线子类ci的o≥e1时，Flight Pattern＝panorama Flight；
(4)上述条件均不满足时，ci的采集模式Flight Pattern＝unknown Flight。
S4：对识别的航线子类采集模式进行统计分析，得到无人机最终航拍数据的采集模式。
需要特别说明的是，最后对多种采集模式进行统计和分析，得到最终航拍数据的采集模式，最终的航拍数据采集模式包括规则航带、多层规则航带、圆形交叉环绕、水平环绕、全景采集以及其他未知自由飞行。
在本实施例中，航线子类采集模式统计分析和最终采集模式判别的过程为：统计各采集模式的子类数量和影像数量，并计算各采集模式影像数量所占影像集总数的百分比ri。根据不同比例的影像组合输出最终的影像类别，包括规则航带、多层规则航带、圆形交叉环绕、水平环绕、全景采集、其他未知自由飞行等。
在本实施例中，最终航拍数据的采集模式的确定方式如下：
定义航线子类采集模式集合FlightPattern：
FlightPatter＝{regularFlight，circleFlight，panoramaFlight，unknownFlight}
统计各采集模式FlightPatterni的类别数量ki和影像数量mi，并计算各采集模式影像数量所占影像集总数的百分比ri，根据ri对采集模式FlightPattern进行降序排序。根据不同占比的影像组合输出最终的航拍数据采集模式Flight Pattern，包括规则航带regular Flight、多层规则航带hieregular Flight(多组不同高度的规则航带)、圆形交叉环绕crossover Flight(同一高度的大量圆形航线)、水平环绕encircle Fligh(多组不同高度的圆形航带)t、全景采集panorama Flight、其他未知自由飞行unknown Flight等。
最终航拍数据的采集模式识别方法如下，其中判断阈值设置范围：0.7＜f1＜1，10＜f2＜30，50＜f3＜150；
1)当FlightPattern1＝＝regularFlight时，满足r1＞f1&&k1＝＝1，则FlightPattern＝regularFlight；满足r1＞f1&&k1＞1，则Flight Pattern＝hieregular Flight；均不满足，则Flight Pattern＝unknown Flight。
2)当FlightPattern1＝＝circleFlight时，满足r1＞f1&&k1＝＝1，则FlightPattern＝crossover Flight；满足r1＞f1&&k1＞1&&f2＜m1＜f3，则Flight Pattern＝hieregular Flight；均不满足，则Flight Pattern＝unknown Flight。
3)当FlightPattern1＝＝panoramaFlight时，满足r1＞f1，则Flight Pattern＝panoramaFlight；否则Flight Pattern＝unknown Flight。
4)上述条件均不满足时，航拍数据的采集模式Flight Pattern＝unknownFlight。
本发明提供了一种无人机航拍数据的采集模式识别方法利用影像的位置信息，无需人工判断，即可快速自动识别出整个数据集的采集模式，为后续影像重建策略使用提供参考，提高无人机摄影测量的自动化程度，可以将复杂数据集划分为多个航线子类，并识别出对应的采集模式；或已知复杂数据集的各子类，直接识别其采集模式。
应该理解的是，上述虽然是按照某一顺序描述的，但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，本实施例的一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种无人机航拍数据的采集模式识别系统，包括位置信息采集模块100、航线子类划分模块200、采集模式识别模块300以及采集模式确定模块400。其中：
所述位置信息采集模块100，用于获取无人机航拍影像集的位置信息数据并进行坐标转换，得到所述航拍影像集对应的影像位置的高度值。在得到高度值时，根据无人机各传感器的航拍影像获取顺序依次输入无人机航拍影像的位置信息pi；根据坐标转换理论，将经纬度坐标转化为空间直角坐标并进行中心化变换，得到位置信息空间直角坐标pi＝{xi，yi，zi}，即航拍影像集对应的影像位置的高度值。若已知影像的空间直角坐标，则无需进行转换，直接使用即可。
所述航线子类划分模块200，用于对所述影像位置的高度值进行聚类分析，将航拍影像集划分为不同高度的多个航线子类。本实施例是通过对航拍影像集高度信息进行聚类分析得到不同高度的航线子类，然后利用飞行向量等类别属性对各航线子类进行采集模式识别。在本实施例中，对所述影像位置的高度值进行聚类分析的方法为：对影像位置的高度值进行聚类分析，根据自动分类个数将航线分为k类，航线C＝{c1,c2,…,ci}，其中，航线子类ci表示高度相同的一组影像集或无序影像集。
所述采集模式识别模块300，用于利用所述航线子类的类别属性对各航线子类进行采集模式识别；还用于根据设定航线子类的类别属性要素的阈值范围，判断各航线子类的类别属性要素是否符合阈值范围限制下的各采集模式的判别条件，定义各航线子类所述的采集模式，并统计各采集模式的类别数量和影像数量，计算各采集模式影像数量所占影像集总数的百分比，根据百分比对采集模式进行降序排序。在航线子类的采集模式的识别时，设定航线子类的类别属性要素的阈值范围，判断各航线子类的类别属性要素是否符合阈值范围限制下的各采集模式的判别条件，定义各航线子类所述的采集模式，并统计各采集模式的类别数量和影像数量，计算各采集模式影像数量所占影像集总数的百分比，根据百分比对采集模式进行降序排序，以便根据不同占比的影像组合输出最终的航拍数据采集模式。
其中，所述航线子类的采集模式包括但不限于：规则航带、多层规则航带、圆形交叉环绕、水平环绕、全景采集以及其他未知自由飞行。即：航线子类的采集模式FlightPattern包括但不限于以下类别：规则航带regular Flight(“牛耕式采集”)、圆形航带circle Flight(航线轨迹为圆形)、全景采集panorama Flight(单点环绕采集，即影像位置不变，依次旋转拍摄角度进行数据采集)、未知任意飞行unknown Flight(航拍人员手动操纵或规划的不规律航线)等。
所述采集模式确定模块400，用于对识别的航线子类采集模式进行统计分析，得到无人机最终航拍数据的采集模式；还用于根据不同占比的影像组合输出最终的航拍数据采集模式。最后对多种采集模式进行统计和分析，得到最终航拍数据的采集模式，最终的航拍数据采集模式包括规则航带、多层规则航带、圆形交叉环绕、水平环绕、全景采集以及其他未知自由飞行。
在本实施例中，无人机航拍数据的采集模式识别系统在执行时采用如前述的一种无人机航拍数据的采集模式识别方法的步骤，因此，本实施例中对无人机航拍数据的采集模式识别系统的运行过程不再详细介绍。
在一个实施例中，在本发明的实施例中还提供了一种计算机设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述的无人机航拍数据的采集模式识别方法，该处理器执行指令时实现上述各方法实施例中的步骤：
获取无人机航拍影像集的位置信息数据并进行坐标转换，得到所述航拍影像集对应的影像位置的高度值；
对所述影像位置的高度值进行聚类分析，将航拍影像集划分为不同高度的多个航线子类；
利用所述航线子类的类别属性对各航线子类进行采集模式识别；
对识别的航线子类采集模式进行统计分析，得到无人机最终航拍数据的采集模式。
在一个实施例中，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行所述的无人机航拍数据的采集模式识别方法，步骤为：
获取无人机航拍影像集的位置信息数据并进行坐标转换，得到所述航拍影像集对应的影像位置的高度值；
对所述影像位置的高度值进行聚类分析，将航拍影像集划分为不同高度的多个航线子类；
利用所述航线子类的类别属性对各航线子类进行采集模式识别；
对识别的航线子类采集模式进行统计分析，得到无人机最终航拍数据的采集模式。
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，是可以通过计算机指令表征的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，本申请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易失性存储器中的至少一种。
非易失性存储器可包括只读存储器、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器或动态随机存取存储器等。
综上所述，本发明提供的技术方案具有以下优点：
1、本发明提供的无人机航拍数据的采集模式识别方法利用影像的位置信息，无需人工判断，即可快速自动识别出整个数据集的采集模式，为后续影像重建策略使用提供参考，提高无人机摄影测量的自动化程度。
2、本发明提供的无人机航拍数据的采集模式识别方法，可以将复杂数据集划分为多个航线子类，并识别出对应的采集模式；或已知复杂数据集的各子类，直接识别其采集模式。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种无人机航拍数据的采集模式识别方法，其特征在于，包括：
获取无人机航拍影像集的位置信息数据并进行坐标转换，得到所述航拍影像集对应的影像位置的高度值；
对所述影像位置的高度值进行聚类分析，将航拍影像集划分为不同高度的多个航线子类；
利用所述航线子类的类别属性对各航线子类进行采集模式识别；
对识别的航线子类采集模式进行统计分析，得到无人机最终航拍数据的采集模式；所述航线子类的采集模式包括：规则航带、多层规则航带、圆形交叉环绕、水平环绕、全景采集以及其他未知自由飞行；
所述航线子类的采集模式的识别方法为：
设定航线子类的类别属性要素的阈值范围；
判断各航线子类的类别属性要素是否符合阈值范围限制下的各采集模式的判别条件；
定义各航线子类所述的采集模式，并统计各采集模式的类别数量和影像数量；
计算各采集模式影像数量所占影像集总数的百分比，根据百分比对采集模式进行降序排序；
根据不同占比的影像组合输出最终的航拍数据采集模式。
2.如权利要求1所述的无人机航拍数据的采集模式识别方法，其特征在于，得到所述航拍影像集对应的影像位置的高度值的方法包括：
根据无人机各传感器的航拍影像获取顺序依次输入无人机航拍影像的位置信息pi；
根据坐标转换理论，将经纬度坐标转化为空间直角坐标并进行中心化变换，得到位置信息空间直角坐标pi＝{xi，yi，zi}，即航拍影像集对应的影像位置的高度值。
3.如权利要求1或2所述的无人机航拍数据的采集模式识别方法，其特征在于，航拍影像集对应的影像位置的高度值直接利用已知的影像位置的空间直角坐标，无需进行转换，直接使用即可得到航拍影像集对应的影像位置的高度值。
4.如权利要求1所述的无人机航拍数据的采集模式识别方法，其特征在于，对所述影像位置的高度值进行聚类分析的方法为：对影像位置的高度值进行聚类分析，根据自动分类个数将航线分为k类，航线C＝{c1,c2,…,ci}，其中，航线子类ci表示高度相同的一组影像集或无序影像集。
5.如权利要求4所述的无人机航拍数据的采集模式识别方法，其特征在于，若影像采集过程已对各航线子类进行划分，则根据高度对子类进行合并和再分。
6.如权利要求5所述的无人机航拍数据的采集模式识别方法，其特征在于，所述航线子类ci的类别属性包括每张影像的飞行向量vj、连续影像飞行向量之间的长度差异比dj、角度差异aj、航线子类的0矢量系数o、长度一致系数lc、平均变化角度aa以及长度角度一致系数la。
7.如权利要求1所述的无人机航拍数据的采集模式识别方法，其特征在于，最终的航拍数据采集模式包括规则航带、多层规则航带、圆形交叉环绕、水平环绕、全景采集以及其他未知自由飞行。
8.一种无人机航拍数据的采集模式识别系统，其特征在于，所述无人机航拍数据的采集模式识别系统采用权利要求1-7中任意一项所述无人机航拍数据的采集模式识别方法自动识别出整个航拍数据集的采集模式；所述无人机航拍数据的采集模式识别系统包括：
位置信息采集模块，用于获取无人机航拍影像集的位置信息数据并进行坐标转换，得到所述航拍影像集对应的影像位置的高度值；
航线子类划分模块，用于对所述影像位置的高度值进行聚类分析，将航拍影像集划分为不同高度的多个航线子类；
采集模式识别模块，用于利用所述航线子类的类别属性对各航线子类进行采集模式识别；以及
采集模式确定模块，用于对识别的航线子类采集模式进行统计分析，得到无人机最终航拍数据的采集模式。
9.如权利要求8所述的无人机航拍数据的采集模式识别系统，其特征在于，所述采集模式识别模块还用于根据设定航线子类的类别属性要素的阈值范围，判断各航线子类的类别属性要素是否符合阈值范围限制下的各采集模式的判别条件，定义各航线子类所述的采集模式，并统计各采集模式的类别数量和影像数量，计算各采集模式影像数量所占影像集总数的百分比，根据百分比对采集模式进行降序排序；
所述采集模式确定模块还用于根据不同占比的影像组合输出最终的航拍数据采集模式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111363300.2A CN113867410B (zh) | 2021-11-17 | 2021-11-17 | 一种无人机航拍数据的采集模式识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111363300.2A CN113867410B (zh) | 2021-11-17 | 2021-11-17 | 一种无人机航拍数据的采集模式识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113867410A CN113867410A (zh) | 2021-12-31 |
| CN113867410B true CN113867410B (zh) | 2023-11-03 |
Family
ID=78984783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111363300.2A Active CN113867410B (zh) | 2021-11-17 | 2021-11-17 | 一种无人机航拍数据的采集模式识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113867410B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115086914B (zh) * | 2022-05-20 | 2023-11-10 | 成都飞机工业（集团）有限责任公司 | 一种机载试飞测试系统采集策略的远程在线重建方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104637370A (zh) * | 2014-12-23 | 2015-05-20 | 河南城建学院 | 一种摄影测量与遥感综合教学的方法及系统 |
| JP5767731B1 (ja) * | 2014-03-26 | 2015-08-19 | 株式会社衛星ネットワーク | 空撮映像配信システムおよび空撮映像配信方法 |
| CN106774406A (zh) * | 2016-12-30 | 2017-05-31 | 武汉大势智慧科技有限公司 | 一种无人机影像自动采集系统和方法 |
| CN106767706A (zh) * | 2016-12-09 | 2017-05-31 | 中山大学 | 一种无人机勘查交通事故现场的航拍图像采集方法及系统 |
| CN106969753A (zh) * | 2017-03-30 | 2017-07-21 | 佛山电力设计院有限公司 | 基于电力设计应用的无人机航拍数据处理方法 |
| KR20170101776A (ko) * | 2016-02-29 | 2017-09-06 | 팅크웨어(주) | 무인 비행체 항로 구축 방법 및 시스템 |
| KR20170111921A (ko) * | 2016-03-30 | 2017-10-12 | 팅크웨어(주) | 무인 비행체 제어 방법 및 시스템 |
| CN107730584A (zh) * | 2017-10-30 | 2018-02-23 | 南京青臣创意数字科技有限公司 | 一种基于航拍技术的全景空间构建系统 |
| CN108871288A (zh) * | 2018-06-01 | 2018-11-23 | 广州中科云图智能科技有限公司 | 一种无人机带状倾斜影像航测方法及系统 |
| CN109238240A (zh) * | 2018-10-22 | 2019-01-18 | 武汉大势智慧科技有限公司 | 一种顾及地形的无人机倾斜摄影方法及其摄影系统 |
| WO2020206903A1 (zh) * | 2019-04-08 | 2020-10-15 | 平安科技（深圳）有限公司 | 影像匹配方法、装置及计算机可读存储介质 |
| CN111895908A (zh) * | 2020-06-30 | 2020-11-06 | 河海大学 | 一种滑坡堰塞坝应急处置的遥感无人机定向数据采集方法 |
| CN112288818A (zh) * | 2020-11-19 | 2021-01-29 | 温州虎穴科技有限公司 | 一万平米以下无人机速拍建模方法 |
| CN112288848A (zh) * | 2020-10-13 | 2021-01-29 | 中国建筑第八工程局有限公司 | 无人机航拍三维建模计算工程量的方法 |
| CN112445241A (zh) * | 2020-11-27 | 2021-03-05 | 佛山市墨纳森智能科技有限公司 | 一种基于无人机遥感技术的地表植被识别方法、系统及可读存储介质 |
| CN112465969A (zh) * | 2020-11-26 | 2021-03-09 | 华能通辽风力发电有限公司 | 基于无人机航拍影像数据的实时三维建模方法及系统 |
| CN112925337A (zh) * | 2021-02-03 | 2021-06-08 | 南京市特种设备安全监督检验研究院 | 一种大型起重机金属结构多旋翼无人机自动巡检方法 |
| CN112966773A (zh) * | 2021-03-24 | 2021-06-15 | 山西大学 | 一种无人机飞行工况模式识别方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160338262A1 (en) * | 2014-01-21 | 2016-11-24 | Positec Power Tools (Suzhou) Co., Ltd. | Autonomous mower |
| US10096251B2 (en) * | 2016-12-16 | 2018-10-09 | Insitu, Inc. | Systems and methods for establishing a flight pattern adjacent to a target for a vehicle to follow |
| US10613534B2 (en) * | 2017-02-03 | 2020-04-07 | Sentera, Inc. | Autonomous vehicle maneuver recognition |
-
2021
- 2021-11-17 CN CN202111363300.2A patent/CN113867410B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5767731B1 (ja) * | 2014-03-26 | 2015-08-19 | 株式会社衛星ネットワーク | 空撮映像配信システムおよび空撮映像配信方法 |
| CN104637370A (zh) * | 2014-12-23 | 2015-05-20 | 河南城建学院 | 一种摄影测量与遥感综合教学的方法及系统 |
| KR20170101776A (ko) * | 2016-02-29 | 2017-09-06 | 팅크웨어(주) | 무인 비행체 항로 구축 방법 및 시스템 |
| KR20170111921A (ko) * | 2016-03-30 | 2017-10-12 | 팅크웨어(주) | 무인 비행체 제어 방법 및 시스템 |
| CN106767706A (zh) * | 2016-12-09 | 2017-05-31 | 中山大学 | 一种无人机勘查交通事故现场的航拍图像采集方法及系统 |
| CN106774406A (zh) * | 2016-12-30 | 2017-05-31 | 武汉大势智慧科技有限公司 | 一种无人机影像自动采集系统和方法 |
| CN106969753A (zh) * | 2017-03-30 | 2017-07-21 | 佛山电力设计院有限公司 | 基于电力设计应用的无人机航拍数据处理方法 |
| CN107730584A (zh) * | 2017-10-30 | 2018-02-23 | 南京青臣创意数字科技有限公司 | 一种基于航拍技术的全景空间构建系统 |
| CN108871288A (zh) * | 2018-06-01 | 2018-11-23 | 广州中科云图智能科技有限公司 | 一种无人机带状倾斜影像航测方法及系统 |
| CN109238240A (zh) * | 2018-10-22 | 2019-01-18 | 武汉大势智慧科技有限公司 | 一种顾及地形的无人机倾斜摄影方法及其摄影系统 |
| WO2020206903A1 (zh) * | 2019-04-08 | 2020-10-15 | 平安科技（深圳）有限公司 | 影像匹配方法、装置及计算机可读存储介质 |
| CN111895908A (zh) * | 2020-06-30 | 2020-11-06 | 河海大学 | 一种滑坡堰塞坝应急处置的遥感无人机定向数据采集方法 |
| CN112288848A (zh) * | 2020-10-13 | 2021-01-29 | 中国建筑第八工程局有限公司 | 无人机航拍三维建模计算工程量的方法 |
| CN112288818A (zh) * | 2020-11-19 | 2021-01-29 | 温州虎穴科技有限公司 | 一万平米以下无人机速拍建模方法 |
| CN112465969A (zh) * | 2020-11-26 | 2021-03-09 | 华能通辽风力发电有限公司 | 基于无人机航拍影像数据的实时三维建模方法及系统 |
| CN112445241A (zh) * | 2020-11-27 | 2021-03-05 | 佛山市墨纳森智能科技有限公司 | 一种基于无人机遥感技术的地表植被识别方法、系统及可读存储介质 |
| CN112925337A (zh) * | 2021-02-03 | 2021-06-08 | 南京市特种设备安全监督检验研究院 | 一种大型起重机金属结构多旋翼无人机自动巡检方法 |
| CN112966773A (zh) * | 2021-03-24 | 2021-06-15 | 山西大学 | 一种无人机飞行工况模式识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于无人机的影像数据采集与三维建模;曹明兰;桂维振;周浩恩;;北京工业职业技术学院学报(第02期);第7-10页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113867410A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Automatic building information model reconstruction in high-density urban areas: Augmenting multi-source data with architectural knowledge | |
| Huang et al. | Point cloud labeling using 3d convolutional neural network | |
| CN111914813B (zh) | 基于图像分类的输电线路巡检图像命名方法及系统 | |
| CN109829476B (zh) | 基于yolo的端到端三维物体检测方法 | |
| CN110956187A (zh) | 一种基于集成学习的无人机影像植物冠层信息提取方法 | |
| CN109858437B (zh) | 基于生成查询网络的行李体积自动分类方法 | |
| US8855427B2 (en) | Systems and methods for efficiently and accurately detecting changes in spatial feature data | |
| CN110189405B (zh) | 一种顾及建筑物密度的实景三维建模方法 | |
| CN107742276A (zh) | 一种基于无人机遥感图像机载一体化快速处理系统和方法 | |
| CN117315146B (zh) | 基于跨尺度多源数据的三维模型的重建方法及存储方法 | |
| CN113033516A (zh) | 对象识别统计方法及装置、电子设备、存储介质 | |
| CN113867410B (zh) | 一种无人机航拍数据的采集模式识别方法和系统 | |
| CN115861619A (zh) | 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统 | |
| CN114219855A (zh) | 点云法向量的估计方法、装置、计算机设备和存储介质 | |
| CN112085778A (zh) | 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统 | |
| Ärje et al. | Automatic flower detection and classification system using a light-weight convolutional neural network | |
| Cao et al. | Quantifying visual environment by semantic segmentation using deep learning | |
| CN112560799A (zh) | 基于自适应目标区域搜索和博弈的无人机智能车辆目标检测方法和应用 | |
| CN115297303B (zh) | 适用于电网输变电设备的图像数据采集处理方法及装置 | |
| CN113673478B (zh) | 基于深度学习全景拼接的港口大型设备检测与识别方法 | |
| CN116363532A (zh) | 基于注意力机制和重参数化的无人机图像交通目标检测方法 | |
| CN115164769A (zh) | 一种基于倾斜摄影技术的三维不动产测算方法 | |
| CN110826432B (zh) | 一种基于航空图片的输电线识别方法 | |
| CN113869122A (zh) | 一种配网工程强化管控方法 | |
| CN112818837A (zh) | 一种基于姿态校正和困难样本感知的航拍车辆重识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |