CN114777745A - 一种基于无迹卡尔曼滤波的倾斜取证建模方法 - Google Patents

Abstract

本发明公开了一种基于无迹卡尔曼滤波的倾斜取证建模方法，对要建模区域进行实地勘察，勘察区域面积，建筑物高度，水域情况，周围有无强电磁干扰，然后设立合理的像控点，进行无人机的准备工作，组合导航中，优先采用全球卫星导航进行定位，一旦发生由建筑物阻碍等引起信号失锁的情况，对无人机获取的图像进行处理，使其坐标系变换为目标坐标系，还需进行几何矫正，最后对模型进行优化。本发明提供一种基于无迹卡尔曼滤波的倾斜取证建模方法，利用组合导航技术来保证无人机前期的精准作业，相较于传统的循迹技术，本发明定位更准确，能够自主完成拍照取证工作。当取证工作完成，后期在软件上对素材进行建模和修复工。

Description

一种基于无迹卡尔曼滤波的倾斜取证建模方法

技术领域

本发明涉及导航技术领域，尤其涉及一种基于无迹卡尔曼滤波的倾斜取证建模方法。

背景技术

随着当今互联网技术的发展，人们对事物的认知要求越来越高，以往的二维平面图，已经满足不了现实需求，三维可视化技术应运而出。结合了地理信息技术、图像处理技术、AR技术以及无人机等技术，力求最大限度还原真实场景。三维模型在城市规划、灾害救援、交通管理等领域有着重要的应用意义。传统的建模方法基于CAD进行人工建模，耗时长且成本高，随着无人机技术的不断成熟，利用无人机搭载摄像机进行拍照取证已成为了主流。

利用两种及以上导航技术相互修正是如今导航中最常使用的手段，全球卫星定位系统虽然有着定位精准，实时效率高等特点，但是本发明的场景中可能含有高大建筑物或者浓密树木的影响，导致信号暂时丢失的情况，不利于无人机精准作业。捷联惯性导航能够在卫星信号丢失时，依靠自身解算出的导航信息继续完成导航任务，且捷联惯导小巧便利，造价便宜。由于本发明的应用场景是城市，不存在长时间信号丢失的情况，因此可以很好的避免惯导误差随时间误差发散的缺点。

垂直取证技术虽然仅搭载单相机，一定程度上节约了耗材成本，但由于其耗时长、角度差导致还原度不够等缺点，往往不被采用。倾斜摄影同时搭载一个正下方的主摄像机以及四个方向的辅摄，能够一次性完成建筑物的拍摄任务，且其摄影范围更广，更能清晰的反应物体形状特征。无人机由于其快速和便捷的特点，因此往往使用无人机和倾斜取证技术相结合来满足建模的前期需求。被广泛的应用在三维建模领域。

应用商店有许多的建模软件，相比较而言Contextcapture是建模可靠的软件，在模型精准度、模型建立速度等方面都有着良好的表现。但是软件自主建模会存在着模型畸变、纹理模糊、水面空洞等问题，需要使用模型修复软件，可以实现对模型进行精细化的修复。

发明内容

本发明公开一种基于无迹卡尔曼滤波的倾斜取证建模方法，旨在解决背景技术中提出的技术问题。

为了实现上述目的，本发明采用了如下技术方案：

一种基于无迹卡尔曼滤波的倾斜取证建模方法，具体包括以下步骤：

S1：首先对要建模区域进行实地勘察，勘察区域面积，建筑物高度，水域情况，周围有无强电磁干扰，然后设立合理的像控点，进行无人机的准备工作；

S2：组合导航中，优先采用全球卫星导航进行定位，一旦发生由建筑物阻碍等引起信号失锁的情况，由惯性导航系统代替GPS输出导航信息，利用姿态变化矩阵算出载体坐标系的角速度；

S3：对无人机获取的图像进行处理，使其坐标系变换为目标坐标系，还需进行几何矫正；

S4：对模型进行优化，模型经常会出现一些变形，水面空洞、纹理不清是常见的问题，需要使用软件进行模型修复，对于原景中没有的悬浮物碎片，可以利用套索工具选中删除，其他的一些错误大多数可以用补拍的方式进行修复。

在一个优选的方案中，所述S1的步骤中，按照实际情况进行区域划分，综合考量无人机电量，在每一个子区域内布置一些像控点，地图上布置好像控点之后，还需实地再考察，部分离建筑物过近的需要在其周围换点，保证无人机的安全作业，在地图上需要提前设计好航线，充分考虑重叠率，重叠率过低建模精度低，过高采集的数据过多，后期工作量增大。

在一个优选的方案中，所述姿态变化矩阵为：

当卫星信号良好时使用GPS提供的位置和速度信息，经过无迹卡尔曼滤波去除误差信息，输出最终导航数据，当发生卫星失锁时，采用惯导中陀螺仪和加速度计采集的速度和位置信息，再利用无迹卡尔曼滤波器输出正确导航信息，所述无迹卡尔曼滤波分为三部分选取采样点、计算采样点均值和协方差和计算采样点权值三个部分。

在一个优选的方案中，所述无迹卡尔曼滤波算法的状态方程和观测方程为：

其中，X_k是k时刻的状态量，w_k,v_k分别是状态噪声向量和观测噪声向量，f,h分别是系统的状态方程和观测方程。

在一个优选的方案中，所述S3的步骤中，Global Mapper软件可以进行坐标变换，使原始数据转换成需要的数据，由于多因素的影响，原始图像可能会产生形变，需要对其进行几何校正，从空白的输出图像出发，建立空间转换关系：(x,y)→(u,v)；

(u,v)＝[g_u(x,y),g_v(x,y)]

由contextcapture对数据进行空中三角测量，通过两张拍到同名点或者坐标的照片为区域平差条件，利用公式解算出像控点的坐标，变换后像素点的像素值可能出现误差，利用最邻近插值法，将该点附近的灰度值当做自身的灰度：

f(x,y)＝g(u',v')；

原始数据导入contextcapture中，无需人为介入，软件自己能够独立完成空三测量。

在一个优选的方案中，将这些点通过非线性函数映射得到新的sigma点，在利用新的sigam点来估计y的统计特性

利用sigma点来估计通过非线性系统的随机变量的统计亮度的方法比线性化方法有更好的精确度，然后需要计算采样点的权值，具体计算公式如下：

式(1)中，x₀为n维随机向量，

是均值，μ是比例因子，其值为α²(n+k)-n，α影响着sigma点的分布情况，值较小时会选择靠近均值的sigma点，反之就会远离，通常我们将α的值设为0～1之间的一个数，k的取值需要满足(n+μ)P是半正定矩阵；

是矩阵

的第i列，ω_0,m是均值第一个sigam权值、ω_0,c是协方差的第一个sigma权值、ω_i,m,ω_i,c分别是均值和协方差的第i点权值，β值取2是正态分布的最优解。

有益效果

本发明提出的基于无迹卡尔曼滤波的倾斜取证建模方法，精度高且在GPS信号丢失时仍能进行作业，相较于传统的仅依靠GPS定位，一旦信号失锁，会出现某些像控点误差较大，影响后期建模效果。由于如今技术的成熟，低成本的陀螺已经能够满足建模导航精度的需求，因此加装捷联惯导能够大幅提高定位精度且成本较低的技术效果。

附图说明

图1为本发明提出的一种基于无迹卡尔曼滤波的倾斜取证建模方法的建模实现流程图。

图2为本发明提出的一种基于无迹卡尔曼滤波的倾斜取证建模方法的组合导航流程图。

图3为本发明提出的一种基于无迹卡尔曼滤波的倾斜取证建模方法的几何校正效果图。

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。

参照图1-3，本发明提出的一种基于无迹卡尔曼滤波的倾斜取证建模方法，具体包括以下步骤：

(1)先对建模区域进行实地勘察，先了解区域面积，建筑物高度，水域情况，周围有无强电磁干扰。按照实际情况进行区域划分，综合考量无人机电量。在每一个子区域内布置一些像控点，地图上布置好像控点之后，还需实地再考察，部分离建筑物过近的需要在其周围换点，保证无人机的安全作业。在地图上需要提前设计好航线，充分考虑重叠率，重叠率过低建模精度低，过高采集的数据过多，后期工作量增大。

(2)当卫星信号良好时使用GPS提供的位置和速度信息，经过无迹卡尔曼滤波去除误差信息，输出最终导航数据。当发生卫星失锁时，采用惯导中陀螺仪和加速度计采集的速度和位置信息，再利用无迹卡尔曼滤波器输出正确导航信息。具体流程图如图所示。具体的无迹变换分为三个部分：选取采样点、计算采样点均值和协方差、计算采样点权值。

首先是从已知的不确定非线性y＝f(x)的映射中，挑选出2n+1个关于x的采样点sigma点，其中n是随机向量维数，sigma点的选取并不是随机的，要求选取出的点与原状态分布的均值和协方差保持一致。

将这些点通过非线性函数映射得到新的sigma点，在利用新的sigam点来估计y的统计特性

利用sigma点来估计通过非线性系统的随机变量的统计亮度的方法比线性化方法有更好的精确度。然后需要计算采样点的权值，具体计算公式如下：

式(1)中，x₀为n维随机向量，

是均值，μ是比例因子，其值为α²(n+k)-n，α影响着sigma点的分布情况(α值较小时会选择靠近均值的sigma点，反之就会远离)，通常我们将α的值设为0～1之间的一个数。k的取值需要满足(n+μ)P是半正定矩阵。

是矩阵

的第i列。ω_0,m是均值第一个sigam权值、ω_0,c是协方差的第一个sigma权值、ω_i,m,ω_i,c分别是均值和协方差的第i点权值。β值取2是正态分布的最优解。

X_k+1＝f(X_k)+w_k

Z_k＝h(X_k)+v_k

X_k是k时刻的状态量，w_k,v_k分别是状态噪声向量和观测噪声向量，f,h分别是系统的状态方程和观测方程

(3)Global Mapper软件可以进行坐标变换，使原始数据转换成需要的数据。由于多因素的影响，原始图像可能会产生形变，我们需要对其进行几何校正。从空白的输出图像出发，建立空间转换关系。(x,y)→(u,v)。

(u,v)＝[g_u(x,y),g_v(x,y)]

变换后像素点的像素值可能出现误差，利用最邻近插值法，将该点附近的灰度值当做自己的灰度。

f(x,y)＝g(u',v')

原始数据导入contextcapture中，无需人为介入，软件自己能够独立完成空三测量。

(4)软件自己建模或多或少会存在一些问题，在空三运算中，多张图片匹配会发生错误，导致空中出现一些漂浮物，这种情况在植被附近最容易出现，利用软件的套索的工具祛除。某些由于光线或者分辨率原因导致的模糊不清，这些难以通过技术处理来提高清晰度，通常选择补拍进行弥补。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于无迹卡尔曼滤波的倾斜取证建模方法，其特征在于，具体包括以下步骤：

S1：首先对要建模区域进行实地勘察，勘察区域面积，建筑物高度，水域情况，周围有无强电磁干扰，然后设立合理的像控点，进行无人机的准备工作；

S2：组合导航中，优先采用全球卫星导航进行定位，一旦发生由建筑物阻碍等引起信号失锁的情况，由惯性导航系统代替GPS输出导航信息，利用姿态变化矩阵算出载体坐标系的角速度；

S3：对无人机获取的图像进行处理，使其坐标系变换为目标坐标系，还需进行几何矫正；

S4：对模型进行优化，模型经常会出现一些变形，水面空洞、纹理不清是常见的问题，需要使用软件进行模型修复，对于原景中没有的悬浮物碎片，可以利用套索工具选中删除，其他的一些错误大多数可以用补拍的方式进行修复。

2.根据权利要求1所述的一种基于无迹卡尔曼滤波的倾斜取证建模方法，其特征在于，所述S1的步骤中，按照实际情况进行区域划分，综合考量无人机电量，在每一个子区域内布置一些像控点，地图上布置好像控点之后，还需实地再考察，部分离建筑物过近的需要在其周围换点，保证无人机的安全作业，在地图上需要提前设计好航线，充分考虑重叠率。

3.根据权利要求1所述的一种基于无迹卡尔曼滤波的倾斜取证建模方法，其特征在于，所述姿态变化矩阵为：

当卫星信号良好时使用GPS提供的位置和速度信息，经过无迹卡尔曼滤波去除误差信息，输出最终导航数据，当发生卫星失锁时，采用惯导中陀螺仪和加速度计采集的速度和位置信息，再利用无迹卡尔曼滤波器输出正确导航信息，所述无迹卡尔曼滤波分为选取采样点、计算采样点均值和协方差和计算采样点权值三个部分。

4.根据权利要求3所述的一种基于无迹卡尔曼滤波的倾斜取证建模方法，其特征在于，所述无迹卡尔曼滤波算法的状态方程和观测方程为：

其中，X_k是k时刻的状态量，w_k,v_k分别是状态噪声向量和观测噪声向量，f,h分别是系统的状态方程和观测方程。

5.根据权利要求1所述的一种基于无迹卡尔曼滤波的倾斜取证建模方法，其特征在于，所述S3的步骤中，Global Mapper软件可以进行坐标变换，使原始数据转换成需要的数据，由于多因素的影响，原始图像可能会产生形变，需要对其进行几何校正，从空白的输出图像出发，建立空间转换关系：(x,y)→(u,v)；

(u,v)＝[g_u(x,y),g_v(x,y)]

由contextcapture对数据进行空中三角测量，通过两张拍到同名点或者坐标的照片为区域平差条件，利用公式解算出像控点的坐标。

6.根据权利要求5所述的一种基于无迹卡尔曼滤波的倾斜取证建模方法，其特征在于，变换后像素点的像素值可能出现误差，利用最邻近插值法，将该点附近的灰度值当做自身的灰度：

f(x,y)＝g(u',v')；

原始数据导入contextcapture中，无需人为介入，软件自己能够独立完成空三测量。

7.根据权利要求4所述的一种基于无迹卡尔曼滤波的倾斜取证建模方法，其特征在于，从已知的不确定非线性y＝f(x)的映射中，挑选出2n+1个关于x的采样点sigma点，其中n是随机向量维数，sigma点的选取并不是随机的，要求选取出的点与原状态分布的均值和协方差保持一致。

8.根据权利要求7所述的一种基于无迹卡尔曼滤波的倾斜取证建模方法，其特征在于，将这些点通过非线性函数映射得到新的sigma点，在利用新的sigam点来估计y的统计特性

利用sigma点来估计通过非线性系统的随机变量的统计亮度的方法比线性化方法有更好的精确度，然后需要计算采样点的权值，具体计算公式如下：

式(1)中，x₀为n维随机向量，

是均值，μ是比例因子，其值为α²(n+k)-n，α影响着sigma点的分布情况，值较小时会选择靠近均值的sigma点，反之就会远离，通常我们将α的值设为0～1之间的一个数，k的取值需要满足(n+μ)P是半正定矩阵；

是矩阵

的第i列，ω_0,m是均值第一个sigam权值、ω_0,c是协方差的第一个sigma权值、ω_i,m,ω_i,c分别是均值和协方差的第i点权值，β值取2是正态分布的最优解。

Images