CN115201518B - 基于无人机rtk定位的图像测流快速标定方法 - Google Patents

基于无人机rtk定位的图像测流快速标定方法 Download PDF

Info

Publication number
CN115201518B
CN115201518B CN202210877239.1A CN202210877239A CN115201518B CN 115201518 B CN115201518 B CN 115201518B CN 202210877239 A CN202210877239 A CN 202210877239A CN 115201518 B CN115201518 B CN 115201518B
Authority
CN
China
Prior art keywords
image
aerial vehicle
unmanned aerial
feature point
point
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
CN202210877239.1A
Other languages
English (en)
Other versions
CN115201518A (zh
Inventor
陈诚
李子阳
王新
丁品睿
王海鹏
李乐晨
朱士建
张同强
张琦
李涵曼
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.)
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Original Assignee
Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
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 Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources filed Critical Nanjing Hydraulic Research Institute of National Energy Administration Ministry of Transport Ministry of Water Resources
Priority to CN202210877239.1A priority Critical patent/CN115201518B/zh
Publication of CN115201518A publication Critical patent/CN115201518A/zh
Application granted granted Critical
Publication of CN115201518B publication Critical patent/CN115201518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
    • G01P21/02—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers
    • G01P21/025—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers for measuring speed of fluids; for measuring speed of bodies relative to fluids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G01P5/18—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring the time taken to traverse a fixed distance
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于无人机RTK定位的图像测流快速标定方法，该方法包括：1)基于自带RTK定位的无人机设备，在T1时刻拍下图像并记录下其位置，选取一不动特征点P，获取该点位置；2)保持无人机设备的飞行高度不变移动一定距离后，在T2时刻拍下图像并记录其位置，获取不动特征点P在T2图像中的位置；计算不动特征点P在图像坐标中移动的距离；计算无人机设备移动的实际距离；计算△T内不动特征点P的位移实际距离与图像移动距离的比值；计算实际距离；计算得到水流流速。本发明提供了一种能快速准确地对无人机图像进行标定、可解决高洪期间等复杂环境下的应急洪水流场监测难题的基于无人机RTK定位的图像测流快速标定方法。

Description

基于无人机RTK定位的图像测流快速标定方法
技术领域
本发明属于流速测量技术领域，涉及一种图像测流快速标定方法，尤其涉及一种基于无人机RTK定位的图像测流快速标定方法。
背景技术
水流流速是水科学研究及涉水工程(大坝、桥梁、港口航道等)建设与管理过程中至关重要的测量参数。常规的测流仪器主要包括转子式流速仪、声学多普勒流速仪(ADV，Acoustic Doppler Velocimetry)、声学多普勒流速剖面仪(ADCP，Acoustic DopplerCurrent Profiler)、雷达流速仪、大尺度粒子图像测速(1arge-scale particle imagevelocimetry，LSPIV)等。但这些测速装置存在如下不足：
转子流速仪存在以下缺点：长期的机械转动使得设备容易损坏；设备需要定期校准，费用比较高；对环境的要求比较高，一旦有杂物缠绕，设备就无法使用，精度相对比较差；另外使用过程也相对复杂。ADV可用于流量小、河道窄的山区小型河流中流速测量，测得二维或三维流速。ADCP能够测量不同水层的三维流速和流向，即测出河流的流速剖面，具有测验历时短、精度高、资料完整丰富的特点。雷达流速仪利用雷达多普勒效应实现流速测量。但ADV和雷达流速仪只能用于点流速测量，ADCP通过走航式进行断面流速测量，无法实现大范围瞬时流场测量。LSPIV通过在岸边架设摄像机，通过图像处理算法，可以获取大范围瞬时流场数据，但对于在高洪期间等复杂环境下的应急洪水流场监测，由于无法快速安装及标定，难以满足应急监测要求。近年来，随着无人机技术的快速发展，由于无人机具备机动性好、易操作、维护成本低、不受安装条件限制等优点，无人机在洪水监测中得到了广泛应用，但将无人机图像用于洪水流场的快速测量，需要标定图像距离与实际距离之间的比例关系才能根据无人机视频图像计算出流速的实际大小，常规的采用人工基布设地面坐标控制点进行标定的方法费时费力，特别是在高洪期等极端危险的环境之下无法布设。因此，无人机图像的快速且简单易操作的标定方法是急需解决的关键技术问题。目前有人提出通过测量无人机相对水面的高度并结合摄像机参数对图像进行标定，但该高度的测量通常由无人机起飞高度加上起飞点距水面的距离(由激光测距仪等其他测量设备)确定，或另外搭载专门的测高设备(如雷达水位仪)测量无人机距离水面高度，不仅增加了标定复杂度，还使应急测量系统集成更加复杂化。
发明内容
发明目的：为了解决背景技术中存在的上述技术问题，本发明提供了一种能快速准确地对无人机图像进行标定、可解决高洪期间等复杂环境下的应急洪水流场监测难题的基于无人机RTK定位的图像测流快速标定方法。
为了实现上述目的，本发明采用如下技术方案：
一种基于无人机RTK定位的图像测流快速标定方法，其特征在于：所述基于无人机RTK定位的图像测流快速标定方法包括以下步骤：
1)基于自带RTK定位的无人机设备，在T1时刻拍下正射视频图像并记录下此时无人机设备的位置(X1，Y1)，将T1时刻所拍摄图像记为T1图像，在T1图像中选取水陆交界上一不动特征点P，获取不动特征点P在T1图像中的位置为(I1，J1)；
2)保持无人机设备的飞行高度不变，将无人机设备移动距离Lr后，在T2时刻拍下正射视频图像并记录下此时无人机设备的位置(X2，Y2)，将T2时刻所拍摄图像记为T2图像，所述不动特征点P在T2图像中，同时获取不动特征点P在T2图像中的位置(I2，J2)；
3)根据不动特征点P分别在T1图像中的位置以及T2图像中的位置计算不动特征点P在图像坐标中移动的距离为Li；根据无人机设备分别在T1时刻的位置以及T2时刻的位置计算无人机设备移动的实际距离Lr；根据不动特征点P在图像坐标中移动的距离为Li以及无人机设备移动的实际距离Lr计算ΔT内内T1图像至T2图像不动特征点P的位移实际距离与图像移动距离的比值S；所述ΔT＝T2-T1；
4)根据步骤2)中无人机设备的移动距离Lr以及步骤3)计算得到的比值S，计算实际距离；
5)根据步骤4)计算得到的实际距离以及ΔT计算得到水流流速。
作为优选，本发明所采用的步骤2)中获取不动特征点P在T2图像中的位置是采用归一化互相关算法计算得到的。
作为优选，本发明所采用的步骤2)中获取不动特征点P在T2图像中的位置的具体计算方式是：
2.1)在T1图像中选取以不动特征点P为角点构建的窗口；
2.2)采用归一化互相关算法在T2图像中，沿从左至右以及从上自下的顺序，依次取互相关计算窗口并计算互相关计算窗口内每个像素的互相关值R(i，j)，选取互相关值R(i，j)中最大值记为点Q，点Q处的坐标是(I2，J2)，则点Q是T2图像中与T1图像中不动特征点P最为相似的点，将不动特征点P在T2图像中的位置记为(I2，J2)；所述互相关计算窗口的大小与步骤1)所构建的窗口的大小相同。
作为优选，本发明所采用的步骤2.2)中归一化互相关算法的表达式是：
其中：
R(i，j)为T2图像中坐标为(i，j)处的互相关值，其中，i是每个互相关计算窗口中从左上角往右延伸的距离；j是每个互相关计算窗口中从左上角往下延伸的距离；
(m，n)为T1图像中的各像素在以不动特征点P为角点构建的窗口中的坐标；
是T2图像中互相关计算窗口内的所有像素的灰度值的平均值；
G(i，j)是T2图像中坐标(i，j)处的灰度值；
G(i+m，j+n)是T2图像中坐标(i+m，j+n)处的灰度值；
是T1图像中以不动特征点P为角点构建的窗口的像素灰度平均值；
T(m，n)是T1图像中以不动特征点P为角点构建的窗口中坐标(m，n)处的灰度值；
M是以不动特征点P为角点构建的窗口的长度；
N是以不动特征点P为角点构建的窗口的宽度。
作为优选，本发明所采用的步骤3)中不动特征点P在图像坐标中移动的距离为Li的计算方式是：
所述无人机设备移动的实际距离Lr的计算方式是：
所述ΔT内T1图像至T2图像不动特征点P的位移实际距离与图像移动距离的比值S的计算方式是：
其中，不动特征点P的位移实际距离的单位是米；图像移动距离的单位是像素。
作为优选，本发明所采用的不动特征点P是置于水陆交界处的天然固定标识物。
作为优选，本发明所采用的不动特征点P是具有明显形状或颜色特征的石头、树干或堤脚。
本发明的优点是：
本发明提供了一种基于无人机RTK定位的图像测流快速标定方法，该方法包括：1)基于自带RTK定位的无人机设备，在T1时刻拍下正射视频图像并记录下此时无人机设备的位置(X1，Y1)，将T1时刻所拍摄图像记为T1图像，在T1图像中选取水陆交界上一不动特征点P，获取不动特征点P在T1图像中的位置为(I1，J1)；2)保持无人机设备的飞行高度不变，将无人机设备移动距离Lr后，在T2时刻拍下正射视频图像并记录下此时无人机设备的位置(X2，Y2)，将T2时刻所拍摄图像记为T2图像，不动特征点P在T2图像中，同时获取不动特征点P在T2图像中的位置(I2，J2)；3)根据不动特征点P分别在T1图像中的位置以及T2图像中的位置计算不动特征点P在图像坐标中移动的距离为Li；根据无人机设备分别在T1时刻的位置以及T2时刻的位置计算无人机设备移动的实际距离Lr；根据不动特征点P在图像坐标中移动的距离为Li以及无人机设备移动的实际距离Lr计算ΔT内T1图像至T2图像不动特征点P的位移实际距离与图像移动距离的比值S；ΔT＝T2-T1；4)根据步骤2)中无人机设备的移动距离Lr以及步骤3)计算得到的比值S，计算实际距离；5)根据步骤4)计算得到的实际距离以及ΔT计算得到水流流速。相对于传统的人工基布设地面坐标控制点进行标定的方法，本方法可实现自动标定，更安全方便。相对于雷达测高式标定法，本方法基于无人机自带RTK定位标定，无需另外负载，更简单快捷。
附图说明
图1是以不动特征点P为角点构建的窗口的示意图；
图2是本发明所提供的基于无人机RTK定位的图像测流快速标定方法的示意图。
具体实施方式
本发明提供了一种基于无人机RTK定位的图像测流快速标定方法，基于无人机RTK定位的图像测流快速标定方法包括以下步骤：
1)基于自带RTK(Real-time kinematic，实时动态)定位的无人机设备(例如可以是大疆精灵4RTK、M300RTK等)，在T1时刻拍下正射视频图像并记录下此时无人机设备的位置(X1，Y1)，将T1时刻所拍摄图像记为T1图像，即图2中的ABCD，在T1图像中选取水陆交界上一不动特征点P，获取不动特征点P在T1图像中的位置为(I1，J1)；不动特征点P是置于水陆交界处的天然固定标识物，例如是具有明显形状或颜色特征的石头、树干或堤脚。
2)保持无人机设备的飞行高度不变，将无人机设备移动距离Lr后，在T2时刻拍下正射视频图像并记录下此时无人机设备的位置(X2，Y2)，将T2时刻所拍摄图像记为T2图像，及图2中的A’B’C’D’，不动特征点P在T2图像中，同时获取不动特征点P在T2图像中的位置(I2，J2)；
获取不动特征点P在T2图像中的位置是采用归一化互相关算法计算得到的，其具体计算方式是：
2.1)在T1图像中选取以不动特征点P为角点构建的窗口；该窗口的大小为M×N的模板图像Td，如图1所示，该窗口以水陆交界上一不动特征点P为一角点，且窗口包含的区域为陆地上不动区域。
2.2)采用归一化互相关算法在T2图像中，沿从左至右以及从上自下的顺序，依次取互相关计算窗口并计算互相关计算窗口内每个像素的互相关值R(i，j)，选取互相关值R(i，j)中最大值记为点Q，点Q处的坐标是(I2，J2)，则点Q是T2图像中与T1图像中不动特征点P最为相似的点，将不动特征点P在T2图像中的位置记为(I2，J2)；互相关计算窗口的大小与步骤1)所构建的窗口的大小相同。该过程完全不依赖与人工确定，标定精度和效率会大幅度提升。
其中，步骤2.2)中归一化互相关算法的表达式是：
其中：
R(i，j)为T2图像中坐标为(i，j)处的互相关值，其中，i是每个互相关计算窗口中从左上角往右延伸的距离；j是每个互相关计算窗口中从左上角往下延伸的距离；
(m，n)为T1图像中的各像素在以不动特征点P为角点构建的窗口中的坐标；
是T2图像中互相关计算窗口内的所有像素的灰度值的平均值；
G(i，j)是T2图像中坐标(i，j)处的灰度值；
G(i+m，j+n)是T2图像中坐标(i+m，j+n)处的灰度值；
是T1图像中以不动特征点P为角点构建的窗口的像素灰度平均值；
T(m，n)是T1图像中以不动特征点P为角点构建的窗口中坐标(m，n)处的灰度值；
M是以不动特征点P为角点构建的窗口的长度；
N是以不动特征点P为角点构建的窗口的宽度。
3)根据不动特征点P分别在T1图像中的位置以及T2图像中的位置计算不动特征点P在图像坐标中移动的距离为Li；根据无人机设备分别在T1时刻的位置以及T2时刻的位置计算无人机设备移动的实际距离Lr；根据不动特征点P在图像坐标中移动的距离为Li以及无人机设备移动的实际距离Lr计算ΔT内T1图像至T2图像不动特征点P的位移实际距离与图像移动距离的比值S；ΔT＝T2-T1；
不动特征点P在图像坐标中移动的距离为Li的计算方式是：
无人机设备移动的实际距离Lr的计算方式是：
ΔT内T1图像至T2图像不动特征点P的位移实际距离与图像移动距离的比值S的计算方式是：
4)根据步骤2)中无人机设备的移动距离S无人机以及步骤3)计算得到的比值S，计算实际距离；
5)根据步骤4)计算得到的实际距离以及ΔT计算得到水流流速。
下面结合实例，对本发明所提供的技术方案进行详细说明：
实施例1：窄河道测流
河宽约10米，M300RTK无人机，RTK定位精度：1cm+1ppm，配禅思P1相机，分辨率:8192×5460，焦距35mm，飞行高度20m，选取水陆交界上一不动特征点P，在T1时刻图像中图像坐标为(3252，2184)，采用互相关算法，取窗口大小为64×64，依次计算T2图像中各点的互相关值，取最大互相关值处的像素坐标(6095，1915)，为自动定位与T1图像P点最匹配的坐标，计算特征点在图像中移动距离Li为： 像素，无人机在T1时刻RTK定位坐标为(1804522.212320，3632145.079990)，在T2时刻RTK定位坐标为(1804529.272520，3632145.290740)，无人机移动距离Lr为： 则可标定出图像距离与实际距离的比值/>
实施例2：宽河道测流
河宽约50米，M300RTK无人机，RTK定位精度：1cm+1ppm，配禅思P1相机，分辨率:8192×5460，焦距35mm，飞行高度50m，选取水陆交界上一不动特征点P，在T1时刻图像中图像坐标为(2449，2035)，采用互相关算法，取窗口大小为32×32，依次计算T2图像中各点的互相关值，取最大互相关值处的像素坐标(5983，1885)，为自动定位与T1图像P点最匹配的坐标，计算特征点在图像中移动距离Li为： 无人机在T1时刻RTK定位坐标为(1804513.532480，3632146.026590)，在T2时刻RTK定位坐标为(1804535.545160，3632144.969850)，无人机移动距离Lr为：22.038，则可标定出图像距离与实际距离的比值/>

Claims (5)

1.一种基于无人机RTK定位的图像测流快速标定方法，其特征在于：所述基于无人机RTK定位的图像测流快速标定方法包括以下步骤：
1)基于自带RTK定位的无人机设备，在T1时刻拍下正射视频图像并记录下此时无人机设备的位置(X1，Y1)，将T1时刻所拍摄图像记为T1图像，在T1图像中选取水陆交界上一不动特征点P，获取不动特征点P在T1图像中的位置为(I1，J1)；
2)保持无人机设备的飞行高度不变，将无人机设备移动距离Lr后，在T2时刻拍下正射视频图像并记录下此时无人机设备的位置(X2，Y2)，将T2时刻所拍摄图像记为T2图像，所述不动特征点P在T2图像中，同时获取不动特征点P在T2图像中的位置(I2，J2)；获取不动特征点P在T2图像中的位置的具体计算方式是：
2.1)在T1图像中选取以不动特征点P为角点构建的窗口；
2.2)采用归一化互相关算法在T2图像中，沿从左至右以及从上自下的顺序，依次取互相关计算窗口并计算互相关计算窗口内每个像素的互相关值R(i，j)，选取互相关值R(i，j)中最大值记为点Q，点Q处的坐标是(I2，J2)，则点Q是T2图像中与T1图像中不动特征点P最为相似的点，将不动特征点P在T2图像中的位置记为(I2，J2)；所述互相关计算窗口的大小与步骤1)所构建的窗口的大小相同；
在步骤2.2)中归一化互相关算法的表达式是：
其中：
R(i，j)为T2图像中坐标为(i，j)处的互相关值，其中，i是每个互相关计算窗口中从左上角往右延伸的距离；j是每个互相关计算窗口中从左上角往下延伸的距离；
(m，n)为T1图像中的各像素在以不动特征点P为角点构建的窗口中的坐标；
是T2图像中互相关计算窗口内的所有像素的灰度值的平均值；
G(i，j)是T2图像中坐标(i，j)处的灰度值；
G(i+m，j+n)是T2图像中坐标(i+m，j+n)处的灰度值；
是T1图像中以不动特征点P为角点构建的窗口的像素灰度平均值；
T(m，n)是T1图像中以不动特征点P为角点构建的窗口中坐标(m，n)处的灰度值；
M是以不动特征点P为角点构建的窗口的长度；
N是以不动特征点P为角点构建的窗口的宽度；
3)根据不动特征点P分别在T1图像中的位置以及T2图像中的位置计算不动特征点P在图像坐标中移动的距离为Li；根据无人机设备分别在T1时刻的位置以及T2时刻的位置计算无人机设备移动的实际距离Lr；根据不动特征点P在图像坐标中移动的距离为Li以及无人机设备移动的实际距离Lr计算ΔT内T1图像至T2图像不动特征点P的位移实际距离与图像移动距离的比值S；所述ΔT＝T2-T1；
4)根据步骤2)中无人机设备的移动距离以及步骤3)计算得到的比值S，计算不动特征点P的实际距离；
5)根据步骤4)计算得到的不动特征点P的实际距离以及ΔT计算得到水流流速。
2.根据权利要求1所述的基于无人机RTK定位的图像测流快速标定方法，其特征在于：所述步骤2)中获取不动特征点P在T2图像中的位置是采用归一化互相关算法计算得到的。
3.根据权利要求1-2任一项所述的基于无人机RTK定位的图像测流快速标定方法，其特征在于：所述步骤3)中不动特征点P在图像坐标中移动的距离为Li的计算方式是：
所述无人机设备移动的实际距离Lr的计算方式是：
所述ΔT内T1图像至T2图像不动特征点P的位移实际距离与图像移动距离的比值S的计算方式是：
其中，不动特征点P的位移实际距离的单位是米；
图像移动距离的单位是像素。
4.根据权利要求3所述的基于无人机RTK定位的图像测流快速标定方法，其特征在于：所述不动特征点P是置于水陆交界处的天然固定标识物。
5.根据权利要求4所述的基于无人机RTK定位的图像测流快速标定方法，其特征在于：所述不动特征点P是具有明显形状或颜色特征的石头、树干或堤脚。
CN202210877239.1A 2022-07-25 2022-07-25 基于无人机rtk定位的图像测流快速标定方法 Active CN115201518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210877239.1A CN115201518B (zh) 2022-07-25 2022-07-25 基于无人机rtk定位的图像测流快速标定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210877239.1A CN115201518B (zh) 2022-07-25 2022-07-25 基于无人机rtk定位的图像测流快速标定方法

Publications (2)

Publication Number Publication Date
CN115201518A CN115201518A (zh) 2022-10-18
CN115201518B true CN115201518B (zh) 2023-08-01

Family

ID=83584330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210877239.1A Active CN115201518B (zh) 2022-07-25 2022-07-25 基于无人机rtk定位的图像测流快速标定方法

Country Status (1)

Country Link
CN (1) CN115201518B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2557971B1 (fr) * 1984-01-06 1988-05-27 Thomson Csf Systeme de surveillance par avion sans pilote permettant la localisation d'objectif
JP3653769B2 (ja) * 1995-02-07 2005-06-02 朝日航洋株式会社 流れ計測方法及び装置
CN105334347B (zh) * 2015-11-20 2019-05-31 中国计量学院 一种基于无人机的粒子图像测速检测系统及方法
US10074183B1 (en) * 2016-06-03 2018-09-11 Amazon Technologies, Inc. Image alignment correction for imaging processing during operation of an unmanned aerial vehicle
CN109870106A (zh) * 2019-02-14 2019-06-11 南京邮电大学 一种基于无人机图片的建筑物体积测量方法
CN110378199B (zh) * 2019-06-03 2021-08-06 北京北科安地科技发展有限公司 一种基于无人机多期影像的岩土体位移监测方法
KR102193108B1 (ko) * 2019-10-10 2020-12-18 서울대학교산학협력단 무인항공체로부터 취득된 rgb영상을 이용한 2차원 하천혼합거동 계측 방법
CN110986871A (zh) * 2019-12-24 2020-04-10 广西大学 一种基于rtk精确定位的交叉跨越线间距图像测量方法
CN112067839B (zh) * 2020-09-18 2022-04-12 重庆交通大学 无人机超宽河流表面流场快速测量方法

Also Published As

Publication number Publication date
CN115201518A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN107085852B (zh) 一种基于无人机航拍的河道表面流场测试方法
CN111473818B (zh) 一种人工沙滩多源监测数据集成分析方法
CN102564508B (zh) 基于视频图像的河流流量在线测验实现方法
CN110220502A (zh) 一种基于立体监测技术的涉水建筑动态监测方法
KR20210117243A (ko) 시계열 드론 영상을 활용한 연안지역 침식 퇴적 변화 분석 방법
KR102523451B1 (ko) 드론 영상 기반의 하천 유속 측정을 위한 장치 및 방법
CN113124941A (zh) 一种河道流量非接触式测量及精确计算方法
US11544857B1 (en) Method and device for calculating river surface flow velocity based on variational principle
CN109737921B (zh) 一种利用无人机追踪水边线的滩涂地形测量方法
CN103487033A (zh) 一种基于变高单应的河流水面摄影测量方法
CN110672075A (zh) 一种基于三维立体成像的远程水域检测系统和方法
CN111442762A (zh) 面向水利工程的无人机贴近摄影方法
CN115201518B (zh) 基于无人机rtk定位的图像测流快速标定方法
CN117664248B (zh) 一种基于观测塔遥感的自然河流生态流量监测方法
CN104596484A (zh) 一种黄河凌汛期流凌密度测量方法
CN118292498A (zh) 一种深基坑钢板桩变形实时监测预警方法及系统
CN104597286A (zh) 一种黄河凌汛期流凌速度测量方法
CN114858124B (zh) 一种大坝表面变形监测系统及方法
CN118072238B (zh) 一种基于无人机遥感与塔基视频的河流流量实时监测方法
Del Pizzo et al. Assessment of shoreline detection using UAV
Li et al. Using UAV imagery to generate DEMs of the intertidal zone
CN117723120B (zh) 获取和监测长序列连续自然河流流量的遥感水文站方法
CN117745839B (zh) 一种机载测深激光雷达扫描轨迹拟合模型
Liu et al. A measurement method for construction planning and completion based on UAV photography
Shin et al. Wave Induced Current Monitoring Using UAV-Based Photogrammetry

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