CN117132913A - 基于无人机遥感与特征识别匹配的地表水平位移计算方法 - Google Patents
基于无人机遥感与特征识别匹配的地表水平位移计算方法 Download PDFInfo
- Publication number
- CN117132913A CN117132913A CN202311394544.6A CN202311394544A CN117132913A CN 117132913 A CN117132913 A CN 117132913A CN 202311394544 A CN202311394544 A CN 202311394544A CN 117132913 A CN117132913 A CN 117132913A
- Authority
- CN
- China
- Prior art keywords
- feature
- points
- aerial vehicle
- unmanned aerial
- image
- 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.)
- Granted
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 57
- 238000004364 calculation method Methods 0.000 title claims abstract description 21
- 238000011160 research Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 239000003245 coal Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011438 discrete method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007726 management method 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
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/03—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring coordinates of points
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开基于无人机遥感与特征识别匹配的地表水平位移计算方法,属于距离测量和电数字处理技术领域,用于地表水平位移计算,包括选取研究区域并生成DOM,使用尺度不变特征转换算法识别DOM影像中的特征点,使用K近邻算法筛选并匹配特征点;提取每对特征点的像素坐标,将像素坐标转换为投影坐标;计算每对特征点间的距离和方向,将每对特征点间的距离和方向用数字表示,得到该区域的水平位移。本发明降低了观测成本,提高了观测效率,弥补了当前无人机遥感技术在矿区地表水平移动应用中的技术空白;自动化程度高、操作简单、人工作业强度高,能够保证地表移动的有力观测,提升矿山智能化水准。
Description
技术领域
本发明公开基于无人机遥感与特征识别匹配的地表水平位移计算方法,属于距离测量和电数字处理技术领域。
背景技术
煤炭资源的井工开采引发上层岩土体移动,在地表的直接表现为地表发生移动,破坏地表生态环境,对建构筑物造成威胁,还可能引发滑坡、泥石流等重大危险。地表移动可以分为垂直沉陷和水平位移,其中水平位移对建构筑物造成的危害更大,会引发建筑物裂缝、地表裂缝等一系列问题,是地表观测的重点工作。地表移动监测能为地表环境治理、建筑规划、井工开采等提供指导,传统的地表移动观测方法是在地表布设一系列测点构成测线,通过定期采用专业仪器如全站仪、RTK(实时动态载波相位差分技术)等观测测点的三维坐标来实现地表移动观测;该方法虽然精度高,但工作量大、成本高、测点易丢失,以点位观测成果密度低,不利于整个工作面地表的规律获取。近十年来,无人机技术飞速发展,与遥感技术融合促进传统测绘行业进步转型,也推动了煤矿地表移动观测技术发展,当前无人机遥感技术在煤矿地表移动观测中的应用主要是利用该技术在地表观测后得到地表的数字高程模型,通过多次观测的DEM(数字高程模型)差分DOD(差分正交离散法)方法得到地表沉陷模型,但该方法聚焦于地表垂直沉陷,不能测量地表水平位移,存在局限性,需引入新方法新手段来完善无人机遥感地表移动观测方法。
发明内容
本发明的目的在于提供基于无人机遥感与特征识别匹配的地表水平位移计算方法,以解决现有技术中,地表移动观测聚焦于地表垂直沉陷,不能测量地表水平位移的问题。
基于无人机遥感与特征识别匹配的地表水平位移计算方法,包括:
S1.准备无人机遥感系统,包括无人机平台和可见光相机;
S2.在地表选取研究区域,并用Keyhole标记语言标记研究区域的位置,将研究区域的位置导入到无人机平台内;
S3.设定无人机的航线,包括飞行速度、飞行高度、航向重叠率、旁向重叠率,其中飞行高度的设置决定影像的地面分辨率和水平位移观测精度;
S4.根据井下工作面开采进度,在开采前和开采后分别挑选无风无雨雪无大雾且晴天的天气采集数据,检查数据质量,避免漏采集和像片倾斜;
S5.借助软件处理生成开采前和开采后共2期DOM,检查DOM质量确保纹理清晰层次丰富;
S6.使用尺度不变特征转换算法识别2期DOM影像中的特征点,将区域的2期DOM以同样的尺寸和数量裁剪为若干子区域,分别识别每个子区域的特征点;
S7.使用K近邻算法筛选并匹配特征点,比较一个特征描述子与另一个特征描述子集合找到与该特征描述子最相似的K个特征描述符,计算最佳匹配和次佳匹配间的距离比例,当距离比例小于某个阈值时,将该匹配对视为优良匹配,得到2期影像中的同名特征点对,研究同一个点的位置变化;
S8.提取每对特征点的像素坐标(i,j),像素坐标表示特征点是图像的第i行j列像素;
S9.将像素坐标转换为投影坐标(I,J),获取栅格数据格式、栅格大小、坐标系统、元数据,将特征点的像素坐标(i,j)转换为投影坐标;
S10.计算每对特征点间的距离和方向,距离体现为相应点在2期数据采集期间的位移量,方向体现为位移的趋势;
S11.将每对特征点间的距离和方向用数字表示,得到该区域的水平位移S。
S6包括:
S6.1.尺度空间极值检测;
定义图像自身为,通过与高斯函数/>卷积构建原图像的尺度空间:
;
其中,*表示卷积计算,高斯函数为:
;
其中:m,n为高斯模板的维度,(x,y)为图像像素的位置,σ为尺度空间因子;
根据不同尺度下的高斯差DOG的极值检测特征点,DOG尺度空间计算公式如下:
;
式中,k为两个相邻尺度空间的比例因子;
特征点由DOG空间的局部极值点组成,为寻找DOG函数的极值点,每个像素点与其同尺度相邻的8个点和上下尺度各相邻的9个点进行比较,只保留局部极值点,之后通过子像元插值、剔除对比度低的点和边缘响应点以优化关键点。
S6包括:
S6.2.特征点主方向分配;
基于图像局部的梯度方向,分配给每个特征点位置一个或多个方向,采集DOG空间中检测出的特征点所在高斯金字塔图像3σ邻域窗口内像素的梯度和方向分布特征,梯度的模值和方向如下:
梯度模值:
;
梯度方向:
;
式中,L为特征点所在的尺度空间值;
完成特征点的梯度计算后,使用直方图统计邻域内像素的梯度和方向。
S6包括:
梯度直方图将0~360度的方向范围分为36个柱,其中每柱10度,方向直方图的峰值代表了该特征点处邻域梯度的方向,以直方图中最大值作为该特征点的主方向,只保留峰值大于主方向峰值80%的方向作为该特征点的辅方向。
S6包括:
S6.3.特征点描述子生成;
特征描述子包含了该特征点所在的尺度、位置以及方向,为每个特征点建立一个描述子,用向量表示,使其不随光照、视角等变化而改变。
S9包括:
S9.1.获取影像投影信息,获取影像左上角投影坐标(I0,J0)、东西方向分辨率D及南北方向分辨率N,其中D和N均为正数;
S9.2.转换坐标,按照下式将特征点的像素坐标转换为投影坐标:
。
S10包括:
S10.1.计算每对特征点间的距离,即位移量;
假设影像1中的一个特征点的投影坐标为(I1,J1),对应影像2中的同一个特征点的投影坐标为(I2,J2),则这对特征点间的距离L'为:
;
式中,为横坐标差,/>为纵坐标差;
S10.2.计算位移方向;
假设影像1中的一个特征点A1的投影坐标为(I1,J1),对应影像2中的同一个特征点A2的投影坐标为(I2,J2),以正北方向为起始方向,顺时针旋转至向量的角/>为位移的方向。
S10包括:
。
S11包括:
;
其中:Sa为第a对特征点的水平位移,为影像1中第a对特征点的投影坐标,
为第a对特征点的位移量,/>为第a对特征点的位移方向。
相对比现有技术,本发明具有以下有益效果:本发明结合无人机遥感技术和特征识别方法实现矿区地表水平位移测量,克服传统人工观测工作量大、数据量小、数据维度低等困难,降低了观测成本,提高了观测效率,弥补了当前无人机遥感技术在矿区地表水平移动应用中的技术空白。本发明中的方法自动化程度高、操作简单、人工作业强度高,能够保证地表移动的有力观测,提升矿山智能化水准,对生态环境修复具有指导意义。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
基于无人机遥感与特征识别匹配的地表水平位移计算方法,包括:
S1.准备无人机遥感系统,包括无人机平台和可见光相机;
S2.在地表选取研究区域,并用Keyhole标记语言标记研究区域的位置,将研究区域的位置导入到无人机平台内,Keyhole标记语言为钥匙孔标记语言;
S3.设定无人机的航线,包括飞行速度、飞行高度、航向重叠率、旁向重叠率,其中飞行高度的设置决定影像的地面分辨率和水平位移观测精度;
S4.根据井下工作面开采进度,在开采前和开采后分别挑选无风无雨雪无大雾且晴天的天气采集数据,检查数据质量,避免漏采集和像片倾斜;
S5.借助软件处理生成开采前和开采后共2期DOM,检查DOM质量确保纹理清晰层次丰富,DOM为数字正射影像图;
S6.使用尺度不变特征转换算法识别2期DOM影像中的特征点,将区域的2期DOM以同样的尺寸和数量裁剪为若干子区域,分别识别每个子区域的特征点;
S7.使用K近邻算法筛选并匹配特征点,比较一个特征描述子与另一个特征描述子集合找到与该特征描述子最相似的K个特征描述符,计算最佳匹配和次佳匹配间的距离比例,当距离比例小于某个阈值时,将该匹配对视为优良匹配,得到2期影像中的同名特征点对,研究同一个点的位置变化;
S8.提取每对特征点的像素坐标(i,j),像素坐标表示特征点是图像的第i行j列像素;
S9.将像素坐标转换为投影坐标(I,J),获取栅格数据格式、栅格大小、坐标系统、元数据,将特征点的像素坐标(i,j)转换为投影坐标;
S10.计算每对特征点间的距离和方向,距离体现为相应点在2期数据采集期间的位移量,方向体现为位移的趋势;
S11.将每对特征点间的距离和方向用数字表示,得到该区域的水平位移S。
S6包括:
S6.1.尺度空间极值检测;
定义图像自身为,通过与高斯函数/>卷积构建原图像的尺度空间:
;
其中,*表示卷积计算,高斯函数为:
;
其中:m,n为高斯模板的维度,(x,y)为图像像素的位置,σ为尺度空间因子;
DOG为高斯差分函数,根据不同尺度下的高斯差DOG的极值检测特征点,DOG尺度空间计算公式如下:
;
式中,k为两个相邻尺度空间的比例因子;
特征点由DOG空间的局部极值点组成,为寻找DOG函数的极值点,每个像素点与其同尺度相邻的8个点和上下尺度各相邻的9个点进行比较,只保留局部极值点,之后通过子像元插值、剔除对比度低的点和边缘响应点以优化关键点。
S6包括:
S6.2.特征点主方向分配;
基于图像局部的梯度方向,分配给每个特征点位置一个或多个方向,采集DOG空间中检测出的特征点所在高斯金字塔图像3σ邻域窗口内像素的梯度和方向分布特征,梯度的模值和方向如下:
梯度模值:
;
梯度方向:
;
式中,L为特征点所在的尺度空间值;
完成特征点的梯度计算后,使用直方图统计邻域内像素的梯度和方向。
S6包括:
梯度直方图将0~360度的方向范围分为36个柱,其中每柱10度,方向直方图的峰值代表了该特征点处邻域梯度的方向,以直方图中最大值作为该特征点的主方向,只保留峰值大于主方向峰值80%的方向作为该特征点的辅方向。
S6包括:
S6.3.特征点描述子生成;
特征描述子包含了该特征点所在的尺度、位置以及方向,为每个特征点建立一个描述子,用向量表示,使其不随光照、视角等变化而改变。
S9包括:
S9.1.获取影像投影信息,获取影像左上角投影坐标(I0,J0)、东西方向分辨率D及南北方向分辨率N,其中D和N均为正数;
S9.2.转换坐标,按照下式将特征点的像素坐标转换为投影坐标:
。
S10包括:
S10.1.计算每对特征点间的距离,即位移量;
假设影像1中的一个特征点的投影坐标为(I1,J1),对应影像2中的同一个特征点的投影坐标为(I2,J2),则这对特征点间的距离L'为:
;
式中,为横坐标差,/>为纵坐标差;
S10.2.计算位移方向;
假设影像1中的一个特征点A1的投影坐标为(I1,J1),对应影像2中的同一个特征点A2的投影坐标为(I2,J2),以正北方向为起始方向,顺时针旋转至向量的角/>为位移的方向。
S10包括:
。
S11包括:
;
其中:Sa为第a对特征点的水平位移,为影像1中第a对特征点的投影坐标,为第a对特征点的位移量,/>为第a对特征点的位移方向。
本发明通过无人机遥感技术在研究区域上空获取2期及以上数字正射影像(Digital Orthophoto Map, DOM),借助专业软件如Pix4DMapper处理生成DOM,利用图像特征识别算法识别并匹配2期DOM中的特征点,实现地表水平位移观测。无人机遥感技术采集的同一研究区域不同时间的DOM影像,影像可以表示地表的纹理信息,用于特征识别。将2张DOM影像用同样的尺寸裁剪为若干子影像,以避免影像过大、特征点过多导致内存占用。研究区域裁剪后的若干子影像的目的是说明2期影像需要裁剪为同样数量且同样编号的子影像。将2期DOM利用SIFT算法识别检测特征点,并利用K近邻算法筛选并匹配特征点,将2期影像中的同名特征点配对,共识别58699个特征点,通过筛选得到2幅影像中1082对特征点。两幅影像中的特征点匹配效果,每条连接线的两端代表匹配的1对特征点。计算每对特征点的距离和方向,得到研究区域地表水平位移,箭头指向为位移的方向,不同颜色表示位移量的大小。
以上实施例仅用于说明本发明的技术方案,而非对其限制,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离。
Claims (9)
1.基于无人机遥感与特征识别匹配的地表水平位移计算方法,其特征在于,包括:
S1.准备无人机遥感系统,包括无人机平台和可见光相机;
S2.在地表选取研究区域,并用Keyhole标记语言标记研究区域的位置,将研究区域的位置导入到无人机平台内;
S3.设定无人机的航线,包括飞行速度、飞行高度、航向重叠率、旁向重叠率,其中飞行高度的设置决定影像的地面分辨率和水平位移观测精度;
S4.根据井下工作面开采进度,在开采前和开采后分别挑选无风无雨雪无大雾且晴天的天气采集数据,检查数据质量,避免漏采集和像片倾斜;
S5.借助软件处理生成开采前和开采后共2期DOM,检查DOM质量确保纹理清晰层次丰富;
S6.使用尺度不变特征转换算法识别2期DOM影像中的特征点,将区域的2期DOM以同样的尺寸和数量裁剪为若干子区域,分别识别每个子区域的特征点;
S7.使用K近邻算法筛选并匹配特征点,比较一个特征描述子与另一个特征描述子集合找到与该特征描述子最相似的K个特征描述符,计算最佳匹配和次佳匹配间的距离比例,当距离比例小于某个阈值时,将该匹配对视为优良匹配,得到2期影像中的同名特征点对,研究同一个点的位置变化;
S8.提取每对特征点的像素坐标(i,j),像素坐标表示特征点是图像的第i行j列像素;
S9.将像素坐标转换为投影坐标(I,J),获取栅格数据格式、栅格大小、坐标系统、元数据,将特征点的像素坐标(i,j)转换为投影坐标;
S10.计算每对特征点间的距离和方向,距离体现为相应点在2期数据采集期间的位移量,方向体现为位移的趋势;
S11.将每对特征点间的距离和方向用数字表示,得到该区域的水平位移S。
2.根据权利要求1所述的基于无人机遥感与特征识别匹配的地表水平位移计算方法,其特征在于,S6包括:
S6.1.尺度空间极值检测;
定义图像自身为,通过与高斯函数/>卷积构建原图像的尺度空间:
;
其中,*表示卷积计算,高斯函数为:
;
其中:m,n为高斯模板的维度,(x,y)为图像像素的位置,σ为尺度空间因子;
根据不同尺度下的高斯差DOG的极值检测特征点,DOG尺度空间计算公式如下:
;
式中,k为两个相邻尺度空间的比例因子;
特征点由DOG空间的局部极值点组成,为寻找DOG函数的极值点,每个像素点与其同尺度相邻的8个点和上下尺度各相邻的9个点进行比较,只保留局部极值点,之后通过子像元插值、剔除对比度低的点和边缘响应点以优化关键点。
3.根据权利要求2所述的基于无人机遥感与特征识别匹配的地表水平位移计算方法,其特征在于,S6包括:
S6.2.特征点主方向分配;
基于图像局部的梯度方向,分配给每个特征点位置一个或多个方向,采集DOG空间中检测出的特征点所在高斯金字塔图像3σ邻域窗口内像素的梯度和方向分布特征,梯度的模值和方向如下:
梯度模值:
;
梯度方向:
;
式中,L为特征点所在的尺度空间值;
完成特征点的梯度计算后,使用直方图统计邻域内像素的梯度和方向。
4.根据权利要求3所述的基于无人机遥感与特征识别匹配的地表水平位移计算方法,其特征在于,S6包括:
梯度直方图将0~360度的方向范围分为36个柱,其中每柱10度,方向直方图的峰值代表了该特征点处邻域梯度的方向,以直方图中最大值作为该特征点的主方向,只保留峰值大于主方向峰值80%的方向作为该特征点的辅方向。
5.根据权利要求4所述的基于无人机遥感与特征识别匹配的地表水平位移计算方法,其特征在于,S6包括:
S6.3.特征点描述子生成;
特征描述子包含了该特征点所在的尺度、位置以及方向,为每个特征点建立一个描述子,用向量表示,使其不随光照、视角等变化而改变。
6.根据权利要求5所述的基于无人机遥感与特征识别匹配的地表水平位移计算方法,其特征在于,S9包括:
S9.1.获取影像投影信息,获取影像左上角投影坐标(I0,J0)、东西方向分辨率D及南北方向分辨率N,其中D和N均为正数;
S9.2.转换坐标,按照下式将特征点的像素坐标转换为投影坐标:
。
7.根据权利要求6所述的基于无人机遥感与特征识别匹配的地表水平位移计算方法,其特征在于,S10包括:
S10.1.计算每对特征点间的距离,即位移量;
假设影像1中的一个特征点的投影坐标为(I1,J1),对应影像2中的同一个特征点的投影坐标为(I2,J2),则这对特征点间的距离L'为:
;
式中,为横坐标差,/>为纵坐标差;
S10.2.计算位移方向;
假设影像1中的一个特征点A1的投影坐标为(I1,J1),对应影像2中的同一个特征点A2的投影坐标为(I2,J2),以正北方向为起始方向,顺时针旋转至向量的角/>为位移的方向。
8.根据权利要求7所述的基于无人机遥感与特征识别匹配的地表水平位移计算方法,其特征在于,S10包括:
。
9.根据权利要求8所述的基于无人机遥感与特征识别匹配的地表水平位移计算方法,其特征在于,S11包括:
;
其中:Sa为第a对特征点的水平位移,为影像1中第a对特征点的投影坐标,
为第a对特征点的位移量,/>为第a对特征点的位移方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311394544.6A CN117132913B (zh) | 2023-10-26 | 2023-10-26 | 基于无人机遥感与特征识别匹配的地表水平位移计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311394544.6A CN117132913B (zh) | 2023-10-26 | 2023-10-26 | 基于无人机遥感与特征识别匹配的地表水平位移计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132913A true CN117132913A (zh) | 2023-11-28 |
CN117132913B CN117132913B (zh) | 2024-01-26 |
Family
ID=88861352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311394544.6A Active CN117132913B (zh) | 2023-10-26 | 2023-10-26 | 基于无人机遥感与特征识别匹配的地表水平位移计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132913B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574401A (zh) * | 2015-01-09 | 2015-04-29 | 北京环境特性研究所 | 一种基于平行线匹配的图像配准方法 |
CN104700399A (zh) * | 2015-01-08 | 2015-06-10 | 东北大学 | 一种基于高分遥感影像的大变形滑坡位移场标定方法 |
CN106323176A (zh) * | 2016-08-09 | 2017-01-11 | 鞍钢集团矿业有限公司 | 一种露天矿边坡的三维位移监测方法 |
CN107945221A (zh) * | 2017-12-08 | 2018-04-20 | 北京信息科技大学 | 一种基于rgb‑d图像的三维场景特征表达与高精度匹配方法 |
CN108053367A (zh) * | 2017-12-08 | 2018-05-18 | 北京信息科技大学 | 一种基于rgb-d特征匹配的3d点云拼接与融合方法 |
CN109559348A (zh) * | 2018-11-30 | 2019-04-02 | 东南大学 | 一种基于特征点追踪的桥梁非接触式变形测量方法 |
WO2020010659A1 (zh) * | 2018-07-10 | 2020-01-16 | 上海其高电子科技有限公司 | 基于图像配准的机动车违法鸣笛抓拍系统 |
CN111797744A (zh) * | 2020-06-28 | 2020-10-20 | 武汉大学 | 一种基于共现滤波算法的多模态遥感图像匹配方法 |
CN112161598A (zh) * | 2020-09-30 | 2021-01-01 | 深圳中科飞测科技有限公司 | 一种检测设备的检测方法及检测装置 |
CN112254656A (zh) * | 2020-09-24 | 2021-01-22 | 哈尔滨工业大学 | 一种基于结构表面点特征的立体视觉三维位移测量方法 |
CN114936971A (zh) * | 2022-06-08 | 2022-08-23 | 浙江理工大学 | 一种面向水域的无人机遥感多光谱图像拼接方法及系统 |
CN114937159A (zh) * | 2022-07-27 | 2022-08-23 | 成都飞机工业(集团)有限责任公司 | 一种基于gpu加速的双目匹配方法 |
KR102445865B1 (ko) * | 2022-02-25 | 2022-09-21 | 한국건설기술연구원 | 영상기반 토목 구조물 실시간 변위 계측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
WO2022206161A1 (zh) * | 2021-03-31 | 2022-10-06 | 交通运输部天津水运工程科学研究所 | 一种基于特征点识别的块体运动实时检测方法 |
WO2022213673A1 (zh) * | 2021-04-06 | 2022-10-13 | 中国矿业大学 | 融合无人机dom和星载sar影像的地表三维形变提取方法 |
CN115393196A (zh) * | 2022-10-25 | 2022-11-25 | 之江实验室 | 一种无人机面阵摆扫的红外多序列影像无缝拼接方法 |
CN115471682A (zh) * | 2022-09-13 | 2022-12-13 | 杭州电子科技大学 | 一种基于SIFT融合ResNet50的图像匹配方法 |
CN115797381A (zh) * | 2022-10-20 | 2023-03-14 | 河南理工大学 | 基于地理分块与分层特征匹配的异源遥感影像配准方法 |
CN116206139A (zh) * | 2022-12-29 | 2023-06-02 | 电子科技大学 | 一种基于局部自卷积的无人机图像升尺度匹配方法 |
CN116563118A (zh) * | 2023-07-12 | 2023-08-08 | 浙江华诺康科技有限公司 | 一种内镜图像的拼接方法、装置和计算机设备 |
-
2023
- 2023-10-26 CN CN202311394544.6A patent/CN117132913B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700399A (zh) * | 2015-01-08 | 2015-06-10 | 东北大学 | 一种基于高分遥感影像的大变形滑坡位移场标定方法 |
CN104574401A (zh) * | 2015-01-09 | 2015-04-29 | 北京环境特性研究所 | 一种基于平行线匹配的图像配准方法 |
CN106323176A (zh) * | 2016-08-09 | 2017-01-11 | 鞍钢集团矿业有限公司 | 一种露天矿边坡的三维位移监测方法 |
CN107945221A (zh) * | 2017-12-08 | 2018-04-20 | 北京信息科技大学 | 一种基于rgb‑d图像的三维场景特征表达与高精度匹配方法 |
CN108053367A (zh) * | 2017-12-08 | 2018-05-18 | 北京信息科技大学 | 一种基于rgb-d特征匹配的3d点云拼接与融合方法 |
WO2020010659A1 (zh) * | 2018-07-10 | 2020-01-16 | 上海其高电子科技有限公司 | 基于图像配准的机动车违法鸣笛抓拍系统 |
CN109559348A (zh) * | 2018-11-30 | 2019-04-02 | 东南大学 | 一种基于特征点追踪的桥梁非接触式变形测量方法 |
CN111797744A (zh) * | 2020-06-28 | 2020-10-20 | 武汉大学 | 一种基于共现滤波算法的多模态遥感图像匹配方法 |
CN112254656A (zh) * | 2020-09-24 | 2021-01-22 | 哈尔滨工业大学 | 一种基于结构表面点特征的立体视觉三维位移测量方法 |
CN112161598A (zh) * | 2020-09-30 | 2021-01-01 | 深圳中科飞测科技有限公司 | 一种检测设备的检测方法及检测装置 |
WO2022206161A1 (zh) * | 2021-03-31 | 2022-10-06 | 交通运输部天津水运工程科学研究所 | 一种基于特征点识别的块体运动实时检测方法 |
WO2022213673A1 (zh) * | 2021-04-06 | 2022-10-13 | 中国矿业大学 | 融合无人机dom和星载sar影像的地表三维形变提取方法 |
KR102445865B1 (ko) * | 2022-02-25 | 2022-09-21 | 한국건설기술연구원 | 영상기반 토목 구조물 실시간 변위 계측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
CN114936971A (zh) * | 2022-06-08 | 2022-08-23 | 浙江理工大学 | 一种面向水域的无人机遥感多光谱图像拼接方法及系统 |
CN114937159A (zh) * | 2022-07-27 | 2022-08-23 | 成都飞机工业(集团)有限责任公司 | 一种基于gpu加速的双目匹配方法 |
CN115471682A (zh) * | 2022-09-13 | 2022-12-13 | 杭州电子科技大学 | 一种基于SIFT融合ResNet50的图像匹配方法 |
CN115797381A (zh) * | 2022-10-20 | 2023-03-14 | 河南理工大学 | 基于地理分块与分层特征匹配的异源遥感影像配准方法 |
CN115393196A (zh) * | 2022-10-25 | 2022-11-25 | 之江实验室 | 一种无人机面阵摆扫的红外多序列影像无缝拼接方法 |
CN116206139A (zh) * | 2022-12-29 | 2023-06-02 | 电子科技大学 | 一种基于局部自卷积的无人机图像升尺度匹配方法 |
CN116563118A (zh) * | 2023-07-12 | 2023-08-08 | 浙江华诺康科技有限公司 | 一种内镜图像的拼接方法、装置和计算机设备 |
Non-Patent Citations (4)
Title |
---|
EDYTA PUNIACH等: "Application of UAV-based orthomosaics for determination of horizontal displacement caused by underground mining", ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING, pages 282 - 303 * |
史运喜等: "一种免人工标靶的矿区地表水平位移提取方法", 测绘科学, vol. 48, no. 7, pages 2 * |
孔韦韦著: "图像融合技术 基于多分辨率非下采样理论与方法", 西安:西安电子科技大学出版社, pages: 124 - 126 * |
雷冬等: "基于机器视觉方法的高铁桥梁监测技术研究", 铁道工程学报, no. 3, pages 45 - 49 * |
Also Published As
Publication number | Publication date |
---|---|
CN117132913B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
CN102520401B (zh) | 一种基于LiDAR数据的建筑物区域提取方法 | |
CN102622738B (zh) | 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法 | |
CN104952107A (zh) | 基于车载LiDAR点云数据的桥梁三维重建方法 | |
CN110334578B (zh) | 图像级别标注自动提取高分遥感影像建筑物的弱监督方法 | |
CN112396128B (zh) | 一种铁路外部环境风险源样本自动标注方法 | |
Puniach et al. | Application of UAV-based orthomosaics for determination of horizontal displacement caused by underground mining | |
CN104700399A (zh) | 一种基于高分遥感影像的大变形滑坡位移场标定方法 | |
CN105354832B (zh) | 一种山区卫星影像自动配准到地理底图上的方法 | |
CN114612488A (zh) | 建筑物单体化信息提取方法、计算机装置及存储介质 | |
CN103218787A (zh) | 多源异构遥感影像控制点自动采集方法 | |
CN110070012A (zh) | 一种应用于遥感影像道路网络提取的细化和全局连接方法 | |
Zhang et al. | 3D highway curve reconstruction from mobile laser scanning point clouds | |
CN109727255B (zh) | 一种建筑物三维模型分割方法 | |
CN113063375B (zh) | 一种直线型耕作田埂的无人机遥感提取方法 | |
CN117132913B (zh) | 基于无人机遥感与特征识别匹配的地表水平位移计算方法 | |
CN110728691B (zh) | 一种基于多时相水边线的海岸线自动判别方法 | |
CN110111376B (zh) | 一种采煤沉陷水域面积计算方法 | |
Gong et al. | Roof-cut guided localization for building change detection from imagery and footprint map | |
CN112950662B (zh) | 一种交通场景空间结构提取方法 | |
Kasemsuppakorn et al. | Pedestrian network extraction from fused aerial imagery (orthoimages) and laser imagery (lidar) | |
Fengliang et al. | Updating road information in open-pit mines using truck trajectories | |
Hammoudi et al. | Generating virtual 3D model of urban street facades by fusing terrestrial multi-source data | |
Kunyuan et al. | Automated object extraction from MLS data: A survey | |
CN107133360B (zh) | 一种大尺度遥感影像特征点库的构建方法 |
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 |