CN117197361B - 实景三维数据库构建方法、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了实景三维数据库构建方法、电子设备和计算机可读介质。该方法的一具体实施方式包括：对目标区域进行分区，得到目标子区域集；对每个目标子区域进行像控点和飞行航线规划，得到航测图像组集和像控点位置信息组集；对航测图像组进行空中三角量测，得到点云数据组；对点云数据组进行三维建模，得到三维网络子模型和数字正射影像子模型；对三维网络子模型集和数字正射影像子模型集分别进行拼接处理，得到三维网络模型和数字正射影像模型；确定三维网络模型和数字正射影像模型的准确度；构建实景三维数据库。该实施方式基于无人机拍摄的多视角图像和像控点三维坐标可以提高实景三维模型的纹理匹配度和准确度，减少存储资源的浪费。

Description

实景三维数据库构建方法、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及实景三维数据库构建方法、电子设备和计算机可读介质。

背景技术

实景三维模型是对真实环境的实体建模。无人机倾斜摄影测量是在同一飞行平台上搭建多台相机，同时从不同角度采集区域信息，获取区域更为完整准确的地面信息。对于实景三维数据库的构建，通常采用的方式为：利用无人机拍摄的正射图像自动构建实景三维模型数据库。

然而，发明人发现，当采用上述方式来构建实景三维数据库，经常会存在如下技术问题：

第一，由于仅仅利用正射影像构建实景三维模型数据库，无法获取遮挡部分的地面真实分布情况，使得构建的实景三维模型与真实场景纹理差异较大，实景三维模型构建准确率较低，造成占用的存储资源较多，导致存储资源的浪费。

第二，由于现有技术在进行特征点匹配过程中对复杂地形的航测图像匹配度不高，并且没有考虑地形断裂线，造成匹配效率较低，占用大量运算资源，导致运算资源浪费。

第三，由于现有技术构建的三维模型的棱角特征不够突出，平面场景不够平整，造成三维模型精准度较低，导致存储资源的浪费。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了实景三维数据库构建方法、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种实景三维数据库构建方法，包括：获取目标区域的环境信息；根据上述环境信息，对上述目标区域进行分区，得到目标子区域集；对上述目标子区域集中每个目标子区域进行像控点和飞行航线规划，以生成针对目标子区域的航测图像组和像控点位置信息组，得到航测图像组集和像控点位置信息组集；对于上述像控点位置信息组集中的每个像控点位置信息组，执行以下量测处理步骤：根据上述像控点位置信息组、位置位姿信息组和至少一个相机参数信息，对与上述像控点位置信息组对应的航测图像组进行空中三角量测处理，得到与上述像控点位置信息组对应的目标子区域的点云数据组，其中，上述至少一个相机参数信息中的相机参数信息是上述无人机携带的相机的参数信息，上述位置位姿信息组是上述像控点位置信息组对应的航测图像组的位置位姿信息组；对上述点云数据组进行三维建模处理，得到针对上述目标子区域的三维网络子模型和数字正射影像子模型；对所得到的三维网络子模型集和所得到的数字正射影像子模型集分别进行拼接处理，得到针对上述目标区域的三维网络模型和数字正射影像模型；根据检测点位置信息集，分别确定上述三维网络模型和上述数字正射影像模型的准确度，其中，上述检测点位置信息集中的检测点位置信息是上述目标区域内目标物体的三维坐标信息；响应于确定上述三维网络模型的准确度和上述数字正射影像模型的准确度分别大于等于预设准确度阈值，根据上述数字正射影像模型和上述三维网络模型，构建实景三维数据库。

第二方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第三方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的实景三维数据库构建方法基于无人机拍摄的多视角图像和像控点三维坐标可以提高实景三维模型的纹理匹配度和准确度，从而减少存储资源的浪费。具体来说，造成相关的存储资源的浪费的原因在于：由于仅仅利用正射影像构建三维模型库，无法获取遮挡部分的地面真实分布情况，使得构建的实景三维模型与真实场景纹理差异较大，实景三维模型构建准确率较低，造成占用的存储资源较多，导致存储资源的浪费。基于此，本公开的一些实施例的实景三维数据库构建方法可以首先，获取目标区域的环境信息。其次，根据上述环境信息，对上述目标区域进行分区，得到目标子区域集。在这里，得到目标子区域集便于后续进行航线和像控点规划，可以提高航测图像的准确性。再次，对上述目标子区域集中每个目标子区域进行像控点和飞行航线规划，以生成针对目标子区域的航测图像组和像控点位置信息组，得到航测图像组集和像控点位置信息组集。在这里，得到的航测图像组集和像控点位置信息组集便于后续构建实景三维模型。接着，对于上述像控点位置信息组集中的每个像控点位置信息组，执行以下量测处理步骤：第一步，根据上述像控点位置信息组、位置位姿信息组和至少一个相机参数信息，对与上述像控点位置信息组对应的航测图像组进行空中三角量测处理，得到与上述像控点位置信息组对应的目标子区域的点云数据组，其中，上述至少一个相机参数信息中的相机参数信息是上述无人机携带的相机的参数信息，上述位置位姿信息组是上述像控点位置信息组对应的航测图像组的位置位姿信息组。在这里，对航测图像进行空中三角测量可以得到准确率更高的点云数据，便于后续得到更接近真实的实景三维模型。第二步，对上述点云数据组进行三维建模处理，得到针对上述目标子区域的三维网络子模型和数字正射影像子模型。在这里，对目标子区域进行三维建模处理可以提高纹理匹配度，得到更加精细的高实景三维模型，以及提高实景三维模型的准确性。随后，对所得到的三维网络子模型集和所得到的数字正射影像子模型集分别进行拼接处理，得到针对上述目标区域的三维网络模型和数字正射影像模型。在这里，拼接处理可以得到目标区域的实景三维模型，提高针对目标区域实景三维模型的准确性。然后，根据检测点位置信息集，分别确定上述三维网络模型和上述数字正射影像模型的准确度，其中，上述检测点位置信息集中的检测点位置信息是上述目标区域内目标物体的三维坐标信息。在这里，对实景三维模型进行检测，可以得到准确度更高的实景三维模型，减少存储空间的浪费。最后，响应于确定上述三维网络模型的准确度和上述数字正射影像模型的准确度分别大于等于预设准确度阈值，根据上述数字正射影像模型和上述三维网络模型，构建实景三维数据库。在这里，将大于等于预设准确度的实景三维模型进行存储，可以减少存储空间的浪费。由此可得，该实景三维数据库构建方法基于无人机拍摄的多视角图像和像控点三维坐标可以提高实景三维模型的纹理匹配度和准确度，从而减少了存储资源的浪费。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的实景三维数据库构建方法的一些实施例的流程图；

图2是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1示出了根据本公开的实景三维数据库构建方法的一些实施例的流程100。该实景三维数据库构建方法，包括以下步骤：

步骤101，获取目标区域的环境信息。

在一些实施例中，上述实景三维数据库构建方法的执行主体（例如服务器）可以通过有线连接方式或者无线连接方式来获取目标区域的环境信息。其中，上述目标区域可以是需要进行三维实景建模的区域。上述环境信息可以是关于目标区域的地形地貌信息。

步骤102，根据环境信息，对目标区域进行分区，得到目标子区域集。

在一些实施例中，上述执行主体可以根据上述环境信息，对上述目标区域进行分区，得到目标子区域集。其中，上述目标子区域集中的目标子区域可以是地势比较平缓的区域。例如，上述目标区域存在丘陵地形，包括不同高度的山丘和山谷，将上述目标区域划分成山丘区、山谷区和山脊区。

作为示例，上述执行主体可以首先，利用上述目标区域的地形地貌，确定上述目标区域的地形特点。然后，利用上述地形特点，对目标区域进行高度分区，得到目标子区域集。

步骤103，对目标子区域集中每个目标子区域进行像控点和飞行航线规划，以生成针对目标子区域的航测图像组和像控点位置信息组，得到航测图像组集和像控点位置信息组集。

在一些实施例中，上述执行主体可以对上述目标子区域集中每个目标子区域进行像控点和飞行航线规划，以生成针对目标子区域的航测图像组和像控点位置信息组，得到航测图像组集和像控点位置信息组集。其中，上述像控点可以是在上述目标子区域内布设的具有标志性的地面物体坐标点。例如，上述像控点可以是地面物体的拐角点、线状地物的交汇点和人工喷涂的具有标志性的地面物体坐标点。上述飞行航线可以是无人机在目标子区域内的飞行路径。上述像控点位置信息组中的像控点位置信息可以是像控点在大地坐标系下的三维坐标信息。上述航测图像组中的航测图像可以是无人机携带的相机拍摄的针对目标子区域的图像。上述无人机携带的相机可以是具有5个方位的相机。上述无人机携带的相机可以包括：下视相机和倾斜相机。上述倾斜相机包括：左视相机、右视相机、前视相机和后视相机。例如，上述无人机携带的相机可以是AMC580。上述规划可以是利用目标子区域的地势地貌，对像控点和飞行航线进行的规划。例如，上述目标子区域可以是正方形或者矩形区域，在区域的四个边角和中心点布设像控点。上述目标子区域可以是不规则图形区域，将像控点均匀布设在目标子区域内。上述目标子区域还可以是带状区域，在目标子区域内按照Z字型布设像控点。上述飞行航线可以按照目标子区域中的长边进行航线布设，按照飞行航线拍摄的航测图像需要具有重叠度。例如，上述重叠度可以是纵向重叠度为0.8，横线重叠度为0.8。

作为示例，上述执行主体可以是利用目标子区域的地形地貌和相关规定信息，对目标子区域集中每个目标子区域进行像控点和飞行航线规划，以生成针对目标子区域的航测图像组和像控点位置信息组，得到航测图像组集和像控点位置信息组集。其中，上述相关规定信息可以是关于航线和像控点布设的信息。

在一些实施例的一些可选的实现方式中，上述对上述目标子区域集中每个目标子区域进行像控点和飞行航线规划，以生成针对目标子区域的航测图像组和像控点位置信息组，得到航测图像组集和像控点位置信息组集，可以包括以下步骤：

第一步，对于上述目标子区域集中的每个目标子区域，执行以下定位步骤：

第一子步骤，确定上述无人机的起飞区域、降落区域、飞行高度和飞行速度。其中，上述起飞区域和降落区域可以是地势比较平缓的区域。

第二子步骤，根据上述起飞区域、上述降落区域、预设重叠度、上述飞行高度和上述飞行速度，生成上述无人机的飞行航线。其中，上述飞行航线可以是无人机飞行采集目标子区域的航测图像的路径。上述预设重叠度可以表征无人机按照航线飞行采集的航测图像的纵向重叠度和横向重叠度。上述纵向重叠度可以是一条航线的上相邻航测图像的重叠度。上述横向重叠度可以是相邻航线上采集的航测图像的重叠度。

作为示例，上述执行主体可以利用路径规划算法，根据上述起飞点、降落点、飞行高度和飞行速度，生成上述无人机的飞行航线。

第三子步骤，根据上述飞行航线，控制至少一个相机进行图像数据采集，得到航测图像组。

作为示例，上述执行主体可以控制上述无人机按照上述飞行航线进行飞行，以控制无人机装载的至少一个相机进行图像数据采集，得到航测图像组。

第四子步骤，根据上述目标子区域的环境信息，确定布设的像控点组。

作为示例，首先，上述执行主体可以利用上述目标子区域的环境信息，确定上述目标子区域的地势地貌。然后，利用地势地貌，确定布设的像控点组。例如，上述目标子区域可以是正方形或者矩形区域，在区域的四个边角和中心点布设像控点。

第五子步骤，对上述像控点组进行定位，得到针对上述像控点组的像控点位置信息组。实践中，首先，上述执行主体可以利用RTK（Real-time kinematic，实时动态测量），对上述像控点组进行预设阈值次坐标动态检测，得到上述像控点组的坐标信息集组。其中，上述预设阈值可以是对上述像控点进行坐标动态检测的次数。例如，上述预设阈值可以是3。然后，将上述坐标信息集组中的每个坐标信息集的平均值，确定为平均坐标信息组。最后，将上述平均坐标信息组确定为像控点位置信息组。

步骤104，对于像控点位置信息组集中的每个像控点位置信息组，执行以下量测处理步骤：

步骤1041，根据像控点位置信息组、位置位姿信息组和至少一个相机参数信息，对与像控点位置信息组对应的航测图像组进行空中三角量测处理，得到与像控点位置信息组对应的目标子区域的点云数据组。

在一些实施例中，上述执行主体可以根据上述像控点位置信息组、位置位姿信息组和至少一个相机参数信息，对与上述像控点位置信息组对应的航测图像组进行空中三角量测处理，得到与上述像控点位置信息组对应的目标子区域的点云数据组。其中，上述至少一个相机参数信息中的相机参数信息是上述无人机携带的某一相机的参数信息。上述参数信息可以包括以下至少一项：像元尺寸、焦距和视场角。上述像控点位置信息组中的像控点位置信息可以是上述像控点的三维坐标信息。上述位置位姿信息组可以是上述像控点位置信息组对应的航测图像组的位置位姿信息组。上述位置位姿信息组中的位置位姿信息可以是通过全球导航卫星系统和惯导系统获取的每张航测图像的位置信息和姿态变换信息。上述位置位姿信息包括：拍摄航测图像时相机焦点的经纬、纬度、高度、航向角、俯仰角和翻滚角。上述航向角可以是无人机的实际航向与规划航线之间的夹角。上述俯仰角可以是无人机机身轴线与水平面的夹角。上述翻滚角可以是无人机以机轴为轴转动的夹角。上述点云数据组中的点云数据可以是表征目标子区域内地形地势和目标物体的点云数据。上述目标物体可以是目标子区域内的建筑物和树木。上述空中三角测量处理可以是根据像控制点，通过影像数据进行像片同名像点自动影像匹配，进行控制点加密，确定目标区域内目标物体的高程和平面位置的测量方法。

作为示例，上述执行主体可以利用全数字空中三角测量系统，根据像控点位置信息组、位置位姿信息组和至少一个相机参数信息，对与像控点位置信息组对应的航测图像组进行空中三角量测处理，得到与像控点位置信息组对应的目标子区域的点云数据组。

在一些实施例的一些可选的实现方式中，上述根据上述像控点位置信息组、位置位姿信息组和至少一个相机参数信息，对与上述像控点位置信息组对应的航测图像组进行空中三角量测处理，得到与上述像控点位置信息组对应的目标子区域的点云数据组，可以包括以下步骤：

第一步，对上述航测图像组进行预处理，得到处理后航测图像组。其中，上述预处理后航测图像组可以是对上述航测图像组进行对比度和亮度调整后的航测图像组。上述预处理可以是对航测图像组中的每个航测图像进行色彩调整、亮度调整、对比度调整和均色处理。上述色彩调整可以是采用直方图匹配法，将航测图像组中每个航测图像的直方图与目标直方图进行匹配的色彩调整。上述目标直方图可以是依据航测规范要求的确定的航测图像对应的直方图。上述亮度调整可以是将航测图像组中每个航测图像的像素值乘以预设系数的亮度调整。预设系数可以是根据航测图像和目标航测图像的平均亮度值来确定。上述目标航测图像可以是依据航测规范要求的确定的航测图像。上述对比度调整可以是对航测图像的像素值进行动态线性拉伸，以便航测图像的像素最小值、最大值与目标航测图像的最小值、最大值相等的调整。上述均色处理可以是在航测图像组中每个航测图像上沿行和列方向滑动预设窗口，确定窗口内的像素值的平均值或者中值，并将得到的平均值或者中值确定为航测图像的像素值的均色处理。作为示例，上述预设窗口可以是3*3的窗口。

第二步，根据上述无人机的下视相机的下视参数信息和上述位置位姿信息组，确定至少一个剩余相机的至少一个参数信息。其中，上述至少一个剩余相机是从上述至少一个相机中除去下视相机后剩余的至少一个相机。上述下视相机可以是对地面进行垂直拍摄的相机。上述至少一个相机可以包括：左视相机、右视相机、前视相机和后视相机。上述至少一个参数信息中的参数信息可以包括以下至少一项：对应相机的焦距、相机光学中心坐标信息、相机俯仰角和相机的偏航角。

作为示例，上述执行主体可以利用共线条件方程，根据上述无人机的下视相机的下视参数信息和位置位姿信息组，确定至少一个剩余相机的至少一个参数信息。

第三步，根据上述至少一个参数信息，对上述处理后航测图像组进行航带构建，得到航带航测图像组。其中，上述航带航测图像组可以是针对构建的航带进行排序得到的航测图像组。

作为示例，上述执行主体可以利用上述至少一个参数信息，确定上述航测图像组中每个航测图像中心点在地面的投影坐标，得到投影坐标组。然后，确定投影坐标组中每个投影坐标与地面的夹角，得到夹角组。最后，利用夹角组和预设夹角阈值组，确定上述处理后航测图像组所属航带，得到航带航测图像组。其中，上述预设夹角阈值可以是区分上述航测图像组中每个航测图像所属航带的夹角阈值。上述预设夹角阈值组可以包括：0度、90度、180度和270度。

第四步，对上述航带航测图像组中的每个航带航测图像进行特征点匹配提取处理，以生成特征点集，得到航测特征点集组。其中，上述特征点集中的特征点可以表征航带航测图像的特征点。实践中，上述执行主体可以利用SIFT（Scale Invariant FeatureTransform，尺度不变特征转换）算法，对上述航带航测图像组中的每个航带航测图像进行特征点匹配提取处理，以生成特征点集，得到航测特征点集组。

第五步，对上述航测特征点集组进行特征点筛选，得到筛选后航测特征点集。其中，上述筛选后航测特征点集可以是从上述航测特征点集组中筛选掉误差匹配的点后得到的点集。误差匹配的点可以是匹配误差小于等于预设匹配误差阈值的点。预设匹配误差阈值可以是根据实际情况确定的阈值。实践中，上述执行主体可以利用RANSAC（Randomsample consensus，随机抽样一致算法），对上述航测特征点集组进行特征点筛选，得到筛选后航测特征点集。

第六步，对上述筛选后航测特征点集进行区域网构建，得到区域网模型。其中，上述区域网模型可以是对筛选后航测特征点集的三维坐标构建针对目标区域的区域网模型。上述区域网构建可以是由航带内各个相邻航测图像构建模型组，然后将构建的模型组按照连接点进行连接的区域构建。

第七步，根据上述像控点位置信息组、上述下视参数信息和上述至少一个参数信息，对上述区域网模型进行平差处理，得到针对上述目标区域的点云数据组。

作为示例，上述执行主体可以利用光束区域网平差算法，根据上述像控点位置信息组、上述下视参数信息和上述至少一个参数信息，对上述区域网模型进行平差处理，得到针对上述目标区域的点云数据组。

在一些实施例的一些可选的实现方式中，上述对上述航带航测图像组中的每个航带航测图像进行特征点匹配提取处理，以生成特征点集，得到航测特征点集组，可以包括以下步骤：

第一步，对上述航带航测图像组中的每个航带航测图像进行网格划分，以生成网格航测图像，得到网格航测图像组。其中，上述网格航测图像包括多个网格。其中，上述网格可以是对上述航带航测图像进行网格划分的网格。例如，上述网格可以是16*16的网格。上述网格航测图像可以是对航带航测图像进行网格划分后得到的航测图像。

第二步，对于上述网格航测图像组中的每个网格航测图像，执行以下第一生成步骤：

第一子步骤，对网格航测图像中的多个网格中的每个网格进行网格特征点提取，以生成网格特征点集，得到网格特征点集组。其中，上述网格特征点集中的网格特征点可以是表征网格特征的特征点。实践中，上述执行主体可以利用Harris算法和DOG（Differenceof Gaussians，高斯差分函数）算法，对网格航测图像中的多个网格中的每个网格进行网格特征点提取，以生成网格特征点集，得到网格特征点集组。

第二子步骤，从上述网格航测图像组中除去上述网格航测图像，得到剩余网格航测图像组。

第三子步骤，确定上述网格特征点集组中每个网格特征点在上述剩余网格航测图像组中的匹配特征点集。其中，上述匹配特征点集中的匹配特征点可以是在剩余网格航测图像组中剩余网格航测图像的核线上搜索得到的、高程度小于预设高程度阈值的特征点。上述预设高程度阈值可以是0.7。

第四子步骤，对于上述网格特征点集组中的每个网格特征点和对应的匹配特征点集中的每个匹配特征点进行前方交会处理，以生成三维物方点，作为候选中心点，得到候选中心点集组。其中，上述三维物方点可以表征目标子区域的物体的三维点云。

作为示例，上述执行主体可以利用前方交会方程，对于上述网格特征点集组中的每个网格特征点和对应的匹配特征点集中的每个匹配特征点进行前方交会处理，以生成三维物方点，作为候选中心点，得到候选中心点集组。

第五子步骤，对于上述候选中心点集组中的每个候选中心点，执行以下第二生成步骤：

子步骤1，确定上述候选中心点对应的面元。其中，上述面元是以候选中心点为中心，以固定阈值为边长的正方形。例如，上述面元可以是21*21的正方形。

子步骤2，响应于确定上述面元中存在边缘像素，对上述面元的边长进行调整，得到调整后面元。其中，上述边缘像素是像素相邻像素的高程差大于等于预设高程差的像素。上述预设高程差可以是0.1米。上述调整可以是在地表平滑的地方，面元的面积会自动变大，以覆盖整个平滑的区域。在地势起伏变化较大的地方，面元的面积会自动变小，以描述地表细节特点。

子步骤3，确定上述面元与匹配特征点集中每个匹配特征点对应的面元的相关度数值，得到相关度数值集。其中，上述相关度数值表征匹配面元是否位于同一表面。上述相关度数值可以表示为：

其中，表示面元所在的航带航测图像。/>表示匹配特征点所在的航带航测图像。/>表示面元所在的航带航测图像的红色通道图像。/>表示面元。/>表示面元所在的航带航测图像的绿色通道图像。/>表示面元所在的航带航测图像的蓝色通道图像。/>表示匹配特征点对应面元在的航带航测图像的红色通道图像。/>表示匹配特征点对应面元在的航带航测图像的绿色通道图像。/>表示匹配特征点对应面元在的航带航测图像的蓝色通道图像。/>表示面元大小，即面元包括的像素值。/>表示面元所在航带航测图像的红色通道图像的平均值。/>表示面元所在航带航测图像的绿色通道图像的平均值。/>表示面元所在航带航测图像的蓝色通道图像的平均值。表示匹配特征点对应面元在航带航测图像的红色通道图像的平均值。/>表示匹配特征点对应面元所在航带航测图像的绿色通道图像的平均值。/>表示匹配特征点对应面元所在航带航测图像的蓝色通道图像的平均值。

子步骤4，响应于确定上述相关度数值集中存在大于预设相关度阈值的至少一个相关度数值作为至少一个目标相关度数值，确定上述至少一个目标相关度数值对应的面元，以及生成至少一个目标三维物方点。其中，上述相关度阈值可以是确定候选中心点对应的面元是否位于同一平面的阈值。例如，上述预设相关度阈值可以是0.8。上述目标三维物方点可以是位于面元内、具有标志性的目标物体的三维点云。

第三步，将所得到的多个候选中心点集组和至少一个目标三维物方点集组，确定为航测特征点集组。

上述第一步至第三步及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“由于现有技术在进行特征点匹配过程中对复杂地形的航测图像匹配度不高，并且没有考虑地形断裂线，造成匹配效率较低，占用大量运算资源，导致运算资源浪费”。导致运算资源浪费的因素往往如下：由于现有技术在进行特征点匹配过程中对复杂地形的航测图像匹配度不高，并且没有考虑地形断裂线，造成匹配效率较低，占用大量运算资源，导致运算资源浪费。如果解决了上述因素，就能达到减少运算资源的浪费的效果。为了达到这一效果，本公开首先，对上述航带航测图像组中的每个航带航测图像进行网格划分，以生成网格航测图像，得到网格航测图像组。在这里，网格划分减少了特征点提取的范围，便于结合地形地貌，提高特征点提取的准确性。然后，对于上述网格航测图像组中的每个网格航测图像，执行以下第一生成步骤：第一步，对网格航测图像中的多个网格中的每个网格进行网格特征点提取，以生成网格特征点集，得到网格特征点集组。在这里，对每个网格进行特征提取便于结合地形地貌，提高特征点提取的准确性。从上述网格航测图像组中除去上述网格航测图像，得到剩余网格航测图像组。第二步，确定上述网格特征点集组中每个网格特征点在上述剩余网格航测图像组中的匹配特征点集。在这里，确定剩余网格航测图像组中每个剩余网格航测图像核心上的匹配特征点，充分考虑到无人机姿态的不稳定性和航测图像之 间的变形。第三步，对于上述网格特征点集组中的每个网格特征点和对应的匹配特征点集中的每个匹配特征点进行前方交会处理，以生成三维物方点，作为候选中心点，得到候选中心点集组。在这里，前方交互处理利用前方交会方程边缘提高生成的三维物方点的准确性。第四步，对于上述候选中心点集组中的每个候选中心点，执行以下第二生成步骤：确定上述候选中心点对应的面元。其中，上述面元是以候选中心点为中心，以固定阈值为边长的正方形。响应于确定上述面元中存在边缘像素，对上述面元的边长进行调整，得到调整后面元。在这里，对存在边缘像素的面元进行调整可以结合目标子区域的地形断裂线和地形地貌，使得到的面元更具有针对性，可以更加精准的描述目标子区域的地形地貌。确定上述面元与匹配特征点集中每个匹配特征点对应的面元的相关度数值，得到相关度数值集。在这里，相关度数值的确定可以消除无人机飞行的不稳定性和航带航测图像之间的变形。响应于确定上述相关度数值集中存在大于预设相关度阈值的至少一个相关度数值作为至少一个目标相关度数值，确定上述至少一个目标相关度数值对应的面元，以及生成至少一个目标三维物方点。在这里，生成至少一个目标三维物方点可以扩大面元的面积，以便覆盖地形较平缓地区。最后，将所得到的多个候选中心点集组和至少一个目标三维物方点集组，确定为航测特征点集组。因此，对特征点的面元依据目标子区域的地形地貌和地形断裂线进行自动调整，提高对复杂地形的特征点匹配效率，减少计算量，从而减少了计算资源的浪费。

步骤1042，对点云数据组进行三维建模处理，得到针对目标子区域的三维网络子模型和数字正射影像子模型。

在一些实施例中，上述执行主体可以对上述点云数据组进行三维建模处理，得到针对上述目标子区域的三维网络子模型和数字正射影像子模型。其中，上述三维网格子模型可以是以网格的形式表征目标子区域的三维子模型。上述数字正射影像子模型可以是采用网格的形式表征目标子区域的三维物体的子模型。上述数字正射影像子模型可以是消除目标子区域地形差异的高精度地表表面模型。

作为示例，上述执行主体可以首先，利用Delaunay三角剖分（DelaunayTriangulation）算法，对点云数据组进行三维建模处理，得到针对目标子区域的三维网格子模型。然后，利用航空摄影测量软件，对上述点云数据组进行三维建模，得到数字高程子模型。其中，上述航空摄影测量软件可以是Trimble Inpho软件。上述数字高程子模型可以是用一组有序数值阵列形式表示地面高程的一种实体地面模型。最后，对上述数字高程子模型进行像元微分纠正，得到数字正射影像子模型。

在一些实施例的一些可选的实现方式中，上述对上述点云数据组进行三维建模处理，得到针对上述目标子区域的三维网络子模型和数字正射影像子模型，可以包括以下步骤：

第一步，对上述点云数据组进行三维建模，得到数字地表模型。其中，上述数字地表模型可以是包含了地表建筑物、桥梁和树木等高度的地面高程模型。实践中，上述执行主体可以利用航空摄影测量软件，对上述点云数据组进行三维建模，得到数字地表模型。其中，上述航空摄影测量软件可以是Trimble Inpho软件。

第二步，对上述数字地表模型进行特征空间分布处理，得到数字地面模型。其中，上述数字地面模型可以是表示地面特征空间分布，根据地面点坐标（x，y，z）和地表目标类型组成的模型。上述特征空间分布处理可以是分类处理和表面建模处理。

第三步，对上述数字地面模型进行模型修饰处理，得到数字高程模型。其中，上述数字高程模型可以是依据地形高程数据对地面地形的数字化模拟的实体地面模型。上述模型修饰处理可以是对不符合实际地形地貌的特征线进行调整的处理。

第四步，对上述数字高程模型进行数字微分纠正处理，以生成针对上述航带航测图像组中每个航带航测图像的单片数字正射影像模型，得到单片数字正射影像模型组。其中，上述单片数字正射影像模型可以是针对一个航带航测图像的三维模型。上述数字微分纠正处理可以是对上述数字高程模型中的每个像元进行纠正的处理。

第五步，对上述单片数字正射影像模型组进行拼接处理，得到数字正射影像子模型。

可选地，上述在对上述单片数字正射影像模型组进行拼接处理，得到数字正射影像子模型之后，上述执行主体还可以执行以下步骤：

第一步，对上述点云数据组进行三维三角格网构建，得到白体三维网络模型。其中，上述白体三维网络模型可以是未进行纹理映射的、针对目标区域的三维模型。实践中，上述执行主体可以利用滚球算法，对上述点云数据组进行三维三角格网构建，得到白体三维网络模型。

第二步，对上述白体三维网络模型进行交互式单体化建模，得到建筑单体模型集。其中，上述建筑单体模型集中的建筑单体模型可以是针对目标区域中的单个物体构建的模型。上述交互式单体化建模可以是通过渐近三角网迭代滤波过滤掉地面点云，然后利用面向对象的倾斜航空影像分类和共线方程去除植被点云，分离出了建筑物点云的单体化建模。

第三步，对上述建筑单体模型集中的各个建筑单体模型进行组合处理，得到三维网格子模型。实践中，上述执行主体可以利用三维布尔运算组合，对上述建筑单体模型集中的各个建筑单体模型进行组合处理，得到三维网格子模型。

在一些实施例的一些可选的实现方式中，上述对上述点云数据组进行三维三角格网构建，得到白体三维网络模型，可以包括以下步骤：

第一步，对上述点云数据组进行平面检测，得到平面点云数据组。其中，上述平面点云数据组可以是表针地面的电源数据组。

作为示例，上述执行主体可以第一步，基于上述点云数据组，执行以下去除步骤：首先，从上述点云数据组中筛选出种子点云。其中，上述种子点云可以是上述点云数据组中曲率最小的点云。其次，确定上述点云数据组中每个点云数据与种子点云的夹角，得到点云夹角组。其中，上述夹角可以上述点云数据组中每个点云数据的法向量与上述种子点云的法向量的夹角。上述点云数据的法向量可以通过利用基于主成分分析的局部平面拟合得到的法向量。再次，从上述点云夹角组中筛选出小于等于预设夹角阈值的夹角，得到目标夹角。随后，将上述目标夹角对应的点云和上述种子点确定为平面点云数据组。然后，从上述点云数据组中去除目标夹角对应的点云数据和种子点云数据，得到剩余点云数据。最后，响应于确定上述点云数据为空，结束上述确定步骤。第二步，响应于确定上述点云数据不为空，将大于预设夹角阈值的夹角，确定为种子点云，以及将剩余点云数据组确定为点云数据组，以再次执行上述确定步骤。

第二步，对上述平面点云数据组中的每个平面点云数据进行优化处理，得到优化后平面点云数据，得到优化后平面点云数据组。其中，上述优化处理可以是对点云数据进行去噪和平整处理。

第三步，对航带航测图像组中的每个航带航测图像进行边缘点提取，得到边缘点云集，得到边缘点云集组。其中，上述边缘点云集中的边缘点云可以是表征边缘的点云。实践中，上述执行主体可以利用边缘检测算法，对航带航测图像组中的每个航带航测图像进行边缘点提取，得到边缘点云集，得到边缘点云集组。其中，边缘检测算法可以是Canny算法和Sobel算法。

第四步，对上述边缘点云集组中的每个边缘点云进行边缘点云匹配，得到匹配边缘点云集组。其中，上述匹配边缘点云集组中的匹配边缘点云可以是位于边缘点对应的航带航测图像的相邻航带航测图像集中的点云。上述相邻航带航测图像集中的相邻航带航测图像可以是与上述航带航测图像具有重叠度的航带航测图像。

作为示例，上述执行主体可以利用PMVS（Multi-View Stereo，多视图立体匹配）算法，对上述边缘点云集组中的每个边缘点云进行边缘点云匹配，得到匹配边缘点云集组。

第五步，将上述匹配边缘点云集组和上述优化后平面点云数据组，确定为采样点云数据组。

第六步，对上述采样点云数据组进行滤波处理，得到滤波后采样点云数据组。其中，上述滤波后采样点云数据组可以是去除噪点点云数据后的采样点云数据组。上述滤波处理可以是非局部均值滤波处理。

第七步，对上述滤波后采样点云数据组进行点云拓扑构建，得到采样八叉树。其中，上述采样八叉树可以表征滤波后采样点云数据组的拓扑结构。上述滤波后采样点云数据组中的每个滤波后采样点云数据位于八叉树的叶子节点。

第八步，对上述采样八叉树中的每个滤波后采样点云数据组进行基于空间分布的高斯滤波处理，得到处理后点云数据组。其中，上述基于空间分布的高斯滤波处理可以是将滤波后采样点云数据的值转换为结合图像的空间邻近度和像素值相似度。

第九步，对上述处理后点云数据组进行三维表面建模，生成白体三维网络模型。实践中，上述执行主体可以利用泊松表面重建算法，对上述处理后点云数据组进行三维表面建模，生成白体三维网络模型。

上述第一步至第九步中的相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题三“由于现有技术构建的三维模型的棱角特征不够突出，平面场景不够平整，造成三维模型精准度较低，导致存储资源的浪费”。导致存储资源的浪费的因素往往如下：由于现有技术构建的三维模型的棱角特征不够突出，平面场景不够平整，造成三维模型精准度较低，导致存储资源的浪费。如果解决了上述因素，就能达到减少存储资源的浪费的效果。为了达到这一效果，本公开首先，对上述点云数据组进行平面检测，得到平面点云数据组。在这里，平面检测可以提高平面完整度。其次，对上述平面点云数据组中的每个平面点云数据进行优化处理，得到优化后平面点云数据，得到优化后平面点云数据组。再次，对航带航测图像组中的每个航带航测图像进行边缘点提取，得到边缘点云集，得到边缘点云集组。在这里，边缘点提取可以结合目标区域的地形地貌，便于后续得到的白体三维网络模型更具有针对性。随后，对上述边缘点云集组中的每个边缘点云进行边缘点云匹配，得到匹配边缘点云集组。在这里，边缘点云匹配可以提高边缘节点的匹配度，提高匹配精度。将上述匹配边缘点云集组和上述优化后平面点云数据组，确定为采样点云数据组。在这里，将边界点作为采样点可以突出白体三维网络模型棱角特征。然后，对上述采样点云数据组进行滤波处理，得到滤波后采样点云数据组。对上述滤波后采样点云数据组进行点云拓扑构建，得到采样八叉树。在这里，构建采样八叉树可以准确提取采样点云数据的结构特点，以便后续得到的白体三维网络模型更加接近真实模型。对上述采样八叉树中的每个滤波后采样点云数据组进行基于空间分布的高斯滤波处理，得到处理后点云数据组。在这里，对采样点云数据组进行多个滤波处理可以提高去噪效果，降低后续三维建模中的干扰因素，从而提高白体三维网络模型的准确性。对上述处理后点云数据组进行三维表面建模，生成白体三维网络模型。由此，通过将边缘节点和匹配边缘点云集组作为采样点，提高了白体三维网络模型的棱角特征。对采样点进行滤波处理，达到了三维模型的平滑与细节的平衡和更好的去噪效果，从而使得到的白体三维网络模型更接近真实模型，提高了白体三维网络模型的准确性，以及减少了存储资源的浪费。

在一些实施例的一些可选的实现方式中，上述对上述白体三维网络模型进行交互式单体化建模，得到建筑单体模型集，可以包括以下步骤：

第一步，对上述白体三维网络模型进行目标物体提取，得到物体网络模型集。其中，上述物体网络模型集中的物体网络模型可以是目标区域内单个物体的三维网络模型。

第二步，对上述物体网络模型集中的每个物体网络模型，执行以下纹理映射处理步骤：

第一子步骤，对上述物体网络模型进行白膜构建，得到物体白膜模型。其中，上述物体白膜模型可以是表征物体轮廓信息、缺乏纹理信息的几何模型。上述白膜构建可以是按照物体的三维点云数据进行的模型构建。

第二子步骤，确定上述物体白膜模型各个角度的倾斜航测图像组。其中，上述倾斜航测图像组是上述航测图像组中由无人机携带的至少一个倾斜相机采集得到的航测图像组。

第三子步骤，根据上述倾斜航测图像组，对上述物体白膜模型进行纹理映射处理，得到建筑单体模型。

作为示例，上述执行主体可以利用RTT（Render To Texture，渲染到纹理）技术，根据上述倾斜航测图像组，对上述物体白膜模型进行纹理映射处理，得到建筑单体模型。

步骤105，对所得到的三维网络子模型集和所得到的数字正射影像子模型集分别进行拼接处理，得到针对目标区域的三维网络模型和数字正射影像模型。

在一些实施例中，上述执行主体可以对所得到的三维网络子模型集和所得到的数字正射影像子模型集分别进行拼接处理，得到针对上述目标区域的三维网络模型和数字正射影像模型。其中，上述三维网络模型可以是采用网格的形式描述目标区域的三维物体的模型。上述数字正射影像子模型可以是消除目标区域地形差异的高精度地表表面模型。上述拼接处理可以是将各个三维网路子模型集和数字正射影像子模型集中具有相同三维坐标的点云数据进行重合拼接。

步骤106，根据检测点位置信息集，分别确定三维网络模型和数字正射影像模型的准确度。

在一些实施例中，上述执行主体可以根据检测点位置信息集，分别确定上述三维网络模型和上述数字正射影像模型的准确度。其中，上述检测点位置信息集中的检测点位置信息是上述目标区域内目标物体的三维坐标信息。目标物体可以是具有标志性的地面物体。上述检测点位置信息集可以是用来检测三维网络模型和数字正射影像模型的准确性的位置信息集。

作为示例，上述执行主体可以首先，利用RTK，确定上述检测点集的检测点位置信息集。其次，确定上述检测点集在上述三维网络模型的三维检测点坐标信息集和上述数字正射影像模型的正射检测点坐标信息集。然后，确定上述检测点位置信息集和上述三维检测点坐标信息集、上述正射检测点坐标信息集的第一坐标误差和第二坐标误差。最后，利用上述第一坐标误差和上述第二坐标误差，分别确定三维网络模型和数字正射影像模型的准确度。

步骤107，响应于确定三维网络模型的准确度和数字正射影像模型的准确度分别大于等于预设准确度阈值，根据数字正射影像模型和三维网络模型，构建实景三维数据库。

在一些实施例中，上述执行主体可以响应于确定上述三维网络模型的准确度和上述数字正射影像模型的准确度分别大于等于预设准确度阈值，根据上述数字正射影像模型和上述三维网络模型，构建实景三维数据库。其中，上述预设准确度阈值可以是预先设定的、是否将三维网络模型和数字正射影像模型存储至实景三维数据库的准确度阈值。上述预设准确度阈值可以是0.8。上述实景三维数据库可以是表征目标区域的人类生产、生活和生态空间的时空信息的三维模型数据库。

作为示例，上述执行主体可以响应于确定上述三维网络模型的准确度和上述数字正射影像模型的准确度分别大于等于预设准确度阈值，将上述数字正射影像模型和上述三维网络模型存储数据库中，得到实景三维数据库。

可选地，上述执行主体在107之后，还可以执行以下步骤：

响应于确定上述三维网络模型的准确度和上述数字正射影像模型的准确度中存在准确度小于上述预设准确度阈值，重新规划像控点的布设，得到更新后像控点组集，将上述更新后像控点组集对应的更新后像控点位置信息组集作为像控点位置信息组集，以再次执行上述量测处理步骤。

本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的实景三维数据库构建方法基于无人机拍摄的多视角图像和像控点三维坐标可以提高实景三维模型的纹理匹配度和准确度，从而减少存储资源的浪费。具体来说，造成相关的存储资源的浪费的原因在于：由于仅仅利用正射影像构建三维模型库，无法获取遮挡部分的地面真实分布情况，使得构建的实景三维模型与真实场景纹理差异较大，实景三维模型构建准确率较低，造成占用的存储资源较多，导致存储资源的浪费。基于此，本公开的一些实施例的实景三维数据库构建方法可以首先，获取目标区域的环境信息。其次，根据上述环境信息，对上述目标区域进行分区，得到目标子区域集。在这里，得到目标子区域集便于后续进行航线和像控点规划，可以提高航测图像的准确性。再次，对上述目标子区域集中每个目标子区域进行像控点和飞行航线规划，以生成针对目标子区域的航测图像组和像控点位置信息组，得到航测图像组集和像控点位置信息组集。在这里，得到的航测图像组集和像控点位置信息组集便于后续构建实景三维模型。接着，对于上述像控点位置信息组集中的每个像控点位置信息组，执行以下量测处理步骤：第一步，根据上述像控点位置信息组、位置位姿信息组和至少一个相机参数信息，对与上述像控点位置信息组对应的航测图像组进行空中三角量测处理，得到与上述像控点位置信息组对应的目标子区域的点云数据组，其中，上述至少一个相机参数信息中的相机参数信息是上述无人机携带的相机的参数信息，上述位置位姿信息组是上述像控点位置信息组对应的航测图像组的位置位姿信息组。在这里，对航测图像进行空中三角测量可以得到准确率更高的点云数据，便于后续得到更接近真实的实景三维模型。第二步，对上述点云数据组进行三维建模处理，得到针对上述目标子区域的三维网络子模型和数字正射影像子模型。在这里，对目标子区域进行三维建模处理可以提高纹理匹配度，得到更加精细的高实景三维模型，以及提高实景三维模型的准确性。随后，对所得到的三维网络子模型集和所得到的数字正射影像子模型集分别进行拼接处理，得到针对上述目标区域的三维网络模型和数字正射影像模型。在这里，拼接处理可以得到目标区域的实景三维模型，提高针对目标区域实景三维模型的准确性。然后，根据检测点位置信息集，分别确定上述三维网络模型和上述数字正射影像模型的准确度，其中，上述检测点位置信息集中的检测点位置信息是上述目标区域内目标物体的三维坐标信息。在这里，对实景三维模型进行检测，可以得到准确度更高的实景三维模型，减少存储空间的浪费。最后，响应于确定上述三维网络模型的准确度和上述数字正射影像模型的准确度分别大于等于预设准确度阈值，根据上述数字正射影像模型和上述三维网络模型，构建实景三维数据库。在这里，将大于等于预设准确度的实景三维模型进行存储，可以减少存储空间的浪费。由此可得，该实景三维数据库构建方法基于无人机拍摄的多视角图像和像控点三维坐标可以提高实景三维模型的纹理匹配度和准确度，从而减少存储资源的浪费。

下面参考图2，其示出了适于用来实现本公开的一些实施例的电子设备200（例如，电子设备）的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图2所示，电子设备可以包括处理装置201（例如中央处理器、图形处理器等），其可以根据存储在只读存储器202中的程序或者从存储装置208加载到随机访问存储器203中的程序而执行各种适当的动作和处理。在随机访问存储器203中，还存储有电子设备操作所需的各种程序和数据。处理装置201、只读存储器202以及随机访问存储器203通过总线204彼此相连。输入/输出接口205也连接至总线204。

通常，以下装置可以连接至输入/输出接口205：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置206；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置207；包括例如磁带、硬盘等的存储装置208；以及通信装置209。通信装置209可以允许电子设备200与其他设备进行无线或有线通信以交换数据。虽然图2示出了具有各种装置的电子设备200，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图2中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置209从网络上被下载和安装，或者从存储装置208被安装，或者从只读存储器202被安装。在该计算机程序被处理装置201执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标区域的环境信息；根据上述环境信息，对上述目标区域进行分区，得到目标子区域集；对上述目标子区域集中每个目标子区域进行像控点和飞行航线规划，以生成针对目标子区域的航测图像组和像控点位置信息组，得到航测图像组集和像控点位置信息组集；对于上述像控点位置信息组集中的每个像控点位置信息组，执行以下量测处理步骤：根据上述像控点位置信息组、位置位姿信息组和至少一个相机参数信息，对与上述像控点位置信息组对应的航测图像组进行空中三角量测处理，得到与上述像控点位置信息组对应的目标子区域的点云数据组，其中，上述至少一个相机参数信息中的相机参数信息是上述无人机携带的相机的参数信息，上述位置位姿信息组是上述像控点位置信息组对应的航测图像组的位置位姿信息组；对上述点云数据组进行三维建模处理，得到针对上述目标子区域的三维网络子模型和数字正射影像子模型；对所得到的三维网络子模型集和所得到的数字正射影像子模型集分别进行拼接处理，得到针对上述目标区域的三维网络模型和数字正射影像模型；根据检测点位置信息集，分别确定上述三维网络模型和上述数字正射影像模型的准确度，其中，上述检测点位置信息集中的检测点位置信息是上述目标区域内目标物体的三维坐标信息；响应于确定上述三维网络模型的准确度和上述数字正射影像模型的准确度分别大于等于预设准确度阈值，根据上述数字正射影像模型和上述三维网络模型，构建实景三维数据库。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (6)

1.一种实景三维数据库构建方法，其特征在于，包括：

获取目标区域的环境信息；

根据所述环境信息，对所述目标区域进行分区，得到目标子区域集；

对所述目标子区域集中每个目标子区域进行像控点和飞行航线规划，以生成针对目标子区域的航测图像组和像控点位置信息组，得到航测图像组集和像控点位置信息组集；

对于所述像控点位置信息组集中的每个像控点位置信息组，执行以下量测处理步骤：

根据所述像控点位置信息组、位置位姿信息组和至少一个相机参数信息，对与所述像控点位置信息组对应的航测图像组进行空中三角量测处理，得到与所述像控点位置信息组对应的目标子区域的点云数据组，其中，所述至少一个相机参数信息中的相机参数信息是无人机携带的相机的参数信息，所述位置位姿信息组是所述像控点位置信息组对应的航测图像组的位置位姿信息组，所述根据所述像控点位置信息组、位置位姿信息组和至少一个相机参数信息，对与所述像控点位置信息组对应的航测图像组进行空中三角量测处理，得到与所述像控点位置信息组对应的目标子区域的点云数据组，包括：

对所述航测图像组进行预处理，得到处理后航测图像组；

根据所述无人机的下视相机的下视参数信息和所述位置位姿信息组，确定至少一个剩余相机的至少一个参数信息，其中，所述至少一个剩余相机是从所述至少一个相机中除去下视相机后剩余的至少一个相机；

根据所述至少一个参数信息，对所述处理后航测图像组进行航带构建，得到航带航测图像组，其中，所述航带航测图像组是针对构建的航带进行排序得到的航测图像组；

对所述航带航测图像组中的每个航带航测图像进行特征点匹配提取处理，以生成特征点集，得到航测特征点集组，其中，所述对所述航带航测图像组中的每个航带航测图像进行特征点匹配提取处理，以生成特征点集，得到航测特征点集组，包括：

对所述航带航测图像组中的每个航带航测图像进行网格划分，以生成网格航测图像，得到网格航测图像组，其中，所述网格航测图像包括多个网格；

对于所述网格航测图像组中的每个网格航测图像，执行以下第一生成步骤：

对所述网格航测图像中的多个网格中的每个网格进行网格特征点提取，以生成网格特征点集，得到网格特征点集组；

从所述网格航测图像组中除去所述网格航测图像，得到剩余网格航测图像组；

确定所述网格特征点集组中每个网格特征点在所述剩余网格航测图像组中的匹配特征点集；

对所述网格特征点集组中的每个网格特征点和对应的匹配特征点集中的每个匹配特征点进行前方交会处理，以生成三维物方点，作为候选中心点，得到候选中心点集组；

对于所述候选中心点集组中的每个候选中心点，执行以下第二生成步骤：

确定所述候选中心点对应的面元，其中，所述面元是以候选中心点为中心，以固定阈值为边长的正方形；

响应于确定所述面元中存在边缘像素，对所述面元的边长进行调整，得到调整后面元；

确定所述面元与所述匹配特征点集中每个匹配特征点对应的面元的相关度数值，得到相关度数值集；

响应于确定所述相关度数值集中存在大于预设相关度阈值的至少一个相关度数值作为至少一个目标相关度数值，确定所述至少一个目标相关度数值对应的面元，以及生成至少一个目标三维物方点；

将所得到的多个候选中心点集组和至少一个目标三维物方点集组，确定为航测特征点集组；

对所述航测特征点集组进行特征点筛选，得到筛选后航测特征点集；

对所述筛选后航测特征点集进行区域网构建，得到区域网模型；

根据所述像控点位置信息组、所述下视参数信息和所述至少一个参数信息，对所述区域网模型进行平差处理，得到针对所述目标区域的点云数据组；

对所述点云数据组进行三维建模处理，得到针对所述目标子区域的三维网络子模型和数字正射影像子模型，其中，所述对所述点云数据组进行三维建模处理，得到针对所述目标子区域的三维网络子模型和数字正射影像子模型，包括：

对所述点云数据组进行三维建模，得到数字地表模型；

对所述数字地表模型进行特征空间分布处理，得到数字地面模型；

对所述数字地面模型进行模型修饰处理，得到数字高程模型；

对所述数字高程模型进行数字微分纠正处理，以生成针对所述航带航测图像组中每个航带航测图像的单片数字正射影像模型，得到单片数字正射影像模型组；

对所述单片数字正射影像模型组进行拼接处理，得到数字正射影像子模型；

对所述点云数据组进行三维三角格网构建，得到白体三维网络模型，其中，所述对所述点云数据组进行三维三角格网构建，得到白体三维网络模型，包括：

对所述点云数据组进行平面检测，得到平面点云数据组；

对所述平面点云数据组中的每个平面点云数据进行优化处理，以生成优化后平面点云数据，得到优化后平面点云数据组；

对所述航带航测图像组中的每个航带航测图像进行边缘点提取，以生成边缘点云集，得到边缘点云集组；

对所述边缘点云集组中的每个边缘点云进行边缘点云匹配，得到匹配边缘点云集组；

将所述匹配边缘点云集组和所述优化后平面点云数据组，确定为采样点云数据组；

对所述采样点云数据组进行滤波处理，得到滤波后采样点云数据组；

对所述滤波后采样点云数据组进行点云拓扑构建，得到采样八叉树；

对所述采样八叉树中的每个滤波后采样点云数据组进行基于空间分布的高斯滤波处理，得到处理后点云数据组；

对所述处理后点云数据组进行三维表面建模，得到白体三维网络模型；

对所述白体三维网络模型进行交互式单体化建模，得到建筑单体模型集；

对所述建筑单体模型集中的各个建筑单体模型进行组合处理，得到三维网络子模型；

对所得到的三维网络子模型集和所得到的数字正射影像子模型集分别进行拼接处理，得到针对所述目标区域的三维网络模型和数字正射影像模型；

根据检测点位置信息集，分别确定所述三维网络模型和所述数字正射影像模型的准确度，其中，所述检测点位置信息集中的检测点位置信息是所述目标区域内目标物体的三维坐标信息；

响应于确定所述三维网络模型的准确度和所述数字正射影像模型的准确度分别大于等于预设准确度阈值，根据所述数字正射影像模型和所述三维网络模型，构建实景三维数据库。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

响应于确定所述三维网络模型的准确度和所述数字正射影像模型的准确度中存在准确度小于所述预设准确度阈值，重新规划像控点的布设，得到更新后像控点组集，以及将所述更新后像控点组集对应的更新后像控点位置信息组集作为像控点位置信息组集，以再次执行所述量测处理步骤。

3.根据权利要求1所述的方法，其特征在于，所述对所述目标子区域集中每个目标子区域进行像控点和飞行航线规划，以生成针对目标子区域的航测图像组和像控点位置信息组，得到航测图像组集和像控点位置信息组集，包括：

对于所述目标子区域集中的每个目标子区域，执行以下定位步骤：

确定所述无人机的起飞区域、降落区域、飞行高度和飞行速度；

根据所述起飞区域、所述降落区域、预设重叠度、所述飞行高度和所述飞行速度，生成所述无人机的飞行航线；

根据所述飞行航线，控制至少一个相机进行图像数据采集，得到航测图像组；

根据所述目标子区域的环境信息，确定布设的像控点组；

对所述像控点组进行定位，得到针对所述像控点组的像控点位置信息组。

4.根据权利要求1所述的方法，其特征在于，所述对所述白体三维网络模型进行交互式单体化建模，得到建筑单体模型集，包括：

对所述白体三维网络模型进行目标物体提取，得到物体网络模型集；

对所述物体网络模型集中的每个物体网络模型，执行以下纹理映射处理步骤：

对所述物体网络模型进行白膜构建，得到物体白膜模型；

确定所述物体白膜模型各个角度的倾斜航测图像组，其中，所述倾斜航测图像组是所述航测图像组中由无人机携带的至少一个倾斜相机采集得到的航测图像组；

根据所述倾斜航测图像组，对所述物体白膜模型进行纹理映射处理，得到建筑单体模型。

5.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

6.一种计算机可读介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。