CN118314300B - 工程测量精准定位与三维建模方法及系统 - Google Patents
工程测量精准定位与三维建模方法及系统 Download PDFInfo
- Publication number
- CN118314300B CN118314300B CN202410726024.9A CN202410726024A CN118314300B CN 118314300 B CN118314300 B CN 118314300B CN 202410726024 A CN202410726024 A CN 202410726024A CN 118314300 B CN118314300 B CN 118314300B
- Authority
- CN
- China
- Prior art keywords
- model
- point
- data
- algorithm
- dimensional
- 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 56
- 238000005259 measurement Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 43
- 230000010354 integration Effects 0.000 claims abstract description 14
- 230000001788 irregular Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 118
- 230000009466 transformation Effects 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000013136 deep learning model Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000000007 visual effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明提供一种工程测量精准定位与三维建模方法及系统，涉及测量定位技术领域，包括：获取待测区域的高密度点云数据，倾斜影像数据，将高密度点云数据和倾斜影像数据进行时空配准，得到多元一致性数据，对多元一致性数据进行逐点分类，得到地形点云数据；提取地形结构线并构建不规则三角网，得到地形模型，进行三维重建，同时进行语义标注，得到地物模型，将地形模型和地物模型进行无缝集成，生成初始三维模型；通过控制点配准到地理坐标系，进行精准定位和优化，得到全局绝对定位，同时进行融合定位，构建状态空间模型，计算融合定位信息，对传感器数据进行修正，使用全局绝对定位和融合定位信息对初始三维模型进行修正，得到全景三维模型。
Description
技术领域
本发明涉及测量定位技术领域，尤其涉及一种工程测量精准定位与三维建模方法及系统。
背景技术
随着现代工程建设的快速发展，对工程测量的精度和效率提出了越来越高的要求，传统的测量方法虽然能够满足一般工程测量的需求，但在精度、效率和数据处理方面仍存在一定的局限性，为了适应日益复杂的工程建设环境和不断提高的测量要求，亟需开发新的测量技术和方法；
然而，现有的多传感器融合技术仍然存在一些不足，首先，不同类型传感器之间存在时空基准不一致的问题，需要进行基准统一和时空同步，增加了系统复杂度和数据处理难度，其次，传感器自身的误差特性，如偏置、比例因子、安装偏差等，会直接影响测量精度，需要通过标定算法进行估计和补偿，此外，在复杂环境下，传感器的可靠性和鲁棒性还有待提高，测量精度容易受到环境干扰的影响；
随着三维激光扫描技术的发展，高精度、高密度的点云数据成为三维建模的重要数据源，通过点云数据处理和三维重建算法，可以快速生成目标物体的三维模型，为工程应用提供直观、准确的三维信息，因此，亟需一种方案解决现有技术中的不足。
发明内容
本发明实施例提供一种工程测量精准定位与三维建模方法及系统，至少能解决现有技术中存在的部分问题。
本发明实施例的第一方面，提供一种工程测量精准定位与三维建模方法，包括：
通过预先设置激光雷达系统获取待测区域的高密度点云数据，通过无人机搭载的倾斜摄影机获取倾斜影像数据，通过共同特征匹配算法将所述高密度点云数据和所述倾斜影像数据进行时空配准，得到多元一致性数据，通过预先设置的深度学习模型对所述多元一致性数据进行逐点分类，得到地形点云数据；
对于所述地形点云数据，通过自适应三角网生成算法，提取地形结构线并构建不规则三角网，得到地形模型，根据预先获取的倾斜影像数据，通过多视角几何一致性算法和三维重建算法进行三维重建，同时进行语义标注，得到地物模型，将所述地形模型和所述地物模型进行无缝集成，结合网格细分优化策略生成初始三维模型；
对于所述初始三维模型，通过控制点配准到地理坐标系，结合多约束联合平差优化模型和区域网平差算法进行精准定位和优化，得到全局绝对定位，同时基于预先设置的多个传感器进行融合定位，通过构建状态空间模型，结合卡尔曼滤波算法计算融合定位信息，通过基于误差状态的标定算法对传感器数据进行修正，使用所述全局绝对定位和所述融合定位信息对初始三维模型进行修正，得到全景三维模型。
在一种可选的实施方式中，
通过预先设置激光雷达系统获取待测区域的高密度点云数据，通过无人机搭载的倾斜摄影机获取倾斜影像数据，通过共同特征匹配算法将所述高密度点云数据和所述倾斜影像数据进行时空配准，得到多元一致性数据包括：
对于所述待测区域，规划激光雷达系统的运动路线，通过旋转扫描获取待测区域的三维坐标，生成原始点云数据，对所述原始点云数据进行预处理，得到所述高密度点云数据；
设置所述无人机的飞行数据和倾斜摄影机的拍摄方式，所述无人机参照预设航线进行飞行并触发所述倾斜摄影机进行影像获取，从多个视角进行拍摄得到原始影像数据，并根据相机标定参数对所述原始影像数据进行校准，得到所述倾斜影像数据；
在所述高密度点云数据中提取角点和平面点并记为点云特征点，通过快速关键点算法确定所述倾斜影像数据中的图像关键点，对于每个图像关键点，定义一个固定大小的局部区域，在每个局部区域中应用二进制鲁棒独立基本图像特征生成二进制描述子，基于所述二进制描述子对所述图像关键点和点云特征点进行匹配，对于每个匹配完成的点对，通过随机一致性抽样去除错误匹配点对后构建几何变换模型，通过最小二乘优化求解变换参数，得到所述多元一致性数据。
在一种可选的实施方式中，
通过预先设置的深度学习模型对所述多元一致性数据进行逐点分类，得到地形点云数据包括：
获取所述多元一致性数据，通过预先设置的深度学习模型进行分类，其中，所述深度学习模型包含采样层，分组层，特征提取层和分割层；
将所述多元一致性数据添加至所述采样层中，通过最远采样点策略，在所述多元一致性数据中随机选择一个数据点作为第一候选点，对于未被选中的点，计算每个点与所述第一候选点之间的距离，选择距离最远的点作为第二候选点，重复选择直至达到预设的最大候选点数量，将被选择的候选点输出至所述分组层；
对于每个候选点，以当前候选点为中心，随机设置邻域半径并根据所述邻域半径确定邻域区域，对于每个邻域区域，通过特征提取层学习邻域区域中每个点的局部几何特征，将所述局部几何特征添加至所述分割层中，通过全连接神经网络进行分类，输出每个点的类别标签；
基于所述类别标签构建连通图，结合条件随机场优化算法修改所述邻域区域，使每个邻域区域中的点具有相同的类别标签，组合所述邻域区域，得到地形点云数据。
在一种可选的实施方式中，
对于所述地形点云数据，通过自适应三角网生成算法，提取地形结构线并构建不规则三角网，得到地形模型，根据预先获取的倾斜影像数据，通过多视角几何一致性算法和三维重建算法进行三维重建，同时进行语义标注，得到地物模型包括：
对所述地形点云数据进行法向量估计，分别计算每个地形点云数据对应的主曲率值，基于所述主曲率值对所述地形点云数据进行阈值分割，将主曲率值高于预先设置的曲率阈值的点作为候选结构点，结合滤波操作和基于密度的聚类操作生成结构点集，在所述结构点集内，通过最小生成树算法确定连接所有结构点的最短路径，将所述最短路径作为骨架线并进行平滑和简化操作，得到所述地形结构线；
将所述地形结构线加入约束边集，结合增量式三角剖分算法生成初始三角网，对所述初始三角网应用边翻转和点插入操作，结合最小角准则确定所述初始三角网的形状，结合地形特征对所述初始三角网进行自适应细分，得到地形模型；
基于所述地形模型，通过特征匹配获取影像间的同名点并基于所述同名点进行多视角影像对准，在所述多视角影像中确定参考帧，结合描述子进行稠密匹配，对于多视角影像中的每个像素，在视差空间中通过代价聚合确定初始深度图并去除遮挡，融合得到地物三维结构；
基于所述地物三维结构，基于深度学习进行语义分割并确定不同类别地物之间的边界，结合语义边约束修改不同地物间的梯度，结合先验地物形状进行规则化处理，得到所述地物模型。
在一种可选的实施方式中，
将所述地形模型和所述地物模型进行无缝集成，结合网格细分优化策略生成初始三维模型包括：
对于所述地物模型和所述地形模型，通过控制点进行坐标统一，将两个模型整合至相同的全局坐标系下；
通过地物模型提供的高精度控制信息，结合网格形变操作，将地形模型在地物范围内进行局部形变和细化，通过地形起伏趋势对地物模型的绝对高程进行约束，消除模型漂移和非必要变形，实现所述地物模型和所述地形模型的精确配准；
对于精确配准后的地形模型和地物模型，通过表面重建方法进行无缝集成，得到三维景观模型，对于所述三维景观模型，通过重要性度量指标对所述三维景观模型进行区域重要性评估，根据评估结果为每个区域添加评估标签，对于重要性高的区域根据细分阈值进行加密细分，对于重要性低的区域进行减少细分，结合边坍塌操作对三角网进行形状修改，结合预先获取的倾斜影像数据进行纹理映射，得到所述初始三维模型。
在一种可选的实施方式中，
对于所述初始三维模型，通过控制点配准到地理坐标系，结合多约束联合平差优化模型和区域网平差算法进行精准定位和优化，得到全局绝对定位，同时基于预先设置的多个传感器进行融合定位，通过构建状态空间模型，结合卡尔曼滤波算法计算融合定位信息，通过基于误差状态的标定算法对传感器数据进行修正，使用所述全局绝对定位和所述融合定位信息对初始三维模型进行修正，得到全景三维模型包括：
对于所述初始三维模型，通过高精度GPS测量获得地面控制点的三维坐标作为模型定位的基准点并自动建立地面控制点与模型控制点间的对应关系；
基于控制点对应关系，通过绝对定向算法计算三维模型到地理坐标系的变换参数，通过最小二乘法进行优化，最小化控制点残差，得到粗略绝对定位结果，结合多约束联合平差优化模型和区域网平差算法，设置所述粗略绝对定位对应的多个约束条件，同时根据控制点分布，将所述初始三维模型分割为多个区域，对每个区域内的模型进行独立的联合平差优化，将各区域视为区域网平差的基本单元，以区域间的公共连接点作为约束条件进行区域网整体平差，得到全局绝对定位；
基于预先设置的多个传感器，构建状态空间模型，通过确定状态变量和观测量构建系统状态方程和观测方程，通过卡尔曼滤波算法对多传感器定位信息进行融合，递归估计状态变量的最优值，得到融合定位信息；
通过基于误差状态的标定算法确定传感器偏置和比例因子，结合已知的高精度参考信息构建扩展的观测方程，通过最小二乘法估计传感器误差参数并进行在线标定；
基于所述在线标定，结合全局绝对定位和所述融合定位信息，对所述初始三维模型进行集合修正，得到全景三维模型。
在一种可选的实施方式中，
通过基于误差状态的标定算法确定传感器偏置和比例因子，结合已知的高精度参考信息构建扩展的观测方程如下公式所示：
；
其中，Zk表示观测量，R(qk)表示旋转矩阵，qk表示四元数，Xk表示状态变量，bk表示偏置向量，f()表示状态误差函数，sk表示比例因子，vk表示测量噪声。
本发明实施例的第二方面，提供一种工程测量精准定位与三维建模系统，包括：
第一单元，用于通过预先设置激光雷达系统获取待测区域的高密度点云数据，通过无人机搭载的倾斜摄影机获取倾斜影像数据，通过共同特征匹配算法将所述高密度点云数据和所述倾斜影像数据进行时空配准，得到多元一致性数据，通过预先设置的深度学习模型对所述多元一致性数据进行逐点分类，得到地形点云数据；
第二单元，用于对于所述地形点云数据，通过自适应三角网生成算法，提取地形结构线并构建不规则三角网，得到地形模型，根据预先获取的倾斜影像数据，通过多视角几何一致性算法和三维重建算法进行三维重建，同时进行语义标注，得到地物模型，将所述地形模型和所述地物模型进行无缝集成，结合网格细分优化策略生成初始三维模型；
第三单元，用于对于所述初始三维模型，通过控制点配准到地理坐标系，结合多约束联合平差优化模型和区域网平差算法进行精准定位和优化，得到全局绝对定位，同时基于预先设置的多个传感器进行融合定位，通过构建状态空间模型，结合卡尔曼滤波算法计算融合定位信息，通过基于误差状态的标定算法对传感器数据进行修正，使用所述全局绝对定位和所述融合定位信息对初始三维模型进行修正，得到全景三维模型。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明中，数据融合策略充分利用了点云的高精度几何信息和影像的丰富纹理信息，提高了数据的完整性和一致性，为后续的三维重建和语义标注提供了高质量的数据基础，通过深度学习模型对多元一致性数据进行逐点分类，自动提取出地形点云数据，避免了人工编辑的繁琐和主观性，初始三维模型不仅保留了地形的精细结构和地物的真实外观，还实现了地形和地物之间的平滑过渡和自然融合，避免了模型拼接处的不连续和缝隙，提高了模型的视觉质量和真实感，生成的全景三维模型，具有高精度、高真实感、无缝拼接等特点，为各种应用场景提供了高质量的数据支撑，综上，本发明提高了建模的效率和精度，生成了无缝集成的三维模型，还实现了模型的高精度定位和修正，极大地提升了三维模型的应用价值和推广前景。
附图说明
图1为本发明实施例工程测量精准定位与三维建模方法的流程示意图；
图2为本发明实施例工程测量精准定位与三维建模系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。基于本发明中的实施例，本领域普通技术人员在没有做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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例工程测量精准定位与三维建模方法的流程示意图，如图1所示，所述方法包括：
S1.通过预先设置激光雷达系统获取待测区域的高密度点云数据，通过无人机搭载的倾斜摄影机获取倾斜影像数据，通过共同特征匹配算法将所述高密度点云数据和所述倾斜影像数据进行时空配准，得到多元一致性数据，通过预先设置的深度学习模型对所述多元一致性数据进行逐点分类，得到地形点云数据；
所述高密度点云数据是由激光雷达或者结构光等传感器获取的大量点的三维坐标数据，所述倾斜影像数据是由倾斜摄影机拍摄得到的图像数据，通常包括航空倾斜摄影和地面倾斜摄影两种类型，所述时空配准是将不同时间和空间下获取的地理数据进行匹配和对齐的过程，所述地形点云数据是地理空间中地形表面的三维点云表示。
在一种可选的实施方式中，
通过预先设置激光雷达系统获取待测区域的高密度点云数据，通过无人机搭载的倾斜摄影机获取倾斜影像数据，通过共同特征匹配算法将所述高密度点云数据和所述倾斜影像数据进行时空配准，得到多元一致性数据包括：
对于所述待测区域，规划激光雷达系统的运动路线，通过旋转扫描获取待测区域的三维坐标，生成原始点云数据，对所述原始点云数据进行预处理，得到所述高密度点云数据；
设置所述无人机的飞行数据和倾斜摄影机的拍摄方式，所述无人机参照预设航线进行飞行并触发所述倾斜摄影机进行影像获取，从多个视角进行拍摄得到原始影像数据，并根据相机标定参数对所述原始影像数据进行校准，得到所述倾斜影像数据；
在所述高密度点云数据中提取角点和平面点并记为点云特征点，通过快速关键点算法确定所述倾斜影像数据中的图像关键点，对于每个图像关键点，定义一个固定大小的局部区域，在每个局部区域中应用二进制鲁棒独立基本图像特征生成二进制描述子，基于所述二进制描述子对所述图像关键点和点云特征点进行匹配，对于每个匹配完成的点对，通过随机一致性抽样去除错误匹配点对后构建几何变换模型，通过最小二乘优化求解变换参数，得到所述多元一致性数据。
所述原始点云数据是由激光雷达、结构光或立体摄影等传感器采集的未经处理的点的三维坐标数据，所述点云特征点是在点云数据中具有显著特征或重要属性的点，通常代表着物体的关键部分或形状的变化，比如边缘、角点、表面凸起等，所述快速关键点算法是用于在点云数据中快速检测和提取特征点的算法，所述二进制描述子是用于描述点云特征点的紧凑表示，所述一致性抽样是一种从点云数据中抽取具有一致性结构的子集的方法。
根据待测区域的特点和测量要求，合理规划激光雷达系统的运动路线，确定最佳的数据采集覆盖范围和效率，控制激光雷达系统按照规划的运动路线移动，通过旋转扫描的方式，获取待测区域的三维坐标数据，生成原始点云数据，对获取的原始点云数据进行预处理，得到后续建模和分析所需的高密度点云数据，根据待测区域的特点和测量要求，设置无人机的飞行参数，包括飞行高度、速度、航线等，以及倾斜摄影机的拍摄参数，如拍摄角度、重叠度、曝光时间等，为了获得全面的影像信息，需要从多个视角对目标区域进行拍摄，一般包括垂直、前视、后视、左视和右视等五个方向，无人机按照预设的航线自主飞行，在特定位置触发倾斜摄影机进行影像获取，无人机完成飞行拍摄任务后，将获取的原始影像数据进行汇总和整理，对原始影像数据进行相机校准，消除相机镜头畸变和光学失真的影响，完成相机校准后，得到几何畸变校正后的倾斜影像数据，为后续影像匹配和三维重建提供高质量的数据源；
在高密度点云数据中，提取出角点和平面点作为点云特征点，其中，角点通常位于物体边缘或尖锐变化处，而平面点则分布在平坦区域内，对于倾斜影像数据，采用快速关键点算法(如SIFT、SURF等)进行特征提取，得到一系列图像关键点，针对每个提取出的图像关键点，定义一个固定大小的局部区域，在每个局部区域内，应用快速可逆变换(如二进制鲁棒独立基本图像特征BRIEF)对图像块进行描述，生成一个二进制描述子，其中，所述二进制描述子以紧凑的二进制编码形式表示局部图像块的特征信息，基于生成的二进制描述子，对图像关键点和点云特征点进行匹配。通过比较描述子之间的汉明距离，找到最佳匹配点对，采用随机一致性抽样(RANSAC)算法进行错误匹配点对的去除，通过随机抽取最小数量的点对构建几何变换模型，并评估其他点对与模型的一致性，迭代多次后选择最优模型，去除不符合模型的错误匹配点对；
基于筛选后的正确匹配点对，构建几何变换模型，通常采用刚体变换或相似变换，利用最小二乘优化方法，求解变换模型的参数，得到点云和影像之间的最优变换关系，将点云数据和倾斜影像数据通过求解出的变换参数进行配准和融合，得到空间一致性的多元数据，即为多源一致性数据。
本实施例中，激光雷达点云数据具有高精度、高密度的特点，通过与倾斜影像数据的融合，可以将影像的纹理、色彩等语义信息与点云的三维几何信息结合起来，生成语义丰富、细节清晰的测量数据，为后续的三维建模和分析提供更准确、更完善的数据基础，利用无人机搭载倾斜摄影系统，可以实现快速、灵活的数据采集，大大提高了外业工作效率，通过点云特征点和图像关键点的提取，以及基于二进制描述子的快速匹配算法，可以实现点云和影像之间的自动配准，避免了人工标定的繁琐过程，随机一致性抽样算法的引入，有效去除了错误匹配，提高了匹配精度，综上，本实施例通过多源数据的获取、处理和融合，实现了测量数据的高精度、高效率、高密度获取，为后续定位和建模提供强有力的数据支撑。
在一种可选的实施方式中，
通过预先设置的深度学习模型对所述多元一致性数据进行逐点分类，得到地形点云数据包括：
获取所述多元一致性数据，通过预先设置的深度学习模型进行分类，其中，所述深度学习模型包含采样层，分组层，特征提取层和分割层；
将所述多元一致性数据添加至所述采样层中，通过最远采样点策略，在所述多元一致性数据中随机选择一个数据点作为第一候选点，对于未被选中的点，计算每个点与所述第一候选点之间的距离，选择距离最远的点作为第二候选点，重复选择直至达到预设的最大候选点数量，将被选择的候选点输出至所述分组层；
对于每个候选点，以当前候选点为中心，随机设置邻域半径并根据所述邻域半径确定邻域区域，对于每个邻域区域，通过特征提取层学习邻域区域中每个点的局部几何特征，将所述局部几何特征添加至所述分割层中，通过全连接神经网络进行分类，输出每个点的类别标签；
基于所述类别标签构建连通图，结合条件随机场优化算法修改所述邻域区域，使每个邻域区域中的点具有相同的类别标签，组合所述邻域区域，得到地形点云数据。
所述最远采样点策略是一种用于在点云数据中选择具有代表性的点的方法，通过在点云中逐步选择与已选点最远的点来生成稀疏的采样点集，所述邻域半径是指在点云数据处理中用于定义点的局部邻域的距离阈值，所述局部几何特征是指在点云数据中用于描述局部几何结构的属性或特征，所述连通图是指在图论中由一组顶点和连接这些顶点的边构成的图，其中任意两个顶点之间都存在路径。
预先设计和训练一个用于点云分类的深度学习模型，该模型包含采样层、分组层、特征提取层和分割层等关键组件，其中，采样层用于从输入的多元一致性数据中选取代表性的候选点，分组层用于确定每个候选点的邻域区域，特征提取层负责学习每个点的局部几何特征，分割层则通过全连接神经网络对每个点进行类别标签的预测，将获取到的多元一致性数据输入至深度学习模型的采样层，在采样层中，通过最远采样点策略从多元一致性数据中随机选择一个数据点作为第一候选点，对于未被选中的点，计算它们与第一候选点之间的欧氏距离，选择距离第一候选点最远的点作为第二候选点，重复选择候选点，每次选择距离已选候选点最远的点作为新的候选点，直到达到预设的最大候选点数量，将选择出的候选点输出至分组层进行后续处理；
对于分组层接收到的每个候选点，以当前候选点为中心，随机设置一个邻域半径，根据邻域半径，确定以当前候选点为中心的邻域区域，该区域内包含了与候选点距离小于等于邻域半径的所有数据点，对于每个邻域区域，将其中的数据点传递至特征提取层进行局部几何特征的学习，在特征提取层中，采用逐点特征提取的方式，对每个邻域区域内的数据点进行处理，对于每个数据点，提取其局部几何特征，如法向量、曲率、特征值等，这些特征描述了点的局部形状和结构信息，将提取出的局部几何特征添加至分割层，作为点云分类的输入特征，在分割层中，使用全连接神经网络对每个数据点进行类别标签的预测，神经网络的输入为特征提取层学习到的局部几何特征，输出为每个点的类别标签，如地面、建筑、植被等，根据预测得到的类别标签，构建一个连通图，其中每个数据点为图的节点，相邻点之间存在边连接，引入条件随机场(CRF)模型，通过考虑点与点之间的空间关系和类别一致性，对初始的分类结果进行修正和平滑，组合所有的邻域区域，得到最终的地形点云数据，每个点都被赋予了相应的类别标签。
本实施例中，利用深度学习模型，可以自动学习和提取点云的高级语义特征，并通过端到端的训练方式优化分类性能，大大提高了分类精度和效率，通过引入条件随机场(CRF)模型对初始分类结果进行优化，考虑了点与点之间的空间关系和类别一致性，有效抑制了分类结果中的噪声和错误，使得同一邻域区域内的点具有相同的类别标签，增强了分类结果的鲁棒性和空间一致性，通过分组层的邻域区域划分，可以在局部尺度上提取点云的细节特征，多尺度和多粒度的点云表示，有助于全面理解和分析点云数据，提高分类和提取的准确性，综上，本实施例实现了高精度、高效率、鲁棒性强的点云分类和地形提取，提高了工程测量和三维建模的数据处理效率，还为后续的应用分析提供了高质量的数据支撑。
S2.对于所述地形点云数据，通过自适应三角网生成算法，提取地形结构线并构建不规则三角网，得到地形模型，根据预先获取的倾斜影像数据，通过多视角几何一致性算法和三维重建算法进行三维重建，同时进行语义标注，得到地物模型，将所述地形模型和所述地物模型进行无缝集成，结合网格细分优化策略生成初始三维模型；
所述自适应三角网生成算法是一种用于生成地形或物体表面的三角网格的算法，所述地形结构线是地形表面上特定地貌或结构特征的线条表示，通常代表着地形的主要特征，比如山脊、河流、岭谷等，所述不规则三角网是由不规则形状的三角形组成的三角网格，所述多视角几何一致性算法是一种用于将来自多个视角或传感器的三维数据进行一致性匹配和融合的算法，通过比较不同视角下的特征点或特征描述子可以实现多视角数据的对齐和融合，所述三维重建是指从二维图像或点云数据中恢复出物体或场景的三维结构的过程，所述无缝集成是指将来自不同数据源或不同模态的数据集成到一起，并且在集成后保持数据之间的一致性和连续性的过程，所述网格细分优化策略是用于优化三角网格质量和细分度的方法，可以根据网格的局部特征和几何结构，动态地调整网格的细分程度，以确保网格的形状和大小合适，从而提高网格的质量和逼真度。
在一种可选的实施方式中，
对于所述地形点云数据，通过自适应三角网生成算法，提取地形结构线并构建不规则三角网，得到地形模型，根据预先获取的倾斜影像数据，通过多视角几何一致性算法和三维重建算法进行三维重建，同时进行语义标注，得到地物模型包括：
对所述地形点云数据进行法向量估计，分别计算每个地形点云数据对应的主曲率值，基于所述主曲率值对所述地形点云数据进行阈值分割，将主曲率值高于预先设置的曲率阈值的点作为候选结构点，结合滤波操作和基于密度的聚类操作生成结构点集，在所述结构点集内，通过最小生成树算法确定连接所有结构点的最短路径，将所述最短路径作为骨架线并进行平滑和简化操作，得到所述地形结构线；
将所述地形结构线加入约束边集，结合增量式三角剖分算法生成初始三角网，对所述初始三角网应用边翻转和点插入操作，结合最小角准则确定所述初始三角网的形状，结合地形特征对所述初始三角网进行自适应细分，得到地形模型；
基于所述地形模型，通过特征匹配获取影像间的同名点并基于所述同名点进行多视角影像对准，在所述多视角影像中确定参考帧，结合描述子进行稠密匹配，对于多视角影像中的每个像素，在视差空间中通过代价聚合确定初始深度图并去除遮挡，融合得到地物三维结构；
基于所述地物三维结构，基于深度学习进行语义分割并确定不同类别地物之间的边界，结合语义边约束修改不同地物间的梯度，结合先验地物形状进行规则化处理，得到所述地物模型。
所述法向量估计是指在三维点云或网格数据中为每个点计算法向量的过程，所述主曲率值是指表面上特定点处沿着两个主曲率方向的曲率值，所述阈值分割是一种基于阈值的图像或数据分割方法，通过将数据分成不同的区域或类别来提取感兴趣的目标或特征，所述曲率阈值是指在曲率计算中用于将曲率值划分为高曲率和低曲率区域的阈值，所述结构点集是指在地理信息系统或者三维建模中用于描述地形或物体结构的离散点集合，所述骨架线是指表示物体主干或者中心轴线的线条或者曲线，所述增量式三角剖分算法是一种用于生成三角网格的算法，算法从一个点开始，逐步添加点并连接相邻点，直到覆盖整个区域并生成一组无重叠的三角形，所述最小角准则是一种用于评估三角形质量的准则，所述同名点是指在多个视角或数据源中具有相同位置的特征点或特征描述子，所述稠密匹配是指在三维重建中通过匹配相邻图像或点云中的大量点来实现精确的特征对齐和配准的过程，所述初始深度图是在三维重建或立体视觉中用于表示场景深度信息的图像。
对获取到的地形点云数据进行法向量估计，计算每个点云数据点的法向量，描述点所在局部平面的方向，基于估计的法向量，计算每个点云数据点对应的主曲率值，设置一个预定义的曲率阈值，将主曲率值高于该阈值的点作为候选结构点，这些点通常位于地形的边缘、尖锐特征或突变区域，对候选结构点进行滤波操作，去除噪声和离群点，采用基于密度的聚类算法(如DBSCAN)，将空间分布密集的候选结构点聚合在一起，形成结构点集，在结构点集内，通过最小生成树算法(如Kruskal算法)确定连接所有结构点的最短路径，将最短路径作为地形的骨架线，对骨架线进行平滑和简化操作，去除锯齿和冗余节点，得到最终的地形结构线；
将提取出的地形结构线加入到约束边集中，作为三角剖分的边界约束条件，采用增量式三角剖分算法，在满足约束边的条件下，生成初始的三角网，对初始三角网应用边翻转和点插入操作，优化三角形的形状和质量，其中，边翻转通过交换三角形的对角线改善三角形的形状，点插入则在需要加密的区域添加新的节点，采用最小角准则评估三角网的质量，即尽量最大化三角形的最小角，避免出现狭长或退化的三角形，结合地形特征对三角网进行自适应细分，在地形变化剧烈或细节丰富的区域进行加密，而在平坦或简单的区域保持较低的分辨率，经过优化和细分后，得到最终的地形模型；
基于获取的地形模型，通过特征匹配(如SIFT、SURF等)在多视角影像中找到同名点，即对应于同一地物点的图像点，利用同名点信息，进行多视角影像的对准，将不同视角的影像统一到同一坐标系下，通过稠密匹配技术在多视角影像中确定参考帧，并以参考帧为基准进行匹配，采用描述子对参考帧与其他视角影像进行逐像素的稠密匹配，计算每个像素在不同视角下的视差值，对于每个像素，在视差空间中通过代价聚合确定其初始深度值，生成初始深度图，通过一致性检查和中值滤波等方法，去除深度图中的遮挡区域和错误匹配，将不同视角的深度图融合，并结合相机参数和三角测量原理，重建出地物的三维结构；
在获取地物三维结构的基础上，利用深度学习方法(如卷积神经网络)对点云或网格数据进行语义分割，为每个点或面片赋予语义类别标签(如建筑、道路、植被等)，通过分析不同语义类别之间的边界，提取出地物之间的分界线，作为语义边约束，结合语义边约束，修改不同地物之间的梯度变化，使得同一地物内部的梯度平滑，而不同地物之间的梯度突变，突出地物边界，利用先验知识对不同类别的地物进行形状规则化处理，如建筑物应满足垂直平面和直角边界的特性，道路应符合一定的宽度和平坦度要求等，不断细化和更新，最终得到所述地物模型。
本实施例中，通过深度学习实现点云和模型的语义分割，为每个点或面片赋予语义类别标签，使得生成的三维模型不仅具有几何形态，还包含了丰富的语义信息，提高了模型的可用性和实用价值，通过主曲率分析和骨架线提取，自动识别出地形的关键结构特征，如山脊、谷线、断层等，这些特征对于理解地形的整体结构和形态具有重要意义，通过语义分割获取不同地物之间的边界，并将其作为约束条件引入到模型优化中，使得生成的地物模型能够精确表示不同地物之间的分界线，避免了模型在地物交界处出现重叠或空洞等问题，提高了模型的几何质量和视觉效果，综上，本实施例不仅提高了三维重建的效率和质量，还拓展了模型的应用范围，为各行各业提供了可靠、实用的三维空间数据。
在一种可选的实施方式中，
将所述地形模型和所述地物模型进行无缝集成，结合网格细分优化策略生成初始三维模型包括：
对于所述地物模型和所述地形模型，通过控制点进行坐标统一，将两个模型整合至相同的全局坐标系下；
通过地物模型提供的高精度控制信息，结合网格形变操作，将地形模型在地物范围内进行局部形变和细化，通过地形起伏趋势对地物模型的绝对高程进行约束，消除模型漂移和非必要变形，实现所述地物模型和所述地形模型的精确配准；
对于精确配准后的地形模型和地物模型，通过表面重建方法进行无缝集成，得到三维景观模型，对于所述三维景观模型，通过重要性度量指标对所述三维景观模型进行区域重要性评估，根据评估结果为每个区域添加评估标签，对于重要性高的区域根据细分阈值进行加密细分，对于重要性低的区域进行减少细分，结合边坍塌操作对三角网进行形状修改，结合预先获取的倾斜影像数据进行纹理映射，得到所述初始三维模型。
所述绝对高程是指地表或地物表面相对于某个确定的参考面（通常是海平面）的高度，所述重要性度量指标是用于评估特征对于模型性能的影响程度的指标，所述纹理映射是一种用于在三维模型表面上显示纹理和图像的技术，通过将纹理图像映射到三维模型表面上，可以使模型显示出更加生动和逼真的外观，常用于计算机图形学、虚拟现实等领域。
通过控制点测量获取地物模型和地形模型在全局坐标系下的坐标信息，利用控制点坐标，建立地物模型和地形模型之间的坐标转换关系，如相似变换、仿射变换等，将地物模型和地形模型分别转换到统一的全局坐标系下，实现两个模型的坐标统一，利用地物模型提供的高精度控制信息，如建筑物角点、道路中心线等，作为配准的参考，在地形模型中识别出与地物模型对应的区域，并建立两个模型之间的对应关系，采用网格形变技术，如薄板样条(TPS)变换、径向基函数(RBF)变换等，将地形模型在地物范围内进行局部形变和细化，使其与地物模型实现精确配准，利用地形起伏趋势对地物模型的绝对高程进行约束，消除模型在垂直方向上的漂移和非必要变形，通过迭代优化的方式，不断调整地形模型和地物模型之间的变换关系，直到达到最佳配准效果；
对精确配准后的地形模型和地物模型进行表面重建，生成统一的三维表面，采用网格合并、网格修复等技术，消除地形模型和地物模型之间的缝隙、孔洞和重叠区域，通过光顺处理和细节保持技术，确保集成后的三维表面在视觉上的连续性和自然性，最终得到无缝集成的三维景观模型；
对三维景观模型进行区域重要性评估，采用预定义的重要性度量指标，如视觉显著性、语义重要性等，根据评估结果，为每个区域添加重要性评估标签，标识出重要性高和重要性低的区域，对于重要性高的区域，根据预设的细分阈值进行加密细分，增加网格的密度和细节表达，对于重要性低的区域，减少网格细分，降低网格的密度和复杂度，采用边坍塌操作，对三角网进行形状修改，简化低重要性区域的几何表示，同时保持重要区域的形状特征；
预先获取目标区域的倾斜影像数据，通过倾斜摄影测量或无人机摄影等方式获取高分辨率影像，将倾斜影像与三维景观模型进行配准，建立影像和模型之间的对应关系，通过纹理映射技术，将影像中的纹理信息映射到三维景观模型的表面，赋予模型真实的色彩和纹理，采用纹理优化技术，如纹理融合、颜色校正等，确保不同影像之间的纹理一致性和无缝衔接，经过纹理映射后，得到具有真实感和视觉冲击力的初始三维模型。
本实施例中，通过利用地物模型提供的高精度控制信息，结合网格形变技术，将地形模型在地物范围内进行局部形变和细化，达到了厘米级别的配准精度，通过对三维景观模型进行区域重要性评估，并根据评估结果进行差异化的网格细分，实现了模型在不同区域的多层次表达，通过减少细分简化了模型复杂度，提高了渲染效率，基于重要性的细分优化策略，在保证模型质量的同时，兼顾了计算和存储资源的合理利用，通过将高分辨率倾斜影像与三维景观模型进行纹理映射，赋予了模型真实的色彩和纹理信息，确保了不同影像之间的纹理一致性和无缝衔接，提高了模型的视觉质量，综上，本实施例实现了高精度、多层次、真实感的三维场景构建，为各行业的数字化转型和智能化发展提供了重要的数据基础和技术支撑。
S3.对于所述初始三维模型，通过控制点配准到地理坐标系，结合多约束联合平差优化模型和区域网平差算法进行精准定位和优化，得到全局绝对定位，同时基于预先设置的多个传感器进行融合定位，通过构建状态空间模型，结合卡尔曼滤波算法计算融合定位信息，通过基于误差状态的标定算法对传感器数据进行修正，使用所述全局绝对定位和所述融合定位信息对初始三维模型进行修正，得到全景三维模型。
所述区域网平差算法是一种用于地理空间数据配准或测量数据处理的算法，通过在局部区域内对数据进行平差和优化，以减少计算复杂度和提高算法效率，所述标定是指在实时或动态环境中对传感器或系统进行标定的过程，所述全局绝对定位是一种确定物体或者地点在地球表面上准确位置的技术或方法。
在一种可选的实施方式中，
对于所述初始三维模型，通过控制点配准到地理坐标系，结合多约束联合平差优化模型和区域网平差算法进行精准定位和优化，得到全局绝对定位，同时基于预先设置的多个传感器进行融合定位，通过构建状态空间模型，结合卡尔曼滤波算法计算融合定位信息，通过基于误差状态的标定算法对传感器数据进行修正，使用所述全局绝对定位和所述融合定位信息对初始三维模型进行修正，得到全景三维模型包括：
对于所述初始三维模型，通过高精度GPS测量获得地面控制点的三维坐标作为模型定位的基准点并自动建立地面控制点与模型控制点间的对应关系；
基于控制点对应关系，通过绝对定向算法计算三维模型到地理坐标系的变换参数，通过最小二乘法进行优化，最小化控制点残差，得到粗略绝对定位结果，结合多约束联合平差优化模型和区域网平差算法，设置所述粗略绝对定位对应的多个约束条件，同时根据控制点分布，将所述初始三维模型分割为多个区域，对每个区域内的模型进行独立的联合平差优化，将各区域视为区域网平差的基本单元，以区域间的公共连接点作为约束条件进行区域网整体平差，得到全局绝对定位；
基于预先设置的多个传感器，构建状态空间模型，通过确定状态变量和观测量构建系统状态方程和观测方程，通过卡尔曼滤波算法对多传感器定位信息进行融合，递归估计状态变量的最优值，得到融合定位信息；
通过基于误差状态的标定算法确定传感器偏置和比例因子，结合已知的高精度参考信息构建扩展的观测方程，通过最小二乘法估计传感器误差参数并进行在线标定；
基于所述在线标定，结合全局绝对定位和所述融合定位信息，对所述初始三维模型进行集合修正，得到全景三维模型。
所述地面控制点是在地理空间中已知位置的点，通常具有已知的地理坐标信息，所述模型控制点是用于在三维模型或虚拟场景中进行定位和校准的点，所述控制点残差是指在地理空间数据配准或模型定位过程中观测值与预测值之间的差异，所述绝对定位结果是指在地理空间中精确确定某一点或物体位置的结果，所述多约束联合平差优化模型是一种用于将多种观测数据和约束条件结合起来进行数据拟合和优化的数学模型，所述比例因子是用于调整或校准地理空间数据尺度的参数。
利用高精度GPS设备，在目标区域内选取一定数量的地面控制点，测量并记录其三维坐标信息，在初始三维模型中，选取与地面控制点对应的模型控制点，确保模型控制点在模型中的位置准确，通过自动特征匹配等方式，建立地面控制点与模型控制点之间的对应关系，形成控制点对应表；
基于控制点对应关系，采用绝对定向算法，如相似变换、仿射变换等，计算三维模型到地理坐标系的变换参数，利用最小二乘法对变换参数进行优化，通过最小化控制点残差，得到最优的变换参数估计值，将变换参数应用于初始三维模型，完成模型的粗略绝对定位，使其与地理坐标系大致对齐；
根据控制点的分布情况，将初始三维模型分割为多个区域，每个区域内包含一定数量的控制点，对每个区域内的模型进行独立的联合平差优化，设置粗略绝对定位对应的多个约束条件，用多约束联合平差优化模型对区域内的模型进行优化，最小化控制点残差和其他约束条件的误差，将各个区域视为区域网平差的基本单元，以区域间的公共连接点作为约束条件，进行区域网整体平差，通过区域网平差，得到全局绝对定位结果；
预先设置多个定位传感器，获取实时定位信息，构建状态空间模型，确定系统的状态变量和观测量，根据状态空间模型，构建系统状态方程和观测方程，描述状态变量的动态变化和观测量与状态变量之间的关系，采用卡尔曼滤波算法，如扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等，对多传感器定位信息进行融合，通过卡尔曼滤波的预测和更新步骤，递归估计状态变量的最优值，得到融合后的高精度定位信息；
用基于误差状态的标定算法估计传感器的偏置和比例因子，结合已知的高精度参考信息，如高精度GPS定位结果，构建扩展的观测方程，建立传感器误差状态与观测量之间的关系，通过最小二乘法或卡尔曼滤波等优化算法，估计传感器误差参数，包括偏置和比例因子，将估计得到的误差参数应用于传感器测量值的校正，实现传感器的在线标定，提高定位信息的准确性；
基于在线标定后的传感器定位信息，结合全局绝对定位结果和融合定位信息，对初始三维模型进行集合修正，通过将模型的坐标与高精度定位信息进行匹配和优化，消除模型的累积误差和漂移，使其与真实世界的位置和比例保持一致，经过集合修正后，得到全景三维模型。
本实施例中，通过高精度GPS测量获取地面控制点的三维坐标，并建立控制点与模型间的对应关系，通过绝对定向算法和最小二乘优化，实现了模型的粗略绝对定位，在保证全局一致性的同时，提高了模型的局部定位精度，使其与真实世界的位置和比例高度吻合，以区域间的公共连接点作为约束条件进行区域网整体平差，实现了模型在局部和全局尺度上的无缝拼接和优化，提高了模型的完整性和一致性，消除了不同区域之间的不连续和误差累积问题，通过构建状态空间模型，利用卡尔曼滤波算法对多个传感器的定位信息进行融合，递归估计状态变量的最优值，得到了高精度、高可靠性的融合定位信息，有效克服了单一传感器的局限性，提高了定位结果的准确性和鲁棒性，综上，本实施例有效解决了传统建模过程中存在的绝对定位误差、局部不一致性、传感器漂移等问题，生成的模型在精度、完整性、一致性等方面都达到了较高的水平，为后续的应用奠定了坚实的数据基础。
在一种可选的实施方式中，
通过基于误差状态的标定算法确定传感器偏置和比例因子，结合已知的高精度参考信息构建扩展的观测方程如下公式所示：
；
其中，Zk表示观测量，R(qk)表示旋转矩阵，qk表示四元数，Xk表示状态变量，bk表示偏置向量，f()表示状态误差函数，sk表示比例因子，vk表示测量噪声。
本实施例中，将传感器的偏置、比例因子等误差状态与观测值关联起来，构建了更加完善和精确的观测模型，有效提高了标定精度，减小了传感器误差对后续定位、导航、建图等任务的影响，通过采用四元数表示旋转，避免了欧拉角表示中的万向锁问题，增强了算法对不同姿态的适应性，通过联合估计误差状态，可以全面校正传感器的系统误差，提高测量数据的准确性和一致性，综上，本实施例实现了传感器偏置和比例因子的精确估计，提高了标定精度和适应性，可以有效提升定位、导航、建图等任务的性能和可靠性，促进自主系统的发展和应用。
图2为本发明实施例工程测量精准定位与三维建模系统的结构示意图，如图2所示，所述系统包括：
第一单元，用于通过预先设置激光雷达系统获取待测区域的高密度点云数据，通过无人机搭载的倾斜摄影机获取倾斜影像数据，通过共同特征匹配算法将所述高密度点云数据和所述倾斜影像数据进行时空配准，得到多元一致性数据，通过预先设置的深度学习模型对所述多元一致性数据进行逐点分类，得到地形点云数据；
第二单元，用于对于所述地形点云数据，通过自适应三角网生成算法，提取地形结构线并构建不规则三角网，得到地形模型，根据预先获取的倾斜影像数据，通过多视角几何一致性算法和三维重建算法进行三维重建，同时进行语义标注，得到地物模型，将所述地形模型和所述地物模型进行无缝集成，结合网格细分优化策略生成初始三维模型；
第三单元，用于对于所述初始三维模型，通过控制点配准到地理坐标系，结合多约束联合平差优化模型和区域网平差算法进行精准定位和优化，得到全局绝对定位，同时基于预先设置的多个传感器进行融合定位，通过构建状态空间模型，结合卡尔曼滤波算法计算融合定位信息，通过基于误差状态的标定算法对传感器数据进行修正，使用所述全局绝对定位和所述融合定位信息对初始三维模型进行修正，得到全景三维模型。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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本发明各实施例技术方案的范围。
Claims (9)
1.工程测量精准定位与三维建模方法，其特征在于，包括：
通过预先设置激光雷达系统获取待测区域的高密度点云数据，通过无人机搭载的倾斜摄影机获取倾斜影像数据，通过共同特征匹配算法将所述高密度点云数据和所述倾斜影像数据进行时空配准，得到多元一致性数据，通过预先设置的深度学习模型对所述多元一致性数据进行逐点分类，得到地形点云数据；
对于所述地形点云数据，通过自适应三角网生成算法，提取地形结构线并构建不规则三角网，得到地形模型，根据预先获取的倾斜影像数据，通过多视角几何一致性算法和三维重建算法进行三维重建，同时进行语义标注，得到地物模型，将所述地形模型和所述地物模型进行无缝集成，结合网格细分优化策略生成初始三维模型；
对于所述初始三维模型，通过控制点配准到地理坐标系，结合多约束联合平差优化模型和区域网平差算法进行精准定位和优化，得到全局绝对定位，同时基于预先设置的多个传感器进行融合定位，通过构建状态空间模型，结合卡尔曼滤波算法计算融合定位信息，通过基于误差状态的标定算法对传感器数据进行修正，使用所述全局绝对定位和所述融合定位信息对初始三维模型进行修正，得到全景三维模型；
对于所述初始三维模型，通过控制点配准到地理坐标系，结合多约束联合平差优化模型和区域网平差算法进行精准定位和优化，得到全局绝对定位，同时基于预先设置的多个传感器进行融合定位，通过构建状态空间模型，结合卡尔曼滤波算法计算融合定位信息，通过基于误差状态的标定算法对传感器数据进行修正，使用所述全局绝对定位和所述融合定位信息对初始三维模型进行修正，得到全景三维模型包括：
对于所述初始三维模型，通过高精度GPS测量获得地面控制点的三维坐标作为模型定位的基准点并自动建立地面控制点与模型控制点间的对应关系；
基于控制点对应关系，通过绝对定向算法计算三维模型到地理坐标系的变换参数，通过最小二乘法进行优化，最小化控制点残差，得到粗略绝对定位结果，结合多约束联合平差优化模型和区域网平差算法，设置所述粗略绝对定位对应的多个约束条件，同时根据控制点分布，将所述初始三维模型分割为多个区域，对每个区域内的模型进行独立的联合平差优化，将各区域视为区域网平差的基本单元，以区域间的公共连接点作为约束条件进行区域网整体平差，得到全局绝对定位；
基于预先设置的多个传感器，构建状态空间模型，通过确定状态变量和观测量构建系统状态方程和观测方程，通过卡尔曼滤波算法对多传感器定位信息进行融合，递归估计状态变量的最优值，得到融合定位信息；
通过基于误差状态的标定算法确定传感器偏置和比例因子，结合已知的高精度参考信息构建扩展的观测方程，通过最小二乘法估计传感器误差参数并进行在线标定；
基于所述在线标定，结合全局绝对定位和所述融合定位信息，对所述初始三维模型进行集合修正，得到全景三维模型。
2.根据权利要求1所述的方法，其特征在于，通过预先设置激光雷达系统获取待测区域的高密度点云数据，通过无人机搭载的倾斜摄影机获取倾斜影像数据，通过共同特征匹配算法将所述高密度点云数据和所述倾斜影像数据进行时空配准，得到多元一致性数据包括：
对于所述待测区域，规划激光雷达系统的运动路线，通过旋转扫描获取待测区域的三维坐标，生成原始点云数据，对所述原始点云数据进行预处理，得到所述高密度点云数据；
设置所述无人机的飞行数据和倾斜摄影机的拍摄方式，所述无人机参照预设航线进行飞行并触发所述倾斜摄影机进行影像获取，从多个视角进行拍摄得到原始影像数据，并根据相机标定参数对所述原始影像数据进行校准，得到所述倾斜影像数据；
在所述高密度点云数据中提取角点和平面点并记为点云特征点，通过快速关键点算法确定所述倾斜影像数据中的图像关键点，对于每个图像关键点，定义一个固定大小的局部区域，在每个局部区域中应用二进制鲁棒独立基本图像特征生成二进制描述子，基于所述二进制描述子对所述图像关键点和点云特征点进行匹配，对于每个匹配完成的点对，通过随机一致性抽样去除错误匹配点对后构建几何变换模型，通过最小二乘优化求解变换参数，得到所述多元一致性数据。
3.根据权利要求1所述的方法，其特征在于，通过预先设置的深度学习模型对所述多元一致性数据进行逐点分类，得到地形点云数据包括：
获取所述多元一致性数据，通过预先设置的深度学习模型进行分类，其中，所述深度学习模型包含采样层，分组层，特征提取层和分割层；
将所述多元一致性数据添加至所述采样层中，通过最远采样点策略，在所述多元一致性数据中随机选择一个数据点作为第一候选点，对于未被选中的点，计算每个点与所述第一候选点之间的距离，选择距离最远的点作为第二候选点，重复选择直至达到预设的最大候选点数量，将被选择的候选点输出至所述分组层；
对于每个候选点，以当前候选点为中心，随机设置邻域半径并根据所述邻域半径确定邻域区域，对于每个邻域区域，通过特征提取层学习邻域区域中每个点的局部几何特征，将所述局部几何特征添加至所述分割层中，通过全连接神经网络进行分类，输出每个点的类别标签；
基于所述类别标签构建连通图，结合条件随机场优化算法修改所述邻域区域，使每个邻域区域中的点具有相同的类别标签，组合所述邻域区域，得到地形点云数据。
4.根据权利要求1所述的方法，其特征在于，对于所述地形点云数据，通过自适应三角网生成算法，提取地形结构线并构建不规则三角网，得到地形模型，根据预先获取的倾斜影像数据，通过多视角几何一致性算法和三维重建算法进行三维重建，同时进行语义标注，得到地物模型包括：
对所述地形点云数据进行法向量估计，分别计算每个地形点云数据对应的主曲率值，基于所述主曲率值对所述地形点云数据进行阈值分割，将主曲率值高于预先设置的曲率阈值的点作为候选结构点，结合滤波操作和基于密度的聚类操作生成结构点集，在所述结构点集内，通过最小生成树算法确定连接所有结构点的最短路径，将所述最短路径作为骨架线并进行平滑和简化操作，得到所述地形结构线；
将所述地形结构线加入约束边集，结合增量式三角剖分算法生成初始三角网，对所述初始三角网应用边翻转和点插入操作，结合最小角准则确定所述初始三角网的形状，结合地形特征对所述初始三角网进行自适应细分，得到地形模型；
基于所述地形模型，通过特征匹配获取影像间的同名点并基于所述同名点进行多视角影像对准，在所述多视角影像中确定参考帧，结合描述子进行稠密匹配，对于多视角影像中的每个像素，在视差空间中通过代价聚合确定初始深度图并去除遮挡，融合得到地物三维结构；
基于所述地物三维结构，基于深度学习进行语义分割并确定不同类别地物之间的边界，结合语义边约束修改不同地物间的梯度，结合先验地物形状进行规则化处理，得到所述地物模型。
5.根据权利要求1所述的方法，其特征在于，将所述地形模型和所述地物模型进行无缝集成，结合网格细分优化策略生成初始三维模型包括：
对于所述地物模型和所述地形模型，通过控制点进行坐标统一，将两个模型整合至相同的全局坐标系下；
通过地物模型提供的高精度控制信息，结合网格形变操作，将地形模型在地物范围内进行局部形变和细化，通过地形起伏趋势对地物模型的绝对高程进行约束，消除模型漂移和非必要变形，实现所述地物模型和所述地形模型的精确配准；
对于精确配准后的地形模型和地物模型，通过表面重建方法进行无缝集成，得到三维景观模型，对于所述三维景观模型，通过重要性度量指标对所述三维景观模型进行区域重要性评估，根据评估结果为每个区域添加评估标签，对于重要性高的区域根据细分阈值进行加密细分，对于重要性低的区域进行减少细分，结合边坍塌操作对三角网进行形状修改，结合预先获取的倾斜影像数据进行纹理映射，得到所述初始三维模型。
6.根据权利要求1所述的方法，其特征在于，通过基于误差状态的标定算法确定传感器偏置和比例因子，结合已知的高精度参考信息构建扩展的观测方程如下公式所示：
；
其中，Zk表示观测量，R(qk)表示旋转矩阵，qk表示四元数，Xk表示状态变量，bk表示偏置向量，f()表示状态误差函数，sk表示比例因子，vk表示测量噪声。
7.工程测量精准定位与三维建模系统，用于实现前述权利要求1-6中任一项所述的方法，其特征在于，包括：
第一单元，用于通过预先设置激光雷达系统获取待测区域的高密度点云数据，通过无人机搭载的倾斜摄影机获取倾斜影像数据，通过共同特征匹配算法将所述高密度点云数据和所述倾斜影像数据进行时空配准，得到多元一致性数据，通过预先设置的深度学习模型对所述多元一致性数据进行逐点分类，得到地形点云数据；
第二单元，用于对于所述地形点云数据，通过自适应三角网生成算法，提取地形结构线并构建不规则三角网，得到地形模型，根据预先获取的倾斜影像数据，通过多视角几何一致性算法和三维重建算法进行三维重建，同时进行语义标注，得到地物模型，将所述地形模型和所述地物模型进行无缝集成，结合网格细分优化策略生成初始三维模型；
第三单元，用于对于所述初始三维模型，通过控制点配准到地理坐标系，结合多约束联合平差优化模型和区域网平差算法进行精准定位和优化，得到全局绝对定位，同时基于预先设置的多个传感器进行融合定位，通过构建状态空间模型，结合卡尔曼滤波算法计算融合定位信息，通过基于误差状态的标定算法对传感器数据进行修正，使用所述全局绝对定位和所述融合定位信息对初始三维模型进行修正，得到全景三维模型。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410726024.9A CN118314300B (zh) | 2024-06-06 | 2024-06-06 | 工程测量精准定位与三维建模方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410726024.9A CN118314300B (zh) | 2024-06-06 | 2024-06-06 | 工程测量精准定位与三维建模方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118314300A CN118314300A (zh) | 2024-07-09 |
| CN118314300B true CN118314300B (zh) | 2024-09-03 |
Family
ID=91730439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410726024.9A Active CN118314300B (zh) | 2024-06-06 | 2024-06-06 | 工程测量精准定位与三维建模方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118314300B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118607391A (zh) * | 2024-08-08 | 2024-09-06 | 长春建业集团股份有限公司 | 一种基于bim和cim的模型创建方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116977586A (zh) * | 2023-08-03 | 2023-10-31 | 国网江苏省电力工程咨询有限公司 | 一种基于电网gis平台的实景三维建模方法 |
| CN117760388A (zh) * | 2023-11-16 | 2024-03-26 | 中国建筑第七工程局有限公司 | 激光扫描与无人机倾斜摄影融合的桥梁bim测量及施工规划方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11282291B1 (en) * | 2021-02-09 | 2022-03-22 | URC Ventures, Inc. | Determining object structure using fixed-location cameras with only partial view of object |
-
2024
- 2024-06-06 CN CN202410726024.9A patent/CN118314300B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116977586A (zh) * | 2023-08-03 | 2023-10-31 | 国网江苏省电力工程咨询有限公司 | 一种基于电网gis平台的实景三维建模方法 |
| CN117760388A (zh) * | 2023-11-16 | 2024-03-26 | 中国建筑第七工程局有限公司 | 激光扫描与无人机倾斜摄影融合的桥梁bim测量及施工规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118314300A (zh) | 2024-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109766878B (zh) | 一种车道线检测的方法和设备 | |
| US12094226B2 (en) | Simultaneous localization and mapping method, device, system and storage medium | |
| CN118314300B (zh) | 工程测量精准定位与三维建模方法及系统 | |
| Alidoost et al. | An image-based technique for 3D building reconstruction using multi-view UAV images | |
| CN115953535A (zh) | 三维重建方法、装置、计算设备和存储介质 | |
| Shan et al. | Toward a unified theoretical framework for photogrammetry | |
| CN114494589A (zh) | 三维重建方法、装置、电子设备和计算机可读存储介质 | |
| CN103839286A (zh) | 一种对象语义约束的真正射影像优化采样方法 | |
| CN116091724A (zh) | 一种建筑数字孪生建模方法 | |
| CN116758234A (zh) | 一种基于多点云数据融合的山地地形建模方法 | |
| CN115471619A (zh) | 基于立体成像高分辨率卫星影像的城市三维模型构建方法 | |
| CN117132649A (zh) | 人工智能融合北斗卫星导航的船舶视频定位方法及装置 | |
| CN110021041B (zh) | 基于双目相机的无人驾驶场景增量式网格化结构重建方法 | |
| CN115239899B (zh) | 位姿图生成方法、高精地图生成方法和装置 | |
| US20220276046A1 (en) | System and method for providing improved geocoded reference data to a 3d map representation | |
| CN115638788A (zh) | 语义矢量地图的构建方法、计算机设备及存储介质 | |
| Qin et al. | Geometric processing for image-based 3D object modeling | |
| Wang et al. | State of the art in dense image matching cost computation for high-resolution satellite stereo | |
| Guo et al. | Research on 3D geometric modeling of urban buildings based on airborne lidar point cloud and image | |
| Wu et al. | Fast estimation of loader’s shovel load volume by 3D reconstruction of material piles | |
| CN118640878B (zh) | 一种基于航空测绘技术的地形测绘方法 | |
| Liu et al. | Linear target change detection from a single image based on three‐dimensional real scene | |
| KR102616437B1 (ko) | 라이다 및 관성측정장치의 캘리브레이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 | |
| Zhou et al. | Digitization of cultural heritage | |
| KR102626574B1 (ko) | 카메라 및 라이다의 캘리브레이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 |
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 |