CN114136335A - 一种基于无人机倾斜摄影测量的空中三角形精度分析方法 - Google Patents
一种基于无人机倾斜摄影测量的空中三角形精度分析方法 Download PDFInfo
- Publication number
- CN114136335A CN114136335A CN202111244877.1A CN202111244877A CN114136335A CN 114136335 A CN114136335 A CN 114136335A CN 202111244877 A CN202111244877 A CN 202111244877A CN 114136335 A CN114136335 A CN 114136335A
- Authority
- CN
- China
- Prior art keywords
- points
- point
- unmanned aerial
- scale
- extreme
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Manufacturing & Machinery (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及无人机测绘测量技术领域,尤其是一种基于无人机倾斜摄影测量的空中三角形精度分析方法,具体步骤如下:利用消费级无人机搭载轻型便捷的五镜头倾斜相机,并采用倾斜摄影技术原理进行数据采集,通过运用空中三角测量解算,最终根据外业实测数据进行精度分析和评定,分析不同控制点布设方案对倾斜摄影测量的空中三角测量的精度影响进行分析,从中选择最佳的空三加密成果引入到重建三维场景的中,为无人机摄影技术的应用实施提供可行方案。
Description
技术领域
本发明涉及无人机测绘测量技术领域,尤其涉及一种基于无人机倾斜摄影测量的空中三角形精度分析方法。
背景技术
随着计算机硬件的升级,软件技术的增强,数字摄影测量技术在我国的摄影测量工作中快速发展和普遍应用,为我国现代化建设和城市数字化注入了崭新的活力。城市数字化需要采集大量数据信息,传统的地面移动测量经常受到实地限制,通常需要航天摄影结合,随着消费级无人机技术不断发展和成熟,航摄摄影技术装备日益完善和方便。倾斜摄影技术作为数字摄影测量的一种新型测量技术,结合航天摄影技术,相比于传统人工勘测手工绘图的视觉效果优异,周期短成本低,以及通过搭载多角度摄影机,克服了传统航天摄影单一角度测量的局限性的问题,能够更加真实的构建三维模型。
目前对于数字摄影技术所构建的三维模型,测绘人员的关注重点不仅是算法,更加需要考虑的是数字摄影测量技术的加密精度,来反映构建模型的真实性。通过精度分析方法,比较国家规定的测量精度要求,来验证摄影测量技术成果的精确性。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种基于无人机倾斜摄影测量的空中三角形精度分析方法。
为了实现上述目的,本发明采用了如下技术方案:
设计一种基于无人机倾斜摄影测量的空中三角形精度分析方法,其特征在于,具体步骤如下:
步骤一:选取消费级无人机,搭载五镜头倾斜相机进行垂直和倾斜方位采集影像数据;
步骤二:利用倾斜摄影测量方法对采集的影像数据,构成高分辨率的地区事物影像,构建三维模型;
步骤三:进行空中三角形精度分析,具体步骤如下:
在相同比例尺,对比不同控制点参与空中三角测量解算后,得到区域网平差精度,利用X方向、Y方向、Z方向和平面的误差计算公式来计算这四个方向的误差;
其中X方向、Y方向和Z方向的差值Vx,Vy,Vz为外业实测控制点中坐标值与其平差求解得到的坐标值的差,平面误差为X方向和Y方向的误差平方和的平方根值,其中Z方向也代表了高程误差,具体如下:
其中mx,my,mz,ms为X、Y、Z和平面方向误差。
优选的,所述五镜头倾斜相机对测区进行下视、前视、后视、左视、右视五个方向进行数据采集。
优选的,倾斜摄影测量方法,包括以下几个步骤:
步骤1,将五镜头倾斜相机采集的场景利用大范围SFM算法分解为多个子区域,对每个子区域进行像素特征匹配和三维重建,最后,通过连接点对每个子区域形成的模型进行融合;
步骤2,为了进行三维重建通过尺度不变特征变换SIFT匹配算法来匹配连接特征点,从而构建3D信息,SIFT算法首先是在尺度空间进行特征检测,并确定关键点的位置和关键点所处的尺度,然后使用关键点领域梯度的主方向作为该点的方向特征,以实现算子对尺度和方向的无关性;
步骤3,光束法区域网平差方法具体是以一张像片组成的一束光线作为一个平差单元,以中心投影的共线方程作为平差的基础方程,通过各光线束在空间的旋转和平移,使像片之间的公共光线实现最佳的交汇,将整个区域最优归算到已知的控制点坐标系中,最终获取到加密点的地物坐标和像片的外方元素;
步骤4、最终通过多视影像密集匹配和三维mesh的构建方法对多个不同视角拍摄的影像对空间场景中的实体进行三维信息的恢复和重建。
优选的,大范围SFM算法是根据输入的倾斜影像的连接关系将大范围场景分解成多个子区域,并对各个子区域进行像素特征匹配以及3D重构,最后通过连接点将各个子区域形成的模型进行融合。
优选的,SIFT匹配算法的具体步骤如下:
(1),构建尺度空间,由输入图像的函数与高斯函数的核进行卷积构成,并进行二次抽样,将尺度空间进行差分得到高斯差分空间,并生成高斯差分金字塔,具体如下:
D(x,y,δ)=[G(x,y,δ)-G(x,y,ωδ)]*I(x,y)=L(x,y,δ)-I(x,y,ωδ)其中G(x,y,δ)为高斯函数,I(x,y)为原图像,两者卷积即构成尺度空间L(x,y,δ),δ为尺度因子,ω为相邻尺度空间的比例因子,D(x,y,δ)为高斯差分空间;
(2),检测尺度空间极值点:在DOG尺度空间本层以及上下两层的26个领域中最大或者最小值,为了精确定位极值点,需要去除低对比度的关键点和不稳定的边缘响应点;
去除不稳定的边缘响应点:一个定义不好的DOG算子的极值在横跨边缘的地方有较大的主曲率,在垂直边缘的方向有较小的主曲率;主曲率通过2×2的Hessian矩阵H求出:
(3),计算极值点的主方向,根据高斯差分金字塔所采测出的极值点所在的高斯金字塔处的梯度模值和方向特征,模值和方向公式分别为如下所示:
(4),极值点的描述,对于每一个极值点使用4×4共16种子点来描述,这样对于一个极值点就可以产生128个数据,即最终完成128维的SFIT特征向量;
(5),极值点的匹配,当两幅影响经过SFIT提取的影像特征向量生成后,采用极值点特征向量的欧式距离来作为两幅影像的极值点的相似性判定度量,在两幅图的极值点中,如果最近距离除以次近距离少于某个比例阈值,则接受该匹配点。
优选的,所述光束法区域网平差方法是以控制点和待定点的像点坐标为观测值,以待定成像参数和待定点的物方空间坐标为替代解求参数的解算方法,其中运用到的平差求解,是以高斯牛顿迭代的方法进行的;
为了使观测值误差平方和总数最小,即误差非线性函数f(x)的构成的最小二乘问题,寻找增量Vx,使得||f(x+Vx)||2达到最小;
将目标函数的平方项展开,再对展开式求其增量Vx的导数,令其为零,得到下式:
2[f(x)′]Tf(x)Vx=-[f(x)′]Tf(x)
根据高斯牛顿法对上述等式求解,首先给定初值为x0,并进行迭代,对于第n次迭代,求出当前的雅可比矩阵J(xn)和误差f(xn),再次求解增量方程,若增量Vx足够小的话,则停止迭代,否则,令xn+1=xn+Vxn,并返回迭代。
本发明提出的一种基于无人机倾斜摄影测量的空中三角形精度分析方法,有益效果在于:该基于无人机倾斜摄影测量的空中三角形精度分析方法
附图说明
图1为本发明提出的一种基于无人机倾斜摄影测量的空中三角形精度分析方法的倾斜摄影技术流程图。
图2为本发明提出的一种基于无人机倾斜摄影测量的空中三角形精度分析方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参照图1-2,一种基于无人机倾斜摄影测量的空中三角形精度分析方法,其特征在于,具体步骤如下:
步骤一:选取消费级无人机,搭载五镜头倾斜相机进行垂直和倾斜方位采集影像数据,五镜头倾斜相机对测区进行下视、前视、后视、左视、右视五个方向进行数据采集;
步骤二:利用倾斜摄影测量方法对采集的影像数据,构成高分辨率的地区事物影像,构建三维模型,倾斜摄影测量方法包括以下几个步骤:
步骤1,将五镜头倾斜相机采集的场景利用大范围SFM算法分解为多个子区域,对每个子区域进行像素特征匹配和三维重建,最后,通过连接点对每个子区域形成的模型进行融合,大范围SFM算法是根据输入的倾斜影像的连接关系将大范围场景分解成多个子区域,并对各个子区域进行像素特征匹配以及3D重构,最后通过连接点将各个子区域形成的模型进行融合;
步骤2,为了进行三维重建通过尺度不变特征变换SIFT匹配算法来匹配连接特征点,从而构建3D信息,SIFT算法首先是在尺度空间进行特征检测,并确定关键点的位置和关键点所处的尺度,然后使用关键点领域梯度的主方向作为该点的方向特征,以实现算子对尺度和方向的无关性;SIFT匹配算法的具体步骤如下:
(1),构建尺度空间,由输入图像的函数与高斯函数的核进行卷积构成,并进行二次抽样,将尺度空间进行差分得到高斯差分空间,并生成高斯差分金字塔,具体如下:
D(x,y,δ)=[G(x,y,δ)-G(x,y,ωδ)]*I(x,y)=L(x,y,δ)-I(x,y,ωδ)其中G(x,y,δ)为高斯函数,I(x,y)为原图像,两者卷积即构成尺度空间L(x,y,δ),δ为尺度因子,ω为相邻尺度空间的比例因子,D(x,y,δ)为高斯差分空间;
(2),检测尺度空间极值点:在DOG尺度空间本层以及上下两层的26个领域中最大或者最小值,为了精确定位极值点,需要去除低对比度的关键点和不稳定的边缘响应点;
去除不稳定的边缘响应点:一个定义不好的DOG算子的极值在横跨边缘的地方有较大的主曲率,在垂直边缘的方向有较小的主曲率;主曲率通过2×2的Hessian矩阵H求出:
(3),计算极值点的主方向,根据高斯差分金字塔所采测出的极值点所在的高斯金字塔处的梯度模值和方向特征,模值和方向公式分别为如下所示:
(4),极值点的描述,对于每一个极值点使用4×4共16种子点来描述,这样对于一个极值点就可以产生128个数据,即最终完成128维的SFIT特征向量;
(5),极值点的匹配,当两幅影响经过SFIT提取的影像特征向量生成后,采用极值点特征向量的欧式距离来作为两幅影像的极值点的相似性判定度量,在两幅图的极值点中,如果最近距离除以次近距离少于某个比例阈值,则接受该匹配点;
步骤3,光束法区域网平差方法具体是以一张像片组成的一束光线作为一个平差单元,以中心投影的共线方程作为平差的基础方程,通过各光线束在空间的旋转和平移,使像片之间的公共光线实现最佳的交汇,将整个区域最优归算到已知的控制点坐标系中,最终获取到加密点的地物坐标和像片的外方元素;所述光束法区域网平差方法是以控制点和待定点的像点坐标为观测值,以待定成像参数和待定点的物方空间坐标为替代解求参数的解算方法,其中运用到的平差求解,是以高斯牛顿迭代的方法进行的;
为了使观测值误差平方和总数最小,即误差非线性函数f(x)的构成的最小二乘问题,寻找增量Vx,使得||f(x+Vx)||2达到最小;
将目标函数的平方项展开,再对展开式求其增量Vx的导数,令其为零,得到下式:
2[f(x)′]Tf(x)Vx=-[f(x)′]Tf(x)
根据高斯牛顿法对上述等式求解,首先给定初值为x0,并进行迭代,对于第n次迭代,求出当前的雅可比矩阵J(xn)和误差f(xn),再次求解增量方程,若增量Vx足够小的话,则停止迭代,否则,令xn+1=xn+Vxn,并返回迭代。
步骤4、最终通过多视影像密集匹配和三维mesh的构建方法对多个不同视角拍摄的影像对空间场景中的实体进行三维信息的恢复和重建;
步骤三:进行空中三角形精度分析,具体步骤如下:
在相同比例尺,对比不同控制点参与空中三角测量解算后,得到区域网平差精度,利用X方向、Y方向、Z方向和平面的误差计算公式来计算这四个方向的误差;
其中X方向、Y方向和Z方向的差值Vx,Vy,Vz为外业实测控制点中坐标值与其平差求解得到的坐标值的差,平面误差为X方向和Y方向的误差平方和的平方根值,其中Z方向也代表了高程误差,具体如下:
其中mx,my,mz,ms为X、Y、Z和平面方向误差。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于无人机倾斜摄影测量的空中三角形精度分析方法,其特征在于,具体步骤如下:
步骤一:选取消费级无人机,搭载五镜头倾斜相机进行垂直和倾斜方位采集影像数据;
步骤二:利用倾斜摄影测量方法对采集的影像数据,构成高分辨率的地区事物影像,构建三维模型;
步骤三:进行空中三角形精度分析,具体步骤如下:
在相同比例尺,对比不同控制点参与空中三角测量解算后,得到区域网平差精度,利用X方向、Y方向、Z方向和平面的误差计算公式来计算这四个方向的误差;
其中X方向、Y方向和Z方向的差值Vx,Vy,Vz为外业实测控制点中坐标值与其平差求解得到的坐标值的差,平面误差为X方向和Y方向的误差平方和的平方根值,其中Z方向也代表了高程误差,具体如下:
其中mx,my,mz,ms为X、Y、Z和平面方向误差。
2.根据权利要求1所述的一种基于无人机倾斜摄影测量的空中三角形精度分析方法,其特征在于,所述五镜头倾斜相机对测区进行下视、前视、后视、左视、右视五个方向进行数据采集。
3.根据权利要求1所述的一种基于无人机倾斜摄影测量的空中三角形精度分析方法,其特征在于,倾斜摄影测量方法,包括以下几个步骤:
步骤1,将五镜头倾斜相机采集的场景利用大范围SFM算法分解为多个子区域,对每个子区域进行像素特征匹配和三维重建,最后,通过连接点对每个子区域形成的模型进行融合;
步骤2,为了进行三维重建通过尺度不变特征变换SIFT匹配算法来匹配连接特征点,从而构建3D信息,SIFT算法首先是在尺度空间进行特征检测,并确定关键点的位置和关键点所处的尺度,然后使用关键点领域梯度的主方向作为该点的方向特征,以实现算子对尺度和方向的无关性;
步骤3,光束法区域网平差方法具体是以一张像片组成的一束光线作为一个平差单元,以中心投影的共线方程作为平差的基础方程,通过各光线束在空间的旋转和平移,使像片之间的公共光线实现最佳的交汇,将整个区域最优归算到已知的控制点坐标系中,最终获取到加密点的地物坐标和像片的外方元素;
步骤4、最终通过多视影像密集匹配和三维mesh的构建方法对多个不同视角拍摄的影像对空间场景中的实体进行三维信息的恢复和重建。
4.根据权利要求3所述的一种基于无人机倾斜摄影测量的空中三角形精度分析方法,其特征在于,大范围SFM算法是根据输入的倾斜影像的连接关系将大范围场景分解成多个子区域,并对各个子区域进行像素特征匹配以及3D重构,最后通过连接点将各个子区域形成的模型进行融合。
5.根据权利要求3所述的一种基于无人机倾斜摄影测量的空中三角形精度分析方法,其特征在于,SIFT匹配算法的具体步骤如下:
(1),构建尺度空间,由输入图像的函数与高斯函数的核进行卷积构成,并进行二次抽样,将尺度空间进行差分得到高斯差分空间,并生成高斯差分金字塔,具体如下:
D(x,y,δ)=[G(x,y,δ)-G(x,y,ωδ)]*I(x,y)=L(x,y,δ)-I(x,y,ωδ)
其中G(x,y,δ)为高斯函数,I(x,y)为原图像,两者卷积即构成尺度空间L(x,y,δ),δ为尺度因子,ω为相邻尺度空间的比例因子,D(x,y,δ)为高斯差分空间;
(2),检测尺度空间极值点:在DOG尺度空间本层以及上下两层的26个领域中最大或者最小值,为了精确定位极值点,需要去除低对比度的关键点和不稳定的边缘响应点;
去除不稳定的边缘响应点:一个定义不好的DOG算子的极值在横跨边缘的地方有较大的主曲率,在垂直边缘的方向有较小的主曲率;主曲率通过2×2的Hessian矩阵H求出:
(3),计算极值点的主方向,根据高斯差分金字塔所采测出的极值点所在的高斯金字塔处的梯度模值和方向特征,模值和方向公式分别为如下所示:
(4),极值点的描述,对于每一个极值点使用4×4共16种子点来描述,这样对于一个极值点就可以产生128个数据,即最终完成128维的SFIT特征向量;
(5),极值点的匹配,当两幅影响经过SFIT提取的影像特征向量生成后,采用极值点特征向量的欧式距离来作为两幅影像的极值点的相似性判定度量,在两幅图的极值点中,如果最近距离除以次近距离少于某个比例阈值,则接受该匹配点。
6.根据权利要求3所述的一种基于无人机倾斜摄影测量的空中三角形精度分析方法,其特征在于,所述光束法区域网平差方法是以控制点和待定点的像点坐标为观测值,以待定成像参数和待定点的物方空间坐标为替代解求参数的解算方法,其中运用到的平差求解,是以高斯牛顿迭代的方法进行的;
为了使观测值误差平方和总数最小,即误差非线性函数f(x)的构成的最小二乘问题,寻找增量Vx,使得||f(x+Vx)||2达到最小;
将目标函数的平方项展开,再对展开式求其增量Vx的导数,令其为零,得到下式:
2[f(x)′]Tf(x)Vx=-[f(x)′]Tf(x)
根据高斯牛顿法对上述等式求解,首先给定初值为x0,并进行迭代,对于第n次迭代,求出当前的雅可比矩阵J(xn)和误差f(xn),再次求解增量方程,若增量Vx足够小的话,则停止迭代,否则,令xn+1=xn+Vxn,并返回迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111244877.1A CN114136335A (zh) | 2021-10-26 | 2021-10-26 | 一种基于无人机倾斜摄影测量的空中三角形精度分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111244877.1A CN114136335A (zh) | 2021-10-26 | 2021-10-26 | 一种基于无人机倾斜摄影测量的空中三角形精度分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114136335A true CN114136335A (zh) | 2022-03-04 |
Family
ID=80394814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111244877.1A Pending CN114136335A (zh) | 2021-10-26 | 2021-10-26 | 一种基于无人机倾斜摄影测量的空中三角形精度分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114136335A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456855A (zh) * | 2022-11-11 | 2022-12-09 | 湖北晓雲科技有限公司 | 一种无人机辅助倾斜摄影图像采集*** |
-
2021
- 2021-10-26 CN CN202111244877.1A patent/CN114136335A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456855A (zh) * | 2022-11-11 | 2022-12-09 | 湖北晓雲科技有限公司 | 一种无人机辅助倾斜摄影图像采集*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Integration of aerial oblique imagery and terrestrial imagery for optimized 3D modeling in urban areas | |
Gruen et al. | Least squares 3D surface and curve matching | |
US20090154793A1 (en) | Digital photogrammetric method and apparatus using intergrated modeling of different types of sensors | |
CN105931234A (zh) | 一种地面三维激光扫描点云与影像融合及配准的方法 | |
MX2013003853A (es) | Modelado tridimensional rápido. | |
Maurer et al. | Tapping into the Hexagon spy imagery database: A new automated pipeline for geomorphic change detection | |
CN112862966B (zh) | 地表三维模型构建方法、装置、设备及存储介质 | |
Rumpler et al. | Multi-view stereo: Redundancy benefits for 3D reconstruction | |
CN112465849B (zh) | 一种无人机激光点云与序列影像的配准方法 | |
Eichhardt et al. | Affine correspondences between central cameras for rapid relative pose estimation | |
CN116518864A (zh) | 一种基于三维点云对比分析的工程结构全场变形检测方法 | |
Wang et al. | Unmanned aerial vehicle and structure‐from‐motion photogrammetry for three‐dimensional documentation and digital rubbing of the Zuo River Valley rock paintings | |
KR100709142B1 (ko) | 이미지 기반의 공간 정보 구축 방법 및 시스템 | |
CN114136335A (zh) | 一种基于无人机倾斜摄影测量的空中三角形精度分析方法 | |
Lerner et al. | Pose and motion recovery from feature correspondences and a digital terrain map | |
CN112767459A (zh) | 基于2d-3d转换的无人机激光点云与序列影像配准方法 | |
CN116563377A (zh) | 一种基于半球投影模型的火星岩石测量方法 | |
Wu | Photogrammetry for 3D mapping in Urban Areas | |
Smith et al. | Absolute and exterior orientation using linear features | |
Zheng et al. | 3D model reconstruction with common hand-held cameras | |
CN114511637A (zh) | 一种基于构造强特征的弱特征物体图像三维重建***及方法 | |
JP2019040445A (ja) | 推定装置及びプログラム | |
CN209279912U (zh) | 一种物体三维信息采集装置 | |
Ayman et al. | Photogrammetric georeferencing using lidar linear and areal features | |
Huang et al. | An Innovative Approach of Evaluating the Accuracy of Point Cloud Generated by Photogrammetry-Based 3D Reconstruction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |