轻小型无人机大范围正射拼图关键技术研究

第45卷第5期2017年10月矿山测量MINE SURVEYINGVol.45 No. 5Oct. 2017doi：10. 3969/j. issn. 1001 - 358X. 2017.05.007轻小型无人机大范围正射拼图关键技术研3!左志权1"王柯2"彭向阳2"钱金菊2"顾温国3"许淑淑1#1.中国测绘科学研究院，北京100830 $2.广东电网有限责任公司电力科学研究院，广东广州 510062$3.广东电网有限责任公司，广东广州510062)摘要：文中针对轻小型无人机搭载非量测型光学传感器全自动制作正射拼图的关键技术进行论述。

重点包括三个方面：1)轻小型无人机影像的全自动空中三角测量$2)空三稀疏点云的分类过滤与大范围D E M内插$3)海量正射拼图的快速整体镶嵌等。

文章最后给出该项技术在相关行业应用推广中的几点建议。

关键词：无人机；非量测传感器；同步自检校；大比例尺测图中图分类号：TD171 ;P237 文献标识码：A文章编：：1001 - 358X#2017)05 - 0027 -05Research on key technology of Large Range Ortlio - mapmosaicing for smart Unmanned Aerial VehicleZuo Zhiquan1，Wang Ke2，Peng Xiangyang2，Qian Jinju2，Gu Wenguo3，Xu Shushu1(1. Chinese Academy of Surveying and mapping，Beijing100830，China $2. Electric Power Research Institute y f Guangdofg P o.er Grid Cf.，Ltd.，Guangzhof 510062，China$3. Guangdong po.er grid Co.，Ltd.，Guangzhoo510062，China)Abstract ：In the paper，the key technology of automatic orti i o- map mosaicing in the large range surve metric optical sensor was discussed.Main points included threeaspects：1) Fully automatic aerial triangulation ofsmart Unmanned Aerial V ehicle$2) spatial filtering of tiie three sparse points of cloud and large - scale DEM inter­polation$ 3 )rapid integration of massive puzzles and so on.At last，some suggestions were given in the art the technology in the relevant in d u sy application promotion.Key words ：UAV$non - metric sensor$synchronous self- calibration$large scale mapping与卫星遥感和航空有人机遥感相比，无人机机 动性强、起降方式灵活，设备、维护及作业成本较低，且由于其飞行高度低故而可获得高分辨率的航拍影 像。

相对于有人机航空摄影，无人机遥感可在云下进行，受天气条件的影响相对较低，在自然灾害的快 速应急响应中可发挥很大的作用。

由于其成本较低，适合于小范围区域的大比例尺测图任务。

在摄影测量与遥感领域，从现有商业数据处理系统所具备功能来讨论，如德国Inpho、法国Pixel-Factory，以及 国内的 JX4/5 、VirtuoZo/DPGrid[1]、Pix-elGnd'2]等应用系统，均是针对机载/星载可见光影像数据所研发的后处理软件，都有着较长时间研发历程与丰富的行业应用背景，至少能解决地形基础测绘产品数字表面模型、数字高程模型、数字正射影 像的高精度生产问题。

值得指出的是，以瑞士P i4D、法国Acute3D等计算机视觉领域所研发新型航空影像处理系统，具有处理轻小型无人机遥感数据能力，其行业应用层面非常普及，能作为传统高精 度专业测绘软件系统的一个有力补充。

综上所述，无人机遥感具有作业灵活、实时性 强、成本低及分辨率高的特点，完全能够满足一定比 例尺测图的需求，在大比例尺测图领域具有广阔的前景。

但是受各种原因影响，目前国内仍缺少实用 化的数据处理系统。

因此，本文围绕轻小型光学传*基金项目：南方电网重大科技专项：复杂环境下大型无人机巡检深化应用关键技术研究与示范（GD-KJXM20150903);国家自然科学基金：面向多期点云所构建真实表面模型的精细三维变化检测方法（41401501)引用格式：左志权，王柯，彭向阳，等.轻小型无人机大范围正射拼图关键技术研究[J].矿山测量，2017，45(5)：27-31.27第5期矿山测量2017年10月感器制作高质量正射拼图展开细致论述，重点对非量测型光学传感器的全自动空中三角测量技术进行讨论，希望对后续该类传感器在专业测绘领域的应用提供一些借鉴，也对相关后处理软件系统研发指明方向。

1关键算法问题对非量测型数码相机影像进行正射镶嵌图快速生成，涉及到数字摄影测量处理算法中的大部分环节，如全自动空三、D E M生成及正射镶嵌等3个方面，其完整流程描述如图1所示。

图1快速拼图软件算法流程框架从上图可看出，与传统数字摄影测量系统不同的是：快速镶嵌图生成算法避免了时间复杂度较高的稠密匹配环节，而采用可靠性更高的空三稀疏点云进行D E M内插，可最大限度地提升整体处理流程 的自动化和稳健性。

1.1 非量测型传感器空中三角测量在传统的摄影测量制图作业流程中，一般人们 会对数码相机进行精确的实验室自检校处理，以最 大限度地消除镜头系统误差对后续测量结果的影响。

但对于广大的非制图领域的行业用户来讲，采 用日益普及的小型无人机搭载非量测型数码相机进 行三维重建或测绘地形图的需求非常旺盛。

因此，针对非量测数码相机所拍摄图片进行精确的空中三 角测量是整个数据处理环节中的关键性步骤。

本文采用完全的在线自检校方法来完成空中三 角测量，即依赖影像间的几何约束关系来自动校验出系统的镜头系统误差参数。

算法中的系统误差模 型采用7参数模型，焦距（/)，主点偏移（"，#)、径 向畸变（$，$)、切向畸变(％，％)，其实施流程如图 2所示。

不难看出，上述所设计的全自动空中三角测量算法，仅需要输人随机的影像列表和稀疏匹配所生 28图2自检校空三的算法流程成的特征点信息即可完成全自动处理流程，从而避 免了繁琐的航带排列与相对定向、模型连接等较低效的立体重建过程。

算法通过初始图像对的筛选后，直接进人到符合严密共线条件的整体区域网I差流程，其计算过程简单高效，非常利于计算机程序 编码实施。

同时也提升了稀疏重建算法的可靠性。

1.2 点云分类与栅格D E M内插正如上节所讨论，空中三角测量主要目的是恢复相机摄影过程中的位置和姿态，并能生成稀疏的加密点三维坐标，而加密点坐标正好能生成要被摄影区域内的数字高程模型数据。

在实践过程中，为 了得到较好质量的数字高程模型，需要对三维点云进行粗分类（专业术语，也称滤波），获取裸露地面点 云数据，再由裸露地面点数据内插生成DEM，整体流 程如图3所示。

图3稀疏点云粗分类与D EM制作流程上述流程图所描述的邻域约束点云粗差剔除算 法与渐进式三角网滤波算法可参见文献[3_4]。

其 中，点云粗差剔除算法的大致流程是依据粗差点云的空间分布属性，依据几何约束条件来逐步实现粗第5期左志权等：轻小型无人机大范围正射拼图关键技术研究2017年10月差点的自动聚类；滤波算法则是在粗差剔除的前提 下，依据自动筛选的初始地形点，依据坡度、距离等 几何阈值条件，迭代自适应地实现地形点与非地形 点的自动区分，从而达到滤波分类效果。

!3海量影像的整体镶嵌完成空中三角测量并生成摄影区域内的数字高 程模型后，即可依照传统几何纠正方式进行逐片正 射影像纠正，从而实现整体影像图的镶嵌。

本文所 采用的镶嵌算法流程如图4所示。

图4正射影像镶嵌算法流程单片纠正后的正射影像包含着明确几何多边形 范围，如何从一系列相互重叠的多边形中获取每张 照片的镶嵌范围，是解决整体镶嵌的关键过程。

一 般来讲，存在两类算法进行初始镶嵌多边形的生成， 并被各类商用系统广泛采用。

第一类方法，直接用 多边形两两求交方式获取镶嵌边界线，初始情况下 边界线非常规则，随着多边形的引人而逐渐精化镶 嵌线边界，并最终获取镶嵌线轮廓；第二类方法法则 从二维Delaunay 三角网及其对偶图这一理论出发， 依据每个多边形的中心点构建Delaunay 三角形，并 生成其对偶的Voronoi 图，Voronoi 图对应的多边形 边界即为镶嵌多边形的轮廓。

值得一提的是，上述 两类算法都非常适合计算机编码实现，并能在普通 电脑上支持十万级的正射影像同时人网镶嵌。

另外，获取初始镶嵌线后，测区内影像按照各自 的几何镶嵌范围进行逐块填充，生成整体镶嵌图。

镶嵌线与镶嵌图的叠加即可方便地获取影像间的边 界过渡像素值，为色彩均衡调整提供有效的数据信 息，再利用有效的色彩均衡算法，达到整体有效的镶 嵌效果，最终输出镶嵌效果图。

2试验与分析算法可行性验证。

本文所有涉及算法均在Windows环境下采用C 语言实现，其相应硬件环境％ Intel Coe 2. 4 GHZ CPU ，8 GB 内存，NVIDIA Quadro 2 000 M显存。

在进行算法验证前，应先对原始影像数据进 行金字塔预处理，以提升处理效率。

在数据处理过 程中，设置每张影像特征点提取数量上限为10 000, 自检校区域网@差的投影误差限差为2"个像元，亭差迭代次数上限为50次。

另外，关于内参数初值 的选取原则是，焦距初值为像幅宽高数值的较大值，方向像主点初始位置分别为宽高的一半，畸变参 数的初值为0"。

2. 1数据描述数据集共选择两套，第一套选自某有人机航摄 影像拍摄共截取80张，飞行@台所搭载的相机为带 有较大畸变的工业相机，其场景为典型城市区域，包 含有大量人工建筑、立交桥、树木，以及车辆与行人 等信息；第二套选自某固定翼无人机航摄影像拍摄 共450张，飞行亭台所搭载的相机为带有较大畸变的非量测型单反相机，其场景为典型的城郊区域，包 含有不规则人工建筑、省级公路、大量树木，农田以 及河流等信息。