【技术实现步骤摘要】
基于无人机实时稠密三维点云和DSM的航测方法及系统
[0001]本专利技术属于计算机图像处理、计算机视觉与遥感测绘
，具体涉及基于无人机实时稠密三维点云和DSM的航测方法及系统。
技术介绍
[0002]传统航测方法大多是基于SfM技术的重建，无法实现边飞边出地图。这是因为基于SfM(Structure from Motion)的三维模型生成过程中，需要提前准备好所有图像，并且对电脑计算能力要求较高。该方法能够从众多图片中生成拍摄照片的相机位姿以及三维点云，并利用三维点云进行融合，最后产生稠密三维点云、数字正射影像图(DOM)和数字地表模型(DSM),但是现有的技术通常较慢，比如专利CN108765298A。
[0003]如果采用基于SLAM的三维模型重建方法，输入无人机拍摄的时序图片，使用前后帧进行特征点提取和匹配，实时估计前后帧的相对位姿，并基于位姿对前后帧进行双目矫正，使其两帧间对应的像素在同一行上，加快逐像素匹配速度。该方法速度快,但是精度一般，对GPS要求比较高，比如专利 CN201880073770....
【技术保护点】
【技术特征摘要】
1.一种基于无人机实时稠密三维点云和DSM的航测方法，其特征在于，包括以下步骤：获取无人机飞行过程中相机拍摄得到的原始图像，利用SLAM技术估计该原始图像的相机位姿；对该原始图像的相机位姿进行非线性优化，得到最优位姿；利用原始图像的最优位姿对连续两帧原始图像进行稠密化，得到深度图；利用一致性检查过滤所述深度图，得到三维点云；利用三维点云生成DOM模型、DEM模型和DSM模型；对DOM模型、DEM模型和DSM模型进行多频段融合，得到全局DEM模型、全局DOM模型和全局DSM模型；根据所述全局DSM模型生成飞行地图。2.根据权利要求1所述基于无人机实时稠密三维点云和DSM的航测方法，其特征在于，所述利用SLAM技术估计该原始图像的相机位姿具体包括：从预设的相机标定库中读取所述无人机中相机对应的相机类型，获得畸变参数，利用该畸变参数对所述原始图像进行去畸变处理，获得去畸变图像；获取原始图像的EXIF信息和GPS信息；提取去畸变图像中的SIFT特征点；通过RANSAC方法，对去畸变图像中前后两帧图像的SIFT特征点进行匹配过滤，获取该前后两帧图像中一一对应的第一匹配点；当不存在三维地图时，通过该第一匹配点计算本质矩阵，对该本质矩阵进行奇异值分解，得到原始图像的相对位姿；利用所述GPS信息，将该相机的相机坐标转换为ECEF坐标系，对第一匹配点进行三角化，得到三维地图点，完成三维地图的初始化；当存在三维地图时，利用所述三维地图求解新的原始图像的相机位姿。3.根据权利要求2所述基于无人机实时稠密三维点云和DSM的航测方法，其特征在于，所述对该原始图像的相机位姿进行非线性优化，得到最优位姿具体包括：构建损失函数：重投影误差e
r
和GPS误差e
g
；重投影误差e
r
定义如下：其中，代表原始图像当前帧的SIFT特征点，K为相机内参，P
i
是始图像当前帧中SIFT特征点的三维坐标，s
i
为P
i
的z值；ξ代表原始图像的相机位姿在李代数下的表示；exp(ξ^)为原始图像的相机位姿；GPS误差e
g
的定义如下：e
g
＝||t
GPS-t
SLAM
||2；其中，t
GPS
指的是原始图像前后两帧的相机坐标转换为ECEF坐标系后的差，t
SLAM
指的是原始图像前后两帧的位移初值的差；构建优化函数e：e＝e
r
+αe
g
；其中，α为权系数；
利用LM算法求解优化函数e最小时相机的最优位姿。4.根据权利要求3所述基于无人机实时稠密三维点云和DSM的航测方法，其特征在于，所述利用原始图像的最优位姿对连续两帧原始图像进行稠密化，得到深度图具体包括：利用连续两帧原始图像的相机位姿构造一个伪双目对，并通过Bouguet极线校正法获得新图像；提取该新图像中的高梯度点，将该高梯度点在新图像的同一行上进行搜索匹配，获取鲁棒性超过预设值的第二匹配点及其视差；对获取的第二匹配点进行三角剖分；根据三角剖分的结果，建立一个先验区域，对先验区域内第二匹配点的视差进行插值，得到视差图；将所述视差图转换成深度图。5.根据权利要求4所述基于无人机实时稠密三维点云和DSM的航测方法，其特征在于，所述利用一致性检查过滤所述深度图，得到三维点云具体包括：将所述深度图存储至队列中；当队列中的深度图数量超过预设值N时，进行一致性检查：将队列中的中间帧作为当前帧，记录当前帧深度图中坐标p
i
处的像素深度值为d
i
，根据针孔相机模型将坐标p
i
转换为3D点，并将3D点重新投影到另外N-...
【专利技术属性】
技术研发人员：赵勇，
申请(专利权)人：西安视野慧图智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。