本公开实施例提供一种基于无人机影像的建筑物模型的生成方法和装置，方法包括：获取无人机影像集；提取所述无人机影像上的兴趣点，生成提取的兴趣点的特征描述向量，根据所述特征描述向量确定无人机影像间的相对位置关系，根据所述相对位置关系确定相邻无人机影像；提取相邻无人机影像中的特征点，对特征点进行相似性度量，确定对应无人机影像间的同名点对；确定所述同名点对的空间三维坐标，生成稀疏点云；对所述稀疏点云进行稠密化处理，生成稠密点云，对所述稠密点云进行纹理映射；对纹理映射后的稠密点云进行简化约束，生成所述目标区域建筑物的三维模型。以此方式，能够对城市建筑群的大场景进行三维重建并进行大区域网平差的精确解算。域网平差的精确解算。域网平差的精确解算。
【技术实现步骤摘要】
基于无人机影像的建筑物模型的生成方法和装置
[0001]本公开的实施例一般涉及图像处理
，并且更具体地，涉及基于无人机影像的建筑物模型的生成方法和装置。
技术介绍
[0002]无人机能够连续获取重叠度大的高精度序列影像，但获取的影像会丢失深度信息。基于图像的三维重建，是指利用多幅数码相机图像全自动恢复出场景三维结构的方法与技术。近年来三维重建技术在视频、图像三维重建处理领域获得了巨大的成功，将其应用到无人机图像处理领域，对无人机图像进行全自动重建相关的应用，可以拓展无人机的应用范围，提高无人机的应用水平。
[0003]现有技术中的三维建模系统，只是针对少量照片进行建模，大场景建模仍存在问题。而针对城市建筑群的大场景建模时，在利用无序的数据集进行三维重建时，建模效率低，不能满足多行业需求。
技术实现思路
[0004]根据本公开的实施例，提供了一种基于无人机影像的建筑物模型的生成方案，能够利用无序的数据集对城市建筑群的大场景进行三维重建并进行大区域网平差的精确解算，从而提高了建模精度和建模效率，能够满足多行业需求。
[0005]在本公开的第一方面，提供了一种基于无人机影像的建筑物模型的生成方法，包括：
[0006]获取无人机影像集，所述无人机影像集中包括多张从不同视角采集到的目标区域建筑物的无人机影像；
[0007]提取所述无人机影像上的兴趣点，生成提取的兴趣点的特征描述向量，根据所述特征描述向量确定无人机影像间的相对位置关系，根据所述相对位置关系确定相邻无人机影像；
[0008]提取相邻无人机影像中的特征点，对特征点进行相似性度量，确定对应无人机影像间的同名点对；
[0009]基于全局式的运动与结构的区域网平差方法，确定所述同名点对的空间三维坐标，生成稀疏点云；
[0010]对所述稀疏点云进行稠密化处理，生成稠密点云，对所述稠密点云进行纹理映射；
[0011]对纹理映射后的稠密点云进行简化约束，生成所述目标区域建筑物的三维模型。
[0012]在一些实施例中，所述提取所述无人机影像上的兴趣点，生成提取的兴趣点的特征描述向量，根据所述特征描述向量确定无人机影像间的相对位置关系，包括：
[0013]基于SIFT算法对所述无人机影像进行处理，提取所述无人机影像上的多个兴趣点，将所述兴趣点的梯度最大的方向确定为所述兴趣点的特征描述向量，根据不同无人机影像上对应兴趣点的特征描述向量之间的距离确定对应的无人机影像相对位置关系。
[0014]在一些实施例中，所述方法还包括：
[0015]根据无人机影像间的相对位置关系确定对应的无人机影像的重叠度，响应于所述重叠度小于预设阈值，剔除所述对应的无人机影像。
[0016]在一些实施例中，所述提取相邻无人机影像中的特征点，对特征点进行相似性度量，确定对应无人机影像间的同名点对，包括：
[0017]对于重叠度大于预设阈值的两张无人机影像，其中一张作为基准影像，另外一张作为搜索影像，建立影像金字塔，在每层金字塔影像上，将两张无人机影像对应的局部区域内Hessian矩阵的行列式的值最大的点确定为特征点，为特征点分配方向值，生成特征向量，以特征点为中心取16
×
16的邻域作为采样窗口，将采样窗口的采样点与特征点的相对方向通过高斯加权后归入包含8个方向的梯度直方图，获得4
×4×
8的128维特征向量，利用哈希算法将所有的特征向量映射到哈希表，每个特征向量对应一个哈希特征码，利用映射函数将哈希特征码至6个桶组，每个桶组含2
10
只桶，从基准影像中选取一个特征点的特征向量为原特征向量，利用哈希表中的特征向量对基准影像和搜索影像进行匹配，确定对应无人机影像间的同名点对。
[0018]在一些实施例中，所述基于全局式的运动与结构的区域网平差方法，确定所述同名点对的空间三维坐标，生成稀疏点云，包括：
[0019]确定所述基准影像和所述搜索影像之间的本质矩阵；
[0020]对所述本质矩阵进行奇异值分解，确定相机的运动参数旋转矩阵和平移向量；
[0021]根据相机的运动参数旋转矩阵和平移向量确定同名像点对应的特征点的三维坐标。
[0022]在一些实施例中，所述对所述稀疏点云进行稠密化处理，生成稠密点云，对所述稠密点云进行纹理映射，包括：
[0023]根据所述基准影像和所述搜索影像的重叠区域内的同名像点对应的特征点的坐标确定面片坐标，生成稀疏点云模型对应的面片集合；
[0024]循环添加新邻域到所述面片集合中对所述面片集合进行更新，直到场景被所有可视的面全覆盖；
[0025]基于一致性约束条件，对更新后的面片集合中的面片进行剔除，生成稠密点云模型，对所述稠密点云进行纹理映射。
[0026]在一些实施例中，所述对纹理映射后的稠密点云进行简化约束，生成所述目标区域建筑物的三维模型，包括：
[0027]把稠密点云模型的曲面重构转化为求解泊松方程，通过构造泊松方程计算出梯度场和向量场，选取合适的等值得到最佳逼近原始点云数据的重构曲面，以体积变化的平方作为误差度量的边折叠网格简化算法，并在误差测度中加入三角形法向约束因子对重构后的曲面进行简化。
[0028]在本公开的第二方面，提供了一种基于无人机影像的建筑物模型的生成装置，包括：
[0029]无人机影像集获取模块，用于获取无人机影像集，所述无人机影像集中包括多张从不同视角采集到的目标区域建筑物的无人机影像；
[0030]相对位置关系确定模块，用于提取所述无人机影像上的兴趣点，生成提取的兴趣
点的特征描述向量，根据所述特征描述向量确定无人机影像间的相对位置关系；
[0031]同名点对确定模块，用于提取相邻无人机影像中的特征点，对特征点进行相似性度量，确定对应无人机影像间的同名点对；
[0032]稀疏点云生成模块，用于基于全局式的运动与结构的区域网平差方法，确定所述同名点对的空间三维坐标，生成稀疏点云；
[0033]稠密点云生成模块，用于对所述稀疏点云进行稠密化处理，生成稠密点云，对所述稠密点云进行纹理映射；
[0034]三维模型生成模块，用于对纹理映射后的稠密点云进行简化约束，生成所述目标区域建筑物的三维模型。
[0035]在本公开的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
[0036]在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
[0037]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
[0038]通过本公开的基于无人机影像的建筑物模型的生成方法，能够利用无序的数据集进对城市建筑群的大场景进行本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于无人机影像的建筑物模型的生成方法，其特征在于，包括：获取无人机影像集，所述无人机影像集中包括多张从不同视角采集到的目标区域建筑物的无人机影像；提取所述无人机影像上的兴趣点，生成提取的兴趣点的特征描述向量，根据所述特征描述向量确定无人机影像间的相对位置关系，根据所述相对位置关系确定相邻无人机影像；提取相邻无人机影像中的特征点，对特征点进行相似性度量，确定对应无人机影像间的同名点对；基于全局式的运动与结构的区域网平差方法，确定所述同名点对的空间三维坐标，生成稀疏点云；对所述稀疏点云进行稠密化处理，生成稠密点云，对所述稠密点云进行纹理映射；对纹理映射后的稠密点云进行简化约束，生成所述目标区域建筑物的三维模型。2.根据权利要求1所述的基于无人机影像的建筑物模型的生成方法，其特征在于，所述提取所述无人机影像上的兴趣点，生成提取的兴趣点的特征描述向量，根据所述特征描述向量确定无人机影像间的相对位置关系，包括：基于SIFT算法对所述无人机影像进行处理，提取所述无人机影像上的多个兴趣点，将所述兴趣点的梯度最大的方向确定为所述兴趣点的特征描述向量，根据不同无人机影像上对应兴趣点的特征描述向量之间的距离确定对应的无人机影像相对位置关系。3.根据权利要求2所述的基于无人机影像的建筑物模型的生成方法，其特征在于，所述方法还包括：根据无人机影像间的相对位置关系确定对应的无人机影像的重叠度，响应于所述重叠度小于预设阈值，剔除所述对应的无人机影像。4.根据权利要求3所述的基于无人机影像的建筑物模型的生成方法，其特征在于，所述提取相邻无人机影像中的特征点，对特征点进行相似性度量，确定对应无人机影像间的同名点对，包括：对于重叠度大于预设阈值的两张无人机影像，其中一张作为基准影像，另外一张作为搜索影像，建立影像金字塔，在每层金字塔影像上，将两张无人机影像对应的局部区域内Hessian矩阵的行列式的值最大的点确定为特征点，为特征点分配方向值，生成特征向量，以特征点为中心取16
×
16的邻域作为采样窗口，将采样窗口的采样点与特征点的相对方向通过高斯加权后归入包含8个方向的梯度直方图，获得4
×4×
8的128维特征向量，利用哈希算法将所有的特征向量映射到哈希表，每个特征向量对应一个哈希特征码，利用映射函数将哈希特征码至6个桶组，每个桶组含2
10
只桶，从基准影像中选取一个特征点的特征向量为原特征向量，利用哈希表中的特征向量对基准影像和搜索影像进行匹配，确定对应无人机影像间的同名点对。5.根据权利要求4所述的基于无...
【专利技术属性】
技术研发人员：吴丽沙，刘建明，杨晓冬，张谷生，任飞龙，
申请(专利权)人：北京道达天际科技有限公司，
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。