張祖勛，陶鵬杰,2

1. 武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079； 2. 武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079

談大數(shù)據(jù)時代的“云控制”攝影測量

張祖勛1，陶鵬杰1,2

1. 武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079； 2. 武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079

在當(dāng)今大數(shù)據(jù)時代，影像數(shù)據(jù)采集方式的多樣化、高效化、便捷化產(chǎn)生的攝影測量影像大數(shù)據(jù)需要高效、自動與智能的處理。然而，作為傳統(tǒng)攝影測量幾何定位主要控制數(shù)據(jù)的外業(yè)控制點，其獲取的復(fù)雜性與低效性仍然是制約攝影測量處理效率的關(guān)鍵因素。針對該問題，本文提出了“云控制”攝影測量的概念，以帶有地理空間信息的數(shù)據(jù)作為幾何控制替代外業(yè)控制點，通過自動匹配(或配準(zhǔn))獲取大量密集的控制信息；并介紹了基于影像、矢量和LiDAR點云的3種“云控制”攝影測量技術(shù)；最后對“云控制”攝影測量的應(yīng)用前景進行了展望并對其問題進行了討論。

攝影測量大數(shù)據(jù)；“云控制”攝影測量；“云控制”信息的自動提取

隨著傳感器、計算機和網(wǎng)絡(luò)通信技術(shù)的發(fā)展，各行各業(yè)產(chǎn)生的數(shù)據(jù)呈現(xiàn)爆炸式增長，人類社會已經(jīng)進入大數(shù)據(jù)時代。在大數(shù)據(jù)時代，數(shù)據(jù)采集的方式越來越多樣化，數(shù)據(jù)傳輸?shù)男试絹碓礁咝Щ?，?shù)據(jù)存儲的規(guī)模越來越海量化，由此產(chǎn)生的大數(shù)據(jù)具有體量大(volume)、類型多(variety)、價值密度低(value)、處理速度快(velocity)和真實性低(veracity)等基本特征[1]。數(shù)據(jù)是信息的載體，“大數(shù)據(jù)中蘊藏著關(guān)乎社會動向、市場變化、科技發(fā)展、國家安全的重要戰(zhàn)略資源”，文獻[2]指出“未來的信息世界是‘三分技術(shù)，七分數(shù)據(jù)’，得數(shù)據(jù)者得天下”。然而，海量規(guī)模的大數(shù)據(jù)已遠超出傳統(tǒng)信息處理系統(tǒng)的處理能力，因此，有必要發(fā)展可行、高效的大數(shù)據(jù)處理技術(shù)。

大數(shù)據(jù)時代是當(dāng)前攝影測量面臨的新的時代背景，它的到來給作為地理空間信息提取主要手段的攝影測量的發(fā)展帶來了新的機遇。攝影測量大數(shù)據(jù)包含兩類數(shù)據(jù)：新獲取的影像數(shù)據(jù)(包括可能同時獲取的定位、定姿、LiDAR)和已有的、處理過的地理空間信息數(shù)據(jù)。一方面，隨著各種新型航空傳感器的不斷涌現(xiàn)、低空無人機的廣泛應(yīng)用和其他消費級攝影設(shè)備的普及，影像獲取方式越來越簡單、快捷，由此帶來了航空、車載影像爆發(fā)式的增長。相對于傳統(tǒng)航測獲取的影像，這些影像具有如下特點：①影像數(shù)據(jù)量大；②獲取周期短，時效性高；③規(guī)范性弱，缺乏嚴格的航線規(guī)劃；④大多為非量測型相機拍攝，相對于量測型相機而言，影像幾何質(zhì)量不高。另一方面，經(jīng)過測繪部門幾十年的測繪生產(chǎn)實踐，我國已經(jīng)積累了大量的地理空間信息數(shù)據(jù)，包括數(shù)字正射影像圖(DOM)、數(shù)字高程模型(DEM)、數(shù)字線劃地圖(DLG)等，這些已有地理空間信息產(chǎn)品數(shù)據(jù)可作為控制信息。另外必須強調(diào)的是，激光探測與測量(light detection and ranging,LiDAR)數(shù)據(jù)與已知定向參數(shù)的影像都是重要的地理空間信息控制數(shù)據(jù)。

攝影測量大數(shù)據(jù)的智能化處理是現(xiàn)階段攝影測量迫切需要解決的問題。通過空中三角測量，獲取航空影像精確內(nèi)外方位元素，是攝影測量處理的首要任務(wù)。攝影測量大數(shù)據(jù)的空中三角測量處理主要包含兩方面的問題：①如何對新獲取的影像進行快速、高效、自動、智能的攝影測量處理以獲取準(zhǔn)確的地理空間信息；②如何將已有地理空間信息數(shù)據(jù)作為控制信息，有效地用于新獲取影像的攝影測量處理過程，以提高處理效率和精度。對于前者，得益于SIFT[3]等特征匹配技術(shù)、基于詞匯樹的圖像檢索技術(shù)[4]、“運動恢復(fù)結(jié)構(gòu)”技術(shù)[5](structure from motion,SfM)和針對非量測相機物鏡畸變的自檢校平差技術(shù)[6-7]的發(fā)展，攝影測量和計算機視覺領(lǐng)域在空中三角測量方面取得了長足的進步，涌現(xiàn)了如Smart3DCapture(現(xiàn)改名為ContextCapture)、Pix4Dmapper、PhotoScan等軟件，可實現(xiàn)低空無人機正視與傾斜影像的全自動空中三角測量處理，但它們在實際應(yīng)用中仍然存在諸多問題，如對于某些正常數(shù)據(jù)無法處理出正確結(jié)果、處理流程難以滿足攝影測量實際處理要求等；對于后者，隨著攝影測量處理時效性要求的提高，文獻[8]在基于DOM+DEM的衛(wèi)星影像自動定向方面進行大量的深入研究，并在此基礎(chǔ)上研發(fā)了DPGrid正射影像更新軟件，廣泛應(yīng)用于中小比例尺(1∶5000至1∶50 000)的正射影像更新生產(chǎn)實踐之中；近年來，隨著LiDAR技術(shù)的興起和快速發(fā)展，利用LiDAR設(shè)備獲取的高密度、高精度激光點云并結(jié)合航空影像數(shù)據(jù)，被越來越多地應(yīng)用于城市場景大比例尺(1∶500至1∶2000)的三維重建之中。這其中首先需要解決的便是LiDAR點云與航空影像的幾何坐標(biāo)一致性問題，為此，文獻[9]在航空影像和LiDAR點云的幾何配準(zhǔn)方向進行了研究。

1 “云控制”攝影測量的背景與概念

攝影測量與遙感的實質(zhì)是從影像中提取被攝對象的幾何與輻射信息，國際攝影測量與遙感學(xué)會(ISPRS)從2000年在阿姆斯特丹舉行的第十九次代表大會開始，便將“information from imagery”作為其標(biāo)語[10]，其中遙感關(guān)注于提取輻射信息，而攝影測量關(guān)注于提取幾何信息。攝影測量的處理過程便是在控制信息的約束下，將原始的影像數(shù)據(jù)加工為DOM、DEM、DLG和數(shù)字表面模型(DSM)等地理空間信息產(chǎn)品。

傳統(tǒng)攝影測量的控制信息為外業(yè)采集的控制點，這些點一般位于地面上明顯標(biāo)志點，如圓點、交點和角點等，在此稱之為“點控制”攝影測量。為保證空三加密和立體測圖的精度，“點控制”攝影測量的控制點分布需要遵守嚴格的作業(yè)規(guī)范，如圖1所示，一般要求測區(qū)周邊布設(shè)平高控制點，測區(qū)內(nèi)部按一定倍數(shù)的基線長度布設(shè)多排高程控制點。對于傳統(tǒng)量測型相機而言，由于影像像幅大，測區(qū)影像數(shù)量少，需要控制點的數(shù)量有限；然而，現(xiàn)階段廣泛使用的無人機影像，其像幅小、幾何畸變大和質(zhì)量不佳等特點，決定了其空三加密需要大量的控制點。盡管GNSS技術(shù)降低了外業(yè)控制點采集的難度，然而，測量外業(yè)控制點仍然十分困難與耗時，造成測量外業(yè)控制點的時間遠超過影像獲取的時間。顯然，外業(yè)控制點量測仍然是制約航測空三加密效率的關(guān)鍵因素，導(dǎo)致“點控制”攝影測量已難以適應(yīng)大數(shù)據(jù)時代影像數(shù)據(jù)的特點和其對處理效率和高度自動化的要求。

為了解決以上問題，本文提出“云控制”攝影測量(“cloud control” photogrammetry)的概念，它的提出，具備“控制數(shù)據(jù)”和“處理技術(shù)”兩方面的支撐。前者指的是：已有地理空間信息數(shù)據(jù)(包括公眾地理信息數(shù)據(jù)，如Google Earth影像、天地圖影像、SRTM數(shù)字高程模型、OpenStreetMap地圖數(shù)據(jù)等)、LiDAR點云和已知定向參數(shù)(如衛(wèi)星影像姿軌參數(shù)以及由此擬合計算的有理多項式系數(shù)——RPC參數(shù)、航空影像內(nèi)外方位元素)的影像(框幅式航空影像、線陣掃描航空影像和衛(wèi)星影像——稱已有影像)等，它們都處在統(tǒng)一的地理空間信息框架內(nèi)，為新獲取的新影像數(shù)據(jù)構(gòu)成了“控制框架”；后者指的是：通過新影像之間的匹配構(gòu)建空三自由網(wǎng)，以及通過新影像與已有影像的匹配或與控制框架內(nèi)其他數(shù)據(jù)的配準(zhǔn)，從中為新影像自由網(wǎng)的加密點獲取大量密集的控制信息。由于其獲取的控制點非常密集，形成了控制點云，因此稱之為“云控制”?！霸瓶刂啤备拍钪械摹霸啤比∽悦芗c云(point cloud)[11]的“云”。

圖1 “點控制”攝影測量的控制點分布示意圖Fig.1 Distribution of control points in “points control” photogrammetry

“云控制”攝影測量將改變攝影測量處理的模式。傳統(tǒng)攝影測量處理是從影像數(shù)據(jù)到地理空間信息的單向過程，即生產(chǎn)的地理空間信息作為產(chǎn)品歸檔后不會返回至攝影測量處理過程；如圖2所示，“云控制”攝影測量處理則是一個“閉合”的回路，生產(chǎn)的地理空間信息產(chǎn)品(圖2右側(cè)的DEM/DSM、DOM、DLG等產(chǎn)品數(shù)據(jù))將作為控制信息用于以后的攝影測量處理過程，從而實現(xiàn)地理空間信息“從攝影測量生產(chǎn)中來，又回到攝影測量生產(chǎn)中去”。另外，具有地理信息的LiDAR數(shù)據(jù)也可以作為“云控制”的一種控制信息。

2 “云控制”攝影測量的幾種形式和應(yīng)用

“云控制”攝影測量的實質(zhì)是控制方式的改變，相對于“點控制”攝影測量，它使用帶有精確地理信息的幾何參考數(shù)據(jù)替代外業(yè)控制點作為控制。根據(jù)所使用的幾何參考數(shù)據(jù)的不同，“云控制”攝影測量具有3種形式：①基于影像的云控制；②基于矢量的云控制；③基于LiDAR點云(包括DLG)的云控制。

圖2 “云控制”攝影測量的閉合作業(yè)模式 Fig.2 Closed production mode of “cloud control” photogrammetry

2.1 基于影像的云控制

從正射影像(與DEM)和已知定向參數(shù)的原始影像都可以提取精確的空間位置，前者不言而喻，后者指的是利用定向參數(shù)進行同名像點(用于控制)的前方交會獲取三維物方坐標(biāo)。基于影像的云控制又可以分為基于DOM+DEM的云控制和基于已知定向參數(shù)的影像的云控制兩種方式。

2.1.1 基于DOM+DEM的云控制

基于DOM+DEM的云控制通過新影像與正射影像的自動匹配提取控制點，控制點自動提取的原理示意如圖3所示。首先，在新影像上提取特征點，通過自動影像匹配將提取的特征點匹配到周邊的影像，從而獲取連接點；其次，使用新影像的定向參數(shù)初值(可通過原始定向參數(shù)輔助下的自由網(wǎng)定向獲得)，對連接點進行前方交會，計算其初始地面坐標(biāo)；然后，在正射影像上的對應(yīng)地面范圍內(nèi)匹配同名像點，根據(jù)正射影像的平面坐標(biāo)與DEM上的高程，獲得連接點對應(yīng)控制點的三維物方坐標(biāo)。

基于DOM+DEM的云控制模式已經(jīng)獲得廣泛的應(yīng)用，國內(nèi)學(xué)者利用該方法實現(xiàn)了國產(chǎn)高分辨率衛(wèi)星影像的在軌幾何標(biāo)定，文獻[12]利用谷歌地球正射影像和SRTM為控制實現(xiàn)了資源三號衛(wèi)星影像的在軌幾何標(biāo)定，文獻[13]則基于公眾地理信息數(shù)據(jù)實現(xiàn)資源一號02C衛(wèi)星全色與多光譜影像的在軌幾何標(biāo)定；在航空影像方面，以下列舉一個例子。

試驗數(shù)據(jù)為一個含有24條航帶、1267張RC30相機拍攝的航空影像的測區(qū)。攝影比例尺約為1∶30 000，影像像素大小為21 μ，地面分辨率約為0.65 m。測區(qū)的西北和東南區(qū)域為覆蓋有大面積茂密植被的高山地形，高程范圍為50～1200 m。使用該測區(qū)5年前成圖的48幅1∶10 000正射影像和DEM作為控制信息，共自動匹配了276 662個連接點，其中控制點46 884個，連接點和控制點的分布如圖4所示?？刂泣c占連接點的比例為16.95%，這與傳統(tǒng)的“點控制”攝影測量完全不同，傳統(tǒng)攝影測量是研究怎樣減少控制點，而“云控制”則是“多多益善”。

空三單位權(quán)中誤差為7.8 μ，控制點平面X和Y的中誤差均為1.5 m，高程Z的中誤差為2.3 m?；谠摽杖Y(jié)果生成的正射影像圖滿足1∶10 000比例尺正射影像精度要求，具體精度檢測情況如表1所示。

圖3 基于DOM/DEM的控制點自動提取示意圖Fig.3 Schematic diagram of automatic control points extraction from DOM and DEM

圖4 測區(qū)前13條航帶的連接點與控制點分布圖(黃色十字絲為影像位置)Fig.4 Distribution of tie points(blue) and control points(red) of the 13 strips(yellow crosses are images)

云控制攝影測量不僅僅能實現(xiàn)控制的自動化， 更重要的是新、 老正射影像的套合比傳統(tǒng)的點控制(或利用控制點庫)方法要精確得多，也為下一步的變化檢測提供了更好的底圖數(shù)據(jù)。

表1 正射影像精度檢測情況

2.1.2 基于已知定向參數(shù)影像的云控制

基于已知定向參數(shù)影像的云控制第一步與基于DOM+DEM的云控制一樣，首先由新影像構(gòu)建自由網(wǎng)；然后，通過新、老影像間的匹配，將新影像的自由網(wǎng)加密點傳遞給老影像，再進行老影像間的匹配；最后，使用老影像的定向參數(shù)進行前方交會，獲得新影像的自由網(wǎng)加密點的三維物方坐標(biāo)。其原理如圖5所示。

圖5 基于已知定向參數(shù)的影像的控制點自動提取示意圖Fig.5 Schematic diagram of automatic control point extraction from images with orientation parameters

值得注意的是，新影像與老影像既可以是同源影像(相同類型傳感器拍攝的影像，如兩者都是框幅式航空影像)，也可以是異源的(如框幅式航空影像與線陣掃描式航空影像)。以下簡單介紹一個基于已知定向參數(shù)的異源影像控制的試驗實例。

試驗測區(qū)總計321張無人機影像(分辨率為6 cm，2016年10月拍攝)，共7個航帶，以分辨率為15 cm的ADS80影像(2016年8月拍攝，用于1∶2000比例尺測圖)控制數(shù)據(jù)。測區(qū)略圖和參考ADS80影像如圖6所示。

圖6 無人機影像測區(qū)略圖和參考ADS80影像Fig.6 UAV block and the reference ADS80 image

通過自動影像匹配共提取了77 649個連接點，其中控制點2832個(控制點占連接點的3.06%)，如圖7所示，圖中藍色點為連接點，紅色點為控制點。另外，人工量測了49個外業(yè)檢查點進行精度評定。從圖7可以看出，控制點大都分布在道路和建筑物等人工地物所在區(qū)域，而對于植被區(qū)域，由于變化大、匹配難度較大，加之無人機航空影像與ADS80線陣掃描影像之間存在較大輻射差異，難以提取有效的控制點。

圖7 無人機影像測區(qū)自動提取的連接點(藍色)和控制點(紅色)Fig.7 Tie points (blue) and control points (red) of UAV images block

經(jīng)過平差定向后，像點中誤差為0.2個像素，控制點和檢查點的精度如表2所示。

表2無人機影像測區(qū)精度檢測情況

Tab.2TheaccuraciesofcontrolpointsandcheckpointsofUAVimagesblockm

誤差項控制點誤差檢查點誤差中誤差最大誤差中誤差最大誤差平面X0.191.700.18-0.47平面Y0.19-1.490.23-0.36平面XY0.271.720.290.59高程Z0.230.870.27-0.77

2.1.3 兩種方式的比較與討論

由于兩種方式的控制影像(一是正射影像，一是原始影像)的不同，基于DOM+DEM和基于已知定向參數(shù)的影像的云控制的方式不同，精度與適用范圍也不同：

(1) 控制點獲取方式不同，結(jié)果也不同。前者控制點的三維坐標(biāo)來自于DOM+DEM，而DEM是地形的高度，而非地物的高度，對于諸如樹木、房屋等地物上的控制點，DEM上的高程值并非真實高程，而是考慮了地物的高度；而后者可以直接獲得控制點的正確三維坐標(biāo)。

(2) 后者的精度(特別是高程精度)優(yōu)于前者。前者適用于中小比例尺的影像幾何定位，而后者可用于大比例尺的影像幾何定位。

2.2 基于矢量的云控制

已有的矢量數(shù)據(jù)具有地物信息(道路、河流等線狀地物)，也可以作為“云控制”數(shù)據(jù)。但是基于矢量的云控制存在兩個難點：首先，由于線特征控制與影像的像點觀測沒有嚴格的對應(yīng)關(guān)系，因此，基于線特征控制條件的影像定位方法需要對傳統(tǒng)的基于控制點的定位方法進行擴充；其次，由于影像和矢量是兩種完全不同類型的數(shù)據(jù)，二者之間的自動配準(zhǔn)也是一個難點。前者可以通過廣義點攝影測量理論[14]解決；而后者，學(xué)者們研究了很多影像與矢量自動配準(zhǔn)的方法。

2.2.1 廣義點攝影測量理論

攝影測量起源于測量學(xué)中“測點”的前方交會和后方交會，所涉及的點都是影像上可以明顯判別的點(明顯點)，為了將大量線特征(如道路線、建筑物邊緣線等)作為控制信息進行影像幾何定位，必須將點擴展到線。傳統(tǒng)的點可以列x、y兩個誤差方程式，而廣義點(線)則根據(jù)影像線特征角度的大小選擇性地列出一個誤差方程式。如圖8所示，設(shè)p點所在特征線與水平方向夾角為θ，當(dāng)-45°<θ≤45°或當(dāng)135°<θ≤225°時(見圖8(a))，特征點在x方向殘差(特征點在影像上觀測坐標(biāo)與對應(yīng)物方點在影像上投影坐標(biāo)之差)較小，可列像點觀測值x的方程；否則，則列像點觀測值y的方程，參與攝影測量處理的平差計算。直觀地理解特征線上一個點就相當(dāng)于“半個”特征點，其他沒有差別?；诰€的“云控制”與基于點“云控制”完全兼容，因此“廣義點”非常靈活、非常方便。

圖8 廣義點所在處線特征與水平方向夾角的兩種情況Fig.8 Two kinds of generalized points according to angles between the line features the horizontal direction

2.2.2 影像與矢量自動配準(zhǔn)方法

目前較為常見的方法是利用矢量數(shù)據(jù)中的道路矢量線與影像進行自動配準(zhǔn)。文獻[15]研究了矢量與遙感影像自動配準(zhǔn)的方法，實現(xiàn)了遙感影像的自動糾正和地理編碼以及矢量地圖的自動配準(zhǔn)，為地形圖快速修測與地理信息數(shù)據(jù)的快速更新奠定了基礎(chǔ)；文獻[16—17]研究了基于道路中心線檢測的影像與矢量自動配準(zhǔn)的方法，該方法將影像與道路矢量線的配準(zhǔn)問題轉(zhuǎn)化為道路中心線的檢測問題，通過將道路矢量投影到影像，并沿著投影向量的垂直方向在一定范圍內(nèi)使用邊緣的階躍模板檢測道路的兩個邊緣，從而確定道路的中心點位置，實現(xiàn)矢量地圖與高分辨率衛(wèi)星影像的自動配準(zhǔn)。

圖9所示為利用基于道路中心線檢測的影像與矢量自動配準(zhǔn)方法進行SPOT 5影像與矢量地圖配準(zhǔn)的試驗，其中圖(a)為影像與矢量(紅線)的整體套合圖，圖(b)為局部區(qū)域影像與矢量(紅線)的套合情況，圖(c)為自動配準(zhǔn)后影像與矢量(藍線)的套合情況。試驗區(qū)共匹配了7062條矢量線，檢測了77 953個道路中心點作為SPOT 5影像定向的控制點，采用廣義點攝影測量理論進行定向的像點中誤差為1.45像素。從圖9中可以看出，自動配準(zhǔn)后影像與矢量的套合一致性較好，有效地實現(xiàn)了基于矢量地圖的影像幾何定位。

圖9 SPOT 5影像與矢量的自動配準(zhǔn)Fig.9 Automatic registration between SPOT 5 satellite image and vector map

基于廣義點的現(xiàn)有影像與矢量自動配準(zhǔn)方法，雖然能較好地解決小比例尺矢量控制的影像幾何定位問題，然而對于大中比例尺的情況，由于場景更加復(fù)雜，影像和矢量數(shù)據(jù)的信息更加豐富，如矢量數(shù)據(jù)中道路線由單線矢量變?yōu)殡p線矢量、建筑物輪廓線、影像上道路寬度更大，且地物遮擋現(xiàn)象嚴重，影像與矢量配準(zhǔn)的難度更大，尚需繼續(xù)研究。

2.3 基于LiDAR點云與DLG的云控制

DLG雖有高程注記點，但是它是二維的平面(X、Y)圖，不能獨立用于攝影測量的云控制，只有與LiDAR構(gòu)成多元云控制。下面首先介紹基于LiDAR的云控制，然后介紹兩者相結(jié)合的多元云控制。

LiDAR可快速獲取大范圍、高精度的地表幾何數(shù)據(jù)，已成為當(dāng)前獲取高精度地形與地表信息的一種重要手段。由于其獲取的地物表面信息比較全面，且精度較高，因此又常用作光學(xué)影像幾何定位的基準(zhǔn)，實現(xiàn)光學(xué)影像的精確幾何定位。本文稱“基于LiDAR點云的光學(xué)影像精確幾何定位”為基于LiDAR的云控制。

基于LiDAR的云控制需要研究兩個關(guān)鍵問題：首先，需要對LiDAR點云精度進行評定；其次，影像和LiDAR點云屬于兩種不同類型的數(shù)據(jù)。前者為柵格數(shù)據(jù)，后者為離散點云數(shù)據(jù)，二者之間的自動配準(zhǔn)也是一個關(guān)鍵問題。

2.3.1 LiDAR點云精度評定

LiDAR點云的精度決定了影像幾何定位的精度。在LiDAR點云精度評價方面，雖然學(xué)者們以各種方式評價了LiDAR點云的精度，文獻[18]從潛在的誤差源上分析了LiDAR點云的理論精度，文獻[19]使用檢查點評價了LiDAR點云的高程精度，然而，較少有評定LiDAR點云平面精度的研究。文獻[20]通過對比LiDAR的強度圖與參考正射影像的方式評價了LiDAR點云的平面精度，但LiDAR強度圖和參考正射影像的分辨率較低(分別為1.5 m和0.33 m)，難以反映LiDAR點云的真實平面精度。

本文采用已有的1∶500比例尺DLG作為基準(zhǔn)數(shù)據(jù)評定LiDAR點云的精度。其中高程精度評定使用DLG的高程注記點，平面精度評定則使用DLG中的建筑物輪廓線。如圖10與圖11所示為試驗區(qū)域LiDAR點云精度評定的情況。

圖10 試驗測區(qū)LiDAR點云高程精度評定Fig.10 Vertical accuracy assessment for LiDAR data of test area

圖10為高程精度評定情況，圖(a)為DLG中的高程注記點，其精度約為2～3 cm，共3030個，圖(b)為高程注記點與LiDAR點云之間高程差值的分布直方圖，由圖10可知LiDAR點云高程誤差呈正態(tài)分布。采用圖(a)的高程注記點評定的LiDAR的高程中誤差為7.8 cm。

圖11為平面精度評定情況，圖(a)為DLG中的房屋輪廓線，其平面精度優(yōu)于5 cm，圖(b)為局部區(qū)域從LiDAR點云中提取的房屋立面點與DLG中房屋輪廓線的套合圖，圖(c)為房屋立面點到DLG房屋輪廓線的垂直距離的統(tǒng)計直方圖。平面精度評定共使用38 299個房屋立面點，評定的LiDAR點云平面中誤差為6.9 cm(略優(yōu)于高程精度)。

我國現(xiàn)行數(shù)字航空攝影測量規(guī)范對于平地1∶500地形測圖航測內(nèi)業(yè)加密檢查點的精度要求為平面精度優(yōu)于0.175 m，高程精度優(yōu)于0.28 m，由以上評定結(jié)果可知，此次評定的試驗區(qū)域的LiDAR點云精度滿足1∶500地形圖精度要求，可用作1∶500內(nèi)業(yè)加密的控制數(shù)據(jù)。當(dāng)然，不同的LiDAR點云精度存在一定差異性，需要更多區(qū)域的精度評定結(jié)果以客觀地反映LiDAR點云的真實精度。

2.3.2 影像與LiDAR點云的配準(zhǔn)

影像與LiDAR點云是由完全不同的傳感器采集，二者具有不同的屬性。影像為二維柵格數(shù)據(jù)，LiDAR點云為三維離散數(shù)據(jù)，二者的數(shù)據(jù)維度和類型均不相同，它們之間的配準(zhǔn)具有一定的特殊性。影像與LiDAR點云配準(zhǔn)的方法大致可以歸納為3類[21]：

(1) 基于二維圖像匹配的方法。利用LiDAR的強度圖像或點云轉(zhuǎn)換為深度、距離等二維圖像，將二維影像與三維LiDAR點云的配準(zhǔn)轉(zhuǎn)換為二維影像之間的配準(zhǔn)。

(2) 基于三維點云配準(zhǔn)的方法。通過多視影像生成的點云(稀疏空三加密點云或密集匹配點云)與LiDAR點云之間的配準(zhǔn)，實現(xiàn)影像與LiDAR點云之間的配準(zhǔn)，迭代最鄰近算法[22](iterative closest point,ICP)和基于三維特征匹配[23]的方法均屬于此類方法。

(3) 基于二維圖像和三維點云直接匹配的方法。此類方法主要利用影像和LiDAR點云的直線特征[24]和平面特征[25]。

圖11 試驗測區(qū)LiDAR點云平面精度評定Fig.11 Horizontal accuracy assessment for LiDAR data of test area

以上3類方法，具有不同的特點和適用范圍。如圖12所示，由于LiDAR點云的采樣密度(一般為4～10 pts/m2)相對于較易獲取的超高分辨率影像(如分辨率4～10 cm的影像)來說仍然較低，LiDAR點云難以覆蓋建筑物的邊緣。因此，對于第1類方法，LiDAR點云轉(zhuǎn)換生成的深度或距離二維圖像中建筑物邊緣位置和大小往往不夠準(zhǔn)確，易造成配準(zhǔn)精度的降低；而第3類方法則大都需要人工輔助；第2類方法尤其是基于ICP的方法使用較為廣泛。

圖12 LiDAR點云掃描間隔導(dǎo)致的不完整性問題 Fig.12 The incompleteness of the LiDAR point cloud caused by big scan interval

ICP算法最早由Besl和McKay于1992年提出，是兩組三維點云之間幾何配準(zhǔn)的經(jīng)典算法。其基本原理如圖13所示，對于p和q(基準(zhǔn))表示的兩組點云，通過最小化最臨近點的距離實現(xiàn)它們之間的配準(zhǔn)。一般采用兩種最近原則：點間距離最近原則(見圖13(a))和點面距離最近原則(見圖13(b))。ICP的改進算法常常被直接或間接地應(yīng)用于影像與三維點云的幾何配準(zhǔn)之中。文獻[26—27]研究了ICP與區(qū)域網(wǎng)平差相結(jié)合并迭代解算的方法，在每次空三區(qū)域網(wǎng)平差之后，利用ICP算法配準(zhǔn)空三加密點和LiDAR點云，篩選高質(zhì)量配準(zhǔn)點作為控制點，并再次進行區(qū)域網(wǎng)平差以解算新的定向參數(shù)，如此迭代，直至配準(zhǔn)精度滿足設(shè)定的閾值。該方法通過區(qū)域網(wǎng)平差與ICP的交叉迭代，利用大范圍航空影像與LiDAR點云的自動配準(zhǔn)實現(xiàn)了基于LiDAR點云的云控制。

2.3.3 影像與LiDAR點云+DLG的配準(zhǔn)

在具有DLG的情況下，LiDAR點云可與DLG組合成多元聯(lián)合控制?？稍贚iDAR點云控制的基礎(chǔ)上，利用DLG進一步加強平面控制。對于城市場景，DLG的控制作用主要來自建筑物的輪廓矢量線，如圖14所示，黃色立方體表示建筑物，其底部的藍線為DLG中建筑物的輪廓矢量線，對于墻面上的攝影測量點P，通過最小化其在水平面上投影點P0到藍線的距離d，可實現(xiàn)影像墻面點與DLG建筑物輪廓線平面位置的重合，進而實現(xiàn)DLG對影像的平面控制。

圖13 ICP算法的基本原理Fig.13 The basic principle of ICP algorithm

圖14 DLG建筑物輪廓矢量的平面控制原理Fig.14 Horizontal control from building contour vectors of DLG

3 結(jié)束語與展望

大數(shù)據(jù)的簡單算法比小數(shù)據(jù)的復(fù)雜算法更有效[28]，這是大數(shù)據(jù)時代“云控制”攝影測量的核心。“云控制”攝影測量充分利用帶有地理空間信息的數(shù)據(jù)替代外業(yè)控制點，實現(xiàn)攝影測量影像大數(shù)據(jù)的高效、自動與智能化處理，具有較大的現(xiàn)實意義和應(yīng)用前景?！霸瓶刂啤睌z影測量的兩個支撐條件中數(shù)據(jù)為主、技術(shù)為輔，而當(dāng)前的地理空間信息數(shù)據(jù)存在以下問題：①已有測繪地理空間信息成果的使用問題，測繪生產(chǎn)的大量地理空間信息沒有作為控制信息有效地用于新影像的攝影測量處理之中，其價值基本沒有得到發(fā)揮；②影像數(shù)據(jù)的管理與存儲問題，在現(xiàn)實生產(chǎn)中，“重成果、輕影像”，生產(chǎn)結(jié)束后DOM、DEM等成果作為“線上”數(shù)據(jù)保存，而對于處理的影像及其定向參數(shù)作為“線下”數(shù)據(jù)保存。為實現(xiàn)“云控制”攝影測量，應(yīng)拓展地理空間信息數(shù)據(jù)的使用，加強已知定向參數(shù)的影像數(shù)據(jù)的存儲與管理。

筆者認為，“云控制”攝影測量技術(shù)在中小比例尺影像的幾何定位與數(shù)據(jù)更新方面已經(jīng)成熟(特別是廣泛地應(yīng)用于衛(wèi)星影像處理)，其未來的發(fā)展趨勢包括如下幾點：①“云控制”攝影測量將越來越多地應(yīng)用于大比例尺航空影像(特別是無人機影像)的幾何定位、數(shù)據(jù)更新與測圖；②LiDAR點云、大比例尺DLG等高精度參考數(shù)據(jù)的大量積累，影像分辨率的提高、信息的豐富化和地面場景的復(fù)雜化，都增加了大比例尺影像(包括傾斜影像)云控制的難度，基于單一數(shù)據(jù)的云控制可能難以較好地解決問題，因此，需要研究基于影像、DLG和LiDAR點云等多源數(shù)據(jù)聯(lián)合控制的云控制方式。

致謝：感謝武漢大學(xué)遙感信息工程學(xué)院數(shù)字攝影測量與計算機視覺中心的相關(guān)研究人員提供的相關(guān)研究成果。

[1] HILBERT M. Big Data for Development: A Review of Promises and Challenges[J]. Development Policy Review, 2016, 34(1): 135-174.

[2] 陳鯨. 大數(shù)據(jù)面臨的挑戰(zhàn)復(fù)雜艱巨[J]. 信息安全與通信保密, 2016(2): 20.

CHEN Jing. Big Data Faces Complex and Arduous Challenges[J]. Information Security and Communications Privacy, 2016(2): 20.

[3] LOWE D G. Distinctive Image Features from Scale-invariant Key Points[J]. International Journal of Computer Vision, 2004, 60(2): 91-110.

[4] BORE N, AMBRUS R, JENSFELT P, et al. Efficient Retrieval of Arbitrary Objects from Long-term Robot Observations[J]. Robotics and Autonomous Systems, 2017,91: 139-150.

[5] SCH?NBERGER J L, FRAHM J M. Structure-from-motion Revisited[C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, NV: IEEE, 2016: 4104-4113.

[6] FRASER C S. Digital Camera Self-calibration[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1997, 52(4): 149-159.

[7] BRITO J H, ANGST R, K?SER K, et al. Radial Distortion Self-Calibration[C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Portland, OR: IEEE, 2013: 1368-1375.

[8] ZHANG Zuxun, LU Luping, TAO Pengjie, et al. Registration of CBERS-02B Satellite Imagery in Quick GIS Updating[C]∥Proceedings of SPIE, Remote Sensing Image Processing, Geographic Information Systems, and Other Applications. Guilin, China: SPIE, 2011: 8006OC.

[9] ZHENG Shunyi, HUANG Rongyong, ZHOU Yang. Registration of Optical Images with Lidar Data and Its Accuracy Assessment[J]. Photogrammetric Engineering & Remote Sensing, 2013, 79(8): 731-741.

[10] CHEN Jun, DOWMAN Ian, LI Songnian, et al. Information from Imagery: ISPRS Scientific Vision and Research Agenda[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016,115: 3-21.

[11] AXELSSON P. Processing of Laser Scanner Data：Algorithms and Applications[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1999, 54(2-3): 138-147.

[12] ZHANG Yongjun, ZHENG Maoteng, XIONG Jinxin, et al. On-orbit Geometric Calibration of ZY-3 Three-line Array Imagery with Multistrip Data Sets[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(1): 224-234.

[13] TAO Pengjie, LU Luping, ZHANG Yong, et al. On-orbit Geometric Calibration of the Panchromatic/Multispectral Camera of the ZY-1 02C Satellite Based on Public Geographic Data[J]. Photogrammetric Engineering & Remote Sensing, 2014, 80(6): 505-517.

[14] 張祖勛, 張劍清. 廣義點攝影測量及其應(yīng)用[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2004, 30(1): 1-5.

ZHANG Zuxun, ZHANG Jianqing. Generalized Point Photogrammetry and Its Application[J]. Geomatics and Information Science of Wuhan University, 2004, 30(1): 1-5.

[15] 張宏偉. 矢量與遙感影像的自動配準(zhǔn)[D]. 武漢: 武漢大學(xué), 2004.

ZHANG Hongwei. Automatic Registration between Remote Sensing Image and Vector Map[D]. Wuhan: Wuhan University, 2004.

[16] ZOU Songbai, ZHANG Jianqing, ZHANG Yong. The Automatic Registration between High Resolution Satellite Images and a Vector Map Based on RFM[C]∥Proceedings of IEEE International Conference on Image Analysis and Signal Processing. Taizhou: IEEE, 2009: 397-401.

[17] LU Luping, ZHANG Yong, TAO Pengjie, et al. Estimation of Transformation Parameters between Centre-line Vector Road Maps and High Resolution Satellite Images[J]. The Photogrammetric Record, 2013, 28(142): 130-144.

[18] MAY N C, TOTH C K. Point Positioning Accuracy of Airborne LiDAR Systems: A Rigorous Analysis[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. 2007,36: 107-111.

[19] AGUILAR F J, MILLS J P. Accuracy Assessment of LiDAR-derived Digital Elevation Models[J]. The Photogrammetric Record, 2008, 23,122: 148-169.

[20] RAY J A, GRAHAM L. New Horizontal Accuracy Assessment Tools and Techniques for LiDAR Data[C]∥Proceedings of the ASPRS 2008 Annual Conference. Portland, Oregon: [s.n.], 2008.

[21] 熊小東. 基于多種特征的機載激光點云與航空影像配準(zhǔn)方法研究[D]. 武漢: 武漢大學(xué), 2014.

XIONG Xiaodong. Registration of Airborne LiDAR Point Cloud and Aerial Images Using Multi-features[D]. Wuhan: Wuhan University, 2014.

[22] BESL P J, MCKAY N D. A Method for Registration of 3-D Shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(2): 239-256.

[23] RUSU R B, BLODOW N, BEETZ M. Fast Point Feature Histograms (FPFH) for 3D Registration[C]∥Proceedings of IEEE International Conference on Robotics and Automation. Kobe: IEEE, 2009: 3212-3217.

[24] HABIB A, GHANMA M, Morgan M, et al. Photogrammetric and LiDAR Data Registration Using Linear Features[J]. Photogrammetric Engineering & Remote Sensing, 2005, 71(6): 699-707.

[25] HABIB A, SHIN S, KIM C, et al. Integration of Photogrammetric and LiDAR Data in a Multi-primitive Triangulation Environment[C]∥Innovations in 3D Geo Information Systems, First International Workshop on 3D Geoinformation. Kuala Lumpur, Malaysia: DBLP, 2006: 29-45.

[26] 杜全葉. 無地面控制的航空影像與LiDAR數(shù)據(jù)自動高精度配準(zhǔn)[D]. 武漢: 武漢大學(xué), 2010.

DU Quanye. Automatic High Precision Registration between Aerial Images and LiDAR Data without Ground Control Points[D]. Wuhan: Wuhan University, 2010.

[27] 黃榮永. 多元數(shù)據(jù)幾何配準(zhǔn)方法與應(yīng)用研究[D]. 武漢: 武漢大學(xué), 2015.

HUANG Rongyong. Research on Geometric Registration Methods of Multiple Photogrammetric Data and Their Applications[D]. Wuhan: Wuhan University, 2015.

[28] 維克托·邁爾-舍恩伯格, 肯尼思·庫克耶. 大數(shù)據(jù)時代: 生活、工作與思維的大變革[M]. 盛楊燕, 周濤, 譯. 杭州: 浙江人民出版社, 2013.

MAYER-SCHONBERGER V, CUKIER K. Big Data: A Revolution that Will Transform How We Live, Work and Think[M]. SHENG Yangyan, ZHOU Tao, trans. Hangzhou: Zhejiang People’s Publishing House, 2013.

(責(zé)任編輯：張艷玲)

An Overview on “Cloud Control” Photogrammetry in Big Data Era

ZHANG Zuxun1,TAO Pengjie1,2

1. School of Remote Sensing and Information Engineering，Wuhan University，Wuhan 430079，China； 2. School of Resources and Environmental Science，Wuhan University，Wuhan 430079，China

In the present era of big data, photogrammetric image collection modes are characterized with the progressive course of diversity, efficiency and facilitation, which are producing large sets of photogrammetric image data. They further bring the request for advanced processing with higher level of efficiency, automation and intelligence. However, the efficiency of fundamental photogrammetric processing, known as geometric positioning, is still majorly restricted to control points acquired through complex and inefficient field works. In view of this problem, we promote the concept of “cloud control” photogrammetry, which regards geo-encoded data as geometric control instead of field control points, and is achieved via control information extraction with extensive and intensive automatic matching (or registration) technology. Three control modes will be introduced, considered as image-based-control, vector-map-based-control and LiDAR-point-based-control respectively. By the end of the paper, we provide the discussion on the application prospects and foreseeable problems of “cloud control” photogrammetry.

photogrammetric big data; “cloud control” photogrammetry; cloud control information extraction

ZHANG Zuxun(1937—)，male，professor，PhD supervisor，academician of Chinese Academy of Engineering(CAE) and International Eurasian Academy of Sciences(IEAS)，majors in digital photogrammetry and remote sensing.

TAO Pengjie

張祖勛，陶鵬杰.談大數(shù)據(jù)時代的“云控制”攝影測量[J].測繪學(xué)報，2017,46(10)：1238-1248.

10.11947/j.AGCS.2017.20170337.

ZHANG Zuxun,TAO Pengjie.An Overview on “Cloud Control” Photogrammetry in Big Data Era[J]. Acta Geodaetica et Cartographica Sinica,2017,46(10):1238-1248. DOI:10.11947/j.AGCS.2017.20170337.

P227

A

1001-1595(2017)10-1238-11

2017-06-21

修回日期： 2017-08-26

張祖勛(1937—)，男，教授，博士生導(dǎo)師，中國工程院院士、歐亞科學(xué)院院士，研究方向為數(shù)字攝影測量與遙感。

E-mail： zhangzx@cae.cn

陶鵬杰

E-mail： pjtao@whu.edu.cn