李長青,曹明蘭,李亞東,2,武勝林
(1. 北京工業(yè)職業(yè)技術(shù)學(xué)院,北京 100042; 2. 北京林業(yè)大學(xué)精準(zhǔn)林業(yè)北京市重點實驗室,北京 100083)
無人機(jī)(unmanned aerial vehicle)是自帶飛行控制系統(tǒng)和導(dǎo)航定位系統(tǒng)的無人駕駛飛行器[1-2],具有靈活性高、云下飛行、影像分辨率高、時效性強(qiáng)、成本低等優(yōu)點[3]。以無人機(jī)為平臺的低空數(shù)字?jǐn)z影測量廣泛運(yùn)用于災(zāi)害應(yīng)急[4-5]、資源環(huán)境監(jiān)測[6]、基層測繪[7-9]等領(lǐng)域。隨著通信技術(shù)的發(fā)展,無人機(jī)機(jī)型及傳感器的性能也得到不斷提高,使得無人機(jī)影像快速三維建模成為可能[10-11]。露天礦三維重構(gòu)的DSM數(shù)據(jù)展示方式具有形象、直觀、準(zhǔn)確、多維度、信息豐富等特點,有利于管理者對礦區(qū)整體空間布局的快速把握,有助于改進(jìn)采礦工作者對地質(zhì)數(shù)據(jù)的理解,能夠有效提高對礦區(qū)布局信息的交流效率,有效提升決策指揮者的空間分析能力[12-14]。露天礦的DSM搭配二維DOM能夠使露天礦廢棄物分布現(xiàn)狀調(diào)查、生態(tài)環(huán)境影響調(diào)查、作業(yè)部署指揮等工作事半功倍。因此,研究基于無人機(jī)航測技術(shù)進(jìn)行露天礦三維地質(zhì)建模技術(shù)具有重要的現(xiàn)實意義和實用價值[15-16]。本文將利用測圖鷹X100搭載SONY a7R數(shù)碼相機(jī)對陽光露天礦進(jìn)行低空航空攝影,以O(shè)penCV計算機(jī)視覺庫為基礎(chǔ),運(yùn)用VC++二次開發(fā),借助SBA平差庫對所采集的少量控制點進(jìn)行光束法平差,再用PMVS算法生成密集點云,建立露天礦三維地質(zhì)模型DSM和正射影像圖DOM,并檢查成果精度。
本文采用測圖鷹X100航測遙感無人機(jī)系統(tǒng),機(jī)長60 cm,翼展100 cm,起飛重量2 kg,巡航速度75 km/h,起飛方式彈射架彈射起飛,配備GPS/INS自主巡航系統(tǒng)、地面站控制系統(tǒng)及空地通訊數(shù)據(jù)鏈組件,搭載了SONY a7R數(shù)碼相機(jī),通過檢校機(jī)構(gòu)檢校參數(shù)見表1。
表1 相機(jī)型號及標(biāo)定參數(shù)
無人機(jī)航飛前檢查測區(qū)基準(zhǔn)面情況,確保起飛和降落區(qū)域內(nèi)沒有障礙物,并確定起降點。設(shè)計航向85%,旁向重疊度65%。航飛當(dāng)天天氣狀況良好,風(fēng)力小于2級。完成飛行任務(wù)后,導(dǎo)出影像和飛行記錄數(shù)據(jù)。所拍攝的航片影像清晰、色調(diào)飽和不偏色、層次適中、目視效果良好。
控制點的采集設(shè)備采用的是GPS RTK,外業(yè)飛行完成后,用筆記本電腦配合程序現(xiàn)場進(jìn)行控制點匹配,再從正確匹配的同名點中人工選取現(xiàn)場可識別的點作為控制點。控制點采取點組布設(shè)可以增加平面高程的精度,而且四周均勻布設(shè)控制點,4點布設(shè)平高控制點均有利于保證測區(qū)內(nèi)部的精度[17]。因此控制點的布設(shè)采用了點組狀布設(shè)形式,盡量使其分布均勻,使靠近測區(qū)邊緣處控制點的密度大于測區(qū)中心區(qū)域。
通過無人機(jī)航測外業(yè)采集到航攝影像和控制點等數(shù)據(jù)后,內(nèi)業(yè)數(shù)據(jù)處理的主要流程如圖1所示。數(shù)據(jù)處理時,首先通過圖像特征匹配技術(shù)得到多張影像中的同名匹配點,再利用控制點和匹配點通過平差計算出精確的相機(jī)姿態(tài)。有了精確的相機(jī)外方位元素后再通過攝影機(jī)姿態(tài)及匹配點間的幾何約束關(guān)系得到密集三維點云,進(jìn)而得到三維模型。其中,數(shù)據(jù)處理的關(guān)鍵與核心在于獲取精確的相機(jī)姿態(tài)和密集點云生成。
圖1 技術(shù)路線
2.1.1相機(jī)姿態(tài)獲取與平差
平差是基于共線方程模型,將像點在像平面的坐標(biāo)觀測值(未知數(shù)非線性函數(shù))線性化后,按照最小二乘法原理計算出一個近似解,在此基礎(chǔ)上逐一迭代,以達(dá)到趨于最佳值。以一張像片作為平差計算基本單元,在像片上量測控制點的像點坐標(biāo)后進(jìn)行區(qū)域網(wǎng)概算,以確定區(qū)域中各像片的外方位元素及加密點坐標(biāo)的近似值,再根據(jù)共線條件,按控制點和加密點分別列誤差方程,進(jìn)行區(qū)域內(nèi)統(tǒng)一平差計算,解算出各像片的外方位元素和加密點的地面坐標(biāo)。
圖2 拍照時相機(jī)位置與像片姿態(tài)
設(shè)S為攝影中心,在世界坐標(biāo)系下的坐標(biāo)為(XS,YS,ZS),M為空間一點,在世界坐標(biāo)系下的坐標(biāo)為(X,Y,Z),m為M在影像上的構(gòu)象,其像平面和像空間輔助坐標(biāo)分別為(x,y,-f),(Xm,Ym,Zm),此時可知S、m、M三點共線,可得
(1)
根據(jù)像平面坐標(biāo)和像空間輔助坐標(biāo)系之間的關(guān)系可得共線方程式為
(2)
式中,x0、y0、f為像平面中心點的坐標(biāo)和攝像機(jī)主距,是影像的內(nèi)方位元素。
共線方程式按一次項展開得
(3)
式中,F(xiàn)x0、Fy0為共線方程函數(shù)的近似值;dXS、dYS、dZS、dφ、dω、dκ為外方位元素的改正值;dX、dY、dZ為待定點的坐標(biāo)改正值。
根據(jù)式(3)列誤差方程,可用矩陣形式為
(4)
可簡寫成
V=AX+Bt-L
(5)
引入權(quán),列出加密點的誤差方程并權(quán)賦1,列出控制點的誤差方程并列出虛擬誤差方程式,權(quán)賦P;按∑PVV最小建立的法方程為
(6)
根據(jù)式(6)可求解外方位元素改正值和點的坐標(biāo)改正值。
2.1.2密集點云生成
本文密集點云的獲取采用了PMVS算法。PMVS是一種基于多視匹配的重建算法。它的基本思路是首先在所有圖像上提取Harris和DOG(difference of Gaussian)特征點;然后利用特征匹配、重建,得到種子點;最后用種子點向周圍擴(kuò)散得到稠密的空間有向點云或面片[18]。
對于已知相機(jī)姿態(tài)的影像集合Im={Ii|i=1,2,…,n},將每幅影像Ii劃分成β×β大小的圖像塊Mi(x,y),其中x、y分別為圖像塊Mi對應(yīng)塊的行和列索引。引入面片(patch),它為一個一邊平行于參考相機(jī)x軸的近似正切重建物體表面的小矩形,記作p。PMVS算法最終目標(biāo)為盡量保證每幅圖像的每個圖像塊內(nèi)都能重建出空間面片。
設(shè)參考圖像R(p),在R(p)中p是可見的。針對p有擴(kuò)展矩形,p在R(p)中的投影是μ×μ大小的,本文取μ=5。
建立露天礦三維模型時,必須對無人機(jī)影像進(jìn)行正射糾正,獲得正射影像圖DOM。本文借助C++和OpenCV配合少量地面控制點,對無人機(jī)影像進(jìn)行光束平差處理,解算出相機(jī)姿態(tài)數(shù)據(jù)。并用PMVS算法生成密集點云,再創(chuàng)建多邊形網(wǎng)格(polygonal mash)模型,重構(gòu)出線、面、體、空間等各類數(shù)據(jù),展現(xiàn)目標(biāo)的形態(tài)特性。通過導(dǎo)入地面控制點生成高精度的帶有真實坐標(biāo)的三維模型,生成數(shù)字表面模型DSM和數(shù)字正射影像圖DOM。
采用測圖鷹X100搭載SONY a7R數(shù)碼相機(jī)拍攝的464張照片,借助C++和OpenCV配合少量地面控制點光束平差的內(nèi)業(yè)數(shù)據(jù)處理,對露天礦進(jìn)行三維重構(gòu)試驗,其中生成密集點云,并生成數(shù)字表面模型DSM和數(shù)字正射影像圖DOM,可以全方位靈活清晰地展示出露天礦的空間信息。
圖3 露天礦三維表面模型DSM
圖4 露天礦正射影像圖DOM
精度評定時,從所制作的DSM和DOM上分別抽取并現(xiàn)地實測明顯地物點,基于礦區(qū)的控制網(wǎng)利用RTK采集平面和高程數(shù)據(jù),將DSM和DOM上所測得坐標(biāo)進(jìn)行比對分析。結(jié)果表明,成圖平面中誤差Mxy=0.113 m,高程中誤差Mz=0.121 m,鄰近地物點間距中誤差Md=0.151 m,均滿足1∶500地形圖國家標(biāo)準(zhǔn)的精度要求。
對于環(huán)境復(fù)雜的露天礦采場和存在滑坡隱患的危險區(qū)域,利用傳統(tǒng)的測繪手段獲取其空間三維信息均存在一定困難。本文提出了一種采用無人機(jī)搭載相機(jī)進(jìn)行數(shù)據(jù)采集,借助C++和OpenCV配合少量地面控制點進(jìn)行光束法平差,并用PMVS算法生成密集點云的低成本快速高效露天礦三維重構(gòu)方法。
試驗采用測圖鷹X100搭載SONY a7R數(shù)碼相機(jī)對陽光露天礦進(jìn)行低空航拍,以O(shè)penCV計算機(jī)視覺庫為基礎(chǔ),運(yùn)用VC++進(jìn)行二次開發(fā),對所采集的少量控制點進(jìn)行光束法平差,再用PMVS算法生成密集點云,建立了露天礦三維表面模型DSM和正射影像圖DOM。結(jié)果表明,成圖平面中誤差Mxy=0.113 m,高程中誤差Mz=0.121 m,鄰近地物點間距中誤差Md=0.151 m,均滿足1∶500地形圖國家標(biāo)準(zhǔn)的精度要求。該方法實現(xiàn)了利用低成本非量測相機(jī)自動生成高分辨率的露天礦三維模型建立,可滿足存在安全隱患的危險區(qū)域三級建模研究與礦石生產(chǎn)管理應(yīng)用。
參考文獻(xiàn):
[1] WATTS A C,AMBROSIA V G,HINKLEY E A.Unmanned Aircraft Systems in Remote Sensing and Scientific Research:Classification and Considerations of Use[J].Remote Sensing,2012,4(6):1671-1692.
[2] 李德仁,李明.無人機(jī)遙感系統(tǒng)的研究進(jìn)展與應(yīng)用前景[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2014,39(5):505-513.
[3] 楊柳,陳延輝,岳德鵬,等.無人機(jī)遙感影像的城市綠地信息提取[J].測繪科學(xué),2017,42(2):59-64.
[4] 侯恩科,首召貴,徐友寧,等.無人機(jī)遙感技術(shù)在采煤地面塌陷監(jiān)測中的應(yīng)用[J].煤田地質(zhì)與勘探,2017,45(6):102-110.
[5] 謝濤,劉銳,胡秋紅,等.無人機(jī)大氣環(huán)境應(yīng)急監(jiān)測系統(tǒng)設(shè)計探討[J].環(huán)境科學(xué)與技術(shù),2013,36(S1):289-293.
[6] 呂立蕾,張衛(wèi)兵,胡樹林,等.低空無人機(jī)航攝系統(tǒng)在長距離輸油(氣)管道1∶2000帶狀地形圖測繪中的應(yīng)用研究[J].測繪通報,2013(4):42-45,55.
[7] 曹明蘭,張力小,王強(qiáng).無人機(jī)遙感影像中行道樹信息快速提取.中南林業(yè)科技大學(xué)學(xué)報,2016,36(10):89-93.
[8] 薛永安,王曉麗,張明媚.無人機(jī)航攝系統(tǒng)快速測繪礦區(qū)大比例尺地形圖[J].測繪地理信息,2013,38(2):46-48.
[9] 何海清.低空攝影測量航帶重構(gòu)及數(shù)據(jù)處理方法研究[J].測繪學(xué)報,2014,43(4):440.
[10]譚仁春,李鵬鵬,文琳,等.無人機(jī)傾斜攝影的城市三維建模方法優(yōu)化[J].測繪通報,2016(11):39-42.
[11]于丙辰,陳剛,段淼然,等.無人機(jī)遙感在大型不可移動文物三維重建中的應(yīng)用[J].測繪通報,2017(5):43-46.
[12]王植,劉善軍,徐白山,等.無人機(jī)影像序列中露天礦三維建模[C]∥第十七屆中國環(huán)境遙感應(yīng)用技術(shù)論壇論文集.北京:[s.n.],2013:68-74.
[13]劉紅旗,項鑫,李軍杰.三維激光掃描原理及其在露天礦測量中的應(yīng)用[J].科技資訊,2009(3):7-8.
[14]王海龍.低空攝影測量技術(shù)在露天礦山土石方剝離工程量計算方面的應(yīng)用探索[J].測繪通報,2014(S2):170-172.
[15]劉軍,王鶴,李峰,等.露天礦邊坡影像三維重建技術(shù)[J].金屬礦山,2015,V44(4):259-261.
[16]孫前芳,劉光偉,趙浩.三維可視化建模技術(shù)在露天礦中的應(yīng)用[J].采礦技術(shù),2010,10(6):76-78.
[17]朱進(jìn),丁亞洲,陳攀杰,等.控制點布設(shè)對無人機(jī)影像空三精度的影響[J].測繪科學(xué),2016,41(5):116-120.
[18]FURUKAWA Y,PONCE J.Accurate,Dense,and Robust Multiview Stereopsis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(8):1362-1376.