竇理波，邱華萍，王 禎

（天津城建大學 地質與測繪學院，天津 300384）

近年來，對高精度的真三維建筑模型的需求急劇增加[1].地面三維激光掃描和無人機傾斜攝影已成為當前三維建模的重要手段.但這兩種技術在數(shù)據(jù)獲取過程中，由于多種因素的限制，各自都難以完整地獲取目標表面的三維數(shù)據(jù).無人機傾斜攝影數(shù)據(jù)能夠滿足常規(guī)建筑的三維建模，但是對于復雜建筑和異形建筑，由于存在遮擋等原因，造成建筑底部等區(qū)域數(shù)據(jù)缺失，不能獲得完整的建筑模型.同時，通過三維激光掃描技術獲得的建筑物門窗、房檐等部件仰視和側視方向的密集點云數(shù)據(jù)，能夠獲取精細的建筑模型[2].但三維激光技術也受場景和掃描對象的位置限制，較難獲取高大建筑、復雜建筑等屋頂?shù)臄?shù)據(jù)[3].

由于室外場景的復雜結構，高層建筑相互封閉，立面的形狀也各不相同.單類型和單站點的點云難以表達目標對象的完整而豐富的細節(jié).因此，有必要考慮融合來自兩種不同傳感器的數(shù)據(jù)，取長補短，以重建更準確的三維模型.

地面三維激光掃描數(shù)據(jù)和傾斜攝影數(shù)據(jù)來自不同的數(shù)據(jù)獲取平臺，其中三維激光掃描數(shù)據(jù)是3D點云數(shù)據(jù)，而傾斜攝影數(shù)據(jù)是2D航拍照片，不同的數(shù)據(jù)類型是影響兩個數(shù)據(jù)集融合的重要因素.多傳感器、多分辨率和多平臺數(shù)據(jù)的集成有望改善信息的提取并提高信息的可靠性[4].同時已有研究將光學影像進行匹配形成密集點云，再將其與激光進行匹配[5-6].針對多源點云融合問題，已經有許多學者提出了多種方法，運用最廣泛的算法是Besl等人于1992年提出的迭代最近點算法（iterative closest point，ICP）[7]，以及基于ICP的改進算法[8].

本文結合無人機傾斜攝影技術和三維激光掃描技術的優(yōu)點，獲取建筑物的三維點云數(shù)據(jù)，重建得到建筑物完整的三維模型，具體研究內容如下：

（1）基于無人機傾斜攝影的目標模型創(chuàng)建.采用中海達無人機搭載五鏡頭相機對目標建筑頂部及側面進行采集，包括地面像控點布設、航線規(guī)劃、飛行作業(yè)、拍攝影像，運用ContextCapture軟件進行影像匹配、空三加密及正射糾正，三維模型和點云生成.

（2）基于地面三維激光掃描的目標模型創(chuàng)建.采用FARO三維激光掃描儀對目標建筑側面和底部數(shù)據(jù)進行采集，使用SCENE軟件對點云數(shù)據(jù)進行點云拼接、合并、降噪等處理，得到高精度的點云數(shù)據(jù)，生成基于三維激光掃描點云的三維模型.

（3）鑒于ICP方法適用性更廣泛，本文使用統(tǒng)一坐標系和ICP算法對兩種點云進行融合，驗證融合精度，重建得到建筑物完整的三維模型，對得到的模型進行精度驗證、分析.

1 研究概況與數(shù)據(jù)采集

本文選取的實驗對象為一個圓球形建筑，包含其外延配建，大圓球主體的直徑30 m左右，整個建筑大概3 130.6 m2（見圖1）.建筑形狀屬于特殊形體建筑，單獨使用無人機傾斜攝影獲取的數(shù)據(jù)或者三維激光掃描獲取的數(shù)據(jù)建模均無法得到較好的效果.

圖1 實驗目標

由于本文實驗對象的特殊性，建筑表面具有大量反光面，因此不適合在太陽光線強的天氣進行相片采集，亦考慮光線過暗造成相片質量低，故選擇光線較亮的多云天氣進行相片采集.

本次實驗使用中海達iFLY D6六軸無人機和iCam Q5五鏡頭相機進行數(shù)據(jù)采集.主要采集建筑物頂部（屋頂）和側面信息.由于附近有高樓，故本次實驗無人機離地面的高度為150 m，共采集圖像735張.

三維激光掃描數(shù)據(jù)采集使用FARO Focus X130掃描儀，儀器進行掃描期間，確保儀器的安全和靶球的穩(wěn)定，儀器和靶球之間無任何遮擋，各測站掃描獲得的點云通過四個固定的靶球進行拼接.本次實驗掃描目標周圍沒有較高的設站點，故所有測站都設在地面.繞目標掃描一周，共設置了20個掃描站，各個掃描站之間分布均勻，數(shù)據(jù)完整.

2 數(shù)據(jù)預處理

2.1 傾斜攝影建模

本文使用ContextCapture軟件對無人機數(shù)據(jù)進行數(shù)據(jù)預處理.首先對原始數(shù)據(jù)進行預處理，包括檢查照片數(shù)據(jù)與質量，照片數(shù)量是否與GPS數(shù)據(jù)完全一致，拍攝質量是否符合要求.最后結合GPS數(shù)據(jù)、相機參數(shù)和對應的照片名稱整理成飛行日志，按區(qū)塊導入ContextCapture軟件，即可進行下一步處理.

根據(jù)POS數(shù)據(jù)初步對齊照片，再進行空中三角測量，計算每張相片的準確外方位元素數(shù)據(jù)與密集匹配點.在此基礎上，引入相控點，并再次進行空三計算，檢查成果質量，并導出密集匹配點云成果.具體的利用ContextCapture軟件自動建模數(shù)據(jù)處理流程如下：

（1）新建工程.確保項目保存路徑中沒有中文.

（2）數(shù)據(jù)導入.可以直接導入照片或通過飛行日志導入.

（3）控制點影像關聯(lián).提交首次空三之前，在測區(qū)范圍內均勻選擇3~4個像控點進行刺點.

（4）提交空三任務.首次空三結束之后，對其余的像控點進行刺點，之后再次提交空三任務.

（5）提交重建任務.檢查空三解算合格以后，便可提交重建任務.

（6）提交成果產品.按照需要的格式輸出成果.輸出建模成果如圖2所示.

圖2 無人機數(shù)據(jù)建模成果側面及頂部情況

單獨使用無人機數(shù)據(jù)的模型建筑頂部和側面數(shù)據(jù)完整，紋理清晰真實，但是底部由于遮擋，數(shù)據(jù)缺失，模型變形嚴重.

2.2 三維激光建模

使用FARO SCENE軟件對三維激光掃描數(shù)據(jù)進行處理.首先對點云進行加載與過濾，各測站之間通過靶球相連接，進行初步拼接，再利用整體點云信息，進一步校正模型.檢查拼接精度，并根據(jù)需要，確定是否需要進一步調整.如果拼接成果滿足要求，則對模型進行平滑去噪，導出數(shù)據(jù).

FARO SCENE一般處理流程如下：

（1）打開軟件，新建工程.

（2）導入數(shù)據(jù).

（3）數(shù)據(jù)預處理：包括加載掃描、過濾掃描、查找球體、應用彩色、注冊拼接.

（4）檢查拼接精度及調整.

（5）平滑去噪.

（6）導出數(shù)據(jù).

輸出建模成果如圖3所示.

圖3 三維激光掃描數(shù)據(jù)建模成果側面及頂部情況

三維激光掃描數(shù)據(jù)在采集階段由于周圍沒有制高點可以架設儀器，導致建筑頂部數(shù)據(jù)無法掃描，造成頂部數(shù)據(jù)缺失，模型出現(xiàn)空洞，但底部數(shù)據(jù)完整，紋理清晰真實.

3 融合建模

兩組點云數(shù)據(jù)的融合過程是將不同坐標系、不同數(shù)據(jù)源的數(shù)據(jù)融合為整體的過程，通過尋找空間變換矩陣，以其中一組點云作為基準，將另一組點云進行映射變換，實現(xiàn)兩組點云數(shù)據(jù)的融合.

不同傳感器采集的數(shù)據(jù)屬于不同的坐標系，導致不同數(shù)據(jù)源的點云初始位置相差較大.因此本文融合過程包括兩個步驟：粗融合和精融合.首先進行粗融合，減少數(shù)據(jù)的旋轉和平移誤差，以提供初始融合參數(shù)，然后進行精融合，提高融合結果的精度.

本文使用統(tǒng)一坐標系的方法來實現(xiàn)粗融合，傾斜攝影數(shù)據(jù)采集時通過布設地面像控點，得到的密集點云具有真實的地理坐標.激光點云拼接完成之后，為方便與傾斜攝影技術生成的密集點云融合，需要進行整體坐標轉換.兩種數(shù)據(jù)通過人機交互的方法選取特征點，計算兩組點云之間的初始變換矩陣.三維激光掃描數(shù)據(jù)通過轉換坐標的方式，轉換到與傾斜攝影數(shù)據(jù)相同坐標系下，實現(xiàn)兩種來源的點云的粗融合.

在此基礎上，使用ICP算法對點云進行精確融合，提高兩組數(shù)據(jù)的融合程度.ICP算法基于最小二乘法實現(xiàn)兩組點云的精確融合，它通過迭代計算兩個點云中同名點之間的距離，直到滿足給定的收斂精度要求，獲得兩組數(shù)據(jù)之間精確的變換矩陣.兩組數(shù)據(jù)之間的變換矩陣為

式中：xj和yi分別表示來自不同數(shù)據(jù)源的對應點集X和Y；Nx和Ny分別表示xj和yi中包含的點云總數(shù)，若y中的第i個點和x中的第j個點相同，則Wij為1，否則，Wij為0.

ICP算法通過使式（1）取最小值作為約束條件找到變換矩陣.

ICP配準過程如下：

（1）計算傾斜攝影密集點云X中每一個點在激光點云Y中的對應臨近點，并求得對應點平均距離最小時的變換矩陣（R，T）.

（2）根據(jù)求得的變換矩陣，對傾斜攝影密集點云X進行坐標轉換，得到新的密集點云X’.

（3）如果新的密集點云X’與激光點云Y平均距離小于某一給定閾值（本次采用2 cm），則停止迭代計算，否則將新的密集點云X’作為初始密集點云X繼續(xù)迭代，直到滿足閾值限定.

融合結果如圖4所示.

圖4為無人機傾斜攝影點云數(shù)據(jù)，以及三維激光掃描點云數(shù)據(jù).可以看出，兩者重合部分的點云主要集中在建筑物側面和地面，建筑頂部主要為無人機傾斜攝影數(shù)據(jù)，底部主要為三維激光掃描數(shù)據(jù).二者的融合有效彌補了各自的缺陷，得到建筑物完整的三維點云數(shù)據(jù).

圖4 兩組點云融合結果

4 建模結果與討論

使用融合后的點云，重新進行紋理映射，完成新的三維模型構建，最終結果如圖5所示.

圖5 融合后點云建模效果

圖5模型整體完整，紋理真實，同時彌補了傾斜攝影技術建筑底部建模效果較差和三維激光掃描技術建筑頂部數(shù)據(jù)缺失的缺點，得到目標建筑完整的三維模型.

模型整體的精度驗證，采用1″全站儀觀測特征點坐標數(shù)據(jù)，在同模型中提取的對應點坐標數(shù)據(jù)進行對比的方法.選擇實驗建筑物的角點和側面窗戶角點以及側面墻壁的明顯標志點作為檢查點，共選擇50個檢查點，用全站儀測得檢查點的坐標，多次測量取平均值，然后在模型中提取對應位置點的坐標進行對比，計算兩者平面坐標和高程之間的誤差，以此驗證模型的精度.經驗證，傾斜攝影模型、激光三維模型及融合模型誤差分布如圖6所示.

由圖6可以看出，傾斜攝影模型精度相對較差，分布較散，XYZ方向誤差主要集中在0.05~0.31 m；激光三維模型XY方向誤差多小于0.04 m左右，高程方向多小于0.08 m；融合后XY方向精度多小于0.04 m左右，高程方向多小于0.08 m.通過對無人機傾斜攝影數(shù)據(jù)和三維激光掃描數(shù)據(jù)的融合，得到的模型彌補了兩種技術單獨建模信息不全的缺點，得到完整的建筑物三維模型.融合后精度比激光點云稍有降低，但比傾斜攝影建模的精度提高較多.

圖6 傾斜攝影模型、激光三維模型及融合模型誤差分布圖

在此基礎上，本文采用兩組數(shù)據(jù)之間的均方根誤差（root mean square error，RMSE）對融合結果進行精度評價.提取融合后數(shù)據(jù)中同名點間的距離，計算RMSE，公式為

RMSE數(shù)值越小，表示融合精度越高.結果如表1所示.

表1三種模型RMSE

融合后模型平面誤差均方根為0.060 m，高程誤差均方根小于0.040 m，可以滿足數(shù)字城市建設、一般工程應用的需求.因此，可以認為兩種技術的融合，能夠獲得建筑物完整的較高精度的模型.

5 結語

本文針對建筑物分別進行傾斜攝影數(shù)據(jù)和三維激光掃描數(shù)據(jù)的外業(yè)采集和內業(yè)處理，然后對兩種數(shù)據(jù)進行融合建模，分析了模型質量與精度.結果顯示兩種技術都無法單獨獲得目標對象完整的三維模型.

通過統(tǒng)一坐標系和ICP算法對兩種點云進行融合，得到目標表面完整的點云數(shù)據(jù)，并通過點云數(shù)據(jù)進行建模，對點云融合精度和模型精度進行驗證.融合模型平面精度達到0.060 m，高程誤差達到0.040 m，能夠滿足數(shù)字城市建設及工程應用要求.