一种高精度无人机正射影像制作及数据采集方法与流程

本发明涉及无人机数据采集技术领域，尤其涉及一种高精度无人机正射影像制作及数据采集方法。

背景技术：

无人机正射影像制作技术是一种使用无人机进行航拍收集数据，然后通过特定的算法对航拍图像进行处理，最终得到航拍数据的方法。

在实际使用过程中，无人机航拍数据采集存在一些问题难以解决。比如拍摄的图像一般都是倾斜的，需要进行修正、无人机航拍影像的影像重叠度不规则，旋偏角较大等问题。需要一种新的无人机正射影像制作技术处理无人机航拍图像以高精度的、高效率的方式收集能够媲美人工检测的数据。

技术实现要素：

基于现有的无人机航拍进行数据采集时存在精度不高、效率不高的技术问题，本发明提出了一种高精度无人机正射影像制作及数据采集方法。

本发明提出的一种高精度无人机正射影像制作及数据采集方法，包括无人机影像的正射影像提取、正射影像高精度配准、正射影像中建筑物检测与提取和建筑物变化检测结果对比输出，无人机影像的正射影像提取包括正射影像制作、空中三角测量解析和正射影像图重构，正射影像高精度配准包括特征点的提取和特征点的匹配。

优选地，正射影像制作的内容包括无人机测绘影像的获取、引入运动恢复结构算法生成点云和dsm编修和多视影像补偿消除倾斜遮挡，空中三角测量解析的内容包括连接点的提取与优化和比较dog、ms-er、harlap、heslap和sfop五个算子并进行改进，正射影像图重构的内容包括四通道图像数据结构重构和正射影图像的输出。

优选地，特征点的提取内容为采用尺度不变特征变化算法对特征点进行提取，特征点的匹配内容为采用“凸包”的方法或hausdorff距离或相关搜索法进行实验对比分析，得到最合适的特征点匹配方法。

优选地，正射影像中建筑物检测与提取的内容包括正射影图像的分块；语义分割深度学习模型对比、分析和选择；超参数的调试与优化。

优选地，完成正射影图像的分块；语义分割深度学习模型对比、分析和选择；超参数的调试与优化后使用测试集对模型进行训练，再使用测试集在优化模型上测试效果。

优选地，建筑物变化检测结果对比输出的内容包括对比输出识别变化的建筑物、影像图的拼接输出检测图像、软件测试与调试和无人机正射影像建筑物变化监测系统。

本发明中的有益效果为：

通过设置无人机影像的正射影像提取、正射影像高精度配准、正射影像中建筑物检测与提取和建筑物变化检测结果对比输出，从而使本方法具有航拍收集数据与人工检测精度相当的特点。

附图说明

图1为本发明提出的一种高精度无人机正射影像制作及数据采集方法的技术路线图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

参照图1，一种高精度无人机正射影像制作及数据采集方法，包括无人机影像的正射影像提取、正射影像高精度配准、正射影像中建筑物检测与提取和建筑物变化检测结果对比输出，正射影像中建筑物检测与提取的内容包括正射影图像的分块；语义分割深度学习模型对比、分析和选择；超参数的调试与优化；完成正射影图像的分块；语义分割深度学习模型对比、分析和选择；超参数的调试与优化后使用测试集对模型进行训练，再使用测试集在优化模型上测试效果；

由于计算机内存资源比较有限，不同的深度学习模型对图像的输入大小也有不同的要求，在设计中需要将一副图像，称为原图像，分割成独立较小的图像，通过分割技术把一副大尺寸的图像分次调入内存处理，增强算法的适用性，避免过大图像处理不了的问题，大尺寸图像被分块后，减少了每次运算的数据量和计算压力，本方法中得到的正射影图像都比较大，因此需要采用特定的方法对原始图像进行分块处理；

遥感影像变化检测的应用越来越广泛，一些传统的方法，如影像代数，很容易受季节变化，卫星传感器、太阳高程和大气条件的影响从而降低变化检测精度；其次，其他很多的方法，需要大量的计算时间和繁琐的手工程序，而深度学习deeplearning,dl可以从原始数据中自动学习深度特征，从而适应遥感影像变化检测的不同情况，避免了传统方法的许多缺点，目前，基于语义分割的深度学习模型有r-cnn，fastr-cnn，fasterr-cnn，maskr-cnn，u-net等，本方法需要对这些模型进行对比分析测试，选择合适的模型对建筑物进行高效的检测和提取；

通过对不同时期的正射影像图中建筑物的检测与提取，使用程序进行对比分析，识别出变化的建筑物，并进行有效的标注，再采用相关的技术将分块的图像进行无缝拼接，最终输出检测后的正射影图像；

建筑物变化检测结果对比输出的内容包括对比输出识别变化的建筑物、影像图的拼接输出检测图像、软件测试与调试和无人机正射影像建筑物变化监测系统；

无人机影像的正射影像提取包括正射影像制作、空中三角测量解析和正射影像图重构，正射影像制作的内容包括无人机测绘影像的获取、引入运动恢复结构算法生成点云和dsm编修和多视影像补偿消除倾斜遮挡，空中三角测量解析的内容包括连接点的提取与优化和比较dog、ms-er、harlap、heslap和sfop五个算子并进行改进，正射影像图重构的内容包括四通道图像数据结构重构和正射影图像的输出；

传统的数字图像为rgb三通道图像，通过空中三角解析得到各点的坐标后，需要重新构建影像图，输出带地理位置信息的四通道图像信息；

其中对于使用无人机航拍收集的数据，引入运动恢复结构算法sfm工作流来生成点云、高精度数字表面模型dsm、数字正射影像dom；对于局部影像房屋倾斜遮挡问题，需要通过对dsm编修和多视影像补偿来消除倾斜生成真正射影像图tdom，在本方法中需要对生成的点云、dsm、tdom结果进行验证和讨论，从而得到一种无人机遥感正射影像高精度制图方法；

基于空中三角测量的几何重建是处理无人机影像获取空间信息的重要环节，而连接点的提取与优化则是无人机影像空中三角测量一个非常关键的步骤，通过基于像素灰度值的匹配方法获得连接点是非常方便的，但是由于无人机影像的影像重叠度不规则，旋偏角比较大，这些方法和软件在处理无人机影像时会遇到困难，本方法可采用分析比较dog、ms—er、harlap、heslap、sfop五个算子在无人机影像空中三角测量中的应用，对几种常用算子在无人机影像自动空三中的性能进行定量比较，改进算法，从而得到比较好的测量解析结果；

正射影像高精度配准包括特征点的提取和特征点的匹配；特征点的提取内容为采用尺度不变特征变化算法对特征点进行提取，特征点的匹配内容为采用“凸包”的方法或hausdorff距离或相关搜索法进行实验对比分析，得到最合适的特征点匹配方法；

特征点是进行图像配准的基础，其质量好坏将直接影响配准的精度和效率，为了有效地配准两幅图像，特征点的检测算法应具有旋转、平移不变性，并且当图像发生小的尺度变化和透视形变时，也具备检测出对应位置特征点的能力，本方法拟采用尺度不变特征变化算法，即scaleincariantfeaturestransform,sift算法，该算法检测到的关键点具有鲁棒性好、定位精度高、可重复性强等优点，对旋转、尺度、光照等多种几何不变性保持得很好，稳定性也很高，因此，本方法在特征匹配时采用sift算子进行特征点提取，从而提高匹配的精度和效率；

实际应用中，应根据特征点的分布情况，选取合适的特征点配准方法，如果特征点分布均匀，涵盖面积大，则适宜采用“凸包”的方法，既减少运算量又保证可靠性；如果不满足此条件，则可采用hausdorff距离或相关搜索法，本方法在研究中对正射影像图采用不同的方法进行试验对比分析，从而得到比较好的配准效果；

如图1所示，本方法拟综合运用图像处理技术、深度学习技术、计算机应用软件编程技术等多学科理论、技术和手段，产学研合作，分阶段、分子项展开工作；加强对国内外无人机正射影像图的提取、配准、建筑物的检测与提取新技术和新方法的跟踪，在原有技术基础上实现无人机正射影像建筑物变化检测，使其性能达到与人工检测相当的水平；

通过设置无人机影像的正射影像提取、正射影像高精度配准、正射影像中建筑物检测与提取和建筑物变化检测结果对比输出，从而使本方法具有航拍收集数据与人工检测精度相当的特点。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。