[发明专利]基于2D-3D转换的无人机激光点云与序列影像配准方法

说明书

本发明提出了一种基于2D‑3D模型转换的无人机激光点云与序列影像配准方法，以无人机MMS成像数据为研究对象，针对其数据特点，制定两步法配准模型应用策略，具体化距离成像与可见光成像数据两步法配准模型中定义的配准基元提取与匹配、由粗到精的配准算法，完成无人机MMS成像数据的配准。该方法可以较好解决初始配准误差较大或无初始配准参数条件下的无人机MMS采集的LiDAR点云数据与序列影像的配准问题。

技术领域

本发明属于无人机测量数据融合中自动数据配准的应用，提出一种全新的激光点云与序列影像自动配准方法。

背景技术

无人机移动测量系统实现了中低空遥感数据的覆盖，是传统摄影测量与遥感手段的有效补充，提供了包括高分辨率LiDAR(Light Detection and Ranging，激光测距)点云、航空影像等多种对地观测数据，在高精度地图构建、森林生物量估计、电力巡检等方面得到广泛应用。无人机平台由于载荷与成本的限制，携带轻小型或无POS系统，直接地理定向数据精度有限或无直接地理定向数据。无人机移动测量多在无地面控制点条件下进行数据采集，少有地面控制场对LiDAR点云与影像数据成果进行精度控制。同时，移动测量系统多传感器数据之间存在固有的配准误差，直接导致无人机MMS(Mobile Mapping System，移动测量系统)采集的LiDAR点云数据与序列影像之间不能直接配准融合，只能单源使用，进而降低无人机MMS成像数据的可用性。

近年来，部分学者(例如，Habib等人，2005年；Mastin等人，2009年；Mitishita等人，2008年；Parmehr等人，2014年)在激光雷达数据和卫星拍摄的光学图像之间的配准方面做了许多研究。然而，由于使用小型无人机进行激光扫描仍是一项新的研究领域，因此人们对小型无人机拍摄的激光雷达数据和光学图像的配准工作关注较少。另一方面，由于小型无人机的传感器精度和重量之间的权衡，使用直接地理参照数据与现有的ALS数据和图像的配准方法可能会导致配准失败。此外，小型无人机的低飞行高度和产生的相对较高分辨率的图像增大了配准偏差，这种偏差可能达到几十个或几百个像素，导致小型无人机激光雷达数据和图像之间难以实现精确配准。

目前主流的配准方法主要分为两大类，基于区域的配准方法和基于特征的配准方法。基于区域的方法通过最大限度地提高激光雷达数据和光学图像中相应图像区域的统计或灰度相似性来优化光学图像的EoPs。共轭区域匹配是这类方法的关键步骤。局部或全局相似度通常采用互有信息测量，利用待配准数据之间的统计依赖关系，得出相似度测量值。由于其非线性联合概率特性，互有信息作为一种异构数据的配准技术已被广泛采用(LeMoigne等，2011；Suri和Reinartz，2010)。Mastin等(2009)通过最大化灰度编码高度或回波脉冲强度与光学影像之间的相互信息，将航空影像配准到LiDAR点云上。然而，在激光雷达数据和微型无人机影像的情况下，使用基于区域的方法可能会导致配准失败。

基于特征的方法通过从图像和激光雷达数据中提取特征来执行配准任务，以建立相机姿势估计的对应关系。各种类型的标量变量或几何基元可用于形成共轭特征。根据和Haggrén(2012)，使用人工特征的配准精度高于使用自然特征(如树冠)的配准精度。Palenichka和Zaremba(2010)结合强度描述符、区域形状特征和坐标，从LiDAR数据以及自然景观和带有人造物体的结构化场景的图像中自动提取控制点。局部尺度不变的图像特征，如尺度不变特征变换(SIFT)(Lowe，2004)也被广泛用于解决异构数据配准问题。和Becker(2007)利用SIFT特征检测器来匹配重飞图像和图像之间的相应特征点。其次，LiDAR数据边缘的离散采样点的线性特征也被用来配准LiDAR数据和图像。Habib等(2005)提出了一种利用线段对的激光雷达数据和影像的联合配准框架。