低空摄影测量与机载LiDAR技术融合的交通干线地质灾害快速应急研究

武继峰，武晴晴，张凯南

(长安大学测绘与空间信息研究所，陕西 西安710054)

一、引 言

公路、铁路等交通干线是典型线型工程，跨越区域多，工程建设过程中形成了许多高陡边坡，其沿线不可避免会遭到各种地质灾害。由于降雨、人为活动或地震等一系列因素可能引起地质灾害，根据需求进行应急响应，如何快速获取灾害区域影像信息成为关键。采用无人机低空摄影测量技术，利用其获取数据快、操作简便的特点，通过灾后的实时影像获取并与灾害基础数据库的比对，对研究区域内地质灾害的具体规模、影响范围及受灾情况可以做出及时、准确的评估。通过机载LiDAR获取高密度激光点云，并结合滤波手段，剔除植被覆盖的影响，以获取精确的DEM和DOM。通过对多种方法的融合应用研究，成果快速提供应急使用，可以为救灾和监测预报提供背景资料，同时为以后的研究提供一定的服务。

二、基于低空摄影测量的地质灾害体快速应急研究

1．研究背景

以卫星、大飞机等为平台的航天航空摄影测量技术已经得到广泛应用，但该类方法受天气影响较大，在台风及暴雨季节很难实时获得质量好的高分辨率影像。而无人机低空摄影测量技术是一种新发展起来的地理空间信息快速采集技术，以无人机作为平台的低空摄影测量技术能够在复杂地形条件下及云下低空飞行，获取高分辨率影像，同时还具备价格低廉、机动灵活、操作简单、不受重访周期的限制等优点，能够根据需求完成低空、超低空飞行任务以获取不同分辨率的影像。无人机影像在灾害中的应用，影像图的绝对定位精度往往并不是首要的，快速得到感兴趣区域的正射影像或准正射影像及地质灾害体位置及相对面积通常是灾害预警、救灾及灾害评估部门所需要的。

2．无人机影像快速处理流程

无人机影像快速处理不采用传统的共线方程的摄影测量流程，首先利用POS参数自动划分航带，添加相机文件自动内定向，匹配连接点并进行区域网平差解算，利用空三加密生成的点云内插生成DTM，然后利用DTM纠正影像得DOM，匀光匀色后拼接DOM得全区影像图。如图1所示。

图1 无人机影像快速处理流程

(1)数据准备

处理无人机影像所需数据有:

1)相机检校文件:相机像主点坐标、相机焦距、像幅大小、像元大小、主点偏移量及相机畸变差等;

2)原始影像数据:TIFF格式;

3)定姿定位数据:影像的概略外方位元素，大地平面坐标系统，定位精度在20 m以内)。

(2)畸变差校正

此次无人机航空拍摄搭配的相机类型为非量测相机，其像片存在边缘畸变，需对其进行畸变差校正后才能进行空三加密。

相机需经过严格的专业检校，获取畸变改正参数。部分相机检校结果如下:像幅为7360像素×4912像素、像素分辨率CCD尺寸为4．88 um。

根据相机检校报告计算相机参数x0=(x0－宽÷2)×像元大小÷1000=(3 684．646－7360÷2)×0．004 88=0．022 672 48 mm

y0=(y0－高÷2)×像元大小÷1000=(2 482．325 6－4912÷2)×0．004 88=0．128 468 928 mm

f=7 360．323 9÷0．004 88=35．918 380 632 mm

(3)空三加密

由于低空摄影航向重叠度和旁向重叠度都不够规则，且航摄区域地形起伏大、高程变化显著，影像间的比例尺差异大、旋偏角大，影像有明显畸变等情况，直接自动空三会有较大误差。在试验过程中，采用基于尺度/旋转不变特征和多基线影像匹配技术的全自动连接点选取及配准算法，影像金字塔生成后，开始自动匹配连接点并进行区域网平差解算，直至加密完成，输出空三成果。

(4)成果快速提取

空三加密解算完成后，进行DTM的提取，兼顾影像的全局和局部信息，采用兼顾地形特征线信息的全局概率松弛法影像匹配算法，有效解决了影像纹理缺乏区域的自动地形测绘问题，如图2所示。

图2 示范区整体和局部DTM渲染图

将单幅的正射影像DOM进行镶嵌匀色处理，成果如图3所示。

图3 示范区整体和局部DOM效果图

3．精度分析

由于GPS点本身的定位精度很低，常规控制点定位检查意义不大，因此，本项目采用影像叠加的检查方法，将快速处理成果和带有坐标的Google Earth影像套合检查，经目视检查，在地形平缓区域，道路、田坎、河流等主要地物重合良好，偏差不超过1．5 m，但在山区地形变化较大的区域局部偏差2～5 m。

影响精度的原因主要是:空三加密后提取的DTM，在地形平缓处匹配较好，在房屋及地形变化较大处匹配较差。本文主要研究在应急情况下影像的获取，未对DTM进行任何编辑，进行快速处理直接生成DOM。

三、基于机载LiDAR的地质灾害体快速应急研究

1．研究背景

应用机载LiDAR对地探测技术进行地质灾害快速巡查监测与快速评估，针对获取的海量点云数据处理技术与工艺流程研究，探讨了生产工艺的各个关键技术。本文选取示范区覆盖面积约140 km2，LiDAR点云获取有10条航线数据，激光测量探测数据2．94068666亿个点云。对整个测区16 GB数据进行DEM生产，从原始航带点云到分块拼接，自动滤波分类批处理到断面交互编辑，DEM格网计算与标准图幅拼接、切分，产品自动抽查与检验精度评估等海量数据快速自动批处理。研究成果表明，利用LiDAR技术可以有效地获取示范区微地形地貌信息，生产高精度DEM、DLG等测绘产品，重建三维场景，完善所监测地区的地质基础资料;在地质灾害监测中可运用高密度LiDAR点云精确构建地灾体三维模型。

2．机载LiDAR数据处理

(1)数据预处理

LiDAR航带数据预处理包括:点云数据标准格式转换、航带数据坐标定向处理、航带数据接边镶嵌与分区等。

机载LiDAR原数据有二进制、ASCII明码格式;LiDAR数据标准有1．0、1．1、1．2 3个版本。不同数据格式与不同版本的数据，在读取数据时的文件是有所差别的，初始流程就是对数据格式标准转换。

完成LAS数据标准转换后，需要对点云数据的坐标进行校准。依地面GPS控制点，逐航道数据进行空间定向校准、测区大地坐标投影处理。最后对点云航带数据进行拼接镶嵌，重叠带部分需作高程纠正处理，依设计拼接后进行分区裁剪。

(2)点云数据滤波分类

选取示范区内的典型区域作为研究对象，通过大量的滤波分类试验研究，根据具体的地形地物及空间分布特征选择阶层式滤波分类策略，形成一套快速准确进行LiDAR点云数据分类滤波的可行性技术方案，解决由于山区植被密集而无法构建精细数字高程模型的问题，也为其他地区点云数据分类滤波提供辅助依据。具体的滤波分类流程如图4所示。

图4 LiDAR滤波分类流程

(3)异常点滤波

本文采用绝对高程滤波方法，分离异常点。通过分析示范区的地形图得知，该区域高程范围为海拔高度60～500 m，山间平地地势平坦，高程范围为70～120 m。因而在不同地形区域超出该高程范围的点数据可判别为异常点。而有些异常点在整个区域内并未超出最大、最小高程，进一步分离极低点，即计算该点云数据与周边的点云数据的高程差，来判断其是否为异常点处理，如图5所示。

图5 LiDAR点云数据异常点的筛选

(4)地物分类提取

1)地面点提取:采用的地面点分类算法是基于知识引导的渐进三角网滤波算法，能将地面点与非地面点进行分离。对于个别低矮的建筑物被划入地面点情况，需要进行人工分类处理。

2)植被点提取:在分离出地面点后，在以地面点为参考，设计低、中、高植被点的域值，将植被点分离出来。

3)建筑物提取:对已分离的植被点再次运用数学形态学算法处理，将建筑物点提取出来。

3．精度分析

1)点云密度:抽样检查地面点密度分布，测得点云密度分别为1．41点/m2，满足测绘行业标准“1∶2 000的点云密度≥1”的要求。

2)高程精度:DEM高程精度检查主要包括格网点高程中误差检查。DEM成果的精度用格网点的高程中误差表示。依据大比例尺实测地面点高程，按照图幅散点法进行高程精度的检查，统计出:平地、丘陵地整体中误差为0．64 m，山地、高山地整体中误差为1．7 m，满足1∶2000数字高程模型精度指标“平地:0．75 m、丘陵地:1．05 m、山地:2．25 m、高山地:3 m”的要求。

3)平面精度:通过多软件平台逐幅回放DEM等高线与DLG地形等高线、与正射影像图(DOM)成果叠加检查平面精度，通过平坦水域、道路、山峰、地貌特征部位检测套合较好，偏差不超过0．736 m，其误差符合精度要求。

四、多元融合的交通干线地质灾害体应急研究

1．地质灾害体解译

崩塌、滑坡和泥石流是高速公路两线最易发生的地质灾害，严重影响工程建设和人民生命财产安全。地质灾害作为一种特殊的不良地质现象，无论是滑坡、崩塌、泥石流等灾害个体，还是由它们组合形成的灾害群体，在图像上呈现的形态、色调、影纹结构等均与周围背景存在一定的区别，其特征均能从影像上直接判读和圈定。由此，通过地质灾害解译，可以对目标区域内已经发生的地质灾害点和地质灾害隐患点进行系统全面的调查，查明其分布、规模、形成原因、发育特点、发展趋势及危害性和影响因素。

地质灾害体识别的总体思路是对所生成的最新的DOM数据与以往发生地地质灾害前的DOM数据进行相关的影像处理，快速勾绘出地物实地有变化的区域，再与事先建立好的地灾体解译标志进行对比识别，最后在影像上勾绘出发生地质灾害的区域。

2．结果分析

仅根据无人机高分辨率影像，解译出69号和83号图斑，对于88号小地灾体在影像上表现特征不明显易遗漏，而结合采用LiDAR高精度DEM的三维细节展示，则能较易发现小地灾体。从影像上分析，69号和83号滑坡主要平面形态呈舌形，属土质滑坡，具有明显的滑坡体周界，滑坡体上有裂缝，具有典型的滑坡特征。从三维植被分析上看，原植被类型和覆盖情况因滑坡遭到破坏，现滑坡后区域的植被一般为裸地、草地、灌木或刚种植的树苗，滑坡体上的植被(低植被点云赋色为浅绿色，地面点即裸地赋色为土黄色)与周围植被(高植被点云赋色为深绿色)明显不一致。从三维形态分析上看，69号和83号滑坡呈舌形，88号滑坡呈簸箕形，3处滑坡均具有明显的滑坡体周界，呈簸箕形，如图6所示。

图6 滑坡体影像对比分析图

五、结束语

本研究针对无人机低空摄影影像的特点，以及相机定标参数、拍摄时的姿态数据和有关几何模型，对无人飞机获取的数据进行快速镶嵌、拼接、纠正，获取了示范区高分辨率影像数据，将数据变为直观的地图。利用航拍的影像并结合基础地理信息数据库资料，快速对示范区进行灾害解译和评估，开展比对分析，获得了滑坡、泥石流、崩塌等各种灾情的位置、分布特征等信息。

机载LiDAR对地探测可全天候接收数据，不受天气条件影响，高密度的激光雷达束可穿透山区茂密的植被或灌木丛到达实地表面。通过研制的适宜植被灌木茂盛的相关滤波分类精准数学计算模型，可快速分析点云数据，获取地灾体LiDAR点云真实地表信息，构建三维模型，辅助快速巡查监测，辨别是否为地灾体和发现无人机影像上表现特征不明显易遗漏的小地灾体。两者融合分析研究，可以更准确获取交通干线地质灾害信息，为进一步的评价、排险提供服务。

［1］ 曹地．多源数据辅助的LiDAR三维城市快速建模［D］．西安:长安大学，2014．

［2］ 何敬，李永树，鲁恒，等．无人机影像的质量评定及几何处理研究［J］．测绘通报，2010(4):22-24．

［3］ 刘庆元，徐柳华，沈彩莲，等．基于无人飞行器遥感影像的数字摄影测量关键技术研究［J］．测绘科学，2010，35(1):28-30．

［4］ 彭永超．低空摄影测量的数据处理与误差分析［J］．物探装备，2008，18(2):78-81．

［5］ 张建霞，王留召，蒋金豹．基于数字影像的低空摄影测量研究［J］．测绘通报，2006(12):29-31．

［6］ 杜全叶，陆锦忠．无人飞艇低空摄影测量系统及其DOM制作关键技术［J］．测绘通报，2010(6):41-43．

［7］ 张建霞，张健雄，王宝山．数码低空摄影测量应用于大比例尺土地调查［J］．测绘科学，2007，32(6):79-80．

［8］ 汪炯骅，许涛，李响．低空无人机交叉口悬停影像抖动纠正［J］．武汉大学学报:信息科学版，2015，40(6):738-743．