倾斜摄影与地面三维激光扫描数据融合建模

2022-07-21窦理波邱华萍

天津城建大学学报 2022年4期

窦理波，邱华萍，王祯

（天津城建大学地质与测绘学院，天津 300384）

近年来，对高精度的真三维建筑模型的需求急剧增加[1].地面三维激光扫描和无人机倾斜摄影已成为当前三维建模的重要手段.但这两种技术在数据获取过程中，由于多种因素的限制，各自都难以完整地获取目标表面的三维数据.无人机倾斜摄影数据能够满足常规建筑的三维建模，但是对于复杂建筑和异形建筑，由于存在遮挡等原因，造成建筑底部等区域数据缺失，不能获得完整的建筑模型.同时，通过三维激光扫描技术获得的建筑物门窗、房檐等部件仰视和侧视方向的密集点云数据，能够获取精细的建筑模型[2].但三维激光技术也受场景和扫描对象的位置限制，较难获取高大建筑、复杂建筑等屋顶的数据[3].

由于室外场景的复杂结构，高层建筑相互封闭，立面的形状也各不相同.单类型和单站点的点云难以表达目标对象的完整而丰富的细节.因此，有必要考虑融合来自两种不同传感器的数据，取长补短，以重建更准确的三维模型.

地面三维激光扫描数据和倾斜摄影数据来自不同的数据获取平台，其中三维激光扫描数据是3D点云数据，而倾斜摄影数据是2D航拍照片，不同的数据类型是影响两个数据集融合的重要因素.多传感器、多分辨率和多平台数据的集成有望改善信息的提取并提高信息的可靠性[4].同时已有研究将光学影像进行匹配形成密集点云，再将其与激光进行匹配[5-6].针对多源点云融合问题，已经有许多学者提出了多种方法，运用最广泛的算法是Besl等人于1992年提出的迭代最近点算法（iterative closest point，ICP）[7]，以及基于ICP的改进算法[8].

本文结合无人机倾斜摄影技术和三维激光扫描技术的优点，获取建筑物的三维点云数据，重建得到建筑物完整的三维模型，具体研究内容如下：

（1）基于无人机倾斜摄影的目标模型创建.采用中海达无人机搭载五镜头相机对目标建筑顶部及侧面进行采集，包括地面像控点布设、航线规划、飞行作业、拍摄影像，运用ContextCapture软件进行影像匹配、空三加密及正射纠正，三维模型和点云生成.

（2）基于地面三维激光扫描的目标模型创建.采用FARO三维激光扫描仪对目标建筑侧面和底部数据进行采集，使用SCENE软件对点云数据进行点云拼接、合并、降噪等处理，得到高精度的点云数据，生成基于三维激光扫描点云的三维模型.

（3）鉴于ICP方法适用性更广泛，本文使用统一坐标系和ICP算法对两种点云进行融合，验证融合精度，重建得到建筑物完整的三维模型，对得到的模型进行精度验证、分析.

1 研究概况与数据采集

本文选取的实验对象为一个圆球形建筑，包含其外延配建，大圆球主体的直径30 m左右，整个建筑大概3 130.6 m2（见图1）.建筑形状属于特殊形体建筑，单独使用无人机倾斜摄影获取的数据或者三维激光扫描获取的数据建模均无法得到较好的效果.

图1 实验目标

由于本文实验对象的特殊性，建筑表面具有大量反光面，因此不适合在太阳光线强的天气进行相片采集，亦考虑光线过暗造成相片质量低，故选择光线较亮的多云天气进行相片采集.

本次实验使用中海达iFLY D6六轴无人机和iCam Q5五镜头相机进行数据采集.主要采集建筑物顶部（屋顶）和侧面信息.由于附近有高楼，故本次实验无人机离地面的高度为150 m，共采集图像735张.

三维激光扫描数据采集使用FARO Focus X130扫描仪，仪器进行扫描期间，确保仪器的安全和靶球的稳定，仪器和靶球之间无任何遮挡，各测站扫描获得的点云通过四个固定的靶球进行拼接.本次实验扫描目标周围没有较高的设站点，故所有测站都设在地面.绕目标扫描一周，共设置了20个扫描站，各个扫描站之间分布均匀，数据完整.

2 数据预处理

2.1 倾斜摄影建模

本文使用ContextCapture软件对无人机数据进行数据预处理.首先对原始数据进行预处理，包括检查照片数据与质量，照片数量是否与GPS数据完全一致，拍摄质量是否符合要求.最后结合GPS数据、相机参数和对应的照片名称整理成飞行日志，按区块导入ContextCapture软件，即可进行下一步处理.

根据POS数据初步对齐照片，再进行空中三角测量，计算每张相片的准确外方位元素数据与密集匹配点.在此基础上，引入相控点，并再次进行空三计算，检查成果质量，并导出密集匹配点云成果.具体的利用ContextCapture软件自动建模数据处理流程如下：

（1）新建工程.确保项目保存路径中没有中文.

（2）数据导入.可以直接导入照片或通过飞行日志导入.

（3）控制点影像关联.提交首次空三之前，在测区范围内均匀选择3~4个像控点进行刺点.

（4）提交空三任务.首次空三结束之后，对其余的像控点进行刺点，之后再次提交空三任务.

（5）提交重建任务.检查空三解算合格以后，便可提交重建任务.

（6）提交成果产品.按照需要的格式输出成果.输出建模成果如图2所示.

图2 无人机数据建模成果侧面及顶部情况

单独使用无人机数据的模型建筑顶部和侧面数据完整，纹理清晰真实，但是底部由于遮挡，数据缺失，模型变形严重.

2.2 三维激光建模

使用FARO SCENE软件对三维激光扫描数据进行处理.首先对点云进行加载与过滤，各测站之间通过靶球相连接，进行初步拼接，再利用整体点云信息，进一步校正模型.检查拼接精度，并根据需要，确定是否需要进一步调整.如果拼接成果满足要求，则对模型进行平滑去噪，导出数据.

FARO SCENE一般处理流程如下：

（1）打开软件，新建工程.

（2）导入数据.

（3）数据预处理：包括加载扫描、过滤扫描、查找球体、应用彩色、注册拼接.

（4）检查拼接精度及调整.

（5）平滑去噪.

（6）导出数据.

输出建模成果如图3所示.

图3 三维激光扫描数据建模成果侧面及顶部情况

三维激光扫描数据在采集阶段由于周围没有制高点可以架设仪器，导致建筑顶部数据无法扫描，造成顶部数据缺失，模型出现空洞，但底部数据完整，纹理清晰真实.

3 融合建模

两组点云数据的融合过程是将不同坐标系、不同数据源的数据融合为整体的过程，通过寻找空间变换矩阵，以其中一组点云作为基准，将另一组点云进行映射变换，实现两组点云数据的融合.

不同传感器采集的数据属于不同的坐标系，导致不同数据源的点云初始位置相差较大.因此本文融合过程包括两个步骤：粗融合和精融合.首先进行粗融合，减少数据的旋转和平移误差，以提供初始融合参数，然后进行精融合，提高融合结果的精度.

本文使用统一坐标系的方法来实现粗融合，倾斜摄影数据采集时通过布设地面像控点，得到的密集点云具有真实的地理坐标.激光点云拼接完成之后，为方便与倾斜摄影技术生成的密集点云融合，需要进行整体坐标转换.两种数据通过人机交互的方法选取特征点，计算两组点云之间的初始变换矩阵.三维激光扫描数据通过转换坐标的方式，转换到与倾斜摄影数据相同坐标系下，实现两种来源的点云的粗融合.

在此基础上，使用ICP算法对点云进行精确融合，提高两组数据的融合程度.ICP算法基于最小二乘法实现两组点云的精确融合，它通过迭代计算两个点云中同名点之间的距离，直到满足给定的收敛精度要求，获得两组数据之间精确的变换矩阵.两组数据之间的变换矩阵为

式中：xj和yi分别表示来自不同数据源的对应点集X和Y；Nx和Ny分别表示xj和yi中包含的点云总数，若y中的第i个点和x中的第j个点相同，则Wij为1，否则，Wij为0.

ICP算法通过使式（1）取最小值作为约束条件找到变换矩阵.

ICP配准过程如下：

（1）计算倾斜摄影密集点云X中每一个点在激光点云Y中的对应临近点，并求得对应点平均距离最小时的变换矩阵（R，T）.

（2）根据求得的变换矩阵，对倾斜摄影密集点云X进行坐标转换，得到新的密集点云X’.

（3）如果新的密集点云X’与激光点云Y平均距离小于某一给定阈值（本次采用2 cm），则停止迭代计算，否则将新的密集点云X’作为初始密集点云X继续迭代，直到满足阈值限定.

融合结果如图4所示.

图4为无人机倾斜摄影点云数据，以及三维激光扫描点云数据.可以看出，两者重合部分的点云主要集中在建筑物侧面和地面，建筑顶部主要为无人机倾斜摄影数据，底部主要为三维激光扫描数据.二者的融合有效弥补了各自的缺陷，得到建筑物完整的三维点云数据.

图4 两组点云融合结果

4 建模结果与讨论

使用融合后的点云，重新进行纹理映射，完成新的三维模型构建，最终结果如图5所示.

图5 融合后点云建模效果

图5模型整体完整，纹理真实，同时弥补了倾斜摄影技术建筑底部建模效果较差和三维激光扫描技术建筑顶部数据缺失的缺点，得到目标建筑完整的三维模型.

模型整体的精度验证，采用1″全站仪观测特征点坐标数据，在同模型中提取的对应点坐标数据进行对比的方法.选择实验建筑物的角点和侧面窗户角点以及侧面墙壁的明显标志点作为检查点，共选择50个检查点，用全站仪测得检查点的坐标，多次测量取平均值，然后在模型中提取对应位置点的坐标进行对比，计算两者平面坐标和高程之间的误差，以此验证模型的精度.经验证，倾斜摄影模型、激光三维模型及融合模型误差分布如图6所示.

由图6可以看出，倾斜摄影模型精度相对较差，分布较散，XYZ方向误差主要集中在0.05~0.31 m；激光三维模型XY方向误差多小于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.通过对无人机倾斜摄影数据和三维激光扫描数据的融合，得到的模型弥补了两种技术单独建模信息不全的缺点，得到完整的建筑物三维模型.融合后精度比激光点云稍有降低，但比倾斜摄影建模的精度提高较多.