超低空摄影测量数据处理方法.ppt

* 适普公司实验数据 结语 研究表明： 基于多视几何理论的摄影测量数据后处理方法完全是可行而且有效的； 但仍然有待深入研究； 其应用将随着小型与微型无人机系统的推广而应有极大的发展； 进一步有待解决的问题： 深度图匹配过程中的稳健性； 长序列影像的快速处理等 谢谢！ * * * * * * * * * * * * * * * * * * * * * * * * * 超低空摄影测量数据处理方法 引言 MUAV在摄影测量领域日益受到重视； 地质、水文、考古、旅游、环境监测、军事… Macro-UAV优缺点： 基本不受空管限制、便捷、灵活 姿态不稳定[要求POSE或数据处理有特殊要求] 传统摄影测量： 要求平台稳定； 使用POSE系统； 超低空及地面数据处理有一定困难……. 研究现状 1970’s Dieter Schluter 1980 Ebbinghaus, 首次进行无人机摄影测量 近年国际著名无人机商家：Yamaha, Schiebel, Geocopter, Aeroscout… ISPRS2004, 3篇UAV相关论文，ISPRS2008，设UAV for mapping 专题， 10多篇论文 Yamaha-Rmax 21hours 95kg Camcopter S100 6hours 50kg (overload) 华鹰 3hours 20kg Survey Copter-1b 45min 15kg 多视几何理论 摄影测量领域一个新的发展方向 三维数据快捷的获取方式 相机空间位置方向的实时跟踪 三维空间对象变化的实时动态监测，如工业监测、建筑物变形监测 与GIS结合发展增强现实地理信息系统 … 建筑物三维重构 核线几何 两相机中心与三维对象构成一个平面； 过两投影点的对应两核线共面； 两相机中心连线与两影像的交点为核点，一张影像上的所有核线均过核点 (0,0) (0,0) C1 C2 O x x e e 重构理论的主要内容 Multi-view geometry 对应矩阵(Homography matrix) 本质矩阵(Essential matrix) 基本矩阵(Fundamental matrix) 投影矩阵(Projective matrix) 相机矩阵(Camera Calibration matrix) 三维点集(3D point cloud)生成 深度图(depth map)生成 基本矩阵 当两影像间存在相对旋转矩阵R、相对位移矢量t，且相机内参矩阵K未知时，两影像间的映射关系可用基本矩阵描述，即其上任一对应投影点满足关系式： x’TFx=0 F=[K2t]x[R] K1 K2 R t x x z x y x y z 投影矩阵 投影矩阵P可以认为是将空间三维点X变换到平面二维点x的映射矩阵 x=PX 给定旋转矩阵R，平移矢量t以及相机矩阵K，则 P=K[R|-Rt] 即 x = K[R | -Rt]X 对于一个像对而言，如以左影像相机投影中心为参考原点，则两影像的投影矩阵分别为： P1 = K1[I | 0] P2 = K2[R | -Rt] 三维点的计算 已知二维点集x与投影矩阵序列Pi，求对应三维点集X, 对于任一投影矩阵P有： xi = PXi 写成矩阵形式，如下： X x2 x1 C1 C2 P1 P2 深度图的生成 选取关键帧，利用对应矩阵对影像进行变换，即将交汇于核点的直线，变换为平行线； x = Hx, H = KRKT 核线匹配 沿两影像上对应核线方向搜索匹配点对； 计算所有匹配点对应的视差，生成深度图(depth map) 精简深度图得到三维模型 数据处理与实验系统 无人机平台： 东方锐宝公司AF2000 Max payload 5kg Max take-off weight 15kg 4-5hours 携带普通数码相机 AF2000微型无人机 北京官厅水库 北京大学红一楼 * * * * * * * * * * * * * * * * * * * * * * * * * *