大重叠度无人机影像自动展绘控制点方法研究

鲁 恒，李永树，何 敬

(西南交通大学地理信息工程中心，成都 610031)

大重叠度无人机影像自动展绘控制点方法研究

鲁 恒，李永树，何 敬

(西南交通大学地理信息工程中心，成都 610031)

无人机影像重叠度高，单个控制点可能会出现在多张相邻影像上，因此在空中三角测量工作中，在影像上展绘控制点(展点)是一项繁琐的内业工作。为解决该问题，将通过影像和控制点纠正后的POS数据应用到展点工作中，提出了一种适用于大重叠度影像的自动展绘控制点(自动展点)方法，并针对不同地形区域对展点精度进行了评估分析。结果表明，在地形平坦区域，该方法展点精度较高，可直接应用到影像的快速拼接和空中三角测量等影像后续处理中。

大重叠度;无人机影像;POS数据;自动展绘控制点;精度分析

0 引言

随着各种数码航空摄影测量设备的推广与应用，使得获取大重叠度航空影像变得容易。无人机航空摄影测量具有可低空飞行、灵活性强以及获取影像分辨率高等优点［1－3］，所获取的影像一般都能达到航向重叠70%、旁向重叠50%以上，因此，同一地物点可能同时出现在多张航向或旁向重叠的相邻影像上。摄影测量区域网平差至少需要控制点地面坐标和加密点像平面坐标［4］两种观测数据，相邻影像间的连接点精度决定了区域网的几何强度，屏幕量测的控制点精度直接决定了平差结果的质量。

国内外摄影测量软件的屏幕控制点量测工作是通过作业人员手工完成的，这是区域网平差中最繁琐的工作之一。因此，如何实现自动展点就成了提高摄影测量区域网平差效率的关键。无人机POS数据由摄影中心的地理坐标(X、Y、Z)及飞机平台相对于地面坐标系3个坐标轴的偏角(Φ、Ω、K)组成，直接利用这些定向参数进行摄影测量精度较低。为获取高精度的影像定向参数，需对影像进行空中三角测量［5－6］。如果能应用POS数据实现自动展点，将会提高后续空中三角测量和影像快速拼接［7］的效率。本文正是基于无人机影像和机载POS数据，通过影像和控制点对原始POS数据进行纠正，并将纠正后的POS数据应用到展点中，提出了一种适用于大重叠度影像的自动展点方法。

1 方法研究

无人机影像具有大重叠度、高分辨率的特点，一个控制点可能会在多张影像和多条航带间出现，如果通过人工方法判断控制点所分布的影像及确定控制点所在影像的位置是非常繁琐的工作，POS数据和共线方程［8］为解决这一问题提供了可能。光束法区域网平差是一种以像点坐标为观测值、单张影像光束为平差单元的摄影测量加密方法，该方法基于像点、投影中心和物点位于一条直线的中心投影共线条件方程。利用像点坐标计算相应的地面点坐标，应首先建立像点在不同的空间直角坐标系之间的坐标变换关系，即

式中，x、y为以像主点为原点的像平面坐标;f为像片主距;X、Y、Z 为物点的地面坐标;Xs、Ys、Zs为外方位线元素;a1、a2、a3，b1、b2、b3，c1、c2、c3为外方位角元素表示的方向余弦。

当已知若干像点和物点时，可用它来解算拍摄时像片的方位;当已知立体像对两张像片的方位元素时，可用它来解算物点坐标;当已知像片方位和物点坐标时，可用它来计算像点坐标。

无人机影像自动展点实验过程如下:

(1)纠正POS数据。根据无人机影像和控制点数据后方交会得到的影像外方位元素，建立POS数据的拟合纠正模型。

(2)判断控制点所在的影像。根据纠正后的外方位元素和影像四角的像素坐标，确定每张影像的覆盖范围;输入控制点，判别出每个控制点所在的影像编号。

(3)自动展绘控制点。输入无人机影像，自动识别出当前影像的控制点;利用纠正后的POS数据计算出控制点所在影像的像素坐标，并在影像上展绘出控制点。

(4)评定分析展点精度与效率。分别对纠正后的POS数据和展点的点位误差进行评定，对产生误差的原因进行分析，同时，对展点效率进行分析。

具体流程如图1所示。

图1 无人机影像自动展点流程Fig.1 The workflow of UAV image automatic extraction control points

2 方法实验

2.1 实验数据

由于地形会对实验结果产生影响，为验证方法的可靠性，本文选取两组不同地形的无人机数据进行展点实验。第一组数据选用的是2010年3月无人机拍摄的成都市北部某区域，该地区地处龙门山断裂带，属于山地区域，地质构造较为复杂，所获取的无人机影像航向重叠率为78%，旁向重叠率为55%;第二组数据选用的是2011年4月无人机拍摄的德阳市郊某区域，该地区地形起伏较小，属于平原区域，所获取的无人机影像航向重叠率为72%，旁向重叠率为50%。

2.2 实验结果

基于上述方法，借助Visual Studio 2008平台开发了无人机影像自动展点模块，并将其集成应用到影像的快速拼接系统中。待展绘的控制点数据如表1所示。

表1 控制点数据①Tab.1 Control point data (m)

自动展绘控制点界面如图2所示。

图2 无人机影像自动展绘控制点界面Fig.2 Interface of UAV image automatic extraction control points

应用自行开发的无人机影像自动展点模块，实现了批量导入无人机影像和对应的POS、控制点数据文件，自动计算判断控制点所在的影像编号，自动展绘控制点及展点误差分析等功能。其中，山地区域自动展点结果如图3所示，平原区域自动展点结果如图4所示。图3、4上红色十字丝代表控制点所在点位，下方注记为控制点点号。

图3 山地区域自动展点结果Fig.3 Results of automatic extraction control points in mountain area

图4 平原区域自动展点结果Fig.4 Results of automatic extraction control points in plain area

3 精度及效率分析

3.1 精度分析

完成自动展点后，为保证后续影像处理的精度，需要对展点的精度进行评估。本文从山地区域和平原区域影像中分别随机选取8张完成展点的影像作为POS数据精度分析样本，以空中三角测量后反算的外方位元素为准确值，计算纠正后的POS数据与其之差，即

便可得到纠正误差。式中，X0、Y0、Z0为纠正后的POS数据;Xp、Yp、Zp为反算的外方位元素准确值。表2为纠正后POS数据的误差值。

表2 纠正后的POS数据误差Tab.2 Error of POS data after correction (m)

由表2可知，利用山地区域影像纠正后，POS数据的线元素误差在±1.4 m以内，利用平原区域影像纠正后，POS数据的线元素误差在±0.6 m以内。

将ΔX、ΔY分别定义为每张无人机影像展点的点位与实际点位在X方向和Y方向上差值的平均值(单位为像素)，ΔH定义为影像覆盖范围内地形最高点与最低点的差，则

式中，Xpi、Ypi分别为单张影像在 X、Y方向上展点的点位;Xi、Yi分别为单张影像在X、Y方向上实际点位坐标;i=1，2，…，n代表展点的个数;Hh、Hl分别为单张影像范围内地形最高点与最低点的高程值，无人机影像展点的点位误差均值如表3所示。

表3 自动展点的点位误差Tab.3 Position error of automatic extraction control points

由表3数据可知，在高程起伏大于10 m的山地区域，展点误差小于10个像素;在高程起伏小于10 m的平原区域，展点误差小于5个像素。

造成误差的原因有:①无人机受载荷及外界条件干扰存在自身的系统误差;②无人机影像属于中心投影，其影像边缘畸变最大，导致部分位于影像边缘的控制点点位误差偏大;③高差变化可能引起像点位移，在地形起伏较大区域会引起像点误差。因此，在地形较为平坦的平原区域展点精度较高，这与本文实验结果相符。

3.2 效率分析

本文以拍摄于2011年4月的德阳市郊20 km2无人机影像为例，其中涉及影像620张，有102个控制点需展绘。将本文展点方法与熟练人员操作一台摄影测量工作站耗时进行对比，其结果如表4所示。

表4 效率对比Tab.4 Efficiency comparison

通过对表4数据分析可知:与采用摄影测量工作站方法的效率相比，自动展点方法的工作效率有大幅提升;所涉及影像重叠度越高，出现漏展的可能性也越大;本文方法能有效减少漏展控制点数目。

4 结论

本文提出了一种利用无人机POS数据自动展绘控制点的方法，并针对不同地形对展点精度和导致误差的原因进行了分析。与手工屏幕量测控制点相比，该方法能提高工作效率，该研究成果已直接应用于影像快速拼接、空中三角测量等后续处理中。

无人机自身的系统误差是难以彻底消除的，但其误差会随着GPS及惯性导航系统精度的提高而减小。下一步需要重点研究的问题是如何对机载POS数据中的角元素进行纠正，以及在高程变化较大的区域如何提高展点的精度。

［1］Laliberte A S，Rango A.Texture and Scale in Object－ based Analysis of Subdecimeter Resolution Unmanned Aerial Vehicle(UAV)Imagery［J］.Geoscience and Remote Sensing，2009，47(3):761－769.

［2］鲁 恒，李永树，李何超，等.无人机影像数字处理及在地震灾区重建中的应用［J］.西南交通大学学报:自然科学版，2010，45(4):533－538.

［3］Laliberte A S，Herrick J E，Rango A，et al.Acquisition，or Thorectification，and Object－based Classification of Unmanned Aerial Vehicle(UAV)Imagery for Rangeland Monitoring［J］.Photogrammetric Engineering ＆ Remote Sensing，2010，76(6):661 －672.

［4］袁修孝，明 洋.大重叠度面阵航空数码影像的自动转点［J］.武汉大学学报:信息科学版，2009，34(5):505－508.

［5］Yuan X X.A Novel Method of Systematic Error Compensation for a Position and Orientation System［J］.Progress in Natural Science，2008，18(8):953 －963.

［6］袁修孝，明 洋.POS辅助航带间航摄影像的自动转点［J］.测绘学报，2010，39(2):156 －161.

［7］鲁 恒，李永树，何 敬，等.一种基于特征点的无人机影像自动拼接方法［J］.地理与地理信息科学，2010，26(5):16 －19.

［8］张祖勋.正射投影技术［M］.北京:测绘出版社，1981:42－44.

A Study of the Method of Automatic Extraction of Image Points for UAV Imagery with Large Overlap

LU Heng，LI Yong－shu，HE Jing
(GIS Engineering Center of Southwest Jiaotong University，Chengdu 610031，China)

A single control point may appear in multiple adjacent images because the unmanned aerial vehicle(UAV)images have high overlap degree.In the aerotriangulation work，the extraction of control points on images is a complex work.The original position and orientation system(POS)data can be corrected using the UAV images and control points，and then the corrected data can be applied to the work of points extraction.In this paper，an automatic extraction image points method suitable for large overlap images was put forward，and the accuracy of points extraction was assessed according to different terrain areas.Experimental results show that the method has higher precision in the flat terrain area and can be directly applied to the fast image mosaic，aerotriangulation and other follow －up processes.

Large overlap;UAV images;POS data;Extraction of image points;Precision analysis

P 231

A

1001－070X(2011)04－0069－05

2011－04－19;

2011－05－27

国土资源公益性行业科研专项项目(编号:201211031)和“十一五”国家科技支撑计划项目(编号:2006BAJ05A13)共同资助。

鲁 恒(1984－)，男，博士研究生，主要研究方向为遥感技术理论与应用，图像理解。

(责任编辑:刁淑娟)