多时段不同定位精度的无人机影像点云的对比分析

张和川, 黄洪宇，陈崇成

(福州大学空间数据挖掘与信息共享教育部重点实验室， 福州大学地理空间信息技术国家地方联合工程研究中心，福建 福州 350108)

0 引言

近年来无人机(unmanned aerial vehicle, UAV)作为摄影测量的新生力量，为遥感技术注入了新的活力[1]. 无人机及计算机视觉的迅速发展，特别是与运动恢复结构技术相结合，无人机影像可得到高度自动化处理，场景以三维点云形式重建，密集的摄影测量影像点云提供了高精度的三维信息[2]. 对国土测绘与海洋岛礁测绘的实际应用、资源保护与自然灾害防治等方面有十分重要的意义[3-5].

当前无人机航测流程中，地面控制点(ground control point, GCP)的测量和标注是很重要的步骤. GCP指能在影像上清楚辨别，具有明显特征和地理坐标的地面标识点，又分为控制点和检查点，分别用于空中三角测量的优化和精度检查. 无人机摄影测量引入高精度的GCP，可在地形复杂、环境恶劣区域采集高精度的影像数据[6]. 但许多实际应用中，高精度的GCP难以采集，如监测火山的形态变化[7]、山体滑坡[8]、大坝侵蚀[9]等. 减少传统航测所需的GCP，简化作业流程，降低时间成本，纯粹利用RTK技术的想法(即仅使用无人机RTK模块，而不需要GCP对模型精确定位)非常有吸引力[10]，减少人类非必要的体力劳动和提高工作效率是技术发展的趋势之一. UAV安装GNSS系统并搭载RTK模块能够以厘米级的准确度确定无人机的位置[11-12]. 以大疆创新公司生产的精灵Phantom 4 RTK(集成RTK模块，简称P4R)为例，产品介绍能实现无人机免像控进行低空航空摄影测量.

影响无人机影像精度的因素包括是否引入GCP、是否使用RTK功能等，有经验表明数据采集的时间也对影像精度存在影响. 文献[13]指出仅依靠机载RTK而不使用GCP进行无人机影像处理时模型精度不准确，特别是无人机影像模型的垂直分量误差较大； 文献[14]使用集成了RTK模块的固定翼无人机并降低飞行高度验证不使用GCP的模型精度，结果表明垂直分量效果较差需加入少量GCP改善； 文献[15-17]指出，通过设计交叉航线或后差分处理办法，在一些应用场景与使用GCP的方法相比，RTK数据可以提供足够甚至更高的准确性. 无人机在何种条件下能真正做到免像控； 无人机集成的RTK模块对照片空间定位的作用及对最终影像处理结果精度的作用有多大； 一天中不同时间采集是否会对影像处理结果的精确度产生影响，这些都是本次实验试图回答的问题.

本研究基于P4R在不同时间段采集不同定位精度(打开或关闭无人机集成的RTK模块)的无人机影像，影像处理时引入或不引入GCP； 通过软件生成密集匹配点云，解算相机定位和GCP的精度，以及利用实测值对各类型的影像点云精度分析，探究不同时间段、不同参数的无人机影像点云精度差异，为无人机在森林资源调查、变化检测、自然灾害预警与恢复等方面，提供优质数据采集的借鉴和参考.

1 研究区和数据来源

1.1 研究区概况

在福建省福州市福州大学旗山校区内，选取两个具有不同地形地貌特征的实验区(见图1)进行研究(Ⅰ：平地实验区，以建筑为主，地表建筑规则且分布均匀； Ⅱ：山地实验区，地表以植被为主，地表高程起伏约70 m)，获取了两个实验区不同时间段、不同定位精度(有/无RTK)的无人机影像.

图1 研究区的位置Fig.1 Location of the research areas

1.2 无人机影像采集

使用P4R无人机进行数据采集. P4R搭载一体化云台相机，等效焦距为35 mm，照片的有效像素为2 000万(5 472 px×3 648 px). 在GS RTK App软件中规划航线并设置影像分辨率和重叠率(航向和旁向重叠率)，相机镜头为垂直下视. 将规划好的航线信息上传飞控系统后，无人机自动起飞并执行任务.

于2020年8月25日，晴天无云层遮挡，在两个实验区(平地Ⅰ和山地Ⅱ)的3个时段中，分别对每个实验区采集了两个架次的无人机影像：打开或关闭无人机集成的RTK系统各一架次，共获取了12个架次的无人机影像数据集. 平地实验区相对飞行高度91 m，获取233张照片，地面分辨率约2.3 cm，覆盖区域面积0.184 km2； 山地实验区飞行相对高度182 m，获取161张照片，地面分辨率约4.5 cm，覆盖范围0.629 km2. 两个实验区的航向重叠率均为80%，旁向重叠率均为70%. 每个架次的飞行时间是10～15 min，无人机影像采集的详细时间如表1所示.

表1 无人机影像采集时间

1.3 地面控制点和独立检查点的测量

地面控制点的测量是在无人机航测之前进行的，而独立检查点的测量是在无人机影像密集匹配点云生成后进行的； 因此地面控制点(包括控制点和检查点)和独立检查点两种数据的采集时间具有先后顺序，为保证结果的准确性，地面控制点和独立检查点的分布位置及数量应当具有差异性，但两种数据的测量方法相同，均使用华测测地型GNSS RTK接收机(i70)采集CGCS2000坐标系下实验区的若干个点. i70的平面测量精度为±(8+1×10-6×D)mm，高程精度为±(15+1×10-6×D)mm(D表示距离)，利用福建省的卫星导航连续运行参考站联网测量. 遵循控制点布设原则，保证特征明显，均匀分布，为保证成果的平面和高程精度，每个点采集3次取均值作为该点的坐标.

2 研究方法

2.1 数据处理

根据无人机影像采集和处理的不同参数设置(影像采集时是否使用RTK，处理时是否引入GCP)，每个时段影像处理结果分为4种类型：A(无RTK无GCP)，B(有RTK无GCP)，C(无RTK有GCP)，D(有RTK有GCP). 每个实验区共采集6个架次的无人机影像数据集，2个实验区获取了12个影像数据集，每个影像数据集按照两种不同方式处理(引入或不引入GCP)，最终生成24个不同的影像密集匹配点云.

本次P4R采集无人机影像采用的是WGS84地心坐标系(world geodetic system 1984，WGS84)，地面控制点的测量采用2000国家大地坐标系(China geodetic coordinate system 2000，CGCS2000)； 为保证成果的精度，统一将无人机影像导入Agisoft Metashape软件中，并加载地面控制点坐标，利用该软件将无人机影像点云坐标系转换为CGCS2000坐标系； 为了能在同一坐标系中分析数据，统一将无人机影像导入Agisoft Metashape软件，利用该软件输出CGCS2000坐标系的无人机影像点云.

表2 Agisoft Metashape软件的具体参数设置

无人机影像处理主要采用Agisoft Metashape，辅以Pix4dMapper. 软件处理的参数如表2所示. 软件处理流程先根据影像特征点进行空中三角测量(对齐照片)，后通过算法重建密集点云. 本研究仅对生成的影像密集匹配点云的精度比较分析.

2.2 精度评价

采取多种方式进行精度验证和评价. 使用华测i70采集地面控制点，分析点位精度； 接着分析影像处理软件对每个无人机数据集得出精度报告，此报告提供了软件解算得出的照片位置及像控点精度信息.

其次，实地采集实验区的独立检查点坐标(x、y、z)，并利用无人机影像得到实验区密集匹配点云，在影像密集匹配点云中找到独立检查点对应位置的点，获取该点的坐标(x、y、z)，计算两者之间的平均差(ME)、均方根误差RMSE，计算公式如下:

(1)

(2)

其中：以纵坐标z为例，平均误差为密集匹配点云高程Ki与实测独立检查点高程Ti差异和的平均； 均方根误差是密集匹配点云高程Ki与实测独立检查点高程Ti偏差的平方与实测点个数n比值的平方根.

最后，将无人机影像匹配点云切片(如图1矩形区域)，通过截面比较不同数据集的高程差异.

3 实验结果与分析

3.1 地面点测量的精确性评价

平地布设8个控制点，9个检查点； 山地布设11个控制点，12个检查点. 计算地面点的标准偏差，保证每个点精度，是保证影像点云模型精度的前提，经统计所有地面点的方差均在毫米级，满足实验要求.

3.2 照片位置和像控点的精度

Agisoft Metashape软件解算无人机影像得到密集匹配点云，软件提供解算的精度报告，能说明影像数据本身定位的准确性. 表3计算了平地和山地的3个时段、4种类型的平均相机位置精度，其中“+”代表打开RTK功能，“-”为关闭RTK功能. 分析可得：不考虑GCP时(A、B类型)，无人机采集数据时有RTK功能与无RTK功能的定位精度差异在10倍以上，使用RTK功能时相机位置精度保持在厘米级，而无RTK时精度在米级. 区域I的A类型的xyz均值差异在0.7～1.1 m，而B类型仅为0.03～0.05 m； 区域II中，A类型xyz均值差异为0.6～1.0 m，而B类型约为0.1 m. 当考虑GCP时(C、D类型)，此时均引入GCP参与计算，3个时段D类型的xyz均值均优于C类型，C类型xyz均值差异较大.

表3 实验区软件解算的平均相机位置精度

无人机数据采集的时间对结果也有所影响. 在区域I中C类型最小的xyz均值为第二时段采集的数据，D类型最小的相机位置均值也为第二时段采集的数据； 在区域II中，第一、二时段获取的C类型的相机位置均值差异较为接近，而第三时段差异较大，约为前者的两倍. 区域I无论是C或者D类型，第二时段获取的数据的xyz均值最小； 区域II中，第一、二时段参数的均值差异较为接近，优于第三时段.

区域的地形地貌对影像处理结果存在影响. 表3可得，仅使用B类型(即有RTK无GCP)，区域I的模型精度远高于区域II，此时影像点云模型精度仅仅由无人机集成的RTK模块决定； 相同条件下，地貌不同，影像点云模型精度差异巨大，表明不同地貌条件对影像处理结果具有影响. 为验证此发现，采用Pix4dMapper比较了两个区域照片中检测和匹配到的特征点或同名点数量，山地区域每张照片的平均特征点数量(6.6万个)大于平地区域(5.6万个)； 但比较匹配的特征点(同一特征点至少在3张照片中出现)数量时发现，平地区域每张照片中匹配的特征点(1.78万个)大于山地区域(1.56万个). 平地均为规则建筑，纹理特征丰富，利于软件获取同名点； 而山地均被植被覆盖，纹理特征匮乏，模型重建难度较大. 特别地，当采用D类型时，山地模型精度明显提高，证明影像模型重建时引入GCP参数具有必要性，尤其在地表缺乏丰富纹理特征时，引入一定量的GCP可以提高成果精度.

3.3 独立检查点验证

为进一步研究点云模型精度，在研究区实地采集了一定数量、分布均匀、高度不一、特征明显可视的独立检查点的坐标，并在无人机影像密集匹配点云中找到相对应位置的点获取该点的三维坐标，计算对应点之间的坐标差值，从而评价影像点云模型精度.

3.3.1平地实验区独立检查点验证

平地实验区共采集23个独立检查点，选取无人机密集匹配点云中的验证点，计算检查点与验证点的平均差、RMSE，验证不同时段不同参数无人机影像点云的精度，表4为区域I独立检查点验证结果. 从表可得，RTK和GCP均能提高无人机影像点云精度. 无人机既不使用RTK也不引入GCP时，获取到的模型精度不高，误差约1 m(即A类型)； 使用RTK或者GCP后，精度均能提升到厘米级. 使用RTK后(即B类型)，三个时段的影像点云验证点与独立检查点的x方向平均差值约为0.059～0.070 m，y轴方向的平均差值最大为0.07 m，最小仅毫米，最大高程平均差值为0.03 m； 引入GCP但不使用RTK时(即C组合)也得到了类似结果，值得注意是使用C类型获取到的数据质量更高，x轴的平均差相较于B类型均能提升约0.02 m，在第二时段中，两者高程的平均差值相近，但C组合的均方根误差比B组合小，说明数据质量波动更小； 同时使用RTK和GCP参数(即D类型)，获取的数据精度与C类型相似，差值很小.

表4 区域Ⅰ(平地)独立检查点验证结果

3.3.2山地实验区独立检查点验证

区域Ⅱ(山地)共采集18个独立检查点，采用与区域I相同的方法对无人机密集匹配点云进行精度验证，表5为区域Ⅱ独立检查点验证结果.

表5 区域Ⅱ(山地)独立检查点验证结果

比较山地区域的独立检查点结果，可得到与平地区域相似的结论，使用RTK或引入GCP均能提升影像点云精度. 使用RTK时，3个时段的影像点云验证点与检查点在x轴方向的平均差值最大约为0.07 m，y轴最大约0.13 m，z轴高程最大约0.11 m； 引入GCP时，3个时段的验证点与实测点的平均差值x轴最大约0.08 m，y轴最大约0.06 m，z轴最大约0.07 m，相较于前者有所提升； 同时使用RTK和GCP时，第二时段x轴验证点与实测点的平均差值最小约0.01 m，y轴约0.003 m，此刻获取到高程差值约0.01 m，相较于单独使用RTK或者GCP，此时获取到标准偏差更小，数据质量更好.

区域特征对模型精度也具有影响. 平地不同时段、不同类型(B、C、D类型)的坐标的均方根误差约为0.1 m，均小于山地坐标的均方根误差，说明区域地表特征丰富时采集到的无人机影像数据质量更高.

3.4 截面点云精度对比

3.4.1平地实验区截面点云数据对比

本节利用点云截面对比不同时段不同参数的无人机影像点云精度. 获取了3个时段中B、C、D参数类型的截面点云(A类型没有RTK或GCP进行精度矫正，误差较大故不在此讨论)，并分别比较. 由图2可得，第一时段采集的影像点云精度差异较大，B组合与C、D组合差异明显； C、D组合中，可从图中发现在0～10 m处，D组合数据更为稳定、波动较小，由第一时段可得D类型获取的无人机影像点云数据质量更高； 第三时段数据波动较大，质量较差； 第二时段数据无明显波动，质量较高，各个类型的数据均无明显波动，整体而言精度远大于第一、第三时段. 图中横坐标x表示点云空间上的x轴距离，纵坐标H代表点云空间上的距离，下同.

(a) 上午时段

(b) 中午时段

(c) 下午时段 图2 平地区域各时段B、C、D参数点云截面(路面)对比Fig.2 Comparison of B, C, D parameter point cloud cross-sections (road surface) in flat areas

3.4.2山地实验区截面点云数据对比

山地实验区选取建筑物顶部，分别获取3个时段的B、C、D类型影像点云截面，如图3所示. 第一、二时段获取到的数据质量较好，各类型得到结果的差异小； C类型影像点云精确度略有波动，在第三时段中，C类型数据精确度明显降低.

(a) 上午时段

(b) 中午时段

(c)下午时段 图3 山地区域各时段B、C、D参数点云截面(楼顶)对比Fig.3 Comparison of B, C, D parameter point cloud cross-sections(building roof) in various periods in mountainous regions

4 讨论

根据前文的分析结果，UAV打开集成的RTK模块或引入GCP均能有效的提高模型精度. 当地表特征丰富时，无人机凭借集成的RTK模块能一定程度实现免像控采集高精度的影像； 当地表特征不明显、缺乏丰富的纹理特征时，加入少量的GCP能提高成果精度； 总的来说，打开集成的RTK功能并引入GCP能有效的保证获取到高精度的UAV影像. 不同时段获取到的影像精度也略有不同，中午时段数据采集具有优越性； 独立检查点验证3个时段的D类型误差精度比较中，中午误差精度最小，尤其是高程的平均差、均方根误差均优于其余两个时段，且B类型的比较也证明了此结论. 造成此结论的原因：考虑为中午时段(正午12点)太阳高度角最大，光线最充足，辐射强度最强，此时太阳照射物体的阴影面积最小； 而其他时段太阳斜射地面，太阳高度角变小，光线照射相对不充足，导致不同时段的无人机影像点云精度存在此种差异； 截面精度对比时，下午路面的截面波动较大，上午和中午波动较小，说明下午易受到外界干扰(如光线不足及附近建筑物遮挡等)，平地区域楼顶截面稳定，第二时段的差异相对最小，此时山地区域下午时段楼顶截面波动较大. 由于本次实验的平地和山地区域航高不一致，存在些许不同，可能对结果产生一定影响，为此将在后续的实验中保持航高一致，并增加地形起伏变化较大区域作进一步研究.

一天之中可以认为植被、建筑的形态结构没有发生可辨的变化，但不同时段得到的重建场景的三维形态存在着差异. 这个差异是由技术方法的局限性、获取的影像质量、数据处理算法等诸多因素造成的，表征了测量值内在的不确定性； 进行变化检测时需要考虑这些内在的误差，选择正确的阈值来判断变化是否发生，以及发生的变化的大小. 从本研究中得出的结论对于使用无人机影像的森林资源调查和研究应用、城市规划、灾害防治等方面具有参考和借鉴作用.

5 结语

本研究对多时段不同定位精度(有/无RTK，有/无GCP)的无人机影像点云精度进行对比分析，分析了可能影响成果精度的几个因素. 实验结果表明：地表特征丰富时，无人机能在一定程度上免像控采集数据，生成的影像点云模型与引入GCP获取的影像点云模型高程精度差值仅为厘米级； 引入GCP可以提高模型精度，尤其是地表缺乏丰富纹理特征时效果显著，因此最好的建议是使用RTK并引入GCP进行数据采集； 一天中不同时间段采集无人机影像会对影像处理结果产生影响，中午时段光照条件最好时获取的数据质量精度最佳，其他时段次之.