一种稳健的无人机影像三维重建方法

针对传统摄影测量理论对航线规划、飞行姿态、影像重叠等航摄条件要求高,无人机高效保障优势不明显的问题,本文借助计算机视觉理论,提出了一种稳健的运动恢复结构（SFM）技术。首先,利用李代数旋转平均方法,将空间旋转关系的矩阵表达形式转换为向量的线性表达形式;然后,在最小二乘平差之前,引入L₁范数进行迭代初值优化,求解全局一致性旋转参数;最后,将位移和旋转参数的坐标系进行统一,实现匹配点三维坐标计算。试验结果表明,本文基于全局式SFM的无人机影像三维重建技术较传统摄影测量方法解算精度更高,三维点云重建效果更佳。在差分GPS摄站坐标辅助的光束法平差下,点位测量精度优于0.3 m;在不同航线布设条件下,影像解算的成功率均可达100%。     

病态加权总体最小二乘的广义岭估计解法

针对加权情形下的变量误差(EIV)模型,采用广义岭估计法处理总体最小二乘平差的病态性问题. 结合最优化准则和协方差传播率推导了未知参数的改正数求解公式;根据参数估计值的均方误差最小化原理,通过求偏导数列出广义岭估计中岭参数的迭代解式,并讨论了广义岭参数的含义和作用,给出了确定岭参数的L-曲线法. 通过算例比较分析了加权最小二乘估计、总体最小二乘估计、加权最小二乘岭估计、总体最小二乘岭估计、加权最小二乘的广义岭估计和总体最小二乘广义岭估计,叙述了加权总体最小二乘的广义岭估计的优缺点.      

同伦函数与填充函数相结合的非线性最小二乘平差模型

提出了同伦函数与填充函数相结合进行非线性最小二乘平差的方法。先采用同伦函数求解非线性恰定方程组,得到一个局部最优解,然后以该局部最优解为基础构造填充函数,通过对填充函数求解,得到比当前局部最优解更小的局部极小点,再以该局部极小点为基础重新构造同伦函数和填充函数进行求解,通过有限步的循环迭代,最终找到非线性最小二乘平差的全局最优解。实例验证,该方法能有效地寻找出非线性最小二乘平差的全局最优解。     

本质矩阵优化分解的相对位姿估计

针对从影像恢复摄像机相对位姿的问题,提出了一种基于李群表示的本质矩阵快速分解的位姿估计算法。通过加权最小二乘方法优化了本质矩阵;利用本质矩阵和平移向量的关系求出了平移向量;由本质矩阵和位姿参数的等式关系建立目标函数,基于姿态的李群表示推导了旋转矩阵迭代估计过程;优化了唯一解确定的约束条件,避免了特征点的三维重建。仿真实验和真实图像实验表明提出的算法精度和鲁棒性均优于传统算法,算法效率得到明显提高。提出的算法避免了矩阵奇异值分解运算和大量的矩阵计算,而且只需对两组解进行唯一解确定,能够实现相对位姿的快速高精度估计。     

基于Moore-Penrose广义逆及立体矩阵的可分离非线性最小二乘解算方法

针对测绘领域中函数模型为非线性函数的线性组合的特殊结构,本文提出了基于Moore-Penrose广义逆和立体矩阵的可分离非线性最小二乘解算方法。该方法首先利用变量投影算法消除可分离非线性模型中的线性参数,将包含两类参数的原非线性优化问题转化为仅含有非线性参数的最小二乘问题。然后,基于Moore-Penrose广义逆矩阵的微分和立体矩阵理论计算最小二乘目标函数的一阶导数,进而采用非线性优化的LM方法求解非线性参数的最优估值。最后,根据最小二乘方法求解线性参数的最优估值。通过指数函数模型拟合和机载LiDAR全波形参数求解试验与传统参数不分离优化方法进行对比,结果表明,基于Moore-Penrose广义逆和立体矩阵的可分离非线性最小二乘解算方法对待求参数初值依赖性低,同时避免了迭代过程中线性参数导致的病态问题,算法稳定性好,为测绘领域中可分离非线性最小二乘问题的解算提供了一种思路,也拓展了可分离非线性最小二乘方法的应用。     

多元总体最小二乘在三维坐标转换中的应用

为解决总体最小二乘(TLS)解算三维坐标转换时旋转矩阵线性化导致解算精度降低的问题,提出了能够直接求解旋转矩阵的多元总体最小二乘(MTLS)模型。为了验证多元总体最小二乘坐标转换解算效果,设置了各种坐标转换实验,并与总体最小二乘法进行比较。分析了旋转角度和尺度因子对解算精度的影响,并根据实验结果得出了以下结论:在大角度及独立等权观测条件下,多元总体最小二乘坐标转换解算精度优于总体最小二乘,且算法简单无需迭代,能够实现任意尺度的坐标转换。     

粗差探测与稳健估计相结合的方法在直线拟合中的应用

当观测向量和系数矩阵都含有粗差时,提出将粗差探测法和稳健加权总体最小二乘法二者有效结合的方法,在数据预处理阶段,利用粗差探测法剔除大的粗差,在参数估计阶段,利用稳健加权总体最小二乘法控制小粗差。以直线拟合为例,通过对比分析表明,粗差探测法和稳健加权总体最小二乘相结合的方法求出的参数结果最优。     

利用三视匹配元进行多视影像批处理重建

无序多视影像的三维重建对噪声非常敏感,错误的匹配关系会影响重建的精度,甚至直接导致重建失败。提出了一种稳健的批处理重建算法,首先利用回路闭合约束剔除可能存在误匹配的三视匹配元,然后以三视匹配元中的三焦张量约束代替传统算法的核线约束来计算所有影像旋转矩阵和相机中心位置的全局最优解。重建过程中引入高效的并查集算法来提取多视匹配点,并利用迭代线性三角形算法计算空间点的三维坐标。实验结果表明,所提算法在重建效率和计算精度方面都能取得较好的结果。     

大旋转角坐标变换非迭代公式

针对求解7参数的过程中,经典的线性化最小二乘法因需线性化、迭代及初值以及存在算法耗时出现不收敛现象的问题,该文对无须迭代的7参数坐标变换公式进行了研究。为避免各类参数间的相关性,采用消去法并按照依次求解旋转参数、比例系数和平移参数的顺序解得坐标变换参数。先利用最小二乘法求解旋转参数,然后通过构建目标函数的方式求解比例系数与平移参数,最终得到无须线性化、无须迭代、无须初值的,可用于大旋转角的7参数坐标变换公式。与线性化最小二乘方法进行相比,该方法具有相当的精度及更高的运算效率,可在一定程度上丰富坐标变换理论。     

一种基于无人机影像的高效三维重建方法

为提升无人机影像三维重建的效率和稳健性,本文首先将定位测姿系统所获取的POS数据应用于大规模无人机影像三维重建当中,通过构建影像关系图,大大减少了影像匹配量,降低了误匹配率;其次,应用运动恢复结构技术中的李代数旋转平均方法解决了旋转参数的线性化求解问题,并在迭代解算过程提出了将L1范数与最小二乘相结合的计算方法,提高了模型解算成功率。实验结果表明：本文方法在多种条件下均能获取纹理清晰的地表重建模型,且处理效率得到了明显提升,可满足地理信息成果应急保障要求。     

低空影像SfM三维重建的耦合单-多旋转平均迭代优化法

针对现有SfM算法初始模型构建、关联影像递增不尽合理导致误差累积等问题，提出一种耦合单-多旋转平均迭代优化的低空影像SfM三维重建方法。首先，基于影像相对定向关系建立初始影像关联无向图，以多因素为依据构建最优增量决策函数锁定强关联影像。其次，利用顾及粗差的单旋转平均递增式添加强关联影像以扩充局部参考系下影像关联有向图，并采用四元数支持下无须物方点参与平差的多旋转平均迭代优化计算全局一致性旋转与平移矩阵最优解。最后，利用光束法区域网平差统一优化整个网络，得到精确的旋转与平移矩阵及物方点。试验结果表明，与现有低空影像旋转平均方法相比，本文方法能解算出更为精确的外方位元素和恢复出更为密集的三维物方点云，且相对于增量式SfM算法效率提升显著。     

面向三维重建的无人机航拍路径规划技术研究综述北大核心CSCD

在对城市大场景的三维重建中,使用无人机在低空采集图像成为主流方案,通过优化无人机的航拍路径,能有效提高场景三维重建的精度和效率。为此,近年来致力于发展新的无人机航拍路径规划技术和方法,包括视点规划和飞行路径规划,取得了显著成果。本文通过概述无人机航拍路径规划的基本流程,详述基于二维模型、三维模型和未知环境下的航拍路径规划技术,对比不同路径规划方法的优缺点,探讨无人机航拍路径规划的发展趋势,为开展无人机航拍控制、大场景三维重建研究提供重要参考。     

利用图割算法进行城市密集点云表面模型重建

利用倾斜影像获得的密集点云来构建表面模型是基于倾斜影像进行三维重建的核心之一。本文针对现行密集点云表面模型重建存在的建模效率低、表面选取不真实等问题，提出了一种基于图割算法的城市密集点云表面模型重建方法。利用该方法重建城市密集点云表面模型，首先通过预处理软件对无人机倾斜影像进行空中三角测量，并利用空中三角测量的解算结果生成密集点云；然后对密集点云添加相应的边，同时对三维点云根据距离进行选取合并；最后根据三维点云形成的四面体和三角面建立图割问题，并通过求解图割问题来求取最优的密集点云表面模型。为证明这种方法的可行性和有效性，使用城市地区的无人机倾斜影像数据进行城市密集点云表面模型重建，试验结果表明，该方法具有可行性好、建模效果好、处理速度快等优势。     

一种基于无人机序列图像的地形地貌三维快速重建方法

提出了一种基于无人机序列图像的地形地貌三维重建方法,该方法采用Harris特征点和SIFT特征向量来提取图像特征,实现图像配准;采用准透视投影模型和因子化方法对未标定的图像序列进行自动标定;通过高效次优解三角化方法获取三维点云坐标;通过准稠密化扩散算法对三维点云进行稠密化;采用捆绑调整算法提高了空间三维点云的精度;采用Possion表面重建方法对三维点云进行了网格化处理.本文为无人机序列图像的应用提供了一个新的思路,拓展了无人机的应用空间.     

基于SIFT的宽基线立体影像密集匹配

提出基于对极几何和单应映射双重约束及SIFT特征的宽基线立体影像多阶段准密集匹配算法。算法包括三个阶段：①基于特征点的空间分布和信息熵选取一定数量的最优SIFT特征点集并进行最小二乘初始稀疏匹配及立体像对的基本矩阵和单应矩阵估计;②对于其余特征,利用同名核线倾斜角及SIFT特征的尺度信息对匹配窗口的仿射变换参数进行迭代优化及变形改正、提取仿射不变SIFT特征描述符,并基于双重约束信息及欧氏距离测度进行匹配;③考虑宽基线立体影像较低的特征提取重复率,对第②步左右影像中未能成功匹配的特征点,基于双向搜索策略,采用基于盒滤波加速计算的SSD测度在变形改正后的双重约束区域中进行匹配,并对匹配结果进行加权最小二乘拟合定位。实际的宽基线立体影像试验结果证明了算法的有效性,可为后续的三维重建提供较为可靠的密集或准密集匹配点。     

位姿信息的小型无人机影像拼接方法

针对传统影像拼接方法需要控制点的问题,该文提出一种基于位姿信息的小型无人机影像拼接方法。首先从机载GPS和惯性导航单元获取无人机拍摄的位置姿态参数,利用Harris算法提取特征点,采用SIFT描述方法计算特征向量,通过近似最近邻算法和PROSAC算法对匹配的同名点对精化。然后根据同名点对像平面坐标和航拍时的位置姿态信息,计算影像之间的变换矩阵,通过最小二乘原理平差计算以提高变换矩阵精度。最后利用变换矩阵实现无人机多幅影像的拼接,得到兴趣区域全景图。实验结果验证了该方法在拼接效果方面具有优势。     

病态总体最小二乘问题的广义正则化

总体最小二乘(TLS)算法可以视为一个降正则化的过程,对比最小二乘算法,病态总体最小二乘方法的解受系数阵数据误差和观测值误差的影响将更为严重。本文探讨用广义正则化的方法降低病态性对总体最小二乘数值求解的影响,以提高求解结果的稳定性。通过多组算例结果表明,本文采用的广义正则化方法在处理病态总体最小二乘问题上具有明显的优势。     

Huber’s M-estimation in relative GPS positioning: computational aspects

When GPS signal measurements have outliers, using least squares (LS) estimation is likely to give poor position estimates. One of the typical approaches to handle this problem is to use robust estimation techniques. We study the computational issues of Huber’s M-estimation applied to relative GPS positioning. First for code-based relative positioning, we use simulation results to show that Newton’s method usually converges faster than the iteratively reweighted least squares (IRLS) method, which is often used in geodesy for computing robust estimates of parameters. Then for code- and carrier-phase-based relative positioning, we present a recursive modified Newton method to compute Huber’s M-estimates of the positions. The structures of the model are exploited to make the method efficient, and orthogonal transformations are used to ensure numerical reliability of the method. Economical use of computer memory is also taken into account in designing the method. Simulation results show that the method is effective.     

Solution of the weighted symmetric similarity transformations based on quaternions

A new method through Gauss–Helmert model of adjustment is presented for the solution of the similarity transformations, either 3D or 2D, in the frame of errors-in-variables (EIV) model. EIV model assumes that all the variables in the mathematical model are contaminated by random errors. Total least squares estimation technique may be used to solve the EIV model. Accounting for the heteroscedastic uncertainty both in the target and the source coordinates, that is the more common and general case in practice, leads to a more realistic estimation of the transformation parameters. The presented algorithm can handle the heteroscedastic transformation problems, i.e., positions of the both target and the source points may have full covariance matrices. Therefore, there is no limitation such as the isotropic or the homogenous accuracy for the reference point coordinates. The developed algorithm takes the advantage of the quaternion definition which uniquely represents a 3D rotation matrix. The transformation parameters: scale, translations, and the quaternion (so that the rotation matrix) along with their covariances, are iteratively estimated with rapid convergence. Moreover, prior least squares (LS) estimation of the unknown transformation parameters is not required to start the iterations. We also show that the developed method can also be used to estimate the 2D similarity transformation parameters by simply treating the problem as a 3D transformation problem with zero (0) values assigned for the z-components of both target and source points. The efficiency of the new algorithm is presented with the numerical examples and comparisons with the results of the previous studies which use the same data set. Simulation experiments for the evaluation and comparison of the proposed and the conventional weighted LS (WLS) method is also presented.