一种面向带状复杂区域倾斜摄影航线优化方法_韩春华.pdf

第 卷第期 年月测绘科学 作者简介：韩春华（），男，云南大理人，副教授，博士，主要研究方向为地理信息系统应用，道路与铁道多维信息数字表达与智能分析。：收稿日期：基金项目：国家自然科学基金项目（）；云南省应用基础研究计划面上项目（）通信作者：郭健 硕士研究生 ：引文格式：韩春华，郭健，李源，等 一种面向带状复杂区域倾斜摄影航线优化方法 测绘科学，（）：（，（）：）：一种面向带状复杂区域倾斜摄影航线优化方法韩春华，郭健，李源，孟靖凯（昆明理工大学 交通工程学院，昆明 ；中铁二院工程集团有限责任公司（昆明分公司），昆明 ）摘要：针对带状复杂区域的倾斜摄影外业影像采集的数据冗余问题，该文提出了一种面向带状复杂区域的倾斜摄影航线优化方法。该方法基于前期勘测成果以及高清卫星影像数据，较好地确定了精确的测区范围并获取了测区的点、线、面等 空间数据；建立了以航线数目为目标函数的数学优化模型，并运用粒子群优化算法实现了对航线数目和飞行参数的快速求解；基于 、以及大疆智图插件和开发接口进行航线规划和飞行设置，实现了数据的交换融合。该文以云南某道路工程项目为例进行试验。结果表明，引入较为成熟的最优化数学模型并运用数学方法建立起航线数目和航线规划参数之间的联系，对参数进行科学量化和约束，降低对工程经验的依赖。基于该模型建立的航线比常规航线规划软件所规划的航线节约了 的飞行时间，影像照片数量上减少了，综合采集效率提升 ，所建立的倾斜摄影实景模型分辨率和精度均符合规范和项目要求。关键词：数学优化模型；带状区域；倾斜摄影；航线优化；数据冗余；效率提升【中图分类号】【文献标志码】【文章编号】（），（，；，（），）：，；，；，第期韩春华，等 一种面向带状复杂区域倾斜摄影航线优化方法 ：；引言 年自然资源部国土测绘司司长对未来我国测绘地理信息工作提出了规划要求，该要求的核心是从 年起我国将启动“实景三维中国建设”项目，争取未来能在全国范围内完成实景三维建设，为实现数字城市和数字乡村做好准备工作。年月，中华人民共和国国民经济和社会发展第十四个五年规划和 年远景目标纲要文件被正式发布，将数字孪生和智慧交通上升到国家战略层面。随着科学技术的进步，传统的二维平面数据在地理空间信息完整性、可视化效果等方面的局限性，已经无法满足行业对空间地理实体表达和认知的需求。精细化实景三维模型因其独特的优势已经被广泛应用于智慧城市建设、工程管理、地质灾害应急等领域。全自动精细化实景三维模型构建将是摄影测量学发展的新趋势。目前关于无人机航线规划研究重点主要集中于点对点路径规划，其潜在应用主要是导航和避障 。点对点路径规划泛指给定一个起始点和一个目标点，中间设定一些障碍信息，通过各种算法或者深度学习等方法，计算出一条最优解航线，。但倾斜摄影测量的原理是通过智能程序将采集到的影像数据进行拼接，因此在拍摄时需要根据要求和经验设置无人机拍摄影像的重叠度。为了更好地实现数据的无缝衔接，无人机需对整个测区进行连续的扫描式数据采集。这种算法在业内被称为全覆盖路径算法。目前市面上多数的自动航线规划软件多采用这种算法，但此种算法的缺点也是明显的，特别是在进行倾斜摄影影像数据获取时容易造成航线溢出现象，降低整个建模效率 。目前还没有针对倾斜摄影航线规划的参数标准，无论是城市建筑密集区建模还是带状区域地形建模都是凭借经验设置航线参数，缺乏针对性。许多外飞团队在航线规划上没有足够重视如何才能让内业高效地完成出图，并保证出图质量，只 是 一 味 追 求 分 辨 率 与 重 叠 率 的 提高 。因此，如何对航线规划进行科学的优化研究，使其在满足规范和项目对三维实景建模的分辨率要求的同时，又能尽可能地减少影像数据量，降低数据冗余，从而提高内业工作效率，成为当前倾斜摄影测量的研究热点。针对以上问题，本文提出了一种面向带状复杂区域的无人机倾斜摄影航线规划优化方法。将 与 进行融合，建立一个在确保一定精度条件下，路径更高效，影像照片数量更少，可以重复利用的航线优化模型。将此优化方法应用到云南省某道路工程项目上，进行地形影像数据的采集和建模，同时对实验结果进行分析，为公路工程施工演进场景下无人机反复高效采集影像数据提供参考。带状区域三维建模特点传统的航线规划大多情况下是针对城市中较为规则的建筑区域而设计的，为了实现更高的分辨率、更清晰的侧面纹理以及提高模型的完整性，通常在自动规划航线时会忽略掉数据冗余的问题。道路工程因其独特的特点，其在飞行高度、分辨率、航向重叠率、旁向重叠度等方面要求与房建工程有着很大的区别。将无人机倾斜摄影测量应用于道路、河流等带状区域实景三维建模时，如果采用传统的自动航线规划的方法会产生比较大的数据冗余，增加后期的数据处理工作，这无疑会为倾斜摄影实景模型的应用和推广产生阻碍作用。因此，为了建立出一个适用于带状区域的，在确保一定精度条件下，路径更高效，能降低数据冗余以及可以重复利用的航线模型，对公路、河流等带状区域的特点分析是必不可少的。其特点主要有以下点。）分辨率不同。根据 工程摄影测量规范 里面对区域的划分可以将地形区域类型大体分为 类：一般区域、城镇建筑区、工业厂区。根据分类条件，道路、河流等带状区域可以被划分为一般区域。不同的区域对应着不同的分辨率，具体如表所示，通常情况下，道路、河流等一般区域对实景模型地面分辨率的要求比建筑区和厂区的要低。表不同区域对应地面分辨率 区域类型成图比例尺地面分辨率基高比一般区域 城镇建筑区 工业厂区 ）高度范围不同。随着建筑工艺的不断进步，测绘科学第 卷城市中建筑的高度越来越高。为了保证安全，无人机在城市中进行工作时高度要比作业区域中最高建筑高出 左右，这就导致在航线规划时，无人机的飞行高度通常要在 左右。与之相比，道路、河流等带状区域则对高度的要求比较低。通常只需要考虑区域内路灯、树木和地形的高度。）地形形状不同。城市中的建筑物通常是按照功能的不同划定成一片一片规则的区域，因此在进行航迹规划时，只需要将所要建模的区域用正方形或矩形划定边界，软件就可以自动规划航线。而对于道路、河流等带状区域则不同，它 呈现的特点为长 而窄，甚至会出现 型形 状。因此常规的航线规划会造成比较大的数据冗余。无人机航线数目的优化模型 目标函数的确定倾斜影像为无人机相机主光轴在有一定倾斜角时拍摄的影像，其原理如图所示。图倾斜摄影原理图 假设某单镜头无人机摄像头感光片边长为，焦距为。则可建立以下关系，见式（）。（）（）烍烌烎（）式（）化简得式（）。（）（）（）式中：为倾斜角；为点顶角的平分角；为无人机摄像头与地面的垂直高度；为第一条航线所拍摄影像范围的地面跨度。旁向重叠度是用来描述相片与相邻航线中相应相片之间的重复率。其与航线间距有着密切的联系。倾斜摄影技术需使航线上相邻相片具有足够重叠度以实现空三解算、密集匹配等过程并最终实现三维模型重建。当无人机在相邻两条航线上进行平行飞行时，如图所示。不同的航线间距对最终所获得的影片数据大小会产生不同的影响。图相邻航线成像示意图 根据无人机飞行轨迹，以及式（）、式（），可求得相邻两条航线的间距，为式（）。（）（）（）（）当确定带状区域的宽度或长度时，由式（）可以得到优化模型的目标函数。（）（）（）（）式中：为相邻两条航线的距离；为旁向重叠度；为所测区域的长度或宽度；为最优航线数目。在无人机倾斜摄影航线规划作业过程中，因为没有明确的飞行参数设置规范，所以飞手经常需要根据实际工程经验来设置无人机的高度、旁向重叠率以及倾斜角度等参数。这不仅仅会产生误差，更是增加了操作无人机的难度。通过式（）可以将航线数目与区域长度或宽度、旁向重叠度以及无人机飞行高度建立起数学关系，运用数学方法去研究航线规划的优化途径和方案，并得出最佳方案。约束条件的确定在最优化问题中，求目标函数的极值时，变量必须满足的限制称为约束条件。通过约束条件不仅可以防止模型求解时出现负数，还可以明显缩短求解时间。考虑道路工程的实际情况以及倾斜摄影规范的要求，选择区域长度或宽度、旁向重叠度以及无人机飞行高度作为约束因素。根据航空摄影规范规定，倾斜摄影时无人机的镜头倾斜角度需大于 ，旁向重叠率需大于 。故得以下约第期韩春华，等 一种面向带状复杂区域倾斜摄影航线优化方法束条件。烅烄烆（）式中：为测区范围安全高度；为分辨率。实验对比 项目概况该公路工程主线全长 ，本次实验选取的区域位于该公路项目中段，该标段内地貌特征复杂多样，需要对这块狭长区域进行前期勘测，并建立三维实景模型，为后期的设计研究做准备。本次研究案例的标段线路全长 ，由于地形和信号距离等原因的限制，根据前期勘探结果将测区划分为个小型区域进行分块航线规划和飞行，如图所示。本文以号不规则梯形区域为例进行 航 线 优 化 过 程 演 示。该 梯 形 长 分 别 为 和 ，宽分别为 和 ，面积约为 。如图所示。图测区分块 图号测区范围 像控点布置像控点是影像模型生成精度的关键，通常像控点布置的位置可以决定后期三维实景场景模型的精度。以本案例为例，由于生成的模型要求地形图精度比例为 ，所以在布置像控点时，相邻的两个像控点之间的距离控制在 内。采集像控点近景和远景如图所示。图采集像控点近景和远景 本次飞行任务采取 个像控点分布于整个项目区域的四周。研究区域内选取的像控点布置如图所示。图飞行目标区域像控点布置图 模型的求解以大疆精灵 无人机为例，其性能参数如表所示。将其续航时间、焦距以及感光片尺寸带入式（），可以求得式（）。（）以号区域为例，根据号测区范围可以确定的初始值为 或 。号区域需要考虑的安全因素主要为道路和河流两旁的树木，经过实地测量，测区范围内威胁点的最大高程为 左右。根据规范和项目实际要求，本次模型要求分辨率要优于 。将和的值带入式（），可以将式（）化简为以无人机倾斜角、旁向重叠度以及航高为决策变量的非线性约束模型。根据优化模型的求解方法研究，采用粒子群优化算法进行求解。粒子群算法通过设计一种无质量的粒子来模拟鸟群中的鸟，粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子在空间中单独搜寻最优解，并将其记为当前个体极值，并将个体极值与整个粒子群里的其他粒子共享，找到最优的那个个体极值作为整个粒子群的当前全局最优解，粒子群中的所有粒测绘科学第 卷表精灵 无人机配置参数 编号参数名参数值焦距 轴距 最大水平飞行速度（）（定位模式）大旋转角速度（）飞行时间 像元大小 最大控制角度俯仰：子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置。随机初始化一群粒子，然后通过迭代的方式找到最优解，在每次迭代中，各粒子通过追踪个体极值和全局极值两个“极值”来更新自己。在找到两个最优值后，粒子通过以下公式来更新自己的速度和位置 。（）（）（）（）（）（）式中：，是此群中粒子的总数；是粒子的速度；（）是介于（，）之间的随机数，也叫惯性因子；为粒子的当前位置；、是学习因子，通常取。粒子群算法流程如图所示。图粒子群算法步骤 基于以上对粒子群优化的神经网络的分析，本文采用 语言来实现这个网络。将神经网络的均方误差作为粒子群算法的适应度，适应度的计 算 通 过 调 用 子 函 数 来 实 现。由 于 目 前 软件提供了一个神经网络工具箱，其中包括许多现有神经网络的新结果，包括粒子群优化网络模型。通过调用这些成熟的算法模型，可以快速简单解决实际问题。在本文的程序编写中，主要调用了以下有关函数：）归一化函数，处理输入及目标数据使之落在（，）之间。）均方差性能分析函数，得到网络的均方差。）反归一化函数。考虑到道路的弯曲和误差影响，在求解最优航距和最优航线数目时，在求得的单条航线长度的基础上增加正负的随机扰动。取粒子数，学习因子，惯性因子取 ，利用粒子群优化算法求解，得到当目标函数取得最小值时无人机倾斜角、旁向重叠度以及航高的取值，如表所示。表航线数目的最优解 迭代次数次 倾斜角（）旁向重叠度（）航高 目标函数 航线路径规划根据带状区域的特点，结合实地勘测结果，确定具体飞行参数后，即可进行航线路径的优化。若