甘拯 夏輝 左辛凱

摘要：羅田水庫—鐵崗水庫隧洞連通工程穿越城市建成區(qū)，地形地貌條件復(fù)雜。為滿足工程沿線地面重點(diǎn)構(gòu)筑物設(shè)計要求，針對傾斜攝影在地物立面重建的缺陷問題，結(jié)合地面激光SLAM移動測量手段，提出了一種泊松重建改進(jìn)算法，深度融合低空傾斜影像與地面激光點(diǎn)云，以改善三維模型棱角不夠突出、平面不夠平整的問題。試驗(yàn)證明：在遮擋較為嚴(yán)重的近地面區(qū)域，提出的方法能夠有效提高實(shí)景三維重建的精度和效果，可為工程量精確評估與輔助分析決策提供更加可靠的實(shí)景三維模型。

關(guān)鍵詞：傾斜攝影； 地面LiDAR； 實(shí)景三維重建； 地面激光SLAM； 泊松重建改進(jìn)算法； 羅鐵工程

中圖法分類號： P232

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.S1.052

0引 言

近年來，傾斜攝影技術(shù)作為一種低成本、高效的實(shí)景三維建模技術(shù)，廣泛應(yīng)用于數(shù)字城市實(shí)景三維重建。然而，在低空航攝過程中，接近地面的要素會不可避免地相互遮擋，特別是建筑物和樹木等豎直地物之間存在嚴(yán)重的拍攝盲區(qū)；缺失關(guān)鍵航片導(dǎo)致重建的三維模型發(fā)生扭曲、拉花甚至出現(xiàn)空洞，進(jìn)而影響模型的精細(xì)化和結(jié)構(gòu)完整性［1］。地面LiDAR作為傾斜攝影技術(shù)的有效補(bǔ)充，能夠快速移動測量，獲取大量高密度的點(diǎn)云數(shù)據(jù)［2］，提供詳細(xì)的地形信息和地面要素的幾何細(xì)節(jié)。

本文以羅田水庫—鐵崗水庫輸水隧洞工程（以下簡稱“羅鐵工程”）的一處典型復(fù)雜地形為例，利用無人機(jī)傾斜攝影與地面LiDAR兩種技術(shù)的優(yōu)勢，深度融合傾斜影像生成的密集點(diǎn)云與地面激光點(diǎn)云，同時提出一種泊松重建改進(jìn)算法用以生成實(shí)景三維模型。

1試驗(yàn)區(qū)概況

試驗(yàn)區(qū)位于深圳市西部，區(qū)域面積約0.3 km2。地貌類型為沖洪積平原、丘陵地貌，包含山地、邊坡、道路與高層建筑物等地形要素，綠化樹木較多導(dǎo)致建筑物靠近地面部分被遮擋嚴(yán)重（圖1）。若僅采用低空傾斜攝影方式，會存在大量航攝盲區(qū)，導(dǎo)致三維模型出現(xiàn)拉花、空洞以及紋理信息丟失等問題。本研究在采用多旋翼無人機(jī)對影響區(qū)范圍進(jìn)行多視角影像拍攝的基礎(chǔ)上，結(jié)合型號為飛馬SLAM100的三維激光掃描儀獲取近地面區(qū)域的三維激光點(diǎn)云。

2技術(shù)路線

技術(shù)路線如圖2所示。根據(jù)試驗(yàn)區(qū)建筑物高度、植被與道路的分布情況，采用五鏡頭旋翼無人機(jī)獲取整個試驗(yàn)區(qū)的傾斜影像；為彌補(bǔ)傾斜攝影測量無法獲取地面影像的缺陷，設(shè)計手持激光掃描儀行進(jìn)路線，采集區(qū)域內(nèi)地面激光點(diǎn)云數(shù)據(jù)；經(jīng)過空三加密與激光點(diǎn)云預(yù)處理，將已配準(zhǔn)的激光點(diǎn)云與傾斜影像點(diǎn)云融合生成傾斜三維模型［3］。另外，本文提出了一種改進(jìn)的泊松重建算法，以深度融合傾斜攝影和地面LiDAR點(diǎn)云。

3數(shù)據(jù)采集

3.1無人機(jī)傾斜攝影

試驗(yàn)使用飛馬D2000無人機(jī)搭載D-OP3000傾斜模塊進(jìn)行影像數(shù)據(jù)采集。D-OP3000傾斜模塊是一種集成了SONY A6000相機(jī)的高性能測量設(shè)備。下視鏡頭焦距為25 mm，傾斜鏡頭焦距35 mm，有效像素為2 430萬。航飛前在試驗(yàn)區(qū)選取5個像控點(diǎn)用于后期點(diǎn)云配準(zhǔn)及提高實(shí)景三維模型的絕對定位精度。理想情況下精度約為分辨率的2～3倍［4］，為了保證試驗(yàn)區(qū)實(shí)景三維模型精度優(yōu)于5 cm，地面分辨率設(shè)置為2 cm。相對航高為100 m，航向重疊度為83%，旁向重疊度為70%，共獲取4 000張數(shù)字航攝像片（圖3）。

3.2地面LiDAR數(shù)據(jù)采集

采用飛馬SLAM100三維激光雷達(dá)掃描儀（圖4）進(jìn)行地面激光點(diǎn)云數(shù)據(jù)采集。該設(shè)備可以實(shí)現(xiàn)360度旋轉(zhuǎn)，形成270°×360°掃描區(qū)域覆蓋，配合行業(yè)級SLAM算法和后處理解算軟件，可以獲取高精度、高精細(xì)度的三維點(diǎn)云數(shù)據(jù)。該設(shè)備配備了3個500萬像素的攝像頭，可形成超寬視場角，用于獲取紋理信息，生成彩色點(diǎn)云和局部全景圖。

SLAM掃描路徑設(shè)計需要考慮被掃描區(qū)域的大小和形狀，以確定掃描路徑的起點(diǎn)和方向［5］。同時，還需要考慮掃描路徑的連續(xù)性和覆蓋度，以確保掃描結(jié)果的完整性和精度。為了能夠覆蓋整個試驗(yàn)區(qū)的地面采集范圍，根據(jù)現(xiàn)場環(huán)境，采集路線設(shè)置為閉合路線，且采集過程途經(jīng)布設(shè)的5個控制點(diǎn)時，將SLAM底座十字絲中心對準(zhǔn)控制點(diǎn)中心，機(jī)頭朝向任意，采集時間保證在10 s以上，同步采集視覺軌跡方向的全景照片（圖5）。

4內(nèi)業(yè)數(shù)據(jù)處理

4.1空中三角測量

為了能夠?qū)o序的影像在空間中相互對齊并構(gòu)建與真實(shí)世界相接近的空間模型，需要對影像進(jìn)行空三加密操作［6-8］。將多組傾斜影像數(shù)據(jù)及其POS信息導(dǎo)入專業(yè)的航空影像空三處理軟件，采取由粗略到精細(xì)的金字塔匹配策略在各級影像上進(jìn)行同名點(diǎn)匹配，恢復(fù)影像間的相對位置關(guān)系得到影像匹配結(jié)果，并解算出每張影像的外方位元素信息。根據(jù)空三測量運(yùn)算出的影像外方位元素，通過多視影像密集匹配可獲得高密度的點(diǎn)云，計算成果如圖6所示。

4.2激光點(diǎn)云數(shù)據(jù)預(yù)處理

使用SLAM100配套軟件SLAM-GO-POST模塊進(jìn)行點(diǎn)云數(shù)據(jù)處理。沿規(guī)劃路徑完成掃描后，將數(shù)據(jù)導(dǎo)入軟件進(jìn)行自動解算，包括基于特征點(diǎn)匹配的SLAM過程和基于控制點(diǎn)的平差優(yōu)化過程［9-13］。再通過重定向、動態(tài)物體濾除、點(diǎn)云賦色、點(diǎn)云去噪等步驟，生成與傾斜影像坐標(biāo)系一致的真彩色點(diǎn)云，如圖7所示。

4.3實(shí)景三維重建

為了改善現(xiàn)有三維重建算法生成的Mesh模型表面棱角不夠突出、平面不夠平整的問題，本文提出一種改進(jìn)的泊松重建方法，利用地面LiDAR點(diǎn)云提取近地面區(qū)域的平面和邊界特征。

實(shí)景三維模型重建的步驟為：首先對由傾斜影像密集匹配生成的特征點(diǎn)云進(jìn)行去噪和平整；參照文獻(xiàn)［9］的方法，融合特征點(diǎn)云與地面真彩色點(diǎn)云；然后從融合點(diǎn)云中檢測出邊界點(diǎn)［14］，在泊松重建算法的輸入點(diǎn)云數(shù)據(jù)中加入這些邊界點(diǎn)；為了在泊松構(gòu)網(wǎng)的結(jié)果中盡可能保留這些邊界點(diǎn)，在文獻(xiàn)［15］的基礎(chǔ)上，對泊松重建算法進(jìn)行了改進(jìn)，包括深度值計算和提高邊界點(diǎn)的alpha權(quán)值。

4.3.1自適應(yīng)深度值計算

根據(jù)點(diǎn)云局部的結(jié)構(gòu)特征自適應(yīng)計算其深度值?；舅枷胧墙档推矫嫔系牟蓸狱c(diǎn)的深度值，提高不在平面上的采樣點(diǎn)的深度值。

首先計算深度值的上限D(zhuǎn)max：

Dmax=log2maxl，w，h×βρ+δ（1）

式中：表示向上取整；maxl，w，h為測區(qū)長、寬、高的最大值；β為縮放比例，通常取1.0～1.2；ρ為三維重建的精度；δ是一個冗余量，通常取1或2。

然后對于每一個采樣點(diǎn)i，計算其深度初始值Di0：

Di0=φ+lnωiSi+1ln4（2）

式中：表示向上取整；ωi為采樣點(diǎn)的權(quán)重；φ為初始八叉樹的深度值，通常為3～5；Si為采樣點(diǎn)所在的深度為φ的結(jié)點(diǎn)中包含的點(diǎn)云數(shù)量。

那么，對于每一個采樣點(diǎn)i，其深度值Di為

Di=minDmax，Di0，Di0≥Dmax且Si=1Dmax，Di0＜Dmax且Si＞1（3）

4.3.2邊界點(diǎn)的深度值和權(quán)值調(diào)整

將邊界點(diǎn)的深度值全部設(shè)置為采樣點(diǎn)深度值的上限D(zhuǎn)max；在計算結(jié)點(diǎn)的指示函數(shù)值時，讓邊界點(diǎn)具有較大的alpha權(quán)值。這樣的調(diào)整可以強(qiáng)制讓邊界點(diǎn)保留在三維重建表面中。

4.3.3后處理

按照上述改進(jìn)的泊松重建方法生成三維模型后，根據(jù)三角網(wǎng)所構(gòu)成曲面的局部曲度變化來精簡TIN；將簡化后的TIN模型和紋理影像進(jìn)行配準(zhǔn)和貼圖，得到測區(qū)實(shí)景三維模型。

實(shí)景三維模型重建流程如圖8所示，這種融合地面激光點(diǎn)云與邊界結(jié)構(gòu)特征的高精度泊松重建改進(jìn)算法可以有效地提高三維表面重建的精度和質(zhì)量，使得重建結(jié)果更加真實(shí)和準(zhǔn)確。

5質(zhì)量分析

主要從模型質(zhì)量對傾斜攝影建模、傾斜攝影+LiDAR融合建模與本研究提出的改進(jìn)泊松重建算法的傾斜攝影+LiDAR融合建模進(jìn)行比較和分析。

通過目視判別重建三維模型的準(zhǔn)確度和完整性，主要是檢查建筑物的表面模型是否存在不正常的扭曲和孔洞；然后判別紋理的準(zhǔn)確度和完整性，主要是檢查模型紋理是否存在拉花、扭曲變形和模糊。

3種建模方案下的實(shí)景三維模型部分細(xì)節(jié)如圖9～10所示。可知，本次研究提出的方法能夠有效改善近地面區(qū)域的三維重建效果。

6結(jié) 語

本次研究中融合地面LiDAR和傾斜攝影無人機(jī)影像數(shù)據(jù)能夠提高實(shí)景三維模型的精度和效果，可對白模缺失的區(qū)域進(jìn)行精確補(bǔ)充；同時結(jié)合邊界特征點(diǎn)進(jìn)行三維重建可對弱紋理的墻面輪廓進(jìn)行完整、統(tǒng)一的修復(fù)；通常被忽略的樹木姿態(tài)和形態(tài)在地面LiDAR點(diǎn)云的補(bǔ)充下，樹干和樹枝的形態(tài)得到了有效糾正。本文研究成果可為工程BIM設(shè)計提供更高質(zhì)量的實(shí)景三維模型參考，但激光點(diǎn)云無法補(bǔ)充缺失的紋理特征，如果要構(gòu)建符合紋理要求的精細(xì)化模型，還需采集地面高清照片或模型修復(fù)軟件輔助實(shí)現(xiàn)。

參考文獻(xiàn)：

［1］李策，吳長悅.傾斜攝影與地面激光點(diǎn)云融合精細(xì)化建模研究［J］.現(xiàn)代礦業(yè)，2019，35（5）：53-55，59.

［2］蔡潤彬.地面激光掃描數(shù)據(jù)后處理若干關(guān)鍵技術(shù)研究［D］.上海：同濟(jì)大學(xué)，2008.

［3］張昕，康光清，馮洋，等.基于傾斜攝影與地面激光掃描技術(shù)的三維實(shí)景建模［J］.測繪與空間地理信息，2021，44（增1）：287-290.

［4］陳則剛.三維傾斜攝影技術(shù)在新化縣房地一體項目中的應(yīng)用研究［J］.價值工程，2022，41（14）：139-141.

［5］萬玉輝，金萬軍，韓婭婕，等.基于傾斜攝影融合地面SLAM實(shí)景三維精細(xì)化建模的方法研究［J］.青海國土經(jīng)略，2022（6）：59-65.

［6］肖雄武.具備結(jié)構(gòu)感知功能的傾斜攝影測量場景三維重建［J］.測繪學(xué)報，2019，48（6）：802.

［7］晏曉紅，榮延祥，孫可心，等.城市復(fù)雜地形環(huán)境下傾斜模型結(jié)合LiDAR點(diǎn)云的大比例尺地形圖更新方法［J］.測繪通報，2022（10）：93-99.

［8］孫佳明，李慧.基于傾斜攝影測量與激光掃描技術(shù)的融合建模研究［J］.水利技術(shù)監(jiān)督，2023（2）：280-284.

［9］李世明.激光雷達(dá)點(diǎn)云與攝影測量點(diǎn)云的拉普拉斯融合方法［D］.成都：西南交通大學(xué)，2021.

［10］劉濤.泊松隱式曲面重建算法及其并行化研究［D］.太原：中北大學(xué)，2018.

［11］程昌.融合低空傾斜攝影測量和地面LiDAR的建筑物精細(xì)化三維重建［D］.徐州：中國礦業(yè)大學(xué)，2022.

［12］黃佳彪.基于無人機(jī)的建筑物三維重建及其應(yīng)用［D］.長沙：國防科技大學(xué)，2017.

［13］SHAN T，ENGLOT B，MEYERS D，et al.Tightly-coupled lidar inertial odometry via smoothing and mapping［C］∥IEEE/RSJ International Conference on Intelligent Robots and Systems（IROS），2020：5135-5142.

［14］LI L，YANG F，ZHU H，et al.An improved RANSAC for 3D point cloud plane segmentation based on normal distribution transformation cells［J］.Remote Sensing，2017（9）：433.

［15］KAZHDAN M，HOPPE H.Screened poisson surface reconstruction［J］.ACM Transactions on Graphics，2013，32（3）：1-13.

（編輯：郭甜甜）