基于固定翼載小型LiDAR與傾斜攝影數據融合的三維測圖

雷志秋馬 強李杉格周 俊彭世濤

1中電科特種飛機系統工程有限公司，四川 成都，610097

2中煤航測遙感集團有限公司，陜西 西安，710000

機載LiDAR技術是近幾年三維重現技術領域的一項技術性突破［1-2］得到廣泛應用。多旋翼無人機航時較短，不適合于規模較大的測區［3］，如何使用固定翼搭載低成本小型激光雷達進行大測區高精細實景三維重現成為當下研究的熱點。

使用固定翼搭載小于1.8 kg的小型激光雷達系統應用于地形三維重現的研究在國內還較少見，因為固定翼航速快，航高較高，往往會出現目標對象點云稀疏、模型不具備紋理、精度不高等方面的問題。無人機搭載多鏡頭傾斜攝影相機獲取的地形實景三維模型紋理真實，且通過高精度外業采集的傾斜影像進行空三加密后生成的模型精度也較高，但是存在最終模型生產效率低的問題［4］。

本文基于固定翼機載小型LiDAR數據與傾斜攝影數據融合的三維測圖，將傾斜攝影相機獲取的影像僅進行空三加密后生成的點云和LiDAR數據融合，減少傾斜攝影生產最終模型過程，提高生產效率，融合數據后可解決固定翼機載16線小型LiDAR數據產生的點云稀疏、精度相對不高、三維重現效果不佳等問題。

1 顧及點云特征的多源數據融合原理

固定翼載16線小型激光雷達系統獲取的點云個數相對稀少，與傾斜影像空三后生成的點云進行融合［5-8］。Besl等［9］提出了迭代最近點配準（iterative closest point，ICP）算法，被廣泛應用于點云的配準當中［10，11］，其算法步驟如下：

1）尋找點云在待配準點云的對應點對并計算兩組點云的質心。

2）計算目標函數最小值。

式中，Rk為最優旋轉矩陣；Tk為平移矩陣；f(Rk，Tk)為目標函數值。

3）用最優旋轉矩陣Rk和平移矩陣Tk，使配準點云B坐標變換到Bk+1。

4）計算點對的平均距離。

本文使用ICP算法進行點云的配準，利用移動最小二乘算法進行改進可對點云缺失的部分進行重采樣平滑處理，解決模型表面不光滑的問題［12］。

以四川省自貢市貢井區附近的平坦地形區域為研究區，驗證固定翼載16線小型激光雷達系統是否滿足三維場景重現的精度和三維效果。在精度方面，對測區范圍內的土坑構建TIN（triangulated irregular network）模型后進行土方量測算，并與RTK（real time kinematic）實測值進行對比；在三維效果方面，對因點云噪聲而產生的點云漏洞及TIN網格模型尖銳的問題進行解決并紋理貼圖。其技術路線如圖1所示。

圖1 技術路線圖Fig.1 Flow Chart of Technology

2 LiDAR數據獲取最優航線實驗

2.1 網絡RTK實測數據獲取

本文對測區范圍內的坑體A使用網絡RTK技術進行密集數據采集用于土方量的計算［13］。通過計算，坑體A面積約5 m2，首先使用西安煤航研發的LIDAR-DP軟件對坑體A的RTK實測點數據構建TIN模型，測得其體積為3.300 m3。

利用RTK實測點數據對坑體A的邊界范圍進行矢量化處理，將矢量化邊界套合在激光點云數據和融合點云數據中，得到精確范圍內的點云。

2.2 固定翼載小型激光雷達系統數據獲取

使用固定翼無人機對測區按井字形和蛇形航線飛行，得到兩次激光雷達飛行數據，井字形航線會使單位面積點云個數增多。對兩次飛行獲取的激光點云數據進行預處理，如表1所示。

表1 井字形和蛇形航線數據處理分析Tab.1 Data Processing and Analysis of Tic Tac Toe Route and Snake Route

由表1可以看出，蛇形航線土方量計算精度與井字形航線相差不大，為了近一步研究兩種航線對于點云數據質量的區別，對所獲取的點云進行剖面提取后發現井字形航線中本該重合在一起的點云存在著明顯的水平位移誤差和高程位移誤差，且點云厚度為0.2 m，超過《機載LiDAR數據獲取技術規范》1∶1 000地形圖點云數據高程中誤差0.15 m的要求。這些誤差主要來源于激光掃描儀與慣性導航系統之間的位移誤差和IMU（inertial measurement unit）測量誤差［14］。而蛇形航線針對同一目標對象的重合點云相對更少，導致的位移誤差和厚度更小，點云厚度為0.10 m，滿足1∶500和1∶1 000地形圖點云數據高程中誤差要求。蛇形航線飛行時間為井字形航線的一半，提高了作業效率。

綜合分析，使用固定翼無人機載16線小型激光雷達系統時在保持航高80 m、航速21 m/s、航帶間距50 m的同時，選取蛇形航線飛行最優。

2.3 旋翼無人機傾斜攝影數據獲取

為了保證傾斜影像的精確度并匹配激光雷達點云的精度，傾斜影像地面分辨率設置為3 cm。在實驗區布設像控點和檢查點共10個，用于后期的空三加密。使用旋翼無人機搭載傾斜相機對測區進行低空低速數據獲取。

3 基于LiDAR數據與傾斜攝影數據融合的三維測圖

3.1 多源數據融合分析

針對低空、高重疊率得到的傾斜影像進行自動空三加密，將影像生成的點云與激光雷達點云進行點云匹配并融合。

首先對獲取的傾斜影像空三加密得到生成的點云數據。然后，利用矢量化邊界套合在傾斜影像生成的點云數據中，得到坑體A的傾斜影像點云，點云個數為266個。

在數據處理的時候，需要統一傾斜影像和激光雷達點云的坐標系，讓影像能匹配上對應的激光雷達的點云，在賦色的同時，完成LiDAR點云與傾斜攝影生成點云中的同名點之間的粗匹配。但是即使傾斜影像生成的點云和激光雷達數據獲取的點云在同一個坐標系下，仍存在部分點云不匹配的情況。

3.2 ICP算法改進的數據融合處理

ICP算法對多源數據的點云分辨率一致性是有要求的，本文在傾斜影像數據獲取后，輸出數據地面分辨率設置為0.03 m，得到高精度的傾斜空三加密點云，激光雷達點云和傾斜加密點云之間利用低分辨率匹配同名點對迅速完成粗配準，利用高分辨率匹配同名點對提高配準精度。

本文實驗采用Visual Studio 2013，點云數據是三維數據，點云匹配選擇7個參數，即3個平移參數（x，y，z）、3個旋轉參數（α、β、γ）和縮放參數μ［15］。為了驗證配準結果的絕對精度，實驗中選取具有明顯特征的點作為同名點和檢驗點，以傾斜影像生成的點云為模型，激光雷達點云為數據進行點云匹配。ICP算法得到的變換矩陣為R。

ICP算法配準結果絕對精度分析如表2所示，為了數據的保密性，將X、Y坐標只保留小數點前4位。

表2 配準結果絕對精度分析/mTab.2 Absolute Accuracy Analysis of Registration Results/m

由表2可得出各方向中誤差：δx=0.01 m，δy=0.02 m，δz=-0.01 m。配準后的激光點云數據與傾斜影像生成的點云數據更為接近，配準精度較高。

本文將配準后的兩部分點云導出txt格式，并存為一個點云數據，得到融合后的點云數據。對比原始激光點云數據、無ICP點云融合數據及有ICP點云融合數據3種方法計算的土方量值與網絡RTK實測值3.300 m3的相對差值。結果如表3所示。

由表3可以看出，融合精確的傾斜影像生成的點云能在一定程度上提高固定翼載小型激光雷達系統進行土方量計算的精度，在進行ICP算法點云匹配后，多源數據融合后的點云相對實測差值僅為0.5%，在精度上有明顯提高。

表3 多源數據融合及ICP算法對土方量計算的影響Tab.3 The Influence of Multi-Source Data Fusion and ICP Algorithm on Earthwork Calculation

3.3 多平臺實景三維地形重現

由于坑體點云分布不均勻且點云間具有位移誤差，本文對其進行剖面分析，由圖2可知，坑體點云冗余且噪聲較多。

圖2 融合點云坑體剖面圖Fig.2 Sectional View of the Pit Body After Point Cloud Fusion

根據點云的特點，聯合多平臺對其進行實景三維重現，首先在Visual Studio 2013平臺上對融合后的點云使用移動最小二乘（moving least square，MLS）算法進行重疊點數據漂移，將點云數據重疊區域單層化，使點云更為平滑。

然后將點云導入LiDAR-DP軟件中與傾斜影像進行紋理的貼合，實現固定翼載16線小型激光雷達系統精細化三維地形重現，如圖3所示。

圖3 測區三維實景重現Fig.3 3D Real-life Reproduction of the Survey Area

4 結束語

本文針對地形測繪、小型堆積體使用固定翼搭載16線小型激光雷達建立高精細實景三維模型，驗證了其在土方量計算、地形三維重現的可行性，并通過實驗得到了該條件下激光雷達數據獲取的最優方案，結合激光雷達點云和傾斜影像進行多源數據融合，使用ICP算法和MLS算法對數據處理進行改進。實驗結果表明：①固定翼搭載16線激光雷達使用蛇形航線獲取的點云厚度約0.1 m，優于井字型航線0.2 m的點云厚度；②激光雷達點云融合精確的傾斜影像生成的點云能一定程度上提高固定翼載16線小型激光雷達系統進行土方量計算的精度；③在進行ICP算法改進后，多源數據融合后的點云相對實測差值僅為0.5%，在精度上有明顯提高。④使用MLS算法對融合點云進行點云平滑后可解決點云冗余且噪聲較多的問題。