本發(fā)明屬于計(jì)算機(jī)程序領(lǐng)域，具體涉及一種基于飛行數(shù)據(jù)的無人機(jī)非量測型相機(jī)檢校方法。

背景技術(shù)：

以無人機(jī)為平臺(tái)的低空遙感系統(tǒng)，不受場地限制，數(shù)據(jù)采集實(shí)時(shí)、高效，可多角度快速獲取地理空間數(shù)據(jù)，已廣泛應(yīng)用于大比例尺地形圖測繪、國土與生態(tài)環(huán)境調(diào)查、動(dòng)態(tài)監(jiān)測與評(píng)估、數(shù)字城市及重大工程建設(shè)等領(lǐng)域。非量測型相機(jī)因其價(jià)格低、體積小、重量輕、使用靈活等優(yōu)點(diǎn)，在無人機(jī)中獲得了廣泛的應(yīng)用。但是非量測型相機(jī)畢竟不是專門為攝影測量而設(shè)計(jì)的，存在著鏡頭畸變差較大，內(nèi)方位元素不穩(wěn)定等缺陷。傳統(tǒng)的非量測型相機(jī)檢校方法需要建立地面檢校場或室內(nèi)試驗(yàn)場，按照精度要求布設(shè)若干已知空間坐標(biāo)的標(biāo)識(shí)點(diǎn)，過程較為繁瑣且后續(xù)處理需要大量的人工干預(yù)。

因此，現(xiàn)有技術(shù)存在缺陷，需要改進(jìn)。

技術(shù)實(shí)現(xiàn)要素：

為解決上述技術(shù)問題，本發(fā)明針對(duì)現(xiàn)有無人機(jī)非量測型相機(jī)檢校方法需要較為復(fù)雜的實(shí)驗(yàn)環(huán)境且需要較多人工干預(yù)的問題，提供了一種基于飛行數(shù)據(jù)的無人機(jī)非量測型相機(jī)檢校方法，以達(dá)到提高檢校自動(dòng)化程度和簡化檢校流程的目的。

實(shí)現(xiàn)上述目的，本發(fā)明的內(nèi)容是：

一種基于飛行數(shù)據(jù)的無人機(jī)非量測型相機(jī)檢校方法，其特征在于，包含如下步驟：S1：獲取無人機(jī)正常作業(yè)的飛行數(shù)據(jù)，其中，飛行數(shù)據(jù)包括影像和機(jī)載GPS數(shù)據(jù)；S2：采用SURF特征提取算法計(jì)算每張影像的特征點(diǎn)及特征描述子；S3：根據(jù)機(jī)載GPS數(shù)據(jù)和每張影像的特征描述子，對(duì)特征點(diǎn)進(jìn)行粗匹配；S4：對(duì)粗匹配后的兩張影像的特征點(diǎn)進(jìn)行精匹配；S5：對(duì)精匹配后的特征點(diǎn)對(duì)應(yīng)的兩張影像相對(duì)定向，計(jì)算強(qiáng)連通圖，并得到候選檢校影像和驗(yàn)證影像；S6：采用自檢校SFM算法，進(jìn)行檢校參數(shù)，驗(yàn)證是否通過，是則結(jié)束，否則重復(fù)步驟。

本發(fā)明與現(xiàn)有技術(shù)相比，其有益效果是：

1)本發(fā)明提出的檢校流程不需要復(fù)雜的實(shí)驗(yàn)環(huán)境或設(shè)備，自動(dòng)化程度高，無需人工干預(yù)；

2)根據(jù)連接強(qiáng)度來選取候選檢校影像可以保證檢校結(jié)果的精度，同時(shí)，利用驗(yàn)證影像可以提高檢校結(jié)果的穩(wěn)定性，避免陷入局部最優(yōu)值的困境。

附圖說明

圖1是本發(fā)明的流程圖。

具體實(shí)施方式

以下結(jié)合附圖詳細(xì)說明本發(fā)明之技術(shù)內(nèi)容、構(gòu)造特征、所達(dá)成目的及功效，以下茲例舉實(shí)施例并配合附圖詳予說明。

本實(shí)施例提供了一種基于飛行數(shù)據(jù)的無人機(jī)非量測型相機(jī)檢校方法，該方法利用Speeded Up Robust Features(SURF)特征提取算法計(jì)算所有無人機(jī)航拍獲取的影像的特征點(diǎn)及特征描述子；根據(jù)機(jī)載GPS數(shù)據(jù)，構(gòu)建Delaunay三角網(wǎng)，得到影像之間的拓?fù)潢P(guān)系及圖距離；針對(duì)圖距離小于4的影像，計(jì)算其兩兩特征描述子之間的距離，并根據(jù)距離關(guān)系進(jìn)行特征點(diǎn)匹配；利用Random Sample Consensus(RANSAC)算法，計(jì)算影像之間的基礎(chǔ)矩陣，同時(shí)剔除錯(cuò)誤匹配的特征點(diǎn)；根據(jù)匹配的特征點(diǎn)，進(jìn)行影像間的相對(duì)定向并恢復(fù)出光束，通過光束之間形成的交會(huì)角計(jì)算影像間的連接強(qiáng)度；設(shè)置搜索的最大距離為3，利用廣度優(yōu)先搜索算法，查找連接強(qiáng)度值最大和次大的連通圖，將此連通圖作為候選檢校影像和驗(yàn)證影像；利用候選檢校影像間的匹配的特征點(diǎn)，采用自檢校的Structure From Motion(SfM)方法，計(jì)算出相機(jī)的檢校參數(shù)，再利用驗(yàn)證影像檢查檢校參數(shù)的合理性。本發(fā)明針對(duì)現(xiàn)有檢校方法需要較為復(fù)雜的地面試驗(yàn)場或設(shè)備且自動(dòng)化程度不高的問題，提出了一種應(yīng)用于無人機(jī)非量測型相機(jī)檢校的新方法，在確保檢校精度的同時(shí),大大提高了檢校過程的自動(dòng)化水平。

其中，請(qǐng)參閱圖1所示，該方法包括以下步驟：

步驟S1：獲取無人機(jī)正常作業(yè)的飛行數(shù)據(jù)，其中，飛行數(shù)據(jù)包括影像和機(jī)載GPS數(shù)據(jù)。

其中，無人機(jī)進(jìn)行正常作業(yè)，獲取影像和機(jī)載GPS數(shù)據(jù)，其中每張影像對(duì)應(yīng)一個(gè)機(jī)載GPS數(shù)據(jù)，此機(jī)載GPS數(shù)據(jù)為攝影時(shí)無人機(jī)非量測型相機(jī)在空中的位置，影像和機(jī)載GPS數(shù)據(jù)統(tǒng)稱為飛行數(shù)據(jù)。

然后步驟S2:采用SURF特征提取算法計(jì)算每張影像的特征點(diǎn)及特征描述子。

其中，將影像從RGB色彩空間轉(zhuǎn)換到全色色彩空間，然后利用SURF特征提取算法計(jì)算每張影像的特征點(diǎn)及特征描述子。

其中，在步驟2中所述的特征點(diǎn)和特征描述子的計(jì)算過程為：

1)RGB色彩空間轉(zhuǎn)換到全色色彩空間

I＝0.2989×R+0.5870×G+0.1140×B；

式中，R為紅色波段的強(qiáng)度，G為綠色波段的強(qiáng)度，B為藍(lán)色波段的強(qiáng)度，I為全色色彩空間的強(qiáng)度；

2)對(duì)每張經(jīng)過步驟1轉(zhuǎn)換的影像，利用SURF特征提取算法計(jì)算其特征點(diǎn)及特征描述子，每個(gè)特征點(diǎn)為一個(gè)二維向量，每個(gè)特征描述子為一個(gè)64維的向量。

步驟S3中，據(jù)機(jī)載GPS數(shù)據(jù)和每張影像的特征描述子，對(duì)特征點(diǎn)進(jìn)行粗匹配。

其中，根據(jù)機(jī)載GPS數(shù)據(jù)構(gòu)建Delaunay三角網(wǎng)，將此Delaunay三角網(wǎng)轉(zhuǎn)換為無向圖得到影像之間的拓?fù)潢P(guān)系，再利用拓?fù)渑判蛩惴ㄓ?jì)算任意兩張影像間的圖距離。

其中，圖距離的計(jì)算過程為，

1)飛行數(shù)據(jù)中的每張影像對(duì)應(yīng)一個(gè)機(jī)載GPS數(shù)據(jù)(X,Y,Z)，利用機(jī)載GPS數(shù)據(jù)的平面坐標(biāo)(X,Y)構(gòu)建Delaunay三角網(wǎng)，Delaunay三角網(wǎng)的每個(gè)頂點(diǎn)對(duì)應(yīng)一張影像，此Delaunay三角網(wǎng)可以認(rèn)為是帶權(quán)無向圖，Delaunay三角網(wǎng)中的邊對(duì)應(yīng)帶權(quán)無向圖的無向邊且權(quán)為1；

2)Delauany三角網(wǎng)中任意兩個(gè)頂點(diǎn)的圖距離定義為其在帶權(quán)無向圖中的最短路徑的權(quán)的和，針對(duì)每個(gè)Delaunay三角網(wǎng)中的每個(gè)頂點(diǎn)，利用拓?fù)渑判蛩惴ㄓ?jì)算出該頂點(diǎn)與其他頂點(diǎn)的圖距離。

并且，針對(duì)圖距離小于4的任意兩張影像，計(jì)算其兩兩特征描述子之間的距離，將滿足匹配距離準(zhǔn)則的兩個(gè)特征點(diǎn)稱為一組同名特征點(diǎn)對(duì)。

其中，匹配距離準(zhǔn)則判斷的計(jì)算過程為，

1)令待判定的兩張影像分別為A和B，特征點(diǎn)分別為{f₀…f_i…f_n}和{g₀…g_j…g_m},特征描述子分別為{a₀…a_i…a_n}和{b₀…b_j…b_m},其中f_i和g_j為2維向量，a_i和b_j為64維向量，f_i與a_i一一對(duì)應(yīng)，g_j與b_j一一對(duì)應(yīng)；

2)任取A中的一個(gè)特征描述子a_i，計(jì)算其與{b₀…b_j…b_m}的所有特征描述子的距離d_k，令距離最小的兩個(gè)特征描述子為b_u和b_v,對(duì)應(yīng)的距離為d_u和d_v(d_u≤d_v)，如果d_u小于0.7且d_u/d_v<0.8，則稱g_u為f_i的最優(yōu)匹配特征點(diǎn)；

d_k＝|a_i-b_k|

3)將A和B互換，重復(fù)步驟②，如果f_i與g_j互為最優(yōu)匹配特征點(diǎn)，則稱f_i與g_j為同名特征點(diǎn)對(duì)。

然后，步驟S4：對(duì)粗匹配后的兩張影像的特征點(diǎn)進(jìn)行精匹配。

其中，如果兩張影像之間的同名特征點(diǎn)對(duì)的數(shù)量超過16，則利用RANSAC算法計(jì)算這兩張影像的基礎(chǔ)矩陣，再利用基礎(chǔ)矩陣計(jì)算同名特征點(diǎn)對(duì)的極線距離，如果極線距離大于3，則刪除該同名特征點(diǎn)對(duì)；

在匹配完成后，步驟S5：對(duì)精匹配后的特征點(diǎn)對(duì)應(yīng)的兩張影像相對(duì)定向，計(jì)算強(qiáng)連通圖，并得到候選檢校影像和驗(yàn)證影像；

其中，如果兩張影像之間的同名特征點(diǎn)對(duì)的數(shù)量超過16，則對(duì)這兩張影像進(jìn)行相對(duì)定向，每一組同名特征點(diǎn)對(duì)對(duì)應(yīng)兩條光束和一個(gè)交會(huì)角，當(dāng)交會(huì)角滿足最佳交會(huì)條件時(shí)，將此交會(huì)角對(duì)應(yīng)的同名特征點(diǎn)對(duì)稱為有效同名特征點(diǎn)對(duì)，有效同名特征點(diǎn)對(duì)的數(shù)量即為這兩張影像的連接強(qiáng)度；

其中，連接強(qiáng)度的計(jì)算過程為，

1)如果兩個(gè)影像的同名特征點(diǎn)對(duì)的數(shù)量大于16，則進(jìn)行相對(duì)定向，此時(shí)可獲得兩張影像對(duì)應(yīng)的相對(duì)姿態(tài)信息；

2)根據(jù)相對(duì)姿態(tài)信息和同名特征點(diǎn)對(duì)進(jìn)行前方交會(huì)，得到對(duì)應(yīng)的兩條光束和一個(gè)交會(huì)角；

3)如果兩條光束的交會(huì)角大于20°且小于90度，則稱其滿足最佳交會(huì)條件，這兩條光束對(duì)應(yīng)的同名特征點(diǎn)對(duì)稱為有效同名特征點(diǎn)對(duì)；

4)統(tǒng)計(jì)任意兩張影像上的有效同名特征點(diǎn)對(duì)的數(shù)量n,則此影像間的連接強(qiáng)度y(n)如式；

在計(jì)算得到兩張影像的連接強(qiáng)度后，刪除連接強(qiáng)度小于128的影像間的連通關(guān)系，設(shè)置搜索的最大距離為3，利用廣度優(yōu)先搜索算法，查找連接強(qiáng)度值最大和次大的連通圖，將此連通圖作為候選檢校影像和驗(yàn)證影像。

其中，候選檢校影像查找的計(jì)算過程為，

1)刪除步驟S3生成的Delaunay三角網(wǎng)里連接強(qiáng)度小于128的影像間的邊，確保弱連接的影像不會(huì)參與到后續(xù)的檢校計(jì)算里；

2)設(shè)置搜索的最大距離為3，以每張影像為搜索起點(diǎn)，采用廣度優(yōu)先搜索算法進(jìn)行區(qū)域增長搜索；

3)統(tǒng)計(jì)每次搜索到的影像集的連接強(qiáng)度值，將最大連接強(qiáng)度值對(duì)應(yīng)的影像集作為候選檢校影像，將次大連接強(qiáng)度值對(duì)應(yīng)的影像集作為驗(yàn)證影像。

最后，步驟S6：采用自檢校SFM算法，進(jìn)行檢校參數(shù)，驗(yàn)證是否通過，是則結(jié)束，否則重復(fù)步驟。

其中，利用候選檢校影像間的同名特征點(diǎn)對(duì)，采用自檢校的Structure From Motion(SfM)方法，計(jì)算出候選檢校影像的焦距、像主點(diǎn)和畸變參數(shù)，即獲取該影像的無人機(jī)非量測相機(jī)的檢校參數(shù)，再利用驗(yàn)證影像檢查檢校參數(shù)的合理性。

其中，自檢校SFM算法的計(jì)算過程為，

1)設(shè)置畸變模型公式

Δx＝(x-x₀)(k₁r²+k₂r⁴+k₃r⁶)+

p₁[r²+2(x-x₀)²]+2p₂(x-x₀)(y-y₀)+α(x-x₀)+β(y-y₀)

Δy＝(y-y₀)(k₁r2+k₂r⁴+k₃r⁶)+p₂[r²+2(y-y₀)²]+2p₁(x-x₀)(y-y₀)

其中：Δx,Δy為像點(diǎn)改正值；x,y為像方坐標(biāo)系下的像點(diǎn)坐標(biāo)；x₀,y₀為像主點(diǎn)；

2)候選檢校影像的每個(gè)特征點(diǎn)構(gòu)成一個(gè)共線條件方程組，將所有共線條件方程組合并為一個(gè)大的待求解方程組，采用Levenberg-Marquardt算法求得待求解方程組的最優(yōu)解；

3)驗(yàn)證影像的所有特征點(diǎn)形成一個(gè)共線條件方程組，將求解得到的最優(yōu)解帶入此共線條件方程組中，如果中誤差小于1個(gè)像素，則接收此最優(yōu)解，否則將候選檢校影像丟棄，轉(zhuǎn)步驟7重新選取候選檢校影像和驗(yàn)證影像；

4)上一步中得到的最優(yōu)解即為獲取候選檢校影像的無人機(jī)非量測相機(jī)的檢校參數(shù)。

本發(fā)明與現(xiàn)有技術(shù)相比，其有益效果是：

1.本發(fā)明提出的檢校流程不需要復(fù)雜的實(shí)驗(yàn)環(huán)境或設(shè)備，自動(dòng)化程度高，無需人工干預(yù)；

2.根據(jù)連接強(qiáng)度來選取候選檢校影像可以保證檢校結(jié)果的精度，同時(shí)，利用驗(yàn)證影像可以提高檢校結(jié)果的穩(wěn)定性，避免陷入局部最優(yōu)值的困境。

綜上所述，僅為本發(fā)明之較佳實(shí)施例，不以此限定本發(fā)明的保護(hù)范圍，凡依本發(fā)明專利范圍及說明書內(nèi)容所作的等效變化與修飾，皆為本發(fā)明專利涵蓋的范圍之內(nèi)。