1.一种基于航空测绘技术的地形测绘方法,包括:利用无人机对测区进行倾斜摄影,获取测区的航空影像数据集;
对获取的航空影像数据集进行预处理;预处理包含畸变矫正和色彩平衡;
在测区内设置N个地面控制点GCP,利用GPS-RTK方法测量每个地面控制点GCP的三维坐标,建立测区的地面控制网;
将预处理后的航空影像数据集作为输入,利用预训练的YOLOv5目标检测模型,通过目标检测和定位每张航空影像上的地面控制点GCP;
对航空影像上检测到地面控制点GCP的区域,进行边缘检测和角点定位,获取地面控制点GCP在对应航空影像的像素坐标;
根据获取的每个地面控制点GCP在所有航空影像上的像素坐标,提取地面控制点的多尺度特征,构建多特征融合的控制点识别模型,用于确定每个地面控制点在不同航空影像间的匹配关系;其中,多尺度特征包含颜色、形状和纹理;
以获取的每个地面控制点GCP的三维坐标、每个地面控制点在航空影像上的像素坐标,以及每个地面控制点在航空影像间的匹配关系,作为观测值,通过区域网平差和光束法平差,解算每张航空影像的空间位置和姿态角;
利用解算的每张航空影像的空间位置和姿态角,通过多视影像密集匹配算法,对预处理后的航空影像数据集进行匹配,生成测区的三维点云数据,并通过点云滤波和网格化处理,生成测区的数字表面模型DSM;
对生成的数字表面模型DSM,通过地形表面重建算法和正射纠正方法,剔除非地面点,生成测区的数字高程模型DEM和正射影像图,作为地形测绘结果输出;
将预处理后的航空影像数据集作为输入,利用预训练的YOLOv5目标检测模型,进行目标检测和定位每张航空影像上的地面控制点GCP,包括:将预处理后的航空影像数据集划分为训练集和验证集,并对训练集中的每张航空影像进行标注,得到地面控制点的像素级标注数据;
利用标注的训练集数据,通过迁移学习方法对预训练的YOLOv5目标检测模型进行调整,得到用于检测地面控制点的目标检测模型;
将预处理后的每张待处理航空影像作为输入,利用目标检测模型,通过前向推理过程得到每张影像上地面控制点的检测结果,检测结果包含地面控制点的像素坐标(u在推理过程中,设置图像金字塔和滑动窗口策略,包括:构建多尺度影像金字塔,通过设置不同的缩放因子对输入的航空影像进行下采样和上采样,生成多个不同分辨率的影像尺度,并在每个尺度上进行目标检测;
在每个尺度的航空影像上,根据地面控制点的先验大小,设置滑动窗口的尺寸为w×h,其中,w和h分别为窗口的宽度和高度;
设置滑动窗口的水平和垂直滑动步长为s
以s
将每个候选区域输入到步骤S42的目标检测模型中,通过前向推理计算候选区域包含地面控制点的置信度c在推理过程中,设置图像金字塔和滑动窗口策略,还包括:在滑动窗口检测的同时,对步骤S42的目标检测模型引入基于区域建议网络RPN的候选区域生成机制;
利用预设的地面控制点先验特征,通过RPN网络生成一系列矩形候选框,每个候选框用(x,y,w,h)表示,其中,(x,y)为候选框的中心坐标,w和h分别为候选框的宽度和高度;
RPN网络通过卷积神经网络提取输入特征,通过两个并行的全连接层分别预测候选框包含地面控制点的概率p获取概率p
分别计算滑动窗口候选区域和RPN候选框与预设的地面控制点先验特征的相似度,得到对应的注意力权重ws对于第i个滑动窗口候选区域,将置信度c
对于第i个RPN候选框,将概率p
设置置信度阈值c
将最终的候选区域,根据对应的尺度和位置信息,映射回步骤S2的原始分辨率航空影像上,得到对应影像上地面控制点的像素坐标{(u
2.根据权利要求1所述的基于航空测绘技术的地形测绘方法,其特征在于:建立测区的地面控制网,包括:
根据测区面积和地形,确定地面控制点GCP的设置数量N和分布位置{P在每个初始空间位置P
将所有地面控制点的测量三维坐标{(X
S34,以平差解算得到的各地面控制点的三维坐标{(X
3.根据权利要求1或2所述的基于航空测绘技术的地形测绘方法,其特征在于:构建多特征融合的控制点识别模型,用于确定每个地面控制点在不同航空影像间的匹配关系,包括:根据获取的每个地面控制点GCP在航空影像上的像素坐标(u对获取的每个地面控制点图像块,提取多尺度特征,构建地面控制点的特征描述符;
将不同航空影像获取的同一地面控制点的多尺度特征描述符{F
4.根据权利要求3所述的基于航空测绘技术的地形测绘方法,其特征在于:对获取的每个地面控制点图像块,提取多尺度特征,包括:在HSV颜色空间内,计算图像块的颜色直方图,提取反映地面控制点颜色分布的特征向量F对图像块进行Canny边缘检测和轮廓提取,计算轮廓的几何矩,提取反映地面控制点形状的特征向量F利用Gabor小波变换对图像块进行多尺度和多方向的纹理分析,提取反映地面控制点纹理的特征向量F将颜色、形状和纹理特征向量F
5.根据权利要求3所述的基于航空测绘技术的地形测绘方法,其特征在于:采用深度学习的方法训练多特征融合的控制点识别模型,获取地面控制点在不同航空影像间的匹配关系,包括:构建孪生卷积神经网络和三元组损失函数,以成对的地面控制点多尺度特征(F在孪生卷积神经网络的末端设置相似度度量层,通过计算特征向量之间的欧氏距离来度量两个地面控制点的相似性;
根据标注的地面控制点匹配关系,从多视角航空影像获取的地面控制点特征描述符中选取匹配的控制点作为正样本对(F从不同地面控制点的特征描述符中随机选取不匹配的控制点对作为负样本对(F组合正样本对(F
通过三元组损失函数约束,使得正样本对(F利用小批量梯度下降算法和反向传播算法,迭代优化三元组损失函数,更新孪生卷积神经网络的权重参数,学习控制点特征的判别表示;
利用训练后的控制点识别模型获取地面控制点在不同航空影像间的匹配关系。
6.根据权利要求5所述的基于航空测绘技术的地形测绘方法,其特征在于:利用训练后的控制点识别模型获取地面控制点在不同航空影像间的匹配关系,包括:从不同航空影像中提取每个地面控制点的多尺度特征描述符;
对任意两个地面控制点的多尺度特征描述符进行两两组合,构成特征描述符对(F将每对特征描述符(F
对所有控制点对(F
对地面控制点的相似度矩阵进行逐行逐列的极大值抑制处理;
设定相似度阈值,将相似度得分大于阈值且为行列极大值的控制点对,确定为匹配;
获取每个地面控制点在不同航空影像之间的多视角同名点匹配关系,作为地面控制点在不同航空影像间的匹配关。
7.根据权利要求5所述的基于航空测绘技术的地形测绘方法,其特征在于:三元组损失函数表达式如下:
其中,L(θ)表示三元组损失函数,用于度量正负样本对之间的相对距离关系;θ表示孪生卷积神经网络的权重参数;F