“运动视觉场景恢复”的摄影测量:一种低成本、高效率的地理科学应用工具

导读

随着摄影测量技术的飞速发展,高分辨率地形数据的获取更加方便、经济,但是传统摄影测量需要做繁琐的控制测量和相机参数获取,对于不可达的偏远山区来说,高精度数据的获取仍然成为困扰科研人员的一大问题,那么对于偏远山区来说我们有什么方法能够获取到高分辨率地形数据呢?Matthew J Westoby教授结合了近年来计算机视觉领域的研究成果,并使用“运动视觉场景恢复(Structure from Motion, SfM)”的方法进行摄影测量实践,使得获取偏远地区的高分辨率地形数据成为变得简单、可行。(Matthew J Westoby教授致力于地貌学、水文学和摄影测量等方面的研究。该文章发表于Geomorphology,近年来被引量高达826次。)

背景

传统的摄影测量数据采集工作由于地面控制工作繁琐,以及野外条件的恶劣等而受到限制,导致高分辨率数据的采集工作成本居高不下。然而计算机视觉领域中已经研究了诸多通过运动视觉图像进行场景恢复的方法。计算机视觉和摄影测量有诸多相似之处,能否借鉴其中的方法解决摄影测量的问题,Matthew J Westoby教授进行了有益的探索。

内容概述

传统摄影测量方法需要三维坐标和相机参数,用以测量和重构三维场景。而SfM方法基于多影像特征匹配利用高度冗余的光束平差解决了视角位置和几何场景问题。SfM方法与立体摄影测量的基本原理是一致的,即从一系列重叠的偏移影像中可以分辨出立体结构。但是,它与传统摄影测量有着根本的区别,即场景的几何形状、摄像机的位置和方向都是自动处理的,不需要事先指定一个已知三维位置的目标网络。相反,这些问题是使用高度冗余的迭代调整程序来解决,它基于一组多张重叠图像中自动提取出来的特征组成的数据库,这种方法最适合于具有高度重叠程度的影像集合,这些从较大范围或者移动传感器获取的影像可以构建整个场景的三维结构。

传统摄影测量在确定场景中点的三维坐标方面有两种方法,一种需要获取摄像机的三维坐标,另一种需要获取一系列控制点的三维坐标。在前一种方法中,在缺少摄像机GPS和电子罗盘的情况下,三角测量可用于重建几何场景,而在后一种方法中,控制点在原始影像中被手动识别,并且进行相机姿态预估处理,用于确定相机位置。而SfM方法不需要上述事先已知的数据就可以进行场景重建,它是通过多幅影像特征匹配的自动识别,就可以重建摄像机姿态和几何场景。这些特征从一幅影像查验到另一幅影像,从而能够对摄像机的位置和目标坐标进行初始估计,然后使用非线性最小二乘最小化迭代来重新估计摄像机位置和目标坐标。

SfM方法流程大致分三个部分:影像数据获取、SfM数据处理、后处理。具体流程见图1。

图1 SFM方法流程图

文章将SfM方法与激光扫描方法做了对比,对比结果前者优于后者,由图2可知,94%的地形误差在1m以内,86%的地形误差在0.5m以内。

图2 误差分布图

文章分别在大尺度和小尺度地形中应用了SfM方法进行冰川地貌重建,如图3和图4。

图3 大尺度地形重建结果

图4 小尺度地形重建结果

总结

本文概述了一种新型低成本、基于地面的、近距离地形摄影测量方法,通过计算机视觉来获得高分辨率的、适合模拟中尺度和微尺度地形的空间数据。SfM方法的本质是消除影像控制处理之前手动识别的需求,取而代之的是用摄像机姿态自动预估算法来解决3D摄像机的位置和几何场景问题;这是相比较于传统数字摄影测量方法的优势之处。然而,原始SfM处理结果采用的是相对坐标系,因此在建立GCP网络时应特别注意时间,以便于转换到绝对坐标系和量化数据的提取。假设航空摄影测量行之有效,本文提出的地面数据采集方法相对于传统地形测量来说效率高、耗费低,尤其对于偏远地区或无人区来说,本文方法更具有价值。

文献来源:

M.J. Westoby, J.Brasington, N.F. Glasser, M.J. Hambrey, J.M. Reynolds. ’Structure-from-Motion’ photogrammetry: A low-cost, effective tool for geoscience applications[J]. Geomorphology,2012,179:300-314.

  • 发表于:
  • 原文链接:http://kuaibao.qq.com/s/20180122G01DUG00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券