留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码
黄伟, 姜三, 刘先铮, 江万寿. GNSS约束的长航带无人机影像自检校方法[J]. 武汉大学学报 ( 信息科学版). doi: 10.13203/j.whugis20210436
引用本文: 黄伟, 姜三, 刘先铮, 江万寿. GNSS约束的长航带无人机影像自检校方法[J]. 武汉大学学报 ( 信息科学版). doi: 10.13203/j.whugis20210436
HUANG Wei, JIANG San, LIU Xianzheng, JIANG Wanshou. GNSS Constrained Self-Calibration for Long Corridor UAV Image[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210436
Citation: HUANG Wei, JIANG San, LIU Xianzheng, JIANG Wanshou. GNSS Constrained Self-Calibration for Long Corridor UAV Image[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210436

GNSS约束的长航带无人机影像自检校方法

doi: 10.13203/j.whugis20210436
基金项目: 

国家自然科学基金(42001413)。

详细信息
    作者简介:

    黄伟,博士,研究方向为无人机影像三维重建。hw1006@whu.edu.cn

GNSS Constrained Self-Calibration for Long Corridor UAV Image

  • 摘要: 相机自检校直接决定无人机影像空三的精度。沿输电线路走廊采集的长航带结构无人机影像是一种典型的退化配置,对其自检校容易出现“碗状”效应。为解决该问题,传统方法往往依赖较多控制点,而本文提出的自检校方法仅需一个控制点。首先研究经典物理模型和最新的数学模型;然后在增量式SfM框架下,设计了一种联合无人机影像相机检校参数初始化和高精度差分GNSS位置信息辅助的相机自检校方法。利用两个实验区域不同采集模式下的四组无人机电力走廊影像进行无控制约束以及单个控制点约束的相机自检校实验。结果表明,本文提出的相机自检校策略在无控制点约束时,可以有效缓解长航带结构空三的“碗状”效应,减轻模型的弯曲程度,提高自检校空三的绝对精度;单个控制点约束自检校时,水平和高程精度均优于0.06 m。与当前主流开源和商业软件对比,本文算法能够得到相当或更高精度。
  • [1] PEI Huikun, JIANG San, LIN Gauoan, et al. 3D Reconstruction of Transmission Route based on UAV Oblique Photogrammetry[J]. Science of Surveying and Mappin, 2016, 41(12):292-296(裴慧坤,姜三,林国安,等.依托无人机倾斜摄影的电力走廊三维重建[J].测绘科学, 2016, 41(12):292-296)
    [2] JIANG S, JIANG W, HUANG W, et al. UAV-based oblique photogrammetry for outdoor data acquisition and offsite visual inspection of transmission line[J]. Remote Sensing, 2017, 9(3):278.
    [3] LI Deren, LI Ming. Research Advance and Application Prospect of UnmannedAerial Vehicle Remote Sensing System[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5):505-513(李德仁,李明.无人机遥感系统的研究进展与应用前景[J].武汉大学学报·信息科学版, 2014, 39(5):505)
    [4] WU C. Critical Configurations for Radial Distortion Self-Calibration[C]. 2014 IEEE Conference on Computer Vision and Pattern Recognition, 2014:25-32.
    [5] ZHOU Y, RUPNIK E, MEYNARD C, et al. Simulation and Analysis of Photogrammetric UAV Image Blocks-Influence of Camera Calibration Error[J]. Remote Sensing, 2019, 12(1):22.
    [6] TOURNADRE V, PIERROT-DESEILLIGNY M, FAURE P H. UAV Linear Photogrammetry[C]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2015:327.
    [7] POLIC M, STEIDL S, ALBL C, et al. Uncertainty based camera model selection[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020:5991-6000.
    [8] GRIFFITHS D, BURNINGHAM H. Comparison of pre-and self-calibrated camera calibration models for UAS-derived nadir imagery for a SfM application[J]. Progress in physical geography:earth and environment, 2018, 43(2):215-235.
    [9] JAUD M, PASSOT S, LE BIVIC R, et al. Assessing the accuracy of high resolution digital surface models computed by PhotoScan® and MicMac® in sub-optimal survey conditions[J]. Remote Sensing, 2016, 8(6):465.
    [10] SALACH A, BAKUŁA K, PILARSKA M, et al. Accuracy assessment of point clouds from LiDAR and dense image matching acquired using the UAV platform for DTM creation[J]. ISPRS International Journal of Geo-Information, 2018, 7(9):342.
    [11] JAUD M, PASSOT S, ALLEMAND P, et al. Suggestions to limit geometric distortions in the reconstruction of linear coastal landforms by SfM photogrammetry with PhotoScan® and MicMac® for UAV surveys with restricted GCPs pattern[J]. Drones, 2019, 3(1):2.
    [12] NAHON A, MOLINA P, BLáZQUEZ M, et al. Corridor mapping of sandy coastal foredunes with UAS photogrammetry and mobile laser scanning[J]. Remote Sensing, 2019, 11(11):1352.
    [13] DUANE C B. Close-Range Camera Calibration[J]. Photogramm. Eng., 1971, 37(8):855-866.
    [14] FRASER C S. Digital camera self-calibration[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1997, 52(4):149-159.
    [15] LUHMANN T, ROBSON S, KYLE S, et al. Close Range Photogrammetry:Principles, Techniques and Applications[M]. Dunbeath, Caithness, Scotland:Whittles publishing, 2006.
    [16] FITZGIBBON, A. W. Simultaneous linear estimation of multiple view geometry and lens distortion[C]. IEEE Computer Society Conference on Computer Vision & Pattern Recognition, 2001.
    [17] KUKELOVA Z, PAJDLA T. A minimal solution to the autocalibration of radial distortion[C]. IEEE Conference on Computer Vision & Pattern Recognition, 2007.
    [18] KUKELOVA Z, PAJDLA T. A Minimal Solution to Radial Distortion Autocalibration[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12):p.2410-2422.
    [19] JIANG F, KUANG Y, SOLEM J E, et al. A Minimal Solution to Relative Pose with Unknown Focal Length and Radial Distortion[C]. Springer International Publishing, 2014.
    [20] KUKELOVA Z, HELLER J, BUJNAK M, et al. Efficient Solution to the Epipolar Geometry for Radially Distorted Cameras[C]. IEEE International Conference on Computer Vision, 2015:2309-2317.
    [21] EBNER H. Self calibrating block adjustment[J]. Bildmessung und Luftbildwessen, 1976, 44:128-139.
    [22] GRUEN A. Accuracy, reliability and statistics in close-range photogrammetry[C]. Inter-Congress Symposium of ISP Commission V, 1978.
    [23] TANG R, FRITSCH D, CRAMER M, et al. A Flexible Mathematical Method for Camera Calibration in Digital Aerial Photogrammetry[J]. Photogrammetric Engineering & Remote Sensing, 2012, 78:1069-1077.
    [24] TANG R, FRITSCH D, CRAMER M. New rigorous and flexible Fourier self-calibration models for airborne camera calibration[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 71:76-85.
    [25] BABAPOUR H, MOKHTARZADE M, VALADAN ZOEJ M J. Self-calibration of digital aerial camera using combined orthogonal models[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 117:29-39.
    [26] MAXIME L. Incremental Fusion of Structure-from-Motion and GPS Using Constrained Bundle Adjustments[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(12):2489-2495.
    [27] GOPAUL N S, WANG J, HU B. Camera auto-calibration in GPS/INS/stereo camera integrated kinematic positioning and navigation system[J]. Journal of Global Positioning Systems, 2016, 14(1):3.
    [28] YUAN Xiuxiao, ZHU Wu, WU Junli, WANG Ruiyao. GPS-supported Bundle Block Adjustment Without Ground Control Points[J]. Geomatics and Information Science of Wuhan University, 2004, 29(10):852-857(袁修孝,朱武,武军郦,等.无地面控制GPS辅助光束法区域网平差[J].武汉大学学报·信息科学版, 2004, 29(10):852)
    [29] SCHONBERGER J L, FRAHM J M. Structure-from-Motion Revisited[C]. IEEE Conference on Computer Vision and Pattern Recognition, 2016:4104-4113.
  • [1] 姚永祥, 段平, 李佳, 王云川.  联合对数极坐标描述与位置尺度特征的无人机影像匹配算法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20200362
    [2] 陈武, 姜三, 李清泉, 江万寿.  无人机影像增量式运动恢复结构研究进展 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20220130
    [3] 张瑞倩, 邵振峰, Aleksei Portnov, 汪家明.  多尺度空洞卷积的无人机影像目标检测方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20200253
    [4] 姜三, 许志海, 张峰, 廖如超, 江万寿.  面向无人机倾斜影像的高效SfM重建方案 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20180030
    [5] 詹总谦, 李一挥, 王陈东, 郑莉.  顾及局部相对几何变形改正的影像匹配和空三逐步精化方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20170342
    [6] 李鹏飞, 孙开敏, 李德仁, 王玮.  无人机影像应急并行处理负载均衡方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20130095
    [7] 李鹏飞, 孙开敏, 李德仁, 王玮.  无人机影像应急并行处理负载均衡方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20170022
    [8] 杨楠, 邵振峰, 郭丙轩, 彭哲, 黄蕾.  基于非固定初始面元的无人机影像点云优化算法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20140750
    [9] 刘经南, 邓辰龙, 唐卫明.  GNSS整周模糊度确认理论方法研究进展 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20140241
    [10] 林宗坚, 任超锋, 姚娜, 解斐斐.  一种航空影像阴影补偿方法 . 武汉大学学报 ( 信息科学版),
    [11] 王涛, 张艳, 潘申林, 林丽霞.  机载三线阵CCD影像自检校光束法区域网平差 . 武汉大学学报 ( 信息科学版),
    [12] 韩保民, 欧吉坤, 曲国庆.  GPS观测数据的模拟研究 . 武汉大学学报 ( 信息科学版),
    [13] 张勇, 马桃林.  数字图像色彩评价方法的探讨 . 武汉大学学报 ( 信息科学版),
    [14] 刘雁春, 陈永奇, 梁开龙, 暴景阳.  近海海洋测量瞬时海面数学模型 . 武汉大学学报 ( 信息科学版),
    [15] 王建华.  基于模糊综合评判原理建立制图基本资料选择评价数学模型 . 武汉大学学报 ( 信息科学版),
    [16] 胡继才.  高等学校毕业生分配的模糊数学方法 . 武汉大学学报 ( 信息科学版),
    [17] 祝国瑞.  应用数学模型推断地图上河流的选取程度 . 武汉大学学报 ( 信息科学版),
    [18] 佘彬彬.  VLBI、卫星网和地面网联合平差的数学模型 . 武汉大学学报 ( 信息科学版),
    [19] 单杰.  联合平差中大地测量观测值的数学模型 . 武汉大学学报 ( 信息科学版),
    [20] 胡继才.  模糊综合评判及地形图质量的评定 . 武汉大学学报 ( 信息科学版),
  • 加载中
计量
  • 文章访问数:  189
  • HTML全文浏览量:  38
  • PDF下载量:  8
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-09-30
  • 网络出版日期:  2022-10-21

doi: 10.13203/j.whugis20210436
    基金项目:

    国家自然科学基金(42001413)。

    作者简介:

    黄伟,博士,研究方向为无人机影像三维重建。hw1006@whu.edu.cn

摘要: 相机自检校直接决定无人机影像空三的精度。沿输电线路走廊采集的长航带结构无人机影像是一种典型的退化配置,对其自检校容易出现“碗状”效应。为解决该问题,传统方法往往依赖较多控制点,而本文提出的自检校方法仅需一个控制点。首先研究经典物理模型和最新的数学模型;然后在增量式SfM框架下,设计了一种联合无人机影像相机检校参数初始化和高精度差分GNSS位置信息辅助的相机自检校方法。利用两个实验区域不同采集模式下的四组无人机电力走廊影像进行无控制约束以及单个控制点约束的相机自检校实验。结果表明,本文提出的相机自检校策略在无控制点约束时,可以有效缓解长航带结构空三的“碗状”效应,减轻模型的弯曲程度,提高自检校空三的绝对精度;单个控制点约束自检校时,水平和高程精度均优于0.06 m。与当前主流开源和商业软件对比,本文算法能够得到相当或更高精度。

English Abstract

黄伟, 姜三, 刘先铮, 江万寿. GNSS约束的长航带无人机影像自检校方法[J]. 武汉大学学报 ( 信息科学版). doi: 10.13203/j.whugis20210436
引用本文: 黄伟, 姜三, 刘先铮, 江万寿. GNSS约束的长航带无人机影像自检校方法[J]. 武汉大学学报 ( 信息科学版). doi: 10.13203/j.whugis20210436
HUANG Wei, JIANG San, LIU Xianzheng, JIANG Wanshou. GNSS Constrained Self-Calibration for Long Corridor UAV Image[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210436
Citation: HUANG Wei, JIANG San, LIU Xianzheng, JIANG Wanshou. GNSS Constrained Self-Calibration for Long Corridor UAV Image[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210436
参考文献 (29)

目录

    /

    返回文章
    返回