基于无人机多源数据的三维温度场模型快速生成方法

本发明属于三维建模，提供基于无人机多源数据的三维温度场模型快速生成方法。

背景技术：

1、在环境监测、工业巡检、地质灾害预警、农业生产调控等领域，核心需求是快速获取大范围场景的三维空间形态与表面温度分布融合信息，以支撑温度异常识别、空间-温度关联分析等关键应用，因此行业亟需一种兼顾大范围覆盖、高精度建模、快速处理与低成本应用的三维温度场模型生成技术。但传统监测方法存在诸多局限，难以满足精准化、高效化、立体化监测需求。

2、当前获取三维温度场模型主要采用航空摄影测量方法，核心技术流程为：依据热红外相机参数规划设置航带，采集研究区面阵热红外影像；再通过影像匹配技术开展三维自动重建，最终获取研究区三维温度场模型数据。但传统温度场建模方法存在显著缺陷，支撑作用有限。具体体现在以下两方面：

3、其一，数据处理复杂，可靠性较低。常规方法需先对获取的温度场二维热红外影像进行匹配，再依托匹配结果完成三维自动重建。若研究区地处高海拔雪线附近等常年冰雪覆盖区域，常规匹配方法难以提取稳定可靠、分布均匀的特征点，极易导致影像匹配失败，无法完成三维温度场生成。

4、其二，数据处理效率低下，难以满足时效性需求。受热红外相机有效像幅小的限制，单位面积研究区所需采集的影像数据量远超常规可见光数据，达到数十倍之多。而基于三维温度场的地质灾害监测（如冰岩崩、滑坡泥石流、危岩体失稳等）多为应急类应用，对监测数据处理及模型生成的时效性要求极高。常规航空摄影测量方法繁琐的处理流程与海量的数据量形成突出矛盾，导致模型生成周期过长，无法快速为灾害监测预警提供有效支撑。

技术实现思路

1、为了解决上述技术问题，本发明提供基于无人机多源数据的三维温度场模型快速生成方法，采用八叉树分块自适应点云精简与特征点保留，兼顾建模效率与三维精度；通过传感器外参联合标定实现多源数据直接对齐，简化流程、提升精度与稳定性；将热红外温度信息精准映射至三维网格，快速生成高精度三维温度场模型，有效解决现有方法成本高、效率低、分辨率差、融合精度不足的问题。

2、本发明的技术方案包括：

3、通过无人机搭载激光雷达相机和热红外成像仪，在目标区域同步采集激光点云数据集与热红外影像数据。

4、激光点云数据集通过八叉树分块法分为若干个分块，获取每个点的局部密度，根据每个点的局部密度获取分块密度、分块密度标准差及全局密度，从而获取分块的综合指标，根据综合指标将分块划分为极稀疏、稀疏、中等、密集、极密集五个等级，对密集和极密集分块进行密度均衡滤波和体素滤波得到目标点云数量，再对五个等级的分块进行比例控制滤波使各个分块内的点云数量在目标范围内，得到精简点云数据集。

5、获取激光点云数据集中每个点云数据的曲率，去除曲率小于阈值的点云，得到特征点云数据集。

6、将精简点云数据集和特征点云数据集合并，并构建哈希表映射体素，去除重复点，得到目标点云数据集，根据目标点云数据集中的点云位置与法向信息进行泊松重建得到目标区域的三维网格模型。

7、将激光点云数据集和热红外影像数据进行空间位置对齐，然后将激光点云数据集对齐的热红外影像数据通过坐标转换与透视投影映射至三维网格模型表面，生成具有温度信息的三维温度场模型。

8、进一步的，八叉树分块法分为若干个分块前，对激光点云数据集进行预处理，去除离群点和噪声点。

9、进一步的，获取综合指标的方法为：

10、获取激光点云数据集中每个点云的局部密度，公式为：

11、

12、

13、获取分块密度、分块密度标准差及全局密度，公式为：

14、

15、

16、

17、获取综合指标，公式为：

18、

19、式中，k为点的近邻点数量，为常量，取值为1e-6，||·||为欧几里得距离，为点到所有邻点的平均距离，n为该分块内的点云数量，n为激光点云数据集中的点云总数量，α为调节系数且α>0，一般取全部分块密度标准差的平均值的倒数。

20、进一步的，根据综合指标r划分等级为：r<0.1为极稀疏等级，0.1≤r<0.5为稀疏等级，0.5≤r<2.0为中等等级，2.0≤r<10.0为密集等级，r≥10.0为极密集等级。

21、进一步的，所述精简点云数据集的获取方法为：

22、获取密集和极密集分块均衡滤波后的点云目标数量，公式为：

23、

24、对点云目标数量进行体素滤波得到目标点云数量。

25、对全部分块进行比例控制滤波，得到点云目标数量，公式为：

26、

27、式中，为分块内的原始点云数量，为密度均衡滤波后的目标密度，的取值为：当综合指标r≥20时，取0.3，当10≤综合指标r<20时，取，当2.0≤综合指标r<10时，取5，t为预设的抽稀比例。

28、将目标点云数量和点云目标数量对比，若目标点云数量在点云目标数量的误差范围内，则输出目标点云数量，若目标点云数量不在点云目标数量的误差范围内，则再对目标点云数量进行体素滤波，直至目标点云数量在点云目标数量的误差范围内。

29、全部分块的目标点云数量构成精简点云数据集。

30、进一步的，所述特征点云数据集的获取方法为：

31、选取激光点云数据集中任意点p周围的k个最近邻点，构建协方差矩阵：

32、

33、式中，为该点邻域的质心，是第j个邻居点。

34、对协方差矩阵进行特征值分解，得到三个特征值，，，且≤≤，对应的特征向量为该点p的法线方向。

35、根据三个特征值，，获取曲率，公式为：

36、

37、将曲率与阈值进行对比，去除曲率小于阈值的点云，得到去除曲率大于等于阈值的点云，即特征点云数据集。

38、进一步的，所述三维网格模型的构建方法为：

39、目标点云数据集s中的所有点的集合为{s1，s2，…,sn}，n为激光点的个数，同时在点集空间内构想一个封闭几何体m，并对点集空间内的所有点进行指示函数定义：

40、

41、对激光点云中任意一点si，i为小于n的自然数，若si在几何体内部，则指示函数的值为1，外部指示函数的值为0，其中x的定义域为点集s。

42、指示函数的梯度场∇χ在构想的几何体m内部和外部均为零，但在m表面会形成一个巨大的脉冲，其脉冲方向垂直于几何体m的表面并指向其外部。

43、将激光点云中的所有点si和其法向量si.看作指示函数的梯度场∇χ在目标几何体m表面的稀疏采样，从而反推原始的指示函数，具体为：

44、在点集空间内取任意一点q，通过目标点云数据集s中的所有点的法向加权和来构建一个平滑、连续的向量场，即：

45、

46、式中，为平滑的卷积函数，表示沿p方向的位移。

47、向量场为的理想梯度场∇χ的近似，即：

48、∇χ=

49、对上式两边求导则有：

50、δχ=∇·

51、式中，δ为拉普拉斯算子，δχ=∇·(∇χ)为梯度的散度，∇·为向量场的散度。

52、从而计算已知向量场则得到指示函数，进而得到目标几何体m的表面。

53、进一步的，所述空间位置对齐的方法为：

54、对激光雷达相机和热红外成像仪进行外参联合标定，基于标定获得的刚性变换关系构建标定矩阵。

55、

56、式中为3×3旋转矩阵，为3×1平移向量。

57、利用所述标定矩阵对热红外影像数据进行空间位置转换，实现激光点云数据与热红外影像数据的空间位置重合对齐，公式为：

58、

59、式中，为激光雷达在世界坐标系下的位姿，为校正后的红外相机在世界坐标系下的位姿。

60、进一步的，所述三维温度场模型的构建方法为：

61、对于三维网格模型中的任意三角形面片的一顶点p，世界坐标为，将其利用标定矩阵转换为热红外成像仪的世界坐标系坐标，公式为：

62、

63、再通过透视投影法，得到点p在二维图像平面的像素位置（u，v），公式为：

64、

65、式中，为相机焦距在水平方向上的物理尺寸，为相机焦距在垂直方向上的物理尺寸，为光轴与图像平面的水平坐标，为光轴与图像平面的垂直坐标。

66、利用上述转换过程，得到三维网格模型中三角形面片的各顶点在二维图像平面中的位置，则可以提取每个面片对应的热红外面元，将所有热红外面元存储至纹理图集，再将纹理图集与三维网格模型融合得到三维温度场模型。

67、本发明提供的技术方案与现有技术相比具有如下优点：

68、本发明通过八叉树分块与密度分级自适应精简点云，结合曲率特征保留关键地形细节，有效解决传统固定抽稀无法兼顾建模效率与三维结构精度的问题；采用激光雷达与热红外相机外参联合标定实现空间直接对齐，替代耗时易误匹配的特征匹配流程，大幅提升多源数据融合速度与对齐精度；依托泊松重建与透视投影纹理映射，快速生成带温度信息的三维温度场模型，克服地面布设成本高、卫星遥感分辨率低、单一数据源缺乏空间-温度关联等缺陷，在大范围复杂场景下实现高精度、高效率、低成本的三维温度场快速构建。

69、本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。