一种低空无人机多源数据融合的大比例尺地形图测量方法与流程

本发明属于摄影测量与遥感，具体涉及一种低空无人机多源数据融合的大比例尺地形图测量方法。

背景技术：

1、近年的改进尝试将光学摄影与机载激光雷达联合作业实现对大比例尺地形的测量。

2、cn113034689b（睿驭时空）公开了"无人机lidar点云+正射影像→三维模型→1:500地形图"的整条工艺链，采用pix4dmapper空三、terrasolid点云分类、arcgis tin/dem、idata矢量成图，航高100 m、点云密度约120 pts/m2。cn114859374b（中国铁路设计集团）公开了激光点云密度16 pts/m2、影像gsd 5 cm与控制标靶联合处理的对应关系。cn116993900a（朱文会等）公开了刚性七参数变换对摄影密集点云与激光点云的配准。cn107341851a公开了弓字形航线，cn211207173u公开了仿地飞行。us 11,619,712 b2（leica）公开了摄影与激光雷达共用gnss/imu的混合传感器。

3、上述方案多为"光学空三+lidar独立地理参考+七参数后处理"的工艺链拼接，未形成参数级反馈闭环。

4、故而提供一种低空无人机多源数据融合的大比例尺地形图测量方法，用于解决上述技术问题，是非常有必要的。

技术实现思路

1、本发明实施例提供一种低空无人机多源数据融合的大比例尺地形图测量方法，旨在能够解决现有的植被遮蔽区精度衰减、多传感器时空对齐误差累积、大高差区域采样不均、人工介入环节多导致外业效率低的问题。

2、为实现上述目的，本发明采用的技术方案是：提供一种低空无人机多源数据融合的大比例尺地形图测量方法，包括以下步骤：

3、基于全球导航卫星系统（gnss）与惯性测量单元（imu）紧耦合后处理动态定位（ppk）叠加反向平滑算法（rts），解算出高精度定位定姿系统（pos）轨迹数据；基于标定后的视准角与杠杆臂，完成pos轨迹数据与相机/激光雷达外参的在线标定；

4、基于标定完成的pos轨迹数据执行全区预扫飞行，获取预扫模式的初始点云及预扫数字地表模型（dsm），并以此预扫dsm为地形约束规划仿地变高航线；

5、基于标定完成的pos轨迹数据与预扫dsm规划变高航线得到的视准角与杠杆臂，获取激光脚点反投影观测方程，并结合激光脚点反投影观测方程，获取点-面约束观测方程；

6、基于标定完成的pos轨迹轨迹数据与预扫dsm规划变高航线，开展变高航线规划与野外自适应采集，并构建摄影测量共线方程观测方程；

7、基于预扫dsm计算由邻域dem标准差、归一化坡度及植被密度加权的地形复杂度指数c，进行像控点自适应加密与激光雷达强反射布设，并根据像控点自适应加密与激光雷达强反射布设获取像控点观测方程；

8、基于像控点观测方程、激光脚点反投影观测方程、点-面约束观测方程及共线方程观测方程构建联合平差，并基于联合平差获取激光脚点协方差矩阵；

9、基于预扫模式下得到的初始点云，获取逐栅格坡度图、包含地面、植被、建筑、电力线、车辆的五类语义标签，并结合逐栅格坡度图及五类语义标签，完成地面点云的高精度几何提纯；

10、依据联合平差输出的激光脚点协方差矩阵，结合在线标定的数据，获取高程不确定度；当所述高程不确定度超限时，系统触发自诊断机制，判定外业采集或内业参数出现偏离；随即择一或组合执行以下应对策略：下调航高；收紧ptd阈值；按地形复杂度指数c二次加密像控点密度，以得到大比例尺地形图绘制。

11、进一步地，所述变高航线规划与野外自适应采集中，以像片地面采样距离gsd与航高h的比值作为密度控制基准，按上一航带实测点云密度与比例尺密度阈值的偏差通过pi控制器调整下一航带航高，使实测密度稳于阈值±10%范围内；各比例尺具体参数配置如下：

12、1:500比例尺，gsd=0.05m、航高h=150~250m、像控点密度点/km2；

13、1:1000比例尺，gsd=0.1m、航高h=300~500m、像控点密度点/km2；

14、1:2000比例尺，gsd=0.2m、航高h=600~1000m、像控点密度点/km2。

15、进一步地，所述地形复杂度指数c的计算权重分配为：邻域dem标准差权重0.4、归一化坡度权重0.4、植被密度权重0.2，三因子均归一化至[0,1]，取测区内最大坡度；

16、像控点以区块四角各1点及区块几何中心1点即"四周4点+中心1点"网形为基础按c自适应加密，其中中心1点兼作区块内部检核，单作业区块不少于5点；

17、初始像控点密度按点/km2布设；

18、在坡度>15°或粗糙度>0.5的复杂区增设60×60cm黑白棋盘格+反射靶柱的lidar强反射靶标，靶标与对应像控点共面且平面距离<0.1m。

19、进一步地，所述联合平差中，旋转角类参数按弧度、平移量类参数按米归一化，引入无量纲精度控制因子10-6作为单位权中误差告警线；

20、单位权中误差按下列公式计算：

21、；

22、式中：为观测值残差向量；为观测值权矩阵；为观测总数；为多余观测数；

23、当时，切换至igg3抗差权函数（）迭代剔除粗差，并基于helmert方差分量估计自适应重权；针对残余系统差采用薄板样条tps模型二次改正，平面残差按下式：

24、；

25、式中：为点位水平方向残差。

26、进一步地，所述地面点云高精度几何提纯中，渐进tin加密的迭代角度阈值与距离阈值按坡度图反馈设定：

27、在坡度的条件下，角度阈值、距离阈值；

28、坡度时，线性增至、增至1.2~1.4m；

29、坡度时，角度阈值放宽至、距离阈值放宽至1.6~1.8m。

30、进一步地，所述逐栅格坡度图与五类语义标签的获取中：

31、首轮采用布料模拟滤波csf，即cloth simulation filter，一种基于虚拟布料垂降贴点云的物理类比地面滤波算法，参数配置为：网格尺寸1.0m、布料刚度2、距离阈值0.4m、最大迭代500次、bslopesmooth=true，输出首轮地面点经tin内插为栅格并计算逐栅格坡度图；

32、次轮以归一化高程为附加特征，输入kpconv或randla-net语义分割，输出地面、植被、建筑、电力线、车辆五类标签，训练损失为类别加权交叉熵与lovász-softmax之和，并以dales数据集预训练；

33、归一化高程公式如下：

34、；

35、其中：为原始高程；为首轮布料模拟滤波输出的归一化高程；

36、末轮对次轮输出的地面候选点以坡度图反馈设定ptd迭代角度与距离阈值进行几何精化。

37、进一步地，所述激光脚点协方差按下式传播：

38、;

39、其中：所述雅可比矩阵通过对测距、扫描角、imu姿态、gnss位置、杠杆臂及视准角的误差源求偏导构建；

40、检核点布设密度达到每平方千米30点以上且均匀分布，实测高程中误差按下式进行校核：

41、；

42、式中：为高程中误差（单位：m）；为检查点处的测量高程值（从lidar/影像匹配得到）；为检查点处的真实高程值（外业rtk/水准测量获取）；为检查点数量；为所有检查点高程误差的平方和。

43、优选地，外业rtk为野外现场使用rtk 接收机实地采集地面点三维坐标。

44、进一步地，所述pos轨迹数据与相机/激光雷达外参的在线标定中：

45、以测试场三块以上不同朝向屋面平面为几何约束，构建激光脚点到屋面平面的点-面距离最小化目标函数，通过levenberg-marquardt算法迭代求解视准角与杠杆臂；

46、标定后视准角残差均<0.005°，相机与imu时延<1μs，激光与imu时延<0.5μs；

47、pos协方差残差反馈至联合平差先验权矩阵，形成标定-平差-精制闭环。

48、进一步地，单作业区块面积为3~5km2，其中，像片地面采样距离（gsd）满足：1:500比例尺优于0.05m，1:1000比例尺优于0.1m，且1:2000比例尺优于0.2m；

49、布尔莎七参数通过不少于3个同名控制点解算。

50、进一步地，基于上述所述激光脚点协方差矩阵计算得到的高程不确定度，若所述高程不确定度超过预设阈值，则触发系统自诊断机制，并择一或组合执行以下应对策略：下调航高、收紧渐进加密三角网（ptd）阈值或按地形复杂度指数c二次加密像控点密度。

51、本发明与现有技术相比的优点在于：

52、1、基于gnss/imu紧耦合ppk叠加rts解算高精度pos轨迹后，基于标定后的视准角与杠杆臂，完成pos轨迹数据与相机/激光雷达外参的在线标定--标定后的外参直接作为后续联合平差的先验输入，形成"在线标定→联合平差→精化"的误差传递闭环；

53、2、基于标定完成的pos轨迹数据执行全区预扫飞行获取预扫dsm，以此预扫dsm为地形约束规划仿地变高航线，并结合"变高航线规划与野外自适应采集"形成在线反馈：上一航带实测密度偏离阈值±10%时即调整下一航带航高，使山顶与山脚采样密度趋于一致。