论文部分内容阅读
地物目标的高精度、自动化定位及分类技术在3D数字城市构建,甚至在“智慧城市”、“智慧中国”建设中起到至关重要的作用,同时它是国家大力倡导和重点发展的学科领域,在抗震救灾、人员搜救、军事侦察等诸多领域都有着广泛的应用需求,本论文研究课题即在此背景下提出。传统方法中,实现定位通常采用人工测绘或(Global Position System,GPS)辅助航空摄影测量实现,但该方法需要布设地面控制点(Ground Control Point,GCP),不仅费时费力,而且在人工无法到达区域难以实现。随着惯性导航技术和装备制造水平的飞速发展,机载定姿定位系统(Position and Orientation System,POS)应运而生,并逐步商业化,使得航空对地观测中布设少量的地控点或无需布设地控点进行目标定位,逐渐成为现实。不仅如此,作为当今航测与遥感中对地观测的新型传感器,机载激光扫描雷达(Lighting Detection and Ranging,LiDAR)的出现,有效弥补了数字航空相机只能捕获地物平面信息的不足,不仅可以提供地物高分辨率影像(强度图像或者高度图像),同时能提供精确的距离信息,为航空摄影测量中地物三维空间信息的获取及处理提供了极大的方便。本论文紧跟国内外研究前沿,通过引入机载POS系统和机载LiDAR技术,以期实现对地物目标的自主定位和复杂背景下的城市目标自动分类。该课题试图探索提升机载POS系统本身输出精度的方法,针对基于机载POS的目标定位技术展开研究,利用全微分方法建立出定位误差的数学模型,并通过国际上广泛使用的某仿真软件(M软件)进行计算仿真分析。此外,本论文研究了融合航空光学影像和机载LiDAR三维点云数据的典型城市地面目标的分类问题,在LiDAR点云和光学影像配准的基础上,提出三步法(Three Steps,TS)用于LiDAR点云自动分割处理后,通过融合策略与航空影像中特征相结合,分类提取出四种不同类型的城市地面目标,该算法的分类精度理论上达到90%。总体来讲,本论文主要研究内容及创新点如下:1)提出了一种改进的平方根容积卡尔曼滤波算法针对机载POS系统内部的差分GPS(Differential GPS,DGPS)及惯性导航(Inertial Navigation System,INS)的联合滤波融合问题,提出一种基于自适应噪声估计器的平方根容积卡尔曼滤波算法。该算法利用容积卡尔曼滤波(Cubature Kalman Filter,CKF),通过引入矩阵的正交三角QR分解和Cholesky分解因数的更新技术,直接传播并相应地更新状态协方差矩阵的平方根。该算法将自适应的噪声估计器和小波卡尔曼滤波结合,建立附加权值的量测噪声的协方差矩阵,因该矩阵通过INS和DGPS的实时观测值计算得出,保证了其计算值和实际系统基本一致。仿真实验结果表明,该算法具有较高的滤波精度和较强的鲁棒性。2)提出了一种基于BP神经网络的外方位元素的解算方法针对机载POS系统辅助航空摄影测量中传统坐标变换方法解算航摄影像外方位元素的不足,提出一种基于BP神经网络(BP Neural Network,BP-NN)航摄像片的外方位元素解算方法。将机载POS的输出值作为BP神经网络的输入,结合笛卡尔直角坐标变换,并采用M软件对BP网络进行训练和调整,构造出15-4-6型结构的三层神经网络。机载POS系统的惯性测量单元(Inertial Measurement Unit,IMU)及DGPS的输出经神经网络的每个神经元加权运算,求和结果反向传播,利用非线性激励函数作矩阵运算,最后在神经网络的输出层得到航摄像片的六个外方位元素值。仿真实验表明该算法具有良好的解算精度,可实现无GCP布设的航摄像片的外方位元素获取。3)提出了一种基于航空影像与机载LiDAR点云数据融合的目标分类算法针对3D城市建模中城市地面典型目标物的分类提取问题,通过融合航空光学影像与机载LiDAR点云数据,提出一种城市地面目标的分类算法,该算法包括图像与点云的预处理、LiDAR点云的滤波分割、图像与点云中关键特征信息的提取,以及目标物的自动分类三部分。通过该算法可高精度地获取四类城市目标信息并且给出相对充分的误差精度信息。具体而言,首先利用多向地面滤波算法(Multi-Directional Ground Filtering,MGF)对LiDAR点云数据分割,同时提取LiDAR点云和航摄影像的特征量,最后,利用改进的区域增长算法(Regional Increasing,RI)和多级分类器对已经分割好的LiDAR点云和航摄图像进行对应的城市地面目标物的分类。