科技 | 摄影测量的近期发展：一种转型的测量技术

自动驾驶或无人驾驶飞行器（无人机或无人机）等新技术要求创新（混合）传感器系统。有大量的影像记录设备可用于近景摄影测量目的（参见图1中的几个例子）。典型传感器大致可被分为以下几类：

图1：摄影测量记录系统

几乎所有现代成像传感器都是基于CMOS技术设计的。它们的可用性范围从大众产品，例如智能手机相机（通常带有卷帘），到用于特殊应用的特定高性能传感器，如高速成像。具有全局快门的传感器对于相机或物体相对于彼此移动的大多数动态应用是必需的。

越来越多摄像机传感器与其他测量设备相结合的混合系统出现在市面上。最流行的例子是地面激光扫描仪配备有一个或多个相机，用于获取全景影像或是记录激光扫描点的颜色值。例如，Leica BLK 360扫描仪（图2a）包含一个可以测量温度的热像仪。新的Leica RTC 360扫描仪（图2b）由五个摄像头组成，这些摄像头用于SLAM方法中的视觉测距，以便测量扫描仪移动到下一个工作站时的方式和姿态。混合系统的其他例子是在平板电脑或移动设备上运行的低成本传感器，这些传感器结合了IMU、GNSS、飞行时间（ToF）、激光三角测量或RGB相机，用于低到中等精度的3D扫描。图2c展示了一个基于ToF传感器的手持平板设备。

图2：混合记录系统

只要可以检校内定向（摄像机参数），几乎所有类型的摄像机都可用于摄影测量。特别是对于特定的相机必须适当地选择镜头畸变和其他成像误差建模的功能模型。根据相机几何的稳定性和可重复性，如果在工作中无法进行自校准，则可以在测量之前或之后对其进行校准。常见的例子是摄影机位置固定的有外壳的测量系统。图1c和图1f中展示了高度稳定的量测相机的例子。人工检校场在此通常用于预检校，靶标应该布设在三个维度上，以提供可靠和完全的相机校准，使得与外定向的相关性最小。对于很多应用来说，可以通过光束法平差在三维重建的同时进行相机检校。在这种情况下，相机在物体记录时间内被校准，因此没有任何先前校准参数的有效性假设。标准摄影测量离线系统包含这种方法，例如SFM。

多影像摄影测量需要重叠的影像，这些影像通过同名点（同源点或连接点）连接。通过对靶标编码以定义像点编号的方式，寻找同名点和定向近似值的过程相对容易。使用自然特征作为连接点，一些检测算子和描述算子可以用不同标准来匹配相似特征。例如，像SIFT、SURF或ORB这样的算子可以提供稳健的特征检测和匹配。但是，为了可靠匹配，建议采集的影像有相对较高的重叠度，例如，90％的重叠度。如果在影像中目标物的大部分区域没有足够的纹理，匹配性会变弱甚至无法进行匹配。

计算所有影像的外定向（也称为对齐）是后续3D物体重建的先决条件。基本上，该过程从一个复杂的流程开始，通过相对定向和绝对定向以及空间前方交会和空间后方交会的巧妙组合来估算所有未知参数的近似值。所有参数的最终优化通过光束法平差来完成，就是在一个过程中最小化所有观测值的残差，以便获得检校和定向参数，以及所有连接点的3D坐标。如果有控制点，它们将被用于定义最终的坐标系并补偿摄影测量构网的基准缺陷。所有测量点的3D坐标构成了物体表面的稀疏点云。

光束法平差是摄影测量定向过程中的关键部分。因此，应仔细分析统计质量参数（sigma值，像点的平均中误差）以了解平差的内部精度。但是，必须通过独立的参考值检查实际精度（见下文）。

基本上，运动恢复结构方法是一个复杂的过程，其中高度重叠的序列影像通过特征检测、特征匹配和稳健的顺序定向方式实现自动定向。基于RANSAC的流程和线性估计模型可以充分处理具有大量异常值的数据集。

即时定位和地图构建（SLAM）方法通常用于动态环境（例如移动机器人）瞬时测量传感器和未知环境的路径（姿态）。基于影像的SLAM算法也称为“视觉里程计”。由于影像序列的几何结构通常较弱，该方法因此也包括了附加传感器（例如IMU）和卡尔曼滤波。

在光束法平差成功后，如果需要，可以计算物体表面的密集点云。目标是得到每个像素（或在对象空间中的特定分辨率）的3D坐标。目前最成功的方法是基于半全局匹配（SGM），通过最小化特定的代价函数来寻找核线上的最佳匹配。SGM是一种可靠的方法，可以通过插值计算无纹理区域并创建足以保留对象空间中锐利边缘的表面模型。与上述定向过程相比，密集点云的生成需要更高的计算量。

即使在近景摄影测量中，（真实）正射影像也已成为重要产品，特别是对于无人机应用或建筑和考古项目来说。上述流程可以获得定向参数和密集表面模型，因此可以直接从所获取的影像得到正射影像。然而，摄影测量点云通常描述物体的可见表面，即包括植被或其他干扰物体。在生成最终的（真）正射影像之前，可以对表面模型进行（人工）清理，过滤或其他类型的后处理。

在许多应用中，需要进一步处理点云，例如，用于BIM或者设施管理的建筑平面图或3D模型的生产。虽然许多半自动软件可用于提取某些元素（例如平面，管道），但最终产品的生成通常需要手动处理。任何类型的点云都是如此，同样适用于来自激光扫描或其他技术。

语义建模，即对象部件的自动分类，仍然是一项正在进行的研究任务，该研究必须要引入人类关于该物体和该应用的知识。最近的机器学习方法展示出有希望的解决方案，至少可以解决一部分的建模解释过程。

摄影测量的专业使用通常涉及高质量结果的规范。在工业应用中，验证最终精度是否达到要求是最重要的。在大多数情况下，必须报告标准化特征，例如最大长度测量误差，包括可回溯的标准单位，例如，通过测量校准的参考靶标。在非工业领域，例如文化遗产或地形测量，独立控制点的比较是获得更准确结果的完善方法。但是，这些点不应纳入影像定向过程中，而应进行单独量测，以便代表后续的过程（的精度），例如密集匹配。

工业4.0的特点在于生产中的许多重大变化，例如，更高级的单个产品，更短的生命周期或更灵活的生产线。在过去的二十年中，摄影测量已经成功地用于高精度工业测量，例如，通过离线摄影测量检查工具夹具等领域。其他例子包括用于利用触摸探针测量单个3D点的影像引导手动探测，或者用作自由曲面标准工具的条纹投影系统。

在线系统的新方向使用机器人将表面传感器驱动到物体的特定区域。由于机器人的机械定位精度不足以直接提供扫描装置的外定向（姿势），因此相机系统被用来观察传感器相对于预校准的目标区域的实际位置。该概念提供了高度灵活性以适应特定的测量条件。因此，它可以将光学3D测量设备集成到灵活的生产线中。

图3a展示了一组系统，其中一组安装在天花板上的摄像机量测条纹投影系统的姿态。图3b展示了基于机器人的系统，其中相机附接到表面传感器，该传感器一直对一组参考靶标进行测量。

图3：利用条纹投影传感器进行机器人指导的表面测量

基于无人机的摄影测量已经成为一种标准的测量技术，现在可以使用具有高自主飞行能力的遥控无人机。利用相关的飞行许可，UAV可以作为成像平台用于广泛的领域，例如，道路测绘，建筑工地观测，考古调查，地形测绘，环境监测等。在大多数情况下，获取的影像由SfM软件处理，自动生成点云或正射影像。

由于许多用户只有有限的摄影测量技能，因此他们并不总能正确理解影像设置，控制点分布或摄像机检校问题的影响。因此，结果质量不仅因项目而异，而且在同一个项目的某个测量区域内也可能不同。

无人机摄影测量的专业使用通常需要高质量的相机/镜头系统，相机稳定，密集图像重叠，足够的交会角度和适当的控制点分布，就像航空摄影测量一样。当使用非专业相机和/或飞行配置较弱时，相机校准可能特别困难。

图4显示了使用业余无人机（DJI Mavic Pro）记录古老教堂屋顶区域的示例。尽管无人机是手动引导的，摄像机也不是为测量而设计的，配置不同高度的飞行和将影像成圆形排列使得能够同时进行摄像机检校。与使用24MP DSLR相机拍摄的其他地面影像一起，通过SfM方法（RealityCapture软件）可以生成平均精度为0.6像素（GSD在5-10mm之间）的一致且精确的3D模型。

图4：无人机飞行设置以及3D建模结果（IAPG）

在这个测量水下钢结构焊缝的例子中，目的是在约50mm的距离内以30μm的精度和分辨率测量焊缝表面。目前已经开发出两种原型系统的变体。一种解决方案包括激光线投影仪和两个摄像机，这对摄像机可以观察投影的激光线以进行立体匹配。第二个版本使用一个或两个相机，这些相机在具有控制点的参考区域上移动，以便获得外定向姿态。重叠区域内的表面通过摄影测量图像匹配重建获得。

图5：用于焊接测量的原型传感器（IAPG）

摄影测量和计算机视觉的最新趋势和发展表明，经典测量技术的不断变化可归类为范式转换。广泛的新应用有了解决办法，也带来了新的前景和挑战。然而，虽然新的自动成像技术越来越多地涵盖动态场景记录，但技能有限的用户能否正确使用这些方法可能会导致不安全或无法预料的结果。因此，为学生提供适当的教学概念以及为从业者提供终身学习是迫切需要的。

作者：米歇尔·阿森鲍姆；译者：一景

本文资料来自《GIM Internationa》杂志2019年2月14日文章《Recent Developments in Close-range Photogrammetry》