论文部分内容阅读
移动测量系统（Mobile Mapping System,MMS）可同时获取光学图像和Li DAR（Light Detection and ranging,激光探测与测距）点云数据,在街景地图,无人驾驶和虚拟现实等领域具有广泛的应用。Li DAR点云主要表达地物的空间位置信息,全景图像由多个镜头获取的光学图像拼接而成,能够高效的反映成像位置周边的整个场景,具有丰富的地物光谱信息。全景图像和Li DAR点云分别属于二维（2D）和三维（3D）数据,在获取方式和原理上均有不同。随着MMS应用范围的不断拓展,对全景图像和Li DAR点云两类数据融合的需求愈加紧迫,而数据配准是融合应用的基础。因此,本选题研究车载Li DAR点云与全景图像序列的配准方法,主要包括全景图像与Li DAR点云的配准模型和配准方法两部分内容。（1）研究球面全景图像与Li DAR点云的配准模型。首先,基于摄影测量共线方程,设定全景相机的镜头数量、成像焦距、成像位置和成像姿态,模拟全景相机的成图过程,构建从三维点云到二维图像的全景成像方程,通过成像方程对影响全景成像的各参数进行定量分析。然后,针对全景成像中的姿态和位置误差提出相应的校正方法。最后,由全景成像方程变换得到Li DAR点云与全景图像的配准模型,分析配准模型中误差的分布规律,并提出使用直接线性变换算法（Direct linear transformation,DLT）进行模型求解。（2）研究利用天际线特征实现车载Li DAR点云和全景图像序列的配准。首先分别从全景图像和Li DAR点云中提取天际线像素和天际线点;然后通过姿态参数的迭代优化天际线像素和天际线点的匹配,从而实现Li DAR点云和全景图像的配准;最后对比原始配准方法和特征点配准方法,验证天际线配准方法的有效性。天际线配准方法的精度与全景图像和点云中天际线的相似度有关,相似度越高,配准效果越好。（3）研究利用路灯和分道线特征点配准车载Li DAR点云和全景图像序列。由于路灯和分道线是道路场景中常见且分布比较规律的两种地物,该配准方法具有较高的适用性。首先,从Li DAR点云中自动提取路灯和分道线,并优化其端点作为配准使用的特征点;然后,将路灯和分道线特征点按全景成像模型投影至全景图像,在投影点邻域提取出图像上对应的特征点;最后,自动剔除误匹配特征点,求解配准模型参数并评价配准精度。（4）由于天际线配准方法受适用场景的限制,而路灯和分道线配准方法依赖于路灯和分道线,且对远离道路的地物配准精度降低,本文最后研究基于相对定向模型的车载Li DAR点云与全景图像序列的配准方法。利用全景图像序列的高度重叠性,从全景图像序列中提取和匹配特征点,用于求解像对之间的相对位置和姿态参数,实现Li DAR点云和全景图像序列的配准。首先分别提出位置/姿态相对定向和姿态相对定向两种模型,然后使用SURF算法自动提取和匹配全景图像的特征点,最后使用不同场景的道路点云和全景图像序列分别进行试验,试验中比较了基于全景图像相对定向模型的连续和直接配准方法,并对相对定向模型配准方法的适用性进行了分析。结果证明了基于相对定向模型配准方法的有效性,可以高精度的实现Li DAR点云和全景图像的配准,该方法适用于更多的道路场景。