[发明专利]倾斜摄影测量模型单体化方法、计算机装置及产品、介质

说明书

本发明公开了一种倾斜摄影测量模型单体化方法、计算机装置及产品、介质，采集生产倾斜模型的同时输出的与倾斜模型地理坐标系完全配准的像素级点云数据；提取所述像素级点云数据中兴趣对象的点云集合；对各兴趣对象的点云集合进行自动矢量包裹，得到兴趣对象的外部轮廓矢量；将初始生产的倾斜模型与兴趣对象的外部轮廓矢量叠加，形成倾斜模型的单体化结果。本方法实现了利用像素点云获得单体化矢量数据，人工投入少、效率高、成本低，可大幅提高倾斜模型数据应用的前景。

技术领域

本发明涉及模型动态单体化技术，特别是一种针对倾斜生产的像素点云数据进行AI识别获取动态单体化所必要矢量数据的方法。

背景技术

模型单体是指每一个需要单独管理的对象，是一个个单独的、可以被选中的实体。只有具备了单体化的能力，数据才能被管理，而不仅仅是被用来查看。对于人工建模而言，单体化是一个不言而喻的事情。即在人工建模的过程中，自然会把需要单独管理的对象(如建筑、路灯、树木等)制作为单独的模型，也是和其它对象分离开的。目前的倾斜摄影建模算法只是三维实景模型构建，并未包括把建筑、地面、树木等地物区分出来，构建出来的是一个连续的Tin网，从本质上看整个区域依然是一张起伏不平连续的三维地图数据，数据中的地表对象无法单独选中操作和管理，即各个兴趣对象无法实体化或对象化表达。这就导致地物对象的相关属性无法挂接到单独的实体对象，从而导致属性查询、空间查询以及专题图制作等GIS操作都无法实施，导致三维数据“好看”不“好用”，降低了模型数据的价值和实用性。

目前单体化主流方法主要分为三类：矢量切割单体化、ID单体化、动态单体化。其中矢量切割单体化是一种最直观的思路，即用建筑物、道路、树木等对应的矢量面，对倾斜摄影模型进行切割，从物理上把连续的三角网分割开，实现单体化。该方法可从物理意义上把连片的模型真正分割开来，再对分割后的模型进行管理和操作。ID单体化是利用三角面片中每个顶点额外的存储空间，把对应的矢量面的ID值存储起来；即一个建筑所对应的三角面片的所有顶点，都存储了同一个ID值，从而实现在鼠标选中这个建筑时，该建筑可以呈现出高亮的效果。动态单体化是利用与摄影对象配套的二维矢量面为用户提供类单体的实用表达与操作体验，实现了对象化的表达与操作，打通了倾斜摄影模型与二维矢量面之间的二三维一体化通道。

以上三种主流倾斜摄影模型单体化方法都是通过对模型进行一定工作量的人工处理，例如动态单体化中要获得单体化过程的矢量就需要先利用模型进行人工矢量的提取，该工作在建筑复杂、工程量大的区域，需要投入更多的人工及成本，不实用与大规模的作业生产，故高效率的单体化方式也将会是影响倾斜模型大规模后期应用的重要因素。

对于倾斜摄影自动化建模而言，其建模过程如下：首先对原始影像数据进行空中三角测量，生成密集匹配点云，然后对点云进行抽稀，再构建三角网形成白膜，最后纹理映射贴上纹理图片，生成倾斜摄影实景模型，该过程没有人工干预环节。但是常规的激光点云数据必须通过激光雷达单独获取，不能与倾斜无人机相机外业采集倾斜影像时同时进行，内业数据处理时点云与影像的配对及计算过程复杂，且大部分激光雷达采集激光点云时，其原始点云数据是无RGB通道数据的，在AI识别点云分类时，都是通过点云密度、结构、以及相互关系等条件进行识别提取。

机载激光点云的理论密度可以无限大，但是对于实际项目而言，激光点云的密度一般在一平方米测区范围内几个至几十个点离散分布，密度较小，反应出非遮盖区域色彩信息不丰富，导致特征提取识别困难。同时点云赋色过程也会存在误差，导致利用激光点云数据进行单体化的过程复杂、成本高。。

目前，行业内动态单体化的矢量都是利用生产好的倾斜实景模型按人工测图方式获得DLG二维矢量线或面，与倾斜模型进行配准，实现动态单体化结果。但随着倾斜摄影测量三维建模越来越成熟，规范在逐步完善，市场业务也与日俱增，效率将会是单体化过程中最为关注的方面。现有单体化方法绝大部分都是通过人工方式实现，效率低、成本高，大规模大范围数据可行性较低。同时，现有的人工智能识别算法中针对三维激光点云进行识别计算的算法较多，而对于倾斜模型封装性较强的OSGB数据的识别算法并未成熟。

发明内容