[发明专利]一种基于深度学习的三维建模阴影识别系统

权利要求书

1.一种基于深度学习的三维建模阴影识别系统，其特征在于：包括采集图像模块、预处理模块、点云计算模块、点云配准模块、数据融合模块、纹理映射模块，以及阴影识别模块，所述图像采集模块得到工业计算机的指令通过无人机倾斜摄影技术多角度采集地面影像，将采集到的图像通过工业计算机传输到图像预处理模块，所述图像预处理模块通过图像几何变换单元、图像镶嵌与裁剪单元、畸变差校正单元，以及图像增强单元对采集到的图像进行预处理，所述点云计算模块对预处理过的图像进行坐标系和图像像素坐标系的转换计算，所述点云配准模块把图像中不同时间、角度，以及照度获取的多帧图像叠加匹配到统一的坐标系中，所述数据融合是将配准过的图像数据进行融合处理将融合处理过的图像信息传输到纹理映射模块，所述纹理映射模块是将图形绘制到表面，生成三维图像，将得到的图像数据进行阴影识别。

2.根据权利要求1所述的一种基于深度学习的三维建模阴影识别系统，其特征在于：所述图像采集模块运用无人机倾斜摄影技术，所述无人机倾斜摄影技术是通过在同一无人机上搭载多台传感器，多角度采集影像，获取地面物体更为完整准确的信息，所述无人机倾斜摄影技术能快速采集影像数据，实现全自动化三维建模能真实地反映地物的外观、位置，以及高度，通过无人机倾斜摄影进行地形测绘，能减少人工干预，提升工作效率，能缩短测绘外业的协同共作，节省测量人员的劳动时间，降低了外业劳动强度，能提供丰富的地理信息。

3.根据权利要求1所述的一种基于深度学习的三维建模阴影识别系统，其特征在于：所述图像预处理模块包括图像几何变换、图像镶嵌与裁剪、畸变差校正，以及图像增强处理，所述图像几何变换通过平移、转置、镜像、旋转，以及缩放几何变换对采集的图像进行处理，用于改正图像采集的仪器位置随机误差，所述图像镶嵌与裁剪将多幅图拼接起来形成一幅覆盖全区的图像，在进行图像的镶嵌时，要确定一幅参考图像，参考图像作为输出镶嵌图像的基准，决定镶嵌图像的对比度匹配和输出图像的像元大小和数据类型，镶嵌的多幅图像选择相近的成像时间，使得图像的色调保持一致，裁剪的目的是将研究之外的区域去除，所述畸变差校正由于透镜制造精度和组装工艺的偏差，导致原始图像失真，畸变系数根据x轴和y轴旋转的角度计算出变换矩阵，公式如下：

所述图像增强的目的是要改善图像的视觉效果，强调图像的整体特性，将不清晰的图像变得清晰，扩大图像中不同物体特征之间的差别，改善图像质量、丰富信息量，加强图像判读和识别效果，图像增强的算法能分成两大类：空间域法和频率域法。

4.根据权利要求1所述的一种基于深度学习的三维建模阴影识别系统，其特征在于：具体需要说明的是点云计算模块，所述点云运算模块在图像增强之后，由图像计算点云数据，经过预处理后的深度图像具有二维信息，像素点的值是深度信息，表示物体表面到测绘系统的直线距离，将坐标系与图像像素坐标系进行转换。

5.根据权利要求1所述的一种基于深度学习的三维建模阴影识别系统，其特征在于：所述点云配准模块是以场景的公共部分为基准，把不同时间、角度、照度获取的多帧图像叠加匹配到统一的坐标系中，计算出相应的平移向量与旋转矩阵，消除冗余信息，三维图像的配准按不同的图像输入条件与重建输出需求被分为：粗糙配准、精细配准和全局配准，粗糙配准是从不同角度采集的深度图像，提取两帧图像之间的特征点包括直线、拐点、曲线，以及曲率显示特征，根据特征方程实现初步的配准，粗糙配准后的点云和目标点云处于同一尺度与参考坐标系内，通过自动记录坐标，得到粗匹配初始值，精细配准先计算初始点云上所有点与目标点云的距离，保证这些点和目标点云的最近点相互对应，同时构造残差平方和的目标函数，基于最小二乘法对误差函数进行最小化处理，经过反复迭代，直到均方误差小于设定的阈值，全局配准是使用整幅图像直接计算转换矩阵，通过对两帧图像精细配准的结果，按照顺序进行多帧图像的配准，配准过程中，匹配误差被均匀地分散到各个视角的多帧图像中，达到削减多次迭代引起的累积误差的效果。