一种基于无人机点云的滑坡检测方法与流程

本发明涉及地质灾害监测技术领域，具体涉及一种基于无人机的滑坡泥石流分析方法。

背景技术：

变化和位移是地球表面质量运动的基本指标，例如滑坡，土壤蠕变和岩石滑坡，这些都是由人类活动或自然过程引起的。检测表面变化对于减少自然灾害和环境管理中的动态监测具有重要意义。滑坡被认为是在世界上几乎每一个国家广泛发生的一种具有重大意义的自然灾害。传统的现场勘测方法，例如使用全站仪，gps和地质罗盘等等，不能满足所需的成本，时间效率和安全参数，并且这些传统的检测滑坡陡坡测绘方法测量覆盖率低，得不到精细尺度的地形结构。近年来，无人机(uav)、机载光探测和测距(lidar)和地面激光扫描(tls)技术的出现，提供了安全、及时和准确的信息，为新的滑坡检测提供了可能。

技术实现要素：

本发明旨在提供一种基于无人机点云的滑坡检测方法，可用于小幅度(高达几厘米)的变化检测。本该方法第一步通过无人机设备捕获滑坡高分辨率的地理标记图像；通过sfm程序、束调整方法，对sfm过程中估计的参数进行细化；通过半全局密集匹配过程，使用仅在该特定区域捕获的图像为每个观测历元生成密集的三维点云；计算任意不同时段获得的两个点云之间的正常距离，采用点对点的三维对应关系来检测体积表面变化；最后通过对不同时段获得的点云滑坡陡坡的对比，计算水平方向的位移率自动变化探测涉及低海拔、无人驾驶、航空和车辆图像为基础的点云。该方法无需大量的地面控制点信息或进一步的处理，即可轻松地处理大量来自不同数据源的图像。研究结果对滑坡研究具有一定的参考价值。

为了解决以上技术问题，本发明采用以下技术方案：

一种基于无人机点云的滑坡检测方法，所述方法包括以下步骤：

s1.选定目标区域，并根据目标区域地形情况进行无人机航线规划，保持无人机自主水平飞行；

s2.无人机上搭载有相机、gps系统、雷达、惯性测量装置对目标区域执行飞行任务，相机对目标区域进行图像采集，同时gps接收机记录下每幅图像曝光时间的gps测量值，可得到基于时间序列的无人机图像数据；s3.利用sfm方法对无人机图像数据进行处理，可得到初始三维点云图像；

s4.采用光束平差法对初始三维点云图像进行处理，得到目标点云图像；其中光束平差法是利用非线性最小二乘法来求取相机位置，三维点坐标。在仅给定相机内参的条件下，可对目标进行高精度重建；

s5.通过对比不同时期所取得点云数据集中非活动区域的共轭特征，主要是较为稳定的区域如屋顶等，可评价配准结果；

s6.体积变化分析：

该过程包括三个步骤：(1)建立最初生成点云的三角规则网(tin)面；(2)估算其他时期点云与最初获得点云中最近的点之间的法向距离；(3)根据预先定义的阈值计算法线距离，与(2)算出的距离进行比较，并将这些点划分为匹配点和非匹配点；(4)使用非匹配点的平均法线距离计算移动量，此移动量即为滑坡平移变化量。

s7.水平剖面变化检测分析：

估算所提取的滑坡陡坡上各点与第二陡坡上对应的最近点(第二陡坡)之间的欧式距离，然后计算出估算距离的rmse，以表示不同时间滑坡陡坡之间陡坡后退的水平位移。

无人机设备添加了gps记录器和低成本大视场数字相机，其中gps记录器用于标记图像的地理位置初始值。

sfm是通过无人机搭载相机的移动来确定目标的空间和几何关系,相机内参只与相机自身的内部参数有关，图像外参只与相机在世界坐标系中的位置有关。

sfm的外参矩阵是通过世界坐标系和相机坐标系的转换计算得来，这个矩阵是一个旋转平移矩阵。

sfm在求取相机两个不同位置点之间的相对关系时，需要确定该两个不同位置所获得图像的对应点的相对关系，此时用到sift，即特征点的提取和匹配问题。

图像配准的束调整方法，对sfm估计的参数进行细化。

半全局密集匹配过程，使用仅在该特定区域捕获的图像为每个观测历元生成密集的三维点云，由于束调整过程，点云被有效地共同注册到一个公共的参考帧。

半全局密集匹配过程介于局部算法和全局算法之间，既没有只考虑像素的局部区域，也没有考虑所有的像素点。

计算任意两个不同点云之间的正常距离，并通过比较感兴趣的监测区域内的非活动斑块来评估配准程序。

通过对多个时间段获得的点云滑坡陡坡进行对比解释水平方向的位移率变化。

附图说明

图1是本发明实施流程图。

具体实施方式

以下结合附图和实施例对本发明进行详细说明。

如图1所示，s1在进行无人机图像数据采集时，首先利用室内摄像机标定试验场对gopro摄像机进行标定和内部特性稳定性测试，并通过现场对摄像机标定进行细化，采用美国地质学会(usgs)同步多帧分析校正(smac)畸变模型进行校正。相机校准参数包括焦距(c)、主点偏移(xp、yp)、径向(k1、k2和k3)和去中心(p1和p2)透镜畸变；然后设定多轴飞行器在目标区域的航线和飞行高度，使无人机搭载相机在自动模式下水平飞行，相机采集滑坡图像，同时gps接收机记录下的每幅图像曝光时间的gps测量值。

s2相机采集到图像后，利用sfm方法得到原始稀疏点云，该方法采用以下几个步骤：

(1)利用共面性方程推导不同时间段获取的立体图像的相对方位参数(rops)，这些共轭点特征可通过sift检测器自动识别；

(2)计算得到相对方位参数(rops)后，用增量方法对两个不同时间段图像的eops进行初始恢复。这种增量方法是通过定义一个局部坐标系开始的，然后将所有图像按顺序扩充成最终的图像块或轨迹；

(3)求取两个不同位置相机的相对关系，需要两幅图像中的对应点，此时使用sift特征，因为sift对旋转、尺度、透视都有较好的鲁棒性，通过sift可得到特征点的提取和匹配；

(4)然后求取两个不同位置相机的几何变换矩阵，根据变换矩阵和每一对匹配点的坐标即可进行三维重建，还原匹配点在空间当中的坐标，从而得到初始点云。

s3然后利用光束平差法对初始三维点云图像进行处理，得到目标点云图像；其中光束平差法是利用非线性最小二乘法来求取相机位置，三维点坐标。在仅给定相机内参的条件下，可对目标进行高精度重建。

s4然后通过半全局密集匹配可使得分离的点云可以有效地共同合成到一个通用的参考帧。

s5评估前述提到的配准方法，可以进行定性评估和定量评估，如下：

(1)定性评估

定性控制是通过将所有基于三维密集图像的点云一起合成到参考坐标系来实现的。通过使用基于三维密集图像的点云数据集之间的重叠、稳定、非活动区域进行分析。

(2)定量评估

通过比较感兴趣的监测区域内的非活动区域来估计不同时段所获得点云的配准率。由于这些非活动区域是静止的，从理论上讲，不同时间段产生的两个表面应该是相互接近的。计算各平面点对平面方向距离的均方根误差、均差和标准差如下：

其中：n为选定表面内的点数，d为点对面的距离。

s6对不同的点云样本进行训练，对滑坡的位移变化进行检测。体积变化检测分析如下：

(1)体积变化检测分析

基于无人机图像的点云(小于10厘米/像素)提供的细节水平可以观察到在易滑坡地区表面的变化。利用sgm技术对无人机图像数据集的序列点云进行比较，可以检测出地形表面的三维随时间变化情况。由于点云的不规则性质，通常不能假定点对点的精确对应。因此，选定点和点对应的最近的三角形，通过识别共轭曲面特征建立两个曲面之间的对应关系，然后估计这些特征之间的法线距离。该方法使用点云的全密度，因此点对面与点对点方法相比，可节省许多计算时间，并可对点云中的每一点进行变化检测。具体流程如下：

1)建立最初生成点云的三角规则网(tin)面；

2)估算其他时期点云与最初点云中最近的三角形之间的法向距离；

3)预先设定距离阈值，将法向距离与距离阈值进行比较，可将点划分为匹配点和非匹配点。然后，使用非匹配点的百分比来决定表面是否按照预定义的阈值移动，阈值取决于场地的大小和性质。阈值计算为非匹配点之间的平均法线距离。

(2)水平剖面变化检测分析

对比提取的两个数据集之间的连续滑坡陡坡用于确定水平位移随时间的推移，具体步骤如下：

1)计算特征值比；

2)根据局部地形特征值比值的变化提取滑坡陡坡特征；

3)基于地形表面指数特征值比值的最终滑坡陡坡检测结果；

4)研究地区的无人机图像覆盖在正射影像上的陡坡。