一种基于无人机的路桥三维重建方法及装置的制造方法
【技术领域】
[0001 ]本申请涉及路桥巡检技术领域，更具体地说，涉及一种基于无人机的路桥三维重建方法及装置。
【背景技术】
[0002]近年来，随着交通运输业的快速发展，尤其是超限(超重、超高、超宽、超长)车辆的激增，使得道路破损、桥梁开裂，严重威胁到道路桥梁安全，随之而来的桥梁坍塌事故近年来时有发生，造成人民财产和生命的严重损失。
[0003]目前各路桥养护公司还是使用常规手段对路桥进行巡检，多数情况下仍然以使用桥检车配合人力检查的方法进行，而这种方法普遍存在检测周期长、效率低下，影响交通通行等问题。
【发明内容】
[0004]有鉴于此，本申请提供了一种基于无人机的路桥三维重建方法及装置，用于解决现有路桥检修方式检测周期长、效率低下并影响交通通行的问题。
[0005]为了实现上述目的，现提出的方案如下:
[0006]—种基于无人机的路桥三维重建方法，包括:
[0007]获取无人机上影像采集系统所采集的路桥的序列影像数据，所述序列影像数据携带有拍摄时刻无人机的位置信息GPS和飞行姿态信息POS;
[0008]针对采集的序列影像数据中的每一幅影像，提取影像的特征点集合；
[0009]针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配，得到立体像对；
[0010]对所述立体像对利用运动结构算法SFM恢复序列影像的相对位置，并利用匹配成功的特征点的视觉信息计算特征点深度信息，对立体像对进行深度恢复；
[0011]将深度恢复后的立体像对中每个像素点反投影到三维空间，得到稠密的三维点云；
[0012]对所述三维点云利用泊松重构的方法生成路桥表面网格模型；
[0013]对所述路桥表面网格模型进行颜色渲染。
[0014]优选地，在所述针对采集的序列影像数据中的每一幅影像，提取影像的特征点集合之前，该方法还包括:
[0015]对序列影像数据中各幅影像进行预处理，得到标定的影像；
[0016]则所述提取影像的特征点集合具体为:
[0017]提取标定的影像的特征点集合。
[0018]优选地，所述提取标定的影像的特征点集合，包括:
[0019]利用尺度不变特征转换SIFT算法，提取标定的影像的特征点集合。
[0020]优选地，所述针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配，包括:
[0021]利用KD树匹配算法，对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配。
[0022]优选地，在所述针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配之后，该方法还包括:
[0023]利用随机抽样一致性算法RANSAC，对匹配成功的特征点进行误匹配过滤。
[0024]优选地，还包括:
[0025]对标定的影像进行多尺度分割，得到路桥结构特征；
[0026]利用所述路桥结构特征对所述路桥表面网格模型进行调整。
[0027]优选地，所述对所述路桥表面网格模型进行颜色渲染，包括:
[0028]对所述三维点云反向投影到标定的影像上，得到对应像素点的颜色，以该颜色渲染所述路桥表面网格模型上对应像素点。
[0029]一种基于无人机的路桥三维重建装置，包括:
[0030]影像数据获取单元，用于获取无人机上影像采集系统所采集的路桥的序列影像数据，所述序列影像数据携带有拍摄时刻无人机的位置信息GPS和飞行姿态信息P0S;
[0031]特征点集合提取单元，用于针对采集的序列影像数据中的每一幅影像，提取影像的特征点集合；
[0032]特征点匹配单元，用于针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配，得到立体像对；
[0033]立体像对恢复单元，用于对所述立体像对利用运动结构算法SFM恢复序列影像的相对位置，并利用匹配成功的特征点的视觉信息计算特征点深度信息，对立体像对进行深度恢复；
[0034]三维点云确定单元，用于将深度恢复后的立体像对中每个像素点反投影到三维空间，得到稠密的三维点云；
[0035]模型建立单元，用于对所述三维点云利用泊松重构的方法生成路桥表面网格模型；
[0036]模型渲染单元，用于对所述路桥表面网格模型进行颜色渲染。
[0037]优选地，还包括:
[0038]影像预处理单元，用于对所述影像数据获取单元获取的各幅影像进行预处理，得到标定的影像；
[0039]所述特征点集合提取单元具体用于提取标定的影像的特征点集合。
[0040]优选地，所述影像预处理单元包括:
[0041]第一影像预处理子单元，用于利用尺度不变特征转换SIFT算法，提取标定的影像的特征点集合。
[0042]从上述的技术方案可以看出，本申请实施例提供的基于无人机的路桥三维重建方法，利用无人机搭载影像采集系统，通过控制无人机飞行来采集路桥的序列影像数据，并通过后续影像数据处理过程得到路桥表面网格模型，为路桥病害的治理提供依据。其中，对影像数据处理的过程包括:针对采集的序列影像数据中的每一幅影像，提取影像的特征点集合，针对序列影像数据中相邻两幅影像的特征点集合进行特征点匹配，得到立体像对，对所述立体像对利用运动结构算法SFM恢复序列影像的相对位置，并利用匹配成功的特征点的视觉信息计算特征点深度信息，对立体像对进行深度恢复，将深度恢复后的立体像对中每个像素点反投影到三维空间，得到稠密的三维点云，对所述三维点云利用泊松重构的方法生成路桥表面网格模型，对所述路桥表面网格模型进行颜色渲染。本申请基于无人机采集路桥的影像数据，以实现路桥表面网格模型的构建，对路桥巡检周期大大缩短，并且不会影响交通通行。
【附图说明】
[0043]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0044]图1为本申请实施例公开的一种基于无人机的路桥三维重建方法流程图；
[0045]图2为本申请实施例公开的另一种基于无人机的路桥三维重建方法流程图；
[0046]图3为本申请实施例公开的又一种基于无人机的路桥三维重建方法流程图；
[0047]图4为本申请实施例公开的一种基于无人机的路桥三维重建装置结构示意图；
[0048]图5为本申请实施例公开的另一种基于无人机的路桥三维重建装置结构示意图。
【具体实施方式】
[0049]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0050]参见图1，图1为本申请实施例公开的一种基于无人机的路桥三维重建方法流程图。
[0051]如图1所示，该方法包括:
[0052]步骤S100、获取无人机上影像采集系统所采集的路桥的序列影像数据；
[0053]所述序列影像数据携带有拍摄时刻无人机的位置信息GPS和飞行姿态信息P0S。无人机飞行平台上搭载了影像采集系统以及全球定位系统GPS和POS惯导系统，通过控制无人机飞行获取路桥的序列影像数据。
[0054]步骤S110、针对采集的序列影像数据中的每一幅影像，提