基于无人机的市政道路三维实景建模研究及应用

尤 轲， 窦全礼， 姜雨田， 瞿 钰， 武春峰

(1.华中科技大学 土木与水利工程学院，湖北 武汉 430074；2.潍柴动力股份有限公司，山东 潍坊 261061；3.山推工程机械股份有限公司，山东 济宁 272073)

传统道路测量技术大多依靠设置全站仪、手工测量、转换二维图纸等地面手段，从而实现对施工现场的信息测量。但对于市政道路等工程量大的应用场景，采用传统测量技术需要大量的人力物力，使得完成整个项目的测绘工作花费大量时间。而且由于在测量过程中存在多次转站，导致测绘效率和数据精度降低。

目前，随着信息技术及智能化测量设备的发展，建设单位通常使用三维建模技术对市政道路进行测绘，国内外学者对此进行了大量研究。朱赞等[1]采用地面三维激光扫描技术对具有典型岩溶区地质环境的公路边坡进行扫描，表明该技术在滑坡范围线和不稳定土方量等滑坡监测要素提取具有可行性；马俊杰等[2]利用三维建模技术，实现了建筑主体与周围岩壁环境的可视化协同设计，该技术可及时发现问题，避免了重复与返工，节约了大量时间和成本；Kwon等[3]提出一种混合扫描方法，用于施工作业中土方工程的三维建模；Yoon等[4]利用三维建模技术，对施工隧道进行建模，从而可以表征混凝土衬砌特征信息，实现对隧道的自主化监测；陈坤[5]利用三维激光扫描建模技术实现对公路勘测路线的选择，且形成的数字地面模型可为测绘人员提供必要的公路纵横断面的信息，但激光建模技术点云的数据量较为庞大，从而出现了建模周期长这一问题；林志勇[6]利用基于无人机的倾斜摄影技术对古代建筑进行测绘，对文物数字化保护具有重要意义；钟新谷等[7]建立基于无人机拍照的桥梁裂缝宽度识别系统，周吕等[8]通过建立三维建模的精度评价体系，对建模效果进行分析，具有广泛的应用前景。

基于无人机测量技术在市政道路三维建模中的优势，以山东公路项目某道路区域作为研究区域，借助无人机获取该道路区域图像作为本次研究的数据源，本文运用图像建模技术构造三维实景模型，然后将其与激光建模，从建模精度、建模效率以及建模成本三个方面进行对比分析，验证该技术在构建工程项目可视化的可行性以及精度的可靠性，为智慧工地建设提供有力的技术支持。

1 市政道路实景建模需求

三维建模技术目前是还原真实场景的最佳手段之一，该技术最早应用于地质工程专业，现已广泛应用于电力、水利、交通等各个行业。三维建模方法根据设备活动区域划分为两种：地面建模以及空中建模。地面建模主要依靠全站仪、手工测量、转换二维图纸等地面手段获取施工现场信息，从而实现对现场信息的三维建模；空中建模主要利用无人机设备机动性强、灵活性高等特点进行信息采集，实现施工现场的三维建模。具体如表1所示。

由表1可知，应选中空中建模作为建模方案，而且无人机摄影测量技术可以解决传统人工建模效率低等问题，并且其在三维建模生产中具有自动化程度高、低成本和作业范围广等优势。利用该特点将无人机与三维建模技术耦合，从而可以为市政道路建模提供新的研究思路。

表1 建模技术类别

2 无人机拍照三维实景建模方法

2.1 数据采集

2.1.1 设备选型

采集道路工程的图像数据主要工具为无人机，按照不同的使用领域划分，无人机可分为军用、民用和消费级三类，其中使用民用或消费类无人机即可满足采集需求。

在进行无人机设备选型时，应考虑以下因素：(1)一般该民用或消费级无人机自带摄像头，像素的高低影响模型精度；(2)根据各地区无人机飞行管理规定，对无人机的飞行高度、型号有所限制；(3)市政道路较长，无人机的续航时间要求应尽可能长；(4)若每间隔2 s完成一张照片的拍摄，则续航30 min大约产生900张高精度照片，对无人机的内存提出了较高的要求。因此，在对无人机选型时，应综合考虑摄像头像素，法律规定，续航能力，无人机内存等作为选择设备的考虑因素。

2.1.2 影响因素

在建立三维模型整个过程中，照片质量直接决定后面三维模型的精度等级，而影响图像数据采集的因素主要有以下三种：

(1)飞行气候：气候是影响无人机航行的重要因素，进而影响成像精度，主要影响因素有风、雾等。

(2)图像重叠系数：图像之间的连接点随着图像重叠率的提高而增加，照片的重叠度分为航向重叠度和旁向重叠度。为了提高成图精度，可加大重叠度。

(3)航行高度：基于不同的起算点，航行高度可分为绝对航高及相对航高。相对航高即起算点设置为某一基准面，基于该平面计算飞行高度。相对航高可由式(1)计算。

(1)

式中：H为相对航高(m)；J为摄影镜头的焦距(mm)；GSD为摄像的地面分辨率(m)；m为像元尺寸的大小，在道路建模中m为道路宽度(mm)。在保持其他因素不变的情况下，航高越低，地面分辨率越高，所采集的图像越清晰，越有利于生成精度较高的三维模型。

2.1.3 航迹规划

无人机的航迹规划在满足安全、经济等约束条件下，从起点不断延伸至终点。应用于航迹规划的算法有多种，例如A*算法、遗传算法等，其中A*算法应用较广，是寻求最短路径中较有效的一种算法。其航迹的代价函数表达式为：

f(a)=m(a)+n(a)

(2)

式中：a为当前节点；m(a)为从起始点到该点的真实代价；n(a)为启发函数；f(a)为搜索空间节点的代价值总和。

现场数据采集时，无人机根据预先扫描所测场地，自动根据内置算法及约束条件生成其飞行路径，由于场地的不同其生成的航摄路径也不同。对于本文项目直线型测区，其航行路径如图1。

图1 直线路段无人机航行方案

2.2 数据处理

道路的图像数据均为带有地理坐标的深度图像，采集后的图像经过求解相机的内外参数，将其中各点转换至三维形式，并组合形成三维模型。数据处理整个过程主要通过以下几个步骤：(1)提取图像特征点；(2)点云稀疏重建；(3)点云稠密重建；(4)生成三维点云模型。技术路线如图2所示。

图2 三维建模技术路线

2.2.1 特征提取

对原始图像处理首先要获取所测场景的图像特征点，再将相邻图像的特征点进行匹配，高精度的特征提取更能有效提高三维建模的准确性。本文采用SIFT模型，该算法包含图像金字塔构建、尺度空间极值检测、关键点定位、特征向量匹配四个步骤。

(1)图像金字塔构建：在SIFT特征提取过程中，为了获得目标在图像中尺寸大小的信息，需要创建一组图像以便对目标进行识别；

(2)空间极值点检测：为了确定尺度空间的极值点，每一采样点应与周边点对比计算，并得出其大小差值；

(3)关键点定位：通过拟合三维二次函数实现关键点定位，并判断该点的尺度是否达到所需像素精度；

(4)特征向量匹配：利用SIFT从每幅图像上提取特征点，通过对比不同图像的特征点以寻找相匹配的地方。

2.2.2 点云稀疏重建

点云稀疏重建技术是计算机视觉在工程中的一项重要应用，它为从图像序列重建三维场景提供了有效的解决方案。其实质是将匹配的特征点还原到三维空间中，再利用SIFT算法提取图像特征点，将场景信息恢复，该过程即为点云稀疏重建。稀疏点云模型的生成通常利用SFM(从运动恢复结构)算法，该算法作为三维重建流程中重要的一环，对重建的质量起决定性作用。输入为图片序列，输出为稀疏点云结果。

(1)通过SIFT算法提取特征点后，将特征点进行匹配，F(I)为图像I中的特征点，F(J)为相邻图像J中的特征点，考虑每幅图像I中的每一个特征f∈F(I)，找到相邻图像J中的最近邻的特征向量fnn∈F(J)，如下所示：

(3)

式中：fnn为每个特征点的特征向量；fd为图像I中的特征；f′d为相邻图像J中的特征。

(2)光束平差法：随着图像的增加，点云数据逐渐丰富使得其整体误差也会增加，要利用相应方法降低场景结构的总误差，而光束平差法是许多摄影测量应用中的首选方法，利用该方法可将所观测的图像位置和预测的图像位置点进行误差最小的映射，其目标优化方程为：

(4)

式中：n为摄像机a的n个视角；m为轨迹b的m个轨迹；当摄像机a观察到轨迹b时wab取1，反之为0；‖qab-p(Ca-Xb)‖为摄像机a中轨迹b的投影误差累计值。

2.2.3 点云稠密重建

经过上述稀疏重建流程，二维图片中的点经提取后形成稀疏点云结构，若重建对象结构简单易于表达，点云模型可大致显示其轮廓特征；若重建对象体量较大，范围较广且结构构成复杂，稀疏点云模型难以细致表示该场景的整体特征，因此在稀疏点云结构的基础上需进行进一步深化，即采用稠密重建的方法。在对稀疏点云模型进行稠密重建时，较常用且效果较好的算法是基于面片的多视图立体视觉算法(MVS)。其由三个主要步骤构成：分别是初始化特征匹配、面片生成及面片过滤。

(1)初始化特征匹配：采用高斯函数差分(DOG)和Harris算子对每幅图像中的角点信息进行提取。

(2)面片生成：为保证每个图像块至少对应一个面片，因此通过匹配出的初始结果将稀疏面片扩散至领域，由此得到高密度面片集合。

(3)面片过滤：在面片重建过程中，部分面片准确度较低，因此可通过过滤的方式来提高面片的准确性。

3 工程实验及结果分析

3.1 工程概况

该项目属于山东省济宁市济宁大道西延工程，项目通过起点与G327，G105的十字交叉，发挥了省道十永延长线的功能。项目起讫桩号为K0+000—K14+292，路线全长14.292 km，路基宽度25.5 m，设计时速80 km/h。地势相对低洼, 地形起伏较小，地面标高一般在海拔18～21.00 m，沿线多为农田、湖汊及堰塘。

3.2 设备选型及参数设置

本次实验采用的无人机设备、处理器以及平台如表2所示；利用无人机携带的相机进行数据采集。

表2 设备选型

在保证精度的基础上，为使得整个过程高效率进行，无人机飞行高度设定为35 m，成图比例尺为1∶2000，飞行速度2 m/s，拍摄时间间隔为2 s，航向重叠度为60%，旁向重叠度为40%。

3.3 结果分析

3.3.1 图片建模模型评估

(1)建模效果

按照试验步骤，将无人机所得图像进行匹配，识别并找出连接点，连接效果如图3所示；以无人机航行起点为坐标零点，生成该道路工程的三维实景模型，如图4所示，从图4中可以看出，该模型中土方的建模效果较好，其各处坡度及机械施工痕迹均可从模型中分辨，满足施工现场对该模型的要求，为市政道路三维建模提供了技术支持。

图3 图像连接点

图4 道路实景模型

(2)精度评估

遵循随机分布以及均匀的原则，选取100个特征点作为检测模型精度的测试点，统计其实际位置与相对应模型中的坐标数据，并计算其点位差值，如表3所示。

表3 点位坐标

将这100个点的点位偏差统计结果制成柱状图如图5。

图5 坐标误差分布统计

其中，x坐标误差总体范围在-0.8～+1.0 m之间，其中误差在-0.4～-0.2 m之间的点数较多；y坐标误差总体范围在-0.6～+0.6 m之间，其中误差在+0.4～+0.6 m之间的点数较多；z坐标误差总体范围在-0.8～+1 m之间，其中误差在-0.4～-0.2 m之间的点数较多，模型具有良好的精度。

3.3.2 不同模型比较分析

利用激光建模(简称A)以及图片建模(简称B)对道路土方工程项目进行三维建模，选取模型中的六个控制点，如图6所示。对比其在两个模型中的坐标点位，选取测点时采取随机抽取的原则，保证模型精度对比的有效性。从以下三个方面进行对比分析。

图6 控制点示意

(1)建模精度

图7为各点的相对坐标值，其中坐标零点为无人机航行起点，以此零点作为坐标的基准点；图8为各点的坐标差值，反映出两种建模方式之间的差异。

图7 各点的相对坐标值

图8 坐标差值

以三维激光点云坐标为比对基准，计算基于航拍图片所获点云坐标与激光点云坐标的差值，得出六个控制点的差值基本在-1.5～+1.5 m之间，差值较小。在路面坡度起伏较大的曲面上，模型A与模型B的能基本重合，其精度相差小，在起伏较小的曲面上，模型A的点云精确度比模型B的精度高。因为图片建模是通过照片密集匹配和空三加密得到的地面点位数据，而激光雷达所采集的点云数据是直接通过激光发射器获取的地面点位数据，在图片建模过程中，若照片的特征匹配出现偏差，则直接影响空三加密计算出的点云数据结果，而雷达通过激光反射直接获取点云信息，因此激光扫描精度高于照片点位的精度。

(2)建模效率

不同建模方式其数据处理流程不同，所耗费的时间也不同。两种建模方式的用时如表4所示。

表4 建模效率分析

由上表可知基于图像的航拍三维实景建模所采集的数据为照片，耗费时间较长的流程是在二维图片信息转换为三维点云信息的过程中；基于激光扫描的三维实景建模所采集的数据直接为点云数据，其耗费时间较长的流程是对于原始点云模型进行实景纹理贴图的过程。综上所述，在相同条件下图片建模总时长小于激光建模，使得其建模效率高于激光建模，可以满足施工现场对于三维建模实时性的要求。

(3)建模成本

图9是两种建模方式所需要的主要设备及其成本方式，通过查阅生产厂商报价，得知两种建模方式成本差异主要体现在设备成本方面；在采用基于图像的建模方法时，设备成本主要有民用无人机、操纵台、电池及图形数据处理器；在采用基于激光扫描的建模方法时，硬件材料设备主要有专业级无人机、备用电池、图形处理器。综合来看LiDAR、专业级无人机及RTK基站的价格远高于民用无人机的价格，且后期数据处理方面，纹理贴图费用视项目大小而定，较图像建模方式，该费用使得激光扫描建模的成本倍增。随着对模型精度要求的提高，建模成本也随之提高，但综合来看，基于航拍的图像建模具有较低的成本，具有较强的可实施性。

图9 建模成本对比

(4)综合对比

激光扫描技术通过发射激光射线获取对象的地理及纹理数据，该方法具有非接触、高精度等优点，但这种方法建模周期长、效率低，在小范围建模领域具有较高的可行性。基于图像的建模技术借助无人机技术进行快速拍摄，通过对所采集的影像进行特征点匹配、点云生成等步骤建立三维模型，该方法具有精度高以及效率好等特点，但同时也存在垂直细长物体建模缺失等缺点。从成本层面分析，综合对比两种建模方式的建模成本，图像建模采用消费级无人机且自带摄像头，而激光建模采用专业级无人机且外加LiDAR以及RTK基站，图像建模方式的硬件成本远低于激光扫描建模。

往往道路工程路程较长，采集数据量庞大，需要高效准确地进行三维模型建立，从上面实验数据可以看出，虽然图像建模技术在精度上低于激光建模，但基于无人机的图像建模具有精度高、效率好、成本低等优点。因此基于无人机的图像建模方式更适合于道路土方工程的三维实景模型建立。

4 结 论

本文研究了基于无人机的三维实景建模技术，以市政道路工程项目为研究对象，结合该需求研究建模方案，利用建模结果，评估适用于市政道路模型的三维实景模型方法。主要得出以下结论：

(1)本文提出的基于无人机的三维实景建模技术在市政道路工程中具有良好的适用性。当操控无人机在35 m高度飞行拍摄建立道路工程模型时，其整体误差基本处于-8～+8 m之间，表明本文提出的模型具有良好的精度以及准确性。

(2)基于无人机航拍的三维实景建模方法比基于无人机激光扫描的三维实景建模方法更具可行性。使用激光建模虽然精度表现较为突出，但其建模周期长、成本较高，不能满足施工现场对于时效性以及经济性的要求。而基于无人机的图像建模以较低的操作成本和较为迅速的途径实现了市政道路场景的还原重建，具有较高的可行性。