取影像的特征點集合；
[0055]具體地，因為無人機影像拍攝條件的不同，存在不同的旋轉、縮放或亮度變化情況，為了保證提取的特征點具有很好的魯棒性，本實施例可以選用SIFT尺度不變特征轉換算法，提取影像的特征點集合。
[0056]SIFT特征點提取方法具有尺度不變、旋轉不變和光照不變的特點，有很好的魯棒性，非常實用于寬基線的匹配，因此能夠一定程度的適應采集圖像傾斜角度過大的問題，廣泛應用在近景攝影測量中。
[0057]步驟S120、針對序列影像數據中相鄰兩幅影像的特征點集合進行特征點匹配，得到立體像對；
[0058]特征點表現為64維的特征向量，采用某兩點特征向量間的歐式距離作為相似性判定度量，大于某個閾值既可判定為同名點，將兩兩特征點關聯匹配。特征點匹配的相鄰影像生成立體像對。
[0059]步驟S130、對所述立體像對利用運動結構算法SFM恢復序列影像的相對位置，并利用匹配成功的特征點的視覺信息計算特征點深度信息，對立體像對進行深度恢復；
[0060]步驟S140、將深度恢復后的立體像對中每個像素點反投影到三維空間，得到稠密的三維點云；
[0061 ]步驟S150、對所述三維點云利用泊松重構的方法生成路橋表面網格模型；
[0062]步驟S160、對所述路橋表面網格模型進行顏色渲染。
[0063]本申請實施例提供的基于無人機的路橋三維重建方法，利用無人機搭載影像采集系統(tǒng)，通過控制無人機飛行來采集路橋的序列影像數據，并通過后續(xù)影像數據處理過程得到路橋表面網格模型，為路橋病害的治理提供依據。
[0064]本申請基于無人機采集路橋的影像數據，以實現路橋表面網格模型的構建，對路橋巡檢周期大大縮短，并且不會影響交通通行。
[0065]進一步參見圖2，圖2為本申請實施例公開的另一種基于無人機的路橋三維重建方法流程圖。
[0066]如圖2所示，該方法包括:
[0067]步驟S200、獲取無人機上影像采集系統(tǒng)所采集的路橋的序列影像數據；
[0068]所述序列影像數據攜帶有拍攝時刻無人機的位置信息GPS和飛行姿態(tài)信息P0S。無人機飛行平臺上搭載了影像采集系統(tǒng)以及全球定位系統(tǒng)GPS和POS慣導系統(tǒng)，通過控制無人機飛行獲取路橋的序列影像數據。
[0069]步驟S210、對序列影像數據中各幅影像進行預處理，得到標定的影像；
[0070]其中，預處理過程包括對影像去模糊、幾何糾正，以及對GPS和POS參數做系統(tǒng)誤差糾正等。
[0071 ]步驟S220、針對各幅標定的影像，提取標定的影像的特征點集合；
[0072]步驟S230、針對序列影像數據中相鄰兩幅標定影像的特征點集合進行特征點匹配，得到立體像對；
[0073]特征點表現為64維的特征向量，采用某兩點特征向量間的歐式距離作為相似性判定度量，大于某個閾值既可判定為同名點，將兩兩特征點關聯匹配。特征點匹配的相鄰影像生成立體像對。
[0074]步驟S240、對所述立體像對利用運動結構算法SFM恢復序列影像的相對位置，并利用匹配成功的特征點的視覺信息計算特征點深度信息，對立體像對進行深度恢復；
[0075]步驟S250、將深度恢復后的立體像對中每個像素點反投影到三維空間，得到稠密的三維點云；
[0076]步驟S260、對所述三維點云利用泊松重構的方法生成路橋表面網格模型；
[0077]步驟S270、對所述路橋表面網格模型進行顏色渲染。
[0078]相比于上一實施例，本實施例中增加對無人機采集的序列影像的預處理過程，通過預處理得到標定的影像，后續(xù)處理對象均為標定的影像。通過影像預處理，提高了最終建立的模型的準確度。
[0079]可選的，上述實施例中在對序列影像數據中相鄰兩幅影像的特征點集合進行特征點匹配時，可以采用KD樹匹配算法，對序列影像數據中相鄰兩幅影像的特征點集合進行特征點匹配。
[0080 ] KD樹(K-D i men s i ona I樹的簡稱)，是一種分割k維數據空間的數據結構。主要應用于多維空間關鍵數據的搜索(如:范圍搜索和最近鄰搜索hKD樹是二進制空間分割樹的特殊的情況。
[0081]使用KD樹匹配算法能夠提高匹配效率。在此基礎上，同時采用由粗到精的匹配策略，以處理冗余度較高的序列影像。
[0082]進一步地，在對特征點集合進行特征點匹配之后，還可以進一步采用隨機抽樣一致性算法RANSAC，對匹配成功的特征點進行誤匹配過濾。提高了匹配的穩(wěn)健性和可靠性。
[0083]再進一步參見圖3，圖3為本申請實施例公開的又一種基于無人機的路橋三維重建方法流程圖。
[0084]如圖3所示，該方法包括:
[0085]步驟S300、獲取無人機上影像采集系統(tǒng)所采集的路橋的序列影像數據；
[0086]所述序列影像數據攜帶有拍攝時刻無人機的位置信息GPS和飛行姿態(tài)信息P0S。無人機飛行平臺上搭載了影像采集系統(tǒng)以及全球定位系統(tǒng)GPS和POS慣導系統(tǒng)，通過控制無人機飛行獲取路橋的序列影像數據。
[0087]步驟S310、對序列影像數據中各幅影像進行預處理，得到標定的影像；
[0088]其中，預處理過程包括對影像去模糊、幾何糾正，以及對GPS和POS參數做系統(tǒng)誤差糾正等。
[0089]步驟S320、針對各幅標定的影像，提取標定的影像的特征點集合；
[0090]步驟S330、針對序列影像數據中相鄰兩幅標定影像的特征點集合進行特征點匹配，得到立體像對；
[0091]特征點表現為64維的特征向量，采用某兩點特征向量間的歐式距離作為相似性判定度量，大于某個閾值既可判定為同名點，將兩兩特征點關聯匹配。特征點匹配的相鄰影像生成立體像對。
[0092]步驟S340、對所述立體像對利用運動結構算法SFM恢復序列影像的相對位置，并利用匹配成功的特征點的視覺信息計算特征點深度信息，對立體像對進行深度恢復；
[0093]步驟S350、將深度恢復后的立體像對中每個像素點反投影到三維空間，得到稠密的三維點云；
[0094]步驟S360、對所述三維點云利用泊松重構的方法生成路橋表面網格模型；
[0095]步驟S370、對標定的影像進行多尺度分割，得到路橋結構特征；
[0096]具體地，針對路橋表面紋理同質化，提取特征點較少的問題，充分利用路橋結構規(guī)整、邊緣清晰的特點，采用面向對象的方法，如多尺度影像分割提取路橋的線狀邊緣信息和面狀的結構信息，作為路橋結構特征。
[0097]步驟S380、利用所述路橋結構特征對所述路橋表面網格模型進行調整；
[0098]通過利用路橋結構特征來調整路橋表面網格模型，提高了路橋表面網格模型的精度。
[0099]步驟S390、對調整后的路橋表面網格模型進行顏色渲染。
[0100]相比于上述實施例，本實施例中增加了對路橋結構特征的提取，以及利用路橋結構特征對路橋表面網格模型進行特征的過程，提高了路橋表面網格模型的精度。
[0101]可以理解的是，上述步驟S370可以在步驟S310之后的任意位置執(zhí)行，圖3僅僅示例了一種可選的方式。
[0102]進一步，上述各個實施例中對路橋表面網格模型進行顏色渲染的過程，具體可以按照下述方式實現:
[0103]將所述三維點云反向投影到標定的影像上，得到對應像素點的顏色，以該顏色渲染所述路橋表面網格模型上對應像素點。
[0104]下面對本申請實施例提供的基于無人機的路橋三維重建裝置進行描述，下文描述的基于無人機的路橋三維重建裝置與上文描述的基于無人機的路橋三維重建方法可相互對應參照。
[0