本文介绍根据Pix4Dmapper软件，完结由无人机印象树立研讨区域空间三维模型的办法。

  前面两篇博客别离根据不同软件、不同办法，具体讲解了空间三维模型树立的进程：# 侧影概括法三维建模：3DSOM中的完结介绍了根据3DSOM的侧影概括办法物体空间三维模型重建，# 编码结构光办法的三维模型重建：EinScan-S软件完结介绍了根据EinScan-S的编码结构光办法物体空间三维模型重建。

  那么本次，概括以上两篇博客所说到的办法与原理总结，咱们就将进行更进一步的空间三维建模实践——根据若干无人机航拍印象，凭借Pix4Dmapper软件，完好树立研讨区域的空间三维模型。

  本文所用的软件：Pix4Dmapper 4.3.31软件、ArcMap 10.2软件、Microsoft照片2020软件。

1 布景常识

  通过上方提及的两篇博客，咱们了解了空间三维模型重建的侧影概括办法与编码结构光办法，并对两种办法加以剖析、比较；其间，侧影概括办法为一种被迫办法，编码结构光办法则为主动办法。跟着21世纪后全球城市化快速发展，针对城市或某一空间区域的室外大范围场景三维模型重建具有较大使用需求[1]。因为主动办法成本相对较高，操作全体较为杂乱，难以进行大规模杂乱场景扫描[2]，在城市或空间区域三维建模使用中将受到限制；而侧影概括办法则无法获取方针物体外表部分细节信息。

  本文中，咱们将具体介绍一种新的被迫办法——运动结构康复（Structure From Motion，SFM）办法，其可较好地对天然地形、城市景象等大规模场景进行三维重建[2]，现在已广泛使用于矿厂等大范围区域管理、农业、灾祸管理，以及文物修正等多范畴[3-6]。

1.1 运动结构康复办法原理

  运动结构康复办法由全体观之，即使用运动相机（如处于飞翔状况无人机所携带摄像机）所拍照若干不同视点二维图画，解算相机参数，康复得到三维点的空间方位[3]。其间，这一办法的常识根底包含相机成像模型、相机标定与多视几何等[1]。以下先别离对各常识根底所对应原理加以描绘，并终究将各独立部分结合，得到运动结构康复办法的完好原理。

  在核算机视觉中，最常用的相机成像模型即小孔成像模型[7]。小孔成像原理如图1所示。

图1 小孔成像原理示意图

  其间，obj为方针物体，H为小孔，W为成像屏，f为焦距。

  由图可知，小孔成像所得成果为倒像；若将成像屏置于小孔前侧（靠近方针物体一侧），且间隔小孔间隔仍然为一个焦距长度，则可使得小孔成像成果与原物体方向共同，如图2所示。

图2 小孔成像（正像）原理示意图

  与上述两篇博客相似，在运动结构康复办法中，相同需求牵涉到方针物体真实三维空间与二维图画空间之间坐标系的转化；这一进程牵涉到如下四种坐标系[3]：

  1）国际坐标系。国际坐标系即人类所处实践国际构成的坐标系，其间每一物体、每一方位都有唯一坐标表明。

  2）相机坐标系。相机坐标系根据相机方位定义，以相机光心为坐标原点，X轴与Y轴别离平行于像平面坐标系X轴与Y轴，将与光轴重合的直线作为相机坐标系Z轴。

  3）图画物理坐标系。图画物理坐标系即像平面坐标系，以相机坐标系Z轴与图画所在平面交点为原点，X轴与Y轴别离平行于图画两对应边际；虽然与下方像素坐标系所表明均为图画上方位，但图画物理坐标系以物理单位表明这一方位。

  4）像素坐标系。像素坐标系以图画像素为单位，以矩阵办法表明图画像素方位。

  其间，图画物理坐标系与像素坐标系均表明图画上某一点的方位信息，因而可能较易混淆；针对二者的差异，如图3所示。

图3 图画物理坐标系与像素坐标系对比

  图中，O_1为图画物理坐标系原点，x与y为图画物理坐标系坐标轴；O_0为像素坐标系原点，u与v为像素坐标系坐标轴；黑色与赤色线段组成区域为图画区域。其间，图画物理坐标系单位为毫米，像素坐标系单位为像素[3]。由此即可看出，二者为图画中各方位的不同表达办法。

  上述各坐标之间均具有必定转化联系，方针物体外表点方位的确认即为上述各坐标间相互转化的进程。

  在坐标系转化进程中，需涉及投影矩阵；而投影矩阵则由相机外部参数与相机内部参数组成[3]。其间，相机内部参数由相机内部结构决议，包含相机焦距、像主点坐标、像素巨细等。一般地，相机内部参数由相机定标得出——即找到图画二维坐标与空间三维坐标的映射联系，亦即核算得出各图画对应相机参数[3]；相机定标技能可分为传统标定法与相机自标定法[3]，在上述两篇博客中咱们对相机定标已有接触。

  相机外部参数指相机在拍照进程中的运动参数，用以描绘相机方位、姿势信息；通过其能够康复图画拍照时相机的运动轨迹与姿势信息。一般地，别离使用特征点提取与匹配算法与对极几何原理获取匹配点像素坐标与相机旋转矩阵、相机平移向量。

  根据上述匹配点像素坐标与相机旋转矩阵、相机平移向量，再结合前述由相机标定获取的相机内部参数矩阵，即可组成投影矩阵，然后将悉数二维像素坐标映射至三维空间坐标，生成三维点云，康复研讨区域空间三维场景模型。此外，为缓解噪声或差错带来的影响，可对上述生成的空间三维坐标加以优化，提高其精度。

  传统运动结构康复办法所选用优化办法为光束平差法（Bundle Adjustment，BA），以其核算重投影差错，并最小化重投影差错函数，然后优化相机参数与方针物体各点空间三维坐标。光束平差法认为，空间内部恣意物体点，其所对应不同视图的像素点与相机光心连线都相交于一点，且这一点即该物体点；根据此，关于空间内部悉数物体点，应具有很多光束。而因为噪声的存在，使得应相交于一点的光线往往未相交于一点。因而，不断调整相应参数，挑选不同待求信息取值，以使得光线相交于一点，然后完结下降重投影点与实践像素点之间的间隔差错[3]。

  综上所述，可将各独立原理概括，得到三维模型重建运动结构康复办法的较为完好机理——运动结构康复办法首要使用小孔成像等相机成像模型，取得方针区域必定数量的二维图画；随后使用相机定标以及其它算法，获取相机内部参数与外部参数；根据相机内部参数与外部参数所组成的投影矩阵，凭借四种坐标系之间的转化规则，将二维图画中特征点映射至三维空间坐标系，构成三维点云；终究使用优化后的三维点云，对区域空间三维场景特征加以描绘，完结方针区域的空间三维模型重建。

1.2 运动结构康复办法流程

  其实，前述部分针对运动结构康复办法的原理讨论，已将这一空间三维模型重建办法的大致流程展示出来。在此，对上述流程加以具体概括，展示如图4所示。

图4 运动结构康复办法流程

2 软件与数据预备

  本文需求凭借Pix4Dmapper软件，对很多无人机航拍印象所组成的空间体系进行三维模型重建。因而，在正式开端本次操作部分前，需完结初始数据与软件的预备。

  本部分结合Pix4Dmapper 4.3.31软件装置与方针研讨区域选取、无人机印象数据获取等，对本文操作的前期预备作业，所遇到的问题以及相应解决方案加以总结。

  需求留意的是，Pix4Dmapper软件的装置并不是本文的要点，这儿也仅仅大概记录了我在装置软件时呈现的一点问题，而非具体的软件装置教程；具体的装置办法我们百度即可。另一方面，本文的数据因为并不是我的，因而本部分对数据的介绍亦比较含糊，且数据也不能够一并提供给我们，还请我们见谅。但是根据本篇博客的思想与对操作进程的具体解说，我们用自己手头的无人机航拍图片，能够将相关操作与剖析进程加以完好重现。

2.1 软件预备

  首要开端直接装置软件，如下图所示。

  随后发现，Pix4Dmapper软件开端装置一段时刻后，将呈现体系“用户账户操控”报错，单击“封闭”后将主动停止软件装置，此外无其他选项。屡次重复，这一问题仍然存在。

  其间，报错状况如下首图所示；报错后软件主动停止装置，如下第二幅图所示。

  针对这一问题，结合相关博客，测验封闭专用网络防火墙、调整用户账户操控设置（如下图所示）等，但均无作用。

  随后查阅更多博客内容得知，这一问题可用本地组策略编辑器加以解决。但是，发现个人电脑并无这一编辑器所对应文件（即“gpedit.msc”文件），因而无法翻开组策略编辑器。进一步查阅资料后得知，因为个人电脑为Windows 10 家庭中文版，默许状况下无（或未激活）组策略编辑器。

  因而，在网络中下载Windows 10 “gpedit.msc”文件资源，并放置于C盘对应途径下，发现仍然无法正常翻开编辑器（翻开后为空，此处未及时截图）；进一步对比发现，可能是因为个人所下载文件仅适用于Windows 10 专业版，与自己电脑体系不匹配导致。

  由此持续探索，由另一博客中找到能够使用的、用以激活Windows 10 家庭中文版组策略编辑器的链接器装备文件代码，如下图所示。

  保存后将其转化为“.cmd”格局，右键“以管理员身份运转”，稍等片刻即可完结。随后，即可正常翻开编辑器，如下图所示。

  随后，在本地组策略编辑器中调整用户账户操控规则，如下图所示。

  随后再次装置软件，即可成功，如下图所示。

  装置后翻开“硬件获取.exe”，装备核算机称号并生成HWID，如下图所示。

  其间，核算机称号由“体系”界面获取，如下图所示。

  翻开“4D-Permit-4X.exe”，将HWID仿制，并调整软件期限（单位为天），如下图所示。

  随后，双击所生成的注册表编辑器，如下图所示。

  以上完结悉数装置操作。终究，翻开“Pix4DTool.exe”，点击“Auto Start”，随后翻开软件即可；但有时这一操作会导致电脑其他软件（如阅读器）衔接互联网较慢，因而亦可在翻开软件时直接将WLAN禁用。

  软件翻开后如下图所示。

2.2 数据预备

  本文中，初始数据为某学校千余个图画获取点，每点各对应一幅无人机航拍印象。其间，大都印象大致按照西南-东北方向的规范网格模式（Regular Grid Pattern）拍照；在学校主干大道沿线，增设西北-东南的拍照途径，与前者组成两层网格图画（Double Grid Image）。

  悉数图画获取点方位如下图所示。

  其间，考虑到核算机性能、用时等条件限制，由上述图画获取点中选取100个左右作为研讨目标，所选归入核算区域如下图所示。

  其间，赤色边框内部为归入核算区域，呈现蓝色的点则为落入这一区域内部的图画获取点，共108个。上述区域具体信息如下图所示。其间，为提高后期拼图作用，研讨区域应较小于归入核算区域。

  取得研讨区域内点后，将其信息导出，并根据点编号下载对应数据。

  至此，完结悉数数据预备作业。

3 研讨区域模型树立

  通过上述数据与软件预备，即可开端研讨区域的建模作业。本文操作进程所遇问题以及值得考虑的问题除部分直接附于本部格外，其它附于本文第四部分。

3.1 数据导入与装备

  翻开Pix4Dmapper软件，挑选“新项目”，并装备项目对应称号与途径；如下图所示。

  这儿需求留意，不要将项目直接创建在C盘，不然很可能因为存储空间缺乏呈现程序运转问题。在本文榜首次履行建模操作时，就因只考虑到途径需求简练（不得过长且不含中文），而疏忽了所得模型可能所占用的很多空间，将新项目创建在C盘，然后导致榜首次程序运转接近尾声时因为无法写入成果文件犯错。

  随后，将前述下载好的图画文件导入项目中。其间，能够将悉数整理好的图画放置于同一文件夹下，并通过“增加途径…”的办法将多张图画批量导入新项目中。

  “挑选图画”进程如下图所示。

  随后，对图画坐标系、相机特点等参数加以装备，其间程序亦会给出默许参数；这些参数需求根据图画拍照时无人机摄像机所处的状况、所选用的坐标系决议。一起还可阅读各图画对应经纬度、高度、方位精度、方向视点等信息，如下图所示。

  随后，对输出成果与地面操控点（Ground Control Point，GCP）坐标系加以装备。默许条件下，二者对应坐标系共同，以此使得建模成果与GCP同处于同一坐标系中；如二者不共同，而若其对应坐标系别离均存在于软件坐标系数据库中，软件亦将主动完结两种坐标系的转化。

  此外，还可对坐标系单位（默许为米）等加以调整。其间，若图画自身含有空间方位信息，则可挑选主动检测。

  此处装备如下图所示。

  随后，对处理选项模板加以装备。在左边挑选“规范”→“3D Maps”，软件将主动以“3D地图”模板进行使用处理。如下所示。

  其间，挑选“3D Maps”模板将得到3D地图（包含点云与3D纹路网格）、数字地表模型（Digital Surface Model，DSM）与正射拼印象（Orthomosaic）等成果；挑选“3D Models”模板将仅得到点云与3D纹路网格成果。各类不同模板适用于不同使用。

  点击“Finish”按钮。若此刻个人电脑内存或磁盘空间较小，软件会弹出相应警告提示。在我榜首次履行操作时，内存空间与磁盘空间均弹出警告信息，但点击“OK”后，警告信息均消失且可持续下一步；其间内存缺乏提示信息如下图所示。

3.2 榜首次模型树立

  随后进入地图视图。如前所述，在翻开软件时需求封闭网络衔接，而在随后即可康复网络衔接；若此刻网络康复，则可在地图视图中看到研讨区域及其邻近的卫星印象。如下图所示。

  翻开“处理选项”，需求选中三个选项，并装备相关特点，如下图所示。

  装备悉数特点完毕后，即可开端运转程序，如下图所示。

  能够看到，在程序运转一段时刻后（约20分钟左右），即可主动弹出质量陈述界面。如下图所示。由此可知，此刻程序已完结部分作业。

  虽然已弹出质量陈述，但程序仍然在运转，且陈述中内容会逐渐增加。由此能够看出，Pix4Dmapper软件的质量陈述是跟着程序运转而实时发生的；每完结一进程，若这一进程对应有需求写入质量陈述的内容，此陈述均会主动更新。这样的办法极大便使用户实时盯梢程序运转状况。

  而在另一方面，能够显着感受到Pix4Dmapper建模程序在运转进程中（尤其是软件运转中后期），电脑性能受到较大影响——乃至有时鼠标移动都会发生推迟。由此亦能够看到，根据无人机拍照印象进行空间三维模型重建，是一项非常杂乱的进程。

  通过两个小时左右的等候，发现在程序界面中下方呈现相似于操作日志的内容，其间呈现“ERROR”字样英文提示，大意为一些成果文件无法写入我所设置的保存途径内。

  此刻才意识到，如前所述，在前期设定项目保存途径时，为保证途径的简练，自己直接将其放置于C盘，而未考虑到C盘空间巨细可能无法放置成果文件。

  因而，在不断的卡顿中艰难翻开资源管理器，发现电脑C盘乃至仅剩下90 MB左右空间。随后当即切回Pix4Dmapper软件，预备取消程序运转。而此刻电脑已彻底无法操作；随后，电脑即开端重启。

3.3 第2次模型树立

  电脑从头敞开后，Pix4Dmapper软件天然已是封闭状况。此刻发现，在成果保存途径中仍然留有3 GB左右的剩下成果文件。而考虑到上一次操作在软件运转途中强制封闭，不确认这一成果文件是否彻底，是否还可进一步使用并终究得到研讨区域的正确空间三维模型重建成果；因而挑选从头树立项目，替换保存途径至其它空间充裕磁盘后开端履行程序。

  此处值得一提的是，电脑重启后，能够看到C盘主动清空了10 GB左右的空间。

  其间，除项目保存途径外，其它特点装备与前述榜首次模型树立进程所述共同。随后即开端第2次建模程序运转。在本次运转进程中发现，程序的“总进度条”与已运转时刻或剩下运转时刻之间并无直接联系——如第2次运转开端于当日21:00左右，至当日23:00左右已达“20/23”状况；而终究运转完毕时已是次日01:20左右。由此或许能够阐明，DSM、正射印象与指数生成环节所需时刻应显着较多于初始化处理与点云与纹路处理进程。此外，在质量陈述中亦有各部分运转时刻；这一讨论附于本文第四部分。

3.4 模型外观查看与调整

  通过四个半小时左右的绵长等候，程序终究成功运转，并得到终究版质量陈述，如下图所示。

  得到空间三维模型如下图所示。

  随后，对所得研讨区域空间三维模型加以细致阅读，并测验对其间所具有的问题加以剖析。通过查看得知，所得模型除部分地物旁边面形状具有差错、部分建筑物纹路呈现紊乱外，并无其它显着问题；模型在全体地形、建筑物方位与大致形状等方面均全体较为杰出。

  其间，关于上述所得模型外观问题、模型组成与质量陈述等具体剖析附于本文第四部分。

  其间，可能会呈现一些与模型其他方位相独立等过错的点云，咱们能够将其删去。挑选“Edit Densified Point Cloud”选项，用鼠标左键将其圈画，如下图所示。

  圈画完毕后，点击鼠标右键，即可完结对圈画区域内点的选取。所选中的点呈现赤色，如下图所示。

  随后，将其归类为“Disabled”，点击“Assign”，所挑选的点即可消除，如以下两幅图所示（此后我将软件言语替换为了英文，因而视图会有一些变化）。

  当然，上述这些点并非真实彻底删去，而仅仅是没有在视图中展示而已——若在左边图层中选中“Point Groups”→“Disabled”选项，即可看到此类点重现呈现。

  通过上述进程，即可将所得空间三维模型中作用较差的点或点云加以挑选与去除。在去除进程中，发现呈现这一问题的点往往集中于模型边际区域——这或许是因为边际区域点所对应无人机印象数量较少，然后其在建模进程中容易呈现空间方位问题。

  完结后，退出编辑状况，从头生成纹路，如下图所示。

  本次运转只生成3D纹路外表，因而运转所耗费时长较之整个模型生成时所耗时长短。

  随后，可对点云与3D网格模型加以保存。

3.5 模型量测

  得到模型后，能够对模型中具有代表性的地物加以量测。可量测的目标包含地物长度、面积、体积等；通过量测，能够对模型加以定量视点的检验，一起可由模型中获取更多信息。

  首要，对新体育馆占地面积加以量测。使用“New Surface”功能将其基部围住，然后得到其底面周长（二维与三维）以及占地面积（二维与三维）。量测进程如下图所示。

  根据上述相同操作，对榜首教学楼底面周长与占地面积加以丈量，如下图所示。

  此外，还可凭借“Volume”模块对地物体积加以丈量；但体积丈量时较易卡顿，如下图所示。

  随后发现，体积丈量的卡顿是因为左边“Objects”窗口拖动导致；但若不拖动，体积数据无法显现彻底。随后想到，能够直接将体积数据仿制到剪切板，然后得到彻底体积数据，如下图。

  持续丈量其他地物，如下图所示。

  其间，选取上述所得丈量作用较好的地物，对其丈量值加以概括，如表1所示。

  其间，各地物长度与宽度相加并不必定为底面周长一半，是因为各次丈量之间差错、地物并非规范长方体等导致。

  上述底面面积与DSM面积均由根据地物底面划定的面决议，但二者具有较大差距；关于二者的差异对比附于本文第四部分。

4 建模部分问题与考虑

  前述操作部分已罗列部分操作进程中的考虑与理解，本部分则对前述未提及的问题加以讨论。

4.1 模型外观与组成剖析

  在通过前述绵长等候后，所得到研讨区域的开始模型如下图所示。

  其间，能够看到此刻未显现出真实的彻底模型外观，而是由较为稀少的点云所组成的外表。将其扩大后能够看到凹凸不同、错落有致的点云所组成的简化模型外观，如下图所示。

  随后增加点云组，得到成果如下图所示。

  对比上述二者成果，能够发现前者以稀少点云表明了平面信息（如地面、高楼顶面等），且表明得并不是很充分，仅能够大致刻画出某平面所处在的方位，而无法展示其具体外观与纹路；而后者则将各类物体外表的一些凸出细节（如地面的轿车与树木、高楼顶面的设备与旁边面凸出的窗檐等）展示出来，并进一步突出了不同地物的颜色与部分纹路特征（如操场跑道与足球场、轿车颜色、远处东运动场不同颜色的观众席等）。

  随后，增加三角纹路，如下图所示。

  由此即显现出完好模型，相同由此能够看出模型所存在的问题——旁边面的外形与纹路与实践地物相差较大。

  首要，结合增加三角纹路后的上图与未增加纹路的上上图能够看到，在上图中呈现外形或纹路曲折、变形的部分均为上上图中点云未掩盖的区域——如楼南侧墙体、西北侧墙体与房顶、“逸夫教”三字处等方位变形严峻，而上上图中这些部分点云几乎为空；反之则反，在上图中较为正常、符合实践的部分均为上上图中点云散布较为密集区域——如楼西南侧墙体、南侧花坛、南侧房顶与“学楼”两字处模型作用较好，而上上图中这些部分点云则非常密集、丰厚。

  由此能够进一步阐明：

  1）与本文开头所说到的第二篇博客中编码结构光办法相似，运动结构康复办法所得空间三维模型相同由点云所组成；点云质量将对终究所得模型质量具有重要影响。

  2）模型结构仅由点云决议，其纹路则在模型搭建完毕后贴于地物外表，即模型要点仍然为点云。

  3）点云亦有重要程度之分，稀少点云作为模型的初始状况，具有决议平面与方位的作用，或许可视作模型的骨架；而点云组中点在稀少点云确认方位后，对模型细节加以优化。

4.2 模型部格外形与纹路过错剖析

  得到模型后，能够看到部分地物在外形或纹路方面具有显着的扭曲、含糊等过错，如下图所示。

  但是，若由研讨区域顶部仰望地物，则可看到各不同地物在外形、纹路等方面观之较为正常，作用较好，如下两幅图所示。

  即上述地物在外形、纹路等方面所具有的问题往往存在于其旁边面被其他地物遮挡方位。由此可开始判断，外形差错问题或许是因为其未被无人机航拍印象拍照得到，然后在空间三维模型树立进程中点云方位呈现必定偏离导致；并进一步使得贴合于其外表的纹路呈现过错。

  随后，别离对外形、纹路均较为杰出的方位与外形、纹路均存在必定问题方位加以剖析。首要，用鼠标屡次随机选中外形符合实践、纹路清晰方位的点，能够发现这些点与多张无人机航拍印象相连，即这些三维空间点是由多幅图画中不同像素点所对应信息得出；用鼠标屡次随机选中外形呈现过错、纹路含糊方位的点，能够发现这些点不与任何无人机航拍印象相连。由此猜想，这些外形或纹路反常方位或许正是因为未获取充足无人机印象，然后在建模进程中呈现点云方位的过错确认。

  讨教大佬后，确认了这一猜想。因为无人机飞翔高度较高，地物旁边面方位或被其它地物遮挡方位的信息获取缺乏；若需对上述反常问题加以修正，能够在后期对地物其它视点信息加以拍照、获取。

4.3 模型质量陈述剖析

  得到模型后，一起会得到一篇内容丰厚的模型质量陈述（Quality Report）。结合相关网络资源，首要对质量陈述中部分内容加以剖析。

  首要，针对“Summary”部分，如下图所示。能够看到，所得成果的平均地面采样点间隔（Average Ground Sampling Distance）为4.30 cm。一起，能够看到研讨区域模型占地面积为0.540 km2。

  其次，针对“Quality Check”部分，如下图所示。由“Datasat”部分可知，所选研讨区域108张无人机航拍印象中有104张完结定标并参加后续操作；而有4张图画未完结定标。点击这些图画能够看到，其“Tie Points”数量为0，而其它正常完结定标的图画则均具有较大都量的“Tie Points”。由“Camera Optimization”部分可知，原始相机内部参数与优化后的相机内部参数具有0.8%的相对差错（这亦与本文榜首部分原理所对应）。

  再次，通过“Calibration Details”能够得到无人机印象的方位信息，并直观地看到呈现问题的印象在哪一部分，如下图所示。

  随后，针对“Bundle Block Adjustment Details”模块，得到空中三角丈量中差错（Mean Reprojection Error）为0.143，如下图所示。其间，需求留意的是这一差错的单位为像素（pixels），则其所代表的物理长度单位即为0.143乘以像素巨细。

  此外，质量陈述中还将程序运转时各部分所需时刻（如预处理时刻、点云稠化时刻、DSM生成时刻等）列出，如下图所示。

4.4 模型鸿沟缺失问题

  能够看到，在所得三维模型边际方位，往往会呈现不规则的模型缺失，如下图所示。

  针对这一问题，个人认为是因为：在实践场景中，临近研讨区域鸿沟的点，所对应无人机印象数量较少（例如研讨区域北侧的地物，其仅能由其南侧5张左右无人机印象所拍照，而处于研讨区域中心方位的地物则可由八个方位加中心的九张乃至更多印象所拍照），即对其不同视点的描绘信息较少，缺乏以根据这些信息对其空间三维方位加以康复，导致部分地区无法建模。

  当然，我的这一主意仍然具有必定缺乏：如上图所示，两个赤色的框别离代表某栋宿舍在无人机印象与实践模型中的方位；而在其北侧，还有一栋宿舍，其被多张无人机印象所拍照（如图中黄色框所示），但终究所得到的模型并无这一建筑。

  针对这一问题，猜想或许只有当某一实践地物被必定数量（如可能为5张）的无人机印象所拍照到，才能够取得充足的信息并参加建模；而若实践所得图画数量少于这一数值，则其不可参加后续建模。

4.5 地物底面面积核算问题

  在进行地物底面面积量算进程中，发现具有相似意义的两个目标“Projected 2D area”与“Terrain 3D Area”；刚开端，以为二者仅仅是不同量测功能下对底面面积的不同表达。随后，发现二者数值相差较大，如表1（底面面积与DSM面积）。

  随后，为确认二者差异，先后结合实践状况（如大致回想某栋楼实践占地面积）、使用其他地物信息（如丈量广场某辆轿车占地面积）以及使用软件协助等办法，测验找出二者异同。

  终究，根据软件协助信息对二者加以区别：“Projected 2D area”所代表即为某一地物底面所占面积（当然这一底面需求手动制作，因而可能与实践状况具有必定差错），而“Terrain 3D Area”则表明其所代表的地物在所划定平面上各高度的面积之和。

  此处以某栋教学楼为例，“Projected 2D area”度量数值即为此楼所占有地外表积；而这一教学楼凹凸错落、层次有质，具有很多门檐、窗檐等设计，如下图所示，因而使用“Terrain 3D Area”核算得到的是教学楼这一“Volume”一切处于建筑外部的面积之和——亦即教学楼除去底面之外其它各面的外表积。

  通过上述讨论，即可解说“Projected 2D area”与“Terrain 3D Area”二者在数值方面所具有如此之大差异的原因。

参考文献

[1] 李永露. 根据无人机印象的运动康复结构技能（SfM）研讨[D]. 哈尔滨理工大学, 2017.

[2] 徐超, 李乔. 根据核算机视觉的三维重建技能总述[J]. 数字技能与使用, 2017(01):54-56.

[3] 李明杰. 根据运动康复结构的露天储煤场三维场景重建的研讨与使用[D]. 我国矿业大学, 2019.

[4] 张艳超, 庄载椿, 肖宇钊, 等. 根据运动康复结构算法的油菜NDVI三维散布[J]. 农业工程学报, 2015,31(17):207-214.

[5] 许志华, 吴立新, 刘军, 等. 顾及印象拓扑的SfM算法改善及其在灾场三维重建中的使用[J]. 武汉大学学报(信息科学版), 2015,40(05):599-606.

[6] 沈长浩, 徐伯庆. 根据运动康复结构的雕塑的3D重建研讨[J]. 数据通信, 2017(04):48-51.

[7] Aipiano. OpenCV完结SfM（一）：相机模型[EB/OL]. [2020.05.13].