杨贤辉

（清远市测绘地理信息中心,广东 清远 511500）

0.引言

倾斜摄影测量技术已经历经了十几年的发展，作为一项新颖且发展较为迅速的航空摄影技术，其数据获取与后期处理都取得了长足的进步。倾斜摄影测量技术的主要流程就是在飞行平台上搭载多镜头相机采集地面影像数据，结合惯导、GNSS等技术实现航摄仪数据的精准定位。通过地面布设的像控点，最终获取地面点真实的位置数据与影像数据，经数据解算生成反映真实环境的实景三维模型数据。近年来，随着倾斜摄影测量技术的不断发展与成熟，越来越多的无人机搭载小型倾斜相机实现了低空倾斜摄影数据的采集，这也是对大型航摄仪的有力补充［1］。相比于大型航摄仪，无人机搭载小型倾斜相机可大大降低生产成本，同时也对倾斜摄影测量的应用范围进行了拓展。该方法已经在规划竣工与城市三维建模等方面得到了应用。

房地一体调查是对地上房屋及附属设置、集体建设用地、农村宅基地进行地籍测量与权属调查的工作。对于保护用地合法权益有重要意义，并且也是加快土地改革、维护正常交易的重要基础性工作。传统的房地一体调查工作是使用测绘仪器在权属情况调查结束后进行界址点测量，结合草图将外业采集数据通过内业绘制成图。利用传统方式进行房地一体测量耗时耗力，效率低且成本高，并且难以满足经济社会发展过程中对于地籍现势性的要求，以及针对农村地籍与房屋调查工作中的外业指界困难、工期要求紧、工作量大等问题。本文将无人机倾斜摄影测量技术引入房地一体测绘中，无人机倾斜摄影测量技术以三维数据为支撑，可有效识别地面地物，提高地籍数据生产效率。利用无人机进行倾斜摄影测量，以其较低的飞行高度以及高精度的像控点作为辅助，使得无人机倾斜摄影测量技术的成果精度满足地籍图精度要求成为可能。

1.倾斜摄影测量

低空航空摄影测量的最重要的突破性进展就是倾斜摄影测量技术，倾斜摄影测量技术是一种通过多镜头相机从不同角度获取地面实体三维坐标的数据采集方式。该技术不仅可以获取传统正射影像数据，还可以根据多视角影像数据生成地面真实三维模型数据，从而有利于更加直观地浏览与观察。倾斜摄影测量技术的快速发展，使得其与RS、GNSS技术一样，在测绘行业有了广泛地应用，在某些方面逐渐替代传统测绘行业中费时费力的数据生产方式。

倾斜摄影测量的主要特点有以下几个方面：

（1）倾斜摄影测量技术生产得到的模型数据量比人工建模数据量小，应用场景更多，易于发布；

（2）多维化进行数据展示，通过航片与倾斜模型数据实现了“非现场”的直观分析与测量；

（3）相比于人工建模，倾斜摄影测量建模的工作量更少；

（4）倾斜摄影测量数据采集环境要求低，受天气影响较小，采集数据速度快，减轻劳动力成本。

2.倾斜摄影测量实现房地一体调查的技术流程

2.1 影像数据采集

为保证倾斜摄影的侧视镜头影像覆盖测区边界，在航线布设时航向、旁向覆盖均超出航摄分区边界至少一个相对航高的距离。依据项目要求和航空摄影规范的相关规定，合理设置航摄技术参数，严格按照领航数据实施航摄。大疆精灵4 RTK具有A pp航线规划、相机微秒级同步、RTK导航定位能功能。其不仅配备了千寻公司自主集成的网络RTK模块，还配有高性能成像系统，定位精度可达厘米级，能够满足倾斜摄影测量硬件设施要求。

在高精度RTK辅助下，无人机数据采集系统可在低空环境中，通过高重叠率的数据采集方式对地面影像数据进行采集[2]，无人机数据采集航线规划涉及的参数有重叠率、相机倾角、航速、航高、地面分辨率等。

2.2 像控点布设

倾斜摄影测量中空中三角测量的基础是像控点布设，像控点布设的密度与像控点本身的精度将会直接影响数据生产成果的精度。倾斜摄影测量中像控点布设应满足以下基本要求：

（1）选择与周围地形存在高差，且在相片上清晰可辨的固定地物，如，房屋顶、小区围墙，女儿墙等，房屋应尽量选择平顶房屋，避免尖顶房屋；避免非固定地物，如，道路护栏、活动房等；不得选取无棱角的圆形或弧形地物，不得选取相片上看起来是钝角的特征点；

（2）像控点间距不超过500m，在建筑物密集区域应加密像控点；

（3）像控点在测区应均匀分布，相邻像控点组成近似等边三角形，适当超出测区边界。对于空三解算，测区的最边缘位置是其精度最弱点，所以对测区边角，应提高像控点密度，保证空三解算精度。

2.3 空中三角测量

空中三角测量主要包括两个步骤：（1）计算影像外方位元素，通过将外业采集的数据，包括POS数据、像控点成果、影像数据进行建模得到；（2）通过计算机解算生成高密度三维点云信息，通过对影像数据进行密集匹配得到。多视影像密集匹配的过程几乎不需要人工操作，通过同名特征点信息进行自动匹配［3，4］。

2.4 三维模型建立

三维建模主要包括两个部分：（1）通过高密度的点云生成不规则三角网；（2）将采集的纹理信息映射至不规则三角网中，最终生成具有三维位置信息与纹理信息的倾斜模型数据。其中模型数据包含了三种信息，分别是真实影像纹理、不规则三角网、高密度点云。利用模型数据进行内业矢量数据提取，大大提高了数据采集效率，并且有效减少了外业工作量。三维模型生产技术流程（如图1所示）：

图1 三维模型生产技术流程

2.5 内业矢量数据提取

通过无人机采集、计算机数据处理得到三维模型数据，可将其作为矢量采集数据源进行内业数据提取。将模型数据导入生产平台后，提取获取地物、地貌的真实位置信息，并且根据真实场景得到地物、地貌的属性信息。内业数据提取与编辑完成后，需结合传统野外测量作业方式，对模型数据遮挡严重导致内业无法提取、属性信息无法判读的情况进行补测、调绘等。

3.实验与结果分析

3.1 实验概况

本文以广东省清远市清城区房地一体调查项目为背景，通过对无人机在项目中应用的可行性与成果数据精度进行验证。项目测区位于一农村地区，测区总面积约为0．14km2。测区范围内建筑物结构、材料、风格不尽相同，建筑密度程度也各不一样。

项目使用大疆精灵4 RTK进行数据采集，同时搭载5镜头，分别采集4个倾斜视角影像与1个垂直视角影像。将旁向重叠度设置为60%，航向重叠度设置为70%，相对航高设置为80m。在测区范围内均匀布设30个像控点，本次数据采集中，共采集3750张照片，每个镜头采集750张。

3.2 数据处理

外业采集获取影像数据后，通过匹配多视角影像生成密集点云，基于密集点云构建三角网。将影像纹理通过三角网的空间信息进行映射，从而最终得到具有纹理信息的真实场景三维模型，本项目生产得到的实景三维模型数据（如图2所示）：

图2 倾斜模型数据

以三维模型数据为源数据，进行矢量数据采集完成地籍图的制作。矢量采集的原则是从整体到局部，从模糊到清晰，对无法准确提取的地籍要素应进行外业补测。各类地籍要素在数据提取时赋予相应的要素代码及属性信息，矢量采集保证数据精度，并且保证识别地物的种类。根据现场实地地物的特性，点状要素采集其定位点，定位点应准确描述其几何定位，有向点应确定其方位角；线状要素采集其定位线，定位线根据轨迹描绘，走向明确；面状要素封闭构面。建筑物采集时，通过剖面不断地调整高程确定建构筑物的有效长边，并且利用线相交将相邻长边进行连接，得到相应建筑物角点信息。

考虑到三维模型中无法将实际地物的全部信息完全反映，在矢量化过程中存在部分区域因遮挡造成的缺失，或者部分地籍要素属性不明确，需进行实地外业补测与调绘。补测与调绘前对通过三维模型采集的矢量数据进行检查，检查数据的表达是否合理，有无缺漏；调绘过程中用合适的符号标注清楚各类需要调绘要素的具体要求。数据编辑应保证不失真、主次有别、层次分明。地籍要素添加属性信息主要包括资料收集和现场调绘两部分，两种方法相互结合使用，最终完成地籍图的采集与制作。采集得到的成果数据（如图3所示）：

图3 成果数据

3.3 精度评定

对地籍图质量进行评价，其中一项重要指标就是地籍图的要素采集精度，本文选择30个界址点对地籍图的精度进行评价。通过外业采集检查点坐标与内业采集同名点坐标进行误差统计。其中外业采集点坐标方式为RTK，故本文采用的精度统计指标为同精度中误差如式（1）所示：

式（1）中，n为检验点个数；ΔS为检测点与同名界址点较差。

对于界址点精度的要求，《地籍调查规程》（TD T1001－2012）中有明确的规定。其中一级界址点限差为±0.10m，中误差为±0.05m；二级界址点限差为±0.20m，中误差为±0.10m[5]；通过式（1）计算得到检查界址点的中误差为±3.6cm，满足规范中对一级界址点的精度要求。点位误差统计表（如表1所示），界址点检验平面误差（如图4所示）。得知最小平面误差为1．4cm，最大平面误差为14cm，平面误差都在一定范围内波动，表明模型的精度不是特别稳定，但都是在误差要求范围内。

图4 平面点位误差分布

表1 点位误差统计表 单位：m

4.结束语

本文以实际项目为依托，探索了将无人机倾斜摄影测量技术应用到房地一体测绘中，并对成果数据精度进行检验，通过外业采集点坐标计算得出界址点点位中误差为±3.6cm。点位误差在一定范围内波动，虽然采集精度满足《地籍调查规程》（TD T1001－2012）中对界址点的精度要求，但是同样也表明了倾斜模型的稳定性有待进一步提高。本项目的成功实践，进一步发展与验证了利用倾斜模型进行房地一体测绘的可行性，是对传统房地一体测绘方式的突破。相比于传统房地一体测绘方式，利用倾斜模型进行房地一体测绘可以减少外业工作量，提高生产效率，同样也大大降低了生产成本，值得在房地一体测绘中进一步推广与应用。此外，利用倾斜模型进行数据采集时，基本方式都是人工内业进行采集，未来可进一步研究智能化数据采集软件，提高数据采集效率。并且大数据量的倾斜模型数据对于电脑配置要求较高，大规模数据生产时需要的硬件成本较高，未来可进一步降低电脑配置要求，减少硬件成本。