基于无人机的数据中自动道路提取

3D模型也可以从2D图像中生成。大多数无人机通常包含全球导航卫星系统（GNSS）和惯性测量单元（IMU）传感器，它们为相机位置提供厘米级的精度。因此，可以使用运动结构（SfM）技术生成3D模型。SfM 技术在每个图像中查找可在连续图像上匹配的领带点。此外，相机位置和方向也使用摄影测量方程进行估计。最后，可以重建感兴趣对象的3D点云。有几个用户友好的商业软件选项(Pix4D Mapper, Agisoft Metashape, 3Dsurvey, UASMaster, Photomodeler, etc.)和开源软件(VisualSFM, MicMac, COLMAP, etc.)可以使用SfM技术将2D图像转换为3D点云。此外，可以使用此类软件生成正射镶嵌、数字表面模型 （DSM） 和数字地形模型 （DTM）。可以使用各种软件（ Quick Terrain Modeller 和 Global Mapper ）查看这些输出（参见图 2）。

图 2：快速地形建模器中的 3D 点云和全球映射器中的 DSM

道路信息，如路面、中心线和车道标记、剖面、横截面和遇险，可以从3D点云中提取。这些对路况的洞察对于提高道路性能、舒适性和安全性具有重要意义。为了收集道路信息，首先需要将路面与其他城市或农村物体区分开来并进行分类。机器学习算法（如随机森林）可用于对路面进行分类，这些算法可快速且高精度地生成分类结果。一旦路面被分类，就可以很容易地提取其他几何信息。

道路中心线和车道标记通常用于道路建模、规划和安全。此外，这些信息对于导航目的将变得越来越重要，特别是在不久的将来在自动驾驶的背景下。如果使用特定颜色（主要是白色或黄色）标记道路车道，则可以使用RGB特征直接提取它们。RGB值表示3D模型的颜色，它们使用图像从图像处理软件传输。在某些情况下，特别是在当地道路上，道路车道可能没有以特定颜色标记，或者道路车道标记可能已损坏且不连续。在这种情况下，可以引入几种方法（例如改进的基于Voronoi图的算法）来更强大，更准确地提取道路中心线和车道标记。

“道路剖面”是指沿道路的对准轴（中心线）采取的垂直路段。分析道路的倾斜度非常重要，因为在结冰的情况下，这可能是危险的根源。道路剖面图可以通过 DSM 提取。DSM 数据可以使用各种插值算法从 3D 点云生成。最常用的插值算法之一是反距离加权 （IDW）。高度值在 DSM 中以栅格格式记录。然后，从帝斯曼提取道路中心线的Z尺寸，轻松准确地获得道路的轮廓（见图3）。

道路横截面提供了一个道路平台，其某些坡度垂直于道路中心线。横截面对于将水从路面转移到路边以及沿路排水渠的设计也很重要。同样，从DSM中提取垂直于道路中心线的线的Z尺寸，以轻松准确地获得道路的横截面（见图3）。

最后，还可以从3D点云中检测到道路疲劳。准确检测道路疲劳是维护和维修行动的重要输入。需要及时进行维护和维修，以延长道路的使用寿命，并最大限度地提高驾驶员的舒适度和道路安全性。此外，按时维护和维修可以降低长期成本。

图 3：道路中心线、剖面和横截面提取

除了用于其他学科外，无人机在测量和生成各种最新道路信息方面也非常重要。特别是，近年来在道路项目中使用无人机的情况有所增加，因为它们可以在控制道路库存和安全、重复土地调查和可持续道路网络分析以及测绘和预测活动方面发挥重要作用。自动信息提取对于小型软件包软件以及传统的GIS软件非常有效。因此，可以从基于无人机的数据中提取有关道路建设，库存和道路环境的信息。不可避免的是，在不久的将来，无人机系统的使用将确保其作为道路建设和其他道路信息生产中不可或缺的测量方法的地位。