(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211211217.8 (22)申请日 2022.09.30 (71)申请人 长江空间信息技 术工程有限公司 （武汉） 地址 430010 湖北省武汉市汉口解 放大道 1863号 申请人 武汉大学 (72)发明人 杨爱明　马能武　陶鹏杰　 (74)专利代理 机构 武汉宇晨专利事务所(普通 合伙) 42001 专利代理师 倪文霞 (51)Int.Cl. G06T 7/00(2017.01) G06T 3/00(2006.01) G06T 7/73(2017.01)G06V 10/75(2022.01) (54)发明名称 基于实景三维模型正视影像的三维形变检 测方法 (57)摘要 本发明公开了一种基于实景三维模型正视 影像的三维形变检测方法。 它以实景三维模型为 基础数据源， 利用不同时相实景三维模型降维得 到的正视影像， 在影像金字塔策略下， 进行影像 匹配得到同名点， 再升维到三维模型中， 内插得 到三维形变矢量场； 具体三维形变检测方法， 包 括如下步骤， 步骤一： 生成两期正视影像图； 步骤 二： 通过影像匹配获取两期正视影像同名地物 点； 步骤三： 将二维同名点转换到物方空间坐标 系； 步骤四： 生成三维变化矢量场。 本发 明克服了 现有技术无法获取可靠形变信息， 检测精度低且 效率低， 成本高的缺点； 具有能获取可靠形变信 息、 精度高、 效率高且成本低的优点。 权利要求书3页 说明书10页 附图9页 CN 115457022 A 2022.12.09 CN 115457022 A 1.基于实景三维模型正视影像的三维形变检测方法， 其特征在于： 以实景三维模型为 基础数据源， 利用不同时相实景三 维模型降维得到的正视影像， 在影像金字塔策略下， 进 行 影像匹配得到同名点， 再升维到三维模型中， 内插得到三维形变矢量场； 具体三维形变 检测方法， 包括如下步骤， 步骤一： 生成两期正视影 像； 根据输入的前后时相的实景三维模型， 通过平面拟合确定空间投影平面的法向量 ， 生成对应的正视影 像； 步骤二： 通过影 像匹配获取两期正视影 像同名地物点； 利用影像金字塔策略， 对步骤一得到的前后 时相正视影像进行影像匹配， 得到同名地 物在前后时相正视影 像上对应的二维同名点 坐标 ； 步骤三： 将二维同名点 转换到物方空间坐标系； 通过步骤一得到的正视影像中的参数， 分别将前后时相正视影像同名点转换到三维模 型中， 得到三维同名点 坐标 ； 步骤四： 生成三维变化矢量场； 对步骤三得到的三维同名点， 计算各同名点的变化矢量 ， 对结果进行内插得到目标的三维变化矢量场。 2.根据权利要求1所述的基于实景三维模型正视影像的三维形变检测方法， 其特征在 于： 在步骤一中， 两期三维模型使用同一空间投影平面 生成正视影 像， 以统一 坐标基准。 3.根据权利要求2所述的基于实景三维模型正视影像的三维形变检测方法， 其特征在 于： 在步骤一中， 当三维场景为滑坡区域时， 生成两期正视影 像图的具体方法为： 首先， 根据前时相的三维模型， 通过平面拟合计算滑坡的合适平面， 确定空间投影平面 的法向量 ， 计算出物方坐标系 到投影空间平面坐标系 的旋转矩阵 ； 然后， 通过计算 三维模型的包围盒各个顶点的坐标， 确定起始点 坐标 ； 则三维模型中任意空间点， 其在 中的坐标 和在 中的坐 标 的转换关系为： 最后， 通过将影像转换到局部坐标系中， 再进行格网化处理， 即可得到正视影像， 对后 时相影像进行相同步骤处 理， 得到前后时相的正视影 像。 4.根据权利要求3所述的基于实景三维模型正视影像的三维形变检测方法， 其特征在 于： 在步骤二中， 采用影像金字塔策略， 从最小比例尺 开始进行影像匹配， 直到原始比例尺， 每一尺度的影 像匹配结果都用于对下一层影 像匹配预测点进行修 正； 对于最顶层的影 像金字塔， 以相同地理坐标为同名点， 确定为初始的仿射变换模型。 5.根据权利要求4所述的基于实景三维模型正视影像的三维形变检测方法， 其特征在 于： 在步骤二中， 具体 影像匹配方法为： 步骤21： 根据前后时相正视影 像构建影 像金字塔；权　利　要　求　书 1/3 页 2 CN 115457022 A 2步骤22： 确定仿射变换初始模型； 步骤23： 当前为金字塔顶层； 步骤24： 对于前 时相影像I(x,y)， 首先通过Harris算子， 来进行前时相影像的特征点提 取； 步骤241： 计算图像I(x,y)在 x和y两个方向的梯度 Ix、 Iy； （1） （2） 式 （1） 中： 表示表示卷积； Ix表示图像在 x方向上的梯度； 式 （2） 中： 表示 表示卷积； Iy表示图像在 y方向上的梯度值； 步骤242： 计算图像在 x和y两个方向梯度的乘积 和 ； （3） （4） （5） 步骤243： 使用高斯函数对上一步骤结果进行高斯加权， 生成每个像素点梯度的协方差 矩阵M； （6） 式 （6） 中： 矩阵中各个I为对应梯度数值的乘积， 用以构建梯度的协方差矩阵M； w表示 sigma=1的高斯核函数， 表示卷积； 步骤244： 计算每 个像素的角点响应值； （7） 式 （7） 中： M为协方差矩阵； Det （M） 表示矩阵M的行列式， Trace(M） 表示矩阵的迹， k表示 一个经验常数， 通常取值 为0.04~0.06； 步骤245： 设置阈值找出可能点并进行非极大值抑制， 局部最大值点就是最终的特征 点； 步骤25： 对于前时相正视影像中的特征点 ， 通过仿射变换模型， 进行后时相正视 影像中预测点 的计算： （8） （9） 式 （8） 、 式 （9） 中： a、b、c、d、e、f为仿射变换模型的系数； x1、y1为前时相正视影 像中的特 征点坐标； x2’和y2’表示后时相正视影 像中的预测得到的对应特 征点坐标； 初始模型中， 上述 参数a=1、 e=1,其 他参数均为0； 步骤26： 对于每个特征点 ， 以步骤25的预测点 为中心构建半径为 r的搜索 窗口， 采用相关系数法， 以m ×m为固定模板大小， 进行窗口内的各个像素的相关系数计算，权　利　要　求　书 2/3 页 3 CN 115457022 A 3