天空地多源遙感數據的廣義攝影測量學

張永軍，張祖勛，龔健雅

武漢大學遙感信息工程學院，湖北 武漢 430079

1 廣義攝影測量學的發展背景

攝影測量學是通過影像研究信息的獲取、處理、提取和成果表達的一門信息科學，通常利用攝影或遙感的手段獲取被測物體的影像，研究和確定被攝物體的形狀、大小、位置、性質和相互關系，起始于19世紀中葉攝影機的發明和立體視覺的發現[1]。

傳統的攝影測量學科，按照影像獲取平臺載體類別，可分為航天(衛星)攝影測量、航空攝影測量、近景攝影測量等。近20年來，隨著相關理論技術的進步及應用領域的泛化，其中的界限已不再像過去一樣明顯，例如航天攝影測量的地面分辨率已達到分米級，完全滿足1∶5000比例尺成圖的需求[2]，而這是傳統航空攝影測量的服務范疇；隨著無人飛行器技術的快速發展和消費級數碼相機的進步，脫胎于航空攝影測量的低空攝影測量蓬勃發展，分辨率躍升到厘米級甚至毫米級[3-4]；而近景攝影測量則由于傳感器和平臺的進步以及應用范圍的擴大，拓展為地面攝影測量、貼近攝影測量、工程攝影測量、工業攝影測量、醫學攝影測量等等[5-7]。

在攝影測量數據獲取儀器方面，則由傳統的光學攝影機發展為多鏡頭傾斜相機、全景相機、視頻相機、線陣推掃式相機、多光譜和高光譜相機、激光雷達、微波雷達等多模態傳感器，并在定位定姿系統的輔助下，采用多種傳感器實現多尺度多角度綜合遙感數據獲取[8-13]。針對不同的應用需求，這些觀測設備能夠源源不斷地提供不同空間分辨率、時間分辨率和波譜分辨率的遙感圖像。可以說，對興趣區域或目標的天空地一體化的多傳感器多層次綜合立體觀測技術已得到極大發展。

在數據處理理論和方法方面，由經典的點攝影測量(共線方程)和線攝影測量(共面方程)模型，發展為點線混合攝影測量[14]和廣義點攝影測量[15-16]，為采用多種同名特征和攝影測量網格技術(DPGrid)進行航空航天遙感影像的快速空中三角測量處理奠定了基礎[17-18]。隨著大數據時代的到來，多源地理空間信息的不斷累積尤其是公眾地理信息的開放獲取，云控制攝影測量的概念應運而生[19]，以帶有地理空間信息的數據作為幾何控制替代傳統的外業控制點，通過自動匹配(或配準)獲取大量密集控制信息，實現影像參數全自動解算，進一步加速了攝影測量數據處理的全自動化和智能化步伐[20-22]。

近年來，隨著云計算、大數據、物聯網、人工智能等信息技術領域的飛速發展，人類已進入人工智能新時代，美國已于2018年成立人工智能專門委員會。21世紀以來，數字攝影測量自身的理論和技術已取得長足進步，并正在積極擁抱大數據和人工智能浪潮的到來[23]。攝影測量的發展階段也從模擬攝影測量、解析攝影測量和數字攝影測量[24,1]，發展到智能攝影測量的新階段。例如基于人工智能機制的地形地物識別與信息提取、語義專題圖制作、變化信息自動監測等應用是數字攝影測量時代多年來可望而不可即的目標，這些成功范例預示著一個全新的時代——智能攝影測量時代的到來[25]。攝影測量應用領域也由影像制圖和地形圖測繪發展到影像理解與分類[26]、遙感信息提取與目標識別[23]、變化監測[27]、室內外三維建模[28-29]、無人系統智能駕駛[30-31]、深空探測[32-33]、精密工業測量[6,34]、突發災害應急響應等眾多領域[35-36]。

美國攝影測量學家、俄亥俄州立大學Toni Schenk教授在他的著作《數字攝影測量》中提到，“攝影測量和貓都有一個共同的也是最重要的特點——都有多條命，攝影測量的終結已經被預測過多次，但是仍然非常具有活力，數字攝影測量更具有使當前的許多問題得到更有效解決的潛力，許多新的問題也可以得到解決”[37]。筆者認為，正如傳統測繪學發展為地球空間信息學[38-39]，傳統測繪手段發展為泛在測繪[40]，傳統地理信息系統發展為空間信息智能服務科學[41]，攝影測量學科也順應新一輪科技革命的浪潮，快速發展為全新的廣義攝影測量學，或稱為遙感影像信息學，進入天空地一體化綜合智能攝影測量時代。

2 廣義攝影測量學的內涵與特點

廣義攝影測量學，或稱為遙感影像信息學，是利用天空地一體化的多傳感器綜合觀測技術，獲取多視角、多模態、多時相、多尺度遙感影像數據，并結合數字攝影測量及計算機視覺等多學科前沿技術，在多源控制資料的輔助下自動化智能化地研究和確定被攝物體的形狀、位置、大小、性質及其時序變化關系的一門多學科交叉科學和技術。

當前世界科技發展已進入大數據及人工智能新時代，地球空間信息領域也面臨新的發展機遇與挑戰，數據全球化、處理實時化、服務智能化是國際前沿和熱點。在全新的廣義攝影測量框架下，天空地多源遙感數據的獲取手段及數據處理的理論方法，具有與傳統攝影測量顯著不同的全新模式和發展趨勢，筆者認為總體呈現“八多”態勢，且演化趨勢十分迅捷。例如天空地多源遙感數據獲取方面，呈現多視角成像、多模態協同、多時相融合、多尺度聯動等態勢，觀測手段越來越靈活，數據獲取成本大幅下降，更多用戶可以使用不同來源、不同視角、不同分辨率、不同時相、甚至不同模態的影像聯合完成觀測任務。天空地多源遙感數據處理方面，則呈現多特征耦合、多控制約束、多架構處理、多學科交叉等趨勢，可以充分發揮多源多重覆蓋觀測數據的互補性和冗余性優勢，并交叉融合多個學科的最新研究成果，構建實時/準實時智能處理技術體系，為天空地多源遙感數據的各領域應用奠定基礎。

2.1 天空地多源遙感數據智能獲取

2.1.1 由單視角向多視角成像發展

傳統航空攝影測量的主要成像方式為下視成像，即相機主光軸垂直對地，相鄰影像間具有一定重疊，從而構成立體影像和區域網。1957年，蘇聯制造的第一顆人造衛星成功發射到外太空，攝影測量由航空攝影測量邁向了航天攝影測量新階段，為多視角全球遙感提供了新的途徑[1]。各類高分辨率星載相機在對地觀測成像時，由于衛星軌道高、相機成像視場角小，相鄰軌道的下視影像間無法構成有效的立體觀測，因此采用同軌/異軌側擺機動成像模式，并進一步發展為同軌雙線陣和三線陣立體成像，如SPOT-5、ALOS、天繪一號、資源三號、高分七號等，大幅提升了立體觀測效率[20,42-43]。為了進一步提升航空影像獲取效率，滿足智慧城市等應用對于建筑物側面高清紋理的需求，國內外攝影測量儀器廠商研發了機載多面陣拼接大視場相機、多鏡頭傾斜攝影測量相機和全景相機等，并在進一步集成化和小型化后，可搭載于低空無人機和地面移動平臺[12-13,44]。在觀測機制方面，也由傳統的單平臺獲取演進為天空地協同、多平臺組網，甚至基于互聯網的眾包方式獲取數據，從而構建多成像視角的天空地多平臺綜合立體觀測模式[38,45]。

2.1.2 由單傳感器向多模態協同發展

隨著成像傳感器技術的發展，星載、機載、車載平臺所能夠搭載的傳感器越來越豐富，從全色相機到多光譜和高光譜相機，從可見光到紅外、微波成像和激光測距，從面陣相機到多子線陣拼接相機，從普通靜態成像相機到連續動態視頻相機，并在GNSS/IMU/星敏感器等導航定位技術的輔助下，實現對被攝物體的多傳感器多模態協同觀測。與單傳感器觀測數據相比，多源多模態遙感影像數據所提供的信息具有冗余性、互補性和合作性，多模態遙感數據融合可以將同一環境或對象進行綜合，以獲得滿足各種應用的高質量信息，進而通過多模態數據聯合處理生成比單傳感器更精確、更完全、更可靠的綜合觀測結果[46-47]。目前，幾乎所有天空地遙感平臺均配備GNSS/IMU等多傳感器集成定位定姿系統[48]，且大部分平臺會同時搭載多種傳感器進行數據獲取，例如資源三號、高分七號等衛星既有三線陣或雙線陣立體觀測相機及多光譜相機，也安裝有激光測高傳感器提供精確高度控制信息[49]；航空飛行平臺往往集成激光掃描系統和多視角傾斜攝影相機或全景相機，以便同時獲取地表三維信息和高質量紋理色彩[13,50]；而車載移動測量系統和無人自動駕駛系統則集成立體視頻相機/全景相機、激光雷達或毫米波雷達測距系統等多模態傳感器，獲取車輛周圍的精確三維動態信息[30-31]。

2.1.3 由單時相向多時相融合發展

天空地綜合觀測體系的建立和各類成像傳感器的極大豐富和發展，對地觀測成像的時間分辨率越來越高，完全顛覆了以往需要數月甚至更久才能重復獲取大范圍數據的現狀，遙感信息的處理應用也已從單一資料分析向多時相多數據源復合分析過渡、從靜態分布研究向動態監測過渡，從對各種現象的表面描述向周期性規律挖掘和決策分析過渡[24,39]。時間有序、空間對齊、輻射一致的高質量多時相遙感影像序列，在地物信息自動提取、自然資源監測評估、生態紅線監測、違法用地變化監測、目標識別與動態監控等領域有著非常廣泛的應用前景[27,51]。多時相遙感信息獲取與處理更具有實時性和實用性，例如高分一號和高分六號衛星的寬覆蓋相機，理想情況下每天可獲取至少一次全國范圍的16 m分辨率遙感數據，在大范圍準實時動態監測和災害應急響應方面具有獨特優勢；而在目標識別與動態監控跟蹤、無人平臺自主導航等高動態應用場景，則需要通過視頻攝影機、全景攝影機或3D LiDAR等方式獲取實時序列觀測數據，在多架構實時處理等技術的輔助下實現實時在線數據處理與分析，并為科學可靠決策提供支持[13,30]。

2.1.4 由單尺度向多尺度聯動發展

1972年，世界上第1顆遙感衛星Landsat-1發射成功，地面分辨率約80 m，開啟了遙感衛星發展的序幕，1999年發射的IKONOS衛星地面分辨率為1 m，2014年Worldview-3衛星更是將分辨率提高到前所未有的0.31 m，在世界商業遙感衛星領域獨占鰲頭；我國于2016年發射的高景一號，也將國產商業遙感衛星的分辨率提升至0.5 m。目前，國際上已經形成各種高、中、低軌道相結合，大、中、小衛星相協同，高、中、低分辨率相彌補的全球對地觀測體系[48,52]，國際合作和開放共享趨勢也越來越明顯，例如Sentinel系列、Landsat系列、高分一號/六號寬覆蓋等5～15 m分辨率的多模態遙感數據均可全球免費使用，大大促進了攝影測量與遙感信息提取技術的全球廣泛普及應用。在航空和低空攝影測量領域，也建立了米級、分米級乃至厘米級地面分辨率的多尺度聯動觀測體系[3,53]，為準實時聯合觀測提供了非常有效的技術支撐。各類空天平臺的協同觀測能夠針對全球、國家級、區域級、目標級等不同地面范圍提供強大的多尺度聯動觀測手段，為動態監測、智慧地球、實景中國、智慧城市多層次建模等不同應用提供充足的綜合觀測數據[38,51]。

2.2 天空地多源遙感數據智能處理

2.2.1 由單匹配特征向多特征耦合發展

影像中同名特征的自動匹配，是攝影測量自動化的核心問題之一。傳統數字攝影測量的影像匹配大多首先在影像中提取明顯的特征點，然后采用相關系數、最小二乘等基于局部灰度的算法進行相鄰影像同名點匹配。但是，多視角多尺度影像間存在明顯的幾何變形，基于特征點的灰度匹配方法不再有效，因此基于線特征和以SIFT為代表的具有尺度、旋轉、仿射不變特征匹配方法得到快速發展[18,54]，已廣泛應用于影像匹配/配準、目標檢測識別等領域。特征匹配方法的計算復雜度較高，為了保證計算效率，研究者通常基于線特征或SIFT特征進行粗匹配，獲得重疊影像間的初始對應關系，然后采用灰度匹配方式獲得更多同名特征[3]。對于存在顯著非線性輻射差異的異源影像尤其是多模態影像，例如光學影像與SAR影像、LiDAR強度影像、影像地圖間進行匹配時，上述方法均無法獲得穩定同名特征，需要采用更加穩健的多模態影像匹配測度，例如基于相位相關擴展算法的頻率域匹配和基于方向梯度直方圖的匹配方法[55-56]。而LiDAR點云和多視影像間，由于數據特性差異太大，需要挖掘更高層次的特征，例如通過點特征、線特征、角特征甚至面特征等多種特征的耦合實現兩類數據的高精度自動配準[9,50]。

2.2.2 由單源控制向多源廣義控制發展

傳統攝影測量的主要處理過程是在人工外業控制點的約束下，將原始天空地影像數據加工為數字正射影像(DOM)、數字高程模型(DEM)、數字線劃地圖(DLG)和數字表面模型(DSM)等基礎地理空間信息產品[3]。在大數據時代，多源遙感數據的智能化處理是現階段攝影測量迫切需要解決的問題，全自動獲取天空地影像的精確內外方位元素是首要任務，其中的核心之一就是控制信息的全自動提取[19]，但傳統的人工外業測量控制點作業方式顯然無法滿足需求。幸運的是，經過測繪部門幾十年的生產實踐，我國已經積累了海量基礎地理空間信息產品，這些已有地理信息產品完全可以作為多源廣義控制信息，用于進行各類新獲取遙感影像的全自動處理。另外，處于統一地理空間信息框架內的Google Earth、天地圖、SRTM、OpenStreetMap(OSM)等各類公眾地理信息，根據控制點坐標及影像裁切的控制點影像庫、LiDAR點云、ICESat/高分七號等星載激光測高數據、已知定向參數的各類立體影像等，以及影像獲取過程中同步采集的GNSS/IMU/星敏感器等高精度定位定姿數據，都可以作為天空地影像自動化精確處理的多源廣義控制資料[20-21,42-43]。

2.2.3 由單機處理向多架構實時處理發展

傳統的數字攝影測量系統，受限于計算機硬件發展水平，幾乎都采用單機單核處理方式，且處理過程需要大量人機交互操作[17]。天空地遙感影像數據量的增長和分辨率的提高，對數據存儲和計算機系統提出了巨大挑戰[39]。在2005年Intel和AMD相繼發布雙核CPU后，高性能并行計算技術迅速興起，處理器由單核向多核、眾核與異構架構發展，計算機由單機向集群系統和云計算中心發展。2007年，我國自主研制的數字攝影測量網格DPGrid系統在采用最新的數字攝影測量處理理論和技術研究成果的同時，全面兼容單機多核及多機多核高性能集群并行計算能力，極大地提升了航空航天遙感影像的處理效率[17,35]。云計算的本質是基于服務的分布式計算技術，是解決海量遙感大數據高效處理問題的新途徑，已經商業化主要有Google云處理平臺、NASA的Nebula、華為云、阿里云等，例如中國四維聯合華為云推出的四維地球遙感云服務平臺，匯聚了海陸空天海量多源遙感數據，可為用戶提供高質的遙感影像數據在線應用能力。各種高精度實時在線處理需求的爆發性增長，也促進了高速星地通信、5G傳輸以及CPU/GPU/FPGA等多架構聯合實時處理技術的發展，例如基于線激光和立體相機的實時3D建模系統，采用CPU/GPU聯合處理架構，可以實現工業薄板零件的實時(每秒60幀以上)三維重建，且重建精度優于0.02 mm[34]。

2.2.4 由單學科向多學科交叉融合發展

攝影測量學是測繪學科的一個分支，其主要特點是在光學攝影成像的像片上進行量測和解譯，無須接觸物體本身。光學成像的物理法則是小孔成像，因而透視變換的幾何原理是攝影測量學的理論基礎。1959年，德國Schmid教授提出光束法區域網平差的概念，完美結合了小孔成像原理與最小二乘法，促進了攝影測量完整學科體系的建立，并從此走向大規模數據處理和各領域廣泛應用[1]。隨著數字技術的發展和計算機的廣泛應用，尤其是計算機視覺的出現，攝影測量也迎來了新的發展機遇，快速吸收其他學科的最新研究成果，并向多學科交叉融合邁進[17]。例如攝影測量和計算機視覺雖然在解決思路和應用領域方面有所差異，但幾何層面的理論基礎都是小孔成像和雙目視覺，尤其是近年來基于視覺的SfM及Visual SLAM等計算機視覺領域的主流熱點問題，都與實時攝影測量在匹配、平差、定位等方面具有共通之處[57]。此外，天空地多傳感器融合的實時攝影測量，離不開與計算機視覺、數字信號處理、自動控制、人工智能等多個相關學科的交叉融合發展，是攝影測量與遙感學科向更深的理論基礎、更廣泛的應用前景和更實際的自動化解題能力前進的必然之路[1]。

3 廣義攝影測量學的若干研究方向

相對于非常強大的天空地多源遙感數據獲取能力，當前的攝影測量數據處理理論和方法還存在種種制約，遙感信息產品的快速生產和服務能力顯著滯后，海量數據堆積與有限信息孤島并存的矛盾仍然突出。在大數據及人工智能新時代，實景三維中國、信息提取監測、智慧城市建模、自主駕駛、智能制造等應用領域必將取得飛速發展，廣義攝影測量學的發展尚需交叉融合多個學科的最新研究成果，在天空地一體化多源數據智能處理的理論技術和應用領域取得更大突破，例如天空地多視角/多模態影像幾何處理、多時相影像智能信息提取與動態監測、激光點云與多視角影像聯合精細建模、多傳感器集成的無人系統自主導航、智能制造系統視覺檢測等等，以便充分發揮每個平臺、每個傳感器、每個譜段、每個有效像元的作用，形成從天空地多源遙感數據幾何處理到信息提取和智能決策服務的完整理論和技術體系。

3.1 天空地多源遙感影像多特征自動匹配

影像匹配是攝影測量與遙感產品自動化生產中至關重要的環節，直接影響區域網平差、影像鑲嵌拼接、三維重建等后續環節的精度。在天空地多視角/多模態影像獲取過程中，由于平臺飛行高度不同、傳感器成像模式不同、成像視角顯著差異等因素，導致影像間存在很大的透視幾何變形和非線性輻射畸變等現象，基于灰度的傳統特征點影像匹配方法在多視角影像連接點自動匹配方面已不再適用[55]。因此，深入研究天空地多源遙感影像的穩健可靠自動匹配方法，對推動多源遙感影像高精度自動化空中三角測量，提高地形地物三維重建效率及貼近攝影測量變形監測等均有重要意義。以SIFT、SURF、A-SIFT等為代表的經典特征匹配方法，已被廣泛應用于影像匹配/配準、目標檢測識別等領域[3,54]。但是，經典特征匹配方法對非線性輻射差異和透視幾何形變較為敏感，對于多視角/多模態影像無法獲得穩定可靠的同名特征，因此需要研究具有多重不變特性的多模態影像高可靠性特征匹配方法，構建尺度、旋轉及非線性輻射差異不變的穩健特征描述符[56]。而激光點云和天空地多視角影像間，由于數據特性差異太大，多重不變特征描述符也無法實現有效匹配，還需要挖掘更高層次的穩定特征，例如從兩類數據中提取穩定的線特征、角特征及交叉點特征(屬于面特征)，并在初始定位定姿參數的輔助下縮小同名特征搜索范圍，進行多種特征耦合的高精度自動匹配[9,50]。

3.2 天空地多源遙感影像聯合區域網平差

攝影測量領域的區域網平差，是以共線方程或有理函數等成像模型為基礎，將測區內所有觀測值納入統一的平差系統，建立誤差方程并采用最小二乘原則求解未知數，從而獲得模型中各類未知參數的最佳估值，實現影像空間和物方空間的嚴密坐標轉換，并進行精度評定。天空地多源遙感影像聯合平差，涉及衛星、航空、低空、地面等不同觀測視角，線陣、面陣等不同成像模式，光學、微波、激光等不同觀測模態，數據種類繁多，觀測機制復雜，需要研究建立各類影像的誤差模型，解決不同原始觀測資料間的相關性及方差分量估計問題，以及同名特征中粗差觀測值的穩健探測剔除問題[58]。傳統航空和航天攝影測量的成像中心規則排列及法方程帶寬優化方法不再適用，需要研究突破天空地多源立體觀測超大規模方程組的壓縮存儲和快速解算方法，如超大規模病態法方程幾何結構優化、超大規模方程組壓縮存儲、CPU/GPU聯合并行解算、甚至無須存儲大規模法方程的共軛梯度快速解算方法等，獲取各影像的全局最優精確對地定位參數[44-45,59]。在保證全球地理信息資源建設等超大規模區域網平差成果絕對定位精度方面，則需要充分發揮各類已有地理信息的控制作用，如公開DEM/DOM、Open Street Map矢量圖等中等精度公眾地理信息，高精度控制點影像庫、星載激光測高數據、機載/車載LiDAR點云、高精度GIS矢量、空三后原始立體影像、高精度定位定姿觀測值等高精度控制資料，實現全自動化的云控制聯合區域網平差[19]。

3.3 多時相影像智能信息提取與變化監測

多時相遙感影像中地形地物信息的自動提取與動態變化監測，是廣義攝影測量走向智能信息服務的必由之路和經典難題[39]。通過智能數據處理手段，進行精確配準、無效像元檢測消除、輻射校正及影像合成，生成時間有序、空間對齊、輻射一致的高質量多時相遙感影像序列，是地物信息自動提取、自然資源監測評估、土地利用動態監測、目標識別與動態監控等應用的前提[52,60]。傳統的遙感影像處理方法及近年來流行的深度學習在多時相遙感影像地物智能提取及變化監測方面尚面臨巨大挑戰，例如深度學習得到的像素級分類結果距離規則化矢量成果仍然有相當差距；而且國際上目前尚無遙感領域專用的深度神經網絡，只能通過數據裁剪等手段使遙感影像適應已有的通用圖像處理深度學習框架。因此需要針對遙感影像數據的特殊性及實時智能處理需求，研究創建面向遙感數據智能目標識別與信息提取的自主產權深度學習框架，并研究空-譜信息聯合和多技術融合的多時相遙感影像目標識別提取與動態監測方法。基于深度學習的方法尚缺乏同時提取道路路面和拓撲網絡的能力；讓深度學習模型高效融合時空特征，像人類一樣理解農作物長勢并區分不同作物，仍任重道遠。需要充分結合深度學習機制和傳統優化方法各自的優勢，例如基于全卷積網絡和邊緣規則優化進行建筑物提取，利用分割結果和中心線矢量追蹤相融合進行路面及路網提取，利用3D卷積神經網絡學習高維時空特征實現農作物提取分類等等[61]。另外，地物目標提取結果，也可以反向融入多源影像幾何處理過程，形成全新的幾何語義一體化處理機制，進一步提高處理精度和穩定性。

3.4 激光點云與多視影像聯合精細建模

2016年4月，習近平總書記提出新型智慧城市的概念。建筑物是智慧城市中最重要的核心元素，三維建筑物模型可為城市基礎設施規劃和新型智慧城市建設提供良好支撐，其準確幾何結構及拓撲屬性信息是促進智慧城市建設的決定性因素之一。三維重建技術主要有基于主動視覺的激光掃描法、結構光法、雷達技術、Kinect技術和基于被動視覺的單目視覺、雙目視覺、多目視覺、SLAM技術等[62]，其中激光掃描與多目立體視覺是獲取地物三維空間幾何信息與紋理信息的主要手段。點云與影像的有機結合可以顯著提升建筑物等典型地物目標精細三維重建的效率和效果[28,51]，二者的高精度配準是必須解決的首要問題。基于LiDAR強度圖和ICP的配準方法容易受到點云密度的影響且對參數初始值較為敏感，而基于線特征、角特征和交叉點面特征的配準方法直接建立點云與影像特征間的對應關系，并據此計算兩者間的幾何變換參數[19,63]，避免了點云和影像間的轉換誤差，可充分利用激光測距精度較高的優勢，從點云中提取平面結構對影像區域網進行絕對定向約束。在精細建模過程中，可充分發揮兩類數據的優勢，通過多視影像密集匹配和深度學習等先進手段對LiDAR點云進行加密優化，提取顯著線面特征約束三維點云表面重建，基于紋理識別和深度學習進行建筑物立面遮擋修復，并解決高保真紋理映射優化、建筑物矢量模型提取、結合Visual SLAM和激光掃描等技術的LOD 4室內外一體化建模等核心問題。

3.5 多傳感器集成的無人系統自主導航

無人系統常指無人機、無人車、無人船、智能機器人等可移動無人駕駛系統，涉及多傳感器集成、人工智能、高速通信、機器人技術、自動控制等關鍵技術，本文特指各類低空無人機和地面無人駕駛汽車。智能化是無人系統發展的重要方向，在智能數據采集、長距離貨物運送、智能物流配送等眾多領域具有廣泛的應用前景。智能化無人系統的核心技術主要包括環境感知、信息交互、知識學習、規劃決策、行為執行等5個方面[64]。環境感知的智能化，需要解決無人機/車在未知受限環境中的實時自主定位和目標識別等問題，是實現自主駕駛的前提條件。傳統的無人機/車常采用GNSS/IMU組合導航定位系統進行定位，但是實時定位精度較低，誤差較大，而且在復雜環境中往往存在噪聲干擾和信號遮擋等問題。多傳感器集成的環境智能感知和目標識別技術是解決上述問題的可行途徑，包括GNSS/IMU、激光雷達、立體相機、超聲波測距、嵌入式處理器和智能識別系統等，多傳感器數據的實時處理和深度融合可顯著提高實時定位的精度和可靠性[40]，并結合人工智能等技術確定周圍環境中各類目標的距離、屬性及其動態變化信息[30-31]。智能無人機的自主能力體現在自主航線規劃、自動避障、信息采集和飛行控制的智能程度，智能無人駕駛汽車的自主操控主要表現為自動駕駛等級提升，即由已知環境的部分自動駕駛進化到動態未知環境的全自動駕駛，二者都涉及多傳感器動態感知、多架構實時計算、智能認知推理、規劃決策執行等核心技術。

3.6 多傳感器集成的智能制造視覺檢測

2013年，德國政府首次提出“工業4.0”戰略，其目的是將傳統制造業向智能化轉型，并在以智能制造為主導的第四次工業革命中占領先機。我國也已制定相應的發展規劃，力爭通過新一代信息技術與制造業深度融合，從制造業大國向制造業強國轉變。智能制造裝備是具有感知、決策、控制、執行功能的各類制造裝備的統稱，包括新一代信息技術、高端數控機床、成套自動化生產線、工業機器人、重大精密制造裝備、3D打印等[65-67]。當前高端智能制造裝備屬于復雜的光機電系統，應用環境特殊，而且對檢測準確率、實時性、重復性等要求極高，實時在線檢測、無人干預全自動檢測、智能化分析是必備條件。精密工業攝影測量作為非接觸技術手段，可采用實時立體視覺或多傳感器融合視覺系統代替人眼和人手進行各種工業部件的在線檢測分析、判斷決策及質量控制，具有智能化程度高和環境適應性強等特點，是智能制造系統不可或缺的核心組成部分[14,34]。多傳感器集成的視覺檢測系統，一般主要由光源、高速光學相機、激光掃描儀、圖像處理器等構成[67]，需要解決成像系統檢校、高速數據獲取、圖像處理分析、缺陷部件智能識別檢測等核心問題，尤其是針對常見的尺寸、劃痕、腐蝕、褶皺、突起、凹陷、孔洞、色彩等不同制造缺陷，需要研究相應的智能化識別檢測方法[68]。隨著人工智能浪潮的快速興起，有望借助深度學習機制強大的學習能力和泛化能力，通過大量已有樣本的訓練構建通用的制造缺陷智能識別檢測技術。

4 總結與展望

隨著天空地多源遙感數據獲取和攝影測量處理理論方法的進步，以及云計算、大數據、物聯網、人工智能等新一輪科技革命浪潮的到來，攝影測量也與計算機視覺、人工智能等多個相關學科交叉融合，發展成為廣義攝影測量學，進入天空地一體化綜合智能攝影測量新階段。在廣義攝影測量學框架下，天空地多源遙感數據的獲取手段及數據處理的理論方法都具有全新的模式和發展趨勢，例如天空地多源遙感數據獲取方面呈現多視角成像、多模態協同、多時相融合、多尺度聯動等態勢；而多源遙感數據處理方面則呈現多特征耦合、多控制約束、多架構處理、多學科交叉等趨勢。

在大數據及人工智能新時代，天空地一體化廣義攝影測量學的全面發展和智能服務，尚需盡快開展多學科交叉的創新型高端人才培養，并融合多個學科的最新研究成果，在天空地多視角/多模態影像幾何處理、多時相影像智能信息提取與動態監測、激光點云與多視角影像聯合精細建模、多傳感器集成的無人系統自主導航、智能制造系統視覺檢測等領域的理論和技術方面取得更大突破，形成從天空地多源遙感數據實時/準實時智能幾何處理到信息提取服務的完整理論和技術體系，為智能化測繪時代天空地多源遙感數據的各領域應用奠定基礎。