图8 高度差分别为100m、200m和300 m的三个合成地形

本研究生成的3D点云最初来自2D深度图。通过相机位姿应用映射变换，并使用TSDF边缘化冗余估计，我们可以构建整个场景的全局地图。深度图稳定性（即在不同关键帧中对同一空间对象点的估计的一致性）在这一步中起着重要作用。我们将所有深度图投影到空间，如图9所示，以评估点云稳定性。

图9 四种方法的全局映射：( a ) 提出的方法 ( b ) 四叉树映射 ( c ) REMODE，和 ( d ) 概率映射。所选区域显示点云的细节

在本实验中使用的无人机平台配备了超高清摄像机，以3840 × 2160分辨率和每秒30帧的速度获取航拍图像。此外，还记录了 GPS和IMU值，使我们能够通过近似地高和俯仰角（相机光轴与水平面之间的角度）对数据进行分类。无人机多次飞行以获取感兴趣区域的航拍图像，包括城镇、山区和混合区域场景。这些场景位于天津九上顶山，面积约9平方公里。图10显示了谷歌地球获取的卫星图像和无人机获取的航空图像的示例。

图10 城镇、山区和混合区场景的卫星图像和低空航空图像示例

在模拟场景中，74.1%的深度估计错误率低于1%。在全局映射中，93.462%的估计点云的绝对误差距离小于0.9%。在真实场景中，我们估计的点云中超过81.27%与Photoscan的结果相差不到5 m。所提出的方法可用于各种地形场景，并且在准确性和效率方面优于最先进的基于嵌入式 GPU 的实时3D重建方法。

源自：Lai, Z.; Liu, F.; Guo, S.; Meng, X.; Han, S.; Li, W. Onboard Real-Time Dense Reconstruction in Large Terrain Scene Using Embedded UAV Platform. Remote Sens. 2021, 13,2778. https://doi.org/10.3390/rs13142778