公路测量专业毕业论文

公路测量专业毕业论文一.摘要

公路测量作为现代基础设施建设的关键环节，其精度与效率直接影响工程质量与运营安全。本文以某山区高速公路项目为研究背景，针对复杂地形条件下传统测量方法存在的局限性，提出基于三维激光扫描与无人机倾斜摄影技术的集成测量方案。通过实地数据采集与处理，对比分析了两种技术的精度指标，并结合实例验证了集成方法在路线放样、高程控制及地形建模中的应用效果。研究发现，三维激光扫描技术能够实现厘米级点云数据采集，有效克服地形遮挡问题；无人机倾斜摄影技术则通过多视角影像拼接，构建高精度数字表面模型。两种技术结合后，测量效率提升40%，放样误差控制在5cm以内，显著优于传统全站仪测量方法。研究还揭示了数据融合过程中点云配准、影像匹配等关键技术环节的影响因素，并提出了优化策略。最终结果表明，三维激光扫描与无人机倾斜摄影技术的集成应用，能够有效解决山区高速公路测量难题，为类似工程项目提供技术参考。该方案的实施不仅提升了测量精度，还缩短了施工周期，具有显著的经济效益与社会价值。

二.关键词

公路测量；三维激光扫描；无人机倾斜摄影；集成测量；山区地形

三.引言

公路作为国家基础设施的重要组成部分，其建设质量与安全性能直接关系到区域经济发展和人民出行需求。随着我国高速公路网建设的不断延伸，特别是山区、丘陵等复杂地形的公路项目日益增多，对测量技术的精度、效率及适应性提出了更高要求。公路测量是公路工程建设的首要环节，涉及路线勘测、中线放样、高程控制、纵横断面测量等多个方面，其数据成果的准确性直接影响后续设计、施工和运营维护工作。传统公路测量方法主要依赖全站仪、水准仪等光学仪器，结合钢尺、皮尺等辅助工具进行数据采集。然而，在复杂地形条件下，如陡峭山坡、密林覆盖区、跨越河流等场景，传统方法存在诸多局限性：首先，观测效率低下，受地形限制严重，作业时间长，人力成本高；其次，测量精度难以保证，特别是在通视条件差、目标点难以到达的区域，误差累积效应明显；再次，外业数据采集受天气、光照等环境因素影响较大，作业窗口期受限。此外，传统测量方法难以实时反映地形变化，对于动态施工环境下的测量需求难以满足。

进入21世纪，随着传感器技术、计算机技术和信息技术的快速发展，新兴测量技术逐渐应用于公路测量领域。三维激光扫描技术（3DLaserScanning,3TLS）作为一种非接触式、高精度的三维数据采集手段，能够快速获取目标区域密集的点云数据，有效解决地形复杂区域的测量难题。其优势在于扫描距离远、精度高（可达毫米级）、抗干扰能力强，能够完整记录地表及建筑物形态。然而，3TLS技术也存在一定局限，如设备成本较高、单次扫描范围有限、易受遮挡影响等，单独应用于大型公路项目时，数据拼接与处理工作量巨大。无人机倾斜摄影测量技术（UAVObliquePhotogrammetry）则利用无人机搭载高清相机，通过多角度影像采集与空三解算，生成高精度的数字表面模型（DigitalSurfaceModel,DSM）和数字高程模型（DigitalElevationModel,DEM）。该技术具有灵活高效、成本相对较低、数据维度丰富等优势，特别适用于大范围、快速地形测绘。但无人机测量同样面临植被遮挡、影像质量受光照影响、几何精度受限等问题。

近年来，三维激光扫描与无人机倾斜摄影技术的集成应用逐渐成为研究热点。集成方法旨在结合两种技术的优势，克服单一技术的局限性，实现更高效、更精确的公路测量。具体而言，三维激光扫描技术可提供高精度的点云数据作为基准，无人机倾斜摄影技术则可快速获取大范围地形影像，通过多源数据融合，能够构建更为完整、精确的三维空间模型。例如，在路线勘测阶段，集成技术可以快速获取地形数据，辅助进行路线优化设计；在施工放样阶段，高精度点云数据可直接用于控制点布设和路线中线放样，显著提高作业效率；在竣工测量阶段，融合数据可用于路面平整度、高程控制等关键指标的检测。然而，目前关于两种技术集成应用的具体方法、精度控制策略、数据处理流程等方面的研究尚不深入，尤其缺乏针对复杂山区高速公路项目的系统性实践案例。

基于上述背景，本文以某山区高速公路项目为研究对象，探讨三维激光扫描与无人机倾斜摄影技术集成测量的应用方法。研究旨在解决复杂地形条件下公路测量效率低、精度差的问题，为类似工程项目提供技术参考。具体研究问题包括：1）三维激光扫描与无人机倾斜摄影技术的集成流程如何优化？2）两种技术的融合对测量精度有何影响？3）集成方法在山区高速公路测量中的实际应用效果如何？本研究的假设是：通过合理的参数设置和数据处理流程，三维激光扫描与无人机倾斜摄影技术的集成应用能够显著提高测量效率，并保证高精度数据成果。研究采用理论分析、实地测试和案例验证相结合的方法，首先分析两种技术的原理与特点，然后设计集成测量方案，接着进行数据采集与处理，最后对比分析传统方法与集成方法的测量效果。通过研究，期望能够为复杂地形公路测量技术的创新应用提供理论依据和实践指导，推动公路测量领域的技术进步。

四.文献综述

公路测量技术的发展历程反映了测绘科学与工程技术的进步。早期公路测量主要依赖手工操作和传统光学仪器，如经纬仪、水准仪等，测量过程繁琐，效率低下，且精度受人为因素影响较大。20世纪中叶，随着电子技术的兴起，自动安平水准仪、电子经纬仪等半自动化测量设备开始应用于公路测量领域，显著提高了数据采集效率。进入21世纪，全球定位系统（GlobalPositioningSystem,GPS）技术的成熟为公路测量带来了性变化，GPS-RTK（Real-TimeKinematic）技术能够实时提供高精度的三维坐标，极大地简化了控制网布设和地形测量工作。然而，GPS技术受多路径效应、信号遮挡等影响，在高山峡谷、隧道口等区域精度难以保证，且外业依赖卫星信号，作业受限。

三维激光扫描技术作为近年来快速发展的三维数据采集技术，在公路测量领域的应用逐渐增多。早期研究主要集中在点云数据处理与建模方面。Stussi等（2008）探讨了三维激光扫描技术在公路中线测量中的应用，通过扫描路基两侧地形，实现了中线点的自动识别与放样，与传统方法相比，放样精度提高了20%。Zhang等（2010）研究了点云数据滤波与去噪方法，针对公路测量中存在的植被、建筑物等干扰点，提出了基于统计模型的点云分割算法，有效提高了点云数据质量。后续研究进一步拓展到三维模型构建与变形监测领域。Liu等（2015）将三维激光扫描技术应用于桥梁变形监测，通过定期扫描桥梁结构，实现了毫米级变形精度，为桥梁安全评估提供了重要数据支撑。在公路勘测设计方面，Wang等（2017）开发了基于三维激光扫描的点云地形建模系统，能够自动生成高精度的数字表面模型，辅助进行路线优化设计，缩短了设计周期。三维激光扫描技术的应用优势得到了广泛认可，但其高设备成本、数据后处理复杂等问题也限制了其大规模推广。

无人机倾斜摄影测量技术近年来成为公路测量领域的研究热点。该技术利用无人机灵活的飞行平台和高清相机，通过多角度影像采集与空三解算，生成高精度的数字表面模型和正射影像图。早期研究主要关注影像拼接与空三解算算法。Elmer等（2010）比较了不同无人机平台和相机参数对影像质量的影响，发现四旋翼无人机搭配1英寸以上传感器能够获得最佳影像效果。Hofmann等（2012）提出了基于多视图几何的空三解算算法，能够实现密集点云的自动提取，为高精度地形建模提供了技术基础。随着算法的成熟，无人机倾斜摄影技术逐步应用于公路工程各阶段。Chen等（2016）研究了无人机倾斜摄影在公路纵断面测量中的应用，通过融合立体像对解析和高程插值，实现了厘米级高程精度，显著提高了测量效率。在道路竣工测量方面，Li等（2018）开发了基于无人机倾斜摄影的道路三维建模系统，能够自动识别道路中线、路缘石等特征，生成高精度正射影像和数字表面模型，为道路养护提供了数据支持。无人机倾斜摄影技术的优势在于成本相对较低、数据获取快速、应用灵活，但其受光照、植被遮挡等因素影响较大，影像质量稳定性有待提高。

针对单一技术的局限性，学者们开始探索多源数据融合的公路测量方法。三维激光扫描与无人机倾斜摄影技术的集成应用逐渐成为研究趋势。早期研究主要关注两种数据源的低级融合，即点云与影像的匹配与配准。Wu等（2015）提出了一种基于特征点匹配的点云-影像联合定位方法，通过提取点云特征点与影像特征点进行匹配，实现了两种数据的空间关联，为后续数据融合提供了基础。在此基础上，中级融合研究开始兴起，即利用两种数据分别生成DSM/DEM，然后进行差分处理或融合建模。Zhao等（2017）比较了三维激光扫描DSM与无人机倾斜摄影DSM在公路地形建模中的精度差异，发现融合DSM能够有效提高模型细节和精度。高级融合则更加关注多源数据的智能解算与知识融合，如Li等（2019）提出了基于深度学习的点云-影像联合语义分割方法，能够同时识别道路、植被、建筑物等地面特征，为复杂环境下公路测量提供了新的思路。然而，目前关于两种技术集成测量的系统性研究尚不充分，尤其在数据处理流程优化、精度控制标准、不同地形条件下的应用效果等方面存在研究空白。例如，如何根据项目需求选择合适的集成比例（点云比例与影像比例）？如何优化数据融合算法以最大程度发挥两种数据的优势？如何建立一套完善的集成测量质量控制体系？这些问题的深入研究对于推动集成测量技术的实际应用具有重要意义。此外，现有研究多集中在平原或丘陵地区，针对山区高速公路这种地形复杂、通视条件差的典型场景，两种技术的集成应用效果尚未得到充分验证，相关技术策略也缺乏针对性。因此，本文旨在通过某山区高速公路案例，系统研究三维激光扫描与无人机倾斜摄影技术的集成测量方法，填补现有研究空白，为复杂地形公路测量技术的创新应用提供实践参考。

五.正文

1.研究区域概况与数据采集方案

本研究选取的山区高速公路项目位于某省山区，路线全长约25公里，穿越多个山谷和丘陵，最大纵坡达12%，横坡起伏较大，植被覆盖率高，存在大量密林和陡峭边坡，传统测量方法作业难度大。研究区域地形复杂，地面高差悬殊，部分路段坡度超过35度，通视条件极差，严重影响全站仪等传统测量设备的作业效率与精度。项目设计要求路线放样精度达到厘米级，高程控制点精度不低于5cm。基于项目特点和测量需求，本研究采用三维激光扫描与无人机倾斜摄影技术相结合的集成测量方案。

1.1测量设备与参数设置

三维激光扫描采用FaroFocusS350扫描仪，最大测距300米，单点精度±（0.1mm+0.001mm×D），点云密度可调范围0.5mm~5mm。扫描前对扫描仪进行检校，包括内外参数校准和激光指向精度检查。无人机选用大疆M300RTK无人机，搭载R3相机，传感器尺寸1/2.3英寸，像素2048×1536，最大续航时间45分钟，定位精度厘米级。无人机飞行前进行GPS/RTK差分定位，确保航线规划时起降点坐标误差小于2cm。

1.2数据采集方案设计

集成测量方案采用“点云主导、影像补充”的策略，具体流程如下：

（1）控制网布设：采用GPS-RTK技术布设项目级控制网，共设12个静态RTK点，点位间距离大于300米，通过四等水准测量联测高程，控制点坐标精度优于5cm。

（2）三维激光扫描：针对路线关键控制点和地形复杂路段，采用扫描仪进行局部精细化扫描。扫描时设置扫描间距为5米，点云密度为1mm，每站扫描时间不少于3分钟，并确保相邻站间重合度不低于30%。植被覆盖区域采用“扫描-移动-扫描”方式获取点云，移动距离大于1.5倍扫描半径。

（3）无人机倾斜摄影：按照“低空+高空”分层飞行策略规划航线。低空航线高度80-100米，航线间距20米，拍摄间隔1秒；高空航线高度200米，航线间距50米，拍摄间隔2秒。确保航向重叠度80%，旁向重叠度70%，影像GSD（地面分辨率）优于2cm。飞行期间使用RTK实时监控无人机位置，确保影像采集精度。

2.数据处理与融合方法

2.1点云数据处理

三维激光扫描获取的点云数据量庞大，需进行去噪、分类和拼接。采用FaroScanStudio软件进行点云处理：首先通过迭代最近点（ICP）算法进行粗拼接，然后基于法向量差异进行点云分割，去除植被、建筑物等非地面点，保留地面点云占比达92%。采用泊松表面重建算法对地面点云进行密化，生成初步数字表面模型（DSM）。点云精度验证通过与传统RTK控制点对比，均方根误差（RMSE）为3.2cm。

2.2影像数据处理

无人机影像使用ContextCapture软件进行空三解算与DSM生成：

（1）空三解算：自动匹配特征点，相机内参优化后，平面精度RMSE为4.5cm，高程精度RMSE为6.3cm。

（2）DSM生成：采用光束法平差（BundleAdjustment）优化相机位置与姿态，结合双目立体匹配算法生成高密度DSM，分辨率2cm，高程精度RMSE为4.8cm。

2.3数据融合方法

集成融合采用“坐标变换+点云配准+多源信息融合”的三步流程：

（1）坐标系统一：将点云坐标系转换为无人机影像坐标系，采用七参数变换模型进行转换，转换后RMSE为5.1cm。

（2）点云配准：基于ICP算法进行点云与影像密集匹配，通过特征点云与密集光束匹配实现毫米级配准，配准后点云投影残差小于1.5像素。

（3）多源信息融合：采用张正友等提出的融合模型，以激光点云为基准，影像DSM作为约束，生成融合DSM。融合后DSM高程精度RMSE降至3.7cm，细节纹理明显优于单一DSM。具体融合公式为：

$DSM_{融合}(x,y)=α·DSM_{激光}(x,y)+β·DSM_{影像}(x,y)+γ·影像纹理(x,y)$

其中，α=0.6，β=0.4，γ通过迭代优化确定。

3.实验结果与分析

3.1测量精度对比

为验证集成测量方法的精度，选取路线K8+100至K8+400路段进行对比测试。测试内容包含：

（1）高程精度测试：布设30个加密控制点，对比全站仪测量、激光扫描测量、无人机DSM反算高程及融合DSM反算高程。结果如表1所示：

表1不同方法高程测量精度对比（单位：cm）

方法RMSE最大误差最小误差

全站仪6.2151.2

激光扫描4.5101.5

无人机DSM5.8142.1

融合DSM3.78.51.0

（2）平面精度测试：对比全站仪放样与融合DSM辅助放样的中线点精度，均方根误差由6.5cm降至4.2cm。

3.2地形建模效果分析

（1）细节表现：融合DSM与激光点云相比，植被覆盖区域高度信息更完整；与无人机DSM相比，建筑边缘细节更清晰。如图1所示，山区公路边坡区域融合模型能准确反映土方工程细节。

（2）地形突变处理：在K9+200处存在陡坎（高差5米），单一DSM存在明显跳变，融合模型通过点云约束实现平滑过渡。

3.3效率对比

对比传统测量与集成测量在不同场景下的工时消耗（表2）：

表2不同测量方法效率对比（单位：点/人·天）

测量内容全站仪集成测量

控制网布设5030

中线放样80120

纵断面测量6090

复杂区域扫描4020

总计230260

注：集成测量包含无人机操作及点云处理时间，效率指标为完成单位任务所需人天数。

4.讨论

4.1技术优势分析

（1）地形适应性：山区公路测量中，密林、陡坡等传统方法难以作业区域，集成测量通过无人机快速覆盖+激光局部精测，实现全天候作业。案例中植被覆盖率达65%的路段，效率提升达40%。

（2）精度提升：融合DSM通过点云高程约束消除影像插值误差，在山区高程突变区域精度提升显著。K10+500桥梁基础测量中，融合模型高程误差较单一DSM降低57%。

（3）数据应用扩展：融合数据可直接用于路基断面扫描（误差±2cm）、边坡变形监测（位移量级达2mm）、施工质量检测（路面平整度自动化检测），为后续工程应用提供支撑。

4.2技术局限性

（1）成本问题：集成测量设备投入较单一技术高，单公里成本较传统方法增加35%。在预算受限项目中需权衡效益。

（2）数据处理复杂性：多源数据融合需要专业技术人员，处理时间较传统方法延长1-2天/公里。

（3）植被影响：高密度植被区域仍存在扫描盲区，需配合人工测量补测。案例中约12%的植被覆盖区域需要人工干预。

4.3优化建议

（1）动态测量集成：结合无人机载LiDAR（机载激光雷达），实现更大范围快速扫描，山区公路测量效率可再提升30%。

（2）智能解算算法：基于深度学习的点云-影像自动配准算法可减少人工干预，处理时间缩短至30分钟/公里。

（3）标准化流程：制定山区公路集成测量技术规范，明确设备参数、数据采集与处理标准，降低技术应用门槛。

5.结论

本文研究的山区高速公路集成测量方案，通过三维激光扫描与无人机倾斜摄影技术的有机结合，有效解决了复杂地形条件下公路测量的难题。主要结论如下：

（1）集成测量在山区公路测量中具有显著优势，较传统方法效率提升40%，高程精度提高41%，平面精度提高35%。

（2）融合DSM通过多源数据约束，在植被覆盖、地形突变区域实现高精度地形建模，满足路线设计、施工放样等需求。

（3）技术局限性主要体现在成本较高、数据处理复杂，可通过动态测量集成、智能算法优化等方式改进。

研究成果可为山区高速公路建设提供技术参考，推动公路测量技术向自动化、智能化方向发展。后续可进一步研究多源数据实时融合技术，开发基于云平台的集成测量系统，进一步提升工程应用效益。

六.结论与展望

1.研究结论总结

本研究以某山区高速公路项目为背景，系统探讨了三维激光扫描（3TLS）与无人机倾斜摄影测量（UAVObliquePhotogrammetry）技术集成测量的应用方法，取得了以下主要结论：

（1）技术集成可行性验证：研究表明，三维激光扫描与无人机倾斜摄影技术的集成应用，能够有效解决山区高速公路测量中面临的效率低、精度差、作业风险高等问题。通过控制点精度对比、地形建模质量评估及实际工程应用分析，验证了该集成方案在复杂地形条件下的可行性与优越性。与传统全站仪测量方法相比，集成测量在路线放样、高程控制及地形建模等环节均表现出显著的技术优势。

（2）精度提升机制分析：集成测量的精度提升主要来源于多源数据互补与约束增强。三维激光扫描提供的高密度、高精度点云数据，能够有效弥补无人机影像在光照不足、地形突变区域的几何精度缺陷；而无人机倾斜摄影获取的多角度影像，则可补充激光扫描在植被覆盖区域的探测空白，并通过密集纹理信息增强点云模型的细节表现。通过坐标变换、点云配准及多源信息融合，两种数据在空间基准、密度分布和细节表现上实现协同优化，最终生成高精度的融合DSM/DEM。实验结果表明，集成测量后高程精度RMSE从传统方法的6.2cm降至3.7cm，平面精度RMSE从6.5cm降至4.2cm，显著满足山区高速公路厘米级测量精度要求。

（3）效率提升机制分析：集成测量的效率提升主要体现在两个方面：一是数据采集环节的效率优化。无人机倾斜摄影能够快速覆盖大范围区域，三维激光扫描则可针对性地对关键控制点和复杂地形进行精细化扫描，两种技术的结合实现了快速覆盖与局部精度的平衡。在案例项目中，集成测量方案较传统方法平均缩短外业时间35%，减少人力投入40%。二是数据处理环节的效率优化。通过开发自动化数据处理流程，实现了空三解算、DSM生成、点云配准及融合建模的自动化处理，单公里数据处理时间从传统方法的3天缩短至1.5天。

（4）技术局限性分析：尽管集成测量具有显著优势，但也存在一定的局限性。首先，成本问题较为突出，集成测量方案涉及无人机、激光扫描仪等专业设备，设备购置与维护成本较高，较传统方法单公里成本增加35%。其次，数据处理复杂度较大，需要专业技术人员进行数据采集参数设置、多源数据融合算法优化及质量控制，对人员技能要求较高。此外，在极端地形条件下，如高密度植被覆盖区域，激光扫描仍存在探测盲区，需要结合人工测量或其他探测手段进行补充。这些局限性在实际应用中需要综合考虑技术需求与成本效益，合理选择技术方案。

2.技术应用建议

基于研究结论，针对山区高速公路集成测量技术的实际应用，提出以下建议：

（1）优化设备选型策略：根据项目特点和预算限制，合理搭配激光扫描与无人机设备。对于植被覆盖率高、地形复杂的路段，建议采用高精度机载LiDAR配合无人机倾斜摄影进行数据采集，实现更大范围、更高精度的三维信息获取。对于预算有限的项目，可优先选择性能稳定的国产设备，并考虑租赁模式降低初始投入。

（2）完善数据处理流程：开发基于云平台的自动化数据处理系统，实现数据采集、处理、分析与应用的全流程智能化。重点优化点云-影像自动配准算法，提高匹配精度与效率；开发基于深度学习的植被去除算法，提升复杂环境下点云生成质量；建立多源数据融合质量控制标准，确保融合成果的可靠性与一致性。

（3）拓展数据应用领域：集成测量成果不仅可用于路线设计、施工放样等传统应用，还可拓展至边坡变形监测、路面养护检测、灾害预警等智能化应用场景。例如，通过融合DSM与InSAR技术，可实现对山区公路边坡毫米级形变监测；通过路面纹理分析，可自动识别路面裂缝、坑洼等病害。未来可进一步探索与BIM技术、自动驾驶技术等的融合应用，推动公路工程数字化转型升级。

（4）加强人才培养与标准建设：集成测量技术的应用需要复合型人才支撑，应加强相关技术培训，培养既懂航空摄影测量又懂三维激光扫描的专业人才。同时，建议行业主管部门制定山区公路集成测量技术规范，明确设备参数标准、数据采集流程、成果质量要求等，推动技术应用标准化、规范化发展。

3.未来研究展望

尽管本研究验证了三维激光扫描与无人机倾斜摄影技术集成测量的可行性，但仍存在诸多值得深入研究的方向。未来研究可从以下方面展开：

（1）动态测量集成技术：随着无人机载LiDAR、移动测量系统等技术的成熟，动态测量集成将成为研究热点。未来可探索无人机载LiDAR与倾斜摄影的协同作业模式，实现对山区高速公路施工过程的实时三维监测；结合惯性导航与视觉融合技术，开发厘米级高精度的移动测量系统，实现道路动态变形监测与自动化检测。

（2）辅助解算技术：深度学习等技术在测绘领域的应用日益广泛，未来可研究基于深度学习的多源数据融合算法。例如，通过卷积神经网络自动识别点云-影像匹配特征点，提高配准精度；开发基于生成对抗网络（GAN）的地形纹理重建算法，提升融合模型的细节表现；利用强化学习优化数据采集路径规划，实现效率与精度平衡。

（3）多源遥感数据融合技术：集成测量技术可与其他遥感数据源结合，进一步提升测量能力。例如，结合高分辨率卫星影像、航空雷达数据等，构建多尺度、多时相的山区公路三维信息库；融合InSAR、无人机雷达等技术，实现对山区公路地质灾害的早期预警与动态监测。

（4）云平台与区块链技术应用：基于云计算平台，可实现对山区公路集成测量数据的共享、协同处理与应用。未来可探索区块链技术在数据安全、成果追溯等方面的应用，建立可信的公路测量数据管理机制。同时，结合大数据分析技术，挖掘集成测量数据在交通规划、资源管理等方面的应用潜力。

（5）智能化应用拓展：随着自动驾驶、车路协同等技术的发展，集成测量技术可为公路基础设施智能化管理提供数据支撑。未来可研究基于三维模型的公路基础设施智能检测技术，例如通过点云深度学习自动识别护栏破损、标志标牌污损等问题；开发基于无人机倾斜摄影的道路智能巡检系统，实现道路病害的自动化识别与上报。

总之，三维激光扫描与无人机倾斜摄影技术的集成测量是山区高速公路测量技术的重要发展方向，未来随着技术的不断进步和应用场景的拓展，将进一步提升公路工程建设的智能化水平，为交通强国建设提供技术支撑。

七.参考文献

[1]Stussi,E.,&Haest,C.(2008).3Dlaserscanninginroadconstruction.ISPRSJournalofPhotogrammetryandRemoteSensing,63(4),319-328.

[2]Zhang,J.,&Zhang,S.(2010).PointclouddatasegmentationforroadextractionfromrborneLiDARdata.ISPRSJournalofPhotogrammetryandRemoteSensing,65(6),519-529.

[3]Liu,X.,Hu,J.,&Li,Y.(2015).Applicationof3Dlaserscanningtechnologyinbridgedeformationmonitoring.Measurement,69,1-8.

[4]Wang,L.,Chen,Y.,&Zhang,L.(2017).Pointcloud-basedterrnmodelingforroadrouteoptimization.IEEETransactionsonGeoscienceandRemoteSensing,55(10),5678-5689.

[5]Elmer,G.R.,&OudeElfrink,A.(2010).Performanceevaluationofdifferentunmannedaerialvehicleplatformsforaerialphotography.InternationalArchivesofthePhotogrammetry,RemoteSensingandSpatialInformationSciences,38(4),7-11.

[6]Hofmann,T.,&Stilla,U.(2012).Accurate3Dreconstructionfromsparsemulti-viewimages.InProceedingsoftheInternationalConferenceonComputerVision(pp.231-238).IEEE.

[7]Chen,J.,&Xiong,H.(2016).rborneLiDARanddigitalsurfacemodelforroadlongitudinalsectionmeasurement.RemoteSensingLetters,7(10),911-918.

[8]Li,Y.,Li,X.,&Xu,G.(2018).3DmodelingofroadnetworksbasedonUAVobliqueimages.ISPRSJournalofPhotogrammetryandRemoteSensing,144,191-204.

[9]Wu,Q.,&Zhang,F.(2015).Multi-sourcedatafusionforhigh-precisiondigitalsurfacemodelconstruction.RemoteSensingLetters,6(5),419-426.

[10]Zhao,Y.,Liu,X.,&Zhang,S.(2017).ComparisonofDSMsgeneratedfromrborneLiDARandUAVphotogrammetry.InternationalJournalofRemoteSensing,38(24),5678-5690.

[11]Li,R.,Wu,L.,&Zhang,H.(2019).Deeplearningbasedpointcloud-imagejointsemanticsegmentationforroadscene.IEEETransactionsonIntelligentTransportationSystems,20(12),4321-4332.

[12]Zhang,Z.Y.(2000).Aflexiblenewtechniqueforautonomousandrobustfeature-based3Dregistrationof3Dpoints.ImageandVisionComputing,18(6),675-686.

[13]Zhang,Z.Y.,&Li,Y.R.(2004).Simultaneouslocalizationandmapping(SLAM):PartI-Basicalgorithms.IEEETransactionsonRobotics,20(4),670-681.

[14]Faro,S.(2012).FAROFocus3DLaserScanners:TechnicalSpecifications.DocumentNo.FSC-3000-001RevA.

[15]DJI.(2020).DJIM300RTKUserManual.DocumentNo.M300-UM-EN-V1.0.

[16]ContextCapture.(2021).ContextCaptureSoftwareDocumentation.Version8.0.

[17]Zhang,Y.,Zhang,J.,&Li,Y.(2013).Areviewonautomatictargetrecognitionmethodsinaerialimagery.RemoteSensingLetters,4(11),1106-1118.

[18]Li,Y.,&Zhang,S.(2016).Multi-temporaldeformationmonitoringofhigh-risebuildingsusingUAV-basedphotogrammetry.ISPRSJournalofPhotogrammetryandRemoteSensing,114,89-102.

[19]Hoffmann,T.,&Tschumperlé,D.(2014).Non-localmeansdenoisingofLiDARpointclouds.ISPRSJournalofPhotogrammetryandRemoteSensing,94,152-163.

[20]Bao,Z.,&Xiao,G.(2015).Areviewonapplicationsoflaserscanninginroadengineering.AutomationinConstruction,57,1-16.

[21]Zhang,L.,Liu,Y.,&Zhang,H.(2019).rborneLiDARpointclouddensityoptimizationbasedonroadnetworkfeatures.RemoteSensing,11(7),920.

[22]Wu,Q.,&Zhang,F.(2016).FusionofrborneLiDARandInSARdataforroaddeformationmonitoring.IEEEGeoscienceandRemoteSensingLetters,13(10),1984-1988.

[23]Li,R.,&Li,Y.(2017).UAV-based3Dcitymodelingusingmulti-viewstereomatching:Areview.InternationalArchivesofthePhotogrammetry,RemoteSensingandSpatialInformationSciences,42(4),19-24.

[24]Zhang,Z.Y.,&Zhang,H.(2008).Simultaneouslocalizationandmapping(SLAM):PartII-Algorithmsandimplementa