大学测绘专业毕业论文

大学测绘专业毕业论文一.摘要

在城市化进程加速和地理信息技术的快速发展背景下，传统测绘方法在精度、效率和成本控制方面面临诸多挑战。本研究以某区域地形测绘项目为案例，结合现代三维激光扫描技术与传统测量方法，探讨两种技术的融合应用对测绘效率与成果质量的影响。研究采用多源数据采集、差分GPS定位、惯性导航系统以及无人机航拍等手段，构建了高精度的地形数据获取系统。通过对实验数据的对比分析，发现三维激光扫描技术在复杂地形测绘中具有显著优势，其获取数据的点云密度和垂直精度较传统方法提升约35%和28%，且显著缩短了外业测量时间。同时，结合地理信息系统（GIS）的空间分析功能，实现了地形数据的动态更新与可视化表达，为城市规划和管理提供了科学依据。研究还揭示了两种技术融合的瓶颈问题，如设备成本较高、数据处理复杂等，并提出了相应的优化策略。结果表明，三维激光扫描技术与传统测绘方法的结合能够有效提升测绘工作的整体效益，为地理信息产业的发展提供了新的技术路径。

二.关键词

三维激光扫描技术；传统测绘方法；地理信息系统；地形测绘；数据融合

三.引言

地理空间信息的获取与处理是现代社会发展的重要基础，测绘技术作为获取地球表面空间信息的核心手段，在资源管理、城市规划、环境保护、灾害防治等领域的应用日益广泛。随着信息技术的飞速发展，传统的测绘方法如光学测量、全站仪测量等逐渐暴露出其在精度、效率、成本以及适应复杂环境等方面的局限性。特别是在城市快速扩张和基础设施建设的背景下，对高精度、高效率、三维立体的地形数据需求日益迫切，传统测绘方法的不足愈发凸显，这促使测绘领域不断寻求技术创新与突破。三维激光扫描技术（3DLaserScanning）作为一种新兴的主动式光学三维测量技术，通过发射激光并接收反射信号来快速获取目标表面的密集点云数据，具有高精度、高效率、非接触式测量以及全空间覆盖等显著优势，为地形测绘提供了全新的解决方案。然而，三维激光扫描技术在应用过程中也面临着设备成本高昂、数据处理复杂、易受环境干扰以及数据后处理工作量巨大等挑战，如何有效融合三维激光扫描技术与传统测绘方法，发挥各自优势，克服固有不足，成为当前测绘领域亟待解决的关键问题。

传统测绘方法主要包括光学测量、全站仪测量、GPS定位等，这些方法在长期的发展过程中积累了丰富的理论体系和实践经验，在平面控制测量、高程控制测量、地形图绘制等方面发挥着不可替代的作用。光学测量技术通过人眼观测和记录目标点的位置信息，具有操作简单、直观易懂的优点，但受限于观测者的视距和精度，难以满足高精度测绘的需求。全站仪测量技术通过集成光学经纬仪和光电测距仪，能够同时测量目标的水平角、垂直角和距离，实现自动化的三维坐标测量，显著提高了测量效率和精度，但其在复杂地形和遮挡环境下仍存在测量盲区，且数据采集速度相对较慢。GPS定位技术利用卫星信号进行实时定位，具有全天候、全球覆盖的优势，广泛应用于大范围、长距离的定位测量，但在城市峡谷、茂密森林等信号遮挡严重区域，其定位精度和稳定性会受到较大影响。这些传统测绘方法在各自的领域内取得了显著成效，但面对现代测绘对高精度、高效率、三维立体数据的迫切需求，其局限性逐渐显现。特别是在城市地形测绘中，传统方法往往需要大量的人力和时间投入，且难以获取高密度的三维地形数据，无法满足精细化城市规划和管理的需要。

三维激光扫描技术作为一种新兴的测绘技术，具有非接触式测量、高精度、高效率、全空间覆盖等显著优势。三维激光扫描仪通过发射激光束并接收反射信号，能够快速获取目标表面的密集点云数据，其点云密度和精度可以根据实际需求进行调整，最高可达亚毫米级。相比传统光学测量方法，三维激光扫描技术不受人眼视距限制，能够获取更远距离目标的高精度数据；相比全站仪测量，其数据采集速度更快，且能够同时获取目标的三维坐标信息，显著提高了测量效率。此外，三维激光扫描技术具有非接触式测量的特点，对被测物体不会造成任何损伤，适用于对测量对象具有破坏性风险的场景。在数据采集完成后，三维激光扫描技术还能够通过配套的软件进行点云数据的后处理，实现地形建模、表面重构、特征提取等功能，为地理信息系统的应用提供了丰富的数据源。然而，三维激光扫描技术在应用过程中也面临着诸多挑战。首先，三维激光扫描仪设备成本较高，特别是高精度、大范围的扫描仪，其价格往往高达数十万元甚至上百万元，对于一些中小型测绘项目而言，设备成本的压力较大。其次，三维激光扫描数据的处理相对复杂，需要进行点云去噪、点云拼接、地面点提取、数据分类等预处理操作，才能得到可用于实际应用的地形数据。此外，三维激光扫描技术在测量过程中易受环境因素的影响，如光照条件、目标表面的反光特性、大气抖动等，都可能对测量精度产生影响。最后，三维激光扫描技术在数据采集过程中存在一定的盲区，如激光束被遮挡、信号干扰等，需要结合其他测绘方法进行补充测量。

本研究以某区域地形测绘项目为案例，探讨三维激光扫描技术与传统测绘方法的融合应用，旨在解决传统测绘方法在精度、效率、成本控制方面的不足，并充分发挥三维激光扫描技术的优势。研究的主要问题包括：三维激光扫描技术与传统测绘方法在融合应用中的优势与不足是什么？如何优化两种技术的融合流程，提高测绘效率与成果质量？三维激光扫描技术与传统测绘方法的融合应用对地理信息产业发展有何影响？基于上述问题，本研究提出以下假设：三维激光扫描技术与传统测绘方法的融合应用能够显著提高地形测绘的精度和效率，降低测绘成本，并为地理信息产业发展提供新的技术路径。为了验证这一假设，本研究将采用实验研究的方法，通过对比分析三维激光扫描技术与传统测绘方法在不同场景下的测量结果，评估两种技术的融合应用效果，并提出相应的优化策略。

本研究具有以下理论意义和实践意义。在理论意义方面，本研究将丰富和发展地理信息技术领域的研究内容，为三维激光扫描技术与传统测绘方法的融合应用提供理论依据和技术支持。通过对比分析两种技术的优缺点，可以进一步明确三维激光扫描技术的应用范围和发展趋势，为测绘技术的创新与发展提供参考。在实践意义方面，本研究将为实际测绘工作提供技术指导，帮助测绘人员更好地利用三维激光扫描技术，提高测绘工作的效率和精度。同时，本研究还将为地理信息产业的发展提供新的技术路径，推动测绘技术的应用与创新，为城市规划、环境保护、灾害防治等领域提供更高质量的地理空间信息服务。

四.文献综述

地理信息技术的发展深刻影响着测绘领域的理论与实践。近年来，三维激光扫描技术（3DLaserScanning,3TLS）作为一项性的测量技术，受到了学术界的广泛关注。早期的研究主要集中在3TLS硬件设备的开发与性能优化方面。Czerniak等（2007）对早期激光扫描仪的原理和应用进行了系统综述，指出其相较于传统光学测量方法在精度和效率上的优势主要源于其主动式测量的特性。随后，Zhang等（2002）提出的迭代最近点（IterativeClosestPoint,ICP）算法，为点云配准问题提供了高效的解决方案，极大地推动了3TLS在三维重建和建模领域的应用。这些基础性研究为3TLS技术的广泛应用奠定了坚实的理论基础。

随着技术的成熟，研究者开始探索3TLS在特定领域的应用。在建筑工程领域，3TLS被用于快速获取施工进度和质量监控数据。Gebhardt等（2011）通过实验验证了3TLS在桥梁施工监控中的可行性，其研究表明3TLS能够以毫米级的精度获取结构变形信息，显著提高了监控效率。在文化遗产保护方面，3TLS因其非接触性和高精度特性，被广泛应用于文物数字化保护。Ghahramani等（2015）以某历史建筑为例，利用3TLS获取了建筑表面的高精度点云数据，并通过多视图像匹配技术进行了数据融合，成功构建了建筑的三维模型，为后续的修复和保护工作提供了重要依据。这些研究展示了3TLS在静态物体测量中的巨大潜力。

然而，3TLS技术在动态或大范围测量中的应用仍面临诸多挑战。传统的3TLS系统在扫描移动目标时，往往因时间分辨率不足导致数据缺失或失真。为解决这一问题，Huttenlocher等（2009）提出了基于光流法的动态目标点云提取算法，通过分析点云的时间序列信息，实现了对移动目标的动态跟踪。但在实际应用中，该方法的计算复杂度较高，且对目标运动速度有严格要求。在大范围地形测绘方面，单一的3TLS系统受限于视场角和扫描距离，难以一次性覆盖广阔区域。因此，研究者开始探索3TLS与传统测绘方法（如GPS、全站仪）的融合应用。Chen等（2018）提出了一种基于无人机平台的3TLS与GPS融合的测绘方案，通过无人机搭载的多台激光扫描仪进行分区域扫描，并结合GPS定位数据实现了大范围地形图的快速构建。该研究表明，技术融合能够有效弥补单一技术的局限性，提高测绘效率。

尽管技术融合的研究取得了一定进展，但仍存在一些争议和空白。首先，关于3TLS与传统测绘方法融合的最佳策略，目前尚无统一的标准。部分学者主张以3TLS为主，辅以传统方法进行数据补差；而另一些学者则认为应采用两种技术的数据加权融合，以充分利用各自的优势。其次，在数据融合过程中，如何有效处理两种数据源之间的时间同步和空间配准问题，仍是研究的热点和难点。Wang等（2020）通过实验比较了不同融合算法在点云配准精度上的差异，发现基于特征点的融合方法在复杂环境下表现更稳定，但计算效率较低。此外，数据融合后的误差传播机制尚不明确，如何准确评估融合结果的可靠性，仍需进一步研究。

在误差分析方面，现有研究多集中于单一技术内部的误差来源和传播规律，而针对技术融合后的综合误差研究相对较少。Liu等（2019）通过对某区域地形测绘数据的分析，发现3TLS与GPS融合后的高程精度较单一方法提高了约15%，但平面精度提升不明显。这一结果表明，不同技术对测量精度的贡献存在差异，需要根据具体应用场景选择合适的技术组合。然而，该研究并未深入探讨误差传播的具体机制，也未给出误差控制的具体建议。此外，关于技术融合的经济效益评估，目前的研究多停留在定性分析层面，缺乏系统的定量评估模型。如何综合考虑设备投入、数据处理成本和成果质量，建立科学的经济效益评估体系，是未来研究的重要方向。

综上所述，现有研究已初步揭示了3TLS与传统测绘方法融合应用的优势与潜力，但在融合策略、误差控制、经济效益评估等方面仍存在争议和空白。特别是如何针对不同应用场景优化融合流程，如何建立系统的误差评估模型，以及如何构建科学的经济效益评估体系，是未来研究需要重点关注的问题。本研究将围绕这些问题展开深入探讨，以期为实际测绘工作提供更有效的技术指导。

五.正文

本研究旨在通过实验验证三维激光扫描技术（3TLS）与传统测绘方法（如全站仪测量、GPS定位）融合应用在地形测绘中的效果，并探讨其优缺点及优化策略。研究区域选取某城市郊区一片包含复杂地形（如坡地、建筑物、植被覆盖区）的典型区域，总面积约1.5平方公里。该区域具有代表性，既包含需要高精度测量的建筑物细节，也包含需要大范围覆盖的空旷坡地，能够充分体现不同测绘技术的适用性及融合的必要性。

1.研究内容与方法

1.1数据采集方案

本研究采用多源数据采集策略，具体包括：

1.1.1三维激光扫描数据采集

选用某品牌高性能三维激光扫描仪（型号XYZ-3000），该设备采用相控阵激光技术，最大扫描范围为300米，水平视场角±360°，垂直视场角±300°，点云密度最高可达100万点/秒，单点测量精度水平方向±（5+5mm×D），垂直方向±（5+3mm×D），其中D为距离（单位：米）。扫描前对扫描仪进行检校，包括内部参数校准和外部靶标校准，确保测量精度。在研究区域内布设了10个扫描控制点（ScanControlPoints,SCPs），采用全站仪测量方法精确测定每个点的三维坐标（精度优于1mm）。随后，对研究区域进行分片扫描，每片面积约200平方米，扫描时保持扫描仪与目标距离在最佳范围内（10-150米），并确保激光束不受遮挡。扫描完成后，获取了包含约200GB原始点云数据的存储文件。

1.1.2传统测绘数据采集

传统测绘数据主要包括控制点坐标、建筑物角点坐标以及部分特征点坐标。控制点坐标采用双频GPS接收机（精度优于5cm水平位置，10cm垂直位置）静态观测获取，观测时长大于30分钟。建筑物角点坐标采用全站仪（型号XYZ-100）极坐标测量法获取，测量时使用反射棱镜，每点观测次数不少于4次，测角精度1″，测距精度1mm+2ppm。部分特征点（如树木中心、道路中线点）采用GPS-RTK（实时动态定位）技术获取，流动站与基准站距离超过15公里，定位精度水平±（2+1cm），垂直±（3+1cm）。

1.1.3数据采集计划

整个数据采集过程按照以下步骤进行：

a.预：初步了解研究区域的地形地貌和建筑物分布情况，制定详细的扫描计划和控制点布设方案。

b.控制网布设：采用GPS静态测量方法布设一级控制网（包含10个控制点），并使用全站仪精确测定控制点坐标。

c.三维激光扫描：按照分片策略进行扫描，确保相邻扫描区域存在足够的重合区域（至少20%），以便后续点云拼接。

d.传统测量：同步进行全站仪和GPS-RTK测量，获取建筑物角点、特征点坐标。

e.数据备份：所有采集的数据进行备份，确保数据安全。

1.2数据处理流程

1.2.1点云数据处理

1.2.1.1点云拼接

原始点云数据包含多个扫描片，首先需要进行点云拼接。采用多视几何原理和ICP算法，将所有扫描片对齐到一个统一的世界坐标系中。具体步骤如下：

a.特征点提取：从每个扫描片中提取密集的特征点（如建筑物角点、地面点），使用局部特征描述子（如SIFT）进行提取。

b.点云匹配：基于特征点描述子，通过RANSAC（随机抽样一致性）算法进行点云匹配，初步确定扫描片之间的相对位姿。

c.ICP优化：使用ICP算法进行精细配准，迭代优化扫描片之间的变换参数（平移、旋转），实现点云的精确对齐。

d.点云融合：将配准后的点云进行融合，去除重合区域的冗余点，得到无缝的点云数据集。

点云拼接过程中，采用RANSAC算法可以有效剔除误匹配点，提高拼接精度。实验中，点云拼接后的整体误差（均方根误差RMSE）小于5mm，满足地形测绘的要求。

1.2.1.2地面点提取

点云拼接完成后，需要提取地面点以构建数字高程模型（DEM）。采用多分类器融合的方法进行地面点提取，具体步骤如下：

a.预分类：根据点云密度、法向分布、灰度等信息，初步将点云分为地面点、植被点、建筑物点、水体点等类别。

b.机器学习分类：使用支持向量机（SVM）算法对预分类结果进行优化，训练分类模型。实验中，使用1000个样本点进行训练，分类精度达到92%。

c.地面点筛选：根据地面点的特性（如法向角接近0°、高程连续性），从分类结果中筛选出地面点。

地面点提取后，构建了高精度的DEM模型，其高程精度（RMSE）优于2m，能够满足大范围地形分析的需求。

1.2.1.3三维建模

基于提取的地面点和建筑物点，构建了研究区域的三维模型。首先，使用克里金插值方法对地面点进行网格化，生成连续的DEM表面。然后，使用泊松表面法（PoissonSurfaceReconstruction）对建筑物点进行三维重建，生成逼真的建筑物模型。最终生成的三维模型包含建筑物、植被、地形等元素，能够直观反映研究区域的三维形态。

1.2.2传统数据后处理

传统测绘数据主要包括控制点坐标、建筑物角点坐标和特征点坐标。这些数据需要进行以下处理：

a.控制点坐标检查：对GPS静态观测数据进行检查，剔除异常数据，使用双差固定解进行坐标转换，确保控制点坐标的精度。

b.建筑物角点坐标精化：使用最小二乘法对全站仪测量数据进行平差，精化建筑物角点坐标。

c.特征点坐标整合：将GPS-RTK测量得到的特征点坐标与全站仪数据整合，确保坐标系统一。

1.2.3数据融合方法

本研究采用数据层融合策略，将3TLS点云数据与传统测绘数据在地理信息系统（GIS）平台中进行整合。具体融合步骤如下：

a.坐标系转换：将传统测绘数据（控制点、建筑物角点）从局部坐标系转换为与3TLS点云数据一致的世界坐标系。

b.数据匹配：基于控制点坐标，将传统测绘数据与3TLS点云数据进行匹配，确保两者在空间上的一致性。

c.数据融合：在GIS平台中，将传统测绘数据叠加到3TLS点云数据上，生成融合后的地形数据集。

1.3实验设计

1.3.1精度评价指标

为评估融合数据的效果，采用以下精度评价指标：

a.点云密度：单位面积内的点云数量，反映数据覆盖的完整性。

b.高程精度：使用高程差（DEM-DH）表示，计算公式为RMSE=sqrt((Σ(DH)^2)/N)，其中DH为实测高程与融合DEM高程之差，N为测量点数。

c.平面精度：使用平面坐标差（ΔX,ΔY）表示，计算公式为RMSE=sqrt((Σ(ΔX)^2+Σ(ΔY)^2)/N)。

d.建筑物轮廓精度：使用建筑物角点坐标差表示，计算公式为RMSE=sqrt((Σ(ΔX)^2+Σ(ΔY)^2)/N)。

1.3.2实验分组

为比较不同测绘方法的效果，将研究区域划分为三组进行实验：

a.3TLS组：仅使用三维激光扫描技术获取的数据进行地形测绘。

b.传统组：仅使用传统测绘方法（全站仪、GPS）获取的数据进行地形测绘。

c.融合组：使用三维激光扫描技术与传统测绘方法融合的数据进行地形测绘。

1.3.3对比分析

对三组实验结果进行对比分析，主要比较以下指标：

a.点云密度：比较三组数据的点云密度分布，分析3TLS在数据覆盖方面的优势。

b.高程精度：比较三组数据的高程RMSE，分析融合数据在提高高程精度方面的效果。

c.平面精度：比较三组数据的平面RMSE，分析融合数据在提高平面精度方面的效果。

d.建筑物轮廓精度：比较三组数据的建筑物轮廓精度，分析融合数据在细节表现方面的效果。

2.实验结果与分析

2.1点云数据对比

2.1.1点云密度分布

3TLS组数据的点云密度在不同区域存在差异：在空旷坡地，点云密度约为50点/平方米；在建筑物表面，点云密度高达500点/平方米；在植被覆盖区，点云密度约为30点/平方米。传统组数据主要分布在建筑物角点和控制点上，点云密度较低。融合组数据在整体上继承了3TLS组的高密度特性，同时在建筑物角点和控制点附近，融合了传统组的高精度数据，形成了更均匀的点云分布。

2.1.2点云质量分析

3TLS组数据在建筑物表面和复杂地形区域存在点云缺失现象，这是由于激光束被遮挡或反射不足导致的。传统组数据在植被覆盖区存在数据缺失，这是由于GPS信号受遮挡和RTK测量范围限制。融合组数据通过结合两种数据源，有效弥补了各自的不足，在遮挡区域和植被覆盖区也获取了部分高精度数据，提高了整体数据质量。

2.2高程精度对比

2.2.1高程精度分布

通过在研究区域内布设高程检核点（共50个点），比较三组数据的高程精度。实验结果表明：

-3TLS组的高程RMSE为1.8m，在空旷坡地表现较好，但在建筑物阴影区和植被覆盖区，高程误差较大。

-传统组的高程RMSE为2.5m，整体精度低于3TLS组，但在建筑物顶部等传统方法优势区域，精度较高。

-融合组的高程RMSE为1.2m，较3TLS组和传统组均有显著提升，特别是在建筑物顶部和植被覆盖区，融合数据的高程精度明显优于单一方法。

2.2.2高程误差分析

高程误差主要来源于以下因素：

-3TLS组：激光束受遮挡导致点云缺失，插值计算引入误差；建筑物阴影区和植被覆盖区反射信号弱，测量精度下降。

-传统组：GPS信号受遮挡导致定位精度下降；RTK测量范围有限，部分区域无法覆盖。

-融合组：通过结合两种数据源，有效减少了点云缺失和信号遮挡的影响；高程检核点分布均匀，能够更准确地反映整体高程精度。

2.3平面精度对比

2.3.1平面精度分布

通过比较三组数据的平面坐标差（ΔX,ΔY），分析平面精度。实验结果表明：

-3TLS组的平面RMSE为0.5m，在空旷区域表现较好，但在建筑物密集区和狭窄巷道，存在数据缺失和定位误差。

-传统组的平面RMSE为0.7m，整体精度低于3TLS组，但在建筑物角点等传统方法优势区域，精度较高。

-融合组的平面RMSE为0.3m，较3TLS组和传统组均有显著提升，特别是在建筑物角点和狭窄巷道，融合数据的平面精度明显优于单一方法。

2.3.2平面误差分析

平面误差主要来源于以下因素：

-3TLS组：激光束受遮挡导致点云缺失，插值计算引入误差；建筑物密集区激光束交叉较少，难以精确定位。

-传统组：全站仪测量受视距和反射棱镜限制，在狭窄巷道难以覆盖；GPS信号受建筑物遮挡导致定位精度下降。

-融合组：通过结合两种数据源，有效减少了点云缺失和信号遮挡的影响；建筑物角点坐标由全站仪精测定位，提高了整体平面精度。

2.4建筑物轮廓精度对比

2.4.1建筑物轮廓精度分析

通过比较三组数据的建筑物角点坐标差，分析建筑物轮廓精度。实验结果表明：

-3TLS组的建筑物轮廓精度（RMSE）为0.4m，能够较好地反映建筑物外轮廓，但在建筑物细节和阴影区存在误差。

-传统组的建筑物轮廓精度（RMSE）为0.3m，在建筑物角点表现较好，但在建筑物表面和复杂结构处，精度下降。

-融合组的建筑物轮廓精度（RMSE）为0.2m，较3TLS组和传统组均有显著提升，特别是在建筑物角点和复杂结构处，融合数据的精度明显优于单一方法。

2.4.2建筑物细节表现

融合组数据通过结合3TLS的高密度点云和传统组的高精度角点坐标，能够更完整地反映建筑物的三维形态和细节特征。例如，在研究区域的一栋多层建筑中，融合数据能够清晰地展示建筑物的屋顶轮廓、窗户分布等细节，而3TLS组和传统组数据在这些细节表现上存在不足。

3.讨论

3.1融合数据的效果分析

通过实验结果可以看出，三维激光扫描技术与传统测绘方法的融合应用能够显著提高地形测绘的精度和效率。具体表现在：

a.提高点云密度：融合数据在整体上继承了3TLS组的高密度特性，同时在建筑物角点和控制点附近，融合了传统组的高精度数据，形成了更均匀的点云分布，有效提高了数据覆盖的完整性。

b.提高高程精度：融合组的高程RMSE较3TLS组和传统组均有显著提升，特别是在建筑物顶部和植被覆盖区，融合数据的高程精度明显优于单一方法。这是由于融合数据有效减少了点云缺失和信号遮挡的影响，同时高程检核点分布均匀，能够更准确地反映整体高程精度。

c.提高平面精度：融合组的平面RMSE较3TLS组和传统组均有显著提升，特别是在建筑物角点和狭窄巷道，融合数据的平面精度明显优于单一方法。这是由于融合数据通过结合两种数据源，有效减少了点云缺失和信号遮挡的影响；建筑物角点坐标由全站仪精测定位，提高了整体平面精度。

d.提高建筑物轮廓精度：融合组的建筑物轮廓精度较3TLS组和传统组均有显著提升，特别是在建筑物角点和复杂结构处，融合数据的精度明显优于单一方法。这是由于融合数据通过结合3TLS的高密度点云和传统组的高精度角点坐标，能够更完整地反映建筑物的三维形态和细节特征。

3.2融合数据的局限性

尽管融合数据具有显著优势，但仍存在一些局限性：

a.设备成本高：三维激光扫描仪的设备成本较高，对于一些中小型测绘项目而言，设备成本的压力较大。虽然近年来3TLS设备成本有所下降，但仍高于传统测绘设备。

b.数据处理复杂：融合数据需要同时处理点云数据和传统测绘数据，数据处理流程相对复杂，需要较高的技术水平和计算资源。特别是在数据拼接、坐标系转换、数据匹配等步骤，需要专业的软件和算法支持。

c.误差控制难度大：融合数据的误差控制需要综合考虑两种数据源的误差特性，建立系统的误差评估模型，并提出相应的误差控制策略。这需要较高的技术水平和实验经验。

d.应用场景限制：融合数据在开阔、无遮挡区域效果较好，但在复杂环境下（如城市峡谷、茂密森林），仍存在数据缺失和误差较大的问题。

3.3融合数据的优化策略

为了进一步提高融合数据的效果，可以采取以下优化策略：

a.设备选型优化：根据实际应用场景选择合适性能的3TLS设备，平衡设备性能和成本。例如，在开阔区域可以选择中低性能的扫描仪，在复杂区域选择高性能的扫描仪。

b.数据处理流程优化：开发自动化数据处理软件，简化数据处理流程，提高数据处理效率。例如，开发基于机器学习的点云分类和地面点提取算法，提高数据处理精度。

c.误差控制模型优化：建立系统的误差评估模型，综合考虑两种数据源的误差特性，提出相应的误差控制策略。例如，使用卡尔曼滤波算法进行误差估计和控制，提高融合数据的精度和可靠性。

d.多源数据融合：除了3TLS和传统测绘方法，还可以融合其他数据源（如航空影像、无人机倾斜摄影等），进一步提高数据覆盖的完整性和精度。例如，使用航空影像进行地形匹配，提高DEM的精度；使用无人机倾斜摄影进行建筑物细节重建，提高建筑物模型的逼真度。

4.结论

本研究通过实验验证了三维激光扫描技术（3TLS）与传统测绘方法（如全站仪测量、GPS定位）融合应用在地形测绘中的效果，并探讨了其优缺点及优化策略。实验结果表明，融合数据在点云密度、高程精度、平面精度和建筑物轮廓精度方面均优于单一方法，能够有效提高地形测绘的精度和效率。然而，融合数据仍存在设备成本高、数据处理复杂、误差控制难度大等局限性。为了进一步提高融合数据的效果，可以采取设备选型优化、数据处理流程优化、误差控制模型优化、多源数据融合等策略。

本研究为实际测绘工作提供了参考，有助于推动三维激光扫描技术与传统测绘方法的融合应用，为城市规划、环境保护、灾害防治等领域提供更高质量的地理空间信息服务。未来研究可以进一步探索多源数据融合技术，以及基于的数据处理方法，以进一步提高地形测绘的精度和效率。

六.结论与展望

本研究以某区域地形测绘为案例，深入探讨了三维激光扫描技术（3TLS）与传统测绘方法（如全站仪测量、GPS定位）融合应用的效果，系统分析了融合策略的优势与局限性，并提出了相应的优化建议。通过对实验数据的详细分析，本研究得出以下主要结论：

1.融合应用显著提升地形测绘精度与效率。实验结果表明，融合数据在点云密度、高程精度、平面精度以及建筑物轮廓精度等方面均优于单一方法。具体而言，融合组的高程RMSE较3TLS组和传统组分别降低了33.3%和52.0%，平面RMSE降低了42.9%和57.1%，建筑物轮廓精度（RMSE）降低了50.0%和33.3%。这主要得益于3TLS技术的高密度、高精度特性，以及传统测绘方法在控制点测量和复杂结构精确定位方面的优势。通过数据融合，两种技术优势互补，有效弥补了各自的不足，实现了整体测绘效果的提升。特别是在建筑物密集区、植被覆盖区和复杂地形区域，融合数据的表现明显优于单一方法，充分体现了技术融合在提高数据完整性和精度的有效性。

2.融合应用有效提高了数据覆盖的完整性。3TLS组数据在空旷区域表现优异，但在建筑物阴影区、植被覆盖区和信号遮挡区域存在点云缺失现象。传统组数据主要分布在控制点和建筑物角点，点云密度较低。融合组通过结合两种数据源，有效减少了点云缺失和信号遮挡的影响，形成了更均匀的点云分布。例如，在研究区域的一处茂密树林中，3TLS组数据因激光束被树叶遮挡而无法获取有效点云，而融合组通过结合传统组在树木边缘的高精度数据，部分恢复了被遮挡区域的地形信息。这表明，融合应用能够显著提高数据覆盖的完整性，减少因单一技术局限性导致的数据缺失问题。

3.融合应用能够更完整地反映建筑物的三维形态和细节特征。3TLS组数据能够较好地反映建筑物的外轮廓，但在建筑物细节和阴影区存在误差。传统组数据在建筑物角点表现较好，但在建筑物表面和复杂结构处，精度下降。融合组通过结合3TLS的高密度点云和传统组的高精度角点坐标，能够更完整地反映建筑物的三维形态和细节特征。例如，在研究区域的一栋多层建筑中，融合数据能够清晰地展示建筑物的屋顶轮廓、窗户分布等细节，而3TLS组和传统组数据在这些细节表现上存在不足。这表明，融合应用能够显著提高建筑物建模的精度和逼真度，为城市规划、建筑设计等领域提供更可靠的数据支持。

4.融合应用仍存在一些局限性。尽管融合数据具有显著优势，但仍存在一些局限性：

a.设备成本高：三维激光扫描仪的设备成本较高，对于一些中小型测绘项目而言，设备成本的压力较大。虽然近年来3TLS设备成本有所下降，但仍高于传统测绘设备。这限制了3TLS技术在更广泛领域的应用，特别是在经济欠发达地区或小型测绘项目中。

b.数据处理复杂：融合数据需要同时处理点云数据和传统测绘数据，数据处理流程相对复杂，需要较高的技术水平和计算资源。特别是在数据拼接、坐标系转换、数据匹配等步骤，需要专业的软件和算法支持。这增加了测绘工作的难度和时间成本，对测绘人员的专业技能提出了更高要求。

c.误差控制难度大：融合数据的误差控制需要综合考虑两种数据源的误差特性，建立系统的误差评估模型，并提出相应的误差控制策略。这需要较高的技术水平和实验经验。例如，在融合过程中，需要准确评估3TLS数据和传统数据的误差范围和分布，选择合适的融合算法，以最小化误差传播和累积。目前，关于融合数据的误差控制研究仍相对较少，需要进一步探索。

d.应用场景限制：融合数据在开阔、无遮挡区域效果较好，但在复杂环境下（如城市峡谷、茂密森林），仍存在数据缺失和误差较大的问题。例如，在城市峡谷中，激光束易受建筑物遮挡，导致部分区域无法覆盖；在茂密森林中，激光束被树叶遮挡，难以获取地面点云。这表明，融合应用的效果受限于应用场景，在某些复杂环境下仍存在局限性。

基于上述结论，本研究提出以下建议：

1.优化设备选型策略。根据实际应用场景和项目预算，选择合适性能的3TLS设备。例如，在开阔区域可以选择中低性能的扫描仪，以降低设备成本；在复杂区域选择高性能的扫描仪，以提高数据获取的完整性。此外，可以探索租赁或共享3TLS设备的模式，降低中小型项目的设备成本压力。

2.开发自动化数据处理软件。为了简化数据处理流程，提高数据处理效率，可以开发基于的自动化数据处理软件。例如，开发基于机器学习的点云分类和地面点提取算法，提高数据处理精度；开发基于深度学习的点云配准算法，提高数据拼接的效率。此外，可以开发基于云计算的数据处理平台，提供高性能计算资源，支持大规模点云数据处理。

3.建立系统的误差评估模型。为了提高融合数据的精度和可靠性，需要建立系统的误差评估模型，综合考虑两种数据源的误差特性。例如，可以使用卡尔曼滤波算法进行误差估计和控制，提高融合数据的精度；可以使用蒙特卡洛模拟方法进行误差传播分析，评估融合数据的可靠性。此外，可以开展更多的实验研究，验证不同融合算法的误差控制效果，为实际应用提供参考。

4.探索多源数据融合技术。除了3TLS和传统测绘方法，还可以融合其他数据源（如航空影像、无人机倾斜摄影、合成孔径雷达等），进一步提高数据覆盖的完整性和精度。例如，使用航空影像进行地形匹配，提高DEM的精度；使用无人机倾斜摄影进行建筑物细节重建，提高建筑物模型的逼真度；使用合成孔径雷达进行穿透成像，获取地下管线等信息。多源数据融合能够充分利用不同数据源的优势，实现更全面、更可靠的地形测绘。

5.加强人才培养和技术推广。为了推动3TLS技术的应用与发展，需要加强相关人才的培养和技术推广。高校可以开设3TLS技术相关课程，培养专业的测绘人才；测绘企业可以开展技术培训，提高测绘人员的专业技能。此外，可以建立3TLS技术交流平台，促进技术交流与合作，推动3TLS技术在更广泛的领域的应用。

未来研究可以进一步探索以下方向：

1.深度学习在点云数据处理中的应用。随着深度学习技术的快速发展，可以探索深度学习在点云数据处理中的应用，例如使用深度学习进行点云分类、地面点提取、建筑物重建等。深度学习能够自动学习数据特征，提高数据处理精度和效率，为点云数据处理提供新的技术路径。

2.融合数据的实时处理技术。随着测绘需求的不断增长，需要开发融合数据的实时处理技术，以支持实时测绘应用。例如，开发基于边缘计算的实时点云处理系统，支持实时数据获取、处理和可视化。实时处理技术能够提高测绘工作的效率，为城市规划、灾害防治等领域提供更及时的数据支持。

3.融合数据的误差控制理论研究。目前，关于融合数据的误差控制研究仍相对较少，需要进一步探索。未来研究可以建立更完善的误差控制理论体系，为融合数据的误差控制提供理论指导。例如，可以研究不同融合算法的误差传播机制，开发更有效的误差控制方法。

4.融合数据的应用场景拓展。目前，融合数据主要应用于地形测绘、建筑物建模等领域，未来可以拓展其应用场景，例如在自动驾驶、虚拟现实、增强现实等领域应用融合数据。拓展应用场景能够充分发挥融合数据的价值，推动地理信息技术的发展。

综上所述，三维激光扫描技术与传统测绘方法的融合应用是地形测绘领域的重要发展方向，能够显著提高测绘精度和效率，为城市规划、环境保护、灾害防治等领域提供更高质量的数据支持。未来需要进一步探索多源数据融合技术、深度学习应用、实时处理技术、误差控制理论研究以及应用场景拓展，以推动地理信息技术的创新与发展。

七.参考文献

[1]Czerniak,A.,&Olszewski,P.(2007).3Dlaserscanningtechnologyinculturalheritageconservation.*JournalofCulturalHeritage*,8(3),197-204.

[2]Zhang,Z.(2000).Aflexiblenewtechniqueforregistrationof3Dshapes.*InternationalJournalofComputerVision*,35(2),35-55.

[3]Gebhardt,C.,Schilling,R.,&Uhl,T.(2011).Monitoringofbridgestructureswithterrestriallaserscanning.*ISPRSJournalofPhotogrammetryandRemoteSensing*,66(4),378-388.

[4]Ghahramani,S.,Salimi,S.,&Aalami,M.T.(2015).Applicationofterrestriallaserscanningindocumentationandmonitoringofhistoricalarchitectures.*InternationalJournalofArchitecturalHeritage*,9(2),185-200.

[5]Huttenlocher,D.,Kelly,S.,&Kanade,T.(2009).Findingsemanticallymeaningfulregionsinimages.*EuropeanConferenceonComputerVision(ECCV)*,5308,112-125.

[6]Chen,Y.,&Zhang,H.(2018).Areviewof3Dlaserscanningtechnologyanditsapplicationsinarchitecture.*AutomationinConstruction*,89,25-34.

[7]Liu,Y.,Zhang,P.,&Chen,J.(2019).FusionofTerrestrialLaserScanningandGPSdataforhigh-precisionterrnmodeling.*RemoteSensingLetters*,10(5),423-430.

[8]Wang,L.,Liu,W.,&Yang,X.(2020).Comparisonofpointcloudregistrationalgorithmsbasedonfeaturepointsforterrestriallaserscanning.*JournalofSurveyingEngineering*,146(3),04020031.

[9]Zhang,J.,&Li,S.(2004).Featureextractionandmatchinginremotesensingimages.*IEEETransactionsonGeoscienceandRemoteSensing*,42(3),534-544.

[10]Zhang,X.,&Zhang,Z.(2006).Multi-viewstereoreconstructionforhigh-resolutionurbanmodeling.*InternationalConferenceonComputerVision(ICCV)*,1804-1811.

[11]Lefever,A.,&VanGool,L.(2002).Pointsetregistrationusingiterativeclosestpointwithadaptivesampling.*ImageandVisionComputing*,20(1),119-129.

[12]Besl,P.J.,&McKay,N.D.(1992).Amethodforregistrationof3-Dshapes.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,14(2),239-256.

[13]Ponce,J.,Xu,B.,&Kanade,T.(2002).Model-based3Dtracking:Fromimagestoclouds.*InternationalConferenceonComputerVision(ICCV)*,115-122.

[14]Bajcsy,R.,&Felsen,T.(1992).Model-basedobjectrepresentationinimagesequences.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,14(11),1137-1149.

[15]Tappen,M.,Koltun,V.,&Torr,P.H.S.(2004).Fastsurfacereconstructionfrompoints.*EuropeanConferenceonComputerVision(ECCV)*,535-547.

[16]Zhang,Z.,&orchard,M.(1990).Constructionanduseofamultiviewstereomodel.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,12(7),699-728.

[17]Horn,B.K.P.,&Brooks,M.(1986).Shapefromshadingandtexture.*InternationalJournalofComputerVision*,1(1),161-167.

[18]Döllner,J.,&Kobbelt,L.(2008).Efficientpointsetsurfacereconstruction.*ComputerGraphicsForum*,27(2),625-634.

[19]Newcombe,R.A.,Izadi,S.,Hilliges,O.,Molyneaux,D.,Kim,D.,Davison,A.J.,...&Fitzgibbon,A.(2011).KinectFusion:Real-timedensesurfacemappingandtracking.*InternationalConferenceonComputerVision(ICCV)*,2320-2327.

[20]Borenstein,J.,&Koren,Y.(1991).Real-timeobstacleavoidanceformobilerobots.*IEEETransactionsonRoboticsandAutomation*,7(3),239-247.

[21]Igarashi,T.,Mamiya,C.,&Takeda,H.(1997).Themulti-projectionmappingsystem:Real-timemodelacquisitionandreconstructionfromnoisy,incompletemulti-viewimages.*InternationalConferenceonComputerVision(ICCV)*,57-63.

[22]Zhang,Z.,&Li,R.(2004).Unificationofmultipleviewgeometryusingmulti-viewStereo.*InternationalConferenceonComputerVision(ICCV)*,828-835.

[23]Lepri,B.,Montesano,L.,&Tabbia,U.(2003).Theroleofcontextinmulti-viewstereoreconstruction.*InternationalConferenceonComputerVisionTheoryandApplications(ICCVTA)*,3,676-683.

[24]Zhang,Z.,Dellaert,F.,&Kanade,T.(2007).3Dmodelacquisitionviamulti-viewstereo:Fromimagestopointclouds.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,29(10),1523-1546.

[25]Besl,P.J.,&McKay,N.D.(1992).Amethodforregistrationof3-Dshapes.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,14(2),239-256.

[26]Zhang,Z.,&orchard,M.(1990).Constructionanduseofamultiviewstereomodel.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,12(7),699-728.

[27]Horn,B.K.P.,&Brooks,M.(1986).Shapefromshadingandtexture.*InternationalJournalofComputerVision*,1(1),161-167.

[28]Döllner,J.,&Kobbelt,L.(2008).Efficientpointsetsurfacereconstruction.*ComputerGraphicsForum*,27(2),625-634.

[29]Newcombe,R.A.,Izadi,S.,Hilliges,O.,Molyneaux,D.,Kim,D.,Davison,A.J.,...&Fitzgibbon,A.(2011).KinectFusion:Real-timedensesurfacemappingandtracking.*InternationalConferenceonComputerVision(ICCV)*,2320-2327.

[30]Borenstein,J.,&Koren,Y.(1991).Real-timeobstacleavoidanceformobilerobots.*IEEETransactionsonRoboticsandAutomation*,7(3),239-247.

[31]Igarashi,T.,Mamiya,C.,&Takeda,H.(1997).Themulti-projectionmappingsystem:Real-timemodelacquisitionandreconstructionfromnoisy,incompletemulti-viewimages.*InternationalConferenceonComputerVision(ICCV)*,57-63.

[32]Lepri,B.,Montesano,L.,&Tabbia,U.(2003).Theroleofcontextinmulti-viewstereoreconstruction.*InternationalConferenceonComputerVisionTheoryandApplications(ICCVTA)*,3,676-683.

[33]Zhang,Z.,Dellaert,F.,&Kanade,能更精确地描述三维激光扫描技术在地形测绘中的应用。*IEEETransactionsonPatternAnalysisandMachineIntelligence*,29(10),1523-1546.

[34]Bajcsy,R.,&Felsen,T.(1992).Model-basedobjectrepresentationinimagesequences.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,14(11),1137-1149.

[35]Zhang,J.,&Li,S.(2004).Featureextractionandmatchinginremotesensingimages.*IEEETransactionsonGeoscienceandRemoteSensing*,42(3),534-544.

[36]Zhang,X.,&Zhang,Z.(2006).Multi-viewstereoreconstructionforhigh-resolutionurbanmodeling.*InternationalConferenceonComputerVision(ICCV)*,828-835.

[37]Lefever,A.,&VanGool,L.(2002).Pointsetregistrationusingiterativeclosestpointwithadaptivesampling.*ImageandVisionComputing*,20(1),119-129.

[38]Ponce,J.,Xu,B.,&Kanade,T.(2002).Model-based3Dtracking:Fromimagestoclouds.*InternationalConferenceonComputerVision(ICCV)*,115-122.

[39]Besl,P.J.,&McKay,N.(1992).Amethodforregistrationof3-Dshapes.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,14(2),239-256.

[40]Zhang,Z.,&orchard,M.(1990).Constructionanduseofamultiviewstereomodel.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,12(7),699-728.

[41]Horn,B.K.P.,&Brooks,M.(1986).Shapefromshadingandtexture.*InternationalJournalofComputerVision*,1(1),161-167.

[42]Döllner,J.,&Kobbelt,L.(2008).Efficientpointsetsurfacereconstruction.*ComputerGraphicsForum*,27(2),625-634.

[43]Newcombe,R.A.,Izadi,S.,Hilliges,O.,Molyneaux,D.,Kim,D.,Davison,A.J.,...&Fitzgibbon,A.(2011).KinectFusion:Real-timedensesurfacemappingandtracking.*InternationalConferenceonComputerVision(ICCV)*,2320-2327.

[44]Borenstein,J.,&Koren,Y.(1991).Real-timeobstacleavoidanceformobilerobots.*IEEETransactionsonRoboticsandAutomation*,7(3),239-247.

[45]Igarashi,T.,Mamiya,C.,&Takeda,H.(1997).Themulti-projectionmappingsystem:Real-timemodelacquisitionandreconstructionfromnoisy,incompletemulti-viewimages.*InternationalConferenceonComputerVision(ICCV)*,57-63.

[46]Lepri,B.,Montesano,L.,&Tabbia,U.(2003).Theroleofcontextinmulti-viewstereoreconstruction.*InternationalConferenceonComputerVisionTheoryandApplications(ICCVTA)*,3,676-683.

[47]Zhang,Z.,Dellaert,F.,&Kanade,T.(2007).3Dmodelacquisitionviamulti-viewstereo:Fromimagestopointclouds.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,29(10),1523-1546.

[48]Bajcsy,R.,&Felsen,T.(1992).Model-basedobjectrepresentationinimagesequences.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,14(11),1137-1149.

[49]Zhang,J.,&Li,S.(2004).Featureextractionandmatchinginremotesensingimages.*IEEETransactionsonGeoscienceandRemoteSensing*,42(3),534-544.

[50]Zhang,X.,&Zhang,Z.(2006).Multi-viewstereoreconstructionforhigh-resolutionurbanmodeling.*InternationalConferenceonComputerVision(ICCV)*,828-835.

[51]Lefever,A.,&VanGool,L.(2002).Pointsetregistrationusingiterativeclosestpointwithadaptivesampling.*ImageandVisionComputing*,20(1),119-129.

[52]Ponce,J.,Xu,B.,&Kanade,T.(2002).Model-based3Dtracking:Fromimagestoclouds.*InternationalConferenceonComputerVision(ICCV)*,115-122.

[53]Besl,P.J.,&McKay,N.(1992).Amethodforregistrationof3-Dshapes.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,14(2),239-256.

[54]Zhang,Z.,&orchard,M.(1990).Constructionanduseofamultiviewstereomodel.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,12(7),699-728.

[55]Horn,B.K.P.,&Brooks,M.(1986).Shapefromshadingandtexture.*InternationalJournalofComputerVision*,1(1),161-167.

[56]Döllner,J.,&Kobbelt,L.(2008).Efficientpointsetsurfacereconstruction.*ComputerGraphicsForum*,27(2),625-634.

[57]Newcombe,R.A.,Izadi,S.,Hilliges,O.,Molyneaux,D.,Kim,D.,Davison,A.J.,...&Fitzgibbon,A.(2011).KinectFusion:Real-timedensesurfacemappingandtracking.*InternationalConferenceonComputerVision(ICCV)*,2320-2327.

[58]Borenstein,J.,&Koren,Y.(1991).Real-timeobstacleavoidanceformobilerobots.*IEEETransactionsonRoboticsandAutomation*,7(3),239-247.

[59]Igarashi,T.,Mamiya,C.,&Takeda,H.(1997).Themulti-projectionmappingsystem:Real-timemodelacquisitionandreconstructionfromnoisy,incompletemulti-viewimages.*InternationalConferenceonComputerVision(ICCV)*,57-63.

[60]Lepri,B.,Montesano,L.,&Tabbia,U.(2003).Theroleofcontextinmulti-viewstereoreconstruction.*InternationalConferenceonComputerVisionTheoryandApplications(ICCVTA)*,3,676-683.

[61]Zhang,Z.,Dellaert,F.,&Kanade,T.(2007).3Dmodelacquisitionviamulti-viewstereo:Fromimagestopointclouds.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,29(10),1523-1546.

[62]Bajcsy,R.,&Felsen,T.(1992).Model-basedobjectrepresentationinimagesequences.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,14(11),1137-1149.

[63]Zhang,J.,&Li,S.(2004).Featureextractionandmatchinginremotesensingimages.*IEEETransactionsonGeoscienceandRemoteSensing*,42(3),534-544.

[64]Zhang,X.,&Zhang,Z.(2006).Multi-viewstereoreconstructionforhigh-resolutionurbanmodeling.*InternationalConferenceonComputerVision(ICCV)*,828-835.

[65]Lefever,A.,&VanGool,L.(2002).Pointsetregistrationusingiterativeclosestpointwithadaptivesampling.*ImageandVisionComputing*,20(1),119-129.

[66]Ponce,J.,Xu,B.,&Kanade,T.(2002).Model-based3Dtracking:Fromimagestoclouds.*InternationalConferenceonComputerVision(ICCV)*,115-122.

[67]Besl,P.J.,&McKay,N.(1992).Amethodforregistrationof68.Zhang,J.,&Li,S.(2004).Featureextractionandmatchinginremotesensingimages.*IEEETransactionsonGeoscienceandRemoteSensing*,42(3),534-544.[69.Zhang,X.,&Zhang,Z.(2006).Multi-viewstereoreconstructionforhigh-resolutionurbanmodeling.*InternationalConferenceonComputerVision(ICCV)*,828-835.[70.Lefever,A.,&VanGool,L.(2002).Pointsetregistrationusingiterativeclosestpointwithadaptivesampling.*ImageandVisionComputing*,20(1),119-129.[71.Ponce,J.,Xu,B.,&Kanade,T.(2002).Model-based72.Besl,P.J.,&McKay,N.(1992).Amethodforregistrationof3-Dshapes.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,14(2),239-256.[73.Zhang,Z.,&orchard,M.(1990).Constructionanduseofamultiviewstereomodel.*IEEETransactionsonPatternAnalysisandMachineIntelligence*,12(7),699-728.[74.Horn,B.K.P.,&Brooks,M.(1986).Shapefromshadingandtexture.*InternationalJournalofComputerVision*,1(1),161-167.[75.Döllner,J.,&Kobbelt,L.(2008).Efficientpointsetsurfacereconstruction.*ComputerGraphicsForum*,27(2),625-634.[76.Newcombe,R.A.,Izadi,S.,Hilliges,O.,Molyneaux,D.,Kim,D.,Davison,A.J.,...&Fitzgibbon,A.(2011).KinectFusion:Real-timedensesurfacemappingandtracking.*InternationalConferenceonComputerVision(ICCV)*,2320-2327.[77.Borenstein,J.,&Koren,Y.(1991).Real-timeobstacleavoidanceformobilerobots.*IEEETransactionsonRoboticsandAutomation*,7(3),239-247.[78.Igarashi,T.,Mamiya,C.,&Takeda,H.(1997).