CN119478297A 一种基于5g飞控的实时三维建模方法、系统及介质 （中电信无人科技(江苏)有限公司）

本申请公开了一种基于5G飞控的实时三维机在每个航点的位置数据和姿态数据是否在预域的图像数据；并对采集的图像数据进行预处目标区域的特征点数据转换为稀疏点云；通过MVS算法将稀疏点云转换为密集点云；根据预处理后的密集点云，采用Poisson表面重建算法建2将采集的位置数据与规划航线中对应航点的预设位置数据进行比将采集的姿态数据与规划航线中对应航点的预设姿态数据进行比对采集的图像数据进行完整性校验和位置同如果图像数据未通过完整性校验，则向无人机请求重传如果图像数据未通过位置同步校验，则利用无人机的飞将完整性校正后的图像数据和位置同步校正后的图像数据，作为预处理后的图像数采用校验码或循环冗余校验算法进行图像数据的完整通过比对图像数据的时间戳和位置坐标进行图像数据的位置同将预处理后的图像数据输入基于U_Net网络的特通过在U_Net网络的编码器设置通道注意力机制和空间注意力机制，识别并提取输入3将目标区域的特征点数据作为输入，利用多视角影像匹配算法对通过几何去噪算法多初始稀疏点云数据进行去根据每个像素的视差，利用三角测量方法计算每个像素对应的三维采用基于邻域密度的滤波算法对初始密集点云进行采用双边滤波方法对降噪处理后的初始密集点云进行滤波处理，得到预计算三角网格模型中每个面片的法向量，根将纹理信息通过UV映射到优化后的三维网格模型，得到最终的目标区特征提取模块，对采集的图像数据进行预处理，并构建基于U_Net网络的特征提取模点云模块，根据目标区域的特征点数据，利456MVS算法将稀疏点云转换为密集点云，并对密集点云进行预处理；根据预处理后的密集点传失败，则利用前一帧图像数据通过时间插值或空间插值算法对缺失数据进行补偿处理，对图像数据的时间戳和位置坐标进行图像数据的位置同疏点云数据进行去噪处理；利用基于密度的聚类算法对去噪后的稀疏点云数据进行聚类，7[0014]其中，内参数(intrinsicparameters)描述了相机自身的光学特性和成像特性,集的图像数据进行预处理，并构建基于U_Net网络的特征提取模型，提取目标区域的特征[0018]本申请的另一个方面还提供一种计算机可读存储介质，存储介质存储计算机指利用基于注意力机制的U_Net网络提取影像的目标区域特征。传统卷积网络容易[0020]通过多特征点融合获得稳健的特征点数据。单一特征点8的飞行指令。飞控平台通过5G网络将飞行指令和航线计划数据发送给无人机的机载终端。9实时传输也方便了地面站对无人机拍摄过程的监控和干预，提高了作业的灵活性和可控像分割的卷积神经网络，具有编码器－解码器结构。在U_Net的编码器部分，引入CBAMNet输出的特征图与原始输入图像进行融合，得到融合后的特征图。融合操作可以是拼接力机制增强U_Net提取的图像特征，通过自适应的通道和空间权重，突出目标区域的显著[0032]对融合后的特征图，提取多种局部特征：SIFT（Scale_InvariantFeatureRotatedBRIEF结合FAST关[0034]对初步匹配结果进行几何一致性校验，通常使用RANSAC（RandomSample摄的同一场景图像，包含丰富的纹理和视差信息。通过对多视角影像进行特征匹配（如率提出了更高要求。而本申请在前面的特征优化和稀疏重建已经很好地约束了搜索空间，维网格上应用有限差分或有限元方法，将Poisson方程离散化为线性方程组。求解Poisson方程，常用的求解方法有共轭梯度法（ConjugateGradientMethod）和多重网格法[0039]等值面提取，将求解得到的标量场的值赋给三维网格的顶点或体素中心。使用折叠、顶点聚类等。对网格进行平滑处理，消除锯齿和尖锐的边缘。常用的平滑方法有密集点云转化为光滑连续的三角网格表面。法向量估计和Poisson