基于GPU并行计算的航空与地面传感器影像联合区域网平差

Recently, airborne and ground sensors are increasingly emerging, more and more data is collected by those sensors. But the traditional data processing methods are mostly focused on a single data source, in which the texture information is not comprehensive enough and result is vulnerable to the shadow and occlusion. In this project, a mathematic model of combined bundle block adjustment with airborne and vehicle-borne imagery, such as aerial images, low altitude images, oblique images and ground images, is developed. Images collected by different sensors are all combined in the same block. These combined data might bring us a super large normal equation. Conventional algorithm is not capable of solving this super large normal equation. The traditional solution in aerial triangulation is no longer suitable in here because of the multi-source data, irregular trajectory and overlap. Thus an advanced conjugate gradient algorithm is introduced. This algorithm was proposed to solve the big sparse normal equation. Its advantage is that it can solve normal equation without even forming the normal equation. So the storage and computation of the big normal equation can be avoided, the efficiency is largely improved, now the whole procedure can be parallelized. We thus introduce a GPU parallel computing technology to accelerate the data processing, so as to improve the efficiency of combined bundle block adjustment.

当前，大量的航空以及地面传感器不断涌现，这些传感器采集的影像数据越来越丰富，但传统的数据处理方法大部分还是针对单一数据源来进行，其纹理信息不够全面，容易受到阴影遮挡等因素的影响。本项目拟采用航空以及地面传感器影像进行联合区域网平差，充分利用不同角度，不同方位获取的目标地物影像，为三维建模工作提供精准的几何定位信息以及建筑物全方位的纹理信息。首先，构建航空以及地面传感器影像联合区域网平差数学模型，将不同传感器获取的同一测区的影像进行整体区域网平差处理。其次，上述各类数据联合处理带来了超大数据量的问题，常规的算法耗时长且难以实用，本项目将引入一种改进的共轭梯度算法来解算大规模法方程，其优点是不需要生成以及存储法方程，避免了对超大法方程的存储以及运算操作，提高了处理效率，同时使得整个区域网平差流程更容易并行化设计，进而引入GPU并行计算，通过多任务并行处理，提高联合平差的效率。

利用不同平台传感器获取的数据，可以获得全方位、高分辨率建筑物表面纹理，而且不受阴影遮挡等因素影响，本项目将以全面提升城市三维模型构建的自动化程度以及模型精度为目标，围绕多平台数据联合处理这一科学问题展开研究。本项目首先构建航空以及地面传感器影像联合区域网平差数学模型，将不同传感器获取的同一测区的影像数据纳入统一的测区进行整体区域网平差处理。然后引入一种预条件共轭梯度算法，采用迭代逼近解算策略来求解大型的线性方程组，避免了对超大法方程的存储以及运算操作，使得超大法方程的求解任务可以在普通的计算机上完成，同时使得区域网平差流程易于并行化设计。通过采用GPU并行计算技术，加快数据处理速度，提高联合平差的效率。因此本项目的主要研究内容包括：.（1）航空以及地面传感器影像联合区域网平差模型.（2）求解大型法方程的预条件共轭梯度算法.（3）GPU并行计算区域网平差算法.围绕本项目的主要研究内容，经过三年的研究工作，本项目取得了一系列研究进展，包括建立了不同传感器联合平差的数学模型，引入了一种共轭梯度算法求解大规模法方程，提出了一种新的系数矩阵压缩以及解压缩算法，完成了对区域网平差流程的并行化改造，最终实现了基于超大规模数据的区域网平差算法设计工作，并开发了一套基于CPU\GPU协同并行的大数据区域网平差软件，大幅提高了区域网平差的计算效率。另外，为了进一步生成测区的正射影像图，本项目还研究了一种基于A*搜索算法的正射影像智能镶嵌方法。.经过大量真实数据的测试结果表明，本项目算法可有效解决不同传感器的整体平差问题，解决了大规模数据的大容量内存需求以及计算效率问题。在本项目的资助下，项目研究团队先后在国际权威期刊发表了多篇SCI论文，申请了多项相关的国家发明专利，并获得了授权。本项目的所有研究内容均已完成，所有研究目标均已达到。