Page 211 - 新时期测绘工程测量技术研究

/// 第六章 智能测绘 ///

都有共同之处。实际上，Visual SLAM 的原理与摄影测量的空中三角测量类似。

空中三角测量与 SLAM 的明显区别在于，前者是通过连接点构建航带，确定航
摄仪的 6 个外方位元素，即摄站定位；而后者在定位的同时生成密集点云。早在
21 世纪初，美国为了精确测量“勇气号”和“机遇号”火星探测器的具体位置，
就采用了空中三角测量区域网平差的原理，根据每天获得的火星表面的序列影像，

通过匹配同名点，建立“航带”模型，以此精确计算每个摄站点的坐标位置，以
纠正遥测定位产生的误差。
在进入 21 世纪后，两者的融合速度又得到进一步提升，它们之间的技术交

叉点是无人机和车载移动平台。摄影测量的一个重要发展方向是地面移动测量系
统，它可以用来采集道路和街景；而计算机视觉同样关注道路信息的提取与重建，
并应用于机器人、城市地图、智能交通和自动驾驶汽车中。同时，无人机航摄技
术除了是摄影测量中的一个方便快捷的测量技术，也是计算机视觉所关注的未来

焦点。由于计算机视觉领域研究学者云集，应用领域又很广泛，发展了大量新理
论和新方法。摄影测量工作者应在这场技术变革中拥抱新技术，学会跨界融合，
并发挥自己的优势，贡献自己的智慧，方能使自己的学科立于不败之地，同时与

其他学科一起推动智能科学的发展。为了促进测绘遥感学科与计算机视觉的交叉
融合，紧跟人工智能领域的技术潮流，国内学者组织了专门的人工智能研究团队，
积极行动。

（二）机器学习及其在摄影测量与遥感领域的应用
当前人工智能发展的一个重要方向是机器学习。从 1955 年 John McCarthy 提
出人工智能的概念以来，机器学习就作为人工智能的一个重要方向。机器学习的

基本原理是寻找某种函数，能从数据与类别之间得到正确或最佳的映射。基于统
计学习的思想不仅长期应用于机器学习，在摄影测量与遥感领域也得到广泛应用，
如监督和非监督目标识别与分类方法。基于传统统计学习的遥感影像的监督与非
监督分类以及经典的神经元网络方法的研究进展一直很慢，目标识别的准确度和

分类精度难以大幅提高，机器学习有效地改变了这一现状。
2006 年，Hinton 的研究表明，采用一种逐层的贪心算法可实现深度神
经元网络的训练，深度学习的概念由此浮出水面。深度学习算法的突破来自

LeCunYann、Bengio Yoshua 和 Hinton Geoffrey 三位科学家在深度卷积网络方面
的杰出工作。他们通过多层的深度卷积处理抽取图像的抽象特征，而这原本深度

199