VISAT 測試資料

利 用 Department of Geomatics Engineering, University of Calgary 所提供該單位發展之測量車 VISAT 兩部前視相機拍攝之影像序列針對街道的 特徵點位進行點位坐標求取，並將街道特徵點位分 為五種類型：

Window1 Window2 Window3 Window4 Window5 Window6 Window7 Window8 Window9

空間位置索引^{30 35 40 45 50 55 60}

25 20 15 10 5 0

相關係數

1

0.8

0.6

0.4

0.2

0

-0.2

-0.4

-0.6

-0.8

-1

利 用 Department of Geomatics Engineering, University of Calgary 所提供該單位發展之測量車 VISAT 兩部前視相機拍攝之影像序列針對街道的 特徵點位進行點位坐標求取，並將街道特徵點位分 為五種類型：

(1) 特徵明顯，背景單純：如房屋屋頂的端點，由 兩直線交會構成，為明顯的特徵，且其背景通 常為天空，屬於單純的背景，但雲的變化可能 影響點位之正確匹配，如圖22(a)。

(2) 特徵明顯，背景複雜：如路牌之邊緣或角點，

在影像視窗中含有大部分背景資訊，且其背景

可能隨著拍攝位置不同而產生較大的變化，如 圖22(b)。

(3) 特徵不甚明顯，背景單純：如道路兩旁之路燈，

雖特徵不甚明顯，但可能為使用者感興趣之點 位，如圖22( c)。

(4) 較不受背景影響之點位：如路牌中間之文字特 徵，或房屋之牆面特徵，在影像視窗中包含較 少的背景資訊，影像匹配較不受背景影響，如 圖22(d)。

(5) 具視角不同影響之點位：受視角不同影響較大 的點位，主要為道路面的特徵點，如圖22(e)。

圖19 匹配結果展示，且匹配結果良好

圖20 受複雜背景影響之匹配結果

圖21 以人工點選共軛點得良好近似位置所進行之匹配結果

每一種類型皆挑選10 個點位進行測試，共 50 個測試點位，38 個獲成功匹配（圖 23）、12 個失 敗（圖24），成功率約 80%，而 12 個匹配失敗點 位透過人工選取共軛點重新計算，11 個點位皆獲 改善得正確匹配（圖25），因此加入人工選取近似 匹配位置可使成功率提升至約98%。另外，以兩種 近似位置求取方式針對每類型之一例進行點位坐

標求取，比較兩者求得知點位坐標反投影至同一影 像之像點位置差距，如表2 所示，兩者像坐標平均 差距在相片坐標系x 及 y 方向分別為 0.446 像元及 0.088 像元，而其標準偏差分別為 0.496 像元及 0.435 像元，皆小於一個像元，表示以空間搜尋求 取近似位置之點位求取結果足夠準確。

表2 不同近似位置求取方式對點位坐標求取的影響

類型一 類型二 類型三

人工選取共軛點 (1000.02,452.61) (471.31,411.58) (778.62,178.03) 空間搜尋 (999.84, 452.62) (470.58,411.88) (778.63,177.21)

比較

（單位：像元）

dx dy dx dy dx dy 0.18 -0.1 0.73 -0.30 -0.01 0.82

類型四 類型五

人工選取共軛點 (509.36,389.56) (519.36,601.98) 空間搜尋 (509.21,389.44) (518.18,602.08)

比較

（單位：像元）

dx dy dx dy 0.15 0.12 1.18 -0.10

類型一 類型二 類型三 類型四 類型五

(a) (b) (c) (d) (e) 圖22 街道上常見的特徵點位

圖23 成功匹配點位之一例

圖24 匹配失敗點位之一例

圖25 透過人工選取共軛點改善匹配結果