馮登超

(北華航天工業(yè)學院 遙感-導航-地理信息系統(tǒng)集成應用技術研究室，河北 廊坊 065000)

0 引言

無人駕駛航空器系統(tǒng)通常是指裝備各種傳感器探測裝置，用于執(zhí)行各種危險及應急任務，無需駕駛員登機駕駛的遙控或自主智能航空器。隨著我國低空空域的逐步開放，無人駕駛航空器制造技術的不斷進步，生產成本大幅度降低，大量的無人駕駛航空器系統(tǒng)已經出現在社會生產、生活的各個領域，如娛樂活動、輸油管線巡檢、農業(yè)植保、應急救災、偵察偵測等。這極大的增加了無人駕駛航空器系統(tǒng)在低空空域的運營復雜度，也對低空空域的航空器及地面目標帶來了很多潛在的危險。為了確保低空空域安全，實現個人隱私保護，國內外學者開展了一系列的研究工作。許多學者聚焦無人駕駛航空器系統(tǒng)的防撞系統(tǒng)研究[1-3]。Soler 等提出了一種混合控制方法，旨在避免航空器相撞[4]。 近年來，一些學者相繼開展致力于規(guī)范低空空域秩序、確保低空安全的研究[5]。馮登超等分析了空中環(huán)境對低空空域飛行安全的影響，探索了低空安全告警航圖可視化技術[6]。Sotiriou 等為了提高飛行安全性能，提出了航跡一致性監(jiān)測技術[7]。Chougdali等采用實時算法調度方法，探索了一種飛機著陸調度模型[8]。Kim等探索了一種無人駕駛航空器系統(tǒng)交通管理構建方法，用于確保低空空域無人駕駛航空器系統(tǒng)的安全管理[9]。Foina 等提出了一種基于航空物流模型的無人駕駛航空器交通管理解決方案[10]。Fadlullah等提出了一種動態(tài)航跡控制算法，將其應用在無人駕駛航空器網絡[12]。

圖1 空中走廊結構設計流程圖

低空空域管理的一個關鍵要素是準確識別地面的各個區(qū)域[14-15]。Yuan 等提出了一種基于空間約束、模型驅動聚類方法用于水體的分離[13]。馮登超等提出了面向美國G區(qū)空域的小型無人駕駛航空器系統(tǒng)空中走廊構架方法[16]。Voss 提出了一種適用于大氣層底層空間的小型無人駕駛航空器系統(tǒng)管理框架，用于保護個人隱私和財產權利[17]。Kim等提出了一種基于服務器模式的實時隱私保護調度方法，防止無人駕駛航空器系統(tǒng)的視頻偵察[18]。

本文采用離散激光點云數據，設計空中走廊，用于確保低空空域飛行安全，實現個人隱私保護。首先，采用噪聲幅度值估計方法對低空飛行區(qū)域覆蓋的數字表面模型進行噪聲水平估計，結合高斯濾波器進行區(qū)域噪聲抑制。采用經驗分解模型[19-20]和形態(tài)學操作，對非地表目標進行檢測，生成數字地勢模型。采用飛行管理規(guī)則、數字地表模型和數字地勢模型進行綜合設計，完成對低空空域的空間區(qū)域劃分。然后，提取個人隱私保護區(qū)域的邊界信息，并將其映射到低空空域的各層空間，作為低空空域的限制飛行區(qū)域。最后，結合無人駕駛航空器系統(tǒng)的路徑規(guī)劃方法，采用計算機圖像繪制技術[21]，生成三維可視化空中走廊。

本文的組織安排如下：第一部分描述用于個人隱私保護和飛行安全的空中走廊架構策略，探索數字地表模型的濾波方法、數字地勢模型的生成方法、空域分層劃分和三維可視化技術。第二部分展示相關仿真實驗，并對實驗結果進行分析。第三部分總結全文，指出三維數字化空中走廊構建的技術難點和下一步的研究方向。

1 空中走廊與個人隱私保護

為了構建空中走廊，本文采用離散激光掃描數據獲取非地表目標的高程數據，結合數字濾波算法，生成數字地勢模型。圖1展示了本文提出的空中走廊構建流程圖。在該空中走廊設計過程中，首先通過激光掃描點云數據，生成數字地表模型，估計數字地表模型的噪聲水平，采用基于噪聲水平的數字濾波器對噪聲區(qū)域進行噪聲抑制。然后，采用經驗分解模型對濾波后的數字地表模型進行處理，結合基于坡度閾值模型和形態(tài)學開運算操作，生成數字地勢模型?；谏傻臄底值乇砟Ｐ秃蛿底值貏菽Ｐ停Y合低空空域的高程數據上限值，對低空空域進行空間立體分層。為了實現隱私區(qū)域保護，在空域中對個人隱私區(qū)域進行標記和空間映射，并將其應用于無人駕駛航空器系統(tǒng)路徑規(guī)劃設計中。根據低空空域的空間分層結果和標記后的隱私保護區(qū)，調整無人駕駛航空器路由規(guī)劃中的節(jié)點位置，確保低空空域的飛行安全和個人隱私保護。最后，為了實現空中走廊的可視化展示，采用文獻[21]中的計算機繪圖技術。

1.1 數字地勢模型構建

激光點云數據，是采用激光在同一空間參考系下，獲取被探測目標表面的每個采樣點的空間坐標，在采集過程中經常引入大量的噪聲數據[20]。地面物體高程數據值越大，無人駕駛航空器系統(tǒng)在低空空域飛行的安全風險越大。通常，傳統(tǒng)的濾波器，例如?zcan’s 方法[20]采用的中值濾波器，會引起激光點云數據的信息損失。因此，本文首先采用噪聲水平估計，對基于激光點云數據的數字表面模型進行噪聲水平估計。數字表面模型的噪聲水平估計方法[24]如下:

(1)

yi=xi+ni,i=1,2,...N

(2)

根據公式(1)計算得到的噪聲水平，確定數字地表模型中的噪聲分布區(qū)域。采用高斯濾波器對數字表面模型中的每個噪聲區(qū)域的紋理碎片進行濾波操作。高斯濾波器中的尺度因子按照如下公式進行計算：

?+1

(3)

為了生成準確的數字地勢模型，需要對數字地表模型中的非地表目標進行檢測。對于濾波后的數字地表模型，本文采用基于經驗模型分解的方法進行分解，公式如下：

(4)

其中:Y(i,j)是濾波后的數字地表模型,Xl(i,j)是固有模態(tài)函數,N(i,j)是殘差信號，L-1是經驗模型分解中固有模態(tài)函數的分解次數。經驗模型分解是對與各種內在時間尺度相關的能量信息進行提取，通過篩選處理，生成固有模態(tài)函數。由文獻[20]可知，經驗分解模型分解次數由固有模態(tài)函數決定。即，Xl(i,j)根據固有模態(tài)函數的最大次數進行分解。在篩選處理中，采用基于代價函數的形態(tài)學開運算獲取殘差信號N(i,j)。代價函數F如下：

(5)

其中:Z(i,j)是坐標(i,j)位置處的濾波后的數字地表模型的幅值，Zavg(i,j)是在相同位置濾波后的數字地表模型的幅度均值。當代價函數值大于閾值時，停止迭代。殘差矩陣判別規(guī)則如下：

(6)

其中:Vth是預設閾值Vdsm是數字地表模型幅值,Vresidue是殘差矩陣的幅值，ρ是尺度因子(ρ∈[0,1])。如果J≤1,該點被標記為地面。

為了獲得非地表目標，采用如下基于坡度的高程閾值計算公式：

R=Rini_thr+Sslope*C

(7)

(8)

其中:Rini_thr是初始高程閾值,Sslope是地面坡度，C是設置的網格大小。如果數字表面模型和數字地勢模型的高程計算差值大于閾值R,矩陣中相應的網格被標記為非地表目標。

1.2 低空空域空間劃分和路徑可視化

為了構建無人駕駛航空器系統(tǒng)的空中走廊，空間分層設計依據低空空域的空間高程上限要求進行劃分，包括頂層區(qū)、安全區(qū)和起降區(qū)空域。頂層區(qū)域為高于地面的固定值空域(如美國G區(qū)對小型無人機系統(tǒng)采用500 英尺高度作為上限)。頂層區(qū)的形狀采用加入固定值高程數據的數字地勢模型的相同區(qū)域。安全區(qū)是介于頂層和起降層區(qū)域的空間區(qū)域。起降區(qū)是包含原始自然障礙物和人工障礙物的地表區(qū)域，采用數字地表模型進行設計。通常，無人駕駛航空器系統(tǒng)在起降區(qū)域危險系數比其它兩層空域較大。由于受地面障礙物及各種不確定環(huán)境因素和人為因素干擾較大，無人駕駛航空器系統(tǒng)在起降階段的安全風險系數相對較高。

設H1(i,j)andH2(i,j)分別是地理位置坐標(i,j)處的數字地表模型和數字地勢模型的高程數據值，Hconstant是無人駕駛航空器系統(tǒng)在低空空域的最大允許高程數據值。低空空域的每層空間的高程數值，按照如下公式進行計算：

Hbottom_zone(i,j)=H1(i,j)

(9)

Hup_zone(i,j)=H2(i,j)+Hconstant

(10)

Hsafe_zone(i,j)∈[Hbottom_zone(i,j),Hup_zone]

(11)

其中:Hbottom_zone(i,j)是起降區(qū)的高程數值，Hsafe_zone(i,j)是安全區(qū)的高程數值范圍，Hup_zone(i,j)是頂層區(qū)的高程數值。

隨著低空空域的逐步開放，世界許多國家，包括我國，無人駕駛航空器引起的個人隱私侵犯事件頻發(fā)，而且呈現逐年上升趨勢。因此，在空中走廊設計過程中，需要對特定區(qū)域進行個人隱私保護。在本文研究中，采用如下方法進行個人隱私區(qū)域保護：首先，提取隱私保護區(qū)域的輪廓，并將其映射到空間各層。然后，對標記后的隱私保護區(qū)的邊界地理位置數據與空間區(qū)域的飛行航道的離散節(jié)點比較， 動態(tài)調整無人駕駛航空器在空中走廊中的路徑節(jié)點，避免無人駕駛航空器系統(tǒng)在飛行過程中，通過未經允許的禁飛區(qū)，觸發(fā)個人隱私侵犯。

在可視化研究中，本文采用計算機圖像繪制方法[21]繪制三維空中走廊。該空中走廊的可視化技術包括四部分內容。第一部分是激光點云數據的三維可視化及空間分層，包括水平地理位置坐標(X,Y),高程數據Z值。第二部分是數字地表模型和數字地勢模型的三維可視化繪制。第三部分是空中走廊中的圖標繪制，包括障礙物、羅盤、限制區(qū)、禁飛區(qū)、機場等。第四部分是飛行路徑可視化展示，包括不同的飛行高度和拓撲圖信息。其中，飛行路徑地圖中的一些符號繪制如圖2所示?？梢暬沼蚍謱雍蜔o人駕駛航空器系統(tǒng)的飛行路徑如圖3所示。在圖3(b)、圖3(c)中，黑色標記線表示無人駕駛航空器系統(tǒng)的飛行路徑。

圖2 可視化圖標繪制

圖3 低空空域三維模型和飛行路徑展示

2 仿真實驗與結果分析

本文提出的空中走廊構建中，采用的仿真實驗環(huán)境是MATLAB2015b。在實驗中，選用的激光點云測試數據集總共包括兩種：具有參考地表數字標記值的15組ISPRS國際標準激光點云數據集[22]；美國德克薩斯州野馬島的四個測試區(qū)域的激光點云數據集[23]。兩種測試數據集的地形特性描述，分別參見表1和表2所示。

所有患者均接受手術治療，根據2016 FIGO分期，早期(Ⅰ、Ⅱ期)患者行全面分期手術，晚期(Ⅲ、Ⅳ期)行卵巢癌腫瘤細胞減滅術。滿意的腫瘤減滅術以殘余病灶直徑<1 cm為標準，肉眼觀無殘余病灶，即為R0，有殘余病灶但直徑<1 cm，即為R1。術后7～21 d常規(guī)開始以鉑類為基礎的聯合化療，通常以TP(紫杉醇+鉑類)方案為一線方案，初次化療6～8個周期，間隔3～4周。

表1 ISPRS 數據集中選取的帶有參考地表標記的15組測試樣本數據的地形特征

表2 野馬島采集的激光掃描數據的地面區(qū)域特征

為了生成精準的數字地勢模型，仿真實驗中選取了4種主流算法與本文方法進行比較，即Thomas方法[25]、Mongus方法[26]、?zcan’s方法[20]以及本文提出的方法。以上4種算法的參數設置如表3所示。

為了對數字地勢模型的構建效果進行客觀評價，本文分別采用了Kappa分數、總誤差率、Skewness和Kurtosis四種性能評價參數。對于15組標準ISPRS激光點云數據集，采用上述4種方法獲得的Kappa分數如圖4所示。

表3 4種方法的參數設置

圖4 基于ISPRS 樣本數據集的數字地勢模型Kappa分數和總誤差率比較

根據圖4(a)的直方圖分析可知,四種方法中，本文提出的方法和 ?zcan方法都能獲得比其它兩種方法較大的Kappa分數值。對于測試樣本Samp22,Samp42,Samp51,Samp52,Samp54,Samp71,本文提出的方法獲得的Kappa分數值分別為90.1381,92.5285,92.8452,83.2073,92.8114,90.6518，本文方法獲得的Kappa分數值均高于其它三種方法。 對于其它樣本，本文提出的方法也能獲得相對較高的Kappa分數。圖4(b) 表明，Thomas方法[25]、Mongus方法[26]兩種方法計算的總誤差率較大，本文提出的方法和?zcan方法[20]都能夠獲得較低的總誤差率。對于樣本Samp22,Samp42,Samp51,Samp52,Samp54,Samp71,本文提出的方法的總誤差率分別是4.1766,3.1881,2.3648,3.2526,3.5897,1.8089,低于其它三種方法的總誤差率。對于ISPRS其它的測試樣本，本文提出的方法也能獲得較低的錯誤率。從本次實驗中的Kappa分數和總誤差率比較結果表明，本文提出的方法對于ISPRS數據集的測試樣本，能夠取得較好的數字地勢模型。

由于固有模態(tài)函數的最大分解次數對于構建的數字地勢模型的性能非常重要。在以下實驗中，對本文提出的方法及?zcan方法[20]的固有模態(tài)函數的最大分解次數進行了定量計算，評估不同分解次數對數字地勢模型性能的影響。對于固有本征函數，設置不同的最大分解次數，計算獲得的實驗結果如圖5所示。

圖5 ?zcan 方法和本文方法的Kappa 分數值比較

在圖5中，Max.IMF表示固有模態(tài)函數的最大分解次數。由圖5(a)的直方圖數據表明，對于?zcan方法[20]，在ISPRS樣本數據測試中，Kappa分數隨著固有模態(tài)函數的分解次數的增加而呈現下滑趨勢。由該組實驗獲得的直方圖數據可知，最佳的Kappa分數值出現在最大分解次數為1次。圖5(b)表明，本文提出的方法，在ISPRS樣本數據集生成的數字地勢模型的Kappa分數也呈現下降趨勢，且在最大分解次數為1時取得最優(yōu)Kappa分數值。圖5(c)比較了本文方法和?zcan方法[20]得到的均值和標準差。從圖5(c)直方圖數據表明，Kappa分數的均值隨著固有模態(tài)函數的最大分解次數的增加而呈現整體下降趨勢。對于實驗中選取的15組ISPRS測試樣本數據集，當固有模態(tài)函數的最大分解次數從1次增加到6次時，?zcan’s方法[20]的Kappa分數分別為 87.18235,81.79479,76.32071,70.50371,64.69338,59.75527。在同樣測試環(huán)境下，本文提出的方法獲得的Kappa分數均值分別是86.45674,81.02425,77.06374,71.50672,65.59312,60.03348。兩種方法的測試結果表明，Kappa分數隨著固有模態(tài)函數的分解次數的增加呈現逐步遞減趨勢。當最大分解次數為1次時，Kappa分數值高于固有模態(tài)函數在其它分解次數時的計算值。該結論也解釋了在表3的參數設置中，固有模態(tài)函數的最大分解次數設置為1次的原因 。當固有模態(tài)函數的最大分解次數為1時，上述實驗中，本文提出的噪聲水平估計和檢測到的噪聲分布區(qū)域如表4所示。

表4 采用本文方法獲得的ISPRS 15組樣本數據的噪聲水平估計結果

由表4可知，對與15組ISPRS測試樣本，噪聲水平估計值均不相同，噪聲分布區(qū)域的數量也各不相同。實驗數據表明，噪聲水平和噪聲分布區(qū)域檢測結果，隨著地形的不同而變化，如果采用濾波器進行整體濾波，會帶來相應的信息損失。

圖6 采用激光掃描數據構建的數字地表模型和對應區(qū)域的遙感影像圖

以下的仿真實驗中，采用美國德克薩斯州野馬島的4個測試區(qū)的激光掃描數據real_samp1、real_samp2、real_samp3、real_samp4，設置固有模態(tài)函數的最大分解次數為1次，對生成的數字地勢模型進行性能評估。在上述4個測試區(qū)域，采用激光掃描點云數據集構建的數字地表模型和同一區(qū)域的遙感圖像如圖6所示。

采用本文方法，在野馬島的四個測試區(qū)域real_samp1、real_samp2、real_samp3、real_samp4得到的噪聲水平估計值和提取的噪聲分布區(qū)域數量如表5所示。

表5 真實測試區(qū)的噪聲水平估計和噪聲區(qū)域數據提取

由表5可知，根據估計的噪聲水平，野馬島的4個測試區(qū)域的激光掃描樣本數據都檢測到了噪聲分布區(qū)域。在后續(xù)實驗

中，采用real_samp1樣本區(qū)域數據構建測試區(qū)的空中走廊。由表5可知，該樣本的噪聲水平估計值為0.03，噪聲分布區(qū)域數據為158167。相應地，采用高斯濾波器對158167個噪聲區(qū)域的激光點云數據進行噪聲抑制，而不是對整個區(qū)域的數據進行濾波。由于采用區(qū)域噪聲抑制，該方法的濾波效果高于?zcan方法[20]中采用中值濾波方法對整個區(qū)域進行濾波的效果，后續(xù)的圖7實驗結果驗證了該結論的正確性。

采用本文方法及?zcan方法[20]生成的四種數字地勢模型如圖7所示。其中，測試樣本從左至右依次為real_samp1,real_samp2,real_samp3,real_samp4。

比較圖7(a)和圖7(b)可知，在圖7(a)中，展示了采用?zcan方法[20]生成的數字地勢模型。由于在該方法中采用中值濾波方法，帶了了信息損失，導致部分真實的非地表目標沒有被濾除。本文方法中，由于采用噪聲水平估計，對噪聲區(qū)域進行了分塊識別和抑制，得到了如圖7(b)所示的數字地勢模型。由圖7(b)可知，與?zcan方法[20]生成的數字地勢模型圖7(a)相比，在圖7(b)的數字地勢模型中，濾除了大量非地表目標。此外，將圖7(b)與相同區(qū)域的真實遙感圖像，即圖6 (b)進行比較，發(fā)現該地勢模型較好的保留了地表的原始形態(tài)，從而進一步驗證了本文方法獲取的數字地勢模型的準確性。

在以下實驗中，對測試樣本real_samp1,real_samp2,real_samp3,real_samp4中的非地表目標的檢測效果進行比較。在本文方法中，采用了噪聲水平估計方法對數字地表模型進行濾波，結合經驗模型分解，生成數字地勢模型，然后，對非地表目標進行邊緣檢測和數字標記。本文方法和?zcan方法[20]獲取的非地表目標識別結果如圖8所示。

圖7 ?zcan 方法和本文方法生成的數字地勢模型比較

圖8 ?zcan 方法和本文方法獲得的非地表目標比較

根據圖8可知，與?zcan方法相比，采用本文采用的方法提取到了更多的非地表目標細節(jié)信息。與ISPRS激光點云標準數據集不同，在野馬島的四個測試區(qū)域的激光點云數據集中，沒有標準參考地面標記點數據。為了估計生成的數字地勢模型的性能，實驗中采用了Skewness和Kurtosis進行性能評價。圖9表明，本文提出的方法獲得了較低的Skewness值和Kurtosis值，進一步說明了采用本文方法能夠檢測到更多的非地表目標。

圖9(a)和圖9(b)的直方圖分別描述了Skewness值和Kurtosis值。在圖9(a)中，對于四組測試樣本real_samp1,real_samp2,real_samp3,real_samp4，本文提出的方法獲得的Skewness值分別為2.6303,2.2056,3.1926,1.8916，采用?zcan方法[20]獲得的Skewness值分別為2.9041,2.5997,

3.417,2.3185。圖9(a)的實驗結果表明，通過對上述四組樣本測試數據結果比較，本文提出的方法獲得的Skewness值小于?zcan方法獲得的Skewness值。在圖9(b)直方圖中，本文方法獲得的上述四個樣本的Kurtosis值分別是 7.9187,5.8645,11.192，4.578，低于?zcan方法獲得的Kurtosis值，即9.4336,7.7582,12.6757，6.3757。中心極限定理指出，自然的測量樣本數據集通常符合正態(tài)分布。非地表的目標可能會干擾地表數據的正態(tài)分布。較低的Skewness值和Kurtosis數值表明數字地勢模型接近正態(tài)分布。因此，由Skewness數值及Kurtosis數值結果分析可知，與?zcan方法[20]相比，本文方法獲得了較為準確的數字地勢模型。

圖10展示了三維空中走廊的可視化空域劃分結果。由圖10(a)可知低空空域被分成三層區(qū)域，即頂層區(qū)、安全區(qū)、起降區(qū)。 根據公式(9)，采用數字地勢模型構建的頂層區(qū)如圖10(b)所示。根據公式(10)構建的安全區(qū)如圖10(c)所示。根據公式(11)，采用數字地表模型構建的起降層區(qū)域如圖10(d)所示。為了實現個人隱私保護，對于個人隱私保護區(qū)的邊緣檢測結果，采用地理水平坐標與數字地表模型中的位置進行匹配，然后映射到低空空域的各層空間，在空中走廊的路徑規(guī)劃中修正路徑節(jié)點，避免無人駕駛航空器系統(tǒng)飛行中通過個人隱私保護區(qū)?；趥€人隱私保護區(qū)的空中走廊路徑規(guī)劃如圖11所示。

在圖11中，節(jié)點A,B,C,D,E表示在低空空域中，無人駕駛航空器系統(tǒng)路徑中的關鍵節(jié)點。其中，節(jié)點A表示無人駕駛航空器系統(tǒng)的當前位置，節(jié)點E表示無人駕駛航空器系統(tǒng)的著陸點位置。如果路徑地圖的節(jié)點由A、B、D、E組成，則無人駕駛航空器系統(tǒng)將在低空空域飛行過程中通過個人隱私保護區(qū)，而該區(qū)域是禁止通行區(qū)域。因此，需要對路徑規(guī)劃的節(jié)點進行調整，避免無人駕駛航空器系統(tǒng)通過個人隱私保護區(qū)，即，對安全區(qū)和起降區(qū)的路徑地圖中的節(jié)點進行修正，修正后的節(jié)點為A,B,C,D,E。測試樣本real_samp1中的隱私保護區(qū)域檢測結果如圖12所示。

圖9 采用?zcan方法和本文方法獲得的Skewness數值和 Kurtosis 數值比較

圖10 空中走廊的空間劃分

圖11 適用于個人隱私保護的空中走廊路徑規(guī)劃效果

圖12 采用本文方法獲得的個人隱私保護區(qū)

圖12(a)是測試區(qū)域的參考遙感圖像。在樣本real_samp1的參考遙感圖像中，包含用紅色方塊表示的三塊隱私保護區(qū)。圖12(b)是本文方法的個人隱私保護區(qū)的邊緣檢測及邊界提取結果，對該邊界對應的地理位置信息坐標進行空間映射后，作為空中走廊的各層空間區(qū)域的限制區(qū)邊界線，從而實現個人隱私保護。

3 結束語

本文提出了一種基于激光掃描點云數據的空中走廊構建方法，用于確保低空空域安全，實現個人隱私保護。采用噪聲水平估計確定激光點云數據的噪聲分布區(qū)域，運用高斯濾波器實現局部區(qū)域的精準噪聲抑制。采用Kappa分數和總誤差率對固有模態(tài)函數的最大分解次數進行定量分析，結果表明當固有模態(tài)函數的最大分解次數為1次時，能夠獲得較好的數字地勢模型。采用基于經驗模型分解方法和形態(tài)學開運算完成對數字地勢模型的構建。對于ISPRS標準數據集，包括地表和非地表目標的參考值標記數據。因此，采用Kappa分數和總誤差率，評估在給定參考標記點數據時，采用本文方法的有效性。對于沒有參考標記點數據的真實激光點云測試數據集，采用Skewness數值和Kurtosis數值，評估生成的數字地勢模型的性能，結合衛(wèi)星遙感數據驗證非地表目標的真實性。遙感圖像解譯結果與本文提出的方法檢測到的非地表目標比對結果表明，本文方法能夠提高非地表目標檢測精度，提升數字地勢模型的構建質量。根據生成的數字地表模型和數字地勢模型，結合文中的空域分層公式，將低空空域劃分為頂層區(qū)，安全區(qū)和起降區(qū)。此外，將個人隱私保護區(qū)域與空域劃分相結合，通過地理信息坐標映射方式，在劃分的三層空間中設置個人隱私保護區(qū)，調整無人駕駛航空器系統(tǒng)的路徑規(guī)劃節(jié)點，避免無人駕駛航空器系統(tǒng)通過隱私保護區(qū)。最終，采用可視化技術實現了空中走廊的可視化構建。

然而，由于我國地形復雜，低空空域的飛行環(huán)境受地表波動、氣流以及地面建筑物的影響較大，同時也面臨許多臨時的商業(yè)活動或重大節(jié)日聚會等不確定社會因素的影響，與地面路面交通管理方式存在很大的不同。為了確保低空空域中空中走廊的實用性，在下一步的研究過程中，將以面向低空安全的三維數字化空中走廊體系的技術構架[27]為指導，結合空域的飛行環(huán)境和地面的人文及社會活動信息，深入研究空中走廊的動態(tài)更新機制，對空中走廊通道進行動態(tài)調整與更新，及時有效地進行飛行引導，使低空空域中的航空器嚴格按照空中走廊進行飛行，避免航空器進入空中走廊之外的限制區(qū)域，從而保證確保低空空域資源的高效、合理使用。

[1]InsaurraldeCC.Archietecturaldesignforintelligentautonomyinunmannedaircraft[J].ProceedsofDigitalAvionicsSystems,2015: 5C3-1-5C3-12.

[2]HuangW,DingW,LiuC.Multi-parametricprogrammingapproachfordatalinkofUASbasedonStateMachine[A].ProceedingsofIndustrialInformatics-ComputingTechnology,IntelligentTechnology,IndustrialInformationIntegration[C].2015:156-169.

[3]RoelofsenS,GilletD,MartinoliA.Reciprocalcollisionavoidanceforquadrotorsusingon-boardvisualdetection[A].ProceedingsofIntelligentRobotsandSystems[C]. 2015:4810-4817.

[4]SereewattanaM,RuchanurucksM,RakprayoonP,etal.Automaticlandingforfixed-wingUAVusingstereovisionwithasinglecameraandanorientationsensor:aconcept[A].ProceedingsofAdvancedIntelligentMechatronics[C].2015:29-34.

[5]SolerM,KamgarpourM,LioretJ,etal.Ahybridoptimalcontrolapproachtofuel-efficientaircraftconflictavoidance[A].IEEETransactionsonIntelligentTransportationSystems,2016,99:1-13.

[6]FengD,YuanX.Advancementofsecurityalarmaeronauticalchartvisualizationinlowaltitudeairspace[J].JournalofElectronicMeasurementandInstrumentation,2015,29(3): 305-315.

[7]SotiriouD,KopsaftopoulosF,FassoisS.Anadaptivetime-seriesprobabilisticframeworkfor4-Dtrajectoryconformancemonitoring[J].IEEETransactionsonIntelligentTransportationSystems,2016,99:1-11.

[8]ChougdaliS,RoudaneA,MansouriK,etal.Newmodelforaircraftlandingschedulingusingrealtimealgorithmsscheduling[A].ProceedingsofIntelligentSystemsandComputerVision[C]. 2015:1-7.

[9]KimY,JoJ,ShawM.AlightweightcommunicationarchitectureforsmallUAStrafficmanagement(SUTM)[A].ProceedingsofIntegratedCommunicationNavigation,andSurveillance,2015.

[10]FoinaAG,KrainerC,SenguptaR.Anunmannedaerialtrafficmanagementsolutionforcitiesusinganairparcelmodel[A].ProceedingofUnmannedAircraftSystems[C].2015:1235-1300.

[11]FengD,YuanX.Advancementofsafetycorridorandemergencymanagementvisualizationinlowaltitudeairspace[J].JournalofElectronicMeasurementandInstrumentation,2016,30(4):485-495.

[12]FadlullahZM,TakaishiD,NishiyamaH,etal.AdynamictrajectorycontrolalgorithmforimprovingthecommunicationthroughputanddelayinUAV-aidednetworks[J].IEEENetwork,2016,30(1):100-105.

[13]YuanX,SarmaV.AutomaticurbanwaterbodydetectionandsegmentationfromsparseALSMdataviaspatiallyconstrained,model-drivenclustering[J].IEEEGeoscienceandRemoteSensingLetters,2011,8(1): 75-77.

[14]YuanX,HuL,BucklesB,etal.AnadaptivemethodfortheconstructionofdigitalterrainmodelfromLidardata[A].ProceedingsofGeoscienceandRemoteSensingSymposium[C]. 2008:828-830.

[15]SarmaV,YuanX,HuL,etal.RoadextractionfromLiDARusinggeometricandelevationfeatures[A].Proceedingsofthe2ndInternationalConferenceonEarthObservationforGlobalChanges[C].2009:25-29.

[16]FengD,YuanX.AutomaticconstructionofaerialcorridorfornavigationofunmannedaircraftsystemsinclassGairspaceusingLiDAR[A].Proc.SPIE9828,AirborneIntelligence,Surveillance,Reconnaissance(ISR)SystemsandApplicationsXIII[C]. 2016.

[17]VossPB.Rethinkingtheregulatoryframeworkforsmallunmannedaircraft:thecaseforprotectingprivacyandpropertyrightsinthelowermostreachesoftheatmosphere[A].Proc.UnmannedAircraftSystems(ICUAS)[C]. 2013:173-178.

[18]KimY,JoJ,ShresthaS.Aserver-basedreal-timeprivacyprotectionschemeagainstvideosurveillancebyunmannedaerialsystems[A].Proc.UnmannedAircraftSystems(ICUAS)[C]. 2014:684-692.

[19]HuangNE,ShenZ,LongSR,etal.TheempiricalmodedecompositionandtheHilbertspectrumfornonlinearandnon-stationarytimeseriesanalysis[A].Proc.R.Soc.Lond.A[C]. 1998:903-995.

[20] ?zcanAH,ünsalanC.LiDARdatafilteringandDTMgenerationusingempiricalmodeDecomposition[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2016,1-12.

[21]BertalmioM,GuillermoS,CasellesV,etal.Imageinpainting[A].Proc.ComputerGraphicsandInteractiveTechniques[C].2000:417-424.

[22]VosselmanG.ISPRStestonextractingDEMsfrompointclouds:acomparisonofexistingautomaticfilters[EB/OL].http://www.itc.nl/isprswgiii-3/filtertest/index.html. 15Sep. 2006.

[23]NSF.Available:http://opentopo.sdsc.edu/gridsphere/gridsphere?cid=geonlidar[EB/OL].accessedonMay. 10,2016.

[24]LiuX,TanakaM,OkutomiM.Single-imagenoiselevelestimationforblinddenoising[J].IEEEtransactionsonImageProcessing,2013,22(12):5226-5238.

[25]ThomasJP,KeithCC,WilliamAM.AnimprovedsimplemorphologicalfilterfortheterrainclassificationofairborneLIDARdata[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2013,33:21-30.

[26]MongusD,LukacD,ZalikB.GroundandbuildingextractionfromLiDARdatabasedondifferentialmorphologicalprofilesandlocallyfittedsurfaces[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2014,93:145-156.

[27] 馮登超.面向低空安全三維數字化空中走廊體系的飛行器交通管理平臺構建[J].計算機測量與控制，2017，25(12): 137-140.