李 強(qiáng)，任宏旭，眭海剛，宋志娜

（1.湖北省基礎(chǔ)地理信息中心(湖北省北斗衛(wèi)星導(dǎo)航應(yīng)用技術(shù)研究院)，湖北 武漢 430074；2.長(zhǎng)江空間信息技術(shù)工程有限公司 ,湖北 武漢 430014；3.武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079；4.武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079）

基于三維特征的遙感影像震害房屋損毀評(píng)估

李 強(qiáng)1，任宏旭2，眭海剛3，宋志娜4*

（1.湖北省基礎(chǔ)地理信息中心(湖北省北斗衛(wèi)星導(dǎo)航應(yīng)用技術(shù)研究院)，湖北 武漢 430074；2.長(zhǎng)江空間信息技術(shù)工程有限公司 ,湖北 武漢 430014；3.武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079；4.武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079）

針對(duì)震害損毀房屋評(píng)估的實(shí)際需求，研究利用災(zāi)前矢量輔助進(jìn)行震害房屋多種三維損毀特征的提取，進(jìn)一步基于三維損毀特征進(jìn)行震害房屋評(píng)估分類(lèi)。災(zāi)前矢量的主要作用是分割出獨(dú)立的單體房屋，同時(shí)為震害房屋的損毀提取提供頂面輪廓和面積等先驗(yàn)信息，避免以往點(diǎn)云分割的不確定性，提高損毀評(píng)估的準(zhǔn)確度。利用提取出的多種損毀特征基于SVM的分類(lèi)方法對(duì)震害房屋進(jìn)行評(píng)估分類(lèi)，驗(yàn)證了針對(duì)震害房屋三維損毀特征損毀評(píng)估的適應(yīng)性和可靠性。

三維特征；災(zāi)前矢量；震害房屋；損毀評(píng)估

當(dāng)前基于遙感的地震房屋損毀檢測(cè)主要包括基于地震前后遙感數(shù)據(jù)的變化檢測(cè)方法[1-7]和基于地震后遙感數(shù)據(jù)的損毀解譯[8,9]方法?；谧兓瘷z測(cè)的房屋損毀檢測(cè)要求具備地震前后不用時(shí)相的遙感數(shù)據(jù)，充足的震前遙感數(shù)據(jù)對(duì)于其準(zhǔn)確識(shí)別震害房屋損毀至關(guān)重要?；诘卣鸷筮b感數(shù)據(jù)的損毀解譯方法不依賴(lài)災(zāi)前參考數(shù)據(jù)，適用于震前遙感數(shù)據(jù)缺乏的情況。由于受到圖像分割、分類(lèi)和目標(biāo)識(shí)別準(zhǔn)確度的影響，目前需要大量人工干預(yù)，其可靠性和自動(dòng)化程度有待提高。本文研究如何充分利用災(zāi)前矢量和災(zāi)后多視影像，就震害房屋的多種損毀特征的表達(dá)和提取，進(jìn)一步對(duì)震害房屋進(jìn)行分類(lèi)識(shí)別，通過(guò)最終的分類(lèi)精度分析驗(yàn)證本文方法的可行性。

1 研究方法

應(yīng)急救災(zāi)評(píng)估情況下需要能夠快速精確地得到災(zāi)區(qū)所有建筑物的損毀信息，尤其是單個(gè)房屋尺度上的三維損毀特征。本文利用災(zāi)前房屋平面矢量輔助單體房屋點(diǎn)云的提取，避免了以往遙感數(shù)據(jù)難于單體化對(duì)象分割的難題，并基于多視傾斜影像，運(yùn)用統(tǒng)計(jì)和建模等多種特征提取策略來(lái)實(shí)現(xiàn)對(duì)震害房屋的全面特征提取。在提取出震害房屋三維損毀特征的基礎(chǔ)上，利用現(xiàn)有的模式識(shí)別和分類(lèi)方法對(duì)震害房屋做損毀評(píng)估分類(lèi)。本文算法流程如圖1。

2 災(zāi)前矢量輔助下的震害房屋三維損毀特征提取

2.1 災(zāi)前矢量輔助下的單體房屋點(diǎn)云分割

多視影像密集匹配的點(diǎn)云包含地面、道路、數(shù)目和房屋等地物目標(biāo)，而精確的震害房屋損毀提取要求對(duì)單個(gè)房屋進(jìn)行處理分析，如何有效地將單體房屋點(diǎn)云分割是震害房屋損毀提取的前提。在目前實(shí)際應(yīng)用的城市三維建模領(lǐng)域，建筑物點(diǎn)云的單體化方法最為成熟的是使用平面矢量對(duì)建筑物作疊加或切割。本文的重點(diǎn)在于對(duì)單個(gè)房屋點(diǎn)云的處理分析，因此在采用PMVS密集匹配[10]方法得到地震災(zāi)區(qū)房屋點(diǎn)云后，采用災(zāi)前矢量對(duì)其作分割。

圖1 基于三維特征的震害房屋損毀評(píng)估流程

災(zāi)前矢量一般來(lái)源于遙感影像的矢量化，矢量化的過(guò)程是根據(jù)建筑物的邊緣進(jìn)行的，建筑物矢量基本與其邊緣重合。多視影像密集匹配得到的點(diǎn)云包含有建筑物的立面數(shù)據(jù)，直接使用原始矢量對(duì)點(diǎn)云切割容易造成立面數(shù)據(jù)的丟失。另一方面，災(zāi)后的建筑物點(diǎn)云損毀特征分析也需要有部分地面點(diǎn)作為參照。因此需要對(duì)原始建筑物矢量做外擴(kuò)處理，一般將房屋平面圖對(duì)應(yīng)的矢量外擴(kuò)0．5 m，如圖2為建筑物的平面矢量、外擴(kuò)矢量和分割后的建筑物點(diǎn)云。

圖2 災(zāi)前矢量輔助下的建筑物點(diǎn)云分割

2.2 震害損毀特征描述

震害房屋自動(dòng)分類(lèi)的前提是損毀特征的定量描述，對(duì)震害房屋損毀特征的描述也是基于震后遙感數(shù)據(jù)損毀檢測(cè)的核心研究?jī)?nèi)容。Schweier和Markus根據(jù)激光點(diǎn)云所表達(dá)出的震害房屋體積減小、高程降低、坡度坡向改變、廢墟尺寸和輪廓變化等損毀特征[11]進(jìn)行詳細(xì)描述。從房屋整體的構(gòu)造分析，震害房屋的損毀特征主要分為立面損毀和頂面損毀，兩者可以從表面層次、輪廓層次和結(jié)構(gòu)層次進(jìn)行描述。表面層次是基于完好房屋的表面存在大面積的平面構(gòu)成，由此對(duì)應(yīng)的是其房屋的高度、法向量和紋理等表面特征所表現(xiàn)出的規(guī)則性等特點(diǎn)。輪廓層次是基于完好屋頂為矩形的假設(shè)，通過(guò)提取房屋的邊緣，對(duì)輪廓邊緣進(jìn)行特征分析。結(jié)構(gòu)層次損毀特征是通過(guò)分析震害房屋頂面和立面的空間關(guān)系，由此所得到的房屋立體結(jié)構(gòu)。本文震害房屋的表面和輪廓特征的主要提取方法是通過(guò)對(duì)散亂點(diǎn)云屬性統(tǒng)計(jì)，結(jié)構(gòu)特征則通過(guò)構(gòu)建不同的震害房屋局部或整體模型得到。

2.2.1 基于散亂點(diǎn)的統(tǒng)計(jì)損毀特征提取

建筑物屋頂?shù)母叨茸兓堑卣鹪斐蓳p毀的主要特征之一，其中地震前后房屋高度的變化無(wú)疑是震害房屋損毀的重要損毀因子，一般情況下很少有災(zāi)前的高度數(shù)據(jù)存在，因此需要在只有災(zāi)后點(diǎn)云數(shù)據(jù)的情況下對(duì)建筑物損毀特征進(jìn)行提取。通過(guò)對(duì)完好建筑物與損毀建筑物的平均高度和標(biāo)準(zhǔn)差統(tǒng)計(jì)先驗(yàn)信息對(duì)房屋的損毀進(jìn)行初步判定。

平均高度（Average Height，AH），一般的建筑物（包括居民房屋、辦公建筑和工礦廠(chǎng)房等）的高度都不會(huì)小于3～4 m，當(dāng)震害房屋發(fā)生嚴(yán)重的坍塌倒損時(shí)，其高度值會(huì)顯著低于這一閾值，因此建筑物的平均高度可以視為一個(gè)震害房屋初步判定的損毀因子。

式中，N為頂面點(diǎn)的個(gè)數(shù)；roof_Zi為第i個(gè)頂面點(diǎn)的高程，ground_Zmin為地面點(diǎn)云的高程最小值。

高 度 值 標(biāo) 準(zhǔn) 差（Standard Deviation of Height，SDH），正常的房屋頂面相鄰點(diǎn)云之間高度較為一致，而震害房屋的頂面點(diǎn)云則表現(xiàn)出較大的差異性。其公式如下：

式中，N為頂面點(diǎn)的個(gè)數(shù)；roof_Zi為第i個(gè)頂面點(diǎn)的高程，AH為頂面點(diǎn)云的平均高程值。

1）緊致度。在有災(zāi)前矢量存在的前提下，房屋頂面的平面面積可以認(rèn)為是已知的，而經(jīng)過(guò)多個(gè)濾波器去除側(cè)面后的柵格化的點(diǎn)云也反映了災(zāi)后房屋頂面積信息。這里采用緊致度（Compactness，COM）這一參數(shù)描述震害房屋的這一特征：

式中，n和m分別是統(tǒng)計(jì)平面特征提取中柵格網(wǎng)的長(zhǎng)和寬，N代表經(jīng)過(guò)頂面提取后的平面柵格內(nèi)的總點(diǎn)數(shù)。由公式可知，當(dāng)震害房屋的頂面點(diǎn)云越少則緊致度越小，反之頂面越完整緊致度越接近于1。

2）法向量。多視影像通過(guò)密集匹配得到的點(diǎn)云包含有法向量特征，某一點(diǎn)的法向量代表了該點(diǎn)處的局部平面特性。法向量的表示方式為為了便于分析將其轉(zhuǎn)換為與天頂方向的夾角Dip，其計(jì)算公式如下：

1）立面點(diǎn)云占比。在精確配準(zhǔn)的情況下，完好房屋立面的Dip值應(yīng)接近于90°，而傾斜房屋和完全倒塌的房屋則很少存在完好的立面，因此立面點(diǎn)云在整個(gè)單體房屋點(diǎn)云的占比可以視為一個(gè)房屋損毀的特征因子。通過(guò)計(jì)算夾角Dip的分布來(lái)估算單體房屋點(diǎn)云中立面點(diǎn)云的包含比例，假設(shè)立面點(diǎn)云的法向量夾角Dip值范圍為 [80,90]，記 PF（Percentage of Facade）為 [80,90]范圍內(nèi)點(diǎn)云的比例，在傾斜和完全倒塌的情況下其PF值則會(huì)遠(yuǎn)低于正常值。

2）頂面法向量統(tǒng)計(jì)值。理論上完好平頂房屋的頂面法向量與天頂方向的夾角應(yīng)接近0，現(xiàn)實(shí)的房屋頂面會(huì)存在多種形態(tài)，另外有些建筑物的頂面還可能有各種附著物的存在，因此只對(duì)平頂房做統(tǒng)計(jì)分析，其統(tǒng)計(jì)結(jié)果只作為損毀評(píng)估的參考因子之一。這里選擇頂面法向量的平均值和標(biāo)準(zhǔn)差。傾斜房屋和完全倒塌房屋的頂面法向量夾角平均值明顯大于完好房屋的頂面法向量夾角，而完全倒塌房屋由于頂面的表面特性被破壞，其標(biāo)準(zhǔn)差值明顯比完好房屋的大的多。

3）紋理。經(jīng)過(guò)柵格化投影的點(diǎn)云可以視為包含多種屬性特征的二維圖像，其屬性在研究范圍內(nèi)的不同分布和排列方式表現(xiàn)為圖像的紋理信息。紋理作為影像的重要信息和載體，可以用于對(duì)災(zāi)后房屋的損毀信息做特征提取。圖像紋理的分析方法主要有灰度共生矩陣（Gray Level Co-occurrence Matrix，GLCM）通過(guò)對(duì)量化等級(jí)后的影像求灰度級(jí)之間二階聯(lián)合條件概率密度來(lái)表示影像的紋理。對(duì)GLCM統(tǒng)計(jì)分析可以得到多種統(tǒng)計(jì)結(jié)果，主要包括均值(ME)、方差(VA)、對(duì)比度(CON)、熵(ENT)、均質(zhì)度(HOM)、相異度(DI)、相關(guān)性(COR)、角二階矩(ASM)等，這些統(tǒng)計(jì)都反映了圖像的紋理特征。

2.2 基于建模的結(jié)構(gòu)損毀特征提取

地震不僅會(huì)造成房屋表面點(diǎn)云的高度、法向量和紋理的改變，同時(shí)也會(huì)對(duì)房屋的坡度、體積和表面積等結(jié)構(gòu)特征造成影響。本文通過(guò)構(gòu)建整體或局部的表面模型，分別計(jì)算建震害房屋不同的結(jié)構(gòu)特征。

1）坡度。當(dāng)震害房屋發(fā)生整體的傾斜時(shí)，其頂面和側(cè)面依然能保持較好的平面特征，此時(shí)可以從頂面和側(cè)面的坡度中提取震害特征。針對(duì)建筑物點(diǎn)云的坡度提取方法可以分為兩種模式：基于鄰近點(diǎn)傾角的統(tǒng)計(jì)方式和基于平面擬合的建模方式。兩種方法都需要對(duì)建筑物的頂面和側(cè)面做不同程度的分割，在表面構(gòu)造復(fù)雜的情況下，基于鄰近點(diǎn)傾角統(tǒng)計(jì)的方法難以保證坡度值提取的準(zhǔn)確性?；谄矫鏀M合的建模方法更符合真實(shí)場(chǎng)景中的平面特性，因此本文采用后者進(jìn)行震害房屋的坡度特征提取。

本文采用隨機(jī)抽樣一致性算法（RANdomSample Consensus，RANSAC）[12]估計(jì)平面模型。對(duì)于含有n個(gè)點(diǎn)的給定點(diǎn)集S，設(shè)任一點(diǎn)到平面模型的距離閾值為T(mén)dis，處于同一平面的點(diǎn)的個(gè)數(shù)最大值為Nsupport，從N個(gè)點(diǎn)中找到至少一個(gè)觀(guān)測(cè)值的最小概率α，迭代終止條件Tnum，則RANSAC算法存在以下關(guān)系：

本文采用RANSAC算法對(duì)單體房屋作整體平面提取，同時(shí)將檢測(cè)出的最佳平面所包含的點(diǎn)從原始點(diǎn)云中分割，接著對(duì)剩下的點(diǎn)繼續(xù)提取平面，直到剩余點(diǎn)數(shù)或檢測(cè)出的最佳平面點(diǎn)數(shù)小于閾值Tnum則完成迭代過(guò)程。由于提取出的平面不僅包含震害房屋的頂面和側(cè)面，同時(shí)也可能會(huì)包含有一些零散的平面，因此可以根據(jù)面積閾值或者通過(guò)排序篩選出部分平面。這些平面都視為震害房屋的表面特征，根據(jù)其面積賦予不同的權(quán)值，最終得到房屋整體的坡度特征值。

對(duì)于完好房屋，目標(biāo)平面經(jīng)面積篩選后得到的平面即為頂面或側(cè)面，但頂面和側(cè)面根據(jù)面積無(wú)法直接區(qū)分開(kāi)來(lái)，這里可以通過(guò)平面法向量的范圍對(duì)其進(jìn)行區(qū)別。假設(shè)經(jīng)平面篩選后有n個(gè)平面，Si和Di(0°≤Di≤90°)分別為第 i個(gè)平面的面積和法向量，則坡度特征值（Slope）定義如下：

其中θi和Si的取值如下所示：

1）體積。體積變化是震害房屋損毀的重要結(jié)構(gòu)特征，然而單獨(dú)的體積并不能夠?qū)Ψ课莸膿p毀狀況作出評(píng)估，因?yàn)轶w積是有房屋的占地面積和高程來(lái)決定的。這里房屋的占地面積可以通過(guò)災(zāi)前房屋矢量得到，此時(shí)房屋體積和占地面積的比值VF（VolumeFactor）就可以間接反映出房屋的損毀狀況：

式中，n為格網(wǎng)個(gè)數(shù)；hi分為第i個(gè)格網(wǎng)對(duì)應(yīng)的高程值；sg對(duì)應(yīng)規(guī)則格網(wǎng)的格網(wǎng)面積，Sv對(duì)應(yīng)災(zāi)前矢量的范圍面積。

2）面積。多視影像密集匹配得到的點(diǎn)云包含有房屋的頂面和側(cè)面數(shù)據(jù)，可以用于構(gòu)建震害房屋精確的表面模型。本節(jié)研究通過(guò)構(gòu)建較為精確的三角格網(wǎng)，計(jì)算震害房屋表面模型的表面積。同體積一樣，單獨(dú)的表面積無(wú)法精確反映出房屋的結(jié)構(gòu)損毀特征。在災(zāi)前矢量已知的情況下，將建筑物近似的視為一種柱體，則可以由表面積和災(zāi)前矢量的范圍面積間接地反映出房屋的高度信息，這里定義房屋的面積損毀因子AF（AreaFactor）作，其表達(dá)式如下：

式中，n為三角面片的個(gè)數(shù)；Si為第i個(gè)三角面片的面積；Sv為矢量范圍面積，Lv為矢量長(zhǎng)度。

2.3 基于三維特征的震害房屋損毀分類(lèi)

本文中的震害房屋損毀評(píng)估的主要內(nèi)容分為兩部分：損毀特征提取和損毀房屋分類(lèi)，分別對(duì)應(yīng)于模式識(shí)別中的特征提取和分類(lèi)。完整的模式識(shí)別主要包括：樣本數(shù)據(jù)采集、特征提取與選擇、模型選擇、分類(lèi)器訓(xùn)練和評(píng)價(jià)。為在大范圍遙感影像準(zhǔn)確進(jìn)行房屋損毀分類(lèi)，本文通過(guò)實(shí)際經(jīng)驗(yàn)選取出部分典型樣本進(jìn)行表面、輪廓以及結(jié)構(gòu)特征的提取，并采用SVM訓(xùn)練得到分類(lèi)器函數(shù)，最終得到損毀分類(lèi)結(jié)果。SVM模型訓(xùn)練和預(yù)測(cè)都是通過(guò)現(xiàn)有的方法實(shí)現(xiàn)（libSVM[13]）。

3 實(shí)驗(yàn)與分析

為了驗(yàn)證本文提出的損毀評(píng)估方法的有效性，分類(lèi)實(shí)驗(yàn)的數(shù)據(jù)來(lái)源于汶川地震遺址北川老縣城區(qū)獲得的2014年高分影像、無(wú)人機(jī)傾斜影像和地面近景照片。三維點(diǎn)云數(shù)據(jù)由傾斜影像通過(guò)PMVS密集匹配方式獲得，并通過(guò)模擬災(zāi)前房屋矢量提取了部分震害房屋單體點(diǎn)云數(shù)據(jù)。圖4～5和圖4～6分別是經(jīng)預(yù)處理后的災(zāi)區(qū)點(diǎn)云數(shù)據(jù)和使用矢量提取出的單體房屋點(diǎn)云。

圖3 預(yù)處理后的災(zāi)區(qū)點(diǎn)云

圖4 提取后的單體震害房屋

本文總共選取了50個(gè)震害房屋作為實(shí)驗(yàn)區(qū)，通過(guò)選取17個(gè)基本完好房屋、8個(gè)傾斜房屋、10個(gè)完全倒塌房屋作為訓(xùn)練樣本，提取其各自的統(tǒng)計(jì)損毀特征和結(jié)構(gòu)損毀特征，并進(jìn)行訓(xùn)練和SVM分類(lèi)，將13個(gè)特征所構(gòu)成的向量作為特征向量，在Matlab上以使用LIBSVM庫(kù)進(jìn)行支持向量機(jī)分類(lèi)，人工解譯提取出的50個(gè)震害房屋點(diǎn)云樣本結(jié)合影像數(shù)據(jù)作為真值。LIBSVM分類(lèi)結(jié)果如圖5所示。

圖5 人工目視解譯結(jié)果

圖6 支持向量機(jī)（SVM）分類(lèi)結(jié)果

損毀建筑物經(jīng)SVM分類(lèi)之后，需要對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)估，本文構(gòu)建混淆矩陣并計(jì)算用戶(hù)精度、生產(chǎn)者精度、全局精度和全局Kappa，實(shí)現(xiàn)對(duì)本文方法對(duì)震害房屋的損毀評(píng)估精度評(píng)估。

表1列出了精度評(píng)估的混淆矩陣及其各個(gè)精度值。根據(jù)本文所提取的實(shí)驗(yàn)數(shù)據(jù)，總共50個(gè)震害房屋，其中人工解譯的分類(lèi)真值分別為22個(gè)基本完好房屋、13個(gè)傾斜房屋和15個(gè)完全倒塌房屋。使用本文方法的評(píng)估結(jié)果為19個(gè)基本完好房屋、11個(gè)傾斜房屋和14個(gè)完全倒塌房屋。震害房屋損毀評(píng)估的全局精度即準(zhǔn)確度為88．00%，全局Kappa值為81．56%。從表中可以看出測(cè)試數(shù)據(jù)的Kappa值和全局精度均達(dá)到了0．7以上，一方面表明了基于三維損毀特征的震害房屋損毀分類(lèi)方法的可行性，另一方面也體現(xiàn)了SVM分類(lèi)器分類(lèi)效果的穩(wěn)健性。

表1 損毀分類(lèi)精度評(píng)價(jià)

4 結(jié) 語(yǔ)

結(jié)合當(dāng)前震害損毀評(píng)估的實(shí)際情況，使用災(zāi)前矢量提取單體房屋點(diǎn)云，避免了以往點(diǎn)云分割的準(zhǔn)確度不足的問(wèn)題。同時(shí)災(zāi)前矢量也可以作為先驗(yàn)信息，用于災(zāi)后損毀特征提取。本文嘗試?yán)枚嘁曈跋顸c(diǎn)云對(duì)震害房屋點(diǎn)云做損毀提取和評(píng)估，研究了多種損毀特征的提取方法，并利用SVM分類(lèi)對(duì)震害房屋做評(píng)估分類(lèi)，驗(yàn)證了三維特征對(duì)損毀評(píng)估的有效性。但是本文直接利用多視影像經(jīng)PMVS密集匹配后的點(diǎn)云作為數(shù)據(jù)源，未考慮多視影像本身所包含的豐富信息。多視影像損毀特征的提取和多源數(shù)據(jù)或特征的融合也是未來(lái)的研究方向。

[1] Lu H, Kohiyama M, Horie K, et al． Building Damage and Casualties after an Earthquake[J]． Natural Hazards, 2003,29(3):387-403

[2] 劉欣, 謝慶勝． 基于GIS技術(shù)的快速震害評(píng)估方法[J]．災(zāi)害學(xué),2002,17(3):26-29

[3] 苗崇剛．地震災(zāi)害損失評(píng)估[J]．自然災(zāi)害學(xué)報(bào), 2000,9(1):105-108

[4] 李成帥,楊建思,田寶峰,等．四川蘆山7．0級(jí)地震直接經(jīng)濟(jì)損失快速評(píng)估[J]．自然災(zāi)害學(xué)報(bào), 2013(3):9-17

[5] 魏成階,劉亞嵐, 王世新,等． 四川汶川大地震震害遙感調(diào)查與評(píng)估[J]． 遙感學(xué)報(bào), 2008, 12(5):673-682[6] 李德仁,肖雄武,郭丙軒,等． 傾斜影像自動(dòng)空三及其在城市真三維模型重建中的應(yīng)用[J]． 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2016, 41(6):711-721

[7] 龔麗霞, 李強(qiáng), 張景發(fā),等． 面向?qū)ο蟮姆课菡鸷ψ兓瘷z測(cè)方法[J]．地震, 2013, 33(2):109-114

[8] 何美章,朱慶,杜志強(qiáng),等． 從災(zāi)后機(jī)載激光點(diǎn)云自動(dòng)檢測(cè)損毀房屋的等高線(xiàn)簇分析方法[J]．測(cè)繪學(xué)報(bào),2015,44(4):407-413

[9] 林月冠． 傾斜攝影技術(shù)在災(zāi)后建筑物損毀評(píng)估中的應(yīng)用分析[J]．地理信息世界, 2016, 23(1):108-114

[10] Schweier C, Markus M． Classification of Collapsed Buildings for Fast Damage and Loss Assessment[J]． Bulletin of Earthquake Engineering, 2006, 4(2):177-192

[11] Furukawa Y, Ponce J． Accurate, Dense, and Robust Multi-View Stereopsis[C] ．IEEE Computer Society Conference on Computer Vision and Pattern Recognition． DBLP, 2007:1-8

[12] 李希, 韓燮, 熊風(fēng)光． 基于RANSAC和TLS的點(diǎn)云平面擬合[J]．計(jì)算機(jī)工程與設(shè)計(jì), 2017, 38(1):123-126

[13] Samadzadegan F, Bigdeli B, Ramzi P． A Multiple Classifier System for Classification of LIDAR Remote Sensing Data Using Multi-class SVM[C] ． Multiple Classifier Systems, International Workshop, Mcs 2010, Cairo, Egypt, April 7-9, 2010．Proceedings，DBLP, 2010:254-263

P208

B

1672-4623（2017）10-0063-04

10.3969/j.issn.1672-4623.2017.10.020

2017-06-30。（*為通訊作者）

李強(qiáng)，主要研究方向?yàn)橹腔鄢鞘?、北斗?dǎo)航、時(shí)空信息服務(wù)等方面。