李 強，任宏旭，眭海剛，宋志娜

（1.湖北省基礎地理信息中心(湖北省北斗衛(wèi)星導航應用技術研究院)，湖北 武漢 430074；2.長江空間信息技術工程有限公司 ,湖北 武漢 430014；3.武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079；4.武漢大學遙感信息工程學院，湖北 武漢 430079）

基于三維特征的遙感影像震害房屋損毀評估

李 強1，任宏旭2，眭海剛3，宋志娜4*

（1.湖北省基礎地理信息中心(湖北省北斗衛(wèi)星導航應用技術研究院)，湖北 武漢 430074；2.長江空間信息技術工程有限公司 ,湖北 武漢 430014；3.武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079；4.武漢大學遙感信息工程學院，湖北 武漢 430079）

針對震害損毀房屋評估的實際需求，研究利用災前矢量輔助進行震害房屋多種三維損毀特征的提取，進一步基于三維損毀特征進行震害房屋評估分類。災前矢量的主要作用是分割出獨立的單體房屋，同時為震害房屋的損毀提取提供頂面輪廓和面積等先驗信息，避免以往點云分割的不確定性，提高損毀評估的準確度。利用提取出的多種損毀特征基于SVM的分類方法對震害房屋進行評估分類，驗證了針對震害房屋三維損毀特征損毀評估的適應性和可靠性。

三維特征；災前矢量；震害房屋；損毀評估

當前基于遙感的地震房屋損毀檢測主要包括基于地震前后遙感數據的變化檢測方法[1-7]和基于地震后遙感數據的損毀解譯[8,9]方法。基于變化檢測的房屋損毀檢測要求具備地震前后不用時相的遙感數據，充足的震前遙感數據對于其準確識別震害房屋損毀至關重要?；诘卣鸷筮b感數據的損毀解譯方法不依賴災前參考數據，適用于震前遙感數據缺乏的情況。由于受到圖像分割、分類和目標識別準確度的影響，目前需要大量人工干預，其可靠性和自動化程度有待提高。本文研究如何充分利用災前矢量和災后多視影像，就震害房屋的多種損毀特征的表達和提取，進一步對震害房屋進行分類識別，通過最終的分類精度分析驗證本文方法的可行性。

1 研究方法

應急救災評估情況下需要能夠快速精確地得到災區(qū)所有建筑物的損毀信息，尤其是單個房屋尺度上的三維損毀特征。本文利用災前房屋平面矢量輔助單體房屋點云的提取，避免了以往遙感數據難于單體化對象分割的難題，并基于多視傾斜影像，運用統(tǒng)計和建模等多種特征提取策略來實現對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上，利用現有的模式識別和分類方法對震害房屋做損毀評估分類。本文算法流程如圖1。

2 災前矢量輔助下的震害房屋三維損毀特征提取

2.1 災前矢量輔助下的單體房屋點云分割

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

圖1 基于三維特征的震害房屋損毀評估流程

災前矢量一般來源于遙感影像的矢量化，矢量化的過程是根據建筑物的邊緣進行的，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云包含有建筑物的立面數據，直接使用原始矢量對點云切割容易造成立面數據的丟失。另一方面，災后的建筑物點云損毀特征分析也需要有部分地面點作為參照。因此需要對原始建筑物矢量做外擴處理，一般將房屋平面圖對應的矢量外擴0．5 m，如圖2為建筑物的平面矢量、外擴矢量和分割后的建筑物點云。

圖2 災前矢量輔助下的建筑物點云分割

2.2 震害損毀特征描述

震害房屋自動分類的前提是損毀特征的定量描述，對震害房屋損毀特征的描述也是基于震后遙感數據損毀檢測的核心研究內容。Schweier和Markus根據激光點云所表達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]進行詳細描述。從房屋整體的構造分析，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、輪廓層次和結構層次進行描述。表面層次是基于完好房屋的表面存在大面積的平面構成，由此對應的是其房屋的高度、法向量和紋理等表面特征所表現出的規(guī)則性等特點。輪廓層次是基于完好屋頂為矩形的假設，通過提取房屋的邊緣，對輪廓邊緣進行特征分析。結構層次損毀特征是通過分析震害房屋頂面和立面的空間關系，由此所得到的房屋立體結構。本文震害房屋的表面和輪廓特征的主要提取方法是通過對散亂點云屬性統(tǒng)計，結構特征則通過構建不同的震害房屋局部或整體模型得到。

2.2.1 基于散亂點的統(tǒng)計損毀特征提取

建筑物屋頂的高度變化是地震造成損毀的主要特征之一，其中地震前后房屋高度的變化無疑是震害房屋損毀的重要損毀因子，一般情況下很少有災前的高度數據存在，因此需要在只有災后點云數據的情況下對建筑物損毀特征進行提取。通過對完好建筑物與損毀建筑物的平均高度和標準差統(tǒng)計先驗信息對房屋的損毀進行初步判定。

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

式中，N為頂面點的個數；roof_Zi為第i個頂面點的高程，ground_Zmin為地面點云的高程最小值。

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

式中，N為頂面點的個數；roof_Zi為第i個頂面點的高程，AH為頂面點云的平均高程值。

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

式中，n和m分別是統(tǒng)計平面特征提取中柵格網的長和寬，N代表經過頂面提取后的平面柵格內的總點數。由公式可知，當震害房屋的頂面點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。多視影像通過密集匹配得到的點云包含有法向量特征，某一點的法向量代表了該點處的局部平面特性。法向量的表示方式為為了便于分析將其轉換為與天頂方向的夾角Dip，其計算公式如下：

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

2）頂面法向量統(tǒng)計值。理論上完好平頂房屋的頂面法向量與天頂方向的夾角應接近0，現實的房屋頂面會存在多種形態(tài)，另外有些建筑物的頂面還可能有各種附著物的存在，因此只對平頂房做統(tǒng)計分析，其統(tǒng)計結果只作為損毀評估的參考因子之一。這里選擇頂面法向量的平均值和標準差。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，其標準差值明顯比完好房屋的大的多。

3）紋理。經過柵格化投影的點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的不同分布和排列方式表現為圖像的紋理信息。紋理作為影像的重要信息和載體，可以用于對災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）通過對量化等級后的影像求灰度級之間二階聯合條件概率密度來表示影像的紋理。對GLCM統(tǒng)計分析可以得到多種統(tǒng)計結果，主要包括均值(ME)、方差(VA)、對比度(CON)、熵(ENT)、均質度(HOM)、相異度(DI)、相關性(COR)、角二階矩(ASM)等，這些統(tǒng)計都反映了圖像的紋理特征。

2.2 基于建模的結構損毀特征提取

地震不僅會造成房屋表面點云的高度、法向量和紋理的改變，同時也會對房屋的坡度、體積和表面積等結構特征造成影響。本文通過構建整體或局部的表面模型，分別計算建震害房屋不同的結構特征。

1）坡度。當震害房屋發(fā)生整體的傾斜時，其頂面和側面依然能保持較好的平面特征，此時可以從頂面和側面的坡度中提取震害特征。針對建筑物點云的坡度提取方法可以分為兩種模式：基于鄰近點傾角的統(tǒng)計方式和基于平面擬合的建模方式。兩種方法都需要對建筑物的頂面和側面做不同程度的分割，在表面構造復雜的情況下，基于鄰近點傾角統(tǒng)計的方法難以保證坡度值提取的準確性。基于平面擬合的建模方法更符合真實場景中的平面特性，因此本文采用后者進行震害房屋的坡度特征提取。

本文采用隨機抽樣一致性算法（RANdomSample Consensus，RANSAC）[12]估計平面模型。對于含有n個點的給定點集S，設任一點到平面模型的距離閾值為Tdis，處于同一平面的點的個數最大值為Nsupport，從N個點中找到至少一個觀測值的最小概率α，迭代終止條件Tnum，則RANSAC算法存在以下關系：

本文采用RANSAC算法對單體房屋作整體平面提取，同時將檢測出的最佳平面所包含的點從原始點云中分割，接著對剩下的點繼續(xù)提取平面，直到剩余點數或檢測出的最佳平面點數小于閾值Tnum則完成迭代過程。由于提取出的平面不僅包含震害房屋的頂面和側面，同時也可能會包含有一些零散的平面，因此可以根據面積閾值或者通過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，根據其面積賦予不同的權值，最終得到房屋整體的坡度特征值。

對于完好房屋，目標平面經面積篩選后得到的平面即為頂面或側面，但頂面和側面根據面積無法直接區(qū)分開來，這里可以通過平面法向量的范圍對其進行區(qū)別。假設經平面篩選后有n個平面，Si和Di(0°≤Di≤90°)分別為第 i個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構特征，然而單獨的體積并不能夠對房屋的損毀狀況作出評估，因為體積是有房屋的占地面積和高程來決定的。這里房屋的占地面積可以通過災前房屋矢量得到，此時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為格網個數；hi分為第i個格網對應的高程值；sg對應規(guī)則格網的格網面積，Sv對應災前矢量的范圍面積。

2）面積。多視影像密集匹配得到的點云包含有房屋的頂面和側面數據，可以用于構建震害房屋精確的表面模型。本節(jié)研究通過構建較為精確的三角格網，計算震害房屋表面模型的表面積。同體積一樣，單獨的表面積無法精確反映出房屋的結構損毀特征。在災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，其表達式如下：

式中，n為三角面片的個數；Si為第i個三角面片的面積；Sv為矢量范圍面積，Lv為矢量長度。

2.3 基于三維特征的震害房屋損毀分類

本文中的震害房屋損毀評估的主要內容分為兩部分：損毀特征提取和損毀房屋分類，分別對應于模式識別中的特征提取和分類。完整的模式識別主要包括：樣本數據采集、特征提取與選擇、模型選擇、分類器訓練和評價。為在大范圍遙感影像準確進行房屋損毀分類，本文通過實際經驗選取出部分典型樣本進行表面、輪廓以及結構特征的提取，并采用SVM訓練得到分類器函數，最終得到損毀分類結果。SVM模型訓練和預測都是通過現有的方法實現（libSVM[13]）。

3 實驗與分析

為了驗證本文提出的損毀評估方法的有效性，分類實驗的數據來源于汶川地震遺址北川老縣城區(qū)獲得的2014年高分影像、無人機傾斜影像和地面近景照片。三維點云數據由傾斜影像通過PMVS密集匹配方式獲得，并通過模擬災前房屋矢量提取了部分震害房屋單體點云數據。圖4～5和圖4～6分別是經預處理后的災區(qū)點云數據和使用矢量提取出的單體房屋點云。

圖3 預處理后的災區(qū)點云

圖4 提取后的單體震害房屋

本文總共選取了50個震害房屋作為實驗區(qū)，通過選取17個基本完好房屋、8個傾斜房屋、10個完全倒塌房屋作為訓練樣本，提取其各自的統(tǒng)計損毀特征和結構損毀特征，并進行訓練和SVM分類，將13個特征所構成的向量作為特征向量，在Matlab上以使用LIBSVM庫進行支持向量機分類，人工解譯提取出的50個震害房屋點云樣本結合影像數據作為真值。LIBSVM分類結果如圖5所示。

圖5 人工目視解譯結果

圖6 支持向量機（SVM）分類結果

損毀建筑物經SVM分類之后，需要對分類結果進行精度評估，本文構建混淆矩陣并計算用戶精度、生產者精度、全局精度和全局Kappa，實現對本文方法對震害房屋的損毀評估精度評估。

表1列出了精度評估的混淆矩陣及其各個精度值。根據本文所提取的實驗數據，總共50個震害房屋，其中人工解譯的分類真值分別為22個基本完好房屋、13個傾斜房屋和15個完全倒塌房屋。使用本文方法的評估結果為19個基本完好房屋、11個傾斜房屋和14個完全倒塌房屋。震害房屋損毀評估的全局精度即準確度為88．00%，全局Kappa值為81．56%。從表中可以看出測試數據的Kappa值和全局精度均達到了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方法的可行性，另一方面也體現了SVM分類器分類效果的穩(wěn)健性。

表1 損毀分類精度評價

4 結 語

結合當前震害損毀評估的實際情況，使用災前矢量提取單體房屋點云，避免了以往點云分割的準確度不足的問題。同時災前矢量也可以作為先驗信息，用于災后損毀特征提取。本文嘗試利用多視影像點云對震害房屋點云做損毀提取和評估，研究了多種損毀特征的提取方法，并利用SVM分類對震害房屋做評估分類，驗證了三維特征對損毀評估的有效性。但是本文直接利用多視影像經PMVS密集匹配后的點云作為數據源，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據或特征的融合也是未來的研究方向。

[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技術的快速震害評估方法[J]．災害學,2002,17(3):26-29

[3] 苗崇剛．地震災害損失評估[J]．自然災害學報, 2000,9(1):105-108

[4] 李成帥,楊建思,田寶峰,等．四川蘆山7．0級地震直接經濟損失快速評估[J]．自然災害學報, 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查與評估[J]． 遙感學報, 2008, 12(5):673-682[6] 李德仁,肖雄武,郭丙軒,等． 傾斜影像自動空三及其在城市真三維模型重建中的應用[J]． 武漢大學學報(信息科學版),2016, 41(6):711-721

[7] 龔麗霞, 李強, 張景發(fā),等． 面向對象的房屋震害變化檢測方法[J]．地震, 2013, 33(2):109-114

[8] 何美章,朱慶,杜志強,等． 從災后機載激光點云自動檢測損毀房屋的等高線簇分析方法[J]．測繪學報,2015,44(4):407-413

[9] 林月冠． 傾斜攝影技術在災后建筑物損毀評估中的應用分析[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, 熊風光． 基于RANSAC和TLS的點云平面擬合[J]．計算機工程與設計, 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，主要研究方向為智慧城市、北斗導航、時空信息服務等方面。