張 瑩，郭紅梅，尹文剛，趙 真，魯長(zhǎng)江，肖本夫

(1.四川省地震局，四川 成都 610041；2.武警警官學(xué)院，四川 成都 610213)

在獲取建筑物震害信息時(shí)，現(xiàn)場(chǎng)調(diào)查需統(tǒng)籌大量人力物力，且獲取信息的周期長(zhǎng)、效率低，還面臨因地形等自然環(huán)境因素或交通、通訊中斷等災(zāi)情因素導(dǎo)致難以開展的局限性[1]。為此，探索基于遙感等技術(shù)的震害信息獲取成為了研究熱點(diǎn)，其中，無(wú)人機(jī)遙感系統(tǒng)除具備機(jī)動(dòng)靈活、快速高效等優(yōu)點(diǎn)外，其采集的高分辨率影像作為圖像信息，能更加直觀地反映災(zāi)區(qū)實(shí)際受災(zāi)情況，已成為一種既方便快捷又能全面獲取建筑物震害信息的重要手段。而在遙感圖像中識(shí)別建筑物震害時(shí)，通常通過(guò)人工目視解譯或由計(jì)算機(jī)自動(dòng)提取。在人工目視解譯方面，王曉青等[2]采用人機(jī)交互的震害提取方法對(duì)比震前震后的高分遙感影像，解譯了尼泊爾8.1級(jí)地震災(zāi)區(qū)房屋建筑及其震害程度；鄧飛等[3]基于高分辨率無(wú)人機(jī)正射遙感影像，通過(guò)目視判讀對(duì)九寨溝7.0級(jí)地震極災(zāi)區(qū)的損毀建筑物等進(jìn)行了解譯。在計(jì)算機(jī)自動(dòng)提取方面， LIU等[4]利用航空遙感數(shù)據(jù)，采用最大似然分類法對(duì)日本熊本5.0級(jí)地震震后建筑物的破壞進(jìn)行了識(shí)別；杜浩國(guó)等[5]依托無(wú)人機(jī)高清遙感影像，提出一種改進(jìn)的蟻群算法識(shí)別了漾濞6.4級(jí)地震的建筑震害情況。人工目視解譯法可精確提取震害信息，但耗費(fèi)時(shí)間較多；現(xiàn)有的計(jì)算機(jī)自動(dòng)識(shí)別方法可快速提取震害信息，但因存在易收斂于局部最優(yōu)解等缺陷，導(dǎo)致識(shí)別精度提高受限。

近年來(lái)，隨著機(jī)器學(xué)習(xí)算法的不斷更新與優(yōu)化，使隨機(jī)森林、支持向量機(jī)(SVM)等一些新的圖像分類技術(shù)得以應(yīng)用。而遙感建筑物震害識(shí)別正是根據(jù)不同的建筑物震害圖像特征，按破壞等級(jí)進(jìn)行圖像分類的過(guò)程。但震后，無(wú)人機(jī)一般以極震區(qū)為主開展震害調(diào)查，現(xiàn)場(chǎng)獲取的訓(xùn)練樣本數(shù)量有限，在通過(guò)樣本訓(xùn)練實(shí)現(xiàn)對(duì)高光譜遙感圖像的分類時(shí)，分類過(guò)程對(duì)樣本數(shù)量卻有較高要求[6]。通過(guò)相關(guān)實(shí)際應(yīng)用表明，SVM分類方法不僅能解決遙感圖像分類中的小樣本問題，對(duì)于高光譜遙感圖像中因高特征維度造成的線性不可分問題也能有效解決，目前在遙感圖像分類中已被廣泛應(yīng)用[7]。因此，針對(duì)實(shí)際問題，本文選用基于統(tǒng)計(jì)學(xué)習(xí)理論的SVM分類方法對(duì)圖像進(jìn)行分類，實(shí)現(xiàn)對(duì)建筑物震害的識(shí)別。在此過(guò)程中，為進(jìn)一步提高建筑物震害識(shí)別的速度和精度，首先將建筑物分布數(shù)據(jù)與無(wú)人機(jī)遙感圖像疊加，快速準(zhǔn)確地鎖定圖像中的房屋建筑目標(biāo)。然后，基于尺度不變特征轉(zhuǎn)換(SIFT)提取圖像特征，并通過(guò)視覺詞袋構(gòu)建建筑物震害無(wú)人機(jī)遙感圖像特征向量標(biāo)簽庫(kù)，將圖像的SIFT特征點(diǎn)集表達(dá)成統(tǒng)一維數(shù)的特征向量，作為SVM進(jìn)行圖像分類的基礎(chǔ)。并以2021年9月16日發(fā)生的四川瀘縣6.0級(jí)地震為例，對(duì)方法的可行性加以驗(yàn)證，結(jié)果表明：該方法可快速準(zhǔn)確地從無(wú)人機(jī)遙感圖像中識(shí)別出建筑物震害情況。

1 建筑物震害無(wú)人機(jī)遙感圖像SIFT特征提取

1.1 建筑物圖像提取

在震后獲取的無(wú)人機(jī)遙感圖像中，部分地物與房屋建筑形狀、紋理等特征相似，極易在提取圖像特征對(duì)圖像進(jìn)行分類，識(shí)別建筑物震害情況時(shí)造成干擾。而近年來(lái)，為提高地震等自然災(zāi)害防治能力，實(shí)施了第一次全國(guó)自然災(zāi)害綜合風(fēng)險(xiǎn)普查及地震易發(fā)區(qū)房屋設(shè)施加固等國(guó)家重點(diǎn)工程，從中匯集了各地最新、最全的建筑物分布數(shù)據(jù)。通過(guò)將這些數(shù)據(jù)與對(duì)應(yīng)的無(wú)人機(jī)遙感影像疊加，可快速提取出圖像中的房屋建筑，準(zhǔn)確鎖定目標(biāo)。主要處理流程如圖1所示。

圖1 建筑物圖像提取流程圖

1.2 圖像SIFT特征提取

無(wú)人機(jī)遙感建筑物震害識(shí)別主要是利用圖像的紋理、邊緣、灰度等底層特征精確描述圖像內(nèi)容，再根據(jù)提取出的不同結(jié)構(gòu)類型在不同破壞等級(jí)下的圖像特征進(jìn)行圖像分類[8]。但因光照條件、拍攝方法等因素的不同，使得底層特征往往難以精確描述圖像內(nèi)容，導(dǎo)致圖像分類算法在進(jìn)行分類時(shí)適應(yīng)性不足，識(shí)別精度較低[9]?？梢?，提高分類算法識(shí)別精度的關(guān)鍵在于對(duì)圖像特征的選擇，所選特征應(yīng)盡量不受光照、拍攝角度、尺度變換的影響，具有較強(qiáng)的抗噪能力。在現(xiàn)有的圖像特征提取方法中，尺度不變特征變換(SIFT)作為一種圖像的局部性特征，對(duì)于光線、視角等改變及噪聲的容忍度高，能較好的滿足上述要求[10]。

因此，本文將SIFT方法應(yīng)用于建筑物震害無(wú)人機(jī)遙感圖像的特征提取中，為實(shí)現(xiàn)算法的訓(xùn)練，從歷史震例中收集了大量不同結(jié)構(gòu)類型已判別標(biāo)注了建筑物破壞等級(jí)的無(wú)人機(jī)遙感圖像，針對(duì)每張圖像，經(jīng)預(yù)處理提取出圖像中的房屋建筑后，通過(guò)以下四個(gè)步驟實(shí)現(xiàn)對(duì)不同結(jié)構(gòu)建筑物在不同破壞等級(jí)下圖像特征的精確描述：

(1)尺度空間極值檢測(cè)。為模擬圖像的多尺度特征，需在生成尺度空間后進(jìn)行極值點(diǎn)檢測(cè)，而高斯卷積核是生成尺度空間的唯一線性核[11]。為此，針對(duì)建筑物震害無(wú)人機(jī)遙感圖像，定義尺度空間L(x,y,σ)是二維高斯濾波函數(shù)G(x,y,σ)和圖像I(x,y)的卷積[12]：

L(x,y,σ)=G(x,y,σ)×I(x,y)；

(1)

(2)

式中：(x,y)是圖像的空間坐標(biāo)，σ為尺度空間因子，決定圖像的平滑程度。為更準(zhǔn)確地檢測(cè)極值點(diǎn)，定義高斯差分函數(shù)DOG算子為兩個(gè)相鄰尺度空間的差值[13]：

D(x,y,σ)=L(x,y,kσ)-L(x,y,σ)。

(3)

式中：k的取值由兩個(gè)相鄰尺度空間的倍數(shù)決定。若要在高斯差分金字塔的尺度空間中檢測(cè)極值點(diǎn)，則需先構(gòu)建高斯金字塔。由式(3)可知，高斯差分金字塔由高斯金字塔組內(nèi)每相鄰兩層的圖像相減獲得。在高斯差分金字塔的尺度空間中，每個(gè)檢測(cè)點(diǎn)都要與其各相鄰點(diǎn)逐一比較，從而得到D(x,y,σ)的局部極值點(diǎn)。若檢測(cè)點(diǎn)在與其相鄰的26個(gè)點(diǎn)中是極值點(diǎn)，則該點(diǎn)就可能是一個(gè)SIFT關(guān)鍵點(diǎn)，這些局部極值點(diǎn)將構(gòu)成SIFT候選關(guān)鍵點(diǎn)的集合。

(2)關(guān)鍵點(diǎn)定位。通過(guò)尺度空間極值檢測(cè)將得到建筑物震害無(wú)人機(jī)遙感圖像的所有SIFT候選關(guān)鍵點(diǎn)，但要確定關(guān)鍵點(diǎn)，還需要進(jìn)一步的處理。首先關(guān)鍵點(diǎn)與周圍的像素應(yīng)有顯著差異；其次DOG算子較強(qiáng)的邊緣響應(yīng)會(huì)導(dǎo)致不穩(wěn)定邊緣響應(yīng)點(diǎn)的存在。因此，根據(jù)候選關(guān)鍵點(diǎn)的位置和尺度，通過(guò)子像素插值及消除邊緣響應(yīng)來(lái)剔除部分極值點(diǎn)，才能實(shí)現(xiàn)關(guān)鍵點(diǎn)的定位。將式(3)的高斯差分函數(shù)DOG泰勒展開得：

(4)

再根據(jù)HARRIS角點(diǎn)理論，處于邊緣的關(guān)鍵點(diǎn)具有較大的主曲率，而穩(wěn)定的關(guān)鍵點(diǎn)則不會(huì)有這樣的變化，因而根據(jù)主曲率取值的大小即可判斷并消除邊緣響應(yīng)[14]。

(5)

如式(5)所示，根據(jù)關(guān)鍵點(diǎn)位置的海森矩陣H可求出其主曲率γ，式中D由關(guān)鍵點(diǎn)在高斯差分金字塔尺度空間中X或Y方向連續(xù)求導(dǎo)兩次而得。通過(guò)實(shí)驗(yàn)，當(dāng)極值點(diǎn)主曲率γ取值為10，且滿足式(5)時(shí)，其穩(wěn)定性將有效增強(qiáng)，進(jìn)而消除邊緣響應(yīng)。

經(jīng)上述檢測(cè)后保留的極值點(diǎn)，即可確定為建筑物目標(biāo)區(qū)域的穩(wěn)定關(guān)鍵點(diǎn)。

在遙感影像中，一般將單體建筑物的震害劃分為“基本完好”“破壞”和“毀壞”三個(gè)等級(jí)。其中“基本完好”與中國(guó)《地震現(xiàn)場(chǎng)工作 第3 部分 調(diào)查規(guī)范：GB/T 18208.3-2011》[15]規(guī)定宏觀地面調(diào)查中建筑物震害等級(jí)的“基本完好” “輕微破壞”與“中等破壞”相對(duì)應(yīng)；“破壞”與“嚴(yán)重破壞”相對(duì)應(yīng)；“毀壞”與“毀壞”相對(duì)應(yīng)。將無(wú)人機(jī)遙感圖像中不同破壞狀態(tài)的建筑物按破壞等級(jí)分類，以破壞的磚混結(jié)構(gòu)房屋為例，在目標(biāo)區(qū)域所提取的關(guān)鍵點(diǎn)如圖2所示。

通過(guò)這些關(guān)鍵點(diǎn)可以很好地描述不同破壞等級(jí)建筑物間的狀態(tài)差異，為構(gòu)建建筑物震害無(wú)人機(jī)遙感圖像特征向量標(biāo)簽庫(kù)提供穩(wěn)定的“詞匯”信息。

(3)關(guān)鍵點(diǎn)方向分配。在定位關(guān)鍵點(diǎn)后，為使其具有局部結(jié)構(gòu)的穩(wěn)定方向，保持旋轉(zhuǎn)不變性，需根據(jù)其尺度及位置，結(jié)合在鄰域像素上梯度方向的分布特點(diǎn)，為每個(gè)關(guān)鍵點(diǎn)分配一個(gè)方向。任一關(guān)鍵點(diǎn)的梯度大小m(x,y)和方向θ(x,y)可表示為[16]：

m(x,y)=

(6)

(7)

根據(jù)式(6)計(jì)算梯度幅值，式(7)計(jì)算梯度幅角，再以關(guān)鍵點(diǎn)為中心，由此得到如圖3所示的關(guān)鍵點(diǎn)鄰域范圍和梯度直方圖：

圖3 關(guān)鍵點(diǎn)鄰域范圍和梯度直方圖

在圖3b所示的梯度直方圖中，關(guān)鍵點(diǎn)每隔45°變換一個(gè)次方向，共8個(gè)方向，橫軸為幅角，縱軸為累計(jì)的幅值，累計(jì)幅值最大的方向即可確定為關(guān)鍵點(diǎn)的主方向。

(4)SIFT描述符生成。由上述尺度空間極值點(diǎn)檢測(cè)并定位的關(guān)鍵點(diǎn)是只包含了圖像空間位置信息的實(shí)際像素點(diǎn)，在為其分配方向后，需將其進(jìn)一步轉(zhuǎn)化為特征向量，即通過(guò)生成SIFT描述符，才能充分反映任意一張建筑物震害無(wú)人機(jī)遙感圖像在關(guān)鍵點(diǎn)處的像素梯度及方向信息，實(shí)現(xiàn)圖像的精確描述[17]。具體過(guò)程如圖4所示。

圖4 關(guān)鍵點(diǎn)SIFT描述符生成過(guò)程

在與關(guān)鍵點(diǎn)相鄰的8×8像素塊中，計(jì)算每個(gè)像素點(diǎn)的梯度大小及方向。再將該像素塊切分為16個(gè)2×2的子塊，對(duì)每個(gè)2×2子塊中的4個(gè)像素點(diǎn)梯度進(jìn)行高斯加權(quán)，并投影至8個(gè)方向，把每個(gè)2×2的子塊描述成一個(gè)1×8維的特征向量，共16個(gè)子塊，由此，每個(gè)關(guān)鍵點(diǎn)都將由一個(gè)1×128 維的特征向量描述。

2 建筑物震害無(wú)人機(jī)遙感圖像特征向量標(biāo)簽庫(kù)構(gòu)建

由SIFT算法提取后的每張建筑物震害無(wú)人機(jī)遙感圖像都是大量關(guān)鍵點(diǎn)SIFT描述符的集合，每個(gè)關(guān)鍵點(diǎn)又是一個(gè)1×128 維的多維特征向量，僅能描述圖像的某部分特征，不便于計(jì)算機(jī)的自動(dòng)識(shí)別和判斷。

隨著SIFT等穩(wěn)定圖像特征提取算法的出現(xiàn)，視覺詞袋逐漸被引入遙感圖像分類等計(jì)算機(jī)自動(dòng)識(shí)別和判斷中。其利用圖像中部分關(guān)鍵點(diǎn)的高度相似性，通過(guò)K-means聚類將所有SIFT特征點(diǎn)聚集為K個(gè)簇，K個(gè)聚類中心即為視覺單詞，作為特征向量標(biāo)簽，得到由K個(gè)視覺單詞組成的特征向量標(biāo)簽庫(kù)。以這些分類的視覺單詞作為標(biāo)簽來(lái)描述建筑物震害無(wú)人機(jī)遙感圖像，不僅可突出不同結(jié)構(gòu)類型在不同破壞等級(jí)下所包含關(guān)鍵點(diǎn)的差異，還有效降低了圖像特征向量的維度，可進(jìn)一步提高計(jì)算機(jī)自動(dòng)識(shí)別的效率[18]。

建筑物震害無(wú)人機(jī)遙感圖像特征向量標(biāo)簽庫(kù)構(gòu)建過(guò)程如圖5所示。

圖5 特征向量標(biāo)簽庫(kù)構(gòu)建過(guò)程

首先選取K個(gè)點(diǎn)作為初始聚類中心。在此通過(guò)自組織增量學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)(SOINN)對(duì)SIFT提取的圖像底層特征進(jìn)行增量式學(xué)習(xí)，將初次聚類的結(jié)果作為K-means的初始聚類中心，避免直接使用K-means聚類時(shí)需反復(fù)試算和調(diào)整才能確定聚類中心的問題[19]。

每個(gè)特征點(diǎn)的特征向量X到第i個(gè)聚類中心的歐氏距離Di為：

(8)

式中：xj是向量X的第j維；kij是第i個(gè)聚類中心的第j維。

將特征點(diǎn)劃歸到距離其最近的聚類中心對(duì)應(yīng)的簇中，在完成劃歸后，計(jì)算各個(gè)簇的新質(zhì)心，作為新的聚類中心。若與原聚類中心間的距離小于預(yù)先設(shè)定的閾值，表明聚類完成，若大于預(yù)先設(shè)定的閾值，則重復(fù)上述迭代計(jì)算。

在聚類完成后，將得到由K個(gè)視覺單詞組成的特征向量標(biāo)簽庫(kù)L=(l1,l2,…,lk)，li為特征向量的標(biāo)簽，描述性質(zhì)相似的關(guān)鍵點(diǎn)組合成一類相似的特征。由此可見，根據(jù)建筑物震害無(wú)人機(jī)遙感圖像關(guān)鍵點(diǎn)特征向量聚類形成的視覺單詞，可理解為建筑物在不同破壞等級(jí)下的某種具體形態(tài)特征，以磚混結(jié)構(gòu)房屋為例的部分視覺單詞示例如表1所示。

因此，每張建筑物震害無(wú)人機(jī)遙感圖像P均可由聚類形成的視覺單詞表示為P= (f1,f2,…,fk)，其中fi是描述特定圖像時(shí)，視覺單詞li出現(xiàn)的次數(shù)。

3 建筑物震害無(wú)人機(jī)遙感圖像SVM分類器設(shè)計(jì)

支持向量機(jī)(SVM)在解決小樣本、高光譜遙感圖像中因高特征維度造成的線性不可分等問題時(shí)具有獨(dú)特的優(yōu)勢(shì)[20]。其基本原理是求解一個(gè)能夠?qū)⒂?xùn)練數(shù)據(jù)集正確劃分為兩類，且?guī)缀伍g隔最大的分類超平面。

(9)

表1 視覺單詞示例

采用拉格朗日乘子法進(jìn)行對(duì)偶優(yōu)化，可求得其最優(yōu)解ω*,b*。而對(duì)于非線性分類問題，SVM通過(guò)核函數(shù)進(jìn)行非線性變換后，再構(gòu)造分類決策函數(shù)f(x)，根據(jù)分類決策函數(shù)值的大小來(lái)確定各樣本的屬性：

(10)

式中：SVs是支持向量的集合，代表與非零拉格朗日乘子對(duì)應(yīng)的樣本，K(·)是核函數(shù)[23]。本文選取常用的線性核函數(shù)、RBF核函數(shù)、多項(xiàng)式核函數(shù)及Sigmoid核函數(shù)分別構(gòu)造四種分類決策函數(shù)如下：

(11)

(12)

(13)

(14)

通過(guò)對(duì)模型進(jìn)行訓(xùn)練，采用分類準(zhǔn)確率最高的核函數(shù)構(gòu)造的分類決策函數(shù)，形成最終的SVM分類器，用于建筑物震害識(shí)別。

4 實(shí)例驗(yàn)證與結(jié)果分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

2021年9月16日四川瀘縣6.0級(jí)地震發(fā)生后，經(jīng)前期準(zhǔn)備，應(yīng)用大疆M300 RTK無(wú)人機(jī)搭載PSDK 102S五鏡頭傾斜攝影相機(jī)在震中瀘縣福集鎮(zhèn)大田社區(qū)及附近嘉明鎮(zhèn)團(tuán)山堡村等受災(zāi)嚴(yán)重的區(qū)域進(jìn)行航拍。無(wú)人機(jī)主要技術(shù)參數(shù)及根據(jù)瀘縣地形情況和影像分辨率等要求設(shè)置的飛行參數(shù)如表2所示。

通過(guò)航拍采集的無(wú)人機(jī)影像和DSM數(shù)據(jù)如圖6所示。

圖6 無(wú)人機(jī)影像和DSM圖

4.2 實(shí)驗(yàn)過(guò)程

對(duì)上述四川瀘縣6.0級(jí)地震中獲取的影像進(jìn)行進(jìn)一步的處理及分析，主要流程如圖7所示。

圖7 實(shí)驗(yàn)流程圖

首先，將無(wú)人機(jī)遙感影像與建筑物分布矢量數(shù)據(jù)配準(zhǔn)后疊加，得到三種破壞等級(jí)下的建筑物圖像共2 114張，隨機(jī)從每種破壞等級(jí)的圖像中選擇1 500張圖像作為訓(xùn)練集，用于構(gòu)建特征向量標(biāo)簽庫(kù)，剩余的614張圖像作為測(cè)試集，驗(yàn)證算法分類識(shí)別的準(zhǔn)確度。

然后，提取圖像SIFT特征，利用K-means聚類將訓(xùn)練集中1 500張圖像的SIFT特征點(diǎn)聚集為K個(gè)簇，經(jīng)迭代計(jì)算，當(dāng)K=150時(shí)，聚類達(dá)到預(yù)期效果，得到由150個(gè)視覺單詞構(gòu)成的特征向量標(biāo)簽庫(kù)，可將測(cè)試集中的圖像表示成一個(gè)K=150的多維特征向量。

最后，采用四種常用核函數(shù)構(gòu)造的分類決策函數(shù)，對(duì)測(cè)試集中用多維特征向量表示的圖像進(jìn)行分類識(shí)別，從中選取識(shí)別準(zhǔn)確率最高的核函數(shù)構(gòu)造的分類決策函數(shù)，形成最終的SVM分類器。

4.3 實(shí)驗(yàn)結(jié)果及分析

通過(guò)實(shí)驗(yàn)，不同核函數(shù)下SVM分類器對(duì)建筑物震害的總體識(shí)別準(zhǔn)確率及訓(xùn)練耗時(shí)如圖8所示。

圖8 不同核函數(shù)下SVM分類器的總體識(shí)別準(zhǔn)確率及訓(xùn)練耗時(shí)

表2 無(wú)人機(jī)主要參數(shù)

表3 不同核函數(shù)下SVM分類器對(duì)不同破壞等級(jí)的建筑物識(shí)別情況

由圖8可知，RBF核函數(shù)下的SVM分類器單張圖像識(shí)別時(shí)間最短，識(shí)別準(zhǔn)確率也是四種核函數(shù)中最高的。統(tǒng)計(jì)不同核函數(shù)下SVM分類器對(duì)不同破壞等級(jí)的建筑物識(shí)別情況如表3所示。

可視化的分類結(jié)果如圖9所示。

圖9 不同核函數(shù)下SVM分類器分類結(jié)果

從圖9可見，線性核函數(shù)下的SVM分類器在三種破壞等級(jí)的建筑物震害識(shí)別中均易出現(xiàn)混淆，RBF核函數(shù)較其他核函數(shù)對(duì)分類中的混淆情況卻有明顯改善。這是因?yàn)槿N破壞等級(jí)的建筑物震害圖像存在兩兩間部分特征相似的情況，關(guān)鍵點(diǎn)分布的趨近將導(dǎo)致線性不可分，而線性核函數(shù)主要用于線性可分的情形。RBF核函數(shù)則可將原樣本空間映射到無(wú)限維，在高維空間中，原本分布趨近的關(guān)鍵點(diǎn)得以分離，決策邊界更為多樣，由此可求解出更準(zhǔn)確的分類超平面，從而有效提升識(shí)別準(zhǔn)確率。因此，根據(jù)實(shí)驗(yàn)結(jié)果，RBF核函數(shù)下的SVM分類器在建筑物震害無(wú)人機(jī)遙感圖像識(shí)別中較為適用。

為進(jìn)一步分析造成識(shí)別錯(cuò)誤的原因，將樣本中受災(zāi)較重的大田社區(qū)及團(tuán)山堡村部分無(wú)人機(jī)遙感圖像建筑物震害識(shí)別結(jié)果與實(shí)際情況對(duì)比，圖像識(shí)別結(jié)果有誤的情況示例如表4所示。

可見，當(dāng)有外部干擾光線將建筑物破壞等級(jí)分類特征區(qū)域以外的部分打亮?xí)r，會(huì)使在圖像中提取的有效SIFT關(guān)鍵點(diǎn)發(fā)生改變，進(jìn)而對(duì)識(shí)別建筑物震害情況造成較大干擾。

5 結(jié)論

本文提出一種基于特征提取的SVM圖像分類技術(shù)在無(wú)人機(jī)遙感建筑物震害識(shí)別中的方法，以四川瀘縣6.0級(jí)地震為例的實(shí)驗(yàn)結(jié)果表明了該方法在建筑物震害無(wú)人機(jī)遙感圖像識(shí)別中的可行性。但從實(shí)驗(yàn)過(guò)程來(lái)看，目前的方法只是基于SIFT特征進(jìn)行分類，而SIFT特征的維數(shù)依舊較大，一定程度上影響了SVM對(duì)圖像分類識(shí)別的速度，因此，在后續(xù)研究中，可考慮將SIFT特征與SURF等維數(shù)較低的特征相結(jié)合，或?qū)IFT特征進(jìn)行PCA降維處理，從而進(jìn)一步提高圖像識(shí)別的速度，更好地滿足地震應(yīng)急對(duì)災(zāi)情實(shí)時(shí)性的需求。此外，從造成圖像識(shí)別錯(cuò)誤的原因可見，應(yīng)當(dāng)考慮更穩(wěn)健的特征點(diǎn)提取方案，以降低拍攝環(huán)境等外界因素對(duì)圖像識(shí)別的干擾，提高方法的適應(yīng)性。

表4 圖像識(shí)別結(jié)果有誤情況示例