李正洪，全昌文，陳華江，陳 敏，呂 琦

（1. 廣西壯族自治區(qū)自然資源調(diào)查監(jiān)測(cè)院，廣西 南寧 530219；2. 自然資源部北部灣經(jīng)濟(jì)區(qū)自然資源監(jiān)測(cè)評(píng)價(jià)工程技術(shù)創(chuàng)新中心，廣西 南寧 530219；3. 西南交通大學(xué)地球科學(xué)與環(huán)境工程學(xué)院，四川 成都 611756）

違法建筑是城市管理的“頑疾”，將擾亂城市規(guī)劃秩序，導(dǎo)致重大安全事故頻發(fā)。然而，違法建筑整治面臨“發(fā)現(xiàn)難”的問(wèn)題，依靠現(xiàn)場(chǎng)調(diào)查或遙感影像人工判別效率低、成本高?；诮ㄖ镒詣?dòng)變化檢測(cè)的違法建筑提取正逐漸成為主要發(fā)展趨勢(shì)[1-3]。根據(jù)不同數(shù)據(jù)維度，建筑物變化檢測(cè)可分為基于遙感影像的二維變化檢測(cè)和基于激光雷達(dá)點(diǎn)云或影像密集匹配點(diǎn)云的三維變化檢測(cè)，前者難以發(fā)現(xiàn)在合法建筑基礎(chǔ)上加蓋的樓層、陽(yáng)臺(tái)等三維違建目標(biāo)；而后者因包含目標(biāo)高程信息，能更全面地反映目標(biāo)幾何特性，便于發(fā)現(xiàn)三維違建目標(biāo)[4]。

現(xiàn)有建筑物三維變化檢測(cè)方法大體可分為逐點(diǎn)變化檢測(cè)和基于對(duì)象的變化檢測(cè)兩類。逐點(diǎn)變化檢測(cè)通常先逐點(diǎn)比較多時(shí)相點(diǎn)云，給出初始變化檢測(cè)結(jié)果，再結(jié)合點(diǎn)云的幾何和光譜信息對(duì)初始結(jié)果進(jìn)行細(xì)化，這類方法可根據(jù)不同的變化檢測(cè)目的靈活地進(jìn)行分解或組合，且分步式的過(guò)程使其具有更高的計(jì)算效率[5-8]。隨著機(jī)器學(xué)習(xí)浪潮的興起，研究人員利用決策樹分析、支持向量機(jī)、隨機(jī)森林等機(jī)器學(xué)習(xí)方法對(duì)初始結(jié)果進(jìn)行分類，得到最終的建筑物三維變化檢測(cè)結(jié)果[9-10]，但這類方法對(duì)點(diǎn)云配準(zhǔn)誤差敏感，受非建筑物目標(biāo)干擾大，且檢測(cè)結(jié)果對(duì)初始幾何比較結(jié)果敏感，漏檢情況在后續(xù)細(xì)化過(guò)程中無(wú)法找回。

基于對(duì)象的變化檢測(cè)方法首先利用基于深度學(xué)習(xí)的點(diǎn)云語(yǔ)義分割方法對(duì)多時(shí)相點(diǎn)云進(jìn)行分類，提取建筑物點(diǎn)云；再對(duì)建筑物點(diǎn)云進(jìn)行比較，進(jìn)而獲取建筑物三維變化檢測(cè)結(jié)果[11-13]。由于利用了空間三維信息，這類方法提取建筑物的精度更高，且對(duì)不同數(shù)據(jù)來(lái)源、不同獲取條件（不同季節(jié)、光照等）造成的干擾更加穩(wěn)健，但對(duì)于質(zhì)量較低的密集匹配點(diǎn)云所進(jìn)行的建筑物檢測(cè)精度依然有限，且檢測(cè)結(jié)果受分類精度影響較大[14]，對(duì)于漏提取的建筑物，難以檢測(cè)其是否發(fā)生了變化。

綜上所述，現(xiàn)有建筑物三維變化檢測(cè)方法易出現(xiàn)漏檢情況，難以滿足違法建筑提取的實(shí)際需求。因此，本文提出了一種適用于密集匹配點(diǎn)云的建筑物三維變化檢測(cè)方法：首先通過(guò)空間體素比較提取初始變化點(diǎn)云，同時(shí)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)提取建筑物點(diǎn)云；再基于建筑物三維點(diǎn)云結(jié)果，將初始變化點(diǎn)云分為建筑物區(qū)域變化和非建筑物區(qū)域變化，并對(duì)兩類點(diǎn)云進(jìn)行聚類處理；然后按照聚類的面積和頂面法線方向，以不同的閾值進(jìn)行細(xì)化處理；最后根據(jù)點(diǎn)云變化情況，將變化結(jié)果分為新建建筑物和拆除建筑物，實(shí)現(xiàn)可靠的建筑物三維變化檢測(cè)。為了便于表述，將本文方法簡(jiǎn)稱為DV-BCD（building change detection by integrating deep neural network and spatial voxels）。

1 DV-BCD方法

1.1 初始變化點(diǎn)云提取

對(duì)多時(shí)相點(diǎn)云進(jìn)行預(yù)處理主要包括3個(gè)步驟：①利用改進(jìn)迭代最近點(diǎn)算法[15]對(duì)雙時(shí)相密集匹配點(diǎn)云進(jìn)行高精度配準(zhǔn)；②利用布料模擬濾波（CSF）算法[16]對(duì)目標(biāo)區(qū)域的密集匹配點(diǎn)云進(jìn)行濾波處理，按照離地面的高度將點(diǎn)云分為地面點(diǎn)和非地面點(diǎn)；③為消除植被變化對(duì)結(jié)果的影響，對(duì)于非地面點(diǎn)計(jì)算植被指數(shù)（VI）[17]，即VI=（3G-2.4R-B）/（R+G+B），并剔除VI大于閾值的植被點(diǎn)。

對(duì)經(jīng)過(guò)預(yù)處理的多時(shí)相密集匹配點(diǎn)云構(gòu)建八叉樹，在空間體素層次上進(jìn)行變化檢測(cè)。在八叉樹中，對(duì)于給定三維坐標(biāo)的查詢點(diǎn)，可以逐深度快速定位它所屬的葉節(jié)點(diǎn)，見(jiàn)圖1。選取一定半徑內(nèi)的點(diǎn)進(jìn)行計(jì)算，確定包含查詢點(diǎn)的葉節(jié)點(diǎn)后，選擇上一個(gè)葉節(jié)點(diǎn)及其鄰近葉節(jié)點(diǎn)內(nèi)的所有點(diǎn)作為初始點(diǎn)，計(jì)算初始點(diǎn)到查詢點(diǎn)的距離，以獲取半徑內(nèi)的點(diǎn)。若在這個(gè)半徑范圍內(nèi)有初始點(diǎn)，則可說(shuō)明查詢點(diǎn)為變化點(diǎn)，否則該點(diǎn)為變化點(diǎn)。

圖1 八叉樹點(diǎn)云葉節(jié)點(diǎn)示意圖

1.2 注意力驅(qū)動(dòng)的建筑物三維點(diǎn)云檢測(cè)

由于直接進(jìn)行變化檢測(cè)得到的結(jié)果易受非建筑物區(qū)域變化的影響，為了在不漏檢建筑物變化的前提下盡可能減少建筑物變化虛警，本文通過(guò)搭建建筑物點(diǎn)云三維檢測(cè)深度神經(jīng)網(wǎng)絡(luò)提取目標(biāo)區(qū)域中的建筑物點(diǎn)云，并將初始變化區(qū)域與提取的建筑物區(qū)域結(jié)合起來(lái)，以便更準(zhǔn)確地提取建筑物變化目標(biāo)。

建筑物提取網(wǎng)絡(luò)采用下采樣—上采樣結(jié)構(gòu)，包括大比例降采樣、局部空間編碼、注意力機(jī)制和基于跨級(jí)鏈接的特征反向傳遞4個(gè)主要模塊。

1）大比例降采樣模塊。在面臨大場(chǎng)景點(diǎn)云時(shí)，由于軟硬件處理性能和內(nèi)存的約束，通常需進(jìn)行降采樣處理[18]。鑒于無(wú)人機(jī)影像密集匹配點(diǎn)云密度變化較小，為兼顧采樣效率和空間覆蓋度，本文網(wǎng)絡(luò)擬采用均勻采樣策略對(duì)點(diǎn)云進(jìn)行降采樣。

2）局部空間編碼模塊包括鄰域點(diǎn)查找、局部幾何空間編碼和局部特征空間編碼。對(duì)采樣點(diǎn)鄰域信息編碼，捕捉局部區(qū)域中點(diǎn)與點(diǎn)之間的幾何分布關(guān)系和特征分布關(guān)系，提升網(wǎng)絡(luò)模型捕獲細(xì)節(jié)的能力。

3）注意力機(jī)制模塊。本文采用通道注意力和注意力池化進(jìn)行特征篩選，使網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)重要、有效的特征。通道注意力是為了有效結(jié)合采樣點(diǎn)的幾何空間編碼特征和特征空間編碼特征，而注意力池化是為了將鄰域點(diǎn)特征聚合到采樣點(diǎn)上[18-20]。

4）基于跨級(jí)鏈接的特征反向傳遞模塊。本文采用基于跨級(jí)鏈接和最近鄰的內(nèi)插方式進(jìn)行特征反向傳遞，將特征從采樣點(diǎn)集傳播到原始點(diǎn)集，得到每個(gè)原始點(diǎn)的語(yǔ)義標(biāo)簽。

1.3 變化的建筑物點(diǎn)云提取與分類

對(duì)于包含大量虛警的初始變化點(diǎn)云，DV-BCD 方法結(jié)合深度神經(jīng)網(wǎng)絡(luò)提取的建筑物三維點(diǎn)云，將初始變化點(diǎn)云分為建筑物區(qū)域和非建筑物區(qū)域變化點(diǎn)云兩類，并對(duì)兩類點(diǎn)云分別進(jìn)行聚類處理。

建筑物區(qū)域內(nèi)的變化點(diǎn)云大部分為建筑物變化點(diǎn)云，少量虛警主要由未精確配準(zhǔn)帶來(lái)的建筑物邊界區(qū)域變化引起。由于建筑物檢測(cè)方法不可避免地存在漏檢情況，非建筑物區(qū)域內(nèi)的變化點(diǎn)云可能包含少量真實(shí)建筑物變化，其余大部分區(qū)域?yàn)榉墙ㄖ镌肼?。DV-BCD方法逐一對(duì)各聚類進(jìn)行平面擬合，由于建筑物的屋頂平面通常是水平的，而其他地物則不是，因此對(duì)擬合平面的歸一化法向量的Z分量進(jìn)行判斷，剔除低于閾值的聚類。此外，為減少由細(xì)小非建筑物結(jié)構(gòu)變化引起的虛警，還對(duì)每個(gè)聚類的面積進(jìn)行判斷，并剔除面積低于閾值的聚類。本文對(duì)建筑物區(qū)域和非建筑物區(qū)域分別設(shè)置不同的閾值進(jìn)行判斷并剔除虛警；再根據(jù)建筑物的變化情況，將建筑物點(diǎn)云變化分類為新建建筑物和拆除建筑物。

1.4 參數(shù)設(shè)置

為在避免漏檢的前提下盡可能減少虛警，DV-BCD 方法考慮了低矮建筑物和CSF 濾波在局部區(qū)域的容錯(cuò)，選取1.5 m 作為地面點(diǎn)濾波閾值，-0.1 作為植被指數(shù)閾值，0.95（非建筑物區(qū)域?yàn)?.99）作為聚類變化點(diǎn)云擬合平面的歸一化法線Z分量閾值。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

為驗(yàn)證DV-BCD方法的有效性，采用復(fù)雜城市區(qū)域的兩期不同類型無(wú)人機(jī)影像密集匹配點(diǎn)云進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)區(qū)域面積約為0.5 km2，地勢(shì)較平坦，建筑物周圍分布有大量植被，部分屋頂受到遮擋，且建筑物間疏密不均勻、結(jié)構(gòu)復(fù)雜、顏色差異大，同時(shí)存在新建和拆除的建筑物。第一期原始數(shù)據(jù)為5 鏡頭無(wú)人機(jī)傾斜影像，作為時(shí)序監(jiān)測(cè)的基準(zhǔn)數(shù)據(jù)，在后續(xù)監(jiān)測(cè)中，考慮內(nèi)外業(yè)生產(chǎn)成本等因素，采用單鏡頭無(wú)人機(jī)設(shè)備進(jìn)行影像采集；第二期原始數(shù)據(jù)為單鏡頭無(wú)人機(jī)影像。采用Pix4D 軟件對(duì)兩期影像分別進(jìn)行空中三角測(cè)量和密集匹配，得到兩期密集匹配點(diǎn)云，見(jiàn)圖2，可以看出，由于單鏡頭影像難以全面獲取場(chǎng)景目標(biāo)信息，5 鏡頭無(wú)人機(jī)影像密集匹配點(diǎn)云質(zhì)量明顯優(yōu)于單鏡頭，兩期影像密集匹配點(diǎn)云即使在建筑物無(wú)變化的區(qū)域也存在明顯差異，給可靠的建筑物變化檢測(cè)帶來(lái)挑戰(zhàn)。

圖2 實(shí)驗(yàn)數(shù)據(jù)

2.2 評(píng)價(jià)指標(biāo)

為了定量評(píng)價(jià)DV-BCD方法的有效性，本文將實(shí)驗(yàn)結(jié)果與人工目視解譯標(biāo)注的建筑物變化區(qū)域進(jìn)行比較，以漏檢數(shù)量、虛警數(shù)量、漏檢率、虛警率和檢測(cè)時(shí)間為評(píng)價(jià)指標(biāo)，在對(duì)象層面進(jìn)行統(tǒng)計(jì)分析。

式中，F(xiàn)N為變化建筑物被誤判為未變化建筑物的數(shù)量，即漏檢數(shù)量；TP為變化建筑物被正確檢測(cè)的數(shù)量；FP為未變化建筑物被誤判為變化建筑物的數(shù)量，即虛警數(shù)量；TN為未變化建筑物被正確檢測(cè)的數(shù)量。

2.3 結(jié)果分析

利用DV-BCD方法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行建筑物變化檢測(cè)，并將檢測(cè)到的新建建筑物點(diǎn)云標(biāo)記為紅色，拆除建筑物點(diǎn)云標(biāo)記為黃色，結(jié)果見(jiàn)圖3a。為了驗(yàn)證DV-BCD方法中建筑物點(diǎn)云提取對(duì)提升變化檢測(cè)的效果，本文將DV-BCD方法與傳統(tǒng)直接進(jìn)行八叉樹空間體素變化檢測(cè)方法（記為V-BCD）進(jìn)行對(duì)比。為了使對(duì)比更公平，兩種方法除融合建筑物提取以外的方法和參數(shù)閾值設(shè)置均保持一致。

圖3 實(shí)驗(yàn)結(jié)果

點(diǎn)云異常引起的虛警是指由單鏡頭無(wú)人機(jī)影像密集匹配點(diǎn)云質(zhì)量差導(dǎo)致兩期密集匹配點(diǎn)云差異大而引起的虛警。5 鏡頭影像密集匹配點(diǎn)云的信息完整（圖4a），而單鏡頭影像密集匹配點(diǎn)云在視差不連續(xù)區(qū)域的點(diǎn)云質(zhì)量差，導(dǎo)致一些本應(yīng)在地面的點(diǎn)漂浮在空中，且由于單鏡頭影像密集匹配點(diǎn)云基本無(wú)側(cè)面信息，通常難以判斷該點(diǎn)云是否為建筑物變化，如圖4b 中兩個(gè)相鄰建筑物中間本應(yīng)為空地的間隙存在大量漂浮在空中的噪聲點(diǎn)（紅色標(biāo)記點(diǎn)），這些點(diǎn)將在建筑物變化檢測(cè)中產(chǎn)生虛警。本文在對(duì)象級(jí)上對(duì)變化檢測(cè)結(jié)果進(jìn)行效果評(píng)價(jià)，對(duì)比結(jié)果見(jiàn)表1，可以看出，DV-BCD方法在新增建筑和拆除建筑上均實(shí)現(xiàn)了零漏檢，雖然產(chǎn)生了一些虛警目標(biāo)，但數(shù)量較少，相較于V-BCD 方法虛警率降低了48.64%，作業(yè)人員可在短時(shí)間內(nèi)通過(guò)目視檢核完成虛警目標(biāo)的驗(yàn)證。

表1 評(píng)價(jià)結(jié)果統(tǒng)計(jì)表

圖4 異常點(diǎn)云

DV-BCD 方法產(chǎn)生虛警的主要原因?yàn)椋孩倏紤]時(shí)序監(jiān)測(cè)中的內(nèi)外業(yè)作業(yè)成本，除作為基礎(chǔ)數(shù)據(jù)的第一期數(shù)據(jù)為5 鏡頭影像外，后續(xù)監(jiān)測(cè)數(shù)據(jù)均為單鏡頭影像，因此輸入變化檢測(cè)系統(tǒng)的兩期密集匹配點(diǎn)云質(zhì)量差異大，存在大量異常點(diǎn)云，由此產(chǎn)生了一些虛警目標(biāo)；②實(shí)驗(yàn)區(qū)域存在正在施工的工地，分布著大型土堆、大型施工車輛等類似于建筑物的物體，進(jìn)而產(chǎn)生了一些虛警目標(biāo)。若將DV-BCD方法閾值設(shè)置得更嚴(yán)格一些，可剔除其中大部分虛警，但也會(huì)以出現(xiàn)漏檢為代價(jià)?？紤]到實(shí)際生產(chǎn)對(duì)漏檢和虛警的可接受度完全不同，應(yīng)以避免漏檢為前提減少虛警，因此本文實(shí)驗(yàn)閾值設(shè)置得較寬松，這也保證了DV-BCD方法在實(shí)驗(yàn)數(shù)據(jù)上實(shí)現(xiàn)了零漏檢。建筑物變化小目標(biāo)（圖5），DV-BCD方法也能準(zhǔn)確發(fā)現(xiàn)。

圖5 DV-BCD方法在小建筑上的變化檢測(cè)結(jié)果

在檢測(cè)效率方面，DV-BCD方法變化檢測(cè)所需時(shí)間約為289 s，V-BCD方法所需時(shí)間為54 s，雖然增加建筑物點(diǎn)云提取環(huán)節(jié)使得整個(gè)變化檢測(cè)流程的時(shí)間成本更高，但DV-BCD 方法的漏檢率為0%，能夠真正滿足實(shí)際應(yīng)用需求，且虛警率也明顯降低，作業(yè)人員只需花費(fèi)少量時(shí)間對(duì)檢測(cè)結(jié)果進(jìn)行人工核查。綜上所述，DV-BCD方法增加的變化檢測(cè)時(shí)間在實(shí)際生產(chǎn)中是可以接受的。

3 結(jié) 語(yǔ)

針對(duì)復(fù)雜城市區(qū)域建筑物變化，基于不同類型的影像密集匹配點(diǎn)云，本文提出了DV-BCD方法，將逐點(diǎn)變化檢測(cè)和基于對(duì)象的變化檢測(cè)方法結(jié)合起來(lái)，在降低逐點(diǎn)變化檢測(cè)方法結(jié)果虛警的同時(shí)，減少了基于對(duì)象的變化檢測(cè)方法由于未準(zhǔn)確提取建筑物帶來(lái)的漏檢，從而在避免漏檢的前提下盡可能地減少了提取結(jié)果的虛警。以兩期不同類型的影像密集匹配點(diǎn)云為數(shù)據(jù)開展的實(shí)驗(yàn)表明，DV-BCD方法在發(fā)現(xiàn)細(xì)小建筑物變化、避免漏檢的同時(shí)，對(duì)非建筑物變化的虛警較少，能夠在違建查處中發(fā)揮關(guān)鍵作用。后續(xù)研究將結(jié)合建筑物和易造成虛警的非建筑目標(biāo)特征，優(yōu)化變化點(diǎn)云判別算法，進(jìn)一步減少虛警目標(biāo)。