基于三维特征的遥感影像震害房屋损毁评估

李 强，任宏旭，眭海刚，宋志娜

（1.湖北省基础地理信息中心(湖北省北斗卫星导航应用技术研究院)，湖北 武汉 430074；2.长江空间信息技术工程有限公司 ,湖北 武汉 430014；3.武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079；4.武汉大学遥感信息工程学院，湖北 武汉 430079）

基于三维特征的遥感影像震害房屋损毁评估

李 强1，任宏旭2，眭海刚3，宋志娜4*

（1.湖北省基础地理信息中心(湖北省北斗卫星导航应用技术研究院)，湖北 武汉 430074；2.长江空间信息技术工程有限公司 ,湖北 武汉 430014；3.武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079；4.武汉大学遥感信息工程学院，湖北 武汉 430079）

针对震害损毁房屋评估的实际需求，研究利用灾前矢量辅助进行震害房屋多种三维损毁特征的提取，进一步基于三维损毁特征进行震害房屋评估分类。灾前矢量的主要作用是分割出独立的单体房屋，同时为震害房屋的损毁提取提供顶面轮廓和面积等先验信息，避免以往点云分割的不确定性，提高损毁评估的准确度。利用提取出的多种损毁特征基于SVM的分类方法对震害房屋进行评估分类，验证了针对震害房屋三维损毁特征损毁评估的适应性和可靠性。

三维特征；灾前矢量；震害房屋；损毁评估

当前基于遥感的地震房屋损毁检测主要包括基于地震前后遥感数据的变化检测方法[1-7]和基于地震后遥感数据的损毁解译[8,9]方法。基于变化检测的房屋损毁检测要求具备地震前后不用时相的遥感数据，充足的震前遥感数据对于其准确识别震害房屋损毁至关重要。基于地震后遥感数据的损毁解译方法不依赖灾前参考数据，适用于震前遥感数据缺乏的情况。由于受到图像分割、分类和目标识别准确度的影响，目前需要大量人工干预，其可靠性和自动化程度有待提高。本文研究如何充分利用灾前矢量和灾后多视影像，就震害房屋的多种损毁特征的表达和提取，进一步对震害房屋进行分类识别，通过最终的分类精度分析验证本文方法的可行性。

1 研究方法

应急救灾评估情况下需要能够快速精确地得到灾区所有建筑物的损毁信息，尤其是单个房屋尺度上的三维损毁特征。本文利用灾前房屋平面矢量辅助单体房屋点云的提取，避免了以往遥感数据难于单体化对象分割的难题，并基于多视倾斜影像，运用统计和建模等多种特征提取策略来实现对震害房屋的全面特征提取。在提取出震害房屋三维损毁特征的基础上，利用现有的模式识别和分类方法对震害房屋做损毁评估分类。本文算法流程如图1。

2 灾前矢量辅助下的震害房屋三维损毁特征提取

2.1 灾前矢量辅助下的单体房屋点云分割

多视影像密集匹配的点云包含地面、道路、数目和房屋等地物目标，而精确的震害房屋损毁提取要求对单个房屋进行处理分析，如何有效地将单体房屋点云分割是震害房屋损毁提取的前提。在目前实际应用的城市三维建模领域，建筑物点云的单体化方法最为成熟的是使用平面矢量对建筑物作叠加或切割。本文的重点在于对单个房屋点云的处理分析，因此在采用PMVS密集匹配[10]方法得到地震灾区房屋点云后，采用灾前矢量对其作分割。

图1 基于三维特征的震害房屋损毁评估流程

灾前矢量一般来源于遥感影像的矢量化，矢量化的过程是根据建筑物的边缘进行的，建筑物矢量基本与其边缘重合。多视影像密集匹配得到的点云包含有建筑物的立面数据，直接使用原始矢量对点云切割容易造成立面数据的丢失。另一方面，灾后的建筑物点云损毁特征分析也需要有部分地面点作为参照。因此需要对原始建筑物矢量做外扩处理，一般将房屋平面图对应的矢量外扩0．5 m，如图2为建筑物的平面矢量、外扩矢量和分割后的建筑物点云。

图2 灾前矢量辅助下的建筑物点云分割

2.2 震害损毁特征描述

震害房屋自动分类的前提是损毁特征的定量描述，对震害房屋损毁特征的描述也是基于震后遥感数据损毁检测的核心研究内容。Schweier和Markus根据激光点云所表达出的震害房屋体积减小、高程降低、坡度坡向改变、废墟尺寸和轮廓变化等损毁特征[11]进行详细描述。从房屋整体的构造分析，震害房屋的损毁特征主要分为立面损毁和顶面损毁，两者可以从表面层次、轮廓层次和结构层次进行描述。表面层次是基于完好房屋的表面存在大面积的平面构成，由此对应的是其房屋的高度、法向量和纹理等表面特征所表现出的规则性等特点。轮廓层次是基于完好屋顶为矩形的假设，通过提取房屋的边缘，对轮廓边缘进行特征分析。结构层次损毁特征是通过分析震害房屋顶面和立面的空间关系，由此所得到的房屋立体结构。本文震害房屋的表面和轮廓特征的主要提取方法是通过对散乱点云属性统计，结构特征则通过构建不同的震害房屋局部或整体模型得到。

2.2.1 基于散乱点的统计损毁特征提取

建筑物屋顶的高度变化是地震造成损毁的主要特征之一，其中地震前后房屋高度的变化无疑是震害房屋损毁的重要损毁因子，一般情况下很少有灾前的高度数据存在，因此需要在只有灾后点云数据的情况下对建筑物损毁特征进行提取。通过对完好建筑物与损毁建筑物的平均高度和标准差统计先验信息对房屋的损毁进行初步判定。

平均高度（Average Height，AH），一般的建筑物（包括居民房屋、办公建筑和工矿厂房等）的高度都不会小于3～4 m，当震害房屋发生严重的坍塌倒损时，其高度值会显著低于这一阈值，因此建筑物的平均高度可以视为一个震害房屋初步判定的损毁因子。

式中，N为顶面点的个数；roof_Zi为第i个顶面点的高程，ground_Zmin为地面点云的高程最小值。

高 度 值 标 准 差（Standard Deviation of Height，SDH），正常的房屋顶面相邻点云之间高度较为一致，而震害房屋的顶面点云则表现出较大的差异性。其公式如下：

式中，N为顶面点的个数；roof_Zi为第i个顶面点的高程，AH为顶面点云的平均高程值。

1）紧致度。在有灾前矢量存在的前提下，房屋顶面的平面面积可以认为是已知的，而经过多个滤波器去除侧面后的栅格化的点云也反映了灾后房屋顶面积信息。这里采用紧致度（Compactness，COM）这一参数描述震害房屋的这一特征：

式中，n和m分别是统计平面特征提取中栅格网的长和宽，N代表经过顶面提取后的平面栅格内的总点数。由公式可知，当震害房屋的顶面点云越少则紧致度越小，反之顶面越完整紧致度越接近于1。

2）法向量。多视影像通过密集匹配得到的点云包含有法向量特征，某一点的法向量代表了该点处的局部平面特性。法向量的表示方式为为了便于分析将其转换为与天顶方向的夹角Dip，其计算公式如下：

1）立面点云占比。在精确配准的情况下，完好房屋立面的Dip值应接近于90°，而倾斜房屋和完全倒塌的房屋则很少存在完好的立面，因此立面点云在整个单体房屋点云的占比可以视为一个房屋损毁的特征因子。通过计算夹角Dip的分布来估算单体房屋点云中立面点云的包含比例，假设立面点云的法向量夹角Dip值范围为 [80,90]，记 PF（Percentage of Facade）为 [80,90]范围内点云的比例，在倾斜和完全倒塌的情况下其PF值则会远低于正常值。

2）顶面法向量统计值。理论上完好平顶房屋的顶面法向量与天顶方向的夹角应接近0，现实的房屋顶面会存在多种形态，另外有些建筑物的顶面还可能有各种附着物的存在，因此只对平顶房做统计分析，其统计结果只作为损毁评估的参考因子之一。这里选择顶面法向量的平均值和标准差。倾斜房屋和完全倒塌房屋的顶面法向量夹角平均值明显大于完好房屋的顶面法向量夹角，而完全倒塌房屋由于顶面的表面特性被破坏，其标准差值明显比完好房屋的大的多。

3）纹理。经过栅格化投影的点云可以视为包含多种属性特征的二维图像，其属性在研究范围内的不同分布和排列方式表现为图像的纹理信息。纹理作为影像的重要信息和载体，可以用于对灾后房屋的损毁信息做特征提取。图像纹理的分析方法主要有灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）通过对量化等级后的影像求灰度级之间二阶联合条件概率密度来表示影像的纹理。对GLCM统计分析可以得到多种统计结果，主要包括均值(ME)、方差(VA)、对比度(CON)、熵(ENT)、均质度(HOM)、相异度(DI)、相关性(COR)、角二阶矩(ASM)等，这些统计都反映了图像的纹理特征。

2.2 基于建模的结构损毁特征提取

地震不仅会造成房屋表面点云的高度、法向量和纹理的改变，同时也会对房屋的坡度、体积和表面积等结构特征造成影响。本文通过构建整体或局部的表面模型，分别计算建震害房屋不同的结构特征。

1）坡度。当震害房屋发生整体的倾斜时，其顶面和侧面依然能保持较好的平面特征，此时可以从顶面和侧面的坡度中提取震害特征。针对建筑物点云的坡度提取方法可以分为两种模式：基于邻近点倾角的统计方式和基于平面拟合的建模方式。两种方法都需要对建筑物的顶面和侧面做不同程度的分割，在表面构造复杂的情况下，基于邻近点倾角统计的方法难以保证坡度值提取的准确性。基于平面拟合的建模方法更符合真实场景中的平面特性，因此本文采用后者进行震害房屋的坡度特征提取。

本文采用随机抽样一致性算法（RANdomSample Consensus，RANSAC）[12]估计平面模型。对于含有n个点的给定点集S，设任一点到平面模型的距离阈值为Tdis，处于同一平面的点的个数最大值为Nsupport，从N个点中找到至少一个观测值的最小概率α，迭代终止条件Tnum，则RANSAC算法存在以下关系：

本文采用RANSAC算法对单体房屋作整体平面提取，同时将检测出的最佳平面所包含的点从原始点云中分割，接着对剩下的点继续提取平面，直到剩余点数或检测出的最佳平面点数小于阈值Tnum则完成迭代过程。由于提取出的平面不仅包含震害房屋的顶面和侧面，同时也可能会包含有一些零散的平面，因此可以根据面积阈值或者通过排序筛选出部分平面。这些平面都视为震害房屋的表面特征，根据其面积赋予不同的权值，最终得到房屋整体的坡度特征值。

对于完好房屋，目标平面经面积筛选后得到的平面即为顶面或侧面，但顶面和侧面根据面积无法直接区分开来，这里可以通过平面法向量的范围对其进行区别。假设经平面筛选后有n个平面，Si和Di(0°≤Di≤90°)分别为第 i个平面的面积和法向量，则坡度特征值（Slope）定义如下：

其中θi和Si的取值如下所示：

1）体积。体积变化是震害房屋损毁的重要结构特征，然而单独的体积并不能够对房屋的损毁状况作出评估，因为体积是有房屋的占地面积和高程来决定的。这里房屋的占地面积可以通过灾前房屋矢量得到，此时房屋体积和占地面积的比值VF（VolumeFactor）就可以间接反映出房屋的损毁状况：

式中，n为格网个数；hi分为第i个格网对应的高程值；sg对应规则格网的格网面积，Sv对应灾前矢量的范围面积。

2）面积。多视影像密集匹配得到的点云包含有房屋的顶面和侧面数据，可以用于构建震害房屋精确的表面模型。本节研究通过构建较为精确的三角格网，计算震害房屋表面模型的表面积。同体积一样，单独的表面积无法精确反映出房屋的结构损毁特征。在灾前矢量已知的情况下，将建筑物近似的视为一种柱体，则可以由表面积和灾前矢量的范围面积间接地反映出房屋的高度信息，这里定义房屋的面积损毁因子AF（AreaFactor）作，其表达式如下：

式中，n为三角面片的个数；Si为第i个三角面片的面积；Sv为矢量范围面积，Lv为矢量长度。

2.3 基于三维特征的震害房屋损毁分类

本文中的震害房屋损毁评估的主要内容分为两部分：损毁特征提取和损毁房屋分类，分别对应于模式识别中的特征提取和分类。完整的模式识别主要包括：样本数据采集、特征提取与选择、模型选择、分类器训练和评价。为在大范围遥感影像准确进行房屋损毁分类，本文通过实际经验选取出部分典型样本进行表面、轮廓以及结构特征的提取，并采用SVM训练得到分类器函数，最终得到损毁分类结果。SVM模型训练和预测都是通过现有的方法实现（libSVM[13]）。

3 实验与分析

为了验证本文提出的损毁评估方法的有效性，分类实验的数据来源于汶川地震遗址北川老县城区获得的2014年高分影像、无人机倾斜影像和地面近景照片。三维点云数据由倾斜影像通过PMVS密集匹配方式获得，并通过模拟灾前房屋矢量提取了部分震害房屋单体点云数据。图4～5和图4～6分别是经预处理后的灾区点云数据和使用矢量提取出的单体房屋点云。

图3 预处理后的灾区点云

图4 提取后的单体震害房屋

本文总共选取了50个震害房屋作为实验区，通过选取17个基本完好房屋、8个倾斜房屋、10个完全倒塌房屋作为训练样本，提取其各自的统计损毁特征和结构损毁特征，并进行训练和SVM分类，将13个特征所构成的向量作为特征向量，在Matlab上以使用LIBSVM库进行支持向量机分类，人工解译提取出的50个震害房屋点云样本结合影像数据作为真值。LIBSVM分类结果如图5所示。

图5 人工目视解译结果

图6 支持向量机（SVM）分类结果

损毁建筑物经SVM分类之后，需要对分类结果进行精度评估，本文构建混淆矩阵并计算用户精度、生产者精度、全局精度和全局Kappa，实现对本文方法对震害房屋的损毁评估精度评估。

表1列出了精度评估的混淆矩阵及其各个精度值。根据本文所提取的实验数据，总共50个震害房屋，其中人工解译的分类真值分别为22个基本完好房屋、13个倾斜房屋和15个完全倒塌房屋。使用本文方法的评估结果为19个基本完好房屋、11个倾斜房屋和14个完全倒塌房屋。震害房屋损毁评估的全局精度即准确度为88．00%，全局Kappa值为81．56%。从表中可以看出测试数据的Kappa值和全局精度均达到了0．7以上，一方面表明了基于三维损毁特征的震害房屋损毁分类方法的可行性，另一方面也体现了SVM分类器分类效果的稳健性。

表1 损毁分类精度评价

4 结 语

结合当前震害损毁评估的实际情况，使用灾前矢量提取单体房屋点云，避免了以往点云分割的准确度不足的问题。同时灾前矢量也可以作为先验信息，用于灾后损毁特征提取。本文尝试利用多视影像点云对震害房屋点云做损毁提取和评估，研究了多种损毁特征的提取方法，并利用SVM分类对震害房屋做评估分类，验证了三维特征对损毁评估的有效性。但是本文直接利用多视影像经PMVS密集匹配后的点云作为数据源，未考虑多视影像本身所包含的丰富信息。多视影像损毁特征的提取和多源数据或特征的融合也是未来的研究方向。

[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] 刘欣, 谢庆胜． 基于GIS技术的快速震害评估方法[J]．灾害学,2002,17(3):26-29

[3] 苗崇刚．地震灾害损失评估[J]．自然灾害学报, 2000,9(1):105-108

[4] 李成帅,杨建思,田宝峰,等．四川芦山7．0级地震直接经济损失快速评估[J]．自然灾害学报, 2013(3):9-17

[5] 魏成阶,刘亚岚, 王世新,等． 四川汶川大地震震害遥感调查与评估[J]． 遥感学报, 2008, 12(5):673-682[6] 李德仁,肖雄武,郭丙轩,等． 倾斜影像自动空三及其在城市真三维模型重建中的应用[J]． 武汉大学学报(信息科学版),2016, 41(6):711-721

[7] 龚丽霞, 李强, 张景发,等． 面向对象的房屋震害变化检测方法[J]．地震, 2013, 33(2):109-114

[8] 何美章,朱庆,杜志强,等． 从灾后机载激光点云自动检测损毁房屋的等高线簇分析方法[J]．测绘学报,2015,44(4):407-413

[9] 林月冠． 倾斜摄影技术在灾后建筑物损毁评估中的应用分析[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, 韩燮, 熊风光． 基于RANSAC和TLS的点云平面拟合[J]．计算机工程与设计, 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。（*为通讯作者）

李强，主要研究方向为智慧城市、北斗导航、时空信息服务等方面。