浙江大学学报(工学版)

浙江大学学报(工学版), 2021, 55(6): 1083-1089 doi: 10.3785/j.issn.1008-973X.2021.06.008

交通工程、土木工程

基于无人机倾斜摄影的嘉兴老城区住宅识别

赵宇,, 朱志忠, 黄博,, 费佳宁, 蒋建群

1. 浙江大学 建筑工程学院，浙江 杭州 310058

2. 宝略科技（浙江）有限公司，浙江 宁波 315100

Identification of residential buildings in Jiaxing Old City based on unmanned aerial vehicle oblique photogrammetry

ZHAO Yu,, ZHU Zhi-zhong, HUANG Bo,, FEI Jia-ning, JIANG Jian-qun

1. College of Engineering and Architecture, Zhejiang University, Hangzhou 310058, China

2. PopSmart Technology Limited Company, Ningbo 315100, China

通讯作者: 黄博，女，教授. orcid.org/0000-0002-7293-8618. E-mail： cehuangbo@zju.edu.cn

收稿日期: 2020-07-16  

基金资助: 浙江省重点研发计划资助项目（2018C03045）

Received: 2020-07-16  

Fund supported: 浙江省重点研发计划资助项目（2018C03045）

作者简介 About authors

赵宇（1983—），男，教授，从事空间信息技术与岩土工程防灾减灾的研究.orcid.org/0000-0003-0453-1960.E-mail：zhao_yu@zju.edu.cn , E-mail：zhao_yu@zju.edu.cn

摘要

为了应对老城区房屋数据信息不足、获取不便的问题，提出利用无人机（UAV）倾斜摄影测量技术实现老城区住宅自动识别的方法. 根据老城区典型多层住宅的外立面特征，确定出阳台构造、立面朝向和房屋长宽比3个参数控制的住宅判别标准. 通过无人机摄影测量获取嘉兴研究区的密集匹配点云、数字正射影像（DOM）和数字表面模型（DSM）数据. 融合DOM及DSM数据提取单体建筑轮廓，分割出单体房屋点云. 基于RANSAC算法提取房屋立面点云并确定立面朝向，根据立面的点云空间分布判断立面长度及阳台构造. 试验表明，在研究区应用该方法识别典型住宅的准确率可以达到90%.

关键词： 倾斜摄影 ; 密集匹配点云 ; 住宅 ; 老城区 ; 阳台构造

Abstract

A method based on unmanned aerial vehicle (UAV) oblique photogrammetry was proposed to automatically identify residential buildings in old urban areas in order to deal with the problem that the housing data in the old urban areas are incomplete and inconvenient to obtain. A residential buildings discrimination criterion controlled by three features including the existence of balcony structure, the facade orientation and the aspect ratio was determined according to the façade features of the typical muti-storey residential building in the old urban areas. The dense point clouds, digital orthophoto map (DOM) and digital surface model (DSM) were obtained by UAV photography. The DOM and DSM were used to extract the building contour, based on which the point clouds were cut into building-wise ones. The facade point clouds of each building were extracted by RANSAC algorithm, and the orientation of the building was determined. The length of facade and the existence of balcony were determined by analyzing the spatial characteristics of the point clouds. Results show that the correct rate obtained by the proposed method can reach 90% in the study area.

Keywords： oblique photogrammetry ; dense point cloud ; residential building ; old urban area ; balcony structure

PDF (1308KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

赵宇, 朱志忠, 黄博, 费佳宁, 蒋建群. 基于无人机倾斜摄影的嘉兴老城区住宅识别. 浙江大学学报(工学版)[J], 2021, 55(6): 1083-1089 doi:10.3785/j.issn.1008-973X.2021.06.008

ZHAO Yu, ZHU Zhi-zhong, HUANG Bo, FEI Jia-ning, JIANG Jian-qun. Identification of residential buildings in Jiaxing Old City based on unmanned aerial vehicle oblique photogrammetry. Journal of Zhejiang University(Engineering Science)[J], 2021, 55(6): 1083-1089 doi:10.3785/j.issn.1008-973X.2021.06.008

房屋信息数据，如平面轮廓、层数、结构类型、建造年代、使用类型、居住情况等参数，是城市信息管理及各类规划的基础[1]. 房屋使用类型分类信息广泛应用于人口统计、社会经济学建模、韧性城市分析、自然灾害损失及伤亡评估等众多研究领域[2-3]. 我国部分地区房屋基础数据匮乏，通过现场测绘与调查获取房屋信息费时费力，难以满足当前的数据需求. 广泛应用的机载雷达扫描技术及倾斜摄影测量技术[4]为房屋信息的快速获取提供了新的方法.

低空倾斜摄影测量技术或雷达技术获得的密集匹配点云能够反映房屋的空间信息，可以用于快速获得房屋的轮廓[5-8]. 国内外学者融合航空影像与点云数据，进一步优化房屋提取准确性. Awrangjeb等[9]基于机载雷达点云及影像检测房屋轮廓，Gevaert等[10]融合2D与3D信息，完成复杂村落中包括房屋在内的地物分类. 房屋三维点云可以很好地反映房屋的空间特征，利用航空点云数据能够分析屋顶的空间特征[11-13]，利用车载激光雷达点云，可以识别房屋窗户细部特征[14-15]. 房屋点云还被用于房屋间接属性的提取. Lu等[2]利用机载雷达点云数据中房屋及周围地物的多种特征，通过机器学习完成房屋使用类型分类. 既有的房屋点云研究多为单体房屋点云的分割分类及三维重构，鲜有基于区域点云数据提取各单体房屋参数及属性的研究. 为了快速获取房屋的使用类型，本文提出利用倾斜摄影测量数据快速识别老城区住宅的方法.

在老城区中，典型住宅为旧时多层板式住宅，外观构造简单，风格相似，从空间形态上可以与非住宅进行区分. 本文利用倾斜摄影获得研究区点云，获得房屋轮廓并单体化房屋点云，分析房屋点云的空间特征，从而判别房屋是否为典型住宅.

1. 摄影测量数据获取

选择浙江省嘉兴市老城区中约为0.7 km2的区域（120.752 E，30.765 N），开展无人机倾斜摄影测量. 选用大疆精灵3无人机，搭载Sony相机，具体的飞行参数如表1所示.

表 1   无人机现场测量参数

Tab.1  Parameters of UAV field measurements

飞行参数 数值
飞行高度 100、150 m
旁向重叠率 80%
航向重叠率 80%
航线方向 与建筑主立面朝向垂直或平行

新窗口打开| 下载CSV


经过内业处理获得以下数据. 1）数字正射影像（digital orthophoto map，DOM），分辨率为5 cm，有红、绿、蓝3个通道，包含地物影像信息. 2）数字表面模型（digital surface model，DSM），分辨率为5 cm，精度为1 m，包含地物高程信息，并用色带表达高程，如图1所示. 3）密集匹配三维点云，不同高程段用颜色区分，如图2所示，点云水平方向误差为0.03 m，垂直方向误差为0.1 m. 从上述数据中提取房屋的空间信息是本文的研究重点.

图 1

新窗口打开| 下载原图ZIP| 生成PPT

图 1   研究区数字表面模型

Fig.1   Digital surface model of research area


图 2

新窗口打开| 下载原图ZIP| 生成PPT

图 2   研究区域的三维点云

Fig.2   Three-dimensional point clouds of research area


2. 判别方法

老城区（2000年以前）的典型住宅为多层板式住宅，具有如下特征[16-18]. 1）具有挑出的矩形阳台构造. 2）平立面形体规则且主立面朝南. 3）面宽大于进深，如图3所示. 嘉兴老城区住宅以70~90年代为主，几乎都具备上述特征，在空间形态上与非住宅建筑存在明显区别，可以通过房屋点云反映上述空间特征. 本文将借助点云数据完成典型住宅的自动识别. 提取房屋轮廓，获得单体化房屋的点云数据. 基于随机抽样一致性算法（random sample consenzsus，RANSAC）分割单体化房屋点云，得到房屋立面点云. 通过分析立面的空间特征，判断是否为典型住宅，流程如图4所示.

图 3

新窗口打开| 下载原图ZIP| 生成PPT

图 3   老城区中典型住宅

Fig.3   Typical residential building in old urban areas


图 4

新窗口打开| 下载原图ZIP| 生成PPT

图 4   典型住宅判别流程

Fig.4   Process of typical residential building discrimination


2.1. 房屋平面轮廓提取

利用DSM和DOM提取房屋轮廓. 提取DSM中的地面点插值生成DEM，计算DSM与DEM的差值，得到归一化的DSM（nDSM，normalized digital surface model）[19]. 如图5(a)所示，nDSM表达地物的高度信息，明显高于地面的地物主要为植被和房屋，去除植被部分后可以利用高度阈值提取房屋[20].

图 5

新窗口打开| 下载原图ZIP| 生成PPT

图 5   nDSM剔除植被的过程

Fig.5   Process of removing vegetarian from nDSM


采用支持向量机监督分类法，选择R、G、B三维颜色特征，利用ENVI软件在DOM中划定植被矢量轮廓[21-22]，DOM如图5(b)所示. 初步分类的植被轮廓具有一定的噪声，采用形态学腐蚀运算去噪声后，得到的植被轮廓如图5(c)所示. 剔除植被后的nDSM如图5(d)所示.

将高度阈值设置为3 m，从剔除植被的nDSM中提取3 m以上的地物得到房屋二值图，如图6(a)所示. 鉴于倾斜摄影的测量特点，少量间距很近的房屋可能出现小面积粘连，选择方形结构元进行形态学开运算，可以优化轮廓. 经统计可知，93%的房屋可以被自动提取，剩余极少量紧密接触建筑可以通过目视解译分割，最终得到房屋轮廓，如图6(b)所示. 房屋轮廓是由与点云数据同源的DSM和DOM数据中提取所得，因此所得房屋轮廓可以围合该房屋的所有点云.

图 6

新窗口打开| 下载原图ZIP| 生成PPT

图 6   房屋轮廓的提取过程

Fig.6   Process of extracting building outline


2.2. 房屋立面点云提取

利用房屋轮廓对点云进行布尔运算，得到单体房屋点云. 如图7所示，典型住宅平面轮廓为矩形，点数最多的2个立面为房屋主立面与背立面，与其垂直的立面为房屋侧立面，可以利用RANSAC算法[23]进一步检测和分割房屋立面. 具体步骤如下.

图 7

新窗口打开| 下载原图ZIP| 生成PPT

图 7   单体房屋点云(俯视图)

Fig.7   Point clouds of single building (top view)


1）利用铅直平面方程拟合房屋点集P中的房屋立面，设置检测距离为0.2 m——点云精度的2倍[24]，以精准地追踪立面走向. 利用RANSAC算法检测出点数最多的立面（如图7的虚线所示），得到该立面方程.

2）从点集P中去除距离该立面2 m以内（考虑阳台进深1.5 m）的所有点，更新点集P.

3）重复3次步骤1）、2），得到4个立面方程，在原始点集中取距离各立面2 m以内的所有点作为对应的立面点集.

4）认为相互平行且点数最多的2个立面为主立面和背立面，如图8(a)、(b)所示，在其他2个立面中保留与主立面垂直度高的一个作为侧立面.

图 8

新窗口打开| 下载原图ZIP| 生成PPT

图 8   房屋立面点云

Fig.8   Point clouds of facade


将立面绕z轴旋转，使得立面走向沿x轴方向，便于沿立面方向统计点云分布情况，识别点云的空间特征，旋转后的立面点云如图8所示. 图8中参考系原点取为：原始房屋点云所有点x与y坐标最小值构成的点，用色带表达图8(a)、(b)中的y坐标，使得阳台部位直观明显.

2.3. 立面点云空间特征分析

分析立面点云分布特征，判断房屋是否存在阳台，并获得立面宽度，具体方法如下. 如图8(c)所示，以10 cm的步长，沿立面走向方向统计每个步长内点云数量，得到立面不同位置处的点云密度. 所有位置的点云密度众数记为M，则相对点云密度可以定义为

式中：ρ为点云密度.

分析如图7所示有挑出式阳台构造的主立面点云的空间分布特征，得到相对点云密度直方图，如图9所示.

图 9

新窗口打开| 下载原图ZIP| 生成PPT

图 9   主立面相对点云密度直方图

Fig.9   Histogram of relative points density of main facade


图9中，相对点云密度接近1的位置为与立面走向同向的立面区域. 相对密度大于2的峰值（球形标记）可以认为是与立面走向垂直的区域，如阳台两翼. 立面边缘形成了图9中两端的2个峰值，可以确定出立面长度. 除边缘峰值外，沿立面走向每出现2个大于2的峰值，即为1扇阳台. 板式住宅至少2扇阳台，认为至少出现6个峰值点的立面，即存在阳台构造.

统计3个立面空间特征：按照上述方法确定主立面或背立面是否具有阳台构造；确定立面长度，计算长宽比；根据2.2节的步骤1）确定立面朝向.

我国住宅在70年代开始出现敞开式南向阳台，80年代阳台开始在集合住宅中流行[16]. 抽取嘉兴老城区的60栋典型住宅样本，统计分析发现，92%的样本都具有挑出矩形阳台构造，符合上述结论. 杭州地区朝向宜设置为南向至南偏东10°~15°[25]，结合现场调查取10°阈值. 赵芹[26]指出，住宅进深多为11~13 m，本文结合调查设置阈值为10 m. 住宅长宽比与单元数有关，最小值为两户四开间15 m面宽、10 m进深的住宅，即长宽比为1.5[18]. 满足以下3个条件，即可判定为住宅. 1）检测出立面存在阳台构造；2）主立面与侧立面长度满足：侧立面长度应不小于10 m，主立面与侧立面长度之比大于1.5；3）主立面朝向与南北向的夹角小于10°.

3. 试验结果分析

3.1. 房屋提取结果

根据上述方法提取研究区房屋轮廓，忽略棚户区后的提取正确率如表2所示. 单层房屋的提取率为78%，两层房屋的提取准确率为93%，3层及以上房屋的提取准确率均为100%，综合正确率约为96%. 存在部分低矮房屋漏提的主要原因如下：1）被树木遮挡；2）房屋面积过小被滤除；3）周围房屋紧密接触而未被分离. 3层及以上房屋的体量较大，建筑周围相对空旷，因此可以被准确检测. 典型住宅通常为多层建筑，轮廓都可以准确提取.

表 2   研究区房屋轮廓的提取结果

Tab.2  Extraction results of buildings outline in research area

层数 房屋数量 漏提取数量 提取率/%
1层 14 3 78
2层 30 2 93
3、4层 22 0 100
5、6层 59 0 100
7层及以上 41 0 100

新窗口打开| 下载CSV


3.2. 住宅识别结果

按照2.3节的住宅判别标准，识别研究区161栋房屋中的住宅. 将用本文方法得到的判别结果与房屋的真实属性叠合，识别结果如图10所示，识别正确率统计如表3所示.

图 10

新窗口打开| 下载原图ZIP| 生成PPT

图 10   住宅识别结果图

Fig.10   Residential buildings identification map


表 3   住宅识别正确率统计

Tab.3  Statistics of residential buildings identification correctness

类别 实际数量 正确判别数 错误判别数 正确率/%
住宅 70 58 12 82.9
非住宅 91 89 2 97.8
合计 161 147 14 91.3

新窗口打开| 下载CSV


从表3可知，房屋类型的辨识正确率可达90%，证实基于倾斜摄影点云的典型住宅判别具有较好的效果. 本文的住宅识别规则较严格，因此会造成一定的漏提，如图11所示的住宅未能被识别. 提出的住宅识别规则存在一定的适用范围，针对构造简单的老城区典型住宅有效，但对年代较新且外立面复杂的住宅的适用性有待进一步的研究.

图 11

新窗口打开| 下载原图ZIP| 生成PPT

图 11   未能识别的住宅示例

Fig.11   Examples of omissive resident buildings


4. 结　语

本文利用摄影测量DOM、DSM和点云数据成果，提出自动提取单体房屋点云和房屋立面点云的方法. 基于点云分析房屋空间特征，完成住宅的辨别. 在嘉兴老城区某社区的应用结果表明，房屋轮廓的提取正确率约为96%，其中住宅与非住宅的辨别正确率约为90%. 利用本文方法可以快速识别出老城区典型住宅，为获取老城区建筑信息提供新的易行方法.

本文利用无人机倾斜摄影测量快速提取房屋轮廓，获得单体建筑点云数据，在建筑用途快速自动化识别方面进行了新的尝试，经济高效. 在我国地理信息数据不完备的老城区，该方法可以用于快速轮廓提取、高度测量、建筑面积统计等工作. 对于以多层板式住宅为主的老城区，可以快速分辨出住宅建筑.

参考文献

WU S, QIU X, USERY, et al

Using geometrical, textural, and contextual information of land parcels for classification of detailed urban land use

[J]. Annals of the Association of American Geographers, 2009, 99 (1): 76- 98

DOI:10.1080/00045600802459028      [本文引用: 1]

LU Z, IM J, RHEE J, et al

Building type classification using spatial and landscape attributes derived from LiDAR remote sensing data

[J]. Landscape and Urban Planning, 2014, 130: 134- 148

DOI:10.1016/j.landurbplan.2014.07.005      [本文引用: 2]

LU Z, IM J, QUACKENBUSH L

A volumetric approach to population estimation using LiDAR remote sensing

[J]. Photogrammetric Engineering and Remote Sensing, 2011, 77 (11): 1145- 1156

DOI:10.14358/PERS.77.11.1145      [本文引用: 1]

NEX F, REMONDINO F

UAV for 3D mapping applications: a review

[J]. Applied Geomatics, 2014, 6 (1): 1- 15

DOI:10.1007/s12518-013-0120-x      [本文引用: 1]

沈蔚, 李京, 陈云浩, 等

基于LIDAR数据的建筑轮廓线提取及规则化算法研究

[J]. 遥感学报, 2008, 12 (5): 692- 698

URL     [本文引用: 1]

SHEN Wei, LI Jing, CHEN Yun-hao, et al

Algorithms study of building boundary extraction and normalization based on LIDAR data

[J]. Journal of Remote Sensing, 2008, 12 (5): 692- 698

URL     [本文引用: 1]

YU B, LIU H, WU J, et al

Automated derivation of urban building density information using airborne LiDAR data and object-based method

[J]. Landscape and Urban Planning, 2010, 98 (3): 210- 219

URL    

RUTZINGER M, ROTTENSTEINER F, PFEIFER N

A comparison of evaluation techniques for building extraction from airborne laser scanning

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2009, 2 (1): 11- 20

DOI:10.1109/JSTARS.2009.2012488     

闫利, 魏峰

利用密集匹配点云的建筑单体提取算法研究

[J]. 中国激光, 2018, 45 (7): 270- 277

URL     [本文引用: 1]

YAN Li, WEI Feng

Single part of building extraction from dense matching point cloud

[J]. Chinese Journal of Lasers, 2018, 45 (7): 270- 277

URL     [本文引用: 1]

AWRANGJEB M, RAVANBAKHSH M, FRASER C

Automatic detection of residential buildings using LIDAR data and multispectral imagery

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65 (5): 457- 467

DOI:10.1016/j.isprsjprs.2010.06.001      [本文引用: 1]

GEVAERT C, PERSELLO C, SLIUZAS R, et al

Informal settlement classification using point-cloud and image-based features from UAV data

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 125: 225- 236

DOI:10.1016/j.isprsjprs.2017.01.017      [本文引用: 1]

TSE R, GOLD C, KIDNER D. Using the delaunay triangulation/voronoi diagram to extract building information from raw LIDAR data[C]// Proceedings of the 4th International Symposium on Voronoi Diagrams in Science and Engineering. Glamorgan: IEEE, 2007: 222–229.

[本文引用: 1]

ALEXANDER C, SMITH-VOYSEY S, JARVIS C, et al

Integrating building footprints and LiDAR elevation data to classify roof structures and visualize buildings

[J]. Computers, Environment and Urban Systems, 2009, 33 (4): 285- 292

DOI:10.1016/j.compenvurbsys.2009.01.009     

戴玉成. 基于UAV倾斜影像匹配点云的城市建筑物信息提取方法研究[D]. 北京: 中国科学院大学, 2017.

[本文引用: 1]

DAI Yu-cheng. Urban building detection and reconstruction from point clouds derived from UAV oblique imagery[D]. Beijing: University of Chinese Academy of Sciences, 2017.

[本文引用: 1]

YANG L, SHENG Y, WANG B

3D reconstruction of building facade with fused data of terrestrial LiDAR data and optical image

[J]. Optik, 2016, 127 (4): 2165- 2168

DOI:10.1016/j.ijleo.2015.11.147      [本文引用: 1]

魏征. 车载LiDAR点云中建筑物的自动识别与立面几何重建[D]. 武汉: 武汉大学, 2012.

[本文引用: 1]

WEI Zheng. Automated extraction of buildings and facades reconstruction from mobile lidar point clouds[D]. Wuhan: Wuhan University, 2012.

[本文引用: 1]

王琛. 我国集合住宅阳台政策规定对生活需求影响分析研究[D]. 北京: 清华大学, 2011.

[本文引用: 2]

WANG Chen. Theoretical analysis and study on balcony policy and regulations interaction to living requirement[D]. Beijing: Tsinghua University, 2011.

[本文引用: 2]

吕俊华, 彼得·罗, 张杰. 中国现代城市住宅 1840-2000[M]. 北京: 清华大学出版社, 2005.

胡仁禄, 周燕珉. 居住建筑设计原理[M]. 北京: 中国建筑工业出版社, 2007: 137-157.

[本文引用: 2]

杨洋, 张永生, 马一薇

基于LIDAR数据的建筑物轮廓提取

[J]. 测绘科学, 2010, 35 (3): 203- 205

URL     [本文引用: 1]

YANG Yang, ZHANG Yong-sheng, MA Yi-wei

The study on building boundary extraction based on LIDAR data

[J]. Science of Surveying and Mapping, 2010, 35 (3): 203- 205

URL     [本文引用: 1]

穆超, 余洁, 许磊

基于高分辨率遥感影像的DSM建筑物点的提取研究

[J]. 武汉大学学报: 信息科学版, 2009, 34 (4): 414- 417

DOI:10.3321/j.issn:1671-8836.2009.04.009      [本文引用: 1]

MU Chao, YU Jie, XU Lei

Research on extracting building points from the DSM data combining the high-resolution remote sensing image

[J]. Geomatics and Information Science of Wuhan University, 2009, 34 (4): 414- 417

DOI:10.3321/j.issn:1671-8836.2009.04.009      [本文引用: 1]

MOUNTRAKIS G, IM J, OGOLE C

Support vector machines in remote sensing: a review

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66 (3): 247- 259

DOI:10.1016/j.isprsjprs.2010.11.001      [本文引用: 1]

谭琨, 杜培军

基于支持向量机的高光谱遥感图像分类

[J]. 红外与毫米波学报, 2008, (2): 123- 128

DOI:10.3321/j.issn:1001-9014.2008.02.010      [本文引用: 1]

TAN Kun, DU Pei-jun

Hyperspectral remote sensing image classification based on support vector machine

[J]. Journal of Infrared and Millimeter Waves, 2008, (2): 123- 128

DOI:10.3321/j.issn:1001-9014.2008.02.010      [本文引用: 1]

SCHNABEL R, WAHL R, KLEIN R

Efficient RANSAC for point-cloud shape detection

[J]. Computer Graphics Forum, 2007, 26 (2): 214- 226

DOI:10.1111/j.1467-8659.2007.01016.x      [本文引用: 1]

MARTINEZ J, SORIA A, ARIAS P, et al

Automatic processing of terrestrial laser scanning data of building facades

[J]. Automation in construction, 2012, 22 (3): 298- 305

URL     [本文引用: 1]

付祥钊. 夏热冬冷地区建筑节能技术[M]. 北京: 中国建筑工业出版社, 2002: 45-59.

[本文引用: 1]

赵芹. 城市居住地块形态特征研究与表述[D]. 南京: 南京大学, 2015.

[本文引用: 1]

ZHAO Qin. Study and description of morphological characteristics of residential plots[D]. Nanjing: Nanjing University, 2015.

[本文引用: 1]

/

〈 〉