联合机载LiDAR与航空影像的建筑物自适应检测及其精细轮廓提取

Buildings, the most significant component of the urban scene, are also important elements in the vector map products. Automatic identification of the building target and precise acquisition of its vector contour has been an urgent task which is at the same time facing huge challenges. Considering that the manual-designed features adopted by most of the existing methods have limitations in distinguishing complex and diverse buildings captured from variable imaging conditions, the project intends to propose an approach where convolutional neural network model is used in building detection from airborne LiDAR and aerial imagery. In this approach, an image feature extractor can be generated from massive data adaptively, and by using this extractor, high-dimensional abstract features with extremely high complexity can be automatically extracted and classified; hence, the detection precision and adaptability of the state-of-art methods can be enhanced. Meanwhile, considering the fact that it is difficult to generate high-quality vector contour from the classification results because of the errors and uncertainties, an improved Snake model is proposed to optimize the three-dimensional vector contour in order to automatically generate building contours with high production quality. Compared with the existing building contour processing methods, the proposed method is considered to be able to reserve more contour details, and also can be free of dependence on the results of line feature extraction. The research achievement of this project is expected to be able to make significant progress in the key methods of space information intelligent interpretation, and will be of great significance in providing strong support for the development of digital city construction.

建筑物是城市场景中最关键的组成部分，也是矢量地图产品中的重要元素。实现建筑物目标的自动识别并获取其精确矢量轮廓，一直是一项亟待解决却又面临巨大挑战的任务。针对现有方法普遍采用的人工设计特征对不同成像条件下复杂多样建筑物分辨力的局限性，本项目拟将卷积神经网络模型引入联合机载LiDAR与航空影像的建筑物检测，以特征学习的方式自适应地生成图像特征提取器，实现复杂度极高的高维抽象特征的提取和分类，从而提升算法的检测精度和数据适应性；同时，针对分类算法的误差和不确定性导致难以获取高质量矢量轮廓的现象，拟提出一种基于改进Snake模型的三维矢量轮廓优化方法，改善传统方法在规则化处理中的轮廓细节丢失以及边缘精化处理中过于依赖线特征的问题，以更稳健的方式自动生成满足生产要求的建筑物精细轮廓。本项目的研究成果将有望在空间信息智能解译的关键方法上取得一定突破，同时也将为我国数字城市的建设与发展提供有力支撑。

由于建筑物结构、纹理复杂多样，以及成像光照条件、角度和分辨率的变化，基于遥感影像的建筑物自动检测一直以来都是一项极具挑战性的工作。尽管深度学习技术目前已经可以大幅提升此项任务的精度水平，但建筑物测图的自动化和智能化进程中仍有大量问题有待解决。本课题以高分辨率航空影像为处理对象，对基于深度卷积神经网络(Convolutional Neural Network, CNN)的建筑物检测中所涉及的若干重要问题进行了研究，主要研究成果包括：.1) 针对当前CNN模型应用于图像分割的不足之处，提出了一种基于多重约束全卷积网络(Multi-Constraint Fully Convolutional Network, MCFCN)的建筑物检测算法，并在分辨率0.075米、覆盖范围18平方公里、包含建筑物目标17000余个的航空影像数据集上进行试验。结果表明，基于MCFCN模型的检测结果在IoU和F1-Score两项关键评价指标的均值上分别达到83.3%和90.9%，优于其改进对象U-Net模型，显著优于FCN模型和基于人工设计特征的AdaBoost模型。.2) 针对现有建筑物检测开源数据集中真值的可靠性和准确性存疑的问题，在一组分辨率0.1米、包含约8500建筑物目标的航空影像数据集上进行了基于不同参考进行模型训练的对照试验。结果表明，在测试CNN模型的网络结构完全一致的前提下，使用严格与屋顶轮廓配准的建筑物矢量作为训练参考能够达到更高的检测精度，略优于采用屋脚轮廓作为参考的情形，显著优于采用包含较多噪声的开源数据作为参考的情形。.3) 为了进一步探索深度CNN模型在更大规模数据集上的建筑物检测效果，构建并发布了一组0.075米分辨率、覆盖范围457平方公里、包含建筑物目标22万余个的航空影像数据集用于建筑物检测试验。在此基础上，实现了三种代表目前先进水平的CNN模型方案同时对其结果进行了详细比较。试验结果证实了极深型CNN网络在建筑物检测问题上的强大性能，同时也指出了一些可能的后续改进方向。