基于無(wú)人機(jī)傾斜攝影技術(shù)的農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量方法

葛城峰 彭天祥 魏廷榮

（浙江省測(cè)繪科學(xué)技術(shù)研究院，浙江 杭州 311100）

0.引言

當(dāng)前，鄉(xiāng)村治理已成為鄉(xiāng)村振興戰(zhàn)略的重要組成部分。隨著云計(jì)算、物聯(lián)網(wǎng)、人工智能、5G、CIM等新技術(shù)的發(fā)展，如何利用新技術(shù)實(shí)現(xiàn)農(nóng)村宅基地智能化管理是亟需探索的課題。實(shí)現(xiàn)該目標(biāo)的首要環(huán)節(jié)，是對(duì)農(nóng)村房屋不動(dòng)產(chǎn)進(jìn)行測(cè)量并獲取數(shù)字化測(cè)量結(jié)果，從而為不動(dòng)產(chǎn)智能化管理構(gòu)建堅(jiān)實(shí)的時(shí)空數(shù)字底座。目前諸多學(xué)者開(kāi)始嘗試通過(guò)航空航天遙感檢測(cè)等測(cè)量手段，對(duì)農(nóng)村房屋不動(dòng)產(chǎn)進(jìn)行高精度的可靠性測(cè)量，獲取房屋不動(dòng)產(chǎn)影像數(shù)據(jù)；同時(shí)結(jié)合遙感圖像處理和智能分析技術(shù)，建立農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量的數(shù)字圖像處理和數(shù)字分析模型，并對(duì)獲取的房屋不動(dòng)產(chǎn)影像數(shù)據(jù)進(jìn)行后處理和智能分析，從而獲取農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量的成果數(shù)據(jù)。研究農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量方法，對(duì)房屋不動(dòng)產(chǎn)區(qū)域的測(cè)量過(guò)程和測(cè)量結(jié)果進(jìn)行優(yōu)化，在國(guó)土空間規(guī)劃以及不動(dòng)產(chǎn)管理中具有重要意義[1]。

當(dāng)前，農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量的方法主要有面向圖像分割的快速模糊C均值算法、基于邊緣輪廓檢測(cè)的不動(dòng)產(chǎn)測(cè)量方法、基于SAR影像變化檢測(cè)的房屋測(cè)量方法等。文獻(xiàn)[2]中設(shè)計(jì)自適應(yīng)距離和模糊拓?fù)鋬?yōu)化的模糊聚類(lèi)SAR影像變化檢測(cè)方法，利用SAR影像全天時(shí)、全天候及穿透某些地物影響的優(yōu)勢(shì)，實(shí)現(xiàn)農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量，但以該方法進(jìn)行農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量的不規(guī)則性檢測(cè)能力較差。文獻(xiàn)[3]中提出采用多視角監(jiān)控視頻中動(dòng)態(tài)目標(biāo)的時(shí)空信息提取方法進(jìn)行地物目標(biāo)建筑物檢測(cè)和測(cè)量，將觀(guān)測(cè)角度不同、尺度不同和空間分辨率的監(jiān)控圖像進(jìn)行歸一化處理，實(shí)現(xiàn)圖像增強(qiáng)和建筑測(cè)量，但該方法存在精度較低問(wèn)題。針對(duì)上述問(wèn)題，本文提出基于無(wú)人機(jī)傾斜攝影技術(shù)的農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量方法，首先引入模糊聚類(lèi)方法，實(shí)現(xiàn)對(duì)農(nóng)村房屋不動(dòng)產(chǎn)攝影圖像的邊緣輪廓檢測(cè)和特征聚類(lèi)分析；然后生成農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量的變化檢測(cè)圖，通過(guò)檢測(cè)圖分布實(shí)現(xiàn)不動(dòng)產(chǎn)的優(yōu)化測(cè)量；最后進(jìn)行仿真測(cè)試，展示了本文方法在提高農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量精度和抗不規(guī)則度方面的優(yōu)越性能。

1.農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量的無(wú)人機(jī)攝影及預(yù)處理

1.1 農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜攝影

基于無(wú)人機(jī)傾斜攝影技術(shù)進(jìn)行農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量，主要是在直升機(jī)、多旋翼、固定翼、垂起等類(lèi)型無(wú)人機(jī)傾斜攝影作業(yè)平臺(tái)上搭載一個(gè)下視和多個(gè)側(cè)視鏡頭，以拍攝農(nóng)村土地上的房屋不動(dòng)產(chǎn)及其附屬物，獲取地物影像照片。其次，在測(cè)區(qū)內(nèi)按照精度要求布設(shè)像控點(diǎn)用于空三加密。最后，利用經(jīng)典的攝影測(cè)量算法對(duì)傾斜攝影測(cè)量數(shù)據(jù)進(jìn)行軌跡解算、影像勻光、空三加密和光束法區(qū)域網(wǎng)平差[4]、像控刺點(diǎn)等處理，從而得到一系列測(cè)量數(shù)據(jù)，包括影像數(shù)據(jù)、外方位元素POS、數(shù)字正射影像、數(shù)字高程模型、數(shù)字線(xiàn)劃圖、數(shù)字表面模型、傾斜三維模型、點(diǎn)云數(shù)據(jù)等。

當(dāng)前，國(guó)際上主流的無(wú)人機(jī)傾斜攝影作業(yè)平臺(tái)包括大疆系列平臺(tái)、Leica Aibot平臺(tái)、南方測(cè)繪智航等系列平臺(tái)，如，大疆精靈4 RTK、大疆經(jīng)緯M 30、經(jīng)緯M 300 RTK、南方SF 600、南方SF 700A等；主流的相機(jī)鏡頭有索尼、賽爾PSDK 102 S五鏡頭、賽爾發(fā)布PSDK 102S V3；主流的攝影測(cè)量軟件有?？怂箍礒RDAS Photogrammetry、大疆智圖、街景工廠(chǎng)(STREET FACTROY)。在作業(yè)前，需根據(jù)作業(yè)區(qū)域大小、作業(yè)環(huán)境和目標(biāo)成像分辨率要求，靈活選擇相應(yīng)型號(hào)的無(wú)人機(jī)和相機(jī)鏡頭；需對(duì)現(xiàn)場(chǎng)進(jìn)行踏勘，了解周邊地形高差起伏情況，以及周邊是否存在電磁干擾等情況；需提前掌握天氣情況，避免在惡劣氣象條件下開(kāi)展野外作業(yè)；需提前設(shè)計(jì)農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜攝影及圖像采集方案，包括航線(xiàn)設(shè)計(jì)、傾斜航高設(shè)計(jì)、飛行架次和照片量測(cè)算等內(nèi)容，同時(shí)需分析輪廓和地理位置等時(shí)空信息，采用地理坐標(biāo)系精準(zhǔn)匹配的方法，建立農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜攝影的坐標(biāo)系和空間地理位置信息分布集。開(kāi)展無(wú)人機(jī)航飛作業(yè)，獲取農(nóng)村房屋不動(dòng)產(chǎn)傾斜影像數(shù)據(jù)。在此過(guò)程中，采用協(xié)同的視頻監(jiān)控和地理空間數(shù)據(jù)互映射方法，進(jìn)行圖像特征數(shù)據(jù)檢測(cè)和無(wú)人機(jī)傾斜攝影控制，并根據(jù)不同的角度、尺度和空間分辨率，調(diào)整無(wú)人機(jī)傾斜攝影過(guò)程中的角度和方位，提高農(nóng)村房屋地理場(chǎng)景的時(shí)空理解力[5]。農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜攝影的圖像采集和測(cè)量的總體實(shí)現(xiàn)結(jié)構(gòu)模型如圖1所示。

圖1%總體實(shí)現(xiàn)結(jié)構(gòu)圖

采用自適應(yīng)差分影像的統(tǒng)計(jì)特性分析的方法，通過(guò)內(nèi)部像元隸屬度檢測(cè)，利用未變化和變化類(lèi)數(shù)據(jù)的差異性，進(jìn)行農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量。充分考慮農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜攝影圖像不同類(lèi)別之間的分布差異以及未變化和變化類(lèi)數(shù)據(jù)的形狀信息，從而建立農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜攝影采集對(duì)象模型。同時(shí)，采用樣本特征分析和像元分析的方法，進(jìn)行遙感影像土地和房屋建筑的特征分割。

1.2 無(wú)人機(jī)傾斜攝影圖預(yù)處理

采用局部方差法和地統(tǒng)計(jì)學(xué)法，利用知識(shí)鄰域模型下的GIS地理數(shù)據(jù)庫(kù)，進(jìn)行線(xiàn)狀要素的平均統(tǒng)計(jì)分析，計(jì)算農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜攝影線(xiàn)平均長(zhǎng)度L，如式（1）所示：

式（1）中，li為地理要素具有完全相同（或相似）的方向特征分量；n為多尺度分級(jí)；N為紋理主方向權(quán)值參數(shù)。針對(duì)單個(gè)GIS土地利用圖斑，得到平均分布方向的邊緣輪廓D，如式（2）所示：

式（2）中，θi為農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜角度。

采用變化特征的紋理可視化方法，引入模糊聚類(lèi)方法，實(shí)現(xiàn)對(duì)農(nóng)村房屋不動(dòng)產(chǎn)攝影圖像的邊緣輪廓檢測(cè)和特征聚類(lèi)分析。建立農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜攝影的動(dòng)態(tài)分析模型，通過(guò)可視化與在線(xiàn)交互分析，精確界定特征區(qū)域，進(jìn)行攝影測(cè)量。無(wú)人機(jī)傾斜攝影處理結(jié)構(gòu)圖如圖2所示。

圖2無(wú)人機(jī)傾斜攝影處理結(jié)構(gòu)圖

2.農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量方法的優(yōu)化實(shí)現(xiàn)

2.1 農(nóng)村房屋不動(dòng)產(chǎn)攝影圖像邊緣輪廓檢測(cè)

在農(nóng)村房屋不動(dòng)產(chǎn)攝影測(cè)量中，假設(shè)X1,X2為同一地區(qū)不同時(shí)刻采集的農(nóng)村房屋不動(dòng)產(chǎn)攝影圖像像素分量，采用模糊局部信息C均值聚類(lèi)的方法，得到農(nóng)村房屋不動(dòng)產(chǎn)攝影的差分影像，同時(shí)獲得各類(lèi)別的紋理增強(qiáng)系數(shù)，通過(guò)領(lǐng)域知識(shí)庫(kù)中的指標(biāo)參數(shù)優(yōu)化控制，建立農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜攝影的直方圖，如式（3）所示：

式（3）中，m和n分別為農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜攝影編號(hào)；s為影像分辨率；k為建筑物利用類(lèi)別總數(shù)；θijm為灰度共生矩陣特征量；θijn為多尺度窗口。通過(guò)大量深度學(xué)習(xí)模型計(jì)算，得到農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜的空間參數(shù)信息為S={1,2,...,N}；利用大型自然場(chǎng)景進(jìn)行三維信息增強(qiáng)，得到模糊度預(yù)測(cè)函數(shù)C（i），如式（4）所示：

式（4）中，pi（j）為訓(xùn)練模型中全連接層權(quán)值因子；i和j分別為多尺度GLCM（灰度共生矩陣）分布集；ni為遙感影像的幾何形變參數(shù)；n為輪廓的顏色特征。采用多維輪廓特征檢測(cè)，在區(qū)域分辨范圍內(nèi)得到農(nóng)村房屋不動(dòng)產(chǎn)有效測(cè)量范圍的邊緣輪廓特征量，通過(guò)邊緣輪廓檢測(cè)，結(jié)合多維基礎(chǔ)模型訓(xùn)練，提高測(cè)量精度。

2.2 房屋不動(dòng)產(chǎn)的規(guī)則化測(cè)量

引入模糊聚類(lèi)方法，實(shí)現(xiàn)對(duì)農(nóng)村房屋不動(dòng)產(chǎn)攝影圖像的邊緣輪廓檢測(cè)和特征聚類(lèi)分析，采用自適應(yīng)距離增強(qiáng)和模糊聚類(lèi)方法，在中心像素的局部鄰域，得到農(nóng)村房屋不動(dòng)產(chǎn)攝影測(cè)量的遙感影像場(chǎng)景景深，從而實(shí)現(xiàn)農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量。其中，輸入輸出模型如圖3所示。

圖3農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量的輸入輸出模型

圖3中，f（x，y）為輸入的無(wú)人機(jī)攝像；h（x，y）為訓(xùn)練模型函數(shù)，攝影測(cè)量輸出。

3.仿真試驗(yàn)

為驗(yàn)證該方法在實(shí)現(xiàn)農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量中的成果精度，采用真實(shí)的試驗(yàn)數(shù)據(jù)進(jìn)行測(cè)試。試驗(yàn)中，以二維3×3卷積核采樣對(duì)試驗(yàn)區(qū)中房屋不動(dòng)產(chǎn)要素及其附屬物進(jìn)行圖像場(chǎng)景分類(lèi)采集，采集的房屋不動(dòng)產(chǎn)的像素為600×600像素，包含25類(lèi)場(chǎng)景，相關(guān)的采集測(cè)量參數(shù)如表1所示。

表1測(cè)量參數(shù)設(shè)定

根據(jù)表1所設(shè)定的測(cè)量參數(shù)，進(jìn)行無(wú)人機(jī)傾斜攝影下的農(nóng)村房屋遙感測(cè)量，得到傾斜攝影位置標(biāo)定區(qū)域分布如圖4所示。

圖4無(wú)人機(jī)攝影的位置標(biāo)定區(qū)域分布

根據(jù)圖4的位置標(biāo)定，將閾值設(shè)置為12.3，攝像頭拍攝幀率為11.88幀/s，得到邊緣輪廓檢測(cè)結(jié)果如圖5所示。

圖5邊緣輪廓檢測(cè)結(jié)果

基于以上邊緣檢測(cè)結(jié)果，將本文方法與文獻(xiàn)[4]、文獻(xiàn)[5]進(jìn)行對(duì)比得知，如表2所示。采用本文方法得到的農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量結(jié)果精度等級(jí)值較大，表明總體精度較高。

表2農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量精度等級(jí)對(duì)比

4.結(jié)束語(yǔ)

為優(yōu)化測(cè)量不動(dòng)產(chǎn)分布變化區(qū)域的檢測(cè)結(jié)果及提高農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量精度，本文提出基于無(wú)人機(jī)傾斜攝影技術(shù)的農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量方法，采用地理坐標(biāo)系精準(zhǔn)匹配方法，建立農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜攝影的坐標(biāo)系和空間地理位置信息分布集，獲得各類(lèi)別的紋理增強(qiáng)系數(shù)，通過(guò)領(lǐng)域知識(shí)庫(kù)中的指標(biāo)參數(shù)優(yōu)化控制，建立農(nóng)村房屋不動(dòng)產(chǎn)無(wú)人機(jī)傾斜攝影測(cè)量模型，實(shí)現(xiàn)算法改進(jìn)。測(cè)試得出：本文方法對(duì)農(nóng)村房屋不動(dòng)產(chǎn)測(cè)量的精度較高，圖像增強(qiáng)效果較好。