CN108898143B - 一种建筑物损毁状态检测方法 - Google Patents
一种建筑物损毁状态检测方法 Download PDFInfo
- Publication number
- CN108898143B CN108898143B CN201810687828.7A CN201810687828A CN108898143B CN 108898143 B CN108898143 B CN 108898143B CN 201810687828 A CN201810687828 A CN 201810687828A CN 108898143 B CN108898143 B CN 108898143B
- Authority
- CN
- China
- Prior art keywords
- section
- building
- effective
- similarity
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000006378 damage Effects 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title description 9
- 238000000034 method Methods 0.000 claims abstract description 75
- DMSMPAJRVJJAGA-UHFFFAOYSA-N benzo[d]isothiazol-3-one Chemical compound C1=CC=C2C(=O)NSC2=C1 DMSMPAJRVJJAGA-UHFFFAOYSA-N 0.000 claims description 13
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 11
- 241001270131 Agaricus moelleri Species 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Analysis (AREA)
Abstract
一种建筑物损毁状态检测方法,其包括:获取待分析建筑物的点云数据;对点云数据进行横剖面抽取,得到第一有效剖面的点云数据和第二有效剖面的点云数据;将第一有效剖面的点云数据和第二有效剖面的点云数据分别投影到平行于横剖面的YOZ坐标平面中,对应得到第一投影点连线与第二投影点连线;分别提取第一投影点连线和第二投影点连线的顶点数;根据第一顶点数和第二顶点数确定第一有效剖面与第二有效剖面的剖面相似度,并根据剖面相似度确定待分析建筑物的毁损状态。本方法能够自动地基于待分析建筑的图形对建筑物进行分析,不仅能够更加快速地得到建筑物的损毁状态分析结果,同时避免了人工操作对分析结果所造成的干扰。
Description
技术领域
本发明涉及地震灾害检测技术领域,具体地说,涉及一种建筑物损毁状态检测方法。
背景技术
地震是严重威胁人民生命财产安全的自然灾害,1949年以来我国地震造成的人员死亡数占自然灾害造成人员死亡数的比例超过二分之一。根据十年尺度地震预测研究结果,2020年前,我国大陆地区可能发生多次7级以上地震,甚至有发生8级左右巨大地震的可能。努力提高应对突发地震灾害,特别是地震巨灾的能力,保护国家和人民生命财产安全,一直是我国政府部门开展防震减灾工作的重要方面。
严重破坏性地震发生后,地震灾情信息的快速、全面的获取,一直是影响地震应急指挥、抢险救援、灾害损失评估实效性的重要瓶颈。震后快速确定地震灾害程度与受灾范围是地震应急救援的实际需求,震后大量人员赶赴地震现场开展灾情调查,夜以继日地工作,目的就是为了尽快掌握地震受灾程度的分布,确定地震烈度,估计地震损失等。
但受震后交通条件、防灾防疫需求、救灾救援队伍施工等限制,震后灾情实地调查人员可能无法在第一时间进入灾害现场。而借助遥感技术,通过特定方法,对震后灾区的建筑物进行特征参数提取,可以计算受灾害影响的房屋的数据,从而为震后灾害评估提供快速支持。
在过去的地震应急工作中,对遥感图像的解译以及震后受灾建筑物的识别及划分灾害程度,主要依靠人工进行。在计算机技术不发达、调查区域面积小的条件下,人工解读判识尚能满足震后灾情评估的需要。而随着需要调查的区域面积越来越多,人工解译速度已无法满足震后灾情快速评估的需求。
发明内容
为解决上述问题,本发明提供了一种建筑物损毁状态检测方法,所述方法包括:
步骤一、获取待分析建筑物的点云数据;
步骤二、对所述点云数据进行横剖面抽取,得到第一有效剖面的点云数据和第二有效剖面的点云数据;
步骤三、将所述第一有效剖面的点云数据和第二有效剖面的点云数据分别投影到平行于横剖面的YOZ坐标平面中,对应得到第一投影点连线与第二投影点连线;
步骤四、分别提取所述第一投影点连线和第二投影点连线的顶点数,对应得到第一顶点数和第二顶点数;
步骤五、根据所述第一顶点数和第二顶点数确定所述第一有效剖面与第二有效剖面的剖面相似度,并根据所述剖面相似度确定所述待分析建筑物的毁损状态。
根据本发明的一个实施例,所述第一有效剖面与第二有效剖面为沿建筑物走向按预设间隔进行横剖面分割所得到的多个剖面中的两个相邻剖面。
根据本发明的一个实施例,在所述步骤二中,判断指定剖面所包含的点云总数是否大于预设点数阈值,其中,如果大于,则判定所述指定剖面为有效剖面。
根据本发明的一个实施例,根据点云密度、所述预设间隔和建筑物宽度确定所述预设点数阈值。
根据本发明的一个实施例,在所述步骤四中,还分别对所述第一投影点连线和第二投影点连线进行简化,以去除投影点连线中的冗余点。
根据本发明的一个实施例,在所述步骤四中,利用角度限值法、垂距限值法、Douglas-Peuker算法或滤波压缩法对所述第一投影点连线和第二投影点连线进行简化。
根据本发明的一个实施例,所述步骤五包括:
步骤a、计算所述第一顶点数与第二顶点数的差值,得到顶点数差值;
步骤b、从所述第一顶点数与第二顶点数中提取较大的数值,并计算所述顶点数差值与该取值较大的数值的商的绝对值;
步骤c、根据该绝对值确定所述第一有效剖面与第二有效剖面的剖面相似度。
根据本发明的一个实施例,在所述步骤五中,根据如下表达式确定所述所述第一有效剖面与第二有效剖面的剖面相似度;
其中,S表示剖面相似度,N(i)表示第一投影点连线的顶点数,N(j)表示第二投影点连线的顶点数。
根据本发明的一个实施例,在所述步骤五中,判断所述剖面相似度是否大于预设相似度阈值,其中,如果不大于,则判定所述待分析建筑物存在损毁。
根据本发明的一个实施例,在所述步骤五中,还基于各个有效剖面的剖面相似度确定各个剖面的损毁状态,并根据损毁剖面占总剖面的比例来确定所述待分析建筑物的损毁程度。
本发明所提供的方法能够基于有效剖面的投影点连线的顶点数来确定剖面相似度,进而根据剖面相似度来确定待分析建筑物的损毁状态。相较于现有的以及基于点云的建筑物震害识别方法,本方法简单直观,能够自动地基于待分析建筑的图形对建筑物进行分析,这样不仅能够更加快速地得到建筑物的损毁状态分析结果,同时避免了人工操作对分析结果所造成的干扰,从而提高了分析结果的准确度和可靠度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要的附图做简单的介绍:
图1是根据本发明一个实施例的建筑物损毁状态检测方法的实现流程示意图;
图2是根据本发明一个实施例的某未倒塌的坡顶建筑物的屋顶原始点云分布图;
图3和图4分别示出了图2所示的坡顶建筑物的屋顶原始点云在XOY剖面和YOZ剖面的投影图;
图5示出了图2所示的坡顶建筑物的空间坐标归一化后的屋顶点云分布图;
图6和图7分别示出了图5所示的坡顶建筑物的屋顶点云在XOY剖面和YOZ剖面的投影图;
图8是根据本发明一个实施例的对建筑物进行横剖面分隔的示意图;
图9至图12是根据本发明一个实施例的采用Douglas-Peuker算法进行点连线简化的示意图;
图13是根据本发明一个实施例的剖面体点云在YOZ平面投影得到的投影点连线简化前后的对比图;
图14和图15分别是根据本发明一个实施例的整栋完好的人字形建筑和完好的平顶建筑物的各个剖面的投影简化效果图;
图16和图17分别是根据本发明一个实施例的典型坡顶房屋和平顶房屋及完好、局部倒塌和倒塌房屋的点云特征分析图;
图18是根据本发明一个实施例的未倒塌坡顶房屋的剖面相似度结果;
图19为局部倒塌、倒塌、未倒塌的平顶房屋剖面相似度分布图;
图20为局部倒塌、倒塌、未倒塌的坡顶房屋剖面相似度分布图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
同时,在以下说明中,出于解释的目的而阐述了许多具体细节,以提供对本发明实施例的彻底理解。然而,对本领域的技术人员来说显而易见的是,本发明可以不用这里的具体细节或者所描述的特定方式来实施。
另外,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
地震导致的建筑物破坏是人员伤亡和经济损失的主要因素,房屋破坏程度调查是灾害损失评估的重要依据。为此,本发明提供了一种新的建筑物损毁状态检测方法,该方法能够利用建筑物剖面的剖面相似度来确定建筑物是否损毁。
图1示出了本实施例所提供的建筑物损毁状态检测方法的实现流程示意图。
如图1所示,本实施例中,该方法首先会在步骤S101中获取待分析建筑物的点云数据。激光雷达(Light Detection And Ranging,LiDAR)是一种新兴的主动遥感技术,其能够快速获取高精度地面高程信息,能够为监测地震造成的地表形变、地表破裂、滑坡、堰塞湖等地震次生灾害及道路、建筑物损坏提供数据依据。因此,本实施例中,该方法在步骤S101中所获取到的待分析建筑物的点云数据优选地是三维LiDAR点云数据。
需要指出的是,在本发明的其他实施例中,该方法在步骤S101中所获取到的点云数据还可以为其他能够表征建筑物三维特征的点云数据,本发明不限于此。
同时,为了方便后续的数据处理以及数据分析,本实施例中,该方法在步骤S101中所获取到的待分析建筑物的点云数据为空间坐标归一化后的数据。具体地,空间坐标归一化后的点云数据所表征的建筑物长宽将会沿着水平两个坐标方向展布,同时点云数据的原点与水平两个坐标轴的原点重合。空间坐标归一化后的点云数据能够为后续的建筑物剖面的提取。
例如,图2示出了某未倒塌的坡顶建筑物的屋顶原始点云分布图,图3示出了该坡顶建筑物的屋顶原始点云在XOY剖面的投影图,图4示出了该该坡顶建筑物的屋顶原始点云在YOZ剖面的投影图。而图5则示出了上述坡顶建筑物的空间坐标归一化后的屋顶点云分布图,图6示出了该坡顶建筑物的空间坐标归一化后的屋顶点云在XOY剖面的投影图,图7示出了该坡顶建筑物的空间坐标归一化后的屋顶点云在YOZ剖面的投影图。
如图1所示,在得到待分析建筑物的点云数据后,该方法会在步骤S102中对待分析建筑物的点云数据进行横剖面抽取,从而得到第一有效剖面的点云数据和第二有效剖面的点云数据。
如图8所示,本实施例中,该方法在步骤S102中优选地基于步骤S101所获取到的待分析建筑物的点云数据,沿建筑物走向按照预设间隔来进行横剖面的分割,这样也就可以得到沿建筑物走向的多个横剖面。随后,该方法在步骤S102中将会从分割得到的这些横剖面中提取出有效剖面,从而得到第一有效剖面和第二有效剖面。
本实施例中,该方法在判断某一剖面是否为有效剖面时,优选地会判断该剖面所包含的点云总数是否大于预设点数阈值。其中,如果该剖面所包含的点云总数大于预设点数阈值,那么该方法也就可以判定该剖面为有效剖面;而如果该剖面所包含的点云总数小于或等于预设点数阈值,那么该方法也就可以判定该剖面为无效剖面,此时该方法将会转为分析该剖面的下一剖面是否为有效剖面。
本实施例中,该方法在判断某一剖面是否为有效剖面是所使用的预设点数阈值优选地基于上述预设间隔以及以及待分析建筑物的宽度来确定。具体地,本实施例中,该方法通过计算点云密度、上述预设间隔和建筑物宽度三者的乘积来确定预设点数阈值。
当然,在本发明的其他实施例中,根据实际需要,该方法还可以采用其他合理方式来确定上述预设点数阈值,本发明不限于此。
由于建筑物存在局部破坏时,相邻两个剖面的相似度会较小,而不相邻的两个剖面有可能相似,而这样也就会给建筑物的损毁状态分析带来误差,因此本方法在步骤S102中所提取出的两个有效剖面(即第一有效剖面和第二有效剖面)优选地为对待分析建筑物进行横剖面分隔所得到的多个剖面中的两个相邻剖面。
在确定出第一有效剖面和第二有效剖面后,第一有效剖面的点云数据以及第二有效剖面的点云数据也就可以对应得到。如图1所示,本实施例中,此时该方法将会在步骤S103中将第一有效剖面的点云数据和第二有效剖面的点云数据分别投影到平行于横剖面的YOZ坐标平面中,从而对应得到第一投影点连线和第二投影点连线。
随后,该方法会在步骤S104中分别提取第一投影点连线和第二投影点连线的顶点数,从而对应得到第一顶点数和第二顶点数。
本实施例中,该方法在提取第一投影点连线和第二投影点连线的顶点数的过程中,优选地首先都会分别对第一投影点连线和第二投影点连线进行简化,以去除投影点连线中的冗余点。
由于点云精度较高,屋面微小变化会使多边形产生诸多拐点,这将影响屋面形状相似性检测精度和效率,因此本实施例所提供的方法会对屋顶剖面点云构建的多边形的形状进行简化,以去掉其中的冗余点,从而突出屋顶的总体形态特征。
本实施例中,该方法优选地采用Douglas-Peuker算法(简称D-P算法)来对第一投影点连线和第二投影点连线进行简化。
如图9至12所示,设C为实平面上的一不封闭曲线,P1、…、Pn为该曲线上节点。如图9所示,连接P1与Pn,并计算这两点间节点到直线的距离,取其中距离最大的点,若其大于距离阈值,则保留该点,反之剔除该点,余下的其他点为待判断点。
利用保留的最大距离点将原曲线分为两段,如图10所示。再用上述同样的方法分别从这两段的待判断点中寻找剔除点或者可保留的最大距离点(如图11所示)。重复此操作,直至每个待判断点都确定为剔除或保留的点为止,结果如图12所示。
D-P算法是一个从整体到局部由粗到细的曲线简化方法,其具有平移、旋转不变性等优点,确定阈值后简化结果一致。
本实施例中,该方法在利用D-P算法对第一投影点连线和第二投影点连线进行简化的过程中,首先会对投影后的点按照Y值进行排序,从而确定投影点连线的起始点与末端点,随后在基于预设距离阈值来对投影点连线进行简化。
通过分析发现,如果简化过程中所选取的距离阈值过大,那么将会导致图形失真,这样也就不能有效地反映曲线的原始形状;而如果所选取的距离阈值过小,那么则有难以达到简化效果。
本实施例中,为了保证图形简化效果,该方法优选地基于点云数据的精度来通过多次试验分析确定上述距离阈值。例如,对于海地震后机载LiDAR数据(精度0.15m),经过多次试验,该方法确定出的距离阈值为0.3m。
以“人”字形房屋为例,单剖面体点云在YOZ平面投影得到的投影点连线简化前后的对比图如图13所示。而图14则示出了整栋完好的人字形建筑的各个剖面的投影简化效果图,从图中可以看出,该建筑物的剖面的各简化图形为近乎重叠的等腰三角形。图15示出了整栋完好平顶建筑的各个剖面的投影简化效果图,如图15所示,平顶建筑物的简化图形为平行重叠的直线段。
需要指出的是,在本发明的其他实施例中,该方法还可以采用其他合理方式来对第一投影点连线和第二投影点连线进行简化,本发明不限于此。例如,在本发明的一个实施例中,该方法还可以采用角度限值法、垂距限值法或滤波压缩法来对第一投影点连线和第二投影点连线进行简化。
地震造成破坏的建筑物的横剖面点云投影后的投影点连线的简化图形为形状各异的不规则多边形,发明人分别选取典型坡顶房屋和平顶房屋及完好、局部倒塌和倒塌房屋进行了点云特征分析,结果如图16和图17所示。
从图16中平顶房屋的三个破坏等级几何特征分布中可以看出,对于房屋横剖面点云分布,完好房屋的横剖面点云基本分布在屋顶附近,局部倒塌房屋的横剖面点云有部分分布较离散,而倒塌房屋的横剖面点云完全呈现离散分布。
横剖面投影点连线图形简化后,完好房屋的各横剖面图形均呈直线形,质心也集中分布于线段中心点处。部分倒塌房屋的投影点连线有部分简化图形呈不规则多边形其他部分为直线段。倒塌房屋的投影点连线的简化图形完全呈现不规则多边形,质心点也离散分布。
从简化图形长度/周长统计分布来看,完好房屋的投影线连线的简化图形的长度基本一致;局部倒塌房屋的投影点连线的图形长度有部分长度变化较大,另部分长度基本相同;而倒塌房屋的投影点连线的简化图形的长度变化较大,基本无相同的出现。
从顶点数量来看,完好部分的房屋的投影点连线的简化图形的顶点数量相同,都为2个顶点;局部倒塌的房屋的投影点连线的简化图形在破坏部分顶点数大于2个而且变化较大;倒塌的房屋的投影点连线的简化图形的顶点数很多,未出现顶点数量相同情况。
从图17可以看出,完好坡顶房屋的投影点连线的简化图形呈现规则三角形、顶点数量一般为3个,各个剖面的长度、面积、顶点数量基本一致,简化三角形质心也集中分布于三角形中心位置;局部倒塌和倒塌的房屋的投影点连线的简化图形的分布特征与平顶建筑的分布特征相似,均是长度、面积和顶点数在房屋破坏的剖面呈现较大变化。
通过上述分析可知,建筑物的投影点连线的简化图形的顶点数、长度、面积、质心等几何特征对震害反映较敏感,这些参数能够反映出房屋的破坏,因此也就可以基于这些特征参数对建筑物的损毁状态进行分析。本实施例中,该方法优选地利用顶点数来对待分析建筑物的损毁状态进行检测。
本实施例中,该方法在步骤S104中能够得到对应于第一投影点连线的第一顶点数和对应于第二投影点连线的第二顶点数。假设Q(i)={p(yk,zk),|k=1,2,...,m}(m表示形成第一投影点连线的点云总数)表示形成第i个横剖面(即第一有效剖面)的投影点连线(即第一投影点连线)的点集,N(i)表示第一投影点连线的顶点数;Q(j)={p(yl,zl),|l=1,2,...,n}(n表示形成第二投影点连线的点云总数)表示形成第j个横剖面(即第二有效剖面)的投影点连线(即第二投影点连线)的点集,N(j)表示第二投影点连线的顶点数。
本实施例中,由于第一有效剖面与第二有限剖面为相邻剖面,因此优选地存在j=i+1。
如图1所示,本实施例中,在得到对应于第一投影点连线的第一顶点数和对应于第二投影点连线的第二顶点数后,该方法会在步骤S105中根据上述第一顶点数和第二顶点数确定第一有效剖面与第二有效剖面的剖面相似度。
本实施例中,该方法在确定第一有效剖面与第二有效剖面的剖面相似度的过程中,首先会计算上述第一顶点数与第二顶点数的差值,从而得到顶点数差值。随后,该方法会从上述第一顶点数与第二顶点数中提取较大的数值,并计算上述顶点差值与该较大数值的商的绝对值;在得到该绝对值后,该方法会根据该绝对值确定第一有效剖面与第二有效剖面的相似度。
具体地,本实施例中,该方法优选地根据如下表达式确定第一有效剖面与第二有效剖面的相似度:
其中,S表示剖面相似度,N(i)表示第i个横剖面(即第一有效剖面)的投影点连线(即第一投影点连线)的顶点数,N(j)表示第j个横剖面(即第二有效剖面)的投影点连线(即第二投影点连线)的顶点数。
当然,在本发明的其他实施例中,该方法还可以采用其他合理方式来确定第一有效剖面与第二有效剖面的相似度,本发明不限于此。
本实施例中,在确定出第一有效剖面与第二有效剖面的相似度后,该方法便可以在步骤S106中根据第一有效剖面与第二有效剖面的相似度来确定待分析建筑物的损毁状态。
具体地,本实施例中,该方法优选地在步骤S106中判断第一有效剖面与第二有效剖面的相似度是否大于预设相似度阈值。其中,如果第一有效剖面与第二有效剖面的相似度不大于预设相似度阈值,那么则表示第一有效剖面与第二有效剖面存在明显差别,因此该方法也就可以判断该待分析建筑物存在损毁。
需要指出的是,在本发明的不同实施例中,上述预设相似度阈值可以根据实际需要配置为不同的合理值,本发明并不对该预设相似度阈值的具体取值进行限定。
为了验证本实施例所提供的建筑物损毁状态检测方法的可靠性,本实施例中利用该方法,分别选取选取倒塌、局部倒塌、未倒塌的平顶房屋和坡顶房屋的点云样本,取1.0m剖面间隔,计算了各样本相邻两剖面的投影点连线的简化多边形的顶点相似度。
图18为一栋未倒塌坡顶房屋的剖面相似度结果,从图中可以看出各剖面的顶点数相似度都为1。当建筑物为未倒塌平顶房屋时,剖面的投影点连线的简化图形为直线段。
图19为局部倒塌、倒塌、未倒塌的平顶房屋剖面相似度分布图。从图中可以看出,未倒塌房屋的各剖面相似度都为1;局部倒塌的房屋在未倒塌部分的相似度为1,房屋破坏部分的相似度变化比较大;倒塌房屋形状相似度总体变化较大,几乎无相同的剖面。如图20所示,坡顶房屋的形状相似度也表现出相同的特征,因此顶点相似度能够反映房屋破坏情况,可以作为房屋震害识别的有效特征参量。
本实施例中,根据实际需要,该方法还可以根据各个有效剖面的剖面相似度来确定各个剖面的损毁状态,并根据损毁剖面占纵剖面的比例来确定待分析建筑物的损毁程度。
从上述描述中可以看出,本发明所提供的方法能够基于有效剖面的投影点连线的顶点数来确定剖面相似度,进而根据剖面相似度来确定待分析建筑物的损毁状态。相较于现有的采用人工解读判识的方式,本方法能够自动地基于待分析建筑的图形对建筑物进行分析,这样不仅能够更加快速地得到建筑物的损毁状态分析结果,同时避免了人工操作对分析结果所造成的干扰,从而提高了分析结果的准确度和可靠度。
应该理解的是,本发明所公开的实施例不限于这里所公开的特定结构或处理步骤,而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是,在此使用的术语仅用于描述特定实施例的目的,而并不意味着限制。
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
虽然上述示例用于说明本发明在一个或多个应用中的原理,但对于本领域的技术人员来说,在不背离本发明的原理和思想的情况下,明显可以在形式上、用法及实施的细节上作各种修改而不用付出创造性劳动。因此,本发明由所附的权利要求书来限定。
Claims (8)
1.一种建筑物损毁状态检测方法,其特征在于,所述方法包括:
步骤一、获取待分析建筑物的点云数据;
步骤二、对所述点云数据进行横剖面抽取,得到第一有效剖面的点云数据和第二有效剖面的点云数据,其中,判断各分割得到的横剖面所包含的点云总数是否大于预设点数阈值,如果大于,则判定当前横剖面为有效剖面,所述第一有效剖面与第二有效剖面为沿建筑物走向按预设间隔进行横剖面分割所得到的多个剖面中的两个相邻剖面;
步骤三、将所述第一有效剖面的点云数据和第二有效剖面的点云数据分别投影到平行于横剖面的YOZ坐标平面中,对应得到第一投影点连线与第二投影点连线;
步骤四、分别提取所述第一投影点连线和第二投影点连线的顶点数,对应得到第一顶点数和第二顶点数;
步骤五、根据所述第一顶点数和第二顶点数确定所述第一有效剖面与第二有效剖面的剖面相似度,并根据所述剖面相似度确定所述待分析建筑物的毁损状态。
2.如权利要求1所述的方法,其特征在于,根据点云密度、所述预设间隔和建筑物宽度确定所述预设点数阈值。
3.如权利要求1所述的方法,其特征在于,在所述步骤四中,还分别对所述第一投影点连线和第二投影点连线进行简化,以去除投影点连线中的冗余点。
4.如权利要求3所述的方法,其特征在于,在所述步骤四中,利用角度限值法、垂距限值法、Douglas-Peuker算法或滤波压缩法对所述第一投影点连线和第二投影点连线进行简化。
5.如权利要求1所述的方法,其特征在于,所述步骤五包括:
步骤a、计算所述第一顶点数与第二顶点数的差值,得到顶点数差值;
步骤b、从所述第一顶点数与第二顶点数中提取较大的数值,并计算所述顶点数差值与所述较大的数值的商的绝对值;
步骤c、根据该绝对值确定所述第一有效剖面与第二有效剖面的剖面相似度。
7.如权利要求1~6中任一项所述的方法,其特征在于,在所述步骤五中,判断所述剖面相似度是否大于预设相似度阈值,其中,如果不大于,则判定所述待分析建筑物存在损毁。
8.如权利要求1~6中任一项所述的方法,其特征在于,在所述步骤五中,还基于各个有效剖面的剖面相似度确定各个剖面的损毁状态,并根据损毁剖面占总剖面的比例来确定所述待分析建筑物的损毁程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810687828.7A CN108898143B (zh) | 2018-06-28 | 2018-06-28 | 一种建筑物损毁状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810687828.7A CN108898143B (zh) | 2018-06-28 | 2018-06-28 | 一种建筑物损毁状态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108898143A CN108898143A (zh) | 2018-11-27 |
CN108898143B true CN108898143B (zh) | 2020-08-25 |
Family
ID=64346782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810687828.7A Expired - Fee Related CN108898143B (zh) | 2018-06-28 | 2018-06-28 | 一种建筑物损毁状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898143B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080089610A1 (en) * | 2004-01-16 | 2008-04-17 | Geotango International Corp. | System, computer program and method for 3d object measurement, modeling and mapping from single imagery |
CN102004915A (zh) * | 2010-10-19 | 2011-04-06 | 中国科学院遥感应用研究所 | 基于纹理特征空间的震损建筑遥感快速提取技术 |
CN103077515A (zh) * | 2012-12-29 | 2013-05-01 | 北方工业大学 | 一种多光谱图像建筑物变化检测方法 |
CN103729853A (zh) * | 2014-01-15 | 2014-04-16 | 武汉大学 | 三维gis辅助下的高分遥感影像建筑物倒损检测方法 |
CN104048618A (zh) * | 2014-06-16 | 2014-09-17 | 民政部国家减灾中心 | 一种损毁建筑检测方法 |
CN105243276A (zh) * | 2015-10-14 | 2016-01-13 | 中国地震局地壳应力研究所 | 一种建筑物震害分析方法 |
-
2018
- 2018-06-28 CN CN201810687828.7A patent/CN108898143B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080089610A1 (en) * | 2004-01-16 | 2008-04-17 | Geotango International Corp. | System, computer program and method for 3d object measurement, modeling and mapping from single imagery |
CN102004915A (zh) * | 2010-10-19 | 2011-04-06 | 中国科学院遥感应用研究所 | 基于纹理特征空间的震损建筑遥感快速提取技术 |
CN103077515A (zh) * | 2012-12-29 | 2013-05-01 | 北方工业大学 | 一种多光谱图像建筑物变化检测方法 |
CN103729853A (zh) * | 2014-01-15 | 2014-04-16 | 武汉大学 | 三维gis辅助下的高分遥感影像建筑物倒损检测方法 |
CN104048618A (zh) * | 2014-06-16 | 2014-09-17 | 民政部国家减灾中心 | 一种损毁建筑检测方法 |
CN105243276A (zh) * | 2015-10-14 | 2016-01-13 | 中国地震局地壳应力研究所 | 一种建筑物震害分析方法 |
Non-Patent Citations (1)
Title |
---|
Object-Based Analysis of Airborne LiDAR Data for Building Change Detection;Shiyan Pang等;《remote sensing》;20141106;第6卷(第11期);第10733-10749页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108898143A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2064657B1 (en) | Geospatial modeling system providing building roof type identification features and related methods | |
CN106127857B (zh) | 综合数据驱动与模型驱动的机载LiDAR数据建模方法 | |
Wang et al. | Segmentation of LiDAR point clouds for building extraction | |
Awrangjeb et al. | Automatic building extraction from LiDAR data covering complex urban scenes | |
CN110794413B (zh) | 线性体素分割的激光雷达点云数据电力线检测方法和系统 | |
Yonglin et al. | Identification of inclined buildings from aerial lidar data for disaster management | |
CN109035406B (zh) | 一种用于建筑物分析的点云数据处理方法 | |
CN114549956B (zh) | 一种深度学习辅助的倾斜模型建筑物外立面目标识别方法 | |
Hammoudi et al. | Extracting wire-frame models of street facades from 3D point clouds and the corresponding cadastral map | |
CN115115595B (zh) | 一种面向森林火灾监测的机载激光雷达和红外相机的实时标定方法 | |
CN116304764A (zh) | 一种施工隧道点云中轴线自动拟合方法 | |
Lari et al. | New approaches for estimating the local point density and its impact on LiDAR data segmentation | |
Tu et al. | Extraction of street pole-like objects based on plane filtering from mobile LiDAR data | |
CN108898144B (zh) | 一种建筑物损毁状态检测方法 | |
Hammoudi et al. | Extracting building footprints from 3D point clouds using terrestrial laser scanning at street level | |
CN108388723A (zh) | 板桥桥梁点云的部件自动检测方法及系统 | |
CN108898143B (zh) | 一种建筑物损毁状态检测方法 | |
CN115063698A (zh) | 斜坡地表变形裂缝自动识别与信息提取方法及系统 | |
Zhao et al. | A 3D modeling method for buildings based on LiDAR point cloud and DLG | |
CN109035206B (zh) | 一种建筑物损毁状态检测方法 | |
Torok et al. | Post-disaster robotic building assessment: Automated 3D crack detection from image-based reconstructions | |
Kashani et al. | Lidar-based methodology to evaluate fragility models for tornado-induced roof damage | |
CN108961232B (zh) | 一种建筑物损毁状态检测方法 | |
CN108921837B (zh) | 一种建筑物损毁状态检测方法 | |
Hammoudi et al. | Extracting outlined planar clusters of street facades from 3D point clouds |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200825 |
|
CF01 | Termination of patent right due to non-payment of annual fee |