CN114187539B - 基于无人机倾斜摄影数据的地震人员伤亡评估方法 - Google Patents
基于无人机倾斜摄影数据的地震人员伤亡评估方法 Download PDFInfo
- Publication number
- CN114187539B CN114187539B CN202210147112.4A CN202210147112A CN114187539B CN 114187539 B CN114187539 B CN 114187539B CN 202210147112 A CN202210147112 A CN 202210147112A CN 114187539 B CN114187539 B CN 114187539B
- Authority
- CN
- China
- Prior art keywords
- building
- earthquake
- collapse
- aerial vehicle
- unmanned aerial
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本公开是一种基于无人机倾斜摄影数据的地震人员伤亡评估方法,具体步骤包括:获取震后无人机倾斜摄影数据;处理所述震后无人机倾斜摄影数据,以确定建筑物的倒塌类别;根据所述建筑物的倒塌类别生成人员伤亡耦合因子的精细化评估模型;根据所述精细化评估模型获取人员伤亡总数。本公开通过获取无人机倾斜摄影数据,可以获取震后建筑物的倒塌情况,并通过建立nDSM算法模型计算建筑物的平均高程值,获得三维影像,突破传统二维影像基于垂直视角的屋顶外形轮廓特征识别的局限性,实现建筑物破坏三维精细化评估空间精度的提升,准确的实现地震人员伤亡评估。
Description
技术领域
本发明涉及地震灾情评估领域,尤其涉及一种基于无人机倾斜摄影数据的地震人员伤亡评估方法。
背景技术
重大自然灾害是导致人员伤亡的重要因素。我国位于欧亚板块东南部,受印度洋板块、太平洋板块的相互作用和影响,地震十分活跃,且具有强度大、频度高、震源浅、分布广、灾害重等特点。
快速挽救生命,最大限度地减少人员伤亡,是震后应急救援工作的首要任务。破坏性地震发生后的人员伤亡评估,是应急管理部门启动应急响应和救援力量部署的重要参考依据,精准的评估结果有助于最大程度地挽救生命,是现阶段我国震后应急救援方面亟待研究的一个重要科学问题。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开第一方面,提出一种基于无人机倾斜摄影数据的地震人员伤亡评估方法,包括:
获取震后无人机倾斜摄影数据;
处理所述震后无人机倾斜摄影数据,以确定建筑物的倒塌类别;
根据所述建筑物的倒塌类别生成人员伤亡耦合因子的精细化评估模型;
根据所述精细化评估模型获取人员伤亡总数。
可选的,所述处理所述震后无人机倾斜摄影数据,以确定建筑物的倒塌类别,包括:
将所述震后无人机倾斜摄影数据中的点云转换为栅格格式,获取建筑物像素点;
提取所述建筑物像素点的纹理特征,通过K-Means聚类分析算法处理所述纹理特征,并通过滤波方法建立数字表面模型(nDSM)从而计算建筑物的平均高程值,获得三维影像;
提取震后建筑物倾角并根据所述震后建筑物倾角和所述平均高程值确定建筑物的倒塌类别。
可选的,所述纹理特征,包括:平均值、方差、偏度和熵,分别为:
其中,M为平均值,V为方差,S为偏度,E为熵。
可选的,所述提取震后建筑物倾角,记作:
可选的,所述根据所述建筑物的倒塌类别生成人员伤亡耦合因子的精细化评估模型,包括:
获取所述倒塌类别对应的人员伤亡率;
获取精细化的室内人员密度以及区域应急救援能力;
根据所述人员伤亡率、所述室内人员密度和所述区域应急救援能力与区域地震动与地震烈度的关系模型,生成人员伤亡耦合因子的精细化评估模型。
可选的,所述人员伤亡耦合因子的精细化评估模型,记作:
本公开第二方面,提出了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述第一方面中任一项所述的方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
通过获取无人机倾斜摄影数据,可以获取震后建筑物的倒塌情况,并通过建立nDSM算法模型计算建筑物的平均高程值,获得三维影像,突破传统二维影像基于垂直视角的屋顶外形轮廓特征识别的局限性,实现建筑物破坏三维精细化评估空间精度的提升,准确的实现地震人员伤亡评估。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的基于无人机倾斜摄影数据的地震人员伤亡评估方法的详细流程图。
图2是根据另一示例性实施例示出的基于无人机倾斜摄影数据的地震人员伤亡评估方法的流程图。
图3是结合数字地表模型,进行建筑物倒塌类别精细划分的步骤流程图。
图4是增加耦合因子的精细化评估算法流程图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的方法的例子。
重大自然灾害是导致人员伤亡的重要因素。我国位于欧亚板块东南部,受印度洋板块、太平洋板块的相互作用和影响,地震十分活跃,且具有强度大、频度高、震源浅、分布广、灾害重等特点,大自然灾害造成的人员伤亡作为灾害社会影响的重要组成部分,一直受到社会公众的高度关注。
快速挽救生命,最大限度地减少人员伤亡,是震后应急救援工作的首要任务。破坏性地震发生后的人员伤亡评估,是应急管理部门启动应急响应和救援力量部署的重要参考依据,精准的评估结果有助于最大程度地挽救生命,是现阶段我国震后应急救援方面亟待研究的一个重要科学问题。
卫星遥感影像由于受空间分辨率和时间分辨率的限制,难以提供高精度的建筑物倒塌评估信息,航空影像具有更高空间分辨率(20-50cm)的优势,因此在建筑物灾损评估中得到更广泛的应用,但是其空间分辨率仍然不足以满足房屋倒塌精细化评估的需求。近年来,无人机遥感由于具有超高空间分辨率(2-10cm)影像并且机动灵活的优势,在地震灾害灾后应急评估中受到重视。
K均值聚类分析算法(k-means clustering algorithm,K-Means)是一种迭代求解的聚类分析算法,是非监督学习算法的一种,其算法思想大致为:先从样本集中随机选取K个样本作为簇中心,并计算所有样本与这k个"簇中心"的距离,对于每一个样本,将其划分到与其距离最近的"簇中心"所在的簇中,对于新的簇计算各个簇的新的"簇中心"。
数字地面模型(Digital Terrain Model,DTM),是利用一个任意坐标系中大量选择的已知x、y、z的坐标点对连续地面的一种模拟表示,或者说,DTM就是地形表面形态属性信息的数字表达,是带有空间位置特征和地形属性特征的数字描述。
数字高程模型(Digital Elevation Model,DEM),是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达)。它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。
数字地表模型(Digital Surface Model,DSM)是包含了地表建筑物、桥梁和树木等高度的地面高程模型。和DEM相比,DEM只包含了地形的高程信息,并未包含其它地表信息,DSM是在DEM的基础上,进一步涵盖了除地面以外的其它地表信息的高程。在一些对建筑物高度有需求的领域有重要作用。
图2是根据一示例性实施例示出的基于无人机倾斜摄影数据的地震人员伤亡评估方法的流程图。如图2所示,包括以下步骤:
步骤101,获取震后无人机倾斜摄影数据。
本实施例中,以无人机为平台,通过上面装载的倾斜摄影相机采集震后建筑物影像,所述包括五镜头、三镜头、双镜头等多镜头相机及可以调整相机拍摄角度的单相机系统,在无人机航测标准中,要求航测相机像素不低于 3500万,在倾斜摄影中可以不对单一相机的像素进行限定,而对一次曝光获取的影像像素进行控制。倾斜相机的性能要求可以从获取影像能力、作业时间、曝光功能、续航时间、POS 记录功能等方面做出限定。
一种可能的实施例中,倾斜相机单个镜头像素为4000万像素,一次曝光为1.1亿像素,作业时间能满足可以满足180min,具有定点曝光功能。
步骤102,处理所述震后无人机倾斜摄影数据,以确定建筑物的倒塌类别。
本实施例中,通过获取摄影数据,通过获取取无人机倾斜摄影数据的纹理特征、归一化数字表面模型和倾角,来确定建筑物的倒塌类别。
步骤103,根据所述建筑物的倒塌类别生成人员伤亡耦合因子的精细化评估模型。
本实施例中,获取建筑物的倒塌类别后,结合不同类别人员伤亡率,室内人员密度以及区域应急救援能力来生成人员伤亡耦合因子的精细化评估模型。
步骤104,根据所述精细化评估模型计算人员伤亡总数。
本实施例中,将各种参数代入至精细化评估模型以获取人员伤亡总数。
本公开实施例通过获取无人机倾斜摄影数据,可以获取震后建筑物的倒塌情况,并通过建立nDSM算法模型计算建筑物的平均高程值,获得三维影像,突破传统二维影像基于垂直视角的屋顶外形轮廓特征识别的局限性,实现建筑物破坏三维精细化评估空间精度的提升,准确的实现地震人员伤亡评估。
图3是结合数字地表模型,进行建筑物倒塌类别精细划分的步骤流程图。如图3所示,步骤102还包括以下步骤:
步骤201,将所述震后无人机倾斜摄影数据中的点云转换为栅格格式,获取建筑物像素点。
本实施例中,点云是指目标表面特性的海量点集合,本公开通过无人机摄影,即通过摄影测量原理得到的点云,包含三维坐标(XYZ)和颜色信息(RGB)。栅格格式就是将空间分割成有规律的网格,每一个网格称为一个单元,并在各单元上赋予相应的属性值来表示实体的一种数据形式。在计算机图形学中,网格是一种非常基本的表示方法,由于需要将数据使用到算法与模型中,则需要将海量的三维点云数据转换为单一的网格。
步骤202,提取所述建筑物像素点的纹理特征,通过K-Means聚类分析算法处理所述纹理特征,并通过滤波方法建立数字表面模型(nDSM)从而计算建筑物的平均高程值,获得三维影像。
所述纹理特征,包括:平均值、方差、偏度和熵。本实施例中,首先要计算所选区域点(I)建筑物像素点的纹理特征,包括平均值(M)、方差(V)、偏度(S)和熵(E)特征:
式中,Ng是DSM 中的高程点个数。
进一步的,基于K-Means聚类算法初步评估建筑物倒塌结果。
进一步的,为了消除地形的影响,经常需要对高程进行归一化,获取地面物体的真实高度,当通过高度阈值进行地物分类时,需要用到归一化地面模型nDSM。使用nDSM修正建筑物倒塌结果。研究一个基于震后无人机倾斜摄影数据提取nDSM的自动检测方法。通过提取DTM后用滤波方法建立数字地形模型(DTM),nDSM的计算为:
nDSM=DSM-DTM,根据平均nDSM计算建筑物的平均高程值。
步骤203,提取震后建筑物倾角并根据所述震后建筑物倾角和所述平均高程值确定建筑物的倒塌类别。
通过建筑物的倾角和平均高程值,可以判断建筑物的倒塌类别为倾斜支撑型、悬臂型、V型和夹层型中的一种。
本公开实施例通过对震后无人机倾斜摄影数据进行分析,结合数字地表模型,对建筑物的倒塌类别做了精细划分。
图4是增加耦合因子的精细化评估算法流程图。如图4所示,步骤103还包括以下步骤:
步骤301,获取所述倒塌类别对应的人员伤亡率。
本实施例中,根据不同类别的倒塌类别,根据过往事故发生的类别与人员伤亡,计算建筑物在不同倒塌类别中的人员伤亡率。
步骤302,获取精细化的室内人员密度以及区域应急救援能力。
本实施例中,室内人员密度以及区域应急救援能力为本发明考虑的因素,具体通过算法预计和过往情况进行获取。
步骤303,根据所述人员伤亡率、所述室内人员密度和所述区域应急救援能力与区域地震动与地震烈度的关系模型,生成人员伤亡耦合因子的精细化评估模型。
本实施例中,通过区域地震动与地震烈度的关系模型进行地震烈度修正。关系模型包括PGA与烈度之间、PGV与烈度之间的回归关系模型。通过在高烈度区(I>Ⅶ度)和中烈度区(Ⅴ度≤I≤Ⅷ度)的关系模型进行地震烈度修正。
PGV与烈度之间的关系模型采用:
PGA与烈度之间的关系模型采用:
根据步骤301与步骤302中的不同类别人员伤亡率,室内人员密度以及区域应急救援能力,构建地震灾害人员伤亡耦合因子的精细化评估算法:
本公开实施例,根据建筑物的倒塌类别,结合人员伤亡率,室内人员密度以及区域应急救援能力,根据区域地震动与地震烈度的关系模型,构建了地震灾害人员伤亡耦合因子的精细化评估算法,汇合不同倒塌类型的伤亡人数计算得到人员伤亡总数。
图1是根据一示例性实施例示出的基于无人机倾斜摄影数据的地震人员伤亡评估方法的流程图,如图1所示,包括以下步骤:
预处理,将点云转换为光栅。
特征提取,计算所选区域点(I)建筑物像素点的纹理特征,包括平均值(M)、方差(V)、偏度(S)和熵(E)特征。
分类,根据K-Means聚类算法以及数字地表模型等,对建筑物倒塌类别进行初步评估。
使用nDSN和倾角修正,根据nDSN和建筑物倾角修正建筑物倒塌结果以精细化获取建筑物倒塌类别。
精细化评估人员伤亡,根据区域地震动与地震烈度的关系模型,结合其它因素,生成人员伤亡耦合因子精细化评估模型以精细化评估人员的伤亡。
以上实施例仅旨在于对本发明做示意性说明和解释,并不限定本发明的专利范围。凡是利用本发明说明书及附图内容所作的等效结构或变换,或直接、间接运用在其它相关的技术领域,均同理应包括在本发明的专利保护范围内。
Claims (2)
1.一种基于无人机倾斜摄影数据的地震人员伤亡评估方法,其特征在于,包括:
获取震后无人机倾斜摄影数据;
处理所述震后无人机倾斜摄影数据,以确定建筑物的倒塌类别,所述倒塌类别包括倾斜支撑型、悬臂型、V型、夹层型和复合型;
根据所述建筑物的倒塌类别生成人员伤亡耦合因子的精细化评估模型;
根据所述精细化评估模型获取人员伤亡总数;
其中,所述处理所述震后无人机倾斜摄影数据,以确定建筑物的倒塌类别,包括:
将所述震后无人机倾斜摄影数据中的点云转换为栅格格式,获取建筑物像素点;
取所述建筑物像素点的纹理特征,通过K-Means聚类分析算法处理所述纹理特征,并通过滤波方法建立数字表面模型从而计算建筑物的平均高程值,获得三维影像;
提取震后建筑物倾角并根据所述震后建筑物倾角和所述平均高程值确定建筑物的倒塌类别;
所述提取震后建筑物倾角,记作:
所述根据所述建筑物的倒塌类别生成人员伤亡耦合因子的精细化评估模型,包括:
获取所述倒塌类别对应的人员伤亡率;
获取精细化的室内人员密度以及区域应急救援能力;
根据所述人员伤亡率、所述室内人员密度和所述区域应急救援能力与区域地震动与地震烈度的关系模型,生成人员伤亡耦合因子的精细化评估模型;
所述人员伤亡耦合因子的精细化评估模型,记作:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210147112.4A CN114187539B (zh) | 2022-02-17 | 2022-02-17 | 基于无人机倾斜摄影数据的地震人员伤亡评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210147112.4A CN114187539B (zh) | 2022-02-17 | 2022-02-17 | 基于无人机倾斜摄影数据的地震人员伤亡评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114187539A CN114187539A (zh) | 2022-03-15 |
CN114187539B true CN114187539B (zh) | 2022-05-03 |
Family
ID=80546137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210147112.4A Active CN114187539B (zh) | 2022-02-17 | 2022-02-17 | 基于无人机倾斜摄影数据的地震人员伤亡评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187539B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960481A (zh) * | 2018-05-22 | 2018-12-07 | 北京师范大学 | 地震灾害伤亡人口估算方法及计算机可读介质 |
US11004001B1 (en) * | 2015-12-09 | 2021-05-11 | One Concern, Inc. | Analysis of structural-damage predictions caused by an earthquake to identify areas with high damage levels |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013100104A4 (en) * | 2013-02-04 | 2013-03-07 | Beijing Normal University | An assessment method of earthquake casualty |
CN112907731A (zh) * | 2021-02-20 | 2021-06-04 | 华南理工大学 | 一种油气重大基础设施多灾种事故耦合三维仿真系统 |
CN113674417B (zh) * | 2021-07-23 | 2024-01-26 | 大连理工大学 | 一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法 |
-
2022
- 2022-02-17 CN CN202210147112.4A patent/CN114187539B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11004001B1 (en) * | 2015-12-09 | 2021-05-11 | One Concern, Inc. | Analysis of structural-damage predictions caused by an earthquake to identify areas with high damage levels |
CN108960481A (zh) * | 2018-05-22 | 2018-12-07 | 北京师范大学 | 地震灾害伤亡人口估算方法及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114187539A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190197311A1 (en) | Evaluation Method of Solar Energy Utilization Potential in Urban High-density Areas Based on Low-altitude Photogrammetry | |
Mertes et al. | Using structure‐from‐motion to create glacier DEMs and orthoimagery from historical terrestrial and oblique aerial imagery | |
CN103218787B (zh) | 多源异构遥感影像控制点自动采集方法 | |
CN105631892B (zh) | 一种基于阴影和纹理特征的航空影像建筑物损毁检测方法 | |
WO2020192355A1 (zh) | 一种城市观山可视域的测量方法及系统 | |
KR101055419B1 (ko) | 지상 라이다를 이용한 지형측량 방법 | |
CN110866531A (zh) | 一种基于三维建模的建筑物特征提取方法、系统及存储介质 | |
CN111323788B (zh) | 建筑物变化的监测方法、装置及计算机设备 | |
KR20180094702A (ko) | 드론을 활용한 갯벌 지역에서의 갯골 정보 추출 장치 및 방법 | |
CN111339826B (zh) | 一种滑坡无人机线性传感器网络框架检测系统 | |
Axel et al. | Building damage assessment using airborne lidar | |
CN110580443B (zh) | 一种低空近实时建筑震害评估方法 | |
CN112818925A (zh) | 一种城市建筑和树冠识别方法 | |
CN112101189B (zh) | 基于注意力机制的sar图像目标检测方法及测试平台 | |
CN107004256A (zh) | 用于噪声深度或视差图像的实时自适应滤波的方法和装置 | |
CN112668461B (zh) | 一种具有野生动物识别的智能监管系统 | |
CN112084916A (zh) | 基于遮挡率的城市三维天际轮廓线自动化生成与诊断方法 | |
Balenović et al. | Quality assessment of high density digital surface model over different land cover classes | |
CN111683221B (zh) | 嵌入矢量红线数据的自然资源实时视频监测方法及系统 | |
Labiak et al. | Automated method for detection and quantification of building damage and debris using post-disaster LiDAR data | |
CN111458691B (zh) | 建筑物信息的提取方法、装置及计算机设备 | |
CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
JP6146731B2 (ja) | 座標補正装置、座標補正プログラム、及び座標補正方法 | |
CN114187539B (zh) | 基于无人机倾斜摄影数据的地震人员伤亡评估方法 | |
CN104077603B (zh) | 类地重力场环境下室外场景单目视觉空间识别方法 |
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 |