多源數(shù)據(jù)“變化發(fā)現(xiàn)”技術(shù)初探

段夢夢，李海亭，彭明軍，王閃，陳濤

(武漢市測繪研究院，湖北 武漢 430022)

1 引 言

國家新型基礎(chǔ)測繪建設(shè)武漢市試點的技術(shù)體系由“全息采集、智能處理、變化發(fā)現(xiàn)、實體建庫、定制服務(wù)”等五項關(guān)鍵技術(shù)組成，其中“變化發(fā)現(xiàn)”技術(shù)的主要目的就是實現(xiàn)地理實體數(shù)據(jù)的高效更新，保證地理實體數(shù)據(jù)庫及相關(guān)衍生產(chǎn)品的現(xiàn)勢性。它是指利用各種技術(shù)手段智能化感知地理實體的變化，實現(xiàn)主動式的地理實體變化監(jiān)測[1，2]?；诎l(fā)現(xiàn)的變化信息，可以定向、定點地更新地理實體，節(jié)省更新成本。根據(jù)數(shù)據(jù)來源不同，變化發(fā)現(xiàn)技術(shù)可分為基于影像的變化發(fā)現(xiàn)[3]、基于點云的變化發(fā)現(xiàn)[4，5，6]以及基于互聯(lián)網(wǎng)的變化發(fā)現(xiàn)[7](圖1)。

圖1 地理實體更新技術(shù)流程

在影像和點云數(shù)據(jù)上可以利用機(jī)器學(xué)習(xí)算法快速進(jìn)行實體的識別提取，并根據(jù)兩期識別結(jié)果進(jìn)行對比，快速發(fā)現(xiàn)變化的地理實體。通過互聯(lián)網(wǎng)可以在線抓取數(shù)據(jù)進(jìn)行大數(shù)據(jù)分析，可以發(fā)現(xiàn)各類無法直接反映在影像數(shù)據(jù)中的地理實體變化信息，如屬性變化、權(quán)屬變更等信息。在實際生產(chǎn)中應(yīng)將不同變化發(fā)現(xiàn)技術(shù)進(jìn)行有機(jī)的融合，充分提取地理實體的多維度變化信息，實現(xiàn)新型基礎(chǔ)測繪產(chǎn)品的“低成本、高效率”更新。

2 基于影像的變化發(fā)現(xiàn)

DOM、TDOM是攝影測量生產(chǎn)的主要數(shù)據(jù)產(chǎn)品，該類產(chǎn)品有較為豐富的地物紋理信息、較高的影像空間分辨率信息。針對這些特點，在基于影像的基礎(chǔ)地理實體變化檢測過程中，關(guān)鍵技術(shù)主要包括圖元識別和圖元變化檢測兩步。

2.1 圖元識別

早期的遙感影像分類與識別應(yīng)用較廣的算法主要包括：最小距離分類法、K-均值分類算法、ISODATA聚類法等傳統(tǒng)監(jiān)督或非監(jiān)督分類算法。隨著影像分辨率的不斷提高，傳統(tǒng)算法在分類識別精度上遭遇瓶頸。在此背景下，以支持向量機(jī)、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)為代表的經(jīng)典機(jī)器學(xué)習(xí)算法，開始在具體分類、識別場景中得到應(yīng)用。近年來，深度學(xué)習(xí)得到了快速發(fā)展，以受限玻爾茲曼機(jī)(RBM)、深度信念網(wǎng)絡(luò)(DBN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、自動編碼器(AE)為代表的四類主流深度學(xué)習(xí)模型，也均較好地應(yīng)用于遙感影像的分類識別中?；谏疃葘W(xué)習(xí)的基礎(chǔ)地理實體圖元識別包含目標(biāo)識別與語義分割(圖2)。由于CNN模型在處理高維影像數(shù)據(jù)時有獨特優(yōu)勢，其在兩類任務(wù)場景中存在明顯優(yōu)勢。

在目標(biāo)識別方面，目前主流CNN學(xué)習(xí)模型通常分為兩階段算法與單階段算法，典型的兩階段算法包括R-CNN、Fast R-CNN、FPN等模型，這類算法需要先進(jìn)行候選框的生成、再進(jìn)行邊框回歸。典型的單階段算法包括YOLO系列，SSD、RetinaNet等模型，這類算法直接對候選框進(jìn)行定位與分類，通常具有更高的效率。在語義分割方面，全卷積網(wǎng)絡(luò)(FCN)是深度學(xué)習(xí)語義分割領(lǐng)域的開山之作，其他應(yīng)用較為廣泛的模型包括Mask-RCNN和U-Net模型，以及使用空卷積擴(kuò)大感受野的DeepLab語義分割模型等。

圖2 目標(biāo)識別(左)與語義分割(右)

2.2 圖元變化檢測

在提取得到目標(biāo)圖元后，通過減法、除法等簡單的代數(shù)運算方法對圖元進(jìn)行處理，得到相應(yīng)的差異圖，再通過利用閾值(自適應(yīng)選擇或手動確定)對差異圖進(jìn)行分割得到最后的變化檢測結(jié)果。代數(shù)運算方法簡便，能夠很好地顯示出影像中變化迅速的區(qū)域。

實驗以武漢市江岸區(qū)0.5 m分辨率遙感影像為例，利用Mask-RCNN深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練與建筑物變化檢測，變化發(fā)現(xiàn)的結(jié)果示例如圖3所示。

圖3 建筑物圖元的變化

3 基于點云的變化發(fā)現(xiàn)

與其他常用測繪技術(shù)相比，在基礎(chǔ)地理實體的更新過程中，激光點云掃描可以以較高的精度與速度獲取目標(biāo)對象的三維特征變化信息。針對這些特點，基于激光點云的變化檢測關(guān)鍵技術(shù)包括：點云配準(zhǔn)、點云濾波、點云分類、變化信息提取。

3.1 點云配準(zhǔn)

點云數(shù)據(jù)的配準(zhǔn)一般分為粗配準(zhǔn)與精確配準(zhǔn)兩步(如圖4所示)。點云的粗配準(zhǔn)指利用標(biāo)靶、控制點等人為放置的一些標(biāo)志，作為同名點完成的點云拼接。具有代表性的粗配準(zhǔn)算法為RANSAC算法。對于粗配置精度不滿足要求時，可以在粗配準(zhǔn)的基礎(chǔ)上進(jìn)行精確配準(zhǔn)。ICP算法(迭代最近點算法)為精確配準(zhǔn)領(lǐng)域使用較廣的算法。其原理就是利用一個誤差函數(shù)去驗證點云重疊區(qū)域是否吻合，以及吻合的程度是否使得拼接結(jié)果的誤差最小，也就是利用最小二乘迭代來計算最佳坐標(biāo)變換。

圖4 點云配準(zhǔn)步驟

3.2 點云濾波

點云濾波算法用于在三維空間中濾除點云噪音，如飛點、低點等。以使用較多的形態(tài)學(xué)濾波算法為例，該算法核心思想是基于形態(tài)學(xué)膨脹、腐蝕算子組合而成的開、閉運算(如圖5所示)，識別差值點云中的噪聲，對差值點云數(shù)據(jù)進(jìn)行精細(xì)處理。

圖5 點云濾波示意圖

3.3 點云分類

對于點云分類算法而言，按照所選取進(jìn)行數(shù)據(jù)處理的基本單元(也即基元)的不同，可將常用點云分類算法分為五類，分別為：①基于點基元的分類算法；②基于剖面基元的分類算法；③基于體素基元的分類算法；④基于對象基元的分類算法；⑤融合多基元信息的分類算法。在實際分類任務(wù)中，針對傳感器載體平臺、分類目標(biāo)的不同，需要選擇相適應(yīng)的基元分類算法。例如對于建筑物變化檢測案例，多使用基于對象基元的分類算法，進(jìn)行建筑物類型基礎(chǔ)地理實體的變化提取。隨機(jī)森林(Random Forest)、支持向量機(jī)(SVM)、神經(jīng)元振蕩網(wǎng)絡(luò)(Neural Oscillator Network)等在內(nèi)的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)方法，也被成功應(yīng)用于具體的分類案例中，點云分類如圖6所示。

圖6 點云分類

3.4 變化信息提取

不同時相點云數(shù)據(jù)的變化信息提取技術(shù)，是基于點云的基礎(chǔ)地理實體變化檢測的核心技術(shù)。該類算法主要分為三類：①DSM差值法，該類算法直接對不同時相點云進(jìn)行差值類型運算(例如穩(wěn)健影像差值法)，獲取變化信息；②信息融合法，該類算法會融合多平臺傳感器光譜、材質(zhì)等多源信息，提取基礎(chǔ)地理實體變化信息(如圖7所示)；③分類后提取法，該類算法依托點云分類算法，在點云預(yù)分類的基礎(chǔ)上，進(jìn)行不同時相點云差值數(shù)據(jù)獲取。

實驗以武漢市江漢區(qū)2010年和2016年的兩期機(jī)載激光點云數(shù)據(jù)為例，利用DSM差值法進(jìn)行點云變化檢測，結(jié)果如圖8所示。

圖7 信息融合法

圖8 點云變化檢測結(jié)果

4 基于互聯(lián)網(wǎng)的變化發(fā)現(xiàn)

基于互聯(lián)網(wǎng)的變化發(fā)現(xiàn)是指基于自發(fā)地理信息(VGI)或者眾源地理信息數(shù)據(jù)的變化發(fā)現(xiàn)技術(shù)。VGI數(shù)據(jù)是互聯(lián)網(wǎng)用戶共同創(chuàng)建、維護(hù)和應(yīng)用的空間地理信息數(shù)據(jù)。根據(jù)VGI數(shù)據(jù)的性質(zhì)，可以分為兩大類：①屬性VGI數(shù)據(jù)，包含帶地理信息標(biāo)識的文本、語音、圖像與視頻信息；②圖形VGI數(shù)據(jù)，包括由用戶收集的興趣點，軌跡、地物邊界等圖形信息。

4.1 基于屬性類VGI數(shù)據(jù)的變化發(fā)現(xiàn)

大部分現(xiàn)實空間中的自然地表或人造地物變化(如工程建設(shè))信息，都會在一定程度上映射于互聯(lián)網(wǎng)，并通過屬性VGI數(shù)據(jù)表現(xiàn)出來。因此，通過獲取、過濾、解析這些屬性數(shù)據(jù)，檢測基礎(chǔ)地理實體的變化形式、程度是一種可行技術(shù)方案。該技術(shù)方案下變化檢測所得結(jié)果，即可作為指導(dǎo)其他變化檢測技術(shù)方案的輔助信息，亦可作為基礎(chǔ)地理實體語義更新的依據(jù)。具體步驟一般為：互聯(lián)網(wǎng)爬蟲、地理實體變化語義知識庫構(gòu)建、變化信息可行度計算。

(1)互聯(lián)網(wǎng)爬蟲

通過網(wǎng)絡(luò)爬蟲獲取到的HTML網(wǎng)頁文件并不能直接揭示地理信息的變化情況，要從網(wǎng)頁文件中獲取感興趣的信息，則需要對HTML文件進(jìn)行解析，將網(wǎng)頁內(nèi)容轉(zhuǎn)換成結(jié)構(gòu)、內(nèi)容清晰的形式，然后再從其中提取地理信息的變化情況。對HTML文件解析可以使用最原始的基于正則表達(dá)式的解析方式，正則表達(dá)式允許用戶自行定制規(guī)則匹配符合各種特定規(guī)則的字符串，常用于網(wǎng)頁內(nèi)容編寫規(guī)則較強(qiáng)部分的解析。除了正則表達(dá)式，還可以使用如HTML Parser、XPath和Beautiful Soup等在內(nèi)的一系列HTML解析工具，這些解析工具使用起來更加方便、高效。

(2)語義知識庫構(gòu)建

基礎(chǔ)地理實體變化語義知識庫是進(jìn)行基礎(chǔ)地理實體變化信息獲取和推理的基礎(chǔ)，知識庫的建立不僅是基礎(chǔ)地理實體變化領(lǐng)域知識的簡單羅列，還包括基礎(chǔ)地理實體變化領(lǐng)域知識的表達(dá)、推理和維護(hù)等方面?；A(chǔ)地理實體變化語義知識庫的建立主要包括：①基礎(chǔ)地理實體要素特征詞匯庫建立，如水系、居民地及設(shè)施、交通和管線常見地理實體等相關(guān)的關(guān)鍵詞；②基礎(chǔ)地理實體要素變化特征詞匯庫建立，如“新建”“修復(fù)”“動工”“重建”等詞匯；③地理信息要素空間關(guān)系詞匯庫建立，如“包含”“相接”“東邊”等。

(3)變化信息可信度計算

在初步獲取基礎(chǔ)地理實體變化信息后，需要對獲取到的變化信息的可信度進(jìn)行校驗。網(wǎng)絡(luò)信息可信度一般可通過精確性、權(quán)威性、客觀性、最新性和覆蓋率5個指標(biāo)來權(quán)衡。針對基礎(chǔ)地理實體變化發(fā)現(xiàn)的網(wǎng)頁可以具體考慮以下指標(biāo)：基礎(chǔ)地理實體要素詞匯等級-L、網(wǎng)頁的PageRank值-PR、網(wǎng)頁類型權(quán)值-T、網(wǎng)頁發(fā)布日期權(quán)值-D和網(wǎng)頁元數(shù)據(jù)類型權(quán)值-M，具體的可信度計算實現(xiàn)公式如下：

C=ω1*L+ω2*PR+ω3*T+ω4*D+ω5*M

其中ω1～ω5為各指標(biāo)的權(quán)重。

4.2 基于圖形類VGI數(shù)據(jù)的變化發(fā)現(xiàn)

圖形類VGI數(shù)據(jù)的獲取渠道主要為互聯(lián)網(wǎng)地圖開源平臺，類似平臺上存儲、發(fā)布的圖形類VGI數(shù)據(jù)主要以矢量數(shù)據(jù)格式表現(xiàn)。該類數(shù)據(jù)與通過專業(yè)測繪技術(shù)獲取的數(shù)據(jù)相比，在時效性、數(shù)據(jù)獲取成本上存在明顯優(yōu)勢，但在準(zhǔn)確程度上卻可能有較大偏差。針對以上這些特點，針對圖形類VGI數(shù)據(jù)的變化檢測通常遵循以下基本流程：①圖形VGI數(shù)據(jù)配準(zhǔn)；②相似度評價。

(1)數(shù)據(jù)配準(zhǔn)

數(shù)據(jù)配準(zhǔn)環(huán)節(jié)是基于圖形類VGI數(shù)據(jù)的基礎(chǔ)地理實體變化檢測的基礎(chǔ)。例如在基于OSM開源矢量數(shù)據(jù)，進(jìn)行道路實體更新時，為快速檢測變化發(fā)生具體位置，需首先對OSM路網(wǎng)數(shù)據(jù)與庫內(nèi)現(xiàn)行圖元數(shù)據(jù)進(jìn)行配準(zhǔn)。按照參與配準(zhǔn)環(huán)節(jié)基礎(chǔ)數(shù)據(jù)的不同，數(shù)據(jù)配準(zhǔn)方法分為與影像配準(zhǔn)和與矢量配準(zhǔn)。與影像配準(zhǔn)時一般采用同名點、線和面進(jìn)行匹配，計算兩者之間的變換關(guān)系，可采用的主要算法包括多項式糾正、共線方程糾正與仿射變換糾正等。與矢量配準(zhǔn)一般分為全局緩沖區(qū)增長算法和ICP算法。全局緩沖區(qū)算法將矢量弧段作為匹配基本單元，根據(jù)現(xiàn)實世界實體的實際寬度設(shè)定一個距離閾值，以矢量弧度為中心，距離閾值為半徑生成弧段的多邊形緩沖區(qū)，將緩沖區(qū)內(nèi)包含的另一數(shù)據(jù)集中的弧段作為潛在匹配對象加入匹配候選集，然后在匹配候選弧度集中搜索相似度最大的弧度作為匹配的最終結(jié)果。ICP算法的基本思想則是根據(jù)某種幾何特性對兩類點集進(jìn)行匹配，設(shè)這些匹配點為假想的對應(yīng)點，根據(jù)這種對應(yīng)關(guān)系求解運動參數(shù)。然后利用這些運動參數(shù)對點群進(jìn)行變換。并利用同一幾何特征，確定新的對應(yīng)關(guān)系，最后重復(fù)上述過程，直至迭代收斂、最終完成匹配

(2)相似度評價

常用的VGI數(shù)據(jù)相似度評價主要包括：①距離相似度評價；②拓?fù)湎嗨贫仍u價；③幾何形態(tài)相似度評價。距離相似度主要用于線性要素的質(zhì)量檢驗或變化檢測，常用算法包括基于Hausdorff距離的相似度算法與基于Frechet距離的相似度算法。拓?fù)湎嗨贫戎饕糜谑噶棵鏍钜氐馁|(zhì)量檢驗或變化檢測。面積算法在拓?fù)湎嗨贫鹊脑u價中使用較多。形態(tài)相似度檢測過程中常用算法包括中心距離角度描述子算法、傅立葉變換描述子算法以及形狀上下文描述子算法等。

5 結(jié) 語

傳統(tǒng)基礎(chǔ)測繪的基于野外實測和遙感影像數(shù)據(jù)提取的內(nèi)外業(yè)相結(jié)合的變化發(fā)現(xiàn)作業(yè)方式所參照的數(shù)據(jù)標(biāo)準(zhǔn)要求嚴(yán)格，時效性不夠，數(shù)據(jù)更新周期長。新型基礎(chǔ)測繪采用的變化發(fā)現(xiàn)技術(shù)可根據(jù)不同的場景采用不同的變化發(fā)現(xiàn)技術(shù)，提取地理實體的多種變化維度信息，實現(xiàn)新型基礎(chǔ)測繪產(chǎn)品的“低成本、高效率”的增量式更新，是實現(xiàn)快速、全面發(fā)現(xiàn)基礎(chǔ)地理實體空間信息、屬性信息變化的重要技術(shù)手段。