结构特征与立体特征协同的建筑物识别研究

摘要

建筑物作为重要的人工地物之一，与人们的生活息息相关。在数据挖掘、无人驾驶、精确制导等诸多领域中对于建筑物的识别有着潜在的需求。传统的利用二维数据的建筑物识别技术面对低分辨率影像、结构复杂或形状相似的建筑物时鲁棒性很差，因此利用三维数据对建筑物进行识别具有着重要的研究价值和深远意义。本论文主要研究建筑物的立体识别方法，根据常见建筑物的顶面类型将其分为脊形、人字形、平顶和锥形四类，利用分辨率为0.1m的 DSM数据，通过提取建筑物的结构特征与立体特征对其进行立体识别。
　　论文中首先对四类顶面建筑物的三维结构进行了分析，针对目标建筑物DSM数据中含有大量奇异点与噪声点的现象，利用了一种改进的区域增长算法对顶面进行分割，并通过边缘提取技术得到初始拓扑结构。在此基础之上，利用形态学方法对初始拓扑结构进行了孔洞填充，然后利用道格拉斯-普克法对畸形的轮廓线结构进行了几何校正，最后对拓扑结构分别进行旋转、尺度校正，生成了建筑物的结构特征。
　　针对目标识别中的关键问题，即特征的旋转、尺度与平移不变性，论文研究了一种点对直方图特征。首先应用K维树、K邻近检索以及主成分分析方法对目标表面点的法向量进行了估计。根据大型建筑物表面点数量大、高噪声的特性，对适用于小目标识别的立体特征进行了改进，在含有不同高程、尺度以及多角度的目标样本条件下进行了立体识别，并对比了在不同特征参数下、不同噪声环境中的识别结果，验证了该特征对不同类别建筑物的分辨力以及鲁棒性。对于既定目标的个体识别，论文研究了一种3-D形状上下文特征，并利用球谐变换对特征进行了改进，解决了旋转不变性的问题。最后分别在同样样本条件下和不同特征参数条件下进行了特征匹配，获取最优参数与识别精度，也验证了特征的旋转不变性。
　　论文最后对校正的拓扑结构进行了角点与轮廓线的合并，并生成特征向量。利用主成分分析法对点对直方图特征进行了降维。通过协同结构特征与点对直方图特征，在不同噪声环境下对建筑物的类型进行了立体识别。识别结果验证了协同特征的抗噪能力，相比于仅用立体特征识别具有更高的精度以及鲁棒性。

目录

第1章 绪 论

1.1 课题背景来源及研究的目的和意义

1.2 国内外在该方向的研究现状及分析

1. 2. 1 大型建筑物设施识别研究现状

1. 2. 2 其他类型标立体识别研究现状

1. 2. 3 国内外研究现状简析

1.3 本文主要研究内容及结构安排

第2章 典型建筑物目标描述及结构特征提取

2.1 引言

2.2 典型建筑物目标构型分析及描述

2. 2. 1 脊形结构目标构型分析

2. 2. 2 人字形结构目标构型分析

2. 2. 3 平面结构目标构型分析

2. 2. 4 锥形结构目标构型分析

2.3 基于拓扑结构的建筑物结构特征提取

2. 3. 1 基于改进区域增长算法的原始拓扑结构提取

2. 3. 2 建筑物拓扑结构校正

2. 3. 3 基于顶面拓扑的结构特征提取

2.4 本章小结

第3章 建筑物立体特征提取与立体识别

3.1 引言

3.2 点对直方图特征提取与立体识别

3. 2. 1 目标表面点集法向量估计

3. 2. 2 点对直方图特征原理

3. 2. 3 基于点对直方图特征的立体识别与结果分析

3.3 3-D形状上下文特征提取与立体识别

3. 3. 1 3-D形状上下文原理

3. 3. 2 3-D形状上下文与球谐变换

3. 3. 3 基于球谐变换形状上下文的立体识别结果与分析

3.4 本章小结

第4章 协同结构特征的建筑物立体识别

4.1 引言

4.2 结构特征与点对直方图特征协同原理

4. 2. 1 基于几何结构的结构特征值排序原理

4. 2. 2 点对直方图特征降维处理

4.3 协同立体识别实验结果及分析

4.4 本章小结

结论

参考文献

声明

致谢