无人机与地面LiDAR协同观测及评估：研究区与数据采集

本研究以2012年意大利米拉贝洛5.9级、2013年四川芦山7.0级和2008年四川汶川7.9级地震灾区为例对分类方法进行综合实验分析。

（1）意大利米拉贝洛5.9级地震灾区。该研究区位于意大利米拉贝洛市，于2012年5月20日遭受5.9级地震，导致17人死亡，大量房屋结构破损，部分房屋坍塌。图3.5为该震区局部无人机影像，图3.5中可见，该区域内包括植被、道路、损毁和完好的建筑物，且在损毁建筑物周边散落着大量房屋碎屑。实验数据由意大利Aibotix提供，采用八旋翼无人机搭载数码相机，通过手动遥控，获取不同高度、不同角度的灾害重叠影像166张，影像大小为4 032×3 024像素，平均空间分辨率为1 cm。

图3.5　灾场低空影像

采用第2章提出的SCN-SfM算法对该研究区166张影像进行处理，并采用PMVS算法对点云加密处理，生成灾害现场的三维点云（见图3.6）。与图3.5对比可以发现，图3.6保留了灾场地物的RGB信息，从视觉效果上与低空影像无明显差异；此外，图3.6中包含了灾场中的全部地物类型，包括植被、完好建筑、破损建筑、房屋碎屑、地面等，涵盖了灾场地物几乎全部的结构信息。然而，受拍摄角度和地物遮挡的影响，建筑物的部分墙面和植被局部未能重建出全部的点云，且局部地面也因重建失败出现部分点云缺失。

需要指出的是，无人机航拍过程中未获取飞控数据。因此，本研究首先采用间接分析法（降采样影像匹配）构建影像拓扑关系图，然后利用HDB-MST算法提取SCN，指导影像快速重建。此外，由于灾害现场无法及时布设控制点，导致影像重建点云的坐标系为像元尺度的局部坐标系，缺乏现实的物理意义，如方向、比例尺等。假设点云单位为1 Unit，本研究在保证地物原始空间结构特征的基础上对重建点云进行规则采样，采样间隔为0.02 Unit，便于后文构建特征时设定合理的阈值，实验点云包含点数为570 363。

图3.6　灾场低空影像重建点云

表3.2中列出了米拉贝洛震区初始训练样本、待采样本和测试样本的数量。其中，训练样本用来训练分类器，得到相应的分类参数；待采样本抽象为放入一个池子，用于主动学习过程从中选取合适的训练样本。我们事先对待采样池中的样本归属类别做了标记，采用本研究提出的MCLU-MS算法，每次迭代在待采样池中选出分类器认为最有效的样本，并自动地移动到当前训练样本集中进行下一次分类。本研究设定单次迭代过程选取的训练样本数为5个；测试样本用来评估地物分类的精度。此外，三套样本集空间分布均匀且相互独立。

表3.2　米拉贝洛震区样本类型与样本数

（2）四川芦山7.0级地震灾区。该研究区位于四川省芦山县，于2013年4月20日遭受7.0级地震，导致大量人员伤亡和房屋倒损。实验数据采集选在宝盛乡玉溪村，2013年4月24日由北京德中天地科技有限责任有限公司采用旋翼无人机搭载Canon EOS 5D MarkⅡ数码相机获取，共获取影像93张，影像大小为5 616×3 744像素，平均分辨率为2.6 cm。

数据采集过程中获取了飞控数据，记录了相机的位置和姿态等信息。图3.7（a）和图3.7（b）分别为研究区正摄影像（采用Pix4D软件生成）和利用SCN-SfM算法生成的低空影像重建点云。与米拉贝洛震区一样，芦山震区的影像重建点云包含地物的RGB信息和三维坐标。本研究利用飞控数据记录的无人机位置将影像重建点云转换到WGS-84坐标系。图3.7（b）中的点云数据按高程范围（-9.011～15.353 m）显示，颜色越深，表示高程越大。按间隔0.2 m对影像重建点云进行规则采样，剩余点数为1 603 537。重建点云中除极少数区域出现镂空外，包含了灾场中的所有地物。由于影像采集过程拍摄角基本正射，获取建筑物侧面信息较少，导致重建点云中不包括建筑物墙体信息。据此，本研究设定地物类型为：建筑物屋顶、房屋碎屑、地面、植被和低矮地物（车辆和临时帐篷等）。(www.xing528.com)

图3.7　芦山震区无人机影像及低空影像重建点云

（a）无人机影像；（b）低空影像重建云点

表3.3列出了初始训练样本、待采样池中样本和测试样本的数量。与米粒贝洛震区实验相同，设定单次采样数目为5，三套样本集空间分布均匀且相互独立。依据米粒贝洛震区实验方法得到SVM分类器参数C和σ，如表3.4所示。

表3.3　芦山震区样本类型与样本数

（3）四川汶川7.9级地震灾区。该研究区位于四川省绵阳县（今为绵阳市）汉旺镇，该地区于2008年5月12日遭受7.9级地震，导致大量人员伤亡和房屋倒损。本次实验采用固定翼无人机搭载Canon EOS 5D MarkⅡ数码相机获取，共获取影像215张，影像平均分辨率为8 cm。与芦山震区实验一样，采用Pix4D商业软件进行影像预处理，生成WGS-84坐标系下的彩色点云，如图3.8所示。为提高数据处理效率，本研究对生成的点云进行重采样，采样间隔为0.3 m，保留9 668 380个点。基于此，本研究从该研究区中选取两个不同的子区域，命名为Site C-1（见图3.8（a））和Site C-2（见图3.8（b））来测试分类方法的通用性。为此，本研究设计了两个实验：

图3.8　汶川汉旺镇无人机影像重建点云

（a）灾区全貌；（b）灾区局部Site C-1；（c）灾区局部Site C-2

①我们利用芦山震区中的训练样本训练SVM分类器，将得到的训练参数直接对汉旺镇震区中Site C-1的点云进行分类，且在后续的主动学习过程中不断增加Site C-1中的训练样本。

②在汉旺镇震区Site C-1中选取训练样本训练SVM分类器，并将得到的训练参数对Site C-2中的点云进行分类，且在后续的主动学习过程中不断增加Site C-2中的训练样本。