孟琮棠, 趙銀娣, 韓文泉, 何晨陽, 陳錫秋

(1.中國礦業(yè)大學(xué)環(huán)境與測繪學(xué)院,徐州 221116； 2.南京市測繪勘察研究院股份有限公司，南京 210019)

0 引言

建筑物是城市中的重要主體，在一定程度上反映了城市的發(fā)展規(guī)模。準(zhǔn)確獲取建筑物變化信息對于城市發(fā)展規(guī)劃、非法建筑物識(shí)別、災(zāi)害評估和地理數(shù)據(jù)庫更新等實(shí)際領(lǐng)域中具有重要的作用與意義。利用遙感手段對城市建筑物進(jìn)行變化檢測可以快速準(zhǔn)確地獲取建筑物的變化信息，借助機(jī)載激光雷達(dá)(light detection and ranging，LiDAR)點(diǎn)云數(shù)據(jù)可以實(shí)現(xiàn)建筑物的三維變化檢測，本文三維變化檢測意在獲取建筑物在三維空間中面積與高程的變化，包括水平面上的新增、拆除以及高度方向上的增高、降低的變化位置與面積。

多年來，研究者們持續(xù)挖掘點(diǎn)云在變化檢測中的潛力，并發(fā)展出了多種檢測建筑物三維變化的方法，如基于2期數(shù)字表面模型(digital surface model,DSM)差分結(jié)果進(jìn)行人工解譯[1]、直方圖統(tǒng)計(jì)[2]、連通性分析[3]等確定發(fā)生變化的建筑物； 或分別對2期點(diǎn)云的DSM通過邊界擬合[4]、高度與平整度分析后聚類[5]等方法提取建筑物后，再差分進(jìn)行變化檢測； 通過先提取點(diǎn)云中的非地面點(diǎn)，再利用影像與分類樹提取建筑物后，與現(xiàn)有地理數(shù)據(jù)庫對比的方法[6]； 通過影像數(shù)字制圖產(chǎn)品與激光雷達(dá)(light detection and ranging,LiDAR)點(diǎn)云經(jīng)過支持向量機(jī)(support vector machine，SVM)提取建筑物后對比的方法[7]； 使用航空影像密集圖像匹配點(diǎn)云與LiDAR點(diǎn)云建立差分DSM提取變化信息后，再使用點(diǎn)云法線方向方差的方法確定變化的建筑物[8]?？梢娫谶@些方法中，獲取變化建筑物主要有2種手段： 提取建筑物后再檢測變化； 先確定變化候選區(qū)域，再確定屬于建筑物的變化。而上述方法存在的問題在于： 將點(diǎn)云轉(zhuǎn)換為其他規(guī)則格式數(shù)據(jù)易造成信息丟失，局部點(diǎn)甚至更大尺度點(diǎn)云間的關(guān)系被忽略； 沒有充分利用點(diǎn)的強(qiáng)度和光譜信息特征； 自動(dòng)化程度低，需要較多的后處理分析來改善精度。

隨著近年來深度學(xué)習(xí)技術(shù)的迅速發(fā)展，圖像處理算法層出不窮[9-15]，且在遙感影像分類與目標(biāo)檢測等任務(wù)中的表現(xiàn)優(yōu)于多種傳統(tǒng)方法[16-20]。點(diǎn)云語義分割方法同樣發(fā)展迅速[21]，既有以PointNet[22-24]為代表的適用于室內(nèi)場景點(diǎn)云的語義分割算法，也有適用于大規(guī)模點(diǎn)云的RandLA-Net[25]，但利用深度學(xué)習(xí)方法進(jìn)行點(diǎn)云的變化檢測卻少有研究。

本文采用深度學(xué)習(xí)與分類后檢測的方法研究基于機(jī)載LiDAR點(diǎn)云的建筑物三維變化檢測，與當(dāng)前主流點(diǎn)云變化檢測研究不同的是： ①引入基于深度學(xué)習(xí)的點(diǎn)云語義分割網(wǎng)絡(luò)RandLA-Net，快速準(zhǔn)確地提取建筑物； ②結(jié)合本文的建筑物提取方法，設(shè)計(jì)了針對本文異源點(diǎn)云數(shù)據(jù)的處理方法，以減少點(diǎn)云間的差異，保證變化檢測的精度； ③充分考慮局部點(diǎn)間的結(jié)構(gòu)與距離特征，加入LiDAR點(diǎn)云的反射強(qiáng)度特征與影像賦予的光譜信息作為語義特征，以提高建筑物提取的準(zhǔn)確率。

1 研究區(qū)數(shù)據(jù)采集與標(biāo)注

1.1 研究區(qū)概況與數(shù)據(jù)源

研究使用的機(jī)載LiDAR點(diǎn)云，與車載LiDAR不同之處在于： 飛機(jī)在一定高度飛行，點(diǎn)云密度較為一致，而車載LiDAR主要為獲得較近處的點(diǎn)云，點(diǎn)云密度相較于機(jī)載雷達(dá)高，但遠(yuǎn)近點(diǎn)云的密度不同，且點(diǎn)云規(guī)模較機(jī)載點(diǎn)云規(guī)模小。選擇南京市部分區(qū)域?yàn)檠芯繀^(qū)，地理坐標(biāo)在N32°2′26″～32°4′8″，E118°34′17″～118°36′21″之間。通過航空機(jī)載LiDAR分別采集研究區(qū)2017年3月2日及2019年4月6日的點(diǎn)云數(shù)據(jù)，獲得包含地物位置信息以及反射強(qiáng)度的點(diǎn)云，2017年與2019年點(diǎn)云密度分別為1點(diǎn)/m2與16點(diǎn)/m2，點(diǎn)數(shù)量分別為10 428 812與181 208 261個(gè)點(diǎn)。點(diǎn)云數(shù)據(jù)示例見圖1。

(a) 示例1 (b) 示例2 (c) 示例3 (d) 示例4 (e) 示例5圖1 LiDAR點(diǎn)云數(shù)據(jù)示例Fig.1 Examples of LiDAR point cloud data

1.2 數(shù)據(jù)集制作

2期點(diǎn)云數(shù)據(jù)由不同的LiDAR傳感器獲取，其點(diǎn)云的不同主要在于點(diǎn)云密度與反射強(qiáng)度的值域。由于RandLA-Net在獲取局部點(diǎn)信息時(shí)，使用了K最鄰近(K-nearest neighbor，KNN)算法，并固定了最鄰近點(diǎn)的數(shù)量，導(dǎo)致在點(diǎn)云密度不同的情況下獲取的局部信息存在差異，進(jìn)而在較小樣本上進(jìn)行訓(xùn)練時(shí)，網(wǎng)絡(luò)損失與精度曲線難以收斂。因此使用稀疏的2017年點(diǎn)云進(jìn)行訓(xùn)練，并對2019年點(diǎn)云下采樣(圖2)，使得2期點(diǎn)云密度相同，以保證異源數(shù)據(jù)的語義分割精度，但是，本文使用網(wǎng)格采樣的方法，采樣后的點(diǎn)云結(jié)構(gòu)同樣存在差異，2017年獲取的點(diǎn)云是完全無序的，而2019年點(diǎn)云在采樣后則存在著一定的有序性，其表現(xiàn)為點(diǎn)云呈網(wǎng)格狀排列。其次，2期點(diǎn)云的反射強(qiáng)度值域不同，2017年點(diǎn)云值為1～6的整數(shù)，2019年點(diǎn)云為1～65 535的整數(shù)，本文將2019年點(diǎn)云強(qiáng)度值線性映射至2017年的反射強(qiáng)度值域。

(a) 2017年 (b) 2019年圖2 采樣后點(diǎn)云結(jié)構(gòu)Fig.2 Point cloud structure after sampling

點(diǎn)云數(shù)據(jù)集基于MicroStation的Terrascan軟件，結(jié)合航拍影像判讀，對研究區(qū)內(nèi)建筑物點(diǎn)云進(jìn)行目視解譯并人工標(biāo)注。由于實(shí)驗(yàn)用的點(diǎn)云重復(fù)區(qū)域較多，因此僅將2017年點(diǎn)云數(shù)據(jù)進(jìn)行數(shù)據(jù)劃分，其中2期點(diǎn)云5%的區(qū)域用于測試，并將2017年點(diǎn)云其他部分按4∶1的比例劃分為訓(xùn)練集與驗(yàn)證集，2019年點(diǎn)云數(shù)據(jù)不參與訓(xùn)練，僅用于測試。

數(shù)據(jù)集的格式參考點(diǎn)云語義分割數(shù)據(jù)集Semantic3D格式標(biāo)準(zhǔn)[26]，以方便研究與使用時(shí)數(shù)據(jù)集格式的統(tǒng)一。點(diǎn)云數(shù)據(jù)集包含有標(biāo)簽、坐標(biāo)、反射強(qiáng)度和光譜信息，標(biāo)注后的點(diǎn)云數(shù)據(jù)集如圖3所示。

(a) 示例1 (b) 示例2 (c) 示例3 (d) 示例4 (e) 示例5圖3 點(diǎn)云數(shù)據(jù)集示例Fig.3 Examples of point cloud dataset

2 研究方法

傳統(tǒng)的使用點(diǎn)云數(shù)據(jù)進(jìn)行變化檢測，往往基于DSM差分的方法，依賴于高程與手動(dòng)調(diào)整閾值提取建筑物與其變化信息，忽略了較多的局部信息與點(diǎn)云特征，且自動(dòng)化程度低，結(jié)果易與樹木混淆，導(dǎo)致低矮建筑物檢測結(jié)果不佳。針對這些問題，本文引入基于深度學(xué)習(xí)方法的RandLA-Net點(diǎn)云語義分割網(wǎng)絡(luò)提取建筑物，利用點(diǎn)云坐標(biāo)、局部點(diǎn)的位置關(guān)系、強(qiáng)度、光譜信息，快速、高精度、自動(dòng)化地提取建筑物。結(jié)合分類后檢測的變化檢測方案，比較前后時(shí)期點(diǎn)云語義分割結(jié)果，定性與定量地獲得目標(biāo)區(qū)域地物范圍與高程的變化。同時(shí)，本文還通過實(shí)驗(yàn)研究了不同特征的組合對最終結(jié)果的影響，提出了不同情況下的應(yīng)用建議。

點(diǎn)云具有無序性的特點(diǎn)，以及前后時(shí)期點(diǎn)云數(shù)據(jù)密度大多不同，無法實(shí)現(xiàn)2期點(diǎn)云的分割結(jié)果的直接差分進(jìn)行變化檢測。因此本文結(jié)合影像差分的思路，將RandLA-Net網(wǎng)絡(luò)提取出的點(diǎn)云建筑物通過正射投影的方式，按照相同的空間分辨率投影為包含建筑物高度信息的灰度影像。投影時(shí)根據(jù)點(diǎn)云的尺寸以及設(shè)定的空間分辨率自動(dòng)計(jì)算點(diǎn)云每點(diǎn)坐標(biāo)與影像像素坐標(biāo)的轉(zhuǎn)換公式，獲得每點(diǎn)對應(yīng)的像素坐標(biāo)，像素值為該像素內(nèi)所有建筑物點(diǎn)的最大Z值，非建筑物目標(biāo)像素值為0； 然后通過2期結(jié)果差分前后的狀態(tài)與差分后的值定性定量地判斷建筑物目標(biāo)在三維空間上的變化。其中，假設(shè)前一時(shí)期的投影結(jié)果對應(yīng)像素值為A，后一時(shí)期為B，則差分時(shí)的評判規(guī)則為： 若B>A，且A=0，則該位置為新增建筑物； 若B>A，且A≠0，則為增高； 若B

2.1 RandLA-Net算法結(jié)構(gòu)

RandLA-Net結(jié)構(gòu)遵循具有跳躍連接的編碼解碼思想。其結(jié)構(gòu)如圖4所示，點(diǎn)云不同于影像在于無法通過卷積核的遍歷影像提取特征，因此在點(diǎn)云的語義分割算法中，其基本單元為多層感知機(jī)(multilayer perceptron，MLP)。在編碼端，點(diǎn)云通過每一層的局部特征聚合(local feature aggregation，LFA)算法豐富與學(xué)習(xí)點(diǎn)的特征，并使用隨機(jī)采樣(random sampling，RS)減小點(diǎn)云的規(guī)模，每次保留25%的點(diǎn)云數(shù)量，每一層的特征維數(shù)為(8，32，128，256，512)。解碼端使用每個(gè)點(diǎn)與KNN獲得最鄰近點(diǎn)的線性插值方法進(jìn)行上采樣(up-sampling,US)，通過跳躍連接與編碼端的特征圖疊加，然后輸入共享的MLP進(jìn)行特征降維。最后，3個(gè)全連接層(fully connected layers,FC)與Dropout層用于預(yù)測每個(gè)點(diǎn)的類別。

圖4 RandLA-Net整體結(jié)構(gòu)圖Fig.4 RandLA-Net overall structure

2.2 LFA算法

LFA算法是RandLA-Net結(jié)構(gòu)的核心，主要由3個(gè)模塊組成，包括局部空間編碼(local spatial encoding，LocSE)、注意力池化(attentive pooling)與擴(kuò)張殘差塊(dilated residual block)，LFA的模塊結(jié)構(gòu)如圖5所示。

圖5 LFA模塊結(jié)構(gòu)Fig.5 LFA module structure

2.2.1 LocSE

(1)

式中⊕表示兩者串聯(lián)拼接。經(jīng)過MLP編碼后的特征數(shù)為d，并與原始輸入的特征疊加。最終的輸出是該點(diǎn)K個(gè)2d長度的特征信息。

2.2.2 注意力池化

注意力池化模塊用于聚合點(diǎn)的局部特征。LocSE獲得的局部點(diǎn)特征，經(jīng)過可學(xué)習(xí)的FC與Softmax激活函數(shù)獲得每個(gè)鄰近點(diǎn)特征的得分作為輸入鄰近點(diǎn)特征的權(quán)重，對所有鄰近點(diǎn)特征加權(quán)求和后獲得該點(diǎn)2d長度的特征，在經(jīng)過MLP后，獲得該點(diǎn)最終池化后的特征。

2.2.3 擴(kuò)張殘差塊

為了處理大規(guī)模的點(diǎn)云，RandLA-Net采用了隨機(jī)采樣的方法對編碼端的點(diǎn)云進(jìn)行下采樣，因?yàn)槠渚哂袝r(shí)間與空間復(fù)雜度低的特點(diǎn)，高效且占用內(nèi)存小。但是隨機(jī)采樣有幾率造成關(guān)鍵點(diǎn)信息的丟失，因此使用擴(kuò)張殘差塊模塊對LocSE、注意力池化與MLP進(jìn)行堆疊，增加每個(gè)點(diǎn)的感受野，降低隨機(jī)采樣丟失關(guān)鍵點(diǎn)信息的影響。

在擴(kuò)張殘差塊中，將LocSE與注意力池化模塊進(jìn)行多次堆疊，并在每次進(jìn)行LocSE前將點(diǎn)的位置信息加入。同時(shí)在輸入前與輸出后饋入MLP，以獲得必要的特征數(shù)，并將堆疊后的輸出特征與輸入點(diǎn)云經(jīng)過MLP處理后的特征相加，獲得最終的聚合特征。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境與各項(xiàng)參數(shù)

本文的實(shí)驗(yàn)環(huán)境為I5-8400處理器，內(nèi)存大小16 G， NVIDIA GeForce GTX 1080Ti 11 G顯卡，使用CUDA 11.0 加速GPU計(jì)算，深度學(xué)習(xí)框架為基于Python 3.5.6的TensorFlow-GPU 1.11.0。實(shí)驗(yàn)準(zhǔn)備數(shù)據(jù)采樣為1點(diǎn)/m2的點(diǎn)云，模型使用的最鄰近點(diǎn)K值為16，單次輸入點(diǎn)數(shù)為40 960，初始學(xué)習(xí)率為0.01，動(dòng)量為0.95，模型迭代次數(shù)為100。點(diǎn)云的預(yù)處理與數(shù)據(jù)集的制作主要基于MicroStation上的TerraScan軟件，點(diǎn)云投影影像空間分辨率為1 m。

3.2 LiDAR點(diǎn)云建筑物提取

從LiDAR點(diǎn)云中準(zhǔn)確提取建筑物有著諸多干擾，首先是低矮建筑物高度往往低于周邊的高大樹木，因此在提取過程中，單純考慮建筑物的高度常會(huì)混淆樹木與建筑物的提取結(jié)果，同理，在地形地勢起伏較大的區(qū)域，也存在著這種問題，因此建筑物中點(diǎn)與點(diǎn)之間的關(guān)系信息不能忽略。同時(shí)，在考慮點(diǎn)與點(diǎn)之間關(guān)系時(shí)，往往受困于建筑物不同的幾何結(jié)構(gòu)，而人工尋找并定義這些結(jié)構(gòu)費(fèi)時(shí)費(fèi)力。另一方面，可以借助LiDAR點(diǎn)云的反射強(qiáng)度信息作為輔助信息，在同一棟建筑物上的反射強(qiáng)度常常具有一致性，但是不同建筑物仍然會(huì)表現(xiàn)不同的強(qiáng)度信息，甚至與周圍地物強(qiáng)度一致，所以無法單獨(dú)作為判斷的依據(jù)。再者，點(diǎn)云也可以結(jié)合影像的光譜信息作為輔助特征，本文則基于以上信息，分析了不同方法以及不同特征對建筑物提取以及變化檢測結(jié)果的影響。

使用RandLA-Net結(jié)合不同的點(diǎn)云特征提取2時(shí)期異源點(diǎn)云中的建筑物，并同時(shí)使用傳統(tǒng)基于DSM高程閾值的方法與基于軟件ENVI LiDAR和TerraScan的建筑物提取方法進(jìn)行了對比。在基于DSM的方法中，為了盡可能獲得最好的結(jié)果，對每一塊區(qū)域單獨(dú)設(shè)置基于人工判斷的高度閾值，包括最低、最高與分段的高度閾值。測試區(qū)域選取了2017—2019年變化較大的區(qū)域，并存在著不同形態(tài)的建筑物，如矮于樹木的低矮臨時(shí)建筑物、形狀不規(guī)則的樓宇以及常見的小區(qū)住宅樓等。為了直觀表達(dá)建筑物提取結(jié)果以及便于精度評價(jià)，將點(diǎn)云垂直投影為二維圖像，并通過分級色彩表達(dá)建筑物的高程信息，如表1—2所示。其中，RandLA-Net代表本文使用的方法； I代表訓(xùn)練與測試時(shí)，除坐標(biāo)外使用了反射強(qiáng)度信息作為特征； RGB表示結(jié)合了后期賦予點(diǎn)的光譜信息作為特征； IRGB則表示同時(shí)加入了強(qiáng)度信息與光譜信息； C代表該數(shù)據(jù)中每一點(diǎn)云塊的坐標(biāo)轉(zhuǎn)換為最小坐標(biāo)為0的相對坐標(biāo)。

表1 2017年點(diǎn)云建筑物提取結(jié)果Tab.1 Point cloud building extraction results in 2017

表2 2019年點(diǎn)云建筑物提取結(jié)果Tab.2 Point cloud building extraction results in 2019

由建筑物提取結(jié)果可以看出，使用RandLA-Net算法提取建筑物在2017年與2019年2期點(diǎn)云數(shù)據(jù)上的結(jié)果完整度高，漏檢與錯(cuò)檢的情況少，并且可以很好地區(qū)分低矮建筑物與樹木，如圖6所示，其中深綠色表示建筑物，紅色表示樹木，對應(yīng)表1第一行結(jié)果。尤其坐標(biāo)轉(zhuǎn)換后的點(diǎn)云建筑物提取精度提升明顯。

(a) 低矮建筑物與樹木 (b) 局部放大圖6 低矮建筑物與樹木區(qū)分Fig.6 Low buildings and trees

一方面，使用傳統(tǒng)方法時(shí)，本文未對原始點(diǎn)云進(jìn)行下采樣，由TerraScan提取的建筑物在稀疏與密集的點(diǎn)云上表現(xiàn)較為一致，但是目標(biāo)的邊界準(zhǔn)確度低，存在著較多的錯(cuò)檢情況； 而ENVI LiDAR的結(jié)果受點(diǎn)云密度影響較大，難以有效提取2017年點(diǎn)云的建筑物； 使用人工DSM設(shè)置高程閾值的方法簡單，且不受點(diǎn)云質(zhì)量差異的影響，但是高聳的樹木與地形的起伏使得在處理時(shí)要面對樹木與低矮建筑物的取舍，同時(shí)，為了避免較多的誤差，分區(qū)域地設(shè)置閾值人工成本高，自動(dòng)化程度低。

另一方面，在使用RandLA-Net算法時(shí)，對比了4種情況，考慮到LiDAR點(diǎn)云數(shù)據(jù)普遍帶有反射強(qiáng)度信息，且在早期測試中的結(jié)果也反映出帶有特征的點(diǎn)云比單純使用坐標(biāo)信息的結(jié)果要好，因此本文并沒有單獨(dú)使用坐標(biāo)信息。在設(shè)置的組合中，最值得注意的是，在同樣只使用強(qiáng)度信息作為特征時(shí)，將坐標(biāo)轉(zhuǎn)換為相對坐標(biāo)帶來的提升效果明顯，尤其在對低矮建筑物的提取上，使用相對坐標(biāo)則有著更完整的建筑物個(gè)體與更為準(zhǔn)確的建筑物邊界?；赗andLA-Net的結(jié)果明顯好于其他方法，其誤差主要在于建筑物本身上，很少存在將樹木或其他地物錯(cuò)分為建筑物的情況。精度對比如表3所示。

表3 建筑物提取方法精度對比Tab.3 Accuracy comparison of the building extraction method

由表3計(jì)算出的各項(xiàng)指標(biāo)可以看出，基于RandLA-Net算法獲得建筑物區(qū)域的各項(xiàng)指標(biāo)均優(yōu)于ENVI LiDAR，TerraSacn以及DSM高程閾值的方法。對比不同特征的影響，在2017年點(diǎn)云上進(jìn)行的訓(xùn)練，并同時(shí)對2017年與2019年點(diǎn)云進(jìn)行測試，結(jié)果是： 2017年點(diǎn)云同時(shí)使用反射強(qiáng)度與光譜信息的結(jié)果最好，2019年點(diǎn)云僅使用光譜信息結(jié)果最好，2期點(diǎn)云差異如圖2所示。因此建議： ①在提取建筑物時(shí)，使用格網(wǎng)采樣后的2019年點(diǎn)云，僅需加入光譜信息?？紤]到LiDAR傳感器大多無法同時(shí)獲取光譜信息，或者相機(jī)參數(shù)未知及相機(jī)參數(shù)誤差較大，無法利用光譜信息的時(shí)候，僅使用強(qiáng)度信息同樣可以獲得很好的結(jié)果，不建議同時(shí)加入強(qiáng)度和光譜信息； ②在處理質(zhì)量較差的2017年點(diǎn)云時(shí)，其點(diǎn)云整體無序，則需要更多的特征，此時(shí)越豐富的特征帶來的效果越好，正如結(jié)合了反射強(qiáng)度與光譜信息的2017年點(diǎn)云結(jié)果最好。

此外，點(diǎn)云差異如第1.2節(jié)所述，使用點(diǎn)的位置、鄰近點(diǎn)的位置、2點(diǎn)的相對位置關(guān)系以及其歐式距離來表達(dá)坐標(biāo)位置的特征。如圖2(b)，越是規(guī)則的點(diǎn)云其相對位置關(guān)系的特征越是一致，這點(diǎn)在RandLA-Net原文中也有闡述。這也解釋了在2017年點(diǎn)云上訓(xùn)練的網(wǎng)絡(luò)在不同特征組合下，2019年的結(jié)果會(huì)比2017年結(jié)果更好的現(xiàn)象。

3.3 LiDAR點(diǎn)云建筑物變化檢測

點(diǎn)云存在無序性的特點(diǎn)，以及2期點(diǎn)云獲取的傳感器不同導(dǎo)致的密度不同，無法直接使用點(diǎn)云間差分的方法進(jìn)行變化檢測，因此本文的思路是將提取建筑物后的點(diǎn)云投影為二維的灰度影像，使用灰度值表示建筑物目標(biāo)的高度，投影后的二維影像進(jìn)行差分獲得建筑物的變化情況。變化檢測結(jié)果如表4所示，其中不同顏色表示建筑物變化類型，面積與高度變化檢測精度分別為1 m2和1 m，此精度決定于點(diǎn)云的密度。使用混淆矩陣評定建筑物變化檢測的精度，如表5所示。

表4 變化檢測結(jié)果Tab.4 Change detection results

表5 建筑物變化檢測結(jié)果精度對比Tab.5 Accuracy comparison of building change detection results

(續(xù)表)

由變化檢測結(jié)果與指標(biāo)的計(jì)算結(jié)果可知，使用RandLA-Net方法獲得的結(jié)果明顯優(yōu)于傳統(tǒng)方法，其中使用光譜信息與相對坐標(biāo)的點(diǎn)云獲得最優(yōu)的變化檢測結(jié)果，而不是加入所有的特征。同時(shí)，使用相對坐標(biāo)比使用絕對坐標(biāo)的變化檢測結(jié)果精度提升明顯，而且在僅使用強(qiáng)度信息與相對坐標(biāo)時(shí)的結(jié)果與最好的結(jié)果差異較小，這些與上一階段提取建筑物結(jié)果的結(jié)論基本一致。

但是明顯的問題是存在2期建筑物邊界不完全重合的情況，即使在原始數(shù)據(jù)上也存在著邊界的粗差，雖然對指標(biāo)的計(jì)算影響較小，但是在實(shí)際應(yīng)用時(shí)仍然有著一定問題。其主要原因在于： 原始點(diǎn)云的差異，如圖2所示的點(diǎn)云結(jié)構(gòu)，使得2期點(diǎn)云表達(dá)的建筑物存在偏差。面對此種問題的處理可使用形態(tài)學(xué)的后處理方法，但本文為了表現(xiàn)實(shí)驗(yàn)過程中的真實(shí)性，并未進(jìn)行過多的后處理。

4 結(jié)論與展望

為了同時(shí)實(shí)現(xiàn)建筑物的面積與高程定性定量的變化檢測，使用機(jī)載LiDAR點(diǎn)云數(shù)據(jù)制作建筑物點(diǎn)云語義分割數(shù)據(jù)集，并基于深度學(xué)習(xí)方法RandLA-Net的點(diǎn)云語義分割網(wǎng)絡(luò)提取建筑物，利用點(diǎn)云的語義分割結(jié)果投影為二維影像并進(jìn)行分類后檢測。本研究得出以下結(jié)論：

1)使用的RandLA-Net算法在建筑物提取與變化檢測上的總體精度優(yōu)于常用的軟件與DSM分析的方法。

2)在對點(diǎn)云的數(shù)據(jù)預(yù)處理上，使用相對坐標(biāo)要比使用絕對坐標(biāo)結(jié)果好。

3)在對點(diǎn)云特征的取舍上，過多的特征會(huì)造成冗余，僅使用光譜或強(qiáng)度信息時(shí)獲得的變化檢測結(jié)果有時(shí)要好于兩者結(jié)合的結(jié)果，結(jié)合成本分析，僅使用LiDAR點(diǎn)云特有的強(qiáng)度信息是最佳方案。

雖然使用的RandLA-Net算法獲得了很好的建筑物提取與變化檢測效果，但是仍然存在由點(diǎn)云差異而影響建筑物邊界精度的問題。本文僅使用了較少的建筑物樣本進(jìn)行訓(xùn)練，且只使用了2017年的點(diǎn)云進(jìn)行訓(xùn)練與驗(yàn)證，在之后的研究中會(huì)增加點(diǎn)云中目標(biāo)的樣本，通過上下采樣增加點(diǎn)云結(jié)構(gòu)化程度； 同時(shí)優(yōu)化算法與數(shù)據(jù)組成，提高模型在異源點(diǎn)云數(shù)據(jù)上的泛化能力，改善異源點(diǎn)云數(shù)據(jù)的變化檢測精度； 未來會(huì)加入點(diǎn)云法向量作為特征，進(jìn)一步提高點(diǎn)云語義分割的性能。