一种高层建筑物高度反演方法及系统与流程

本发明涉及环境监测，尤其涉及一种高层建筑物高度反演方法及系统。

背景技术：

1、建筑物高程反演是建筑物三维信息重建的重要一环，对于城市规划、紧急救援和可持续发展具有重要意义。获取精确的建筑物三维信息能够提高城市管理效率、保障公共安全，为可持续发展奠定基础。

2、合成孔径雷达是一种重要且有效的对地遥感观测手段。它具有全天时、全天候、大范围、高频次的数据获取能力，且穿透能力强，它适用于多云多雨地区的动态监测和灾害应急需求，是大范围建筑物三维信息提取的首选手段。随着前沿雷达理论和技术的发展，全球范围内已经陆续开展并实施多个新一代sar系统的发射。与前一代sar卫星相比，新一代sar卫星还具有更短的重访周期、更高的空间分辨率以及更高的轨道定轨精度。新一代sar卫星系统不仅为城市监测应用研究与发展提供了新的数据支撑，也推动和触发了新的应用领域。新一代sar发展到米级、分米级分辨率后，其适用的图像分析、监测对象已可扩展到如城市独立建筑体、线型桥梁与道路等人工地物。实现这些与人类活动息息相关的小型地物的全天候监测，并给出定量化的二维、三维信息参数，及其在时间上的演变过程，是当前城市监测应用发展的前沿领域。

3、现有技术基于sar影像进行城市建筑物高度反演，主要有合成孔径雷达干涉和合成孔径雷达层析成像技术。其中，insar技术属于二维sar技术，其基本原理是获取同一地区具有一定视角差的两幅具有干涉相干性的单视复数图像，并由其干涉相位反演地表高程信息。层析sar是二维sar技术向三维成像的扩展，利用多部天线或多次航过形成高程上的合成孔径，通过多个干涉基线获取目标的空间三维信息。tomosar成像技术通过采集来自不同空间位置的多幅sar图像，并利用合成孔径雷达原理在垂直于斜距-方位平面的方向(即高程向)合成高程向孔径，来实现高程向的分辨能力，获取建筑物的高程信息。

4、但在现有技术中使用insar等传统二维sar方法生成的数字高程模型出现了空洞和不连续性，从而限制对城市地貌的精确建模和高程信息的准确提取；tomosar方法虽然能够获取目标的空间三维信息，但是需要多期数据和复杂的数据处理过程，使其成为一项耗时且计算量庞大的任务。

5、为了克服这些缺陷，本技术提出了一种高层建筑物高度反演方法及系统，将建筑物高程反演问题转化为深度学习目标检测中的边界框回归问题，仅利用一幅sar影像进行建筑物高程的准确反演，降低计算的复杂度和数据需求。

技术实现思路

1、本技术的目的是提供一种高层建筑物高度反演方法及系统，旨在解决sar影像在城市建筑密集区由于叠掩、阴影等造成建筑物高度反演误差较大的问题。

2、为实现上述目的，本技术提供如下技术方案：

3、本技术提供一种高层建筑物高度反演方法，包括：

4、建立训练集和测试集；

5、将所述训练集和测试集输入边界框回归网络模型，输出建筑物边界框；

6、根据所述建筑物边界框和足迹边界框对建筑物的高度进行反演。

7、进一步的，在建立训练集和测试集的步骤中，具体包括下述步骤：

8、获取建筑物在utm坐标系中的足迹轮廓矢量及建筑物高度数据；

9、将所述足迹轮廓矢量投影到sar斜距坐标系上，生成建筑物足迹掩模；

10、利用所述建筑物足迹掩膜构造最小外接矩形。

11、进一步的，在利用所述建筑物足迹掩膜构造最小外接矩形的步骤中，具体包括下述步骤：

12、根据所述最小外接矩形得到足迹边界框bfp，设bfp＝[rgfp，azfp，lfp，hfp]，其中(rgfp，azfp)为足迹边界框中心点的坐标，lfp和hfp分别为足迹边界框的宽和高；

13、根据l＝h·cosθ，lbld＝l+lfp，则建筑物边界框真值表示为bbld＝[rgbld，azbld，lbld，hbld]四维矢量；根据所述sar影像中的几何关系，建筑物边界框真值为：

14、

15、进一步的，在将所述训练集和测试集输入边界框回归网络模型，输出建筑物边界框的步骤中，具体包括下述步骤：

16、将所述训练集和测试集中的足迹边界框映射为感兴趣特征，即cascade r-cnn++边界框回归网络模型的初始边界框b0；

17、设b0＝[xb，yb，wb，hb]，其中xb，yb，wb，hb依次为初始边界框的中心坐标(xb，yb)、宽度wb和高度hb；

18、初始边界框b0通过所述边界框回归网络模型得到建筑物边界框g＝[xg，yg，wg，hg]；

19、预测初始边界框b0和建筑物边界框g之间的位移δ＝[δx，δy，δw，δh]，则建筑物边界框为：

20、

21、

22、

23、

24、其中sgn为符号函数，k∈{x，y，w，h}用于增加边界框回归的灵敏度和平衡损失梯度。

25、进一步的，所述边界框回归网络模型的损失计算过程为：

26、采用联合交并比损失函数计算边界框回归网络模型的精度，计算公式为：

27、

28、其中b和g分别为初始边界框b0和建筑物边界框g的中心点，ρ为初始边界框b0和建筑物边界框g之间的欧氏距离，c为初始边界框b0和建筑物边界框g之间的对角线长度，α为一个正的权衡参数，v为用来衡量长宽比的参数；

29、其中iou、α和v定义为：

30、

31、

32、

33、进一步的，在根据所述建筑物边界框和足迹边界框对建筑物的高度进行反演的步骤中，具体包括下述步骤：

34、利用足迹边界框与所述建筑物边界框之间的几何关系，计算建筑物高度，计算公式为：

35、h＝l/cosθ

36、其中θ为雷达入射角，l为叠掩长度，l计算公式为：

37、l＝lbld-lfp

38、其中lbld为建筑物边界框的宽度，lfp为建筑物足迹边界框的宽度；

39、通过公式h＝(lbld-lfp)/cosθ反演出建筑物高程。

40、本技术提供基于边界框回归和sar影像的建筑物高程反演系统，包括：

41、建立模块：建立训练集和测试集；

42、训练模块：将所述训练集和测试集输入边界框回归网络模型，输出建筑物边界框；

43、计算模块：根据所述建筑物边界框对建筑物的高度进行反演。

44、本技术提供一种设备，所述设备包括处理器、与所述处理器耦接的存储器，其中，所述存储器存储有用于实现一种高层建筑物高度反演方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令以实现基于边界框回归和sar影像的建筑物高程反演。

45、本技术提供一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行一种高层建筑物高度反演方法。

46、本技术提供了一种高层建筑物高度反演方法及系统，具有以下有益效果：

47、本技术基于sar影像切片和建筑物轮廓矢量及高程数据真值，构建训练集和测试集；基于cascade r-cnn++构建边界框回归网络，预测得到准确的建筑物边界框，然后利用建筑物边界框与足迹边界框之间的几何关系，对建筑物高度进行反演；将建筑物高程反演问题转化为深度学习目标检测中的边界框回归问题，仅利用一幅sar影像进行建筑物高程的准确反演，降低的计算复杂度和数据需求；为高分辨率sar影像中的建筑物三维信息提取提供一种简便而有效的解决方案。