导读:本文包含了建筑物识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:建筑物,神经网络,深度,卷积,图像,虚拟现实,遥感。
建筑物识别论文文献综述
詹森,张景发,龚丽霞,李强,王建飞[1]（2019）在《基于纹理特征的高分辨率合成孔径雷达影像单体建筑物震害信息识别》一文中研究指出获取震后建筑物震害信息有利于开展人员救援和灾后重建工作。由于高分辨率合成孔径雷达(SAR)数据少有震前数据存档,利用震后单时相高分辨率SAR数据评估建筑物震害成为研究热点,但利用高分辨率SAR数据对单体建筑物的研究却很少。以叁景北川老县城震后0. 24 m Terra SAR-X聚束模式(ST)数据为数据源,经多视处理后提取建筑物纹理特征,对比分析不同视数大小和纹理计算窗口大小对建筑物震害识别影响,确定最佳纹理计算窗口大小和视数大小。结合震前光学数据,获得SAR单体建筑物轮廓图,随机选取建筑物轮廓样本作为训练样本,引入支持向量机(SVM)和随机森林(RF)分类器识别建筑物震害信息。结果表明,基于纹理特征的SVM、RF方法能有效地识别高分辨SAR影像单体建筑物震害信息,SVM识别精度均在80%以上,RF识别精度均在83%以上。可见基于高分辨率SAR数据的纹理特征识别建筑物震害方法稳定有效,可为灾后应急、灾害评估和灾后重建工作提供可靠信息支撑。(本文来源于《科学技术与工程》期刊2019年31期）
张凌,谭璇,宋冬梅,王斌,李睿琳[2]（2019）在《基于马尔科夫随机场的单时相震害影像受损建筑物识别方法》一文中研究指出建筑物是地震中的主要承灾体,其受损情况可作为评估地震破坏等级的重要参考依据。因此,快速准确地对震后影像中的受损建筑物进行识别显得尤为重要,对震后救援和应急响应具有指导意义。现有的震害遥感信息提取方法的精度低、速度慢,无法满足快速应急响应的迫切要求。文中提出一种基于马尔科夫随机场(Markov Random Field,MRF)模型的建筑物受损程度检测方法,首先利用马尔科夫随机场对影像进行分割,再根据影像中不同程度受损建筑物所呈现的特征,利用支持向量机在分割后的影像中提取受损建筑物。实验表明,该方法性能良好,平均总体精度达93. 02%。与传统方法相比,该方法操作简便,且提取精度和运行时间均有显着优势,能够精准、快速地识别震害单时相影像中的受损建筑物。(本文来源于《地震地质》期刊2019年05期）
侯培文[3]（2019）在《城市建筑物正面图像相同建筑物的识别》一文中研究指出本论文中,我们提出一种新的算法——基于分散图像diffusion-based识别的方法,该方法可以准确确定建筑物正面图像相同建筑物的位置和形状。新算法的要点是运用识别模板来发现城市建筑物建正面建筑中与之匹配的建筑物。(本文来源于《电子技术与软件工程》期刊2019年19期）
许博鸣,刘晓峰,业巧林,张福全,周京正[4]（2019）在《基于卷积神经网络面向自然场景建筑物识别技术的移动端应用》一文中研究指出由于自然场景中背景噪声的存在,以及光照、旋转、拍摄角度等复杂因素的干扰,使得自然场景中对建筑物的图像识别难度较大.针对传统建筑物提取方法对人为设计的依赖,以及对建筑物边缘特征提取算法的改进,基于卷积神经网络(convolutional neural networks,CNN)对自然场景中地标建筑物进行分类的图像识别技术,以及将CNN模型移植到移动端实现复杂场景的快速识别的现实需求,通过Keras框架获取MobileNet瓶颈层后加入新的分类器进行迁移学习,对输入图片进行大量的图像增强技术和测试集增强技术,经过3个阶段的迁移学习,480次迭代后在3个测试集上分别达到98.2%、95.6%、97.2%的准确率.相比其他的特征提取算法,CNN具有平移不变形以及自动提取等优点,在较短的时间内获得较高准确率的同时,MobileNet的权重仅有15.3 MB,兼顾计算量和精度,可以广泛移植到移动端设备.基于模型移植的移动端系统兼具拍照识别、相册识别、菜单展示等功能,为移动平台用户提供一个方便简捷的工具来快速准确地判断自然场景中建筑物的信息.(本文来源于《南京师范大学学报(工程技术版)》期刊2019年03期）
邓瑞,林金朝,杨宏志[5]（2019）在《基于深度学习的建筑物识别》一文中研究指出针对随着城市化的快速发展,城市与城市间的辨识度越来越弱,城市地标的概念越来越热门这一现象,提出了一种基于深度学习的建筑物识别方法;使用改进的Faster R-CNN算法作为训练模型,首先,将需要识别的图片输入深度神经网络,提取出特征框图;然后,模型通过区域建议网络预测目标建筑物所在位置的区域建议,并将这些区域建议映射到特征框图上,RoI Pooling层将这些区域建议转换成固定大小的特征框图;最后使用非极大值抑制从预测边界框中移除相似的结果,得到预测边界框以及边框中目标建筑物的类别和概率;实验结果表明:在训练数据集充足的条件下,使用此方法对地标建筑物的识别率能达到90. 8%,通过与其他模型比较分析,该模型具有较好的识别效果。(本文来源于《重庆工商大学学报(自然科学版)》期刊2019年04期）
陈梦[6]（2019）在《基于深度学习的建筑物震害遥感识别研究》一文中研究指出地震尤其是特大地震一旦发生,对人类社会造成的危害十分巨大。地震发生后,建筑物作为重要的承灾体,其倒损是造成人员伤亡和经济损失的主要原因之一。地震发生后,灾区的道路、通讯等设施往往遭到破坏,如何判断灾区的受灾情况,以便根据受灾情况进行救援力量的投放,最大限度的降低损失,是震后的首要工作。由于遥感手段可以快速大范围的对灾区进行成像,因此可以通过灾区的遥感影像对灾区的受灾情况做出判断。针对遥感影像的解译任务,传统的基于像元和面向对象的方法存在一定的问题与不足,基于像元的方法精度不高,存在“椒盐”噪声;面向对象的方法中,图像的分割制约着图像解译的精度。随着以神经网络为代表的深度学习技术的发展,深度学习在图像处理领域取得了很好的应用效果。因此本文将深度学习的方法应用于建筑物震害的识别,以期提高建筑物震害遥感识别的自动化程度。本文主要开展了以下几个方面的工作:(1)对传统的建筑物震害遥感提取方法进行了对比分析。基于像元的建筑物震害提取,是图像处理的一种初级方法,仅利用了图像的光谱信息,不能充分利用影像的上下文信息,提取精度较差,而且会产生“椒盐噪声”。面向对象的建筑物震害提取技术是基于像元技术的延伸,在一定程度上克服了基于像元方法中不能充分利用上下文信息的问题,但是该方法在进行图像分割的过程中,分割得到的图像斑块往往不能比较精确的表示整个物体,这种现象影响了该方法的精度。(2)对深度学习技术在图像处理领域尤其是在图像语义分割领域的发展现状进行了研究分析。神经网络在图像语义分割领域的应用可以归纳为以下几种方法:基于传统卷积神经网络的方法,这种方法处理速度较慢;基于全卷积神经网络的方法,该方法是对传统卷积神经网络的一种发展,在一定程度上提高了图像语义分割的效率,但是对物体边界的识别能力较差;基于编码解码结构的神经网络,这种结构在一定程度上提高了地物边界的识别精度。(3)在比较各类方法的基础上,本文主要采用全卷积神经网络和基于编码解码的神经网络两种方法进行建筑物震害提取的研究分析。选取2010年玉树7.1级地震作为分析震例,研究区域为玉树县城区部分地区。基于研究区的航空影像,选取用于建筑物震害识别的样本,为今后更进一步的深入研究积累了数据。(4)基于全卷积神经网络进行建筑物震害识别的研究。全卷积神经网络主要包括卷积层,池化层,上采样层,并采用了跳跃层的策略。用393张500×500大小的图像对网络进行训练,另外34张500×500大小的图像对网络进行测试。测试结果表明,建立的模型对建筑物震害提取总体像素精度可达到82%,kappa系数为62%,表明该方法具有一定的建筑物震害信息提取能力。同时对该网络结构存在的问题进行了分析。(5)基于deeplabv3+模型进行建筑物震害遥感识别研究。deeplabv3+模型包括孔洞卷积、深度可分离卷积、改进的Aligned Xception模型,解码器、编码器等;用与全卷积神经网络相同的训练和测试数据对该网络进行训练和测试。测试结果表明,基于该模型进行建筑物震害遥感提取是可行的,而且可以达到较高的提取精度。总体精度为89.4%,Kappa系数为0.79。对背景,倒塌建筑物和未倒塌建筑物的提取精度分别为0.909,0.833,0.904。同时初步探究了不同样本量对建筑物震害识别精度的影响,结果表明虽然小样本量对建筑物震害提取的精度有所影响,但仍然具有较高的提取精度(总体精度高于80%)。(本文来源于《中国地震局地震预测研究所》期刊2019-06-24）
李瑞雪[7]（2019）在《基于地面LiDAR数据的建筑物立面识别及提取研究》一文中研究指出传统测量存在易受到地形地貌、天气状况等条件影响,且劳作强度大,数据处理效率低等特点,使得传统的测量技术产品越来越无法满足需求。则地面激光扫描技术应运而生,它是一种快速而高效地获取测量目标主体物的测量技术,具有全自动、非接触、高精度等特点,在“智慧城市”、“数字城市”中的应用已越来越成熟。针对TLS点云数据的特点,如何对海量、多样、非结构化的叁维点云进行处理,是点云研究的挑战性问题。基于国内外学者对点云数据的研究,本文主要围绕TLS数据的预处理展开研究,着重对数据采集后滤波处理、建筑物立面提取、以及建筑物立面表面细节识别等方面展开了研究,并取得一定的进展。主要研究内容及取得成果如下:(1)阐述了地面激光扫描仪的工作原理,重点介绍了RIEGL VZ-1000的组成,以及数据采集的主要流程。并归纳和总结了TLS数据的特点,着重介绍了几种典型地物的点云数据特点,包括空间分布特征和几何特征,为后续实验过程做准备。(2)研究区点云数据滤波处理。讨论了目前已有的经典点云滤波算法,包括基于数学形态学滤波算法、基于坡度的滤波算法和PCL点云方法库中的组合滤波器。并总结分析了已有滤波算法的优缺点,在此基础上提出了一种基于二维Gamma分布的滤波算法,分别选取不同的邻域个数,设定了邻域均值和斜率两个约束条件分离噪声点,实验结果对比表明采用二维联合Gamma分布滤除噪声点的同时更能保留主体细节特征。(3)基于RANSAC算法的建筑物立面提取。对目前已有的立面信息提取算法进行了深入研究,分析了其现有算法的优缺点。在此基础上,提出采用RANSAC算法进行实验,实现了建筑物立面数据的提取,通过实验验证此算法的有效性。(4)基于地性线的建筑物立面细节特征识别。对建筑物立面数据的细节特征进行了深入分析,总结了立面细节的语义特征,提出将立面数据经过旋转、投影变换后,依据生成的TIN叁角网的地形特征线识别出不同立面细节的点云数据,并对其进行几何框架模型重建。本文创新点:(1)本文通过对点云数据滤波深入研究,提出一种基于二维联合Gamma分布的滤波算法,实现无序点云的去噪。实验结果表明此算法可以减少阈值的主观设定,并且拟合效果良好。(2)本文通过对点云数据立面细节特征识别的研究,提出一种根据立面细节的语义信息实现识别的算法,并且结合地性线特征,识别出不同细节的点云数据。(本文来源于《江西理工大学》期刊2019-05-24）
窦爱霞[8]（2019）在《基于机载LiDAR数据的建筑物震害识别特征参数研究》一文中研究指出地震导致的建筑物破坏是人员伤亡和经济损失的主要因素,房屋破坏程度调查是灾害损失评估的重要依据。国内外多次地震应急遥感应用实践证明,高分辨率卫星和航空遥感已成为灾害监测的重要手段。激光雷达(Light Detection and Ranging,LiDAR)是一种新兴的主动遥感技术,可快速获取高精度地面高程信息,能够监测地震造成的地表变形、滑坡、堰塞湖等地震(本文来源于《国际地震动态》期刊2019年04期）
王利忠,张宏海,仲波,牛铁[9]（2019）在《基于深度学习的高分遥感影像乡镇建筑物识别方法》一文中研究指出目的随着遥感卫星技术的进步,卫星图像的空间分辨率、时间分辨率及光谱分辨率越来越高,所包含的信息越来越丰富。乡镇建筑物的识别可以利用高分辨率遥感影像进行提取,可以有效地分析农村的人口密度和用地分配,从而为农村发展规划提供重要参考。方法根据乡镇建筑物的特点将建筑物分成对应的几类进行标注,然后将样本送入已经搭建好的基于Tensor Flow平台的FasterRCNN模型进行训练,利用CNN提取特征,通过构建区域推荐网络(RPN)提取可能的建筑物区域,利用检测网络对目标区域进行判别和分类。结果最终模型的识别准确率达到93.06%,具有较好的鲁棒性和泛化性。结论本文提出的乡镇建筑物提取框架,建立了乡镇区域的建筑物样本库,有效地避免了图像分类的局限性,同时提高了乡镇建筑物识别的精度。(本文来源于《科研信息化技术与应用》期刊2019年01期）
郭康康[10]（2018）在《浅析砖混结构和框架结构建筑物快速识别方法》一文中研究指出随着社会的发展和进步,建筑物已经成为了人类活动的重要场所之一。不同的建筑物有不同的功能和特点。建筑物的结构是建筑物的重要组成部分,它与建筑物需要实现的功能密切相关。当建筑物由于自然灾害而损害,影响人类财产安全甚至生命安全时,快速的识别不同的结构,有助于更快的实施营救,提高效率。本文主要对砖混结构和框架结构进行分析,提供简易的鉴别方法。(本文来源于《居业》期刊2018年11期）
建筑物识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
建筑物是地震中的主要承灾体,其受损情况可作为评估地震破坏等级的重要参考依据。因此,快速准确地对震后影像中的受损建筑物进行识别显得尤为重要,对震后救援和应急响应具有指导意义。现有的震害遥感信息提取方法的精度低、速度慢,无法满足快速应急响应的迫切要求。文中提出一种基于马尔科夫随机场(Markov Random Field,MRF)模型的建筑物受损程度检测方法,首先利用马尔科夫随机场对影像进行分割,再根据影像中不同程度受损建筑物所呈现的特征,利用支持向量机在分割后的影像中提取受损建筑物。实验表明,该方法性能良好,平均总体精度达93. 02%。与传统方法相比,该方法操作简便,且提取精度和运行时间均有显着优势,能够精准、快速地识别震害单时相影像中的受损建筑物。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
建筑物识别论文参考文献
[1].詹森,张景发,龚丽霞,李强,王建飞.基于纹理特征的高分辨率合成孔径雷达影像单体建筑物震害信息识别[J].科学技术与工程.2019
[2].张凌,谭璇,宋冬梅,王斌,李睿琳.基于马尔科夫随机场的单时相震害影像受损建筑物识别方法[J].地震地质.2019
[3].侯培文.城市建筑物正面图像相同建筑物的识别[J].电子技术与软件工程.2019
[4].许博鸣,刘晓峰,业巧林,张福全,周京正.基于卷积神经网络面向自然场景建筑物识别技术的移动端应用[J].南京师范大学学报(工程技术版).2019
[5].邓瑞,林金朝,杨宏志.基于深度学习的建筑物识别[J].重庆工商大学学报(自然科学版).2019
[6].陈梦.基于深度学习的建筑物震害遥感识别研究[D].中国地震局地震预测研究所.2019
[7].李瑞雪.基于地面LiDAR数据的建筑物立面识别及提取研究[D].江西理工大学.2019
[8].窦爱霞.基于机载LiDAR数据的建筑物震害识别特征参数研究[J].国际地震动态.2019
[9].王利忠,张宏海,仲波,牛铁.基于深度学习的高分遥感影像乡镇建筑物识别方法[J].科研信息化技术与应用.2019
[10].郭康康.浅析砖混结构和框架结构建筑物快速识别方法[J].居业.2018
论文知识图
