整合前二項技術試辦三維地形圖資測製

本項工作選定國父紀念館周邊區域為試辦測試區域，整合前二項發展 之技術試辦三維地形圖資測製，並根據試辦區之圖資完整度適時調整作業 流程與技術。此外，由本團隊負責取得試辦三維地形圖資測製所需之相關 資料，如正射影像、數值高程模型等圖資，購買證明文件如附件 D。

4.2.3.1 二維房屋區域自動化辨識

試辦資料包含：(1)辨識所需的數值地形模型及數值地表模型、(2)訓練 及驗證所需的 1/1000 數值地形圖。試辦區域共有 6 個 1/1000 圖幅(合計 288 公頃)，其中 2 個圖幅(4543 及 4544)選定為訓練區，其餘 4 個圖幅(4343、4344、

4443 及 4444)為檢核區，訓練及檢核所需要的房屋多邊形來自 1/1000 數值 地形圖之房屋多邊形，參考用的正射影像如圖 4-2-8a，自動化辨識的依據包 含 正 規 化 數 值 高 程 資 料 (Normalized Digital Surface Model, NDSM)( 圖 4-2-8b)、反射率(Intensity)(圖 4-2-8c)、回波率(Echo Ratio)(圖 4-2-8d)三組資 料。正規化數值高程資料可提供地表及地上物的分類依據、反射率可區別 柏油路面及非柏油路面區域、回波率在可穿透的植物及非植物區域有明顯 的差異。

(a) 參考用之正射影像 (b) 正規化數值高程資料

(c) 反射率 (d) 回波率

圖 4-2-8、影像與高程資料

深度學習分類類別包含房屋、道路、植物及裸露地共四個類別，完成自 動化分類後鎖定房屋區域進行分析及精化，訓練樣本以 1/1000 圖幅(800m x 600m)為單元(圖 4-2-9a)，網格大小為 20cm，訓練單元大小為 4000pixel x 3000pixel，本研究採用 FCN 深度學習方法進行房屋識別，輸入圖幅 4544 及 4543 進行 30 個 epoch 的訓練後，總體精度(Accuracy)及總體損失(Loss) 趨於穩定(圖 4-2-10)，代表此 FCN 已達成收歛。完成深度學習訓練參數後，

即可使用輸入特徵圖層進行房屋偵測，房屋偵測成果如圖(圖 4-2-9b)所示。

(a) 訓練(4544 及 4543)與檢核(4343-44 及

4443-44)區域 (b) 分類成果

圖 4-2-9、房屋訓練區及房屋偵測成果

(a) 分類疊代次數與總體精度 (b) 分類疊代次數與總體損失

圖 4-2-10、分類疊代收歛圖

精度評估分別使用整體精度、正確性及完整性進行房屋區域識別之量化 分析，分析訓練區及檢核區的整體精度分別為 80%及 76%，各項精度指標 整理如圖 4-2-11，鎖定房屋區域進行分析，訓練區均可達到至少 83%之正 確性及完整性，可使用獨立區域進行訓練，並將訓練完成的深度學習參數 套用至其他區域。

(a) 分類精度比較圖

(b) IoU 面積比較圖

圖 4-2-11、房屋精度比較圖

由於自動化房屋區域萃取成果會有一些破碎的資料，必須對分類所得之 原始房屋區域(圖 4-2-12a)進行精化及正規化，精化是以形態學平滑化房屋 多邊形邊界並刪去細小區域，圖 4-2-12 比較精化前後的二維房屋區域。最 後，假設房屋具有正交規則化的特性，自動化產生正規化二維房屋多邊形 供後續建模使用。

(a) 原始偵測房屋區域 (b) 精化房屋區域成果

圖 4-2-12、精化房屋區域成果

圖 4-2-13a 是正規化房屋封閉多邊形成果，全自動化程序共產生 3270 個房屋封閉多邊形，圖 4-2-13b 到圖 4-2-13d 為局部放大比較 1/1000 人工數 化及全自動化萃取之房屋封閉多邊形成果，人工數化採用高解析航照立體 對進行量測，故房屋多邊牆面形狀細緻，而自動化原始觀測資料為每平方 公尺 4 個點的光達資料，因空間解析度低而造成房屋多邊形形狀細緻度較 低，但自動化程度高。

(a)正規化房屋封閉多邊形

(b)1/1000 房屋多邊形 (局部放大)

(c) 精化房屋多邊形 (局部放大)

(d) 正規化房屋封閉多邊形 (局部放大)

圖 4-2-13、正規化房屋區域成果

為 量 化 分 析 正 規 化 房 屋 區 域 之 成 果 ， 本 研 究 使 用 IoU (Intersection-of-Union)(圖 4-2-14)指標比較人工數化房屋多邊形與自動化萃 取房屋多邊形的重疊率，IoU 的是兩多邊形交集與兩多邊形聯集的比例，分 析成果顯示，訓練區及檢核區正規化房屋區的 IoU 分別是 79%及 75%，自

動化萃取成果與人工數化成果有相當高的重疊比例。

圖 4-2-14、IoU 示意圖

完成二維房屋自動辨識及二維正規化處理後，需要給予房屋屋頂形狀完 成三維房屋重建之工作。為了能達到三維屋頂面自動化形塑，本研究採用 隨機抽樣一致演算法(RANdom SAmple Consensus, RANSAC)，擬合主平面 給予二維房屋輪廓所需之高度，以建立三維房屋模型。本項工作比較(1)原 始三維點雲、(2)自動化形塑三維房屋、(3)1/1000 房屋輪廓形塑三維房屋，

圖 4-2-15(d)及(e)比較原始三維點雲與形塑三維房屋模型的套疊成果，在三 維 點 雲 與 三 維 模 型 疊 合 展 示 中 ， 屋 頂 主 平 面 與 點 雲 有 一 致 的 高 程 (圖 4-2-15)。

(a)三維點雲

(b)以自動化萃取房屋輪廓形塑之三維模 型

(c)以 1/1000 數值地形圖房屋輪廓形塑之 三維模型

(d)自動萃取之三維模型與三維點雲套疊 (e) 1/1000 數值地形圖之三維模型與三維點 雲套疊

圖 4-2-15、三維形塑成果與點雲模型之套疊比較

本研究使用原始三維點雲到形塑三維平面之垂距評估高差，點到面垂距 統計如表 4-2-1 及圖 4-2-16，圖 4-2-16 縱軸 Count 是指：高程偏差在特定值 域內的統計數量，可得知使用 1/1000 房屋輪廓的成果比自動化萃取房屋邊 界的成果佳，但兩種三維房屋模型的平差偏差均大於 9.257 公尺，分析原因 是房屋多邊形未細部分割成不同高度，且本測試區內有許多高樓(如 508 公 尺高的臺北 101)會造成顯著的影響，後續研究建議對自動化偵測成果進行 二維細部分割，以產生不同的屋頂面的二維多邊形，以避免多個屋頂面對 應到使用同一個屋頂高度，而造成公尺等級的平差偏差。雖然，此自動化

呈成未能滿足高精緻度的製圖需求，但可快速自動產製房屋模型，做為緊 急製圖的初步成果。

表 4-2-1、三維形塑分析：點到面垂距統計表

6 幅地形圖 1/1000 人工建模 自動萃取房屋建模

最小距離(m) 0 0

最大距離(m) 132.563 132.643

平均距離(m) 9.257 12.144

標準差(m) 16.138 19.289

(a)1/1000 人工建模統計圖(單位:m) (b)自動萃取房屋建模統計圖(單位:m)

圖 4-2-16、三維形塑分析：點到面垂距統計圖

4.2.3.2 道路標線自動化辨識

本項工作發展深度學習方法於空載影像之道路標線自動化萃取，鎖定向 量圖中道路的區域，使用高解析度航照正射影像進行道路標線的辨識，辨 識之道路標線包含雙實線、單實線、虛線、停等區、停車格、停止線、指

向線、近障礙物線、枕木紋行人穿越道線、自行車道線、網狀線、菱形標 線，以道路標線提升道路模型的資訊。試辦資料包含：(1)辨識所需的航照 正射影像、(2)區別道路與非道路區域的 1/1000 數值地形圖、(3)訓練區、檢 核區及試辦區影像及對應的人工數化道路標線。訓練資料必須有植生遮蔽 率低的必要特性區域，故本研究使用內湖、民權路及建國高架的資料建置 訓練及檢核資料，即訓練/檢核資料與試辦區分別是兩個區域；試辦區域涵 蓋 6 個 1/1000 圖幅(合計 288 公頃)，航照正射影像的道路區域與非道路區 域可使 1/1000 數值地形圖中的道路圖層進行分離。

訓練及檢核區(圖 4-2-17a)大小設定為 50m x 50m，訓練及檢核區對應的 道路標線以人工數化而得(圖 4-2-17b)，共數化 518 個，其中 414 個(佔總數 的 80%)為訓練區，其餘 104 個(佔總數的 20%)為檢核區，訓練區應用於深 度學習參數計算，檢核區僅做精度驗證分析。試辦區域包含 6 個圖幅(4343、

4344、4443、4444、4543 及 4544) (圖 4-2-17c)，共 288 公頃。為降低干擾，

使用 1/1000 數值地形圖之道路圖層鎖定道路區域(圖 4-2-17d)進行分類。此 外，在試辦區域內人工數化 119 個獨立檢核區(圖 4-2-17e 及 f)，以量化評估 道路標線偵測的精度。

(a) 訓練及檢核區 (b) 影像與對應人工數化道路標線示意

(c) 試辦區正射影像 (d) 試辦區道路區域內正射影像

(e)獨立檢核區輸入正射影像 (f) 獨立檢核區人工數化道路標線示意

圖 4-2-17、訓練、檢核、試辦區、獨立檢核區

本研究採用 FCN 深度學習方法進行道路標線識別，首先分成 3 個類別 (非道路、道路及道路標線)，輸入 414 個訓練區進行 30 個 epoch 的訓練後，

總體精度(Accuracy)及總體損失(Loss)趨於穩定(圖 4-2-18)，代表已達成收斂。

完成深度學習訓練參數後，即可使用輸入正射影像進行道路標線識別。

(a) 分類疊代次數與總體精度 (b) 分類疊代次數與總體損失

圖 4-2-18、分類疊代收斂圖

將訓練區建立的深度學習參數套用到試辦區域，可萃取試辦區域的道路 標線(圖 4-2-19a)，初步萃取成果再經過精化處理，針對區域內的影像灰度 值進行二元化、形態學分析、刪除小區域，以產生更精確的標線位置。圖 4-2-19b 是局部放大圖，此區域為非遮蔽區，故偵測成功率高；圖 4-2-19c 是房屋高差移位遮蔽區，其中女兒牆的邊界與道路標線的線形特徵相似，

造成誤授，誤授是指將「非道路標線」錯誤判識為「道路標線」，此區域說 明對非道路區域進行遮罩的必要性。圖 4-2-19d 是行道樹遮蔽區，道路標線 受行道樹遮蔽而無法被偵測，造成漏授，漏授則是指將「道路標線」錯誤 判識為「非道路標線」，此區域說明使用進行道路標線偵測的限制。

(b) 局部放大(非遮蔽區)左至右分別為正射影像、初步偵測、精化成果

(c) 局部放大(房屋遮蔽區):圓形標示處為道路標線誤判

(d) 局部放大(樹木遮蔽區):圓形標示處為道路標線遺漏

圖 4-2-19、道路標線偵測成果圖

三種分類類別的精度評估量化成果如表 4-2-2，訓練區、檢核區及試辦

表 4-2-3、道路標線偵測精度評估(14 個類別)

類別 訓練區(414 個) 檢核區(104 個) 試 辦 獨 立 檢 核 區 (119 個)

Accuracy IoU Accuracy IoU Accuracy IoU

1 非道路區 99.59% 99.47% 99.57% 99.46% 98.85% 98.42%

2 道路區域 73.02% 72.36% 73.36% 72.05% 72.19% 70.67%

3 雙實線 83.09% 42.55% 83.72% 40.53% 45.40% 33.61%

4 單實線 82.08% 29.55% 78.52% 29.63% 36.92% 7.88%

5 虛線 91.16% 29.45% 89.59% 29.41% 44.27% 23.11%

6 停等區 77.74% 22.15% 65.26% 16.69% 55.51% 15.58%

7 停車格 93.44% 5.04% 89.19% 4.96% 65.87% 0.76%

8 停止線 84.81% 24.32% 85.07% 24.02% 78.54% 25.66%

9 指向線 90.79% 29.11% 86.25% 26.64% 83.92% 31.87%

10 近障礙物線 89.46% 41.34% 64.15% 31.79% 60.72% 47.69%

11 枕木紋行人穿越道 89.61% 51.51% 86.98% 49.64% 87.77% 47.61%

12 自行車道 7.82% 5.64% - - 6.49% 5.66%

13 網狀線 85.08% 25.29% 84.48% 26.51% 44.79% 20.30%

14 菱形標線 94.24% 0.54% 0.52% 0.52% - -

(a)各類別之精度

(b)各類別之 IoU

圖 4-2-20、分類精度及 IoU 比較圖

由表 4-2-2 及表 4-2-3 可知分為 3 個類別時精度及 IoU 相較於分為 14 個 類別時還要好，表示分為 3 個類別時能產生精度較高的自動化標線。經比 較後發現分為 14 個類別其分類過於細碎，無法準確判別各標線種類(圖 4-2-21b)。進行精化後，由於分為 14 個類別過於細碎，使得有些區域被誤 判為雜訊去除，造成道路分隔線遺失無法準確判斷標線(圖 4-2-21c)。需要 較複雜及精準的分類時，需增加訓練樣本提升自動化標線判斷精度。

(a) 航照影像

(b) 分為 3 類(左)及分為 14 類(右)初步偵測成果

(c) 分為 3 類(左)及分為 14 類(右)精化成果

圖 4-2-21、兩種分類方式精化前後成果圖

完成道路標線的區域偵測及精化後，接著針對道路標線區域進行向量 化，將網格式(Raster)的道路區域向量化(Vectorlization)為中心線特徵，並進 一步使用數值地形模型內插中心線兩端所對應的高程。

本研究向量化的道路標線類別包含：(1)行車分向線、(2)車道線、(3)停 止線、(4)斑馬紋行人穿越道及(5)指向線(圖 4-2-22)。本研究利用最小二乘 直線擬合，輸入的觀測量為道路標線網格點，目標直線擬合方程式是 ax+by+c=1，可避免垂直線段和水平線段無法求解的問題。由於道路標線偵