國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
1
第一章 緒論
第一節 研究動機與目的
如今，都市化的發展趨勢逐漸朝向高密度開發的城市，各都會區之建物多為 複雜且密集的，隨之而來的都市規劃及管理、城市導航以及虛擬實境等相關需求，
使得三維城市模型建置之需求漸趨繁多，如何提升萃取成果及自動化程度以提供 後續三維房屋模型之建置為近年來主要的研究趨勢之一。
三維城市模型之建置可根據其應用目的，選擇建置適當尺度之房屋模型，
Open Geospatial Consortium（OGC）CityGML（Gröger et al., 2008; OGC-CityGML, 2013）中定義多重尺度等級，並給予五個等級尺度之標準，如圖 1 所示，其中，
LOD0 為 2.5D 的數值地形模型，可加入航空像片或地圖；LOD1 為一系列積木形 式組成之建物群，其屋頂皆為平面；LOD2 則有較複雜的屋頂結構，並且包含建 物紋理；LOD3 可表達詳細的牆面及屋頂結構，附屬建物如陽台、屋簷、雨遮等 亦須表現，其建物結構較 LOD2 複雜；LOD4 則須表達 LOD3 中建物之內部結 構，如房間、室內門、樓梯及家具等。
圖 1 CityGML 定義之三維城市模型多重尺度層級
過去傳統三維城市模型建置以航空攝影測量影像為資料來源，以逐點立體量 測方式取得待定點三維坐標，由此產生建物模型，但此方法需要大量人力介入。
近期常加入由影像中自動萃取點特徵、線特徵提高自動化建模之程度，但因遮蔽
‧
影響，仍須人工介入。而後，空載光達系統（LiDAR, Light Detecting And Ranging）
技術逐漸應用於三維城市模型重建，其可快速取得點雲三維坐標，相較於航空攝 儒，2011；王淼，2011；洪祥恩，2011）。
而隨著攝影測量及電腦視覺技術之結合，使用垂直及傾斜拍攝之航空像片以 降低遮蔽問題，並可透過高重疊的影像密匹配產生點雲資料。由於其透過適當載 具，拍攝低航高、高重疊及高傾斜之影像，因此其點雲量、點雲密度及精度可優 於空載光達產生之點雲（Fritsch et al., 2013），並改善航空攝影測量中均調區域無 資料之問題，且因密點雲由多張高重疊影像匹配而得，使其可靠度高。
因此以無人機系統（Unmanned Aircraft System, UAS）經由垂直及傾斜拍攝，
取得高重疊屋頂面及牆面之影像，並應用於三維城市建置之研究逐年增加
（Bertram et al., 2014; Remondino et al., 2011）。UAS 原為軍事用途，其定義為不 須乘載駕駛員，僅酬載感測器，並可事先做規劃飛行任務，飛行時則透過無線電 設備，於半自動或全自動下執行飛行任務（Eisenbeiss, 2004），近年來逐漸為民間 及政府所用，其機動性高、成本低廉並可快速取得資料，可廣泛應用於不同領域 中。於獲取資料用於三維建物模型重建中，相較於地面測量及傳統航拍，其可大
‧
量減少花費之時間及人力（Bertram et al., 2014），且由於其機動性，可取得不同 角度之建物影像，較不易受障礙物影響。本研究即利用 UAS 機動性高且經由垂 直拍攝及傾斜拍攝，可一次性取得高重疊屋頂面及牆面之影像之特性，以無人航 空載具（Unmanned Aerial Vehicle, UAV）環繞建物飛行，並分別以垂直方向及傾 斜方向拍攝屋頂面與牆面，同時取得單一地標建物之高重疊像片，藉由影像密匹
或用以建置 LOD2 城市模型（Xiong et al., 2014a, 2014b; Vetrivel et al., 2015a, 2015b;
Rothermel et al., 2014; Bulatov et al., 2014），而針對建物牆面萃取之研究亦逐年增 加，除用以建置多面體形式之建物模型外（如圖 3），亦研究對點雲計算特徵後，
將牆面、地面、車、交通號誌等街區特徵（Weinmann et al., 2015）分群，亦可進 一步將建物各牆面分群（Nex et al., 2015）。較常採用分群法如區域成長（Regional Growing）、隨機森林（Random Forest）等，但上述分群法亦有門檻值設置需求高 之問題，且門檻值亦受點雲資料差異而改變，因此，降低分群法中參數設置對原 始點雲資料的影響，並探討參數與原始資料之關係為本研究期望達到的目標。
綜合上述本研究的研究目的為以下三點：
一、建立一野外率定場率定 UAV 酬載之非量測型相機。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
4
二、分析 Mean shift 分群法中參數設置與原始點雲資料之關係，由此提升自 動化程度，並探討萃取平面及曲面的最佳分群策略。
三、以 UAV 航拍取得之影像產製密匹配點雲，並藉由本研究提出的分群策 略，探討其分群成果。
圖 2 以密匹配點雲產製數值地表模型（Remondino et al., 2011）
圖 3 以密匹配點雲產製多面體建物模型（Bertram et al., 2014）
第二節 論文架構
本研究以 UAV 作為取得影像之載具，採影像密匹配獲取密匹配點雲，並提 出針對影像密匹配技術取得密匹配點雲，可以點雲密度為依據，以 Mean shift 分 群法自動將各特徵點群分群之策略，論文整體架構如下：
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
5
第一章旨在闡明以 UAV 影像匹配高密度點雲，藉由分群法群集各特徵點群，
設計一可達到提供建置 LOD3 建物層級之 Mean shift 分群策略的動機與目的。
第二章將首先介紹過去模型重建之文獻，並分別依模型重建之策略面及資料 來源兩方面做探討。之後，將回顧點雲處理之方法，首先提及光達點雲之點雲處 理方法，並回顧近年來影像密匹配點雲於建物重建之研究。最後，將介紹分群法，
並重點回顧以分群法處理建物重建之相關研究。
第三章的重點在於詳細說明本研究提出之方法流程，主要可分為三階段：(1) 點雲產製，包含酬載於 UAV 上之非量測型相機之率定方法、以 UAV 垂直、傾斜 拍攝建物屋頂面及牆面之航線設計以及 UAV 影像匹配高密度點雲、(2) 點雲前 處理，包含點雲疏化及點雲特徵萃取、(3) 點雲分群，首先介紹本研究使用之 Mean shift 分群法，並設計實驗測試分群法中之分群參數，以測試成果探討點雲自動分 群之可行性。然後分別針對平面及曲面設計分群策略，測試並決定同時分群平面 及曲面之最佳分群策略。
第四章將分別展示影像密匹配產製之點雲成果，並依據此成果作為實驗區，
利用前一章設計之實驗，展示分群成果，從成果中分析並探討研究方法之可行性，
透過實驗，獲得最佳分群策略，其後測試最佳分群策略之成效。
第五章將整理本研究之成果，提供實驗所得之心得，並提出結論與建議。
‧
將著重於分群法之介紹，主要探討分群法之類型，並針對本研究使用的 Mean shift 密集度導向之分群法作詳細介紹，並回顧過去使用分群方法之研究；最後於第四（model-driven）以及混合方法（hybrid method）（Mayer, 1999; Vosselman and Maas, 2010）。三種方法之間的差異表現在不同的步驟中分別包含多少與建物有關的資