內政部
108年度
三維地形圖資技術發展工作案
（案號：108SU0215）
期末報告(定稿)
主辦單位： 內政部
執行單位： 國立中央大學 太空及遙測研究中心 國立交通大學 土木工程學系
台灣世曦工程顧問股份有限公司
計畫期程： 自 108 年 3 月 27 日 至 108 年 11 月 22 日
摘要
大比例尺(千分之一)基本地形圖是國內最重要的基本圖資之一，也廣泛 應用於不同領域。目前大比例尺地形圖仍為二維圖資，雖然有精確的二維 坐標，但缺乏精確完整的三維資訊。空間資訊的應用由傳統二維平面逐漸 往三維模型、室內外整合及多時序發展，並且與物聯網等新興技術結合，
以達到智慧城市發展與應用。內政部自 95 年起陸續推動三維數位城市模型 發展相關研究，對於三維房屋與道路模型建置、技術規劃與發展、模型更 新、不同等級模型整合等已累積相當程度成果。隨著智慧城市的議題逐漸 受到重視，如何擴充及立體化現有大比例尺基本地形圖，成為三維立體數 值基本地形圖，作為新一代空間資訊基礎圖資，以滿足日趨複雜的智慧城 市相關應用需求已成為刻不容緩的重要課題。
本計畫目的為分析、精進三維地形圖資技術發展與應用需求，並研發 三維地形基礎圖資測製技術，以及整合三維地形圖資與物聯網並進行應用 服務試辦，以期推廣、加值三維地形圖資成果。在技術發展與應用方面，
本計畫工作及成果包含：(1)研發三維數值基本地形圖房屋模型及道路標線 自動化產製技術；(2)提升三維數值基本地形圖紋理品質及建築尺度細緻度；
(3)三維室內圖資與物聯網之整合方案及應用試辦。
在推動與評估方面，本計畫工作成果包含：(1)精進三維地形圖測製及
檢核作業技術文件指引；(2)提出三維地形圖資測製技術之成本分析、應用 領域及成果效益；(3)探討三維地形圖資測製中遭遇之困難或三維地形圖資 技術發展需克服之問題並提出可能之解決方案；(4)提出三維地形圖資測製 成果物件化、三維空間資料結構與編碼之策略與建議。本計畫的執行與成 果，不僅可以整合與強化國內三維地形圖資技術發展，落實科技紮根，對 於三維地形圖資應用的推廣和人才培育等也有正面貢獻，進而提昇相關產 業與國家整體的競爭力。
Abstract
Large-scale (1/1000) topographic map is one of the important geo-spatial data in Taiwan and it has been extensively applied to different domains.
However, traditional 2D topographic map only provides planar coordinates and limited information about height, e.g. the number of building floors. In order to develop the necessary infra-structure in geoinformatics for smart city applications, the Ministry of Interior has been promoting 3D cyber city and related studies since 2006, including 3D building modeling, 3D road modeling, 3D model updating, technical planning and multi-scale model integration.
Therefore, it has a great potential to extend the existing 2D topographic maps and city models to 3D topographic maps.
The core objectives of this project include: (1) analysis of the demand of 3D topographic maps; (2) development of the 3D mapping techniques; (3) value-added applications using developed 3D topographic maps.
In terms of execution, evaluation and promotion, the tasks carried out and outcomes of this project include: (1) improving documentation in 3D topographic map generation and quality control; (2) 3D topographic map cost analysis, applications and effectiveness evaluation; (3) identifying challenges in 3D topographic map generation and development as well as possible solutions;
(4) strategy development and recommendations on 3D topographic map object reconstruction, data structure and encoding schema.
This project will help integrate and strengthen the technical development of 3D topographic map generation so as to further increase technology capacity. In addition, the execution and results of this 3D topographic map development
project can also contribute to the long-term related education, application, industry development and economic growth.
目 錄
摘要 ... iii
Abstract ... v
目 錄 ... i
圖目錄 ... iii
表目錄 ... viii
第一章 前言 ... 1
1.1 計畫背景與目的 ... 1
1.2 計畫內容 ... 3
1.2.1 技術建立 ... 4
1.2.2 應用服務試辦 ... 4
第二章 背景分析 ... 5
第三章 工作項目 ... 11
3.1 工作項目 ... 11
3.2 工作期間及進度 ... 16
3.3 繳交成果及繳驗時程 ... 17
3.3.1 進度報告 ... 17
3.3.2 期中報告及期末報告 ... 18
3.3.3 成果繳交格式、項目、日期及地點 ... 18
第四章 實施方法 ... 20
4.1 試辦區域選定 ... 20
4.2 研發三維數值基本地形圖房屋模型及道路標線自動化產製技術 ... 22
4.2.1 建立三維房屋模型自動化辨識及重建流程 ... 24
4.2.2 建立道路標線自動化辨識及重建流程 ... 29
4.2.3 整合前二項技術試辦三維地形圖資測製 ... 31
4.2.4 提出精進前項圖資測製技術自動化程度或品質方案 ... 51
4.2.5 配合機關辦理 108 年度行政院災害防救應用科技方案(第 2 期)協助災後快速製圖技術
研發相關作業 ... 56
4.3 提升三維數值基本地形圖紋理品質及建築尺度細緻度 ... 56
4.3.1 以測繪車測製影像作為基礎，偵測三維數值地形圖模型牆面，並進行紋理判別，找出 與真實影像最相近之通用紋理 ... 56
4.3.2 透過既有資料發展近景多視角影像提升三維房屋及道路模型，並評估建置效能 ... 75
4.3.3 藉由影像或點雲資訊搭配既有資料發展重建三維室內模型技術 ... 92
4.3.4 整合前三項技術試辦三維地形圖資測製 ... 106
4.4 精進三維地形圖資測製技術文件 ... 108
4.4.1 精進三維地形圖測製及檢核作業技術文件指引 ... 108
4.4.2 提出三維地形圖資測製技術之成本分析、應用領域及成果效益 ... 109
4.4.3 探討三維地形圖資測製中遭遇之困難或三維地形圖資技術發展需克服之問題並提出 可能之解決方案 ... 114
4.4.4 提出三維地形圖資測製成果物件化、三維空間資料結構與編碼之策略與建議 ... 125
4.5 三維室內圖資與物聯網之整合方案及應用試辦 ... 134
4.6 研究成果發表、協助國際事務推動及技術交流 ... 144
4.7 工作會議 ... 145
第五章 結論與建議 ... 146
5.1 結論 ... 146
5.2 執行成果建議 ... 149
5.3 未來執行方向建議 ... 152
參考文獻 ... 154
其他相關資料及附件 ... 156
圖目錄
圖 4-1-1、試辦區域-國父紀念館周邊區域 ... 21
圖 4-1-2、試辦區 LOD1 模型成果 ... 21
圖 4-1-3、測繪車拍攝路線 ... 22
圖 4-1-4、物聯網試辦地點-國立中央大學研究中心大樓二期館 ... 22
圖 4-2-1、三維房屋模型自動化辨識及重建流程 ... 24
圖 4-2-2、房屋訓練資料示意圖 ... 27
圖 4-2-3、二維房屋多邊形正規化示意圖... 28
圖 4-2-4、三維點雲形塑平面之示意圖... 28
圖 4-2-5、三維道路模型自動化辨識及重建流程 ... 29
圖 4-2-6、道路標線訓練資料示意圖... 30
圖 4-2-7、深度學習與傳統分類器訓練資料數量比較示意圖 ... 31
圖 4-2-8、影像與高程資料 ... 32
圖 4-2-9、房屋訓練區及房屋偵測成果... 33
圖 4-2-10、分類疊代收歛圖 ... 33
圖 4-2-11、房屋精度比較圖 ... 34
圖 4-2-12、精化房屋區域成果 ... 35
圖 4-2-13、正規化房屋區域成果 ... 36
圖 4-2-14、IoU 示意圖 ... 37
圖 4-2-15、三維形塑成果與點雲模型之套疊比較 ... 38
圖 4-2-16、三維形塑分析：點到面垂距統計圖 ... 39
圖 4-2-17、訓練、檢核、試辦區、獨立檢核區 ... 41
圖 4-2-18、分類疊代收斂圖 ... 42
圖 4-2-19、道路標線偵測成果圖 ... 43
圖 4-2-20、分類精度及 IoU 比較圖 ... 46
圖 4-2-21、兩種分類方式精化前後成果圖... 47
圖 4-2-22、道路交通標誌標線示意圖... 48
圖 4-2-23、向量化成果：圖號 4544 ... 49
圖 4-2-24、道路標線三維化成果 ... 50
圖 4-2-25、斑馬線自動標示成果 ... 51
圖 4-2-26、遷移學習運作方式 ... 52
圖 4-2-27、CrowdAI 房屋偵測成果... 53
圖 4-2-28、道路標線圖徵資料庫 ... 54
圖 4-2-29、二維向量圖資 ... 54
圖 4-2-30、3D Mesh Model... 55
圖 4-2-31、3D Polyhedral Model ... 55
圖 4-3-1、模型牆面紋理匹配流程圖... 57
圖 4-3-2、試辦區示意圖 ... 58
圖 4-3-3、測繪車相機位置示意圖 ... 58
圖 4-3-4、測繪車行徑試辦區路線示意圖... 59
圖 4-3-5、尋找牆面紋理影像之示意圖... 59
圖 4-3-6、取得相機紋理影像(推算前) ... 60
圖 4-3-7、推算相機與牆面影像的距離之示意圖 ... 60
圖 4-3-8、取得相機紋理影像(推算後) ... 60
圖 4-3-9、房屋之屋角點坐標示意圖... 61
圖 4-3-10、房屋牆面中心點示意圖 ... 61
圖 4-3-11、三點共線條件示意圖 ... 62
圖 4-3-12、AOI 切割樓層示意圖 ... 64
圖 4-3-13、AOI 成果示意圖 ... 66
圖 4-3-14、影像分析案例 ... 67
圖 4-3-15、影像分析與成果案例(含分析過程) ... 69
圖 4-3-16、影像分析與成果案例(大範圍模型貼圖) ... 70
圖 4-3-18、測繪車與街景影像之模型成果分析比對-案例 2 ... 72
圖 4-3-19、測繪車影像與街景影像之成果... 74
圖 4-3-20、UAV 拍攝之影像(花蓮雲翠大樓) ... 76
圖 4-3-21、以免費開源軟體(VisualSFM)對多視角影像產製點雲案例 ... 76
圖 4-3-22、以商業軟體(ContextCapture)對多視角影像產製點雲案例 ... 76
圖 4-3-23、多視角影像提升模型流程圖... 78
圖 4-3-24、點雲資料展示 ... 79
圖 4-3-25、點雲資料分類 ... 80
圖 4-3-26、眾數層圖示說明 ... 81
圖 4-3-27、點雲與模型套疊示意圖 ... 81
圖 4-3-28、房屋模型成果 ... 82
圖 4-3-29、兩種點雲資料提升模型細緻度之套疊成果 ... 83
圖 4-3-30、光達點雲、航照產製之點雲提升之模型與街景對照 ... 85
圖 4-3-31、資料非同期產製造成落差過大案例 ... 85
圖 4-3-32、點雲資料展示 ... 87
圖 4-3-33、高程分析與模型建置成果... 88
圖 4-3-34、高程分析與模型建置成果與 google 地圖比對 ... 88
圖 4-3-35、高程分析與提升模型細緻度成果-平面道路 ... 90
圖 4-3-36、高程分析與提升模型細緻度成果-高架道路 ... 91
圖 4-3-37、Mesh 與物件模型套疊成果 ... 101
圖 4-3-38、Mesh 編修、修補成果 ... 102
圖 4-3-39、以三角面與四角面展示突起物案例 ... 104
圖 4-3-40、三維室內模型技術重建成果... 106
圖 4-3-41、結合不同技術之模型成果展示... 107
圖 4-4-1、原始樓高萃取結果 ... 116
圖 4-4-2、新增樓高萃取結果 ... 116
圖 4-4-3、建築中基地 ... 117
圖 4-4-4、建物面積狹小 ... 118
圖 4-4-5、影像匹配不佳 ... 118
圖 4-4-6、圖資與影像不符 ... 119
圖 4-4-7、平頂房屋案例-成大化工館 ... 120
圖 4-4-8、多重解析度影像分割結果-成大化工館 ... 121
圖 4-4-9、多重解析度影像分割結果-成大中正堂 ... 122
圖 4-4-10、正射影像-成大中正堂 ... 122
圖 4-4-11、正射影像-大學路麥當勞週邊 ... 123
圖 4-4-12、多重解析度影像分割結果-大學路麥當勞週邊 ... 123
圖 4-4-13、建物缺漏-成大會館及太子學舍 ... 124
圖 4-4-14、資料加值策略流程圖 ... 127
圖 4-4-15、以數值地形圖產生二維物件... 129
圖 4-4-16、以 DTM 及正射影像產生 2.5D 地表 ... 129
圖 4-4-17、以 DSM 形塑三維房屋模型示意圍 ... 130
圖 4-4-18、以 DSM 形塑產生三維地上物 ... 131
圖 4-4-19、3D Mesh model ... 132
圖 4-4-20、3D vector model ... 133
圖 4-5-1、國立中央大學研究中心大樓二期(紅色區域) ... 135
圖 4-5-2、室內即時火災逃生路徑規劃系統之架構 ... 136
圖 4-5-3、Arduino ... 137
圖 4-5-4、DHT22 ... 137
圖 4-5-5、感測裝置成品 ... 137
圖 4-5-6、螢幕顯示器 ... 138
圖 4-5-7、蜂鳴器 ... 138
圖 4-5-8、蜂鳴器致動器成品 ... 138
圖 4-5-9、客戶端視覺化展示介面 ... 141
圖 4-5-11、建議逃生路徑(火災發生時) ... 142
圖 4-5-12、控制蜂鳴器 ... 142
圖 4-5-13、控制顯示器 ... 142
圖 4-5-14、顯示器現場位置 ... 143
圖 4-5-15、顯示器顯示逃生指示 ... 143
表目錄
表 2-1、往年計畫摘要 ... 6
表 3-1-1、各期程工作項目彙整 ... 15
表 3-2-1、預定工作進度表 ... 16
表 3-3-1、成果繳交項目及日期 ... 18
表 4-2-1、三維形塑分析：點到面垂距統計表 ... 39
表 4-3-1、房屋類別與樓層說明 ... 68
表 4-3-2、光達點雲與航照產製之點雲資訊 ... 77
表 4-3-3、點雲提升房屋精細度之建置效能表 ... 86
表 4-3-4、三種攝影測量拍攝方式 ... 98
表 4-3-5、拍攝模式說明 ... 98
表 4-3-6、三角面與四角面模型比較... 105
表 4-4-1、房屋模型建置成本分析比較表(依作業方式) ... 110
表 4-4-2、三維道路建置成本比較表... 111
表 4-4-3、路口單價費用表 ... 112
表 4-4-4、道路長度單價費用表 ... 112
表 4-4-5、密匹配點雲計算硬體規格表... 113
表 4-4-6、臺北市密匹配點雲計算及資料產出時間 ... 113
表 4-4-7、航照影像 DSM 樓高萃取未成功類別 ... 116
表 4-4-8、三維圖示規格類別 ... 126
表 4-4-9、定義三維繪圖目標 ... 128
第一章 前言
1.1 計畫背景與目的
內政部自 105 年起推動「空間測繪應用研究發展計畫」，規劃於既有 先進航遙測技術基礎上，深化我國自主性之測繪科技研究，擴大各項測繪 技術本土研發能量，進而吸引國內投入測繪科技之研發人才與經費，厚植 測繪軟硬體實力。「空間測繪應用研究發展計畫」以分年延續工作方式，
提出三維空間資訊之未來願景，延伸自主研發三維街景影像接合、三維地 理資訊系統、智慧城市房屋街道建模、自動導航物件辨識等技術，配合實 景影像地圖技術，調整現有地圖標準，訂定新型態的資料格式，建立國家 三維地形基礎圖資架構，開創全新的業務應用，為資料鏈注入新的生命；
除可作為智慧城市實踐重要基礎外，並提供各界運用普及化行動裝置及未 來物聯網(Internet of Things, IoT)架構，快速推展智慧優質生活服務。
現行數值二維地形圖資是國家重要的基礎圖資，其包含有許多圖層，
並提供都市等級的民生建設資訊。在這些圖層中，房屋與道路為最重要且 數量最多的民生設施。然而，房屋與道路屬於三維物件，礙於早期設備與 視覺呈現問題，必須將三維測製結果以二維方式顯示。隨著電腦軟硬體設 備進步，以及過去數年內政部與其他單位相關計畫的研發成果，已達到推 動直接測繪並保存三維物件的適當時機，亦是本計畫提出三維數值基本地
形圖的初衷。
內政部過去數年相關計畫主要著重三維地形、房屋與道路模型的建置、
轉換、更新與應用。經過多年來的研發，數位城市模型建置技術已趨於成 熟。相對以往以現成圖資產製三維模型的角度，105 年至 107 年度計畫著重 三維地形圖資發展，探討三維房屋與道路模型作為三維數值基本地形圖主 要基礎內容之可行性，並了解產、官、學界的需求，進而推廣國家基礎圖 資和後端應用之可能性。在需求面上，為有效利用都市土地，以及減少土 地、建造物間的紛爭，透過三維地圖解決一個位置對應複數個地上物的現 象，亦呈現出三維地形基礎圖資於實務面的價值。
本計畫目的為分析、精進三維地形圖資技術發展與應用需求，並研發 三維地形基礎圖資測製技術，以及整合三維地形圖資與物聯網並進行應用 服務試辦，以期推廣、加值三維地形圖資成果。在技術發展與應用方面，
本計畫工作包含：(1)建立三維房屋模型自動化辨識(Recognition)及重建 (Reconstruction)流程；(2)建立道路標線自動化辨識及重建流程；(3)提出精 進前項圖資測製技術自動化程度或品質方案；(4)以測繪車測製影像作為基 礎，偵測三維數值地形圖模型牆面，並進行紋理判別，找出與真實影像最 相近之通用紋理；(5)藉由影像或點雲資訊搭配既有資料(如：千分之一地形 圖或臺灣通用電子地圖)發展重建三維室內模型技術；(6)三維室內圖資與物
在推動與評估方面，本計畫工作包含：(1)透過既有資料(如：千分之一 地形圖或臺灣通用電子地圖)發展近景多視角影像提升三維房屋及道路模型，
並評估建置效能；(2)精進三維地形圖測製及檢核作業技術文件指引；(3)於 期末報告提出提出三維地形圖資測製技術之成本分析、應用領域及成果效 益；(4)探討三維地形圖資測製中遭遇之困難或三維地形圖資技術發展需克 服之問題並提出可能之解決方案；(5)提出三維地形圖資測製成果物件化、
三維空間資料結構與編碼之策略與建議；(6)協助國際事務推動及技術交流，
配合內政部其他專案共同在臺辦理臺印尼年度測繪技術交流會議活動，並 依本案主題場次邀請印尼方產官學研人士(合計至少2位)；(7)配合內政部辦 理「科技發展計畫績效評估作業」等作業，協助災後快速製圖技術研發相 關作業。
透過本計畫的執行，不僅可以整合與強化國內三維地形圖資技術發展，
落實科技紮根，對於三維地形圖資應用的推廣和人才培育等也有正面貢獻，
進而提昇相關產業與國家整體的競爭力。
1.2 計畫內容
本計畫為分年延續工作，本年度(108)為第四年，計畫目標是發展建立 三維數值地形圖所需的技術，研擬並精進相關作業程序、文獻與技術文件 分析蒐集等等的規劃與建議。此外，也透過實際場域進行物聯網應用試辦。
1.2.1 技術建立
計畫中整合各式空間資料及技術，包含大比例尺地形圖、數值地形模 型、數值地表模型、物聯網介接等技術，發展三維地形圖資相關技術，並 透過物聯網技術進行整合與應用，以突顯三維地形圖資技術發展之成效。
1.2.2 應用服務試辦
本計畫將針對三維地形圖資技術與發展進行試辦應用作業，以提升三 維地形基礎圖資測製技術之價值。試辦以實際場域進行物聯網整合方案應 用試辦，本團隊自行協調試辦場域及取得相關資料或建置相關物聯網所需 裝置。
第二章 背景分析
為因應全球都市人口快速增長，智慧城市是全球發展趨勢之一(Smart City Expo, 2014)。就複雜的城市運作而言，完整且優質的資訊，配合高效 率視覺化環境，將對決策者提供最佳支援。由於都市的使用者對基礎設備 及其提供的服務需求日趨急迫，國際間許多政府、組織、和企業均投入資 源於智慧城市的發展，隨著新一代資通技術(Information and Communication Technologies, ICT)的發展與啟用，智慧城市亦將會是國家發展政策的主軸之 一。
三維空間資訊是建置智慧城市不可或缺的重要基礎元素，為了提升都 市規劃、設計、建設及經營管理之效能，有必要於電腦系統中建置城市的 基礎空間資訊。據此，一個重要決策之前，可進行模擬並檢視其成效，再 進行決策。為提升智慧城市的應用領域，建置高細緻度的空間資訊模型是 一項必要的工作。
近年來，三維測量(3D surveying)及三維服務(3D services)的需求日益成 長(POB, 2015)，其中三維地形測繪(3D topographic mapping)的需求成長達 69%，預估在 2020 年 3D mapping 及 3D modeling 的市場可達 169.9 億美元 (Marketsandmarkets, 2015)。就資料面而言，數值地形圖是國家空間資訊的 基礎建設，亦是建置三維空間資訊的主要材料。因此，投入三維地形測繪
為國家重要且必要的發展工作。
現有的大比例尺地形圖圖資產製程序中，多使用航空測量技術進行三 度空間量測，以描繪地形圖目標物之三度空間關係。因產製程序之三維資 料不易直接進行三度空間之加值處理，且受限於傳統二維紙圖/螢幕輸出之 限制，地形圖以二維地形圖方式輸出為主。隨著科技的進步及應用需求，
有必要將地形圖之目標物立體化(Prechtel, 2015; Stoter and Salzmann, 2003)，
反應目標物真實的樣貌，因此必須發展三維地形基礎圖資之建置技術。
國際上三維測繪與應用服務目前方興未艾，與此領域相關的國際組織，
例如 FIG (Federation Internationale des Geometres)及 OGC (Open Geospatial Consortium)等，也積極的推動此一方面的發展與應用，並提出許多規範、
標準與其他相關文件。內政部自民國 95 年開始推動三維城市模型發展，陸 續有計畫地逐步研擬數位城市的建置機制與規範、成本分析與實務應用。
表 2-1 詳列往年計畫之技術發展、應用項目及主要貢獻。
表 2-1、往年計畫摘要
年度 技術發展項目 應用項目 主要成果與貢獻 100 建置三維地形、房
屋、道路模型及其 屬性
三維房屋模型精度 驗證分析
工時及成本分析
展示三維房屋模 型及其屬性
建立三維地形、OGC 房屋及道路模 型建置技術基礎，但道路模型仍未考 慮多尺度情形。
年度 技術發展項目 應用項目 主要成果與貢獻 101、102 發展三維房屋模型
變遷偵測及更新技 術
三維房屋模型更新 效益分析
提出三維房屋模型 更新標準作業程序 與手冊
發展多尺度道路模 型建置技術。
提升三維房屋及道 路模型建置技術自 動化程度及開發人 機介面
以道路模型及 空間分析輔助 消防車派遣
開發三維防災 地圖
針對三維房屋模型，以更新策略代替 重測概念，希冀節省建置成本。而道 路模型方面，已發展多尺度建置技 術。
103、104 發展建築等級模型 與 OGC 三維房屋 模型之轉換技術及 驗證分析
發展近景攝影測量 建置室內模型技術
發展室內定位技術
室內定位技術 應用研究
開發雲端建置 OGC LOD 1 三維房屋模型 系統
開發臺北車站 導覽導航系統
不同往年以空間資料建置三維房屋 模型，此利用現成建築等級模型直接 轉換；沒有建築等級模型的地方，則 以近景攝影測量技術建置之。
105 分析三維地形圖資 技術發展與應用需 求
發展三維地形基礎 圖資技術
發展三維地籍圖資 技術
發展三維圖資災害 管理應用技術
LBS 試辦-停 車位導航導覽
AR 試辦-結合 室內模型、管 線與環景影像 展示
發展建立三維數值地形圖所需的技 術(包含大比例尺地形圖、地籍圖、
建物成果圖、牆面紋理影像、數值地 形模型、數值地表模型、定位技術、
適 地 性 服 務 技 術 、 擴 增 實 境 技 術 等)，提出相關作業程序、資料格式、
相關系統、平台等規劃與建議。
年度 技術發展項目 應用項目 主要成果與貢獻 106
(延續)
三維地形圖資測製 規範與應用需求評 估
發展三維地形基礎 圖資測製技術
三維地形圖資與物 聯網之整合及應用
三維地形圖資 與物聯網之整 合應用服務試 辦-臺北市政 府都發局與地 政局辦公室
研擬國家三維製圖之發展策略，
提出資料加值與直接製圖兩種策 略，並針對作業程序、自動化程 度、品質及效率等進行分析。
開發近景攝影測量密匹配點雲等 資料精進 LOD1 模型，使其符合 現狀；開發以光達點雲資料自動 化或半自動化將 LOD1 模型提昇 為 LOD2 等級房屋模型，並進行 精度評估。
探討開放式物聯網標準、物聯網 標準之開放與介接等主題。
107 (延續)
研擬並精進三維地 形圖資測製技術
研擬三維地形圖資 測製技術文件並提 出應用領域與成本 評估
研發三維地形圖資 與物聯網之整合及 應用
「發展三維室 內外模型與物 聯網標準之整 合平台」選定 臺北市東區地 下街為服務試 辦地點，
以室內平面圖 建置東區地下 街室內模型，
供物聯網應用 試辦
蒐集各國三維地形圖技術文件與 分析。
建置試辦區之三維網格模型，提 出以三維實體模型建置三維地形 圖資核心類別之技術。
提升房屋紋理細節及三維道路模 型重建之自動化程度。提升房屋 騎樓之半自動化建置程度與路面 標線深度。
研擬三維地形圖測製及檢核作業 技術文件指引。完成房屋模型建 置成本分析比較表、房屋建模成 本計算表等。
發展物聯網標準之開發與介接技 術、探討開放式物聯網基礎建設 之技術、建立三維地形圖資與物 聯網資源整合之應用案例。
先期研究計畫「三維數位城市模型先期建置工作」(內政部，2007)對三 維房屋多重細緻度模型之建置及紋理貼圖進行技術研發，建立數位城市符 合 OGC CityGML LOD1 及 LOD2 房屋模型的重建、紋理貼圖及動態瀏覽之
位城市技術規劃工作案」(內政部，2011)，針對不同建物型態區域，規劃多 尺度三維房屋及道路模型之建置技術，整合各式空間資料，包括大比例尺 數值地形圖、空載及近景數位影像、空載及地面光達點雲、數值地形模型、
高解析衛星影像等。另探討各尺度模型建置及技術之工時及成本，並進行 模型精度驗證分析。
民國 101、102 年執行「三維城市模型技術發展與更新機制工作案」(內 政部，2012；內政部，2013)，探討三維房屋模型更新效益及分析，加速城 市模型與實際現況的同步一致性，降低資料維護成本與管理效益。另提升 現有技術的自動化程度與人機介面系統，並建置標準作業程序與作業手 冊。
民國 103、104 年執行「三維城市模型與建築等級模型之整合機制工作 案」(內政部，2014；內政部，2015)，探討建物資訊模型(Building Information Modeling, BIM)轉換至 OGC (Open Geospatial Consortium) CityGML LOD1 至 4 的轉換機制，並建立標準作業流程與室內空間資料標準(IndoorGML)轉 換技術。對於沒有 BIM 的室內場景，進行近景攝影測量(多重環景攝影)建 置室內模型之先期研究。
民國 105 年開始執行「三維地形圖資技術發展工作案」分年計畫(內政 部，2016)，探討房屋與道路模型作為三維基本地形圖圖資之可行性，進行 需求訪談以及整合資訊科技和物聯網技術，進而推廣國家基礎圖資和後端
應用之可能性；民國 106、107 年為「三維地形圖資技術發展工作案」延續 性計劃案(內政部，2017；內政部，2018)，精進 105 年度後續相關之研究，
研擬三維地形圖資測製規範(草案)、作業技術文件指引，分析三維地形基礎 圖資建置策略、提昇建置自動化程度、發展三維地形基礎圖資測製之技術(點 雲資料與深度學習技術)等，皆有利於提升三維地形圖資技術發展與推廣。
綜觀歷年計畫，民國 102 年以前著重 LOD1~2 房屋(室外)及道路模型建 置的技術研發，民國 103 年至民國 104 年重點在 BIM 模型轉換至 LOD1~4 房屋(室內外)的技術研發。民國 105 年至民國 107 年著重三維地形圖資測製 規範(草案)、作業技術文件指引，規劃房屋與道路模型作為三維基本地形圖 圖資之可行性、產官學界的需求訪談以及整合資訊科技和物聯網技術等，
皆是作為推廣國家基礎圖資和後端應用需求之基礎。
從國家空間資訊基礎建設的觀點出發，三維地形圖資將會是未來智慧 城市建置與應用的基礎，也會對相關施政、產業、與民生應用產生極大的 助益。而三維地形圖資技術的研發以及相關系統與應用的規劃、試辦與探 討則是現階段必要的課題與工作。從上述相關背景分析可以得知，本計畫 之急迫性、重要性與必要性。
第三章 工作項目
3.1 工作項目
本團隊由國立中央大學太空及遙測研究中心、國立交通大學土木工程 學系及台灣世曦工程顧問股份有限公司地理空間資訊部所組成。本年度計 畫期程自簽約日 108 年 3 月 27 日起至 108 年 11 月 22 日止，共分為三個期 程，表 3-1-1 為各期程工作項目彙整，各項工作項目說明如下。
一、 工作計畫書：本團隊於簽約日次日起 30 日曆天內，就以下各項工作 事項進行規劃並繳交「工作計畫書」。並應依工作計畫書核定方式(或 更優)方式辦理相關工作，並依科技部規定之主要績效指標詳列本案 產生之績效內容。
二、 研發三維數值基本地形圖房屋模型及道路標線自動化產製技術
(一) 建 立 三 維 房 屋 模 型 自 動 化 辨 識 (Recognition) 及 重 建 (Reconstruction)流程，發展從數值地表模型自動化偵測房屋區域 之深度學習模型，以偵測二維房屋區域，並從三維點雲自動化重 建三維房屋模型技術，產製三維房屋模型。
(二) 建立道路標線自動化辨識及重建流程，發展從航空照片或三維點 雲自動化辨識道路標線技術，以產製三維道路標線。
(三) 整合前二項技術試辦三維地形圖資測製，需事先於工作會議提出
規劃與內政部討論定案，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 UAV、傾斜攝影及街景影像、相關參考 圖資等，並出具取得上述資料之證明文件。
(四) 提出精進前項圖資測製技術自動化程度或品質方案，藉此提升三 維地形圖資測製效率或品質。
(五) 配合內政部辦理 108 年度行政院災害防救應用科技方案(第 2 期)，
協助災後快速製圖技術研發相關作業。
三、 提升三維數值基本地形圖紋理品質及建築尺度細緻度
(一) 以測繪車測製影像作為基礎，偵測三維數值地形圖模型牆面，並 進行紋理判別，找出與真實影像最相近之通用紋理。
(二) 透過既有資料(如：千分之一地形圖或臺灣通用電子地圖)發展近 景多視角影像提升三維房屋及道路模型，並評估建置效能。
(三) 藉由影像或點雲資訊搭配既有資料(如：千分之一地形圖或臺灣 通用電子地圖)發展重建三維室內模型技術。
(四) 整合前三項技術試辦三維地形紋理建置：需事先於工作會議提出 規劃與內政部討論定案。
四、 精進三維地形圖資測製技術文件
(一) 精進三維地形圖測製及檢核作業技術文件指引：延續 107 年度指
檢核作業技術文件指引，文件內容應包括:目的、適用範圍、名 詞定義、參考文獻、資料格式、三維地形圖資核心類別及其測製 要求、資料品質等級、檢核內容與方式及檢核標準等，滾動修正 本案三維地形圖測製及檢核作業技術文件指引。
(二) 提出三維地形圖資測製技術之成本分析、應用領域及成果效益。
(三) 探討三維地形圖資測製中遭遇之困難或三維地形圖資技術發展 需克服之問題並提出可能之解決方案。
(四) 提出三維地形圖資測製成果物件化、三維空間資料結構與編碼之 策略與建議。
五、 三維室內圖資與物聯網之整合方案及應用試辦
以實際場域進行物聯網整合方案應用試辦，於工作會議提出規劃與內 政部討論定案，本團隊自行協調試辦場域及取得相關資料或建置相關 物聯網所需裝置。
六、 研究成果發表、協助國際事務推動及技術交流
(一) 提送國內外期刊或研討會論文文稿至少 3 篇，且其中 1 篇需提送 國際期刊(SCI/EI 等級)。
(二) 協助國際事務推動及技術交流:配合內政部其他專案共同在臺辦 理臺印尼年度測繪技術交流會議活動，並依本案主題場次邀請印 尼方產官學研人士(合計至少 2 位)；其辦理方式、議程規劃、時
間、場地、參加人次等內容，需與內政部討論定案後辦理。有關 辦理會議所需相關費用及印尼方人士來臺參與所需相關費用(機 票費、在臺交通費、餐費、住宿費等)由本團隊負擔；另配合內 政部需求，參與測繪技術服務團(GEM)技術交流。
七、 成果效益評估:
依據科技計畫績效管考平台(http://stprogram.stpi.narl.org.tw/)提供格式，
配合內政部辦理本案計畫「科技發展計畫績效評估作業」自評作業需 求，參考內政部提供之相關績效作業範本，填寫本案相關成果效益報 告書、績效指標、佐證資料、政府科技發展計畫績效評估；另配合將 本案各期資訊登載政府研究資訊系統(GRB, https://www.grb.gov.tw/)，
且將登載結果繳附於各期工作成果，並適時接受諮詢。
八、 工作會議:
本團隊每月召開工作會議，並適時接受諮詢。其中2次邀請有三維地 形圖資應用需求之產或官或學界之使用者至少2名(名單需先與內政 部討論)參與交換意見，並作為後續應用方向或執行參考，所需費用 由本團隊負擔。
表 3-1-1、各期程工作項目彙整
工作項目 第一期 第二期 第三期
一、工作計畫書與 各期報告
完 成 工 作 計 畫書
繳交期中報告 繳交期末報告
二、研發三維數值 基本地形圖房 屋模型及道路 標線自動化產 製技術
房屋區域自動化辨識
道路標線自動化辨識
三維房屋模型重建流程
道路標線重建重建流程
提出精進自動化程度或品 質方案
三、提升三維數值 基本地形圖紋 理品質及建築 尺度細緻度
測繪車影像資訊分析
建置影像點雲資訊
牆面影像分析，紋理資料 庫影像匹配
分析近景影像資訊，提升 三維房屋及道路模型建置 技術
藉由影像、點雲重建三維 室內模型技術
四、精進三維地形 圖資測製技術 文件
三維地形圖資測製技術成 本分析
三維地形圖物件成果，資 料結構與編碼之策略與建 議
三維地形圖地形圖測製及 檢核作業文件精進
探討三維地形圖資技術發 展瓶頸與可能解決方案 五、三維室內圖資
與物聯網之整 合方案及應用 試辦
設置室內即時火災逃生路 徑規劃系統之應用試辦場 域
完成室內即時火災逃生路 徑規劃系統之應用試辦
六、成果發表 投稿國內外期刊或研討會論
文文稿 1 篇
投稿國內外期刊或研討會論 文文稿 2 篇(其中 1 篇須為 SCI/EI 等級國際期刊)
3.2 工作期間及進度
表 3-2-1、預定工作進度表
項 次
工 作 項 目 4 月
5 月
6 月
7 月
8 月
9 月
10 月
11 月
12 月 1 工作計畫書與各期報告
工作計畫書 期中報告 期末報告
2 研發三維數值基本地形圖房屋模型及道路標線自動化產製技術 建立三維房屋模型自動化辨識及重建流
程
建立道路標線自動化辨識及重建流程 整合前二項技術試辦三維地形圖資測製 提出精進前項圖資測製技術自動化程度 或品質方案
配合內政部辦理 108 年度行政院災害防 救應用科技方案(第 2 期)
3 提升三維數值基本地形圖紋理品質及建築尺度細緻度 以測繪車測製影像作為基礎，偵測三維
數值地形圖模型牆面，並進行紋理判 別，找出與真實影像最相近之通用紋理 透過既有資料發展近景多視角影像提升 三維房屋及道路模型，並評估建置效能 藉由影像或點雲資訊搭配既有資料發展 重建三維室內模型技術
整合前三項技術試辦三維地形紋理建 置：需事先於工作會議提出規劃與內政
項 次
工 作 項 目 4 月
5 月
6 月
7 月
8 月
9 月
10 月
11 月
12 月 4 精進三維地形圖資測製技術文件
精進三維地形圖測製及檢核作業技術文 件指引
提出三維地形圖資測製技術之成本分 析、應用領域及成果效益
探討三維地形圖資測製中遭遇之困難或 三維地形圖資技術發展需克服之問題並 提出可能之解決方案
提出三維地形圖資測製成果物件化、三 維空間資料結構與編碼之策略與建議
5 三維室內圖資與物聯網之整合方案及應用試辦 以實際場域進行物聯網整合方案應用試
辦
6 研究成果發表、協助國際事務推動及技術交流 提送國內外期刊或研討會論文文稿至少
3 篇，且其中 1 篇需提送國際期刊（SCI/EI 等級）
協助國際事務推動及技術交流:配合內政 部其他專案共同在臺辦理臺印尼年度測 繪技術交流會議活動，並依本案主題場 次邀請印尼方產官學研人士(合計至少 2 位)
3.3 繳交成果及繳驗時程
3.3.1 進度報告
每月將定期舉行工作進度會議，討論工作要項、進度、遭遇困難、需 協調事項等。本計畫工作進度會議紀錄經計畫主持人簽章後將附於各期報
告內備查。
3.3.2 期中報告及期末報告
本計畫之執行包含期中報告及期末報告，期中報告初稿於 108 年 7 月 12 日前繳交，期末報告初稿於 108 年 11 月 22 日前繳交，俟內政部指定期 限內，依審查意見修正後於分別繳交期中報告及期末報告定稿。
3.3.3 成果繳交格式、項目、日期及地點
一、 成果繳交項目及日期如表 3-3-1 所示。
表 3-3-1、成果繳交項目及日期
期別 成果繳交項目及份數 成果繳交期限
第 1 期 「工作計畫書」書面資料 2 份及電 子檔 1 份(含執行團隊人員名冊)。
簽約日次日起 30 日曆天內。
第 2 期 1. 期中報告書初稿 10 份（包含本 案各項工作預定繳交資料）。
2. 國內外期刊或研討會論文文稿 1 篇。
108 年 7 月 12 日前繳交。
第 3 期 1. 期末報告書初稿 10 份（包含本 案各項工作預定繳交資料）。
2. 國內外期刊或研討會論文文稿 2 篇。
108 年 11 月 22 日前繳交。
左 列 各 項 書 面 資 料 初 稿 經 審 查 後，本團隊需於內政部指定期限 內，繳交修正後期末報告定稿書 面資料 5 份及其電子檔 1 份。
二、 成果繳交地點：內政部地政司。
目完成後將應繳交之各項成果送交內政部，經審核認可後為合格，
若有資料不詳、不全、錯誤或系統功能不符合需求者，則退還本團 隊補正，本團隊應於內政部發文通知日次日起 14 天內完成資料之修 正。
第四章 實施方法
4.1 試辦區域選定
根據以往於試辦場域架設經驗、感測器類型的限制，本年度特別將物 聯網試辦場域獨立出來，選定自由度高、能夠支援各式感測器(如煙霧、溫 濕度等)架設之場域為主。架設感測器的類型不受限制，才能讓物聯網取到 更多元的應用，藉由各式感測器的資料蒐集、分析，使物聯網應用更容易 應用於智慧城市中。
試辦區之選定經內政部同意，「研發三維數值基本地形圖房屋模型及道 路標線自動化產製技術」與「提升三維數值基本地形圖紋理品質及建築尺 度細緻度」試辦區選定國父紀念館周邊區域為試辦區域，此區域面積約為 120 公頃，北以忠孝東路、南以信義路、東以基隆路、西以敦化南路為界，
範圍如圖 4-1-1 所示(紅色區域內)。使用圖資為千分之一基本地形圖(圖幅編 號為 N4343、N4344、N4443、N4444、N4543、N4544)、正射影像、原始 航照影像、數值地形模型(包含數值高程模型與數值地表模型)等。透過千分 之一基本地形圖產製 LOD1 房屋模型，LOD1 房屋模型成果如圖 4-1-2 所示。
採購之測繪車影像拍攝路線如圖 4-1-3 所示。「三維室內圖資與物聯網之整 合方案及應用試辦」選定國立中央大學研究中心大樓二期館作為試辦地點，
如圖 4-1-4 所示，試辦場域為紅色區域的 1 樓與 2 樓。
圖 4-1-1、試辦區域-國父紀念館周邊區域
(a) LOD1 房屋模型-遠距離視角
(b) LOD1 房屋模型-近距離視角 (c) LOD1 房屋模型-近距離視角
圖 4-1-2、試辦區 LOD1 模型成果
圖 4-1-3、測繪車拍攝路線
圖 4-1-4、物聯網試辦地點-國立中央大學研究中心大樓二期館
4.2 研發三維數值基本地形圖房屋模型及道路標線自動化產製技術
深度學習(Deep Learning)是機器學習(Machine Learning)的其中一類技 術，深度學習使用多層的神經網路進行學習，配合大量的訓練資料，在許
多研究中獲得良好的辨識成果，已廣泛應用在各個不同的領域中。深度學 習主要功能包含感知、決策及回饋相關應用(李開復，2016)，「感知」是指 資料面需要的視覺、語音、語言的自動化辨識；「決策」是指決策層面需要 從巨量數據中歸納的預測及判斷；「回饋」則是系統面經由即時感測器訊號 分析及統整的反饋。就深度學習在空間資訊領域的應用進行討論，測量製 圖需要深度學習的「感知」功能，發展圖徵的自動化辨識等；地理資訊系 統或資料科學，則會需要深度學習的「決策」功能，預測及判斷空間資料 隱含的資訊等。
三維數值基本地形圖的製圖觀測資料為影像或光達點雲，可導入深度 學 習 的 視 覺 自 動 化 辨 識 技 術 ， 在 二 維 的 影 像 辨 識 中 ， 卷 積 神 經 網 路 (Convolutional Neural Network, CNN) (Krizhevsky et al, 2012)廣泛的應用在 影像識別，CNN 演算法對影像的局部區域進行卷積運算，提升類神經網路 運算效能，並使用多個核函數(Kernel)從局部罩窗獲取影像特徵，以不同尺 度的特徵進行辨識。
本項工作目的為發展三維數值基本地形圖房屋模型及道路標線自動化 產 製 技 術 ， 研 究 中 導 入 深 度 學 習 技 術 於 房 屋 及 道 路 標 線 自 動 化 辨 識 (Recognition)，針對房屋自動化辨識區域進行模型重建(Reconstruction)，並 針對道路標線自動化辨識成果進行精化(Refinement)，經由房屋模型及道路 標線自動化產製試辦。本項工作主要研究項目包含：(1)建立三維房屋模型
自動化辨識及重建流程；(2)建立道路標線自動化辨識及重建流程；(3)試辦 三維數值基本地形圖之房屋模型及道路標線自動化測製；(4)提出精進前項 圖資測製技術自動化程度或品質方案；(5)配合機關辦理 108 年度行政院災 害防救應用科技方案(第 2 期)，協助災後快速製圖技術研發相關作業。
4.2.1 建立三維房屋模型自動化辨識及重建流程
本項工作目標為提升 LOD1 三維房屋模型自動化程度，主要包含兩個 核心工作：二維房屋區域自動化辨識及三維房屋模型重建(圖 4-2-1)。
三維空載點雲
特徵萃取
二維房屋區域偵測
訓練深度學習 網路模型
應用深度學習 網路模型
三維房屋模型重建
正規化房屋輪廓
形塑房屋模型
精化偵測區域
三維房屋模型
圖 4-2-1、三維房屋模型自動化辨識及重建流程
Model, DSM)形狀特徵進行辨識，使用光譜特徵的優點是影像細節較豐富，
但是房屋的高差移位會造成偵測區域與實際的房屋區域有偏差，在缺乏三 維房屋模型進行真實正射改正的情況下，使用數值地表模型偵測房屋區域 可避免房屋高差移位的影響，因此本項工作採用數值地表模型自動化偵測 房屋區域，數值地表模型可來自光達點雲或高重疊影像密匹配。
二維房屋區域自動化辨識採用全卷積神經網絡 (Fully Convolutional Network, FCN) (Long et al., 2015)，FCN 是基於 CNN 架構進行改良，FCN 整合三種方法達成不同物體分割 (Segmentation)之目的，包含：卷積化 (Convolutional)、上採樣(Upsample)、跳躍式結構(Skip Layer)。FCN 使用全 卷 積 層 (Fully Convolutional Layer) 取 替 CNN 架 構 中 的 全 聯 接 (Fully Connected Layer)層；上採樣則是對卷積層進行反卷積(Deconvolution)技術，
經由不斷反卷積上採樣得到和輸入圖層相同維度的影像；但若將全卷積層 的結果直接進行上採樣，將會得到粗糙的成果，故使用跳躍式結構，整合 該層上採樣預測成果及上一個池化層進行上一層的上採樣預測成果，反卷 積原始維度的分類影像，FCN-8s、FCN-16s、FCN-32s 則是使用不同跳躍式 結構得到上採樣成果，其中 FCN-8s 的分割成果較另外兩個方法佳(Long et al., 2015)，故本研究採用 FCN-8s 架構，FCN-8s 完整的方法細節可參考 Long et al., (2015)。
深度學習需要大量的訓練資料得到更佳的分類度，房屋區域偵測的訓
練資料使用 1/1000 地形圖進行產製，訓練資料的分類類別包含房屋及其他 (道路、植物及地面)(如圖 4-2-2 所示)，本研究僅著重在房屋區域的偵測，
增加其他類別之目的是要降低誤判，分類主體仍是房屋區域。先以訓練資 料建立深度學習參數，再將深度學習參數套用到獨立檢核區進行精度評估。
深度學習成果仍有可能會有椒鹽效應，研究中採用形態學(Morphology)方法 降低分類成果中的雜訊。
房屋區域的自動化辨識成果採用誤差矩陣進行精度評估，本研究中將 以四項精度表現對分類成果進行討論，而各項精度的計算方法如下(公式 4-2-1~公式 4-2-4)：令誤差矩陣之對角線元素為𝐸𝑖𝑖；𝐸𝑖𝑐𝑜𝑙為第𝑖行之總和表該 類別之檢核總數；𝐸𝑖𝑟𝑜𝑤為第𝑖列之總和表該類別之分類成果總數；𝑛為所有 檢核總數；𝑟為總類別數。整體精度的計算方式是「分類正確的像元總數」
與「所有像元總數」之比值，並以 IoU(Intersection-of-Union)表示萃取成果 與房屋之重疊率。
正確性(Correctness)：
𝐶𝑜𝑟𝑟𝑒𝑐𝑡𝑛𝑒𝑠𝑠 = 𝐸𝑖𝑖
𝐸𝑖𝑐𝑜𝑙 × 100% (公式 4-2-1) 完整性(Completeness)：
𝐶𝑜𝑚𝑝𝑙𝑒𝑡𝑒𝑛𝑒𝑠𝑠 = 𝐸𝑖𝑖
𝐸 × 100% (公式 4-2-2)
整體精度(Overall Accuracy, OA)：
𝑂𝐴 = (1
𝑛∑𝑟 𝐸𝑖𝑖
𝑖=1 ) × 100% (公式 4-2-3) IoU(Intersection-of-Union)：
𝐼𝑜𝑈 = 兩多邊形之交集
兩多邊形之聯集× 100% (公式 4-2-4)
(a)數值地表模型 (b)訓練資料標籤 圖 4-2-2、房屋訓練資料示意圖
三維房屋模型重建包含兩項工作：正規化二維房屋多邊形及三維形塑。
完成二維房屋區域偵測後，假設房屋邊界形狀大多為正規化的牆面，對二 維房屋區域進行邊緣線正規化處理(Teo et al., 2005)，從房屋區域的主軸分析 得到房屋最長邊界的方位角，從最長邊界開始，依正交及平行約制，對房 屋區域進行正規化處理，從不規則像元得到房屋邊界的節點，最終轉換為 正規化二維多邊形(圖 4-2-3)。
(a) 房屋區域 (b) 房屋主軸 (c) 邊界正規化 (d) 房屋邊界節點
圖 4-2-3、二維房屋多邊形正規化示意圖
三維房屋形塑採用隨機抽樣一致演算法(RANdom SAmple Consensus, RANSAC)過濾非屋頂面點雲及擬合屋頂面。圖 4-2-4 以屋頂面為例，以展 示 RANSAC 過濾點雲的能力，RANSAC 會自動挑選主要群聚的主平面點雲，
排除非主平面的點雲進行擬合，可有效利用在三維房屋模型形塑(Teo et al., 2007)。
圖 4-2-4、三維點雲形塑平面之示意圖
所有三維點雲 房屋多邊形內三維點雲
移除中庭後之房屋三維點雲 RANSAC偵測之主平面
4.2.2 建立道路標線自動化辨識及重建流程
本項工作目標為提升道路模型的屬性資訊，因此從低細緻度的道路模型 進行精化道路標線，本項工作導入深度學習技術，針對向量圖中道路的區 域，使用高解析度航照正射影像進行道路標線的辨識，以提升道路模型之 細緻度。主要內容為人工建立訓練資料庫、以向量圖道路多邊為遮罩獲取 道路區域、以 FCN (Fully Convolutional Network)偵測道路標線、三維化道 路標線，最終以道路標線提升道路模型之資訊(圖 4-2-5)。
空載正射影像
道路區域內影像
二維道路標線區域偵測
訓練深度學習 網路模型
應用深度學習 網路模型
三維道路標線重建
向量化道路標線
三維化道路標線
精化偵測區域
三維道路標線 二維道路區域
數值高程模型
圖 4-2-5、三維道路模型自動化辨識及重建流程
道路區域與非道路區域可直接從 LOD1 三維彩帶式道路模型獲得，以提 升辨識的效能及降低錯誤，其中三維彩帶式道路模型是指只有路面區域的
道路模型，此模型沒有車道線或道路設施等細部資訊。研究中僅針對道路 區域進行自動化辨識，以道路遮罩排除非路面區域。訓練資料是指影像中 道路標線的確切位置，必須有良好的品質方能達成自動化偵測之目的，本 研究採用人工數化產生道路標線，訓練區示意如圖 4-2-6。
訓練區大小的選擇，需考量是否能完整涵蓋待分類的道路標線，假設單 一車道寬度是 4m，訓練區大小不得小於 4m x 4m，考量都市區域多車道的 特性，研究中訓練區大小設定為 50m x 50m，以空間解析度 10cm 的正射影 像為例，影像大小約為 500pixels x 500pixels。
(a) 訓練影像 (b) 訓練影像對應之標線
圖 4-2-6、道路標線訓練資料示意圖
訓練區的數量選擇，需考量分類的類別數、類別的複雜性、深層網路的 參數、初始網路參數的適用性等。訓練區的數量越多精度越高(圖 4-2-7)，
以 ImageNet 為例，每一個類別的訓練影像至少是 1000 個。本研究的分類 目標為道路區域中的道路標線，道路標線是指雙實線、單實線、虛線、停
行車道線、網狀線、菱形標線，分類類別數量較少；雖然道路標線的複雜 度低，但會受到道路上不同交通工具的遮蔽影響，仍需要考量實際道路標 線在真實影像上的外觀。
圖 4-2-7、深度學習與傳統分類器訓練資料數量比較示意圖
(圖片來源：© https://towardsdatascience.com/why-deep-learning-is-needed-over-traditional-machine-learning-1b6a99177063)
以訓練資料建立深度學習參數後，使用此深度學習參數進行獨立檢核之 精度評估。深度學習成果仍有可能會有椒鹽效應，研究中採用形態學 (Morphology)方法降低分類成果中的雜訊，再以最小二乘直線擬合標線，最 後使用數值地形模型內插道路標線的高程，形成三維道路標線。
4.2.3 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
