[論文レビュー] ELEV-VISION: Automated Lowest Floor Elevation Estimation from Segmenting Street View Images

Yu-Hsuan Ho, Cheng-Chun Lee+3 more|arXiv (Cornell University)|Jun 5, 2023

Flood Risk Assessment and ManagementEnvironmental Science被引用数 3

ひとこと要約

本論文では、Google Street Viewパノラマ写真の画像セグメンテーションを用いて、最低床高さ（LFE）と街路と最低床との高さ差（HDSL）を自動で推定するELEV-VISIONという手法を提案する。等角投影からの深度マップとピッチ角計算を活用することで、LFE推定において平均絶対誤差0.190 m（1.18%）を達成し、人的調査やドローンベースの手法に比べてコスト効率が良く、高解像度の代替手法を提供する。

ABSTRACT

We propose an automated lowest floor elevation (LFE) estimation algorithm based on computer vision techniques to leverage the latent information in street view images. Flood depth-damage models use a combination of LFE and flood depth for determining flood risk and extent of damage to properties. We used image segmentation for detecting door bottoms and roadside edges from Google Street View images. The characteristic of equirectangular projection with constant spacing representation of horizontal and vertical angles allows extraction of the pitch angle from the camera to the door bottom. The depth from the camera to the door bottom was obtained from the depthmap paired with the Google Street View image. LFEs were calculated from the pitch angle and the depth. The testbed for application of the proposed method is Meyerland (Harris County, Texas). The results show that the proposed method achieved mean absolute error of 0.190 m (1.18 %) in estimating LFE. The height difference between the street and the lowest floor (HDSL) was estimated to provide information for flood damage estimation. The proposed automatic LFE estimation algorithm using Street View images and image segmentation provides a rapid and cost-effective method for LFE estimation compared with the surveys using total station theodolite and unmanned aerial systems. By obtaining more accurate and up-to-date LFE data using the proposed method, city planners, emergency planners and insurance companies could make a more precise estimation of flood damage.

研究の動機と目的

• 洪水被害モデル化や都市レジリエンス計画に必要な正確で最新のLFEデータの不足に対処する。
• 高さ計測が困難で時間がかかるトータルステーションセオドリット測量などの従来のLFE測定手法の限界を克服する。
• 再投影に起因する歪みや情報損失を抱える、境界ボックスに基づくオブジェクト検出に依存する先行の画像ベースLFE推定手法を改善する。
• 洪水被害脆弱性評価の重要な指標である、街路面と最低床との高さ差（HDSL）の推定を可能にする。
• 公に利用可能なストリートビュー画像とコンピュータビジョンを活用した、大規模なLFEおよびHDSL推定のためのスケーラブルで自動的かつコスト効率の良い手法を開発する。

提案手法

• 事前に定義されたストリートマップをデータソースとして、Google Street Viewからストリートビューのパノラマ写真を収集する。
• 等角投影のストリートビューのパノラマ写真に直接、セマンティック画像セグメンテーションを適用し、ドアの下端とレーンエッジを検出することで、再投影なしに空間的整合性を保持する。
• 等角投影の水平方向および垂直方向における一定な角度間隔を活用し、カメラからドア下端までのピッチ角を抽出する。
• 各ストリートビュー画像に対応するペアド深度マップ（256×512解像度）から深度情報を取得する。
• 以下の式を用いてLFEを計算する：LFE = カメラ高さ + （深度 × sin(ピッチ角)）+ （ドア下端から最低床までの高さオフセット）、ここで高さオフセットはセグメンテーションマスクから導出される。
• ドア下端とセグメンテーション処理済みのレーンエッジとの垂直差をHDSLとして推定することで、建物単位の洪水被害モデル化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 等角投影のストリートビューのパノラマ写真における画像セグメンテーションは、再投影や境界ボックスの制限を回避することで、再投影なしに正確で頑健なLFE推定を可能にするか？
• RQ2 本手法は、オブジェクト検出や人的調査を用いた既存のLFE推定技術と比較して、どの程度高い精度を示すか？
• RQ3 視点の変化や画像歪みは、セグメンテーションベースのLFE推定の性能にどの程度影響を及えるか？
• RQ4 本手法は、洪水被害モデル化のための重要な指標であるHDSL（街路面と最低床との高さ差）を信頼性高く推定できるか？
• RQ5 特に深度マップの解像度と前面ドアの可視性に関する点で、本手法の主な制限要因は何か？

主な発見

• 提案手法ELEV-VISIONは、テキサス州ハリス郡のMeyerlandテストベッドにおいて、LFE推定で平均絶対誤差（MAE）0.190 m（1.18%）を達成した。
• ドア下端の部分的遮断に対しても、推定精度に統計的に有意な影響がないことが確認された（p値 > 0.1）。
• 視点の変化や投影歪みに強く、特に曲線的または非直線的なシーンにおいて、形状の忠実性を保ったまま、境界ボックスベースのオブジェクト検出を上回る性能を示した。
• 事前の基準高さを仮定せず、HDSLを推定することで、先行手法と比較して誤差伝搬を低減した。
• 深度マップ解像度（256×512）の制限により、0.7度未満の角度差は検出できず、遠方の物体では精度が制限される。
• 本手法は現在、前面ドアが見える建物に限定されている。今後の研究では、窓や階段などの他の特徴への拡張が可能だが、不確実性が増す可能性がある。