[论文解读] 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 3

一句话总结

本文提出ELEV-VISION，一种利用谷歌街景全景图上的图像分割技术，自动估算最低楼层海拔（LFE）和路面与最低楼层之间高差（HDSL）的方法。通过利用等距圆柱投影中的深度图和俯仰角计算，该方法在LFE估算中实现了0.190米（1.18%）的平均绝对误差，为手动调查或基于无人机的方法提供了一种成本更低、分辨率更高的替代方案。

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.

研究动机与目标

• 解决洪水损毁建模与城市韧性规划中缺乏准确、及时的LFE数据的问题。
• 克服传统LFE测量方法（如全站仪经纬仪测量）成本高、耗时长的局限性。
• 改进以往基于图像的LFE估算方法，这些方法依赖边界框检测，存在重投影过程中的失真与信息丢失问题。
• 实现HDSL——即路面与最低楼层之间的高差——的估算，作为洪水脆弱性评估的关键指标。
• 开发一种可扩展、自动化且成本低廉的方法，利用公开的街景影像与计算机视觉技术，实现大规模LFE与HDSL估算。

提出的方法

• 使用预定义的街道地图作为数据源，从谷歌街景获取街景全景图。
• 直接在等距圆柱投影的街景全景图上应用语义图像分割，检测门底与路边边缘，保留空间完整性，避免重投影。
• 利用等距圆柱投影在水平与垂直方向上保持恒定角间距的特性，提取相机到门底的俯仰角。
• 获取与每张街景图像对应的配对深度图（分辨率为256×512）。
• 使用公式计算LFE：LFE = 相机高度 + (深度 × sin(俯仰角)) + (门底到最低楼层的高度偏移量)，其中高度偏移量由分割掩码推导得出。
• 通过分割后的路边与门底之间的垂直差估算HDSL，从而实现在建筑尺度上的洪水损毁建模。

实验结果

研究问题

• RQ1 在不进行图像重投影或受边界框限制的情况下，对等距圆柱投影街景全景图进行图像分割，能否实现准确且鲁棒的LFE估算？
• RQ2 与基于目标检测或人工调查的现有LFE估算技术相比，所提出方法的准确性如何？
• RQ3 视角变化或图像失真在多大程度上影响基于分割的LFE估算性能？
• RQ4 该方法能否可靠估算HDSL——即路面与最低楼层之间的高差——以提升洪水损毁建模的精度？
• RQ5 该方法的主要局限性是什么，特别是关于深度图分辨率和前门可见性方面？

主要发现

• 所提出的ELEV-VISION方法在德克萨斯州哈里斯县梅耶尔兰德测试区域的LFE估算中，实现了0.190米（1.18%）的平均绝对误差（MAE）。
• 该方法对门底部分遮挡具有鲁棒性，未对估算精度产生统计上显著的影响（p值 > 0.1）。
• 与基于边界框的目标检测相比，图像分割在视角变化和投影失真下能更好地保持形状保真度，尤其在弯曲或非直线场景中表现更优。
• 该方法无需假设参考高度即可成功估算HDSL，相比先前方法减少了误差传播。
• 深度图分辨率（256×512）限制了该方法对远距离物体的估算精度，因为低于0.7度的深度差异可能无法被捕捉。
• 该方法目前仅适用于前门可见的建筑物；未来工作可将其扩展至其他特征（如窗户或楼梯），但会带来更高的不确定性。