Klassikation von Gebäudetypen mit Support Vector Machines

ab 01.Sep.2009

Der Gebäudetyp ist eine wesentliche semantische Information von 3D-Stadtmodellen. Typische Anwendungen, die diese Information nutzen, sind Immobilienmanagement, Wohnungssuche mit Hilfe von Geoinformationssystemen, Stadtplanung sowie Visualisierung zur Verbesserung der Interpretierbarkeit von 3D-Stadtmodellen. 3D-Stadtmodelle, welche semantische Informationen über den Gebäudetyp enthalten, liegen, wenn überhaupt, meist nur in den Ballungszentren vor. Ziel dieses Projektes ist die automatische Klassikation des Gebäudetypes aus niedrig-aufgelösten 3DStadtmodellen im Level-of-Detail 1 (LoD1, siehe CityGML), sogenannten Klötzchenmodellen (Katastergrundriss + Gebäudehöhe), zur Anreicherung dessen Semantik. Diese niedrig-aufgelösten 3D-Stadtmodelle sind flächendeckend verfügbar (siehe Abbildung unter Beispiele). Neben den üblichen Gebäudetypen (bspw. freistehendes Einfamilienhaus, Reihenhaus, Mehrfamilienhaus) lassen sich Gebäude eines speziellen architektonischen Stil, z.B. Gründerzeit-Häuser, aus den LoD1-Daten extrahieren. Mögliche Erweiterungen wären die Nutzung flächendeckend frei verfügbarer Datensätze, wie z.B. Google Maps, OpenStreetMap oder Datensätze des Web 2.0 zur Fusion mit hoheitlichen Katasterdaten. Dies spielt ebenfalls eine wichtige Rolle bei der Detektion von Grundrisssegmenten, welche am wahrscheinlichsten eine Fassade repräsentieren.

Zentrale Annahme des Verfahrens ist, dass der Kontext eines Gebäudes essentiellen Einfluß auf dessen Gebäudetypen hat. Zur Klassikation wird dieser, neben den geometrischen Eigenschaften eines Gebäudes, explizit modelliert. Der Kontext lässt sich in räumlichen Kontext (Nachbarschaft,Topologie, Distanz) sowie den infrastrukturellen Kontext (Erreichbarkeit, Abstand zu zentralen infrastrukturellen Einrichtungen) einteilen. Hierzu werden neben den Katasterdaten insbesondere OpenStreetMap-Daten verwendet.

Die Bestimmung des Gebäudetypen wird in ein überwachtes Klassikationsproblem im Sinne des maschinellen Lernens überführt. Als robuster Klassikator werden Support Vector Machines verwendet. Überwachte Lernverfahren benötigen jedoch i.A. einen annotierten Trainingsdatensatz. Dieser ist aber sehr aufwendig und zeitintensiv zu generieren. Aus diesem Grund wird zur Gewinnung neuer Trainingsdaten ein halb-automatisches Verfahren entwickelt, welches nur die Angabe eines Viertels, Straßenzuges bzw. Wohnblockes mit vergleichsweise homogenem Gebäudetyp benötigt. Durch Nutzung von Methoden der nicht-parametrischen Ausreißererkennung, elaborierter Clusterverfahren sowie Support Vector Machines werden die Gebäude mit dem wohneinheitstypischen Gebäudetyp erkannt.

Ein Auszug der klassizierten Gebäudemodelle visualisiert in Google Earth ist in der folgenden Abbildung zu sehen.