一种灾害视频数据的建筑物提取方法、系统和计算机设备

技术领域

本发明涉及图像信息提取技术领域，尤其涉及一种灾害视频数据的建筑物提取方法、系统和计算机设备。

背景技术

随着遥感技术的迅速发展，人类步入了以高时间分辨率、高光谱分辨率和高空间分辨率为特征的对地观测时代，尤其是视频卫星的出现，为人类实时对地观测提供了新的方向。

视频卫星能够以极高的时间分辨率记录自然灾害发生的全部过程，能够实现全方位的动态监测，在自然灾害应急响应、灾后损失评估和灾害研究等领域中发挥着重要的作用，是助力新兴智慧化减灾防灾和提升应急管理现代化的新技术手段。

建筑物不仅是地质灾害在地表作用表征中较为明显的一类要素，而且对于灾后的应急救援起到至关重要的作用。建筑物的结构复杂、尺度不一，且屋顶材质差异较大，加之灾害过程中建筑物形态多样，这些都对建筑物的提取造成严重干扰。目前尚未有针对灾害的建筑物数据集，因此无法直接使用现成的语义分割网络得到可信的结果，而且在灾害的研究中为了获得高精度的建筑物提取结果，往往需要投入大量的人力，不利于灾害的快速分析。因此基于长时序视频图像构建一套少人工干预、高精度、快速的灾害场景建筑物提取算法是十分必要的。

现有技术的建筑物提取方法主要分为六种，包括基于边缘的提取方法、基于角点匹配的提取方法、基于阴影的提取方法、基于多尺度分割的提取方法、基于区域分割的提取方法和基于图像分割的提取方法，具体如下：

1)基于边缘的提取方法：是依据不同类别地物边缘灰度值的变化提取出边缘线，再根据空间关系对这些线段进行组合，从而提取出建筑物信息，虽然在精度上有一定提升，但很难排除一些干扰信息，同时算法时效性很差，无法满足灾害信息的提取要求。

2)基于角点匹配的提取方法：是依据建筑物的几何特点，提取建筑物的角点信息，再根据一定规则和模版进行匹配。但是，基于角点匹配的提取方法依然有局限性，当角点被遮挡时就无法精确提取建筑物，因此无法用于灾后建筑物信息的提取。

3)基于阴影的提取方法：是依据建筑物的阴影，反映出目标的高度信息、目标形状以及位置信息，再结合建筑物空间上下文关系信息，完成建筑物信息的提取。但是，基于阴影的提取方法中，阴影会使图像目标的几何特征发生变化，同时，阴影部分的光谱信息也会大量缺失，干扰建筑物的提取效果，同样无法满足灾害信息的提取。

4)基于多尺度分割的提取方法：是先对影像进行分割，再依据建筑物的独有特征确定包含建筑物信息的目标，从而完成提取。基于多尺度分割的提取方法虽然计算简单，但局限性在于分割阈值的选取难度大，泛化能力差。

5)基于区域分割的提取方法：是依据像素间的相似性，将相关的像素整合成局部区域，再根据建筑物自身的特征完成建筑物信息的提取，不足之处在于：分割结果无法精确地描述对象的位置大小及上下文信息。

6)基于图像分割的提取方法：是将图像映射为带权无向图，把像素块看作无向图中的节点，利用最小剪切准则完成建筑物信息的提取，弊端在于相似性像素无法区分，可能会产生伪分割且其过程极易遭受随机噪声的影响。

综上所述，现有技术的6种建筑物提取方法存在明显局限性，在效率和精度方面都无法满足灾害信息提取的要求。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，具体提供了一种灾害视频数据的建筑物提取方法、系统和计算机设备，具体如下：

1)第一方面，本发明提供一种灾害视频数据的建筑物提取方法，具体技术方案如下：

从预设区域的灾害视频中提取多帧图像，并对每帧图像进行预处理，得到多帧目标图像；

识别每帧目标图像中的灾变区域，并提取每帧目标图像中的灾变区域图像，且每帧目标图像中的灾变区域图像的大小相同，并计算每个同一位置像素在每相邻两帧灾变区域图像之间的位移；

对每帧灾变区域图像进行分割，得到每帧灾变区域图像中的建筑物的初始分割结果；

当存在包含分割错误的区域的初始分割结果时，利用任一存在分割错误的区域的初始分割结果对应的灾变区域图像的前一帧灾变区域图像的初始分割结果或下一帧灾变区域图像的初始分割结果，并结合建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与前一帧灾变区域图像或下一帧灾变区域图像之间的位移，对任一存在分割错误的区域的初始分割结果进行修正，其中，根据每个同一位置像素在每相邻两帧灾变区域图像之间的位移，得到建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与前一帧灾变区域图像或下一帧灾变区域图像之间的位移。

本发明提供的一种灾害视频数据的建筑物提取方法的有益效果如下：

通过修正，能够进一步提高识别精度，满足灾害信息提取的要求，应用广泛。

在上述方案的基础上，本发明的一种灾害视频数据的建筑物提取方法还可以做如下改进。

进一步，确定是否存在包含分割错误的区域的初始分割结果的过程，包括：

利用移动框在每个初始分割结果中框选同一区域，计算该移动框所框选的建筑物的在每个初始分割结果中的面积，计算建筑物在首个初始分割结果的移动框内的面积是否大于建筑物在最后一个初始分割结果的移动框内的面积，得到判断结果，当判断结果为是时，则判定建筑物的面积随时间呈递减趋势，将不符合递减趋势的初始分割结果判定为包含分割错误的区域的初始分割结果，当判断结果为否时，则判定建筑物的面积随时间呈递增趋势，将不符合递增趋势的初始分割结果判定为包含分割错误的区域的初始分割结果，并利用移动框遍历每个初始分割结果中的整个区域。

进一步，对任一存在分割错误的区域的初始分割结果进行修正的过程，包括：

当任一存在分割错误的区域的初始分割结果对应的灾变区域图像不是首帧灾变区域图像时，利用任一存在分割错误的区域的初始分割结果对应的灾变区域图像的前一帧灾变区域图像的初始分割结果，以及建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与前一帧灾变区域图像之间的位移，计算出建筑物在任一存在分割错误的区域的初始分割结果中的正确位置，并将该正确位置的像元的语义信息替换为建筑物，以完成对任一存在分割错误的区域的初始分割结果的修正；

当任一存在分割错误的区域的初始分割结果对应的灾变区域图像是首帧灾变区域图像时，利用任一存在分割错误的区域的初始分割结果对应的灾变区域图像的下一帧灾变区域图像的初始分割结果，以及建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与下一帧灾变区域图像之间的位移，计算出建筑物在任一存在分割错误的区域的初始分割结果中的正确位置，并将该正确位置的像元的语义信息替换为建筑物，以完成对任一存在分割错误的区域的初始分割结果的修正。

进一步，还包括：

对U-Net语义分割网络进行训练，得到训练好的U-Net语义分割网络；

对每帧灾变区域图像进行分割，得到每帧灾变区域图像中的建筑物的初始分割结果，包括：

利用训练好的U-Net语义分割网络，对每帧灾变区域图像进行分割，得到每帧灾变区域图像中的建筑物的初始分割结果。

2)第二方面，本发明还提供一种灾害视频数据的建筑物提取系统，具体技术方案如下：

包括预处理模块、灾变区域提取模块、建筑物初始提取模块和建筑物校正模块；

预处理模块用于：从预设区域的灾害视频中提取多帧图像，并对每帧图像进行预处理，得到多帧目标图像；

灾变区域提取模块用于：识别每帧目标图像中的灾变区域，并提取每帧目标图像中的灾变区域图像，且每帧目标图像中的灾变区域图像的大小相同，并计算每个同一位置像素在每相邻两帧灾变区域图像之间的位移；

建筑物初始提取模块用于：对每帧灾变区域图像进行分割，得到每帧灾变区域图像中的建筑物的初始分割结果；

建筑物校正模块用于：当存在包含分割错误的区域的初始分割结果时，利用任一存在分割错误的区域的初始分割结果对应的灾变区域图像的前一帧灾变区域图像的初始分割结果或下一帧灾变区域图像的初始分割结果，并结合建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与前一帧灾变区域图像或下一帧灾变区域图像之间的位移，对任一存在分割错误的区域的初始分割结果进行修正，其中，根据每个同一位置像素在每相邻两帧灾变区域图像之间的位移，得到建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与前一帧灾变区域图像或下一帧灾变区域图像之间的位移。

在上述方案的基础上，本发明的一种灾害视频数据的建筑物提取系统还可以做如下改进。

进一步，还包括错误区域识别模块，错误区域识别模块用于：

利用移动框在每个初始分割结果中框选同一区域，计算该移动框所框选的建筑物的在每个初始分割结果中的面积，计算建筑物在首个初始分割结果的移动框内的面积是否大于建筑物在最后一个初始分割结果的移动框内的面积，得到判断结果，当判断结果为是时，则判定建筑物的面积随时间呈递减趋势，将不符合递减趋势的初始分割结果判定为包含分割错误的区域的初始分割结果，当判断结果为否时，则判定建筑物的面积随时间呈递增趋势，将不符合递增趋势的初始分割结果判定为包含分割错误的区域的初始分割结果，并利用移动框遍历每个初始分割结果中的整个区域。

进一步，建筑物校正模块对任一存在分割错误的区域的初始分割结果进行修正的过程，包括：

当任一存在分割错误的区域的初始分割结果对应的灾变区域图像不是首帧灾变区域图像时，利用任一存在分割错误的区域的初始分割结果对应的灾变区域图像的前一帧灾变区域图像的初始分割结果，以及建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与前一帧灾变区域图像之间的位移，计算出建筑物在任一存在分割错误的区域的初始分割结果中的正确位置，并将该正确位置的像元的语义信息替换为建筑物，以完成对任一存在分割错误的区域的初始分割结果的修正；

当任一存在分割错误的区域的初始分割结果对应的灾变区域图像是首帧灾变区域图像时，利用任一存在分割错误的区域的初始分割结果对应的灾变区域图像的下一帧灾变区域图像的初始分割结果，以及建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与下一帧灾变区域图像之间的位移，计算出建筑物在任一存在分割错误的区域的初始分割结果中的正确位置，并将该正确位置的像元的语义信息替换为建筑物，以完成对任一存在分割错误的区域的初始分割结果的修正。

进一步，还包括训练模块，训练模块用于：对U-Net语义分割网络进行训练，得到训练好的U-Net语义分割网络；

建筑物初始提取模块具体用于：利用训练好的U-Net语义分割网络，对每帧灾变区域图像进行分割，得到每帧灾变区域图像中的建筑物的初始分割结果。

3)第三方面，本发明还提供一种计算机设备，计算机设备包括处理器，处理器与存储器耦合，存储器中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机设备实现上述任一项灾害视频数据的建筑物提取方法。

4)第四方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机实现上述任一项灾害视频数据的建筑物提取方法。

需要说明的是，本发明的第二方面至第四方面的技术方案及对应的可能的实现方式所取得的有益效果，可以参见上述对第一方面及其对应的可能的实现方式的技术效果，此处不再赘述。

附图说明

通过阅读参照以下附图所作的对非限制性实施例的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例的一种灾害视频数据的建筑物提取方法的流程示意图；

图2为灾害视频数据例图；

图3为21帧目标图像；

图4为21帧灾变区域图像；

图5为21帧灾变区域图像的初始分割结果；

图6为利用移动框划分出60个区域的示意图；

图7为初始分割结果、校正结果以及真值图；

图8为本发明实施例的一种灾害视频数据的建筑物提取系统的结构示意图；

图9为本发明实施例的一种计算机设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

如图1所示，本发明实施例的一种灾害视频数据的建筑物提取方法，包括如下步骤：

S1、从预设区域的灾害视频中提取多帧图像，并对每帧图像进行预处理，得到多帧目标图像，其中，灾害视频数据例图如图2所示。

其中，从预设区域的灾害视频中提取多帧图像的具体实现方式如下：

1)第一种实现方式：从预设区域的灾害视频中提取多个关键帧作为提取出的图像。

2)第二种实现方式：将预设区域的灾害视频中的每帧图像均作为提取出的图像。

3)第三种实现方式：从预设区域的灾害视频中的所有图像间隔选取图像，作为提取出的图像。

4)第四种实现方式：根据实际情况，从从预设区域的灾害视频中的所有图像中进行选取，得到提取出的图像。

S2、识别每帧目标图像中的灾变区域，并提取每帧目标图像中的灾变区域图像，且每帧目标图像中的灾变区域图像的大小相同，并计算每个同一位置像素在每相邻两帧灾变区域图像之间的位移。

其中，具体利用灾变范围提取算法OFATS识别每帧目标图像中的灾变区域，并能够计算计算每个同一位置像素在每相邻两帧灾变区域图像之间的位移。

需要说明的是，灾变范围提取算法OFATS对输入图像的尺寸有要求，输入图像的尺寸的长宽必须均为32的整数倍，因此，需要对从预设区域的灾害视频中提取的每帧图像进行预处理，将提取的每帧图像的长宽均裁剪为最接近32倍数的尺寸。

在另外一个实施例中，预先对深度学习模型如神经网络等进行训练，得到训练好的灾变区域识别模型，利用训练好的灾变区域识别模型识别每帧目标图像中的灾变区域，当利用训练好的灾变区域识别模型识别每帧目标图像中的灾变区域时，可根据训练好的灾变区域识别模型对输入图像的尺寸要求，对对从预设区域的灾害视频中提取的每帧图像进行相应预处理，此时，可通过像素位置坐标的转换，计算每个同一位置像素在每相邻两帧灾变区域图像之间的位移。

S3、对每帧灾变区域图像进行分割，得到每帧灾变区域图像中的建筑物的初始分割结果；

S4、当存在包含分割错误的区域的初始分割结果时，利用任一存在分割错误的区域的初始分割结果对应的灾变区域图像的前一帧灾变区域图像的初始分割结果或下一帧灾变区域图像的初始分割结果，并结合建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与前一帧灾变区域图像或下一帧灾变区域图像之间的位移，对任一存在分割错误的区域的初始分割结果进行修正，其中，根据每个同一位置像素在每相邻两帧灾变区域图像之间的位移，得到建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与前一帧灾变区域图像或下一帧灾变区域图像之间的位移。

其中，根据在灾害视频中的时间先后顺序对灾变区域图像排序，得到灾变区域图像序列，任一存在分割错误的区域的初始分割结果对应的灾变区域图像的前一帧灾变区域图像表示：在灾变区域图像序列中，任一存在分割错误的区域的初始分割结果对应的灾变区域图像的前一帧灾变区域图像，任一存在分割错误的区域的初始分割结果对应的灾变区域图像的下一帧灾变区域图像表示：在灾变区域图像序列中，任一存在分割错误的区域的初始分割结果对应的灾变区域图像的下一帧灾变区域图像。

可选地，在上述技术方案中，确定是否存在包含分割错误的区域的初始分割结果的过程，包括：

利用移动框在每个初始分割结果中框选同一区域，计算该移动框所框选的建筑物的在每个初始分割结果中的面积，计算建筑物在首个初始分割结果的移动框内的面积是否大于建筑物在最后一个初始分割结果的移动框内的面积，得到判断结果，当判断结果为是时，则判定建筑物的面积随时间呈递减趋势，将不符合递减趋势的初始分割结果判定为包含分割错误的区域的初始分割结果，当判断结果为否时，则判定建筑物的面积随时间呈递增趋势，将不符合递增趋势的初始分割结果判定为包含分割错误的区域的初始分割结果，并利用移动框遍历每个初始分割结果中的整个区域。

可选地，在上述技术方案中，对任一存在分割错误的区域的初始分割结果进行修正的过程，包括：

1)当任一存在分割错误的区域的初始分割结果对应的灾变区域图像不是首帧灾变区域图像时，利用任一存在分割错误的区域的初始分割结果对应的灾变区域图像的前一帧灾变区域图像的初始分割结果，以及建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与前一帧灾变区域图像之间的位移，计算出建筑物在任一存在分割错误的区域的初始分割结果中的正确位置，并将该正确位置的像元的语义信息替换为建筑物，以完成对任一存在分割错误的区域的初始分割结果的修正；

2)当任一存在分割错误的区域的初始分割结果对应的灾变区域图像是首帧灾变区域图像时，利用任一存在分割错误的区域的初始分割结果对应的灾变区域图像的下一帧灾变区域图像的初始分割结果，以及建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与下一帧灾变区域图像之间的位移，计算出建筑物在任一存在分割错误的区域的初始分割结果中的正确位置，并将该正确位置的像元的语义信息替换为建筑物，以完成对任一存在分割错误的区域的初始分割结果的修正。

例如，有21帧目标图像，提取每帧目标图像中的灾变区域图像，共得到21帧灾变区域图像，对每帧灾变区域图像进行分割，得到每帧灾变区域图像中的建筑物的初始分割结果，共得到21个初始分割结果，21帧目标图像如图3所示，21帧灾变区域图像如图4所示，21帧灾变区域图像的初始分割结果如图5所示。

构建预设大小的移动框，例如，利用移动框能够在每个初始分割结果中划分出60个区域，如图6所示，移动框的大小可根据实际情况设置。

利用移动框在每个初始分割结果中框选同一区域，计算该移动框所框选的建筑物的在每个初始分割结果中的面积，将移动框在第1个初始分割结果中框选的区域记为F

需要说明的是，根据灾害视频中的时间先后顺序对初始分割结果排序，得到初始分割结果序列，初始分割结果序列中的第一个初始分割结果即为首个初始分割结果，初始分割结果序列中的最后一个初始分割结果即为最后一个初始分割结果。

当判断结果为是时，则判定建筑物的面积随时间呈递减趋势，例如，海啸侵蚀类型的灾害所导致的建筑物的面积会随时间呈递减趋势，将不符合递减趋势的初始分割结果判定为包含分割错误的区域的初始分割结果，具体地：

以四帧为一组，遍历F

1)当S

2)当S

3)当S

4)当S

5)当S

当判断结果为否时，则判定建筑物的面积随时间呈递增趋势，例如，啸堆积类型的灾害所导致的建筑物的面积会随时间呈递增趋势，将不符合递增趋势的初始分割结果判定为包含分割错误的区域的初始分割结果，并利用移动框遍历每个初始分割结果中的整个区域。具体地：

以四帧为一组，遍历F

1)当S

2)当S

3)当S

4)当S

5)当S

依据上述查找规则，遍历查找错误区域，并进行校正。

可选地，在上述技术方案中，还包括：

S030、对U-Net语义分割网络进行训练，得到训练好的U-Net语义分割网络，具体地：

分别选择表征灾害不同时期(早期、中期和末期)的图像，利用目视解译完成建筑物真值的标注，然后通过数据增强方法完成大样本训练数据集的构建，进而完成U-Net语义分割网络的训练。

S3中，对每帧灾变区域图像进行分割，得到每帧灾变区域图像中的建筑物的初始分割结果，包括：

S30、利用训练好的U-Net语义分割网络，对每帧灾变区域图像进行分割，得到每帧灾变区域图像中的建筑物的初始分割结果。

可选地，在上述技术方案中，还包括：利用ENVI监督分类当作真值对校正结果进行精度验证，具体地：

在ENVI中利用监督分类的方法对视频帧图像中的建筑物进行提取，以此结果作为真值，并分别对视频帧图像初始建筑物分割结果和校正后的分割结果进行精度计算，选用混淆矩阵作为精度评价依据，对比分析校正结果精度的提高幅度。

选取灾害前期、中期、末期三帧影像，即199帧，339帧，439帧作为本方案精度验证的实验组，实验结果表明，在灾害前期，即199帧图像的初始分割结果精度为79.1％，校正后的结果精度为87.8％，精度大约提升了8.7％。在灾害中期，即339帧图像的初始分割结果精度为75.4％，校正后的结果精度为82.4％，精度大约提升了7％。在灾害末期，即439帧图像的初始分割结果精度为73.6％，校正后的结果精度为82.0％，精度大约提升了8.4％。如表一灾害前期初始建筑物分割结果精度验证和表二灾害前期校正后的分割结果精度验证所示，可以说明本方案的自动校正算法是有效的，对提高视频数据语义分割结果的精度有积极作用。三帧影像的初始分割结果、校正后的初始分割结果即校正结果以及真值图如图7所示。

其中，建筑物提取精度的评估指标采用类别像素准确率(Class Pixel Accuray，即CPA)，指建筑物预测正确的值占预测总值的比例。公式如下：p＝TP/(TP+FP)，其中，TP表示建筑物像素预测正确的像素个数，FP表示将建筑物像素预测为其他地物类型的像素个数，p表示类别像素准确率。

三帧影像初始结果混淆矩阵见表1，三帧影像校正结果混淆矩阵见表2。

表1：

表2：

在上述各实施例中，虽然对步骤进行了编号S1、S2等，但只是本发明给出的具体实施例，本领域的技术人员可根据实际情况调整S1、S2等的执行顺序，此也在本发明的保护范围内，可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。

如图8所示，本发明实施例的一种灾害视频数据的建筑物提取系统200，包括预处理模块201、灾变区域提取模块202、建筑物初始提取模块203和建筑物校正模块204；

预处理模块201用于：从预设区域的灾害视频中提取多帧图像，并对每帧图像进行预处理，得到多帧目标图像；

灾变区域提取模块202用于：识别每帧目标图像中的灾变区域，并提取每帧目标图像中的灾变区域图像，且每帧目标图像中的灾变区域图像的大小相同，并计算每个同一位置像素在每相邻两帧灾变区域图像之间的位移；

建筑物初始提取模块203用于：对每帧灾变区域图像进行分割，得到每帧灾变区域图像中的建筑物的初始分割结果；

建筑物校正模块204用于：当存在包含分割错误的区域的初始分割结果时，利用任一存在分割错误的区域的初始分割结果对应的灾变区域图像的前一帧灾变区域图像的初始分割结果或下一帧灾变区域图像的初始分割结果，并结合建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与前一帧灾变区域图像或下一帧灾变区域图像之间的位移，对任一存在分割错误的区域的初始分割结果进行修正，其中，根据每个同一位置像素在每相邻两帧灾变区域图像之间的位移，得到建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与前一帧灾变区域图像或下一帧灾变区域图像之间的位移。

可选地，在上述技术方案中，还包括错误区域识别模块，错误区域识别模块用于：

利用移动框在每个初始分割结果中框选同一区域，计算该移动框所框选的建筑物的在每个初始分割结果中的面积，计算建筑物在首个初始分割结果的移动框内的面积是否大于建筑物在最后一个初始分割结果的移动框内的面积，得到判断结果，当判断结果为是时，则判定建筑物的面积随时间呈递减趋势，将不符合递减趋势的初始分割结果判定为包含分割错误的区域的初始分割结果，当判断结果为否时，则判定建筑物的面积随时间呈递增趋势，将不符合递增趋势的初始分割结果判定为包含分割错误的区域的初始分割结果，并利用移动框遍历每个初始分割结果中的整个区域。

可选地，在上述技术方案中，建筑物校正模块204对任一存在分割错误的区域的初始分割结果进行修正的过程，包括：

当任一存在分割错误的区域的初始分割结果对应的灾变区域图像不是首帧灾变区域图像时，利用任一存在分割错误的区域的初始分割结果对应的灾变区域图像的前一帧灾变区域图像的初始分割结果，以及建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与前一帧灾变区域图像之间的位移，计算出建筑物在任一存在分割错误的区域的初始分割结果中的正确位置，并将该正确位置的像元的语义信息替换为建筑物，以完成对任一存在分割错误的区域的初始分割结果的修正；

当任一存在分割错误的区域的初始分割结果对应的灾变区域图像是首帧灾变区域图像时，利用任一存在分割错误的区域的初始分割结果对应的灾变区域图像的下一帧灾变区域图像的初始分割结果，以及建筑物在任一存在分割错误的区域的初始分割结果对应的灾变区域图像与下一帧灾变区域图像之间的位移，计算出建筑物在任一存在分割错误的区域的初始分割结果中的正确位置，并将该正确位置的像元的语义信息替换为建筑物，以完成对任一存在分割错误的区域的初始分割结果的修正。

可选地，在上述技术方案中，还包括训练模块，训练模块用于：对U-Net语义分割网络进行训练，得到训练好的U-Net语义分割网络；

建筑物初始提取模块203具体用于：利用训练好的U-Net语义分割网络，对每帧灾变区域图像进行分割，得到每帧灾变区域图像中的建筑物的初始分割结果。

需要说明的是，上述实施例提供的一种灾害视频数据的建筑物提取系统200的有益效果与上述一种灾害视频数据的建筑物提取方法的有益效果相同，在此不再赘述。此外，上述实施例提供的系统在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统根据实际情况划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的系统与方法实施例属于同一构思，其具体实现过程详见方法实施例，在此不再赘述。

如图9所示，本发明实施例的一种计算机设备300，计算机设备300包括处理器320，处理器320与存储器310耦合，存储器310中存储有至少一条计算机程序330，至少一条计算机程序330由处理器320加载并执行，以使计算机设备300实现上述任一项灾害视频数据的建筑物提取方法，具体地：

计算机设备300可因配置或性能不同而产生比较大的差异，可以包括一个或多个处理器320(Central Processing Units，CPU)和一个或多个存储器310，其中，该一个或多个存储器310中存储有至少一条计算机程序330，该至少一条计算机程序330由该一个或多个处理器320加载并执行，以使该计算机设备300实现上述实施例提供的任一项灾害视频数据的建筑物提取方法。当然，该计算机设备300还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该计算机设备300还可以包括其他用于实现设备功能的部件，在此不做赘述。

本发明实施例的一种计算机可读存储介质，计算机可读存储介质中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机实现上述任一项灾害视频数据的建筑物提取方法。

可选地，计算机可读存储介质可以是只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一项灾害视频数据的建筑物提取方法。

需要说明的是，本申请的说明书和权利要求书中的术语“第一”、“第二”、等是用于区别类似的对象，而代表对特定的顺序或先后次序进行限定。在适当情况下对于类似的对象的使用顺序可以互换，以便这里描述的本申请的实施例能够以除了图示或描述的顺序以外的顺序实施。

所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品，因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)，只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。