本发明涉及计算机视觉，尤其涉及一种单体建筑物功能识别方法、设备及存储介质。
背景技术：
1、建筑物功能是指建筑物所承担的具体用途或功能，例如住宅、商业、办公、教育、医疗等。因此，建筑功能类型识别不仅有助于理解城市功能布局，也有助于了解不同时空模式行为信息与建筑功能类型之间的紧密联系。传统的建筑物功能识别需要相关研究人员进行实地调查或填写冗长的调查问卷，而针对大范围调查需要花费大量时间和人力、物力，数据更新慢，或者采用土地利用分类图对城市建筑物进行功能分类，得到大范围区域的建筑物功能，但这结果较为粗糙，难以获得精确的单个建筑物功能类别。并且这些建筑物功能信息都记录在地方当局或国家测绘机构，并很少为公众开放。因此，需要开展自动化、更高效的建筑物功能识别方法研究。
2、随着遥感技术的发展，为建筑物功能识别提供了新的思路。遥感技术利用卫星、无人机等设备对地表进行全面、高效、实时监测，利用高分辨率遥感影像提取建筑信息已经在各种研究和应用领域得到广泛应用。目前，大多数建筑物功能分类研究都集中于遥感影像上，这会失去形状和角的信息，不利于地图制图与分析。
3、深度学习方法相比传统方法可以提取更多的判别特征，如图卷积神经网络(graphconvolutional network，gcn)。gcn已经被证明可以用于矢量数据的几何操作，并且一些研究者也将图卷积神经网络用于建筑物功能分类，如利用gcn对图形结构的空间矢量数据进行分析和建筑模式分类，从而实现对建筑群或功能区分类。与此同时，graphsage模型已经被证明可以从图的输入数据结构中学习到更多的特征(包括节点和边缘特征)，从而实现更加精细的建筑物功能分类。虽然这些方法取得了不错的效果，但只针对建筑物这单一数据，还可以引入新兴的社会感知数据，如手机信令数据来获取建筑物更多的属性信息，提高建筑物功能分类准确性。
技术实现思路
1、本发明的目的在于：为了解决单一数据获取特征在建筑物功能识别上效果较差的问题，本发明提供了一种单体建筑物功能识别方法、设备及存储介质。方法主要包括以下步骤：
2、s1、获取同一地区建筑物的属性数据并进行预处理；
3、s2、根据预处理后的建筑物的属性数据计算建筑物的功能属性特征；
4、s3、基于建筑物的功能属性特征构建建筑物图样本；
5、s4、基于graphsage网络构建建筑物功能识别模型，利用建筑物图样本训练模型；
6、s5、将待识别的建筑物数据输入训练后的建筑物功能识别模型，得到建筑物功能识别结果。
7、进一步地，建筑物的属性数据包括建筑物矢量轮廓数据、poi数据、用户实时定位数据。
8、建筑物的属性特征包括形态特征、分类特征和人口活动模式特征。
9、进一步地，步骤s2包括：
10、将建筑物矢量轮廓数据进行预处理后计算建筑物的高度、周长、面积、最小外接矩形、方向角因子以及延展度因子特征，作为建筑物的形态特征。
11、最小外接矩形mbr为二维坐标表示的能够完全包围建筑物轮廓的最小矩形，其边界由给定形状的每个顶点的最大横坐标、最大纵坐标、最小横坐标、最小纵坐标决定，建筑物的最小外接矩形特征计算公式如下：
12、smbr＝laxis*saxis
13、式中，smbr为建筑物的最小外接矩形特征，laxis和saxis分别表示最小外接矩形的长轴与短轴。
14、建筑物的方向角因子特征以最小外接矩形的长轴与水平轴的夹角大小表示，通过最小外接矩形的顶点坐标计算得出，公式如下：
15、
16、式中，ori为建筑物的方向角因子特征；(x2,y2)为水平轴和mbr长轴的公共顶点、(x1,y1)为mbr长轴的除公共顶点的另一个领点。
17、建筑物延展度因子特征的计算方法为：
18、
19、式中，elongation为建筑物延展度因子特征，lmbr和wmbr分别表示最小外接矩形的长轴和短轴。
20、建筑物的紧凑度因子特征的计算基于惯性矩完成，具体公式为：
21、
22、式中，
23、compactness
24、为建筑物的紧凑度因子特征，s表示建筑物占地面积，im表示惯性矩，计算公式如下：
25、
26、式中，da为面积积分因子；zm是从小单元da到建筑物轮廓质心的距离，建筑轮廓的紧凑度值在0到1之间，圆形建筑轮廓的最大值为1。
27、将poi数据进行筛选，引入独热编码将建筑物重新划分类别，得到建筑物的分类特征。
28、将不同时间段的用户实时定位数据进行克里金插值，获取研究区内各个时间段的流动人口数量，然后统计不同时间段研究区建筑物的人口数量作为建筑物的人口活动模式特征。
29、进一步地，建筑物图样本基于delaunay三角网构建，具体步骤如下：
30、s31、利用arcgis通过建筑物的矢量轮廓数据计算每个建筑物的重心点，并根据重心点的坐标进行排序；
31、s32、将建筑物的功能属性特征赋予对应重心点，得到建筑物的特征重心点；
32、s33、利用delaunay三角网，以建筑物的特征重心点为元素构造建筑物图样本。
33、进一步地，以建筑物为元素构造建筑物图样本，具体步骤为：
34、s321、对应建筑物的特征重心点建立图样本节点；
35、s322、在建筑物图样本的节点的外部创建一个超级三角形，覆盖所有输入点；
36、s323、将集合v中的顶点逐一插入三角形，对于每个顶点vi，找到包含该点的三角形，将该点与原三角形的顶点连接形成新的三角形，接着通过连接新的三角形的非共享边，形成新的三角形集合，直至将该图中的所有顶点连接起来，得到建筑物图样本。
37、进一步地，建筑物图样本为无向图，数学表示如下：
38、g＝(v,e)
39、式中，g表示建筑物图样本；e为建筑物图样本中的边集合，由相邻两个节点之间的距离表示；v表示建筑物图样本中的节点集合，每个节点vi∈v对应一个建筑物的特征重心点bi，节点特征为对应的bi的特征编码；
40、特征重心点bi的特征编码的表示如下：
41、
42、式中，bi表示第i个建筑物的特征重心点；为建筑物bi的特征编码，由建筑物的功能属性特征确定，表示建筑物bi的第j维特征。
43、进一步地，建筑物功能识别模型引入graphsage网络，依次包括输入层、隐藏层和输出层三个部分，相邻部分之间由一个relu激活层连接；
44、输入层接收建筑物图样本，通过relu激活后得到节点原始特征，并输入隐藏层；
45、隐藏层包括多层结构，隐藏层每一层的输出为节点特征更新后的当前层节点隐藏特征，第一层的输入为节点原始特征，其他层的输入为其前一层的节点隐藏特征；
46、隐藏层的最后一层的输出结果经过relu激活后在输出层输出，作为建筑物的功能分类结果。
47、进一步地，建筑物功能识别模型的训练基于损失函数完成，数学表达式如下：
48、
49、式中，n为样本数量，c为类别数量，pij表示样本i的真实标签中类别j的值，qij表示模型预测样本i的真实标签中类别j的概率。
50、一种存储介质，所述存储介质存储指令及数据用于实现一种单体建筑物功能识别方法。
51、一种计算机设备，包括：处理器及所述存储介质；所述处理器加载并执行所述存储介质中的指令及数据用于实现一种单体建筑物功能识别方法。
52、本发明提供的技术方案带来的有益效果是：本发明提出了一种单体建筑物功能识别模型，能够考虑建筑物图样本结构当中的上下文信息，而且能够学习建筑物多模态特征，进行更准确的建筑物功能分类；利用建筑物轮廓数据、poi数据及腾讯实时定位数据获取建筑物的多模态特征，有效弥补了单一数据获取特征在建筑物功能识别上效果较差的问题。
1.一种单体建筑物功能识别方法，其特征在于，具体步骤包括：
2.如权利要求1所述的一种单体建筑物功能识别方法，其特征在于，所述建筑物的属性数据包括建筑物矢量轮廓数据、poi数据、用户实时定位数据。
3.如权利要求2所述的一种单体建筑物功能识别方法，其特征在于，所述建筑物的属性特征包括形态特征、分类特征和人口活动模式特征；
4.如权利要求3所述的一种单体建筑物功能识别方法，其特征在于，所述建筑物图样本基于delaunay三角网构建，具体步骤如下：
5.如权利要求4所述的一种单体建筑物功能识别方法，其特征在于，以建筑物为元素构造建筑物图样本，具体步骤为：
6.如权利要求5所述的一种单体建筑物功能识别方法，其特征在于，所述建筑物图样本为无向图，数学表示如下：
7.如权利要求6所述的一种单体建筑物功能识别方法，其特征在于，所述建筑物功能识别模型引入graphsage网络，依次包括输入层、隐藏层和输出层三个部分，相邻部分之间由一个relu激活层连接；
8.如权利要求7所述的一种单体建筑物功能识别方法，其特征在于，所述建筑物功能识别模型的训练基于损失函数完成，数学表达式如下：
9.一种存储介质，其特征在于：所述存储介质存储指令及数据用于实现权利要求1～8任一项所述的一种单体建筑物功能识别方法。
10.一种计算机设备，其特征在于：包括：处理器及存储介质；所述处理器加载并执行存储介质中的指令及数据用于实现权利要求1～8任一项所述的一种单体建筑物功能识别方法。
