CN106529452A - 基于建筑三维模型的移动智能终端建筑物快速识别方法 - Google Patents
基于建筑三维模型的移动智能终端建筑物快速识别方法 Download PDFInfo
- Publication number
- CN106529452A CN106529452A CN201610961575.9A CN201610961575A CN106529452A CN 106529452 A CN106529452 A CN 106529452A CN 201610961575 A CN201610961575 A CN 201610961575A CN 106529452 A CN106529452 A CN 106529452A
- Authority
- CN
- China
- Prior art keywords
- building
- intelligent terminal
- image
- information
- orientation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000000284 extract Substances 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 238000000205 computational method Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000003190 augmentative effect Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000014594 pastries Nutrition 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Abstract
本发明公开了基于建筑三维模型的移动智能终端建筑物快速识别方法,计算机图形图像学领域;首先,从N个预设方位获取的建筑三维模型的图像,并获取所述图像的直方图信息、特征信息和地理位置信息;然后,获取智能终端相机的拍摄图像,获取智能终端的拍摄方位,获取智能终端的地理位置信息;最后,根据拍摄图像和候选建筑物,进行建筑物识别,筛选出相似度最高的候选建筑物为目标建筑物。本发明以城市三维模型为建筑图像来源,结合空间位置和图像识别方式,实现了在移动设备相机中快速自动识别建筑物,解决了当前建筑物识别领域中源图像采集工作量大、识别效率低等问题,为将增强现实技术应用到线上线下体验、城市管理等提供了技术支撑。
Description
技术领域
本发明涉及建筑物识别领域,特别是涉及基于建筑三维模型的移动智能终端建筑物快速识别方法。
背景技术
现有技术一般采集建筑物的正北、正东、正南、正西四个方位的建筑物图像作为候选建筑物库,在直方图识别时,分别将拍摄图像与候选建筑物中的每个方位进行比对来识别建筑物。一方面,用户拍摄方位与上述四个方位存在夹角,造成了拍摄图像与建筑物库中的图像因拍摄角度不同,造成直方图差异变大,此时,直方图识别的阈值变低,后续采用其他特征进一步识别建筑物,计算量呈几何增长。另一方面,现有技术从差距较大的四个方位进行建筑识别,针对性弱,效率较低。
此外,现有技术是通过采集建筑物照片,来获得构建建筑物特征库,而实际上,城市建筑物数量众多,通过采集照片获得建筑物特征库工作量大,难以实现。
综上,现有技术直方图识别建筑物的精确度低,筛选出的样本量大,后续采用其他特征识别进一步识别目标建筑物,带来更大的计算量,并且针对性弱,效率低,并且存在照片采集工作量大的问题。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供基于建筑三维模型的移动智能终端建筑物快速识别方法。在该方法中,与目标建筑物拍摄图像比对的候选建筑物库图像的方位差异小,提高直方图识别精度,设置较优的直方图识别阈值,减少候选建筑物的数量,降低后续识别的计算量。本发明直方图识别精度高,整体建筑物识别效率高、速度快。
为实现上述目的,本发明提供了基于建筑三维模型的移动智能终端建筑物快速识别方法,包括如下步骤:
步骤S1、从N个预设方位获取的建筑三维模型的图像Fi,获取所述图像Fi的直方图信息Hisi,并提取所述图像Fi的特征信息,获取所述建筑物三维模型的地理位置信息;所述N为自然数且N≥8,所述i=1,2,3,...,N,所述为预设方位的方位角,所述θi为预设方位的俯仰角;
步骤S2、获取智能终端相机的拍摄图像,获取智能终端的拍摄方位获取智能终端的地理位置信息;所述为方位角,所述θphoto为俯仰角;
步骤S3、筛选出基于所述地理位置信息的预定区域内的候选建筑物;
步骤S4、根据所述拍摄方位V,提取每个所述候选建筑物的M个相邻预设方位的直方图信息Hisj;提取所述拍摄图像的直方图信息Hisphoto,获取Hisphoto和Hisj的相似度DHj,并求解所述候选建筑物的加权直方相似度DH;其中,所述所述M为正整数且M≥3,所述j=1,2,...,M;所述S(1,2,...,j-1,j,j+1,...,M)为M个所述预设方位构成的几何面积,所述S(1,2,...,j-1,j+1,...,M,P)为将第j所述预设方位替换为拍摄方位V构成的几何面积;
步骤S5、筛选出DH大于设定阈值DHTH的所述候选建筑物,进行特征匹配;若存在特征匹配值TZ大于设定阈值TZTH的所述候选建筑物,则识别特征匹配值TZ最大的候选建筑物为目标建筑物,所述TZ为特征匹配数据与特征总数的比值,所述TZ满足0≤TZ≤1,所述TZTH满足0≤TZTH≤1。
在该技术方案中,每个候选建筑均包含多个预设方位的图像信息,根据拍摄图像的拍摄方位V提取相应的预设方位进行比对直方图信息,有效提高直方图的识别精度,有利于精确筛选出待候选建筑物,有利于降低后续特征匹配计算量,提高建筑物识别速度。此外,在步骤S4中,根据相邻预设方位与拍摄方位V构成的几何形状,对各个直方图相似度DHj确定加权,获得加权相似度DH。在该方案中,DHj的加权值设计满足物理规律,所获得的加权相似度DH能够很好地满足直方相似度判定,同时,计算简单、快速。此外,在该技术方案中,结合各个城市建设的城市三维模型,并作为建筑物图像识别的基础图库,进行建筑物图像识别节约实地对各个图像进行拍摄采集所耗费的时间和费用。
此外,现有技术采用照片来构建建筑物特征库,还不存在通过三维模型提取建筑物特征信息,然而,采用照片构建建筑物特征库数据量大,构建一个城市的建筑物比对图库工作量是非常大的。现有技术并没有通过城市三维模型进行特征物识别的相关技术。而采用城市三维模型来构建特征库,操作简单,只需对三维模型库的建筑物进行特征提取获得建筑物特征库即可。同时,在本发明中,从模型库中可以直接提取任意一个建筑的方位图像作为建筑物识别的基础图库。
进一步而言,所述步骤S1包括:
步骤S11、构建建筑物列表,每个建筑物保存唯一标识等信息,表示为:
Bi{ID,Info,Img,His,Feat,P}
其中:ID为一标识符,每个建筑具有一个唯一的ID;Info代表建筑相关信息,为一列表,包括建筑名称、楼层数、高度、使用性质等;Img代表建筑的N个预设方位的图像;His代表建筑图像直方图信息;Feat代表建筑图像特征信息;P代表建筑物的地理位置信息,表示为P(x,y),x、y为正整数;
步骤S12、对建筑列表中的每个建筑物,采集并保存其名称、楼层数、高度、使用性质等相关信息;
步骤S13、对建筑列表中的每个建筑物,提取其三维模型,从N个预设方位获取的建筑三维模型的图像F,并进行保存;所述N为自然数且N≥8,所述i=1,2,3,...,N,所述为预设方位的方位角,所述θi为预设方位的俯仰角;
步骤S14、提取并保存建筑图像Fi的直方图信息Hisi,表达为:
Hisi[V0,V1,......,V255]
其中,Hisi为一维数组,共256个元素,Vi代表图像中灰度值为i的像素占图像总像素的比例;
步骤S15、提取并保存建筑影像的特征信息Feat,Feat表达为:
Feat{kp1,kp2,……,kpn}
其中,kp表示图像特征信息中的一个关键点,表达为:
kp{σ,Loc,Hes}
其中,σ表示关键点所处的尺度空间尺度,为一自然数;Loc表示关键点在图像中的位置,用(x,y)表示,x为不大于图像宽度像素数的自然数,y为不大于图像长度像素数的自然数;Hes表示使用SURF算法计算得到的图像在尺度空间σ下某一点Loc对应的Hessian矩阵;
步骤S16、获取并保存建筑地理物位置信息P(x,y)。
在该技术方案中,步骤S1实现了对三维模型建筑地理位置信息以及建筑本身信息的提取和保存,并提取和保存建筑物在各个预设方位的直方图信息、特征信息,为后续建筑物识别处理提供数据。
进一步而言,所示步骤S2具体包括:
步骤S21、通过智能终端的相机,按一定的间隔采集图像;
步骤S22、通过智能终端的三维姿态传感器、三维磁场传感器,获得拍摄的方位角和俯仰角,并表示为拍摄方位
步骤S23、通过智能终端的定位系统,获得智能终端当前地理位置信息,并表示为P(x,y)。
在该技术方案中,通过智能终端的传感器获得智能终端的指向信息,并获得拍摄方位,通过该拍摄方位,即可与建筑物重点预设方位进行对比识别。由于拍摄方位与预设方位的指向较传统建筑物识别方法要相近,故而其图像识别的精度更高、针对性更强,选取的候选建筑物容量越小,减少后续其它特征识别的耗损时间。同时,在该技术方式中,也提取了智能终端的地理位置信息,以确认目标建筑物的大概位置,减少候选库容量。
进一步而言,所述步骤S3包括:
以所述地理位置信息为圆心,以R为半径,形成圆形的所述预定区域,确定所述预定区域内的建筑物为候选建筑物;所述R满足0<R≤10000m,所述R初始值为R0,所述R0满足0<R0≤10000m。
在该技术方案中,候选建筑物的预定区域是具有范围的,可以预见的是,地理位置识别具有一定精度,地理位置精度误差具有上限。在该技术方案中,预定区域半径上限为0<R0≤10000。
进一步而言,在所述步骤S5中,若所述DH小于设定阈值DHTH或所述特征匹配值TZ小于设定阈值TZTH,则扩大所述预定区域半径R,并执行步骤S3,所述扩大所述预定区域半径R≤10000m。
在该技术方案中,若DH、TZ小于其相应阈值,则可判定预设区域内的建筑物均不识别为目标建筑物,故而需提高预定区域半径。采用该技术方案,可以节省图像识别整体速度,其原因在于,地理位置信息测量中,正确位置在测量值中心的概率越大,可以将预设区域逐步增大来识别目标建筑物。在该技术方案中,当未匹配到候选建筑物时,需扩大检测范围,以达到找寻最优匹配的候选建筑物。
进一步而言,所述步骤S4包括:
步骤S41、依据位置信息,从建筑图像特征库中提取距离R米的建筑物,构建待匹配建筑物列表L1(bui,DH,r),其中bui代表建筑信息,DH代表加权直方相似度,0<DH≤1,r代表特征点匹配数且为自然数;距离半径R计算方法为:
其中:Px、Py代表建筑Bui的x、y坐标;Pcx、Pcy代表智能终端当前位置的x、y坐标;
步骤S42、若L1中建筑物数量为0,则R加倍,转到步骤S41;否则判断R是否大于10000m,若R大于10000m,则转到步骤S54;若R小于等于10000m,则转到步骤S43;
步骤S43、提取相机图像直方图信息Hisphoto;
步骤S44、依次取出L1每个建筑物与所述拍摄方位V相邻的M个相邻预设方位的直方图信息Hisj,对比Hisphoto和Hisj的直方相似度DHj;
步骤S45、求解所述候选建筑物的加权直方相似度DH,并保存到列表L1中;
其中:Hisj[k]、Hisphoto[k]表示灰度值为k所对应的像素比例值; 分别为Hisj[k]、Hisphoto[k]均值。
在该技术方案中给出了加权直方相似度的求解方案,在其步骤S45中,根据相邻预设方位与拍摄方位构成的几何形状,对各个直方图相似度DHj确定加权,获得加权相似度DH。有益之处在于,计算多个相邻预设方位与拍摄方位的的直方相似度,一方面这些预设方位与拍摄方位指向方向相近,匹配度高,可识别精确的直方相似度信息;另一方面对相邻预设方位进行加权获取加权直方相似度,可以进一步提高建筑物识别的精准。
进一步而言,所述步骤5包括:
步骤S51、清除列表L1中,DH值小于DHTH的建筑物;若L1中建筑物数量为0,R加倍,转到步骤S41;
步骤S52、提取相机图像的特征信息Featb;
步骤S53、依次取出L1每个建筑物的图像特征Feat,利用SURF特征点匹配原理,计算Feat与Featb中特征点的匹配数r,并保存到列表L1中;
步骤S54、对L1中的每个建筑物,取出特征点匹配数r最大的一个建筑物,求解特征匹配值TZ,若所述TZ大于设定阈值TZTH,则所述建筑物即是目标建筑物;所述所述rall为该建筑bui对应的特征点总数量,所述rall为正整数。
在该技术方案中,提取图像特征进行比对,若最大图像的特征匹配值大于设定阈值,则识别候选建筑物为目标建筑物。
本发明的有益效果是:本发明通过为每个候选建筑设置多个预设方位的图像信息,根据拍摄图像的拍摄方位提取相应的预设方位图像信息进行比对,并识别目标建筑物,其有益之处在于,针对性的对候选建筑物特定指向方位的图像进行比对,识别精度,有利于精确筛选出待候选建筑物,有利于降低后续特征匹配计算量,提高建筑物识别速度。同时,本发明根据相邻预设方位与拍摄方位构成的几何形状,对各个直方图相似度DHj确定加权,获得加权相似度DH。在该方案中,DHj的加权值设计满足物理规律,所获得的加权相似度DH能够很好地满足直方相似度判定,同时,计算简单、快速。
附图说明
图1是本发明一具体实施方式的流程示意图;
图2是本发明一具体实施方式的几何坐标示意图;
图3是本发明一具体实施方式的建筑物图像的预设方位分布图;
图4是本发明另一具体实施方式建筑物图像的预设方位分布图;
图5是本发明另一具体实施方式建筑物图像的预设方位分布图;
图6是本发明一具体实施方式的预设方位与拍摄方位位置关系图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明:
如图1所示,本发明提供基于建筑三维模型的移动智能终端建筑物快速识别方法,包括如下步骤:
步骤S1、从N个预设方位获取的建筑三维模型的图像Fi,获取所述图像Fi的直方图信息Hisi,并提取所述图像Fi的特征信息,获取所述建筑物三维模型的地理位置信息;
步骤S2、获取智能终端相机的拍摄图像,获取智能终端的拍摄方位获取智能终端的地理位置信息;所述为方位角,所述θphoto为俯仰角;
步骤S3、筛选出基于所述地理位置信息的预定区域内的候选建筑物;
步骤S4、根据所述拍摄方位V,提取每个所述候选建筑物的M个相邻预设方位的直方图信息Hisj;提取所述拍摄图像的直方图信息Hisphoto,获取Hisphoto和Hisj的相似度DHj,并求解所述候选建筑物的加权直方相似度DH;
步骤S5、筛选出DH大于设定阈值DHTH的所述候选建筑物,进行特征匹配;若存在特征匹配值TZ大于设定阈值TZTH的所述候选建筑物,则识别特征匹配值TZ最大的候选建筑物为目标建筑物。
现有技术采用照片来构建建筑物特征库,还不存在通过三维模型提取建筑物特征信息,然而,采用照片构建建筑物特征库数据量大,构建一个城市的建筑物比对图库工作量是非常大的,基本不可能实现大规模的应用。现有技术并没有通过城市三维模型进行特征物识别的相关技术。而采用城市三维模型来构建特征库,操作简单,只需对三维模型库的建筑物进行特征提取获得建筑物特征库即可。同时,在本发明中,从模型库中可以直接提取任意一个建筑的方位图像作为建筑物识别的基础图库。
在本发明第一实施例中,提供基于建筑三维模型的移动智能终端建筑物快速识别方法。首先对本实施例中的几何坐标和预设方位相关信息进行说明。
(1)几何坐标说明
首先,对本实施例中提供的建筑物识别进行数学建模。当相机摄像头对建筑物进行拍摄图像时,如图2所示,相机与建筑物关系包括:距离R、方位角以及俯仰角θ。显然,相机可以从地面以上的各个位置对建筑物进行拍摄识别,包括:道路、临近建筑物楼层、空中飞行器以及其它形式对建筑物进行拍摄识别。方位角为0-360°,俯仰角为-90°至90°,其中俯角为正,仰角为负。值得一提的是,在本实施例中,取建筑物中心的水平面的俯仰角为0°,由于实际拍摄中,是在地面上拍摄的,故而俯仰角可取为-60°至90°,当俯仰角为90°时,是在建筑物顶部进行拍摄。此外,可以采用欧拉角来定义本实施例中的方位,即采用分别为偏航角、俯仰角和滚转角。其中,偏航角即为方位角,其中,滚转角可省略。
(2)预设方位构建说明
在本实施例中,对空间进行划分成多个预设方位。
可选地,预设方位采用经纬线进行划分,经纬线交点为预设方位点,拍摄方位落入经纬线构成的网格中。如图3所示,以经纬线做网格,经纬线交点为预设方位点。其中,拍照南北极方位的拍摄方位相邻的预设方位点位三个,分布为。如图3中,拍摄方位P2相邻的预设方位点位分别为E、F、G。而其它拍摄方位相邻的预设方位点有四个,如拍摄方位P1相邻的预设方位点位分别为A1、A2、A3、A4。
值得一提的是,采用经纬线的网格求解,会呈现各个预设方位分布不均,造成各个区域的精度也不同。一种优选的方案是将预设方位分布均匀。
可选的,预设方位的形式可以采用正四面体、正八面体、正二十面体、正六面体、正十二面体以及它们的细分多面体。如图4所示,提供一种正二十面体细分的八十面体,八十面体上的80个顶点构成建筑库特征采集的80个预设方位。优点在于,可以提高预设方位分布的均匀性,提高数据处理精度,提高建筑物识别精度和效率。示意性地,在图4中,拍摄方位P3相邻的预设方位为B1、B2、B3。如图5所示,图5左侧为正二十面体,图五右侧为正二十面体细分的三百二十多面体。
可选的,预设方位可以采用其它形式,包含但不限于,足球状、C60状等。这里不再赘述。
值得一提的是,根据几何结构关系,需将各个预设方位的方位角和俯仰角θi求解出来,并以表示,可以通过常规的几何求解出来,也可以采用计算机统计求解,这里不再赘述。
下面通过实施例来对本发明进行说明。
本发明第一实施例提供基于建筑三维模型的移动智能终端建筑物快速识别方法,包括如下步骤:
步骤S1、从N个预设方位获取的建筑三维模型的图像Fi,获取所述图像Fi的直方图信息Hisi,并提取所述图像Fi的特征信息,获取所述建筑物三维模型的地理位置信息;所述N为自然数且N≥8,所述i=1,2,3,...,N,所述为预设方位的方位角,所述θi为预设方位的俯仰角;
可以理解的是,从N个预设方位获取的建筑三维模型的图像Fi是指在三维模型软件中,从预设方位处观测建筑三维模型所获得的图像。
具体而言,所述步骤S1包括:
步骤S11、构建建筑物列表,每个建筑物保存唯一标识等信息,表示为:
Bi{ID,Info,Img,His,Feat,P}
其中:ID为一标识符,每个建筑具有一个唯一的ID;Info代表建筑相关信息,为一列表,包括建筑名称、楼层数、高度、使用性质等;Img代表建筑的N个预设方位的图像;His代表建筑图像直方图信息;Feat代表建筑图像特征信息;P代表建筑物的地理位置信息,表示为P(x,y),x、y为正整数;
步骤S12、对建筑列表中的每个建筑物,采集并保存其名称、楼层数、高度、使用性质等相关信息;
步骤S13、对建筑列表中的每个建筑物,提取其三维模型,从N个预设方位获取的建筑三维模型的图像Fi,并进行保存;所述N为自然数且N≥8,所述i=1,2,3,...,N,所述为预设方位的方位角,所述θi为预设方位的俯仰角;示意性地,正北方向的预设方位为(0,0),正东方向且仰角30°是的预设方位为(90°,-30°)。
步骤S14、提取并保存建筑图像Fi的直方图信息Hisi,表达为:
Hisi[V0,V1,......,V255]
其中,Hisi为一维数组,共256个元素,Vi代表图像中灰度值为i的像素占图像总像素的比例;
步骤S15、提取并保存建筑影像的特征信息Feat,Feat表达为:
Feat{kp1,kp2,……,kpn}
其中,kp表示图像特征信息中的一个关键点,表达为:
kp{σ,Loc,Hes}
其中,σ表示关键点所处的尺度空间尺度,为一自然数;Loc表示关键点在图像中的位置,用(x,y)表示,x为不大于图像宽度像素数的自然数,y为不大于图像长度像素数的自然数;Hes表示使用SURF算法计算得到的图像在尺度空间σ下某一点Loc对应的Hessian矩阵;
步骤S16、获取并保存建筑地理物位置信息P(x,y)。
步骤S2、获取智能终端相机的拍摄图像,获取智能终端的拍摄方位获取智能终端的地理位置信息;所述为方位角,所述θphoto为俯仰角;
智能终端需要采集目标建筑物的图像、目标建筑物的地理位置信息以及拍摄方位。其中,目标建筑图像是通过智能终端上的相机采集获得的,目标建筑物的地理位置信息获取方式包括但不限于:通过GPS、2G/3G/4G网络、wifi网络获得地理位置信息。拍摄方位包括拍摄方位角、俯仰角;其中,方位角由北点开始按顺时针方向计量。方位的大小变化范围为0°~360°,北点为0°,东点为90°,南点为180°,西点为270°,俯仰角为智能终端相机轴线与地平线的夹角。拍摄方位的获取是通过三维姿态传感器、三维磁场传感器传送的数据,并计算指向轴的方位角和俯仰角,此为现有技术,这里不再赘述。
具体而言,在本实施例中,步骤S2具体包括:
步骤S21、通过智能终端的相机,按一定的间隔采集图像;
步骤S22、通过智能终端的三维姿态传感器、三维磁场传感器,获得拍摄的方位角和俯仰角,并表示为拍摄方位
步骤S23、通过智能终端的定位系统,获得智能终端当前地理位置信息,并表示为P(x,y)。优选的,在本实施例中,定位系统为GPS定位系统。
步骤S3、筛选出基于所述地理位置信息的预定区域内的候选建筑物;
具体而言,步骤S3包括:
以所述地理位置信息为圆心,以R为半径,形成圆形的所述预定区域,确定所述预定区域内的建筑物为候选建筑物;所述R满足0<R≤10000m,所述R初始值为R0,所述R0满足0<R0≤10000m。
步骤S4、根据所述拍摄方位V,提取每个所述候选建筑物的M个相邻预设方位的直方图信息Hisj;提取所述拍摄图像的直方图信息Hisphoto,获取Hisphoto和Hisj的相似度DHj,并求解所述候选建筑物的加权直方相似度DH;其中,所述所述M为正整数且M≥3,所述j=1,2,...,M;所述S(1,2,...,j-1,j,j+1,...,M)为M个所述预设方位构成的几何面积,所述S(1,2,...,j-1,j+1,...,M,V)为将第j所述预设方位替换为拍摄方位V构成的几何面积;
值得一提的是,在本实施例中,由预设方位构成的网格状空间,拍摄方位根据自身所处的网格,确定其相邻的M个预设方位。示意性的,在图4中,拍摄方位P3处于预设方位B1、B2、B3构成的网格内,预设方位B1、B2、B3即为拍摄方位P3相邻的预设方位。
此外,在本发明中,根据预设方位的设定方式,与拍摄方位相邻的预设方位个数为3以上。在本实施例中,拍摄方位需分别与其相邻的预设方位对比,获得直方相似度DHj,并求解加权直方相似度DH,下面以相邻预设方位个数3为例。
可以理解的是,当拍摄方位与预设方位越接近时,该预设方位的相似度加权值应该越大。在本实施例中需设置一加权参量,该参量需满足两个条件:(1)当距离预设方位越接近,则该预设方位的加权参量越大;(2)相邻的3个预设方位的加权值总和恒等于1。
如图6所示,基于上述两个条件,设定加权参量α1、α2、α3分别作为3个预设方位的加权值。其中,
其中,S(C1,C2,C3)为点C1、C2、C3构成的面积,S(C2,C3,P4)为点C2、C3、P4构成的面积。值得一提的是,该面积可以为曲面面积,也可以为平面面积,为简便计算,在本实施例中,采用平面面积计算。在本发明的其它实施例,采用曲面面积计算,此为几何常规计算,这里不再赘述。
当S(C2,C3,P4)越大时,α1越大,当P4与C1重合时,α1=1。
同理,
加权直方相似度DH=α1DH1+α2DH2+α3DH3。
相应的,相邻预设方位个数为M情况下,αj、DH满足:
步骤S5、筛选出DH大于设定阈值DHTH的所述候选建筑物,进行特征匹配;若存在特征匹配值TZ大于设定阈值TZTH的所述候选建筑物,则识别特征匹配值TZ最大的候选建筑物为目标建筑物,所述TZ为特征匹配数据与特征总数的比值,所述TZ满足0≤TZ≤1,所述TZTH满足0≤TZTH≤1。
在所述步骤S5中,若所述DH小于设定阈值DHTH或所述特征匹配值TZ小于设定阈值TZTH,则扩大所述预定区域半径R,并执行步骤S3,所述扩大所述预定区域半径R≤10000m。
在一可能的实施例中,基于建筑三维模型的移动智能终端建筑物快速识别方法,包括如下步骤:
步骤S3、设定一个距离R,R初始化为100m;
步骤S41、依据位置信息,从建筑图像特征库中提取距离R米的建筑物,构建待匹配建筑物列表L1(bui,DH,r),其中bui代表建筑信息,DH代表加权直方相似度,0<DH≤1,r代表特征点匹配数且为自然数;距离半径R计算方法为:
其中:Px、Py代表建筑Bui的x、y坐标;Pcx、Pcy代表智能终端当前位置的x、y坐标;
步骤S42、若L1中建筑物数量为0,则R加倍,转到步骤S41;否则判断R是否大于10000m,若R大于10000m,则转到步骤S54;若R小于等于10000m,则转到步骤S43;
步骤S43、提取相机图像直方图信息Hisphoto;
步骤S44、依次取出L1每个建筑物与所述拍摄方位V相邻的M个相邻预设方位的直方图信息Hisj,对比Hisphoto和Hisj的直方相似度DHj;
步骤S45、求解所述候选建筑物的加权直方相似度DH,并保存到列表L1中;
其中:Hisj[k]、Hisphoto[k]表示灰度值为k所对应的像素比例值; 分别为Hisj[k]、Hisphoto[k]均值。
步骤S51、清除列表L1中,DH值小于DHTH的建筑物;若L1中建筑物数量为0,R加倍,转到步骤S41;
步骤S52、提取相机图像的特征信息Featb;
步骤S53、依次取出L1每个建筑物的图像特征Feat,利用SURF特征点匹配原理,计算Feat与Featb中特征点的匹配数r,并保存到列表L1中;
步骤S54、对L1中的每个建筑物,取出特征点匹配数r最大的一个建筑物,求解特征匹配值TZ,若所述TZ大于设定阈值TZTH,则所述建筑物即是目标建筑物;所述所述rall为该建筑bui对应的特征点总数量,所述rall为正整数。在本实施例中,TZTH取50%。
本实施例工作原理:本实施例首先从各个预设方位获取候选建筑物的图像信息、灰度直方图信息、位置信息、以及特征信息并保存;然后,智能终端提取目标建筑物图像、移动终端地理位置以及拍摄的方位信息,并通过地理位置、灰度直方图以及特征信息对候选建筑物进行筛选,并标识目标建筑物为特征信息最接近的候选建筑物。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.基于建筑三维模型的移动智能终端建筑物快速识别方法,其特征在于,包括如下步骤:
步骤S1、利用建筑三维模型构建建筑图像特征库:从N个预设方位获取的建筑三维模型的图像Fi,获取所述图像Fi的直方图信息Hisi,并提取所述图像Fi的特征信息,获取所述建筑物三维模型的地理位置信息;所述N为自然数且N≥8,所述i=1,2,3,...,N,所述为预设方位的方位角,所述θi为预设方位的俯仰角;
步骤S2、获取智能终端相机的拍摄图像,获取智能终端的拍摄方位获取智能终端的地理位置信息;所述为方位角,所述θphoto为俯仰角;
步骤S3、筛选出基于所述地理位置信息的预定区域内的候选建筑物;
步骤S4、根据所述拍摄方位V,提取每个所述候选建筑物的M个相邻预设方位的直方图信息Hisj;提取所述拍摄图像的直方图信息Hisphoto,获取Hisphoto和Hisj的相似度DHj,并求解所述候选建筑物的加权直方相似度DH;其中,所述所述M为正整数且M≥3,所述j=1,2,...,M;所述S(1,2,...,j-1,j,j+1,...,M)为M个所述预设方位构成的几何面积,所述S(1,2,...,j-1,j+1,...,M,V)为将第j所述预设方位替换为拍摄方位V构成的几何面积;
步骤S5、筛选出DH大于设定阈值DHTH的所述候选建筑物,进行特征匹配;若存在特征匹配值TZ大于设定阈值TZTH的所述候选建筑物,则识别特征匹配值TZ最大的候选建筑物为目标建筑物,所述TZ为特征匹配数据与特征总数的比值,所述TZ满足0≤TZ≤1,所述TZTH满足0≤TZTH≤1。
2.如权利要求1所述的基于建筑三维模型的移动智能终端建筑物快速识别方法,其特征在于,所述步骤S1包括:
步骤S11、构建建筑物列表,每个建筑物保存唯一标识等信息,表示为:
Bi{ID,Info,Img,His,Feat,P}
其中:ID为一标识符,每个建筑具有一个唯一的ID;Info代表建筑相关信息,为一列表,包括建筑名称、楼层数、高度、使用性质等;Img代表建筑的N个预设方位的图像;His代表建筑图像直方图信息;Feat代表建筑图像特征信息;P代表建筑物的地理位置信息,表示为P(x,y),x、y为正整数;
步骤S12、对建筑列表中的每个建筑物,采集并保存其名称、楼层数、高度、使用性质等相关信息;
步骤S13、对建筑列表中的每个建筑物,提取其三维模型,从N个预设方位获取的建筑三维模型的图像Fi,并进行保存;所述N为自然数且N≥8,所述i=1,2,3,...,N,所述为预设方位的方位角,所述θi为预设方位的俯仰角;
步骤S14、提取并保存建筑图像Fi的直方图信息Hisi,表达为:
Hisi[V0,V1,......,V255]
其中,Hisi为一维数组,共256个元素,Vi代表图像中灰度值为i的像素占图像总像素的比例;
步骤S15、提取并保存建筑影像的特征信息Feat,Feat表达为:
Feat{kp1,kp2,……,kpn}
其中,kp表示图像特征信息中的一个关键点,表达为:
kp{σ,Loc,Hes}
其中,σ表示关键点所处的尺度空间尺度,为一自然数;Loc表示关键点在图像中的位置,用(x,y)表示,x为不大于图像宽度像素数的自然数,y为不大于图像长度像素数的自然数;Hes表示使用SURF算法计算得到的图像在尺度空间σ下某一点Loc对应的Hessian矩阵;
步骤S16、获取并保存建筑地理物位置信息P(x,y)。
3.如权利要求1所述的基于建筑三维模型的移动智能终端建筑物快速识别方法,其特征在于,所示步骤S2具体包括:
步骤S21、通过智能终端的相机,按一定的间隔采集图像;
步骤S22、通过智能终端的三维姿态传感器、三维磁场传感器,获得拍摄的方位角和俯仰角,并表示为拍摄方位
步骤S23、通过智能终端的定位系统,获得智能终端当前地理位置信息,并表示为P(x,y)。
4.如权利要求1所述的基于建筑三维模型的移动智能终端建筑物快速识别方法,其特征在于,所述步骤S3包括:
以所述地理位置信息为圆心,以R为半径,形成圆形的所述预定区域,确定所述预定区域内的建筑物为候选建筑物;所述R满足0<R≤10000m,所述R初始值为R0,所述R0满足0<R0≤10000m。
5.如权利要求4所述的基于建筑三维模型的移动智能终端建筑物快速识别方法,其特征在于:在所述步骤S5中,若所述DH小于设定阈值DHTH或所述特征匹配值TZ小于设定阈值TZTH,则扩大所述预定区域半径R,并执行步骤S3,所述扩大所述预定区域半径R≤10000m。
6.如权利要求4所述的基于建筑三维模型的移动智能终端建筑物快速识别方法,其特征在于,所述步骤S4包括:
步骤S41、依据位置信息,从建筑图像特征库中提取距离R米的建筑物,构建待匹配建筑物列表L1(bui,DH,r),其中bui代表建筑信息,DH代表加权直方相似度,0<DH≤1,r代表特征点匹配数且为自然数;距离半径R计算方法为:
其中:Px、Py代表建筑Bui的x、y坐标;Pcx、Pcy代表智能终端当前位置的x、y坐标;
步骤S42、若L1中建筑物数量为0,则R加倍,转到步骤S41;否则判断R是否大于10000m,若R大于10000m,则转到步骤S54;若R小于等于10000m,则转到步骤S43;
步骤S43、提取相机图像直方图信息Hisphoto;
步骤S44、依次取出L1每个建筑物与所述拍摄方位V相邻的M个相邻预设方位的直方图信息Hisj,对比Hisphoto和Hisj的直方相似度DHj;
步骤S45、求解所述候选建筑物的加权直方相似度DH,并保存到列表L1中;
其中:Hisj[k]、Hisphoto[k]表示灰度值为k所对应的像素比例值; 分别为Hisj[k]、Hisphoto[k]均值。
7.如权利要求6所述的基于建筑三维模型的移动智能终端建筑物快速识别方法,其特征在于,所述步骤5包括:
步骤S51、清除列表L1中,DH值小于DHTH的建筑物;若L1中建筑物数量为0,R加倍,转到步骤S41;
步骤S52、提取相机图像的特征信息Featb;
步骤S53、依次取出L1每个建筑物的图像特征Feat,利用SURF特征点匹配原理,计算Feat与Featb中特征点的匹配数r,并保存到列表L1中;
步骤S54、对L1中的每个建筑物,取出特征点匹配数r最大的一个建筑物,求解特征匹配值TZ,若所述TZ大于设定阈值TZTH,则所述建筑物即是目标建筑物;所述所述rall为该建筑bui对应的特征点总数量,所述rall为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610961575.9A CN106529452B (zh) | 2016-11-04 | 2016-11-04 | 基于建筑三维模型的移动智能终端建筑物快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610961575.9A CN106529452B (zh) | 2016-11-04 | 2016-11-04 | 基于建筑三维模型的移动智能终端建筑物快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529452A true CN106529452A (zh) | 2017-03-22 |
CN106529452B CN106529452B (zh) | 2019-04-23 |
Family
ID=58326181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610961575.9A Active CN106529452B (zh) | 2016-11-04 | 2016-11-04 | 基于建筑三维模型的移动智能终端建筑物快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529452B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368247A (zh) * | 2017-06-09 | 2017-11-21 | 上海嘉实(集团)有限公司 | 现场项目的管理方法/系统、计算机可读存储介质及终端 |
CN108235764A (zh) * | 2017-12-29 | 2018-06-29 | 深圳前海达闼云端智能科技有限公司 | 信息处理方法、装置、云处理设备及计算机程序产品 |
CN112700423A (zh) * | 2021-01-06 | 2021-04-23 | 中国民航科学技术研究院 | 基于深度学习的机身表面损伤缺陷自动检测方法及系统 |
CN112733593A (zh) * | 2021-03-18 | 2021-04-30 | 成都中科大旗软件股份有限公司 | 基于图像位置实现图像信息识别的方法及系统 |
CN112990023A (zh) * | 2021-03-18 | 2021-06-18 | 上海万科投资管理有限公司 | 一种建筑物识别方法、装置、介质及设备 |
CN113177254A (zh) * | 2021-05-13 | 2021-07-27 | 重庆市勘测院 | 建筑物方向向量确定方法及其规则化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4906940A (en) * | 1987-08-24 | 1990-03-06 | Science Applications International Corporation | Process and apparatus for the automatic detection and extraction of features in images and displays |
CN102054166A (zh) * | 2010-10-25 | 2011-05-11 | 北京理工大学 | 一种新的用于户外增强现实系统的场景识别技术 |
US20140079299A1 (en) * | 2012-09-20 | 2014-03-20 | Kabushiki Kaisha Toshiba | Person recognition apparatus and method thereof |
CN104281840A (zh) * | 2014-09-28 | 2015-01-14 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 一种基于智能终端定位识别建筑物的方法及装置 |
CN104536009A (zh) * | 2014-12-30 | 2015-04-22 | 华中科技大学 | 一种激光红外复合的地面建筑物识别及导航方法 |
CN105160327A (zh) * | 2015-09-16 | 2015-12-16 | 小米科技有限责任公司 | 建筑物识别方法和装置 |
CN105513133A (zh) * | 2016-02-03 | 2016-04-20 | 东南大学 | 一种城市风环境数字地图制作及显示方法 |
CN105678694A (zh) * | 2016-02-18 | 2016-06-15 | 中国科学院遥感与数字地球研究所 | 一种基于建筑物三维模型的sar图像增强方法及系统 |
-
2016
- 2016-11-04 CN CN201610961575.9A patent/CN106529452B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4906940A (en) * | 1987-08-24 | 1990-03-06 | Science Applications International Corporation | Process and apparatus for the automatic detection and extraction of features in images and displays |
CN102054166A (zh) * | 2010-10-25 | 2011-05-11 | 北京理工大学 | 一种新的用于户外增强现实系统的场景识别技术 |
US20140079299A1 (en) * | 2012-09-20 | 2014-03-20 | Kabushiki Kaisha Toshiba | Person recognition apparatus and method thereof |
CN104281840A (zh) * | 2014-09-28 | 2015-01-14 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 一种基于智能终端定位识别建筑物的方法及装置 |
CN104536009A (zh) * | 2014-12-30 | 2015-04-22 | 华中科技大学 | 一种激光红外复合的地面建筑物识别及导航方法 |
CN105160327A (zh) * | 2015-09-16 | 2015-12-16 | 小米科技有限责任公司 | 建筑物识别方法和装置 |
CN105513133A (zh) * | 2016-02-03 | 2016-04-20 | 东南大学 | 一种城市风环境数字地图制作及显示方法 |
CN105678694A (zh) * | 2016-02-18 | 2016-06-15 | 中国科学院遥感与数字地球研究所 | 一种基于建筑物三维模型的sar图像增强方法及系统 |
Non-Patent Citations (5)
Title |
---|
GREG MORIY, SERGE BELONGIEZ,JITENDRA MALIKY: "Shape contexts enable efficient retrieval of similar shapes", 《2001 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR"01)》 * |
RADU BOGDAN RUSU GARY BRADSKI ROMAIN THIBAUX JOHN HSU: "Fast 3D Recognition and Pose Using the Viewpoint Feature Histogram", 《IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTICS AND SYSTEMS (IROS 2010)》 * |
何兴富: "基于云计算的三维市政设计框架研究与应用", 《城市勘测》 * |
庞广桦;纪寿庆;王阳萍: "基于霍夫变换的全景图中建筑物识别方法", 《兰州交通大学学报》 * |
薛梅: "一种建筑信息模型与三维数字城市集成方法", 《地理信息世界》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368247A (zh) * | 2017-06-09 | 2017-11-21 | 上海嘉实(集团)有限公司 | 现场项目的管理方法/系统、计算机可读存储介质及终端 |
CN107368247B (zh) * | 2017-06-09 | 2020-12-29 | 上海嘉实(集团)有限公司 | 现场项目的管理方法/系统、计算机可读存储介质及终端 |
CN108235764A (zh) * | 2017-12-29 | 2018-06-29 | 深圳前海达闼云端智能科技有限公司 | 信息处理方法、装置、云处理设备及计算机程序产品 |
CN112700423A (zh) * | 2021-01-06 | 2021-04-23 | 中国民航科学技术研究院 | 基于深度学习的机身表面损伤缺陷自动检测方法及系统 |
CN112700423B (zh) * | 2021-01-06 | 2023-05-05 | 中国民航科学技术研究院 | 基于深度学习的机身表面损伤缺陷自动检测方法及系统 |
CN112733593A (zh) * | 2021-03-18 | 2021-04-30 | 成都中科大旗软件股份有限公司 | 基于图像位置实现图像信息识别的方法及系统 |
CN112990023A (zh) * | 2021-03-18 | 2021-06-18 | 上海万科投资管理有限公司 | 一种建筑物识别方法、装置、介质及设备 |
CN113177254A (zh) * | 2021-05-13 | 2021-07-27 | 重庆市勘测院 | 建筑物方向向量确定方法及其规则化方法 |
CN113177254B (zh) * | 2021-05-13 | 2023-07-04 | 重庆市勘测院 | 建筑物方向向量确定方法及其规则化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106529452B (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529452B (zh) | 基于建筑三维模型的移动智能终端建筑物快速识别方法 | |
CN106683091B (zh) | 一种基于深度卷积神经网络的目标分类及姿态检测方法 | |
CN103530881B (zh) | 适用于移动终端的户外增强现实无标志点跟踪注册方法 | |
CN107830846A (zh) | 一种利用无人机和卷积神经网络测量通信塔天线角度方法 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN109520500B (zh) | 一种基于终端拍摄图像匹配的精确定位及街景库采集方法 | |
CN103383773B (zh) | 一种动态提取图像控制点的遥感卫星图像自动正射纠正的框架和方法 | |
CN103268358B (zh) | 多源控制点影像数据库构建及更新方法 | |
CN110097536A (zh) | 基于深度学习和霍夫变换的六边形螺栓松动检测方法 | |
CN104881029B (zh) | 基于一点ransac和fast算法的移动机器人导航方法 | |
CN111753682B (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
CN112084869A (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN110956412B (zh) | 基于实景模型的洪灾动态评估方法、装置、介质和设备 | |
CN109766873A (zh) | 一种混合可变形卷积的行人再识别方法 | |
CN103218787A (zh) | 多源异构遥感影像控制点自动采集方法 | |
CN108195736B (zh) | 一种三维激光点云提取植被冠层间隙率的方法 | |
CN106709500A (zh) | 一种图像特征匹配的方法 | |
CN104063711A (zh) | 一种基于K-means方法的走廊消失点快速检测算法 | |
CN107103056A (zh) | 一种基于局部标识的双目视觉室内定位数据库建立方法及定位方法 | |
Li et al. | Image Matching Algorithm based on Feature-point and DAISY Descriptor. | |
CN110990780B (zh) | 一种基于srtm数据的坡度提取方法 | |
Zhao et al. | Boundary regularized building footprint extraction from satellite images using deep neural network | |
CN111383265B (zh) | 一种设备点位的筛选方法、装置、电子设备及存储介质 | |
CN108399413B (zh) | 一种图片拍摄区域识别及地理定位方法及装置 | |
Bao et al. | An automatic extraction method for individual tree crowns based on self-adaptive mutual information and tile computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240301 Address after: 401120 No. 6, Qingzhu East Road, Dazhulin, Yubei District, Chongqing Patentee after: Chongqing Institute of Surveying and Mapping Science and Technology (Chongqing Map Compilation Center) Country or region after: China Address before: 400020 Jiangbei District, Chongqing electric measuring Village No. 231 Patentee before: CHONGQING SURVEY INSTITUTE Country or region before: China |
|
TR01 | Transfer of patent right |