CN109753928A - 违章建筑物识别方法和装置 - Google Patents
违章建筑物识别方法和装置 Download PDFInfo
- Publication number
- CN109753928A CN109753928A CN201910004812.6A CN201910004812A CN109753928A CN 109753928 A CN109753928 A CN 109753928A CN 201910004812 A CN201910004812 A CN 201910004812A CN 109753928 A CN109753928 A CN 109753928A
- Authority
- CN
- China
- Prior art keywords
- building
- monitoring area
- aerial images
- characteristic information
- against regulations
- 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
Abstract
本申请实施例公开了违章建筑物识别方法和装置。该方法的一具体实施方式包括:获取监控区域内的每一个建筑物的特征信息;对于监控区域内的每一个建筑物,基于建筑物的特征信息与所有参考建筑物中的每一个参考建筑物的特征信息的相似度,判断建筑物是否为违章建筑物,得到识别结果,参考建筑物为与监控区域相关联的航拍图像对应的与监控区域相关联的历史航拍图像中的建筑物对象对应的建筑物。实现了根据当前的航拍过程中获取到的建筑物的多个维度的特征与历史航拍过程中获取到的参考建筑物的多个维度特征的相似度,确定建筑物是否为违章建筑物,减少了违章建筑物的识别过程的开销以及提升识别违章建筑物的准确性。
Description
技术领域
本申请涉及计算机领域,具体涉及图像识别领域,尤其涉及违章建筑物识别方法和装置。
背景技术
违章建筑物对城市规划、人们的生活造成极大的负面影响,因此,需要及时发现违章建筑物并且拆除违章建筑物。
目前,通常依靠诸如相关执法人员人工根据诸如建筑物的轮廓和土地使用许可数据的一致性来判断建筑物是否为违章建筑物,导致开销巨大。
发明内容
本申请实施例提供了违章建筑物识别方法和装置。
第一方面,本申请实施例提供了违章建筑物识别方法,该方法包括:获取监控区域内的每一个建筑物的特征信息,其中,所述建筑物的特征信息通过提取与监控区域相关联的航拍图像中的对应于建筑物的建筑物对象的特征而得到;对于监控区域内的每一个建筑物,基于建筑物的特征信息与所有参考建筑物中的每一个参考建筑物的特征信息的相似度,判断建筑物是否为违章建筑物,得到识别结果,其中,识别结果指示建筑物是否为违章建筑物,其中,参考建筑物为所述与监控区域相关联的航拍图像对应的与所述监控区域相关联的历史航拍图像中的建筑物对象对应的建筑物。
第二方面,本申请实施例提供了违章建筑物识别装置,该装置包括:获取单元,被配置为获取监控区域内的每一个建筑物的特征信息,其中,所述建筑物的特征信息通过提取与监控区域相关联的航拍图像中的对应于建筑物的建筑物对象的特征而得到;识别单元,被配置为对于监控区域内的每一个建筑物,基于建筑物的特征信息与所有参考建筑物中的每一个参考建筑物的特征信息的相似度,判断建筑物是否为违章建筑物,得到识别结果,其中,识别结果指示建筑物是否为违章建筑物,其中,参考建筑物为所述与监控区域相关联的航拍图像对应的与所述监控区域相关联的历史航拍图像中的建筑物对象对应的建筑物。
本申请实施例提供的违章建筑物识别方法和装置,通过获取监控区域内的每一个建筑物的特征信息,其中,所述建筑物的特征信息通过提取与监控区域相关联的航拍图像中的对应于建筑物的建筑物对象的特征而得到;对于监控区域内的每一个建筑物,基于建筑物的特征信息与所有参考建筑物中的每一个参考建筑物的特征信息的相似度,判断建筑物是否为违章建筑物,得到识别结果,其中,识别结果指示建筑物是否为违章建筑物,其中,参考建筑物为所述与监控区域相关联的航拍图像对应的与所述监控区域相关联的历史航拍图像中的建筑物对象对应的建筑物。实现了根据当前的航拍过程中获取到的建筑物的多个维度的特征与历史航拍过程中获取到的参考建筑物的多个维度特征的相似度,确定建筑物是否为违章建筑物,减少了违章建筑物的识别过程的开销以及提升识别违章建筑物的准确性。
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所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了适于用来实现本申请实施例的示例性系统架构;
图2示出了根据本申请的违章建筑物识别方法的一个实施例的流程图;
图3示出了根据本申请的违章建筑物识别装置的一个实施例的结构示意图;
图4示出了用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了适于用来实现本申请实施例的示例性系统架构。
如图1所示,系统架构可以包括无人机101、网络102、服务器103。网络102为无线网络。
在每一次判断是否存在违章建筑物的过程中,无人机101飞行至各个监控区域进行航拍,对于每一个监控区域,采集到与监控区域相关联的航拍图像。
在一次判断一个监控区域是否存在违章建筑物的过程中,无人机101可以将在该次判断该监控区域是否存在违章建筑物的过程中采集到的与该监控区域相关联的航拍图像发送至服务器103,服务器103判断该监控区域内是否存在违章建筑物。
请参考图2,其示出了根据本申请的违章建筑物识别方法的一个实施例的流程。该方法包括以下步骤:
步骤201,获取监控区域内的每一个建筑物的特征信息。
在本实施例中,监控区域并不特指某一个区域。监控区域的数量为多个。可以预先将一个区域预先划分为多个监控区域,监控区域之间彼此无重叠。例如,对一个城市的违章建筑物的情况进行监控,将一个城市划分为多个彼此无重叠的监控区域。
在本实施例中,当一个建筑物被拍摄到时,拍摄得到的图像中包含对应于该建筑物的建筑物对象。一个与监控区域相关联的航拍图像为包含该监控区域内的所有建筑物中的每一个建筑物各自对应的建筑物对象的航拍图像。换言之,与一个监控区域相关联的一个航拍图像中,包含该监控区域内的每一个建筑物各自对应的建筑物对象。与一个监控区域相关联的航拍图像的数量可以为多个。
例如,在利用无人机进行航拍时,在一个时间段内进行航拍时该监控区域位于无人机的摄像头的视角范围内,相应的,在该时间段内进行航拍得到的每一个航拍图像均包含该监控区域内的每一个建筑物各自对应的建筑物对象。
在本实施例中,用于获取监控区域内的每一个建筑物的特征信息的与监控区域相关联的航拍图像可以为从多个与监控区域相关联的航拍图像选取出的一个与监控区域相关联的航拍图像。
在本实施例中,在每一次判断一个监控区域是否存在违章建筑物之前,均可以预先进行一次航拍。在一次判断一个监控区域是否存在违章建筑物的过程中,可以从预先进行的一次航拍中得到的多个与该监控区域相关联的航拍图像中选取出用于获取建筑物的特征的航拍图像,然后,提取出用于获取建筑物的特征的航拍图像中的对应于建筑物的建筑物对象的特征。在一次判断一个监控区域是否存在违章建筑物的过程中,用于获取建筑物的特征的航拍图像可以为在时间上距离该次判断过程最近的一次航拍中得到的与监控区域相关联的航拍图像。
在本实施例中,当判断一个监控区域内是否存在违章建筑物时,可以首先通过用于目标检测的神经网络检测出该监控区域相关联的航拍图像中的对应于建筑物的建筑物对象,然后,对于该监控区域相关联的航拍图像中的每一个检测出的对应于建筑物的建筑物对象,分别提取与该监控区域相关联的航拍图像中的对应于建筑物的建筑物对象的多个特征,生成包含多个特征的特征信息。对于每一个检测出的建筑物对象,可以分别将建筑物对象的特征信息作为建筑物对象对应的建筑物的特征信息。换言之,在一次航拍时,拍摄到一个监控区域内的多个建筑物,相应的,与该监控区域相关联的航拍图像中包含每一个建筑物各自对应的建筑物对象。对于一个建筑物对象,可以将该建筑物对象的特征信息作为该建筑物对象对应的建筑物的特征信息,该建筑物对象的特征信息中的特征为该建筑物对象对应的建筑物的特征。
在本实施例的一些可选的实现方式中,建筑物的特征信息包括:轮廓特征、纹理特征、颜色特征。在通过用于目标检测的神经网络检测出该监控区域相关联的航拍图像中的对应于建筑物的建筑物对象之后,对于该监控区域相关联的航拍图像中的每一个检测出的对应于建筑物的建筑物对象,分别提取与该监控区域相关联的航拍图像中的对应于建筑物的建筑物对象的轮廓特征、纹理特征、颜色特征,得到建筑物对象的包含轮廓特征、纹理特征、颜色特征的特征信息。对于一个建筑物对象,可以将该建筑物对象的包含轮廓特征、纹理特征、颜色特征的特征信息作为该建筑物对象对应的建筑物的特征信息,该建筑物对象的轮廓特征、纹理特征、颜色特征分别为该建筑物对象对应的建筑物的轮廓特征、纹理特征、颜色特征。
步骤202,对于监控区域内的每一个建筑物,基于建筑物的特征信息与参考建筑物的特征信息的相似度,判断建筑物是否为违章建筑物。
在本实施例中,当判断一个监控区域内是否存在违章建筑物时,在提取与该监控区域相关联的航拍图像中的对应于建筑物的建筑物对象的特征,获取到该监控区域内的每一个建筑物的特征信息之后,对于该监控区域内的每一个建筑物,即对于检测出的该监控区域内的每一个建筑物,可以根据获取到的建筑物的特征信息和所有参考建筑物中的每一个参考建筑的特征信息的相似度,判断建筑物是否为违章建筑物,得到识别结果。对于该监控区域内的每一个建筑物,即对于检测出的该监控区域内的每一个建筑物,分别具有一个识别结果。可以在终端上向用户例如执法人员呈现每一个建筑物的识别结果。
在本实施例中,在每一次判断一个监控区域是否存在违章建筑物之前,均可以预先进行一次航拍。在一次判断一个监控区域是否存在违章建筑物的过程中,可以从预先进行的一次航拍中得到的多个与该监控区域相关联的航拍图像中选取出用于获取建筑物的特征的航拍图像,然后,提取出用于获取建筑物的特征的航拍图像中的对应于建筑物的建筑物对象的特征。在一次判断一个监控区域是否存在违章建筑物的过程中,用于获取建筑物的特征的航拍图像可以为在时间上距离该次判断过程最近的一次航拍中得到的与监控区域相关联的航拍图像。
在本实施例中,参考建筑物为与监控区域相关联的航拍图像对应的与监控区域相关联的历史航拍图像中的建筑物对象对应的建筑物。在历史识别过程中通过对与监控区域相关联的历史航拍图像进行目标检测,检测出参考建筑物。
在本实施例中,历史航拍图像并不特指某一次航拍过程中拍摄的图像,历史航拍图像是相对于在一次判断一个监控区域是否存在违章建筑物的过程中,用于获取建筑物的特征的航拍图像而言的。在一次判断一个监控区域是否存在违章建筑物的过程中,用于获取建筑物的特征的航拍图像可以为在进行该次判断该监控区域是否存在违章建筑物的过程之前预先进行的一次航拍中得到的航拍图像。用于获取建筑物的特征的航拍图像对应的历史航拍图像可以为在该次航拍的上一次航拍得到的与监控区域相关联的航拍图像。在进行一次判断一个监控区域是否存在违章建筑物的过程之后,用于获取建筑物的特征的航拍图像可以作为相对于该次判断过程的下一次判断过程中新的用于获取建筑物的特征的航拍图像对应的历史航拍图像,该次判断过程中检测出的建筑物可以作为相对于该次判断过程的下一次判断过程的参考建筑物。
在本实施例中,在一次判断一个监控区域是否存在违章建筑物的过程中,对于该监控区域内的每一个建筑物,均可以分别计算建筑物的特征信息与每一个参考建筑物的特征信息的相似度。基于获取到的建筑物的特征信息与每一个参考建筑物的特征信息的相似度,判断建筑物是否为违章建筑物。
在计算一个建筑物的获取到的特征信息与一个参考建筑物的特征信息的相似度时,可以分别生成该建筑物的特征向量和该参考建筑物的特征向量。该建筑物的特征向量中包含该建筑物的每一个特征各自对应的分量,可以计算该建筑物的特征向量和该参考建筑物的特征向量的向量相似度,将计算出的向量相似度作为该建筑物的获取到的特征信息与该参考建筑物的特征信息的相似度。
在一次判断一个监控区域是否存在违章建筑物的过程中,对于一个建筑物,在分别计算获取到的该建筑物的特征信息与每一个参考建筑物的特征信息的相似度之后,当该建筑物的特征信息与参考建筑物的特征信息的相似度中的最大值大于相似度阈值时,可以确定该建筑物和所有参考建筑物中与该建筑物在特征信息的相似度上最大的参考建筑物为同一个建筑物。当在上一次判断该监控区域是否存在违章建筑物的过程中确定该所有参考建筑物中与该建筑物在特征信息的相似度上最大的参考建筑物不是违章建筑物时,在该次判断该监控区域是否存在违章建筑物的过程中,可以确定该建筑物不是违章建筑物。当在上一次判断该监控区域是否存在违章建筑物的过程中确定该所有参考建筑物中与该建筑物在特征信息的相似度上最大的参考建筑物是违章建筑物时,可以确定该建筑物是违章建筑物,换言之,确定出该建筑物作为违章建筑物仍然没有拆除。
当多个建筑物的获取到的特征信息与同一个参考建筑物的相似度的均大于相似度阈值时,可以根据电子地图中的该多个建筑物中的每一个建筑物的标注数据和该参考建筑物的历史识别结果,确定哪一个建筑物为违章建筑物。当一个建筑物的特征信息与任意一个参考建筑物的特征信息的相似度均小于相似度阈值时,可以直接确定该建筑物为违章建筑物。也可以将该建筑物标识为疑似违章建筑物,然后,可以进一步判断该建筑物是否为新建的建筑物。例如,可以在终端上向用户例如执法人员呈现与该监控区域相关联的航拍图像,并且在与该监控区域相关联的航拍图像中对该建筑物对应的建筑物对象的轮廓、名称等进行标注,由用户判断该建筑物是否为新建的建筑物。
在本实施例的一些可选的实现方式中,在一次判断一个监控区域是否存在违章建筑物的过程中,在提取与监控区域相关联的航拍图像中的对应于建筑物的建筑物对象的特征之前,可以采用ORB(Oriented FAST and Rotated BRIEF)算法分别提取出与监控区域相关联的航拍图像中的特征点和该与监控区域相关联的航拍图像对应的与该监控区域相关联的历史航拍图像的特征点。通过RANSAC(Random Sample Consensus)算法进行与监控区域相关联的航拍图像中的特征点和该与监控区域相关联的航拍图像对应的与该监控区域相关联的历史航拍图像的特征点的匹配。基于匹配的特征点,对与监控区域相关联的航拍图像即用于获取建筑物的特征的航拍图像进行变换,得到变换后的与监控区域相关联的航拍图像。变换后的与监控区域相关联的航拍图像的尺寸与历史航拍图像的尺寸相同。变换后的与监控区域相关联的航拍图像对应的拍摄位置与历史航拍图像的对应的拍摄位置相同。变换后的与监控区域相关联的航拍图像对应的拍摄角度与历史航拍图像的对应的拍摄角度相同。然后,对于变换后的与监控区域相关联的航拍图像中的每一个建筑物对象,可以提取建筑物对象的多个特征,得到建筑物对象的特征信息,将建筑物对象的特征信息作为建筑物对象对应的建筑物的特征信息。
在本实施例的一些可选的实现方式中,可以采用全卷积神经网络(FullyConvolutional Networks,简称FCN)根据纹理、颜色等特征,检测出航拍图像中的对象。全卷积神经网络可以通过预先利用训练样本以深度学习方式进行训练得到。在全卷积神经网络中,可以根据像素的纹理、颜色等特征,对航拍图像中的每一个像素进行归类,将同一个类型的像素归为一类,即将属于同一个建筑物对象的像素归为一类。对于航拍图像中的建筑物对象,可以确定属于同一个建筑物对象的像素,检测出建筑物对象。对于一个检测出的建筑物,由于属于一个建筑物对象的所有像素的纹理、颜色等特征已经确定,因此,可以进一步确定该建筑物对象的纹理、颜色等特征,从而,提取出该建筑物对象的纹理、颜色等特征。对于每一个检测出的建筑物对象,可以生成建筑物对象对应的建筑物的特征向量,将建筑物的特征向量作为建筑物的特征信息。一个建筑物的特征向量包含提取出的该建筑物的建筑物对象的每一个特征各自对应的分量。
在一次判断一个监控区域是否存在违章建筑物的过程中,可以计算在该次判断过程中生成的建筑物的特征向量和参考建筑物之间的相似度。对于一个建筑物,即对于一个检测出的建筑物,可以计算该建筑物的特征向量与每一个参考建筑物的特征向量的相似度,当该建筑物的特征向量与参考建筑物的特征向量的相似度中的最大值大于相似度阈值时,可以确定该建筑物和所有参考建筑物中与该建筑物在特征向量的相似度上最大的参考建筑物为同一个建筑物。当在上一次判断该监控区域是否存在违章建筑物的过程中确定该所有参考建筑物中与该建筑物在特征向量的相似度上最大的参考建筑物不是违章建筑物时,在该次判断该监控区域是否存在违章建筑物的过程中,可以确定该建筑物不是违章建筑物。当在上一次判断该监控区域是否存在违章建筑物的过程中确定该所有参考建筑物中与该建筑物在特征向量的相似度上最大的参考建筑物是违章建筑物时,可以确定该建筑物是违章建筑物,换言之,确定出该建筑物作为违章建筑物仍然没有拆除。
在本实施例的一些可选的实现方式中,在向用户呈现监控区域内的每一个建筑物的识别结果之后,可以由用户例如执法人员进一步判断。当一个建筑物的识别结果为违章建筑物时,可以由用户可以进一步判断该建筑物是否为新建的建筑物或识别结果错误,当用户确认该建筑物为新建的建筑物或识别结果错误即该建筑物不是违章建筑物时,由用户的终端接收用户输入的修正指令,将该建筑物标记为合法建筑物。
例如,可以在终端上向用户例如执法人员呈现与该监控区域相关联的航拍图像,并且在与该监控区域相关联的航拍图像中对该建筑物对应的建筑物对象的轮廓、名称等进行标注,由用户判断该被识别结果为违章建筑物的建筑物是否为新建的建筑物或者识别结果错误的建筑物。当用户确认该建筑物为新建的建筑物或识别结果错误即该建筑物不是违章建筑物时,由用户的终端接收用户输入的修正指令,将该建筑物标记为合法建筑物。
请参考图3,作为对上述各图所示方法的实现,本申请提供了一种违章建筑物识别装置的一个实施例,该装置实施例与图2所示的方法实施例相对应。装置中的各个单元和单元被配置为完成的相应的操作的具体实现方式可以参考方法实施例中描述的相应的操作的具体实现方式。
如图3所示,本实施例的违章建筑物识别装置包括:获取单元301,识别单元302。其中,获取单元301被配置为获取监控区域内的每一个建筑物的特征信息,其中,所述建筑物的特征信息通过提取与监控区域相关联的航拍图像中的对应于建筑物的建筑物对象的特征而得到;识别单元302被配置为对于监控区域内的每一个建筑物,基于建筑物的特征信息与所有参考建筑物中的每一个参考建筑物的特征信息的相似度,判断建筑物是否为违章建筑物,得到识别结果,其中,识别结果指示建筑物是否为违章建筑物,其中,参考建筑物为所述与监控区域相关联的航拍图像对应的与所述监控区域相关联的历史航拍图像中的建筑物对象对应的建筑物。
在本实施例的一些可选的实现方式中,建筑物的特征信息包括:轮廓特征、纹理特征、颜色特征。
在本实施例的一些可选的实现方式中,违章建筑物识别装置还包括:提取单元,被配置为分别提取出所述与监控区域相关联的航拍图像的特征点和所述历史航拍图像的特征点;确定所述与监控区域相关联的航拍图像和所述历史航拍图像的相匹配的特征点;基于所述与监控区域相关联的航拍图像和所述历史航拍图像的相匹配的特征点,对所述与监控区域相关联的航拍图像进行变换,得到变换后的与监控区域相关联的航拍图像,其中,变换后的与监控区域相关联的航拍图像与所述历史航拍图像在以下项一致:图像尺寸、对应的拍摄位置、对应的拍摄角度;提取变换后的与监控区域相关联的航拍图像中的对应于建筑物的建筑物对象的多个特征,得到建筑物的对象的特征信息,以及将建筑物的对象的特征信息作为建筑物对象对应的建筑物的特征信息。
在本实施例的一些可选的实现方式中,获取单元进一步被配置为通过全卷积神经网络基于所述与监控区域相关联的航拍图像,检测出监控区域内的每一个建筑物;对于每一个建筑物,生成建筑物的特征向量,建筑物的特征向量包括:提取出的建筑物对应的建筑物对象的每一个特征各自对应的分量;将建筑物的特征向量作为建筑物的特征信息。
在本实施例的一些可选的实现方式中,违章建筑物识别装置还包括:标识单元,被配置为向用户呈现监控区域内的每一个建筑物的识别结果,其中,识别结果指示建筑物是否为违章建筑物;响应于接收到用户输入的包含建筑物标识的修正指令,将具有所述建筑物标识的建筑物标识为合法建筑物,其中,修正指令基于用户确定识别结果为违章建筑物的具有所述建筑物标识的建筑物不是违章建筑物或识别结果为违章建筑物的具有所述建筑物标识的建筑物为新建的建筑物而生成。
图4示出了用来实现本申请实施例的电子设备的计算机系统的结构示意图。。
如图4所示,计算机系统包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中,还存储有计算机系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:输入部分406;输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,本申请的实施例中描述的过程可以被实现为计算机程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包括用于执行流程图所示的方法的指令。该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的方法中限定的上述功能。
本申请还提供了一种电子设备,该电子设备可以配置有一个或多个处理器;存储器,用于存储一个或多个程序,一个或多个程序中可以包含用以执行上述实施例中描述的操作的指令。当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器执行上述实施例中描述的操作的指令。
本申请还提供了一种计算机可读介质,该计算机可读介质可以是电子设备中所包括的;也可以是单独存在,未装配入电子设备中。上述计算机可读介质承载有一个或者多个程序,当一个或者多个程序被电子设备执行时,使得电子设备执行上述实施例中描述的操作的指令。
需要说明的是,本申请所述的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或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中,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,该程序可以被消息执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由消息执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行消息。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机消息的组合来实现。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种违章建筑物识别方法,包括:
获取监控区域内的每一个建筑物的特征信息,其中,所述建筑物的特征信息通过提取与监控区域相关联的航拍图像中的对应于建筑物的建筑物对象的特征而得到;
对于监控区域内的每一个建筑物,基于建筑物的特征信息与所有参考建筑物中的每一个参考建筑物的特征信息的相似度,判断建筑物是否为违章建筑物,得到识别结果,其中,识别结果指示建筑物是否为违章建筑物,其中,参考建筑物为所述与监控区域相关联的航拍图像对应的与所述监控区域相关联的历史航拍图像中的建筑物对象对应的建筑物。
2.根据权利要求1所述的方法,建筑物的特征信息包括:轮廓特征、纹理特征、颜色特征。
3.根据权利要求2所述的方法,所述方法还包括:
分别提取出所述与监控区域相关联的航拍图像的特征点和所述历史航拍图像的特征点;
确定所述与监控区域相关联的航拍图像和所述历史航拍图像的相匹配的特征点;
基于所述与监控区域相关联的航拍图像和所述历史航拍图像的相匹配的特征点,对所述与监控区域相关联的航拍图像进行变换,得到变换后的与监控区域相关联的航拍图像,其中,变换后的与监控区域相关联的航拍图像与所述历史航拍图像在以下项一致:图像尺寸、对应的拍摄位置、对应的拍摄角度;
提取变换后的与监控区域相关联的航拍图像中的对应于建筑物的建筑物对象的多个特征,得到建筑物的对象的特征信息,以及将建筑物的对象的特征信息作为建筑物对象对应的建筑物的特征信息。
4.根据权利要求3所述的方法,获取监控区域内的每一个建筑物的特征信息包括:
通过全卷积神经网络基于所述与监控区域相关联的航拍图像,检测出监控区域内的每一个建筑物;
对于每一个建筑物,生成建筑物的特征向量,建筑物的特征向量包括:提取出的建筑物对应的建筑物对象的每一个特征各自对应的分量;将建筑物的特征向量作为建筑物的特征信息。
5.根据权利要求4所述的方法,所述方法还包括:
向用户呈现监控区域内的每一个建筑物的识别结果,其中,识别结果指示建筑物是否为违章建筑物;
响应于接收到用户输入的包含建筑物标识的修正指令,将具有所述建筑物标识的建筑物标识为合法建筑物,其中,修正指令基于用户确定识别结果为违章建筑物的具有所述建筑物标识的建筑物不是违章建筑物或识别结果为违章建筑物的具有所述建筑物标识的建筑物为新建的建筑物而生成。
6.一种违章建筑物识别装置,包括:
获取单元,被配置为获取监控区域内的每一个建筑物的特征信息,其中,所述建筑物的特征信息通过提取与监控区域相关联的航拍图像中的对应于建筑物的建筑物对象的特征而得到;
识别单元,被配置为对于监控区域内的每一个建筑物,基于建筑物的特征信息与所有参考建筑物中的每一个参考建筑物的特征信息的相似度,判断建筑物是否为违章建筑物,得到识别结果,其中,识别结果指示建筑物是否为违章建筑物,其中,参考建筑物为所述与监控区域相关联的航拍图像对应的与所述监控区域相关联的历史航拍图像中的建筑物对象对应的建筑物。
7.根据权利要求6所述的装置,建筑物的特征信息包括:轮廓特征、纹理特征、颜色特征。
8.根据权利要求7所述的装置,所述装置还包括:
提取单元,被配置为分别提取出所述与监控区域相关联的航拍图像的特征点和所述历史航拍图像的特征点;确定所述与监控区域相关联的航拍图像和所述历史航拍图像的相匹配的特征点;基于所述与监控区域相关联的航拍图像和所述历史航拍图像的相匹配的特征点,对所述与监控区域相关联的航拍图像进行变换,得到变换后的与监控区域相关联的航拍图像,其中,变换后的与监控区域相关联的航拍图像与所述历史航拍图像在以下项一致:图像尺寸、对应的拍摄位置、对应的拍摄角度;提取变换后的与监控区域相关联的航拍图像中的对应于建筑物的建筑物对象的多个特征,得到建筑物的对象的特征信息,以及将建筑物的对象的特征信息作为建筑物对象对应的建筑物的特征信息。
9.根据权利要求8所述的装置,获取单元进一步被配置为通过全卷积神经网络基于所述与监控区域相关联的航拍图像,检测出监控区域内的每一个建筑物;对于每一个建筑物,生成建筑物的特征向量,建筑物的特征向量包括:提取出的建筑物对应的建筑物对象的每一个特征各自对应的分量;将建筑物的特征向量作为建筑物的特征信息。
10.根据权利要求9所述的装置,所述装置还包括:
标识单元,被配置为向用户呈现监控区域内的每一个建筑物的识别结果,其中,识别结果指示建筑物是否为违章建筑物;响应于接收到用户输入的包含建筑物标识的修正指令,将具有所述建筑物标识的建筑物标识为合法建筑物,其中,修正指令基于用户确定识别结果为违章建筑物的具有所述建筑物标识的建筑物不是违章建筑物或识别结果为违章建筑物的具有所述建筑物标识的建筑物为新建的建筑物而生成。
11.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910004812.6A CN109753928B (zh) | 2019-01-03 | 2019-01-03 | 违章建筑物识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910004812.6A CN109753928B (zh) | 2019-01-03 | 2019-01-03 | 违章建筑物识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109753928A true CN109753928A (zh) | 2019-05-14 |
CN109753928B CN109753928B (zh) | 2022-03-29 |
Family
ID=66405169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910004812.6A Active CN109753928B (zh) | 2019-01-03 | 2019-01-03 | 违章建筑物识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109753928B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309727A (zh) * | 2019-06-11 | 2019-10-08 | 四川隧唐科技股份有限公司 | 一种建筑识别模型的建立、建筑识别方法和装置 |
CN110928976A (zh) * | 2019-12-05 | 2020-03-27 | 重庆商勤科技有限公司 | 水源地违法活动识别预警方法、服务器及存储介质 |
CN110969134A (zh) * | 2019-12-05 | 2020-04-07 | 重庆商勤科技有限公司 | 水源地违建识别预警方法、装置、服务器及存储介质 |
CN111368615A (zh) * | 2019-06-26 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种违章建筑预警方法、装置及电子设备 |
CN111460967A (zh) * | 2020-03-27 | 2020-07-28 | 北京百度网讯科技有限公司 | 一种违法建筑识别方法、装置、设备及存储介质 |
CN111563448A (zh) * | 2020-04-30 | 2020-08-21 | 北京百度网讯科技有限公司 | 一种违章建筑物检测方法、装置、电子设备和存储介质 |
WO2020258715A1 (zh) * | 2019-06-28 | 2020-12-30 | 深圳云天励飞技术有限公司 | 数据存储方法、装置、服务器及存储介质 |
CN112164049A (zh) * | 2020-09-28 | 2021-01-01 | 广东中科瑞泰智能科技有限公司 | 一种违建监测方法及装置 |
CN112241659A (zh) * | 2019-07-17 | 2021-01-19 | 杭州海康威视数字技术股份有限公司 | 违章建筑的检测装置和检测方法以及终端设备 |
CN112954226A (zh) * | 2021-05-11 | 2021-06-11 | 江苏瞭望神州大数据科技有限公司 | 一种识别在建工地的监测方法及系统 |
CN113505643A (zh) * | 2021-06-07 | 2021-10-15 | 浙江大华技术股份有限公司 | 违章目标物检测方法及相关装置 |
CN114219907A (zh) * | 2021-12-08 | 2022-03-22 | 阿波罗智能技术(北京)有限公司 | 三维地图生成方法、装置、设备以及存储介质 |
CN114239755A (zh) * | 2022-02-25 | 2022-03-25 | 北京智弘通达科技有限公司 | 基于深度学习的铁路沿线彩钢瓦建筑智能识别方法 |
CN115311574A (zh) * | 2022-10-12 | 2022-11-08 | 山东乾元泽孚科技股份有限公司 | 一种建筑物监测方法、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030147553A1 (en) * | 2002-02-07 | 2003-08-07 | Liang-Chien Chen | Semi-automatic reconstruction method of 3-D building models using building outline segments |
KR100795396B1 (ko) * | 2007-06-15 | 2008-01-17 | (주)한양 | 항공레이저 데이터와 수치정사영상을 이용한 도시 변화모니터링 방법 |
CN103034860A (zh) * | 2012-12-14 | 2013-04-10 | 南京思创信息技术有限公司 | 基于sift特征的违章建筑检测方法 |
CN103491351A (zh) * | 2013-09-29 | 2014-01-01 | 东南大学 | 违章建筑物的智能视频监控方法 |
CN105893972A (zh) * | 2016-04-08 | 2016-08-24 | 深圳市智绘科技有限公司 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
CN106683112A (zh) * | 2016-10-10 | 2017-05-17 | 中国交通通信信息中心 | 一种基于高分辨率图像的道路路域建筑物变化提取方法 |
CN107871125A (zh) * | 2017-11-14 | 2018-04-03 | 深圳码隆科技有限公司 | 违章建筑识别方法、装置及电子设备 |
CN108764039A (zh) * | 2018-04-24 | 2018-11-06 | 中国科学院遥感与数字地球研究所 | 神经网络、遥感影像的建筑物提取方法、介质及计算设备 |
CN108776772A (zh) * | 2018-05-02 | 2018-11-09 | 北京佳格天地科技有限公司 | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 |
CN108805864A (zh) * | 2018-05-07 | 2018-11-13 | 广东省电信规划设计院有限公司 | 基于图像数据的违章建筑物的获取方法以及装置 |
-
2019
- 2019-01-03 CN CN201910004812.6A patent/CN109753928B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030147553A1 (en) * | 2002-02-07 | 2003-08-07 | Liang-Chien Chen | Semi-automatic reconstruction method of 3-D building models using building outline segments |
KR100795396B1 (ko) * | 2007-06-15 | 2008-01-17 | (주)한양 | 항공레이저 데이터와 수치정사영상을 이용한 도시 변화모니터링 방법 |
CN103034860A (zh) * | 2012-12-14 | 2013-04-10 | 南京思创信息技术有限公司 | 基于sift特征的违章建筑检测方法 |
CN103491351A (zh) * | 2013-09-29 | 2014-01-01 | 东南大学 | 违章建筑物的智能视频监控方法 |
CN105893972A (zh) * | 2016-04-08 | 2016-08-24 | 深圳市智绘科技有限公司 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
CN106683112A (zh) * | 2016-10-10 | 2017-05-17 | 中国交通通信信息中心 | 一种基于高分辨率图像的道路路域建筑物变化提取方法 |
CN107871125A (zh) * | 2017-11-14 | 2018-04-03 | 深圳码隆科技有限公司 | 违章建筑识别方法、装置及电子设备 |
CN108764039A (zh) * | 2018-04-24 | 2018-11-06 | 中国科学院遥感与数字地球研究所 | 神经网络、遥感影像的建筑物提取方法、介质及计算设备 |
CN108776772A (zh) * | 2018-05-02 | 2018-11-09 | 北京佳格天地科技有限公司 | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 |
CN108805864A (zh) * | 2018-05-07 | 2018-11-13 | 广东省电信规划设计院有限公司 | 基于图像数据的违章建筑物的获取方法以及装置 |
Non-Patent Citations (3)
Title |
---|
JINGFANG ZHANG 等: "Dynamic Monitoring of Golf Course Land in Beijing Based on Remote Sensing Technology", 《2012 2ND INTERNATIONAL CONFERENCE ON REMOTE SENSING, ENVIRONMENT AND TRANSPORTATION ENGINEERING》 * |
曾文锋 等: "基于仿射变换模型的图像配准中的平移、旋转和缩放", 《红外与激光工程》 * |
杨磊: "基于多特征Dempster-shafer证据融合的高分辨率遥感影像建筑物变化检测", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309727B (zh) * | 2019-06-11 | 2022-02-18 | 四川隧唐科技股份有限公司 | 一种建筑识别模型的建立方法、建筑识别方法和装置 |
CN110309727A (zh) * | 2019-06-11 | 2019-10-08 | 四川隧唐科技股份有限公司 | 一种建筑识别模型的建立、建筑识别方法和装置 |
CN111368615A (zh) * | 2019-06-26 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种违章建筑预警方法、装置及电子设备 |
CN111368615B (zh) * | 2019-06-26 | 2024-04-05 | 杭州海康威视系统技术有限公司 | 一种违章建筑预警方法、装置及电子设备 |
WO2020258715A1 (zh) * | 2019-06-28 | 2020-12-30 | 深圳云天励飞技术有限公司 | 数据存储方法、装置、服务器及存储介质 |
CN112241659A (zh) * | 2019-07-17 | 2021-01-19 | 杭州海康威视数字技术股份有限公司 | 违章建筑的检测装置和检测方法以及终端设备 |
CN110928976A (zh) * | 2019-12-05 | 2020-03-27 | 重庆商勤科技有限公司 | 水源地违法活动识别预警方法、服务器及存储介质 |
CN110969134A (zh) * | 2019-12-05 | 2020-04-07 | 重庆商勤科技有限公司 | 水源地违建识别预警方法、装置、服务器及存储介质 |
CN110928976B (zh) * | 2019-12-05 | 2022-12-23 | 重庆商勤科技有限公司 | 水源地违法活动识别预警方法、服务器及存储介质 |
CN111460967A (zh) * | 2020-03-27 | 2020-07-28 | 北京百度网讯科技有限公司 | 一种违法建筑识别方法、装置、设备及存储介质 |
CN111460967B (zh) * | 2020-03-27 | 2024-03-22 | 北京百度网讯科技有限公司 | 一种违法建筑识别方法、装置、设备及存储介质 |
WO2021189870A1 (zh) * | 2020-03-27 | 2021-09-30 | 北京百度网讯科技有限公司 | 违法建筑识别方法、装置、设备及存储介质 |
CN111563448A (zh) * | 2020-04-30 | 2020-08-21 | 北京百度网讯科技有限公司 | 一种违章建筑物检测方法、装置、电子设备和存储介质 |
CN111563448B (zh) * | 2020-04-30 | 2023-10-31 | 北京百度网讯科技有限公司 | 一种违章建筑物检测方法、装置、电子设备和存储介质 |
CN112164049A (zh) * | 2020-09-28 | 2021-01-01 | 广东中科瑞泰智能科技有限公司 | 一种违建监测方法及装置 |
CN112954226A (zh) * | 2021-05-11 | 2021-06-11 | 江苏瞭望神州大数据科技有限公司 | 一种识别在建工地的监测方法及系统 |
CN113505643A (zh) * | 2021-06-07 | 2021-10-15 | 浙江大华技术股份有限公司 | 违章目标物检测方法及相关装置 |
CN114219907A (zh) * | 2021-12-08 | 2022-03-22 | 阿波罗智能技术(北京)有限公司 | 三维地图生成方法、装置、设备以及存储介质 |
CN114239755A (zh) * | 2022-02-25 | 2022-03-25 | 北京智弘通达科技有限公司 | 基于深度学习的铁路沿线彩钢瓦建筑智能识别方法 |
CN115311574A (zh) * | 2022-10-12 | 2022-11-08 | 山东乾元泽孚科技股份有限公司 | 一种建筑物监测方法、设备及介质 |
CN115311574B (zh) * | 2022-10-12 | 2023-02-07 | 山东乾元泽孚科技股份有限公司 | 一种建筑物监测方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109753928B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109753928A (zh) | 违章建筑物识别方法和装置 | |
CN106920279B (zh) | 三维地图构建方法和装置 | |
CN109508681A (zh) | 生成人体关键点检测模型的方法和装置 | |
CN108171207A (zh) | 基于视频序列的人脸识别方法和装置 | |
CN106033601B (zh) | 检测异常情形的方法和装置 | |
CN110378264A (zh) | 目标跟踪方法及装置 | |
CN108830235A (zh) | 用于生成信息的方法和装置 | |
CN112052186B (zh) | 目标检测方法、装置、设备以及存储介质 | |
CN111914812B (zh) | 图像处理模型训练方法、装置、设备及存储介质 | |
CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
CN107911753A (zh) | 用于在视频中添加数字水印的方法和装置 | |
CN108734185A (zh) | 图像校验方法和装置 | |
CN108416902A (zh) | 基于差异识别的实时物体识别方法和装置 | |
CN108132054A (zh) | 用于生成信息的方法和装置 | |
CN108171208A (zh) | 信息获取方法和装置 | |
CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
CN112381104A (zh) | 一种图像识别方法、装置、计算机设备及存储介质 | |
Porzi et al. | Learning contours for automatic annotations of mountains pictures on a smartphone | |
CN108389172A (zh) | 用于生成信息的方法和装置 | |
CN111067522A (zh) | 大脑成瘾结构图谱评估方法及装置 | |
CN109961472A (zh) | 3d热力图生成的方法、系统、存储介质及电子设备 | |
CN109871791A (zh) | 图像处理方法和装置 | |
CN110110666A (zh) | 目标检测方法和装置 | |
CN108492284A (zh) | 用于确定图像的透视形状的方法和装置 | |
CN108985178A (zh) | 用于生成信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |