CN110298253A - 一种基于人口大数据的城市建筑体虚拟显示方法及系统 - Google Patents
一种基于人口大数据的城市建筑体虚拟显示方法及系统 Download PDFInfo
- Publication number
- CN110298253A CN110298253A CN201910464621.8A CN201910464621A CN110298253A CN 110298253 A CN110298253 A CN 110298253A CN 201910464621 A CN201910464621 A CN 201910464621A CN 110298253 A CN110298253 A CN 110298253A
- Authority
- CN
- China
- Prior art keywords
- population
- building body
- building
- target cities
- big data
- 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 35
- 238000010276 construction Methods 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 7
- 230000037237 body shape Effects 0.000 claims description 6
- 238000005086 pumping Methods 0.000 claims description 2
- 238000009435 building construction Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
- G06V20/39—Urban scenes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供一种基于人口大数据的城市建筑体虚拟显示方法,包括:获取目标城市的当前人口大数据,所述当前人口大数据反映所述目标城市的整体人口总量;获取所述目标城市的卫星航拍实景图,从所述实景图中提取所述目标城市中的每个建筑体的图像;根据每个建筑体的图像确定对应建筑的类型和体量,并根据对应建筑的类型和体量预测该建筑的人口容量;根据所述目标城市的当前人口大数据和对应建筑的人口容量确定每个建筑体的实时动态人口信息;将实时动态人口信息叠加显示在对应建筑体的卫星航拍实景图中。通过在卫星航拍的实景图中显示建筑体相关联的实时动态人口信息,实现了根据城区各个建筑体关联的实时动态人口信息进行公共资源的调配。
Description
技术领域
本申请涉及智慧城市技术领域,尤其涉及一种基于人口大数据的城市建筑体虚拟显示方法及系统。
背景技术
智慧城市运用大数据、图像识别、人工智能等技术手段,面向构成城市体中的建筑、社区、道路、河道、山林、绿地等实体,实现海量、多源头、多类型数据的实时或者非实时采集、存储、处理、分析以及应用,从而在城市规划、交通指挥、公共资源调配、市政管理、商业服务等很多方面能够以高精确度的信息作为基础依托,进行科学量化、预测性强的计划和实施。
目前通过高分辨率成像卫星或者飞机、无人机航拍等手段获取的城市建筑体实景图已经全面放开实际应用,在城市规划、交通指挥、公共资源调配、市政管理、商业服务等方面不断发挥有益作用。相比于一般的图标式、色块式地图来说,城市建筑体实景图展示更为直观具体,传递的信息更多。例如,图4示出了一幅城市建筑体实景图,其中显示了一定城区范围内存在的“安福公寓”、“佳和公寓”、“佳宇大厦”、“汉东大厦”、“龙力大厦”等建筑体的名称、实景外观以及周边的道路、绿地等环境信息。
在上述城市规划、交通指挥、公共资源调配、市政管理、商业服务等方面的应用当中,如果能够在实景图当中展示出建筑体相关联的实时动态人口信息是非常有用的。比如在公交车班次、出租车调度等公共资源调配中,可以根据某一城区范围内各个建筑体关联的实时动态人口信息决定对应区域的资源配给量。又例如,在室内广告、连锁餐饮等商业服务中可以根据各建筑体关联的实时动态人口信息决定广告投放量或备餐量。因而,能够展示人口信息的实景图可以提供非常直观的参考。
但是,目前的城市建筑体实景图还只能展示出建筑体的名称、实景外观、道路和环境等信息,尚不能完全满足上述应用的需求。
发明内容
有鉴于此,本申请的目的在于提出一种基于人口大数据的城市建筑体虚拟显示方法及系统,通过在航拍的实景图中显示建筑体相关联的实时动态人口信息,以实现根据某一城区范围内各个建筑体关联的实时动态人口信息进行公共资源的调配。
基于上述目的,在本申请的第一个方面,提出了一种基于人口大数据的城市建筑体虚拟显示方法,包括:
获取目标城市的当前人口大数据,所述当前人口大数据反映所述目标城市的整体人口总量;
获取所述目标城市的卫星航拍实景图,从所述实景图中提取所述目标城市中的每个建筑体的图像;
根据每个建筑体的图像确定对应建筑的类型和体量,并根据对应建筑的类型和体量预测该建筑的人口容量;
根据所述目标城市的当前人口大数据和对应建筑的人口容量确定每个建筑体的实时动态人口信息;
将实时动态人口信息叠加显示在对应建筑体的卫星航拍实景图中。
在一些实施例中,所述获取目标城市的当前人口大数据,包括:
根据人口普查大数据确定所述目标城市的整体人口基数,根据所述目标城市的公共交通流量确定所述目标城市的人口输入输出变化量,将整体人口基数和人口输入输出变化量结合,确定所述目标城市的当前人口大数据。
在一些实施例中,所述获取目标城市的当前人口大数据,包括:
根据所述目标城市的物业统计数据确定所述目标城市的整体人口基数,根据所述目标城市的公共交通流量确定所述目标城市的人口输入输出变化量,将整体人口基数和人口输入输出变化量结合,确定所述目标城市的当前人口大数据。
在一些实施例中,所述从所述实景图中提取所述目标城市中的每个建筑体的图像,包括:
从所述实景图中通过康尼算子检测出图像边缘,使用改进的霍夫算法进行直线的抽取,按照预设规则对直线之间的关系进行检测然后生成直线关系图,搜索整个关系图从而生成检测出的建筑体的图像。
在一些实施例中,所述根据每个建筑体的图像确定对应建筑的类型和体量,并根据对应建筑的类型和体量预测该建筑的人口容量,包括:
对于多个建筑体中的一个,利用预先训练的神经网络模型对该建筑体的图像的形状特征进行分类,确定建筑体所属的类型,根据该建筑体的楼层和面积确定该建筑体的体量,根据该建筑体的类型和体量确定对应的人口容量。
在一些实施例中,所述根据每个建筑体的图像确定对应建筑的类型和体量,并根据对应建筑的类型和体量预测该建筑的人口容量,包括:
对于多个建筑体中的一个,将该建筑体的图像的形状特征与标记了每个建筑体形状以及其类型的GIS电子地图进行匹配,确定该建筑体的类型,根据该建筑体的楼层和面积确定该建筑体的体量,根据该建筑体的类型和体量确定对应的人口容量。
在一些实施例中,所述将实时动态人口信息叠加显示在对应建筑体的卫星航拍实景图中,包括:
将实时动态人口数值叠加显示在对应建筑体的卫星航拍实景图中。
在一些实施例中,所述将实时动态人口信息叠加显示在对应建筑体的卫星航拍实景图中,包括:
将表示人口密集度的半透明色块叠加显示在对应建筑体的卫星航拍实景图中,不同颜色的半透明色块表征不同的人口密集度。
基于上述目的,在本申请的第二个方面,提出了一种基于人口大数据的城市建筑体虚拟显示系统,包括:
人口大数据获取模块,用于获取目标城市的当前人口大数据,所述当前人口大数据反映所述目标城市的整体人口总量;
建筑体图像提取模块,用于获取所述目标城市的卫星航拍实景图,从所述实景图中提取所述目标城市中的每个建筑体的图像;
人口容量预测模块,用于根据每个建筑体的图像确定对应建筑的类型和体量,并根据对应建筑的类型和体量预测该建筑的人口容量;
实时动态人口信息确定模块,用于根据所述目标城市的当前人口大数据和对应建筑的人口容量确定每个建筑体的实时动态人口信息;
显示模块,用于将实时动态人口信息叠加显示在对应建筑体的卫星航拍实景图中。
在一些实施例中,所述建筑体图像提取模块具体用于:
从所述实景图中过康尼算子检测出图像边缘,使用改进的霍夫算法进行直线的抽取,按照预设规则对直线之间的关系进行检测然后生成直线关系图,搜索整个关系图从而生成检测出的建筑体的图像。
本申请实施例提供一种基于人口大数据的城市建筑体虚拟显示方法及系统,其中方法包括:获取目标城市的当前人口大数据,所述当前人口大数据反映所述目标城市的整体人口总量;获取所述目标城市的卫星航拍实景图,从所述实景图中提取所述目标城市中的每个建筑体的图像;根据每个建筑体的图像确定对应建筑的类型和体量,并根据对应建筑的类型和体量预测该建筑的人口容量;根据所述目标城市的当前人口大数据和对应建筑的人口容量确定每个建筑体的实时动态人口信息;将实时动态人口信息叠加显示在对应建筑体的卫星航拍实景图中。本申请实施例的基于人口大数据的城市建筑体虚拟显示方法及系统,通过在卫星航拍的实景图中显示建筑体相关联的实时动态人口信息,实现了根据城区各个建筑体关联的实时动态人口信息进行公共资源的调配。
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是本申请实施例一的基于人口大数据的城市建筑体虚拟显示方法的流程图;
图2是本申请实施例二的基于人口大数据的城市建筑体虚拟显示方法的流程图;
图3是本申请实施例三的基于人口大数据的城市建筑体虚拟显示系统的结构示意图;
图4是现有技术中的城市建筑体实景图示例。
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。
如图1所示,是本申请实施例一的基于人口大数据的城市建筑体虚拟显示方法的流程图。本实施例的基于人口大数据的城市建筑体虚拟显示方法,可以应用于城市规划、交通指挥、公共资源调配、市政管理、商业服务等方面的应用当中,在通过卫星或者飞机、无人机航拍实景图中,在建筑体实景图的每栋建筑体图像中叠加显示该建筑体关联的实时动态人口信息,从而更有利于航拍实景图在城市规划、交通指挥、公共资源调配、市政管理、商业服务等方面的应用。
从图1中可以看出,本实施例的基于人口大数据的城市建筑体虚拟显示方法,可以包括以下步骤:
S101:获取目标城市范围内的当前人口大数据,所述当前人口大数据反映所述目标城市范围内的整体人口总量。
具体地,当利用本实施例的方法对航拍实景图中的每栋建筑体图像叠加显示该建筑体关联的实时动态人口信息时,首先需要获取目标城市范围内的当前人口大数据,所述当前人口大数据反映所述目标城市范围内的整体人口总量。在获取目标城市范围内的当前人口大数据时,例如可以基于人口普查大数据获得,也可以根据目标城市范围内的物业统计数据获得该城市范围内总体的人口数据,例如根据目标城市范围内的各个商业或者住宅物业的业主和出租登记获取总体的人口数据。
S102:获取所述目标城市范围的航拍实景图,从所述实景图中提取所述目标城市范围中的每个建筑体的图像。
在获取到目标城市范围的当前人口大数据后,可以进一步获取目标城市范围的卫星或者飞机、无人机航拍实景图,对于不具备航拍能力的用户则可以获取第三方提供的航拍实景图,例如,可以从卫星遥感单位的网页或数据库上获取目标城市的卫星航拍实景图,或者也可以从带有航拍实景地图功能的软件中获取,例如谷歌地图等。在获取到所述目标城市范围的航拍实景图后,可以从所述实景图中提取所述目标城市中的每个建筑体的图像。例如,可以从所述实景图中通过康尼(Canny)算子检测出图像边缘,使用改进的霍夫变换(HoughTransform)算法进行直线的抽取,按照预设规则对直线之间的关系进行检测然后生成直线关系图,搜索整个关系图从而生成检测出的建筑体的图像。具体地,可以划分为三个阶段:
第一阶段,直线抽取。在第一阶段,航拍实景图中的图像边缘像素通过Canny算子被检测出来,并使用改进的霍夫变换算法进行直线的抽取,从而取得建筑体的边缘轮廓。例如,图像边缘像素由Canny-Petrou-Kittler(CPK)边缘滤器检测。然后通过改进的霍夫变换(HT)提取其中属于直线边缘的像素。本发明当中对建筑体边缘检测和轮廓的生成基于以下的假设:在航拍实景图的鸟瞰视角下,看到的建筑体的屋顶及其外立面可以使用多边形来进行描述。所以在这个前提下,应该从图像的边缘像素当中进一步抽取尽可能多的直线像素。故而,本发明使用了改进的霍夫变换作进行直线像素的提取。本发明所采用的改进的霍夫变换是在进行霍夫变换之前,先使用一个边界跟踪算法来提取Canny算子检测的连续边缘并把边缘进行分类,通过分类确定彼此连通的边缘像素以及非连通的边缘像素。在霍夫变换中,使用局部化的方法将直线检测出来。如果使用一般的霍夫变换在全局范围内进行直线的检测,只能检测出较长的直线,对于众多较短的直线的效果并不理想。因此,本发明的改进的霍夫变换算法先将通过边界跟踪对边缘像素进行分类,然后对每一段连通的边缘像素点集使用霍夫变换,从而减少处理的数据量和降低检测误差的比率。在这个阶段的最后,为每条直线的端点进行标记,从而为下一阶段的处理做出准备。在第一阶段还可以执行直线属性的添加;先定义了一个存储直线信息的数据结构,然后为每条直线添加一些附属的属性信息,属性信息可以包括直线的颜色和方向。每条直线有四个颜色信息,每条直线的每个端点的两侧各有一个颜色的信息。计算处于直线端点附近一个小邻域内的像素的平均颜色,即平均的灰度值,作为端点的颜色属性。另一种属性是方向;设顺时针方向为正方向,并初始化它们为零。
第二阶段,直线关系图生成。在第二阶段,对直线之间的关系进行检测然后生成直线关系图。直线间的关系可以被划分为三类:相连的,不相连的,以及平行的。一条特定的直线只与其某一邻域内的某一直线存在相互的关系。依据以下几点规则,生成直线关系图:1、当两条直线端点中的一个端点间的距离小于某一给定的阀值并且它们之间的斜率差也小于某一给定的阀值时,认为它们属于同一条直线,将其连接起来;2、对每条直线,根据其长度确定其搜索的邻域区域,减少计算量,一般为直线长度的5%-10%;3、如果两条直线某一端点的颜色属性相似,标记两条直线属于同一对象。直线的关系被存放在一张关系图中,图的节点代表直线,直线间的关系用一条弧来表示;4、直线的方向以闭合多边形的顺时针为正方向。
第三阶段,候选建筑物生成。在最后的阶段,搜索整个关系图从而生成检测出的建筑物。在生成直线关系图后,得到了图像二维的信息。将一个封闭的多边形作为一个具有较高可能性的候选的建筑物对象,对于未闭合,但由直线连接的对象,给予它们较低的可能性作为候选建筑物,并且忽略单条的直线线路。通过上述三个阶段,可以从所述实景图中提取所述目标城市中的每个建筑体的图像。
S103:根据每个建筑体的图像确定对应建筑体的类型和体量,并根据对应建筑体的类型和体量预测该建筑的人口容量。
在本实施例中,当从所述实景图中提取所述目标城市范围中的每个建筑体的图像后,可以根据每个建筑体的图像确定对应建筑的类型和体量,然后再根据对应建筑的类型和体量预测该建筑的人口容量。
具体地,对于多个建筑体中的一个,可以利用预先训练的神经网络模型对该建筑体的图像的形状特征进行分类,确定建筑体所属的类型。本实施例中的神经网络模型是以大量已知类型的建筑体的图像为学习样本并作为输入,对神经网络模型进行训练,输出为建筑体的类型,将输出的建筑体的类型与已知的建筑体的对应的类型进行对比,根据对比结果对神经网络模型的各层参数进行修正,重复上述过程,直到输出的神经网络模型的建筑体的类型与输入的建筑体的图像的类型相似度满足预设条件,则完成对神经网络模型的训练。然后利用训练完成的神经网络模型对建筑体的图像的形状特征进行分类,确定建筑体所属的类型。在确定了建筑体所属的类型后,可以进一步确定每个建筑体的楼层数和占地面积等参数。在后续的步骤中可以根据对应建筑体的类型和体量预测该建筑的人口容量。
S104:根据所述目标城市范围的当前人口大数据和对应建筑的人口容量确定每个建筑体的实时动态人口信息。
在本步骤中,首先,在步骤S104A中,根据步骤S103中确定的建筑体的类型,从目标城市范围的全部建筑体中排除无效建筑体,确定有效建筑体。无效建筑体指的是目标城市范围中的废弃建筑、在建建筑。排除无效建筑体后,目标城市范围内的其它建筑体作为有效建筑体。
进而,在步骤S104B中,根据步骤S103中确定的建筑体的类型、楼层数、占地面积等参数,确定目标城市范围内每个有效建筑体对应的人口分配动态系数。
在本发明中,可以根据每个有效建筑体的类型(住宅、写字楼)、楼层数、占地面积,设定一个针对该有效建筑体的人口分配动态系数。具体来说,可以根据经验数值、为不同类型、楼层数范围以及占地面积范围的建筑体预置相应的人口分配动态系数,进而,根据本步骤中为每个有效建筑体分析所得的类型(住宅、写字楼)、楼层数、占地面积,对应查询预置的相应人口分配动态系数。
然后,步骤S104C,根据所述目标城市范围的当前人口大数据以及基于步骤S104B所确定的每个有效建筑体对应的人口分配动态系数,估算出每个有效建筑体上分配的初步实时动态人口数量。
具体地,根据步骤104B中所确定的与有效房屋建筑的居住类型、层数、占地面积相应的人口分配动态系数,将目标城市范围的当前人口分配到该区域内有效房屋建筑上。通过计算每一个有效房屋建筑上所分配的当前人口数据,可以得到该区域内人口精细化分布的状态。
其中,所述预设公式如下:
其中,为所述有效房屋建筑的初步实时动态人口数量,为相应人口分配动态系数,为所述目标城市范围内的整体人口总量,为该有效房屋建筑的楼层数,为该有效房屋建筑的占地面积,为所述目标区域内该类型房屋建筑的总建筑面积和。
该方法以有效房屋建筑为载体,得到该区域的精细化模拟人口分布数据,打破了以格网呈现人口的传统。
步骤104D,将估算出的实时动态人口数量与绝对参照值和/或参照相对值进行对比,计算估算误差,并按照预设的误差纠正算法对所述初步实时动态人口数量进行纠正,获得针对每个有效建筑体最终估计的实时动态人口数量;将目标城市范围内的全部有效建筑体最终估计的实时动态人口数量作为所述实时动态人口信息。
以街道为统计单元,汇总单元时间内为有效房屋建筑物分配的人口,与人口大数据对比,计算相对误差,并按照预设的误差纠正算法对所述初步实时动态人口数量进行纠正,获得针对每个有效建筑体最终估计的实时动态人口数量;将目标城市范围内的全部有效建筑体最终估计的实时动态人口数量作为所述实时动态人口信息。
S105:将实时动态人口信息叠加显示在对应建筑体的航拍实景图中。
在确定了实时动态人口信息后,可以将实时动态人口信息叠加显示在对应建筑体的航拍实景图中的对应建筑体上。
本实施例的基于人口大数据的城市建筑体虚拟显示方法,通过在卫星航拍的实景图中显示建筑体相关联的实时动态人口信息,实现了根据城区各个建筑体关联的实时动态人口信息进行公共资源的调配。
如图2所示,是本申请实施例二的基于人口大数据的城市建筑体虚拟显示方法的流程图。本实施例的基于人口大数据的城市建筑体虚拟显示方法,包括:
S201:根据人口普查大数据确定所述目标城市的整体人口基数,根据所述目标城市的公共交通流量确定所述目标城市的人口输入输出变化量,将整体人口基数和人口输入输出变化量结合,确定所述目标城市的当前人口大数据。
在本实施中,采用根据人口普查大数据确定所述目标城市的整体人口基数。由于目标城市的当前人口大数据是由所述目标城市的整体人口基数和所述目标城市的人口输入输出变化量共同决定的,因此,在确定所述目标城市的整体人口基数后,还要进一步确定所述目标城市的人口输入输出变化量。具体地,人口输入输出变化量可以根据目标城市的公共交通流量确定,例如公交流通量、地铁流动量、公路车辆流通量等,此外,还可以包括火车流通量和机场流通量。
当然,本申请的其他实施例中,目标城市的整体人口基数也可以通过所述目标城市的物业统计数据确定。此外,还可以通过其他类似的方法确定目标城市的整体人口基数,这里不再一一列举。
S202:获取所述目标城市的卫星航拍实景图,从所述实景图中通过康尼算子检测出图像边缘,使用改进的霍夫算法进行直线的抽取,按照预设规则对直线之间的关系进行检测然后生成直线关系图,搜索整个关系图从而生成检测出的建筑体的图像。具体实现过程参见实施例一,这里不再重复赘述。
S203:对于多个建筑体中的一个,利用预先训练的神经网络模型对该建筑体的图像的形状特征进行分类,确定建筑体所属的类型,根据该建筑体的楼层和面积确定该建筑体的体量,根据该建筑体的类型和体量确定对应的人口容量。
本实施例中的神经网络模型是以大量已知类型的建筑体的图像为学习样本并作为输入,对神经网络模型进行训练,输出为建筑体的类型,将输出的建筑体的类型与已知的建筑体的对应的类型进行对比,根据对比结果对神经网络模型的各层参数进行修正,重复上述过程,直到输出的神经网络模型的建筑体的类型与输入的建筑体的图像的类型相似度满足预设条件,则完成对神经网络模型的训练。然后利用训练完成的神经网络模型对建筑体的图像的形状特征进行分类,确定建筑体所属的类型。在确定了建筑体所属的类型后,可以进一步确定每个建筑体的楼层数和占地面积等参数,并根据对应建筑的类型和体量预测该建筑的人口容量。
此外,在本申请的一些其他实施例中,对于多个建筑体中的一个,还可以将该建筑体的图像的形状特征与标记了每个建筑体形状以及其类型的GIS电子地图进行匹配,确定该建筑体的类型,根据该建筑体的楼层和面积确定该建筑体的体量,根据该建筑体的类型和体量确定对应的人口容量。
S204:根据所述目标城市的当前人口大数据和对应建筑的人口容量确定每个建筑体的实时动态人口信息。
S205:将实时动态人口数值叠加显示在对应建筑体的卫星航拍实景图中。
本实施例采用将实时动态人口数值叠加显示在对应建筑体的卫星航拍实景图中。此外,在本申请的其他实施例中,该步骤还可以是将表示人口密集度的半透明色块叠加显示在对应建筑体的卫星航拍实景图中,不同颜色的半透明色块表征不同的人口密集度。例如,半透明色块可以包括绿色、黄色和橙色,其中绿色表示人口密集度较低,黄色表示人口密集度适中,橙色表示人口密集度较高。此外,还可以是其他不同颜色的半透明色块,半透明色块也可以相应的增加或减少,这里不再一一列举。
本实施例的基于人口大数据的城市建筑体虚拟显示方法,通过在卫星航拍的实景图中显示建筑体相关联的实时动态人口信息,实现了根据城区各个建筑体关联的实时动态人口信息进行公共资源的调配。
如图3所示,是本申请实施例三的基于人口大数据的城市建筑体虚拟显示系统的结构示意图。本实施例的基于人口大数据的城市建筑体虚拟显示系统,包括:
人口大数据获取模块301,用于获取目标城市的当前人口大数据,所述当前人口大数据反映所述目标城市的整体人口总量。
具体的,可以根据人口普查大数据确定所述目标城市的整体人口基数,根据所述目标城市的公共交通流量确定所述目标城市的人口输入输出变化量,将整体人口基数和人口输入输出变化量结合,确定所述目标城市的当前人口大数据。或者,也可以根据所述目标城市的物业统计数据确定所述目标城市的整体人口基数,根据所述目标城市的公共交通流量确定所述目标城市的人口输入输出变化量,将整体人口基数和人口输入输出变化量结合,确定所述目标城市的当前人口大数据。
建筑体图像提取模块302,用于获取所述目标城市的卫星航拍实景图,从所述实景图中提取所述目标城市中的每个建筑体的图像。
可以从网页上获取目标城市的卫星航拍实景图,或者也可以从智能手机上的带有地图功能的软件中获取,例如谷歌地图等。在获取到所述目标城市的卫星航拍实景图后,可以从所述实景图中提取所述目标城市中的每个建筑体的图像。可以从所述实景图中通过康尼算子检测出图像边缘,使用改进的霍夫算法进行直线的抽取,按照预设规则对直线之间的关系进行检测然后生成直线关系图,搜索整个关系图从而生成检测出的建筑体的图像。具体过程参见实施例一,这里不再展开说明。
人口容量预测模块303,用于根据每个建筑体的图像确定对应建筑的类型和体量,并根据对应建筑的类型和体量预测该建筑的人口容量。
对于多个建筑体中的一个,可以利用预先训练的神经网络模型对该建筑体的图像的形状特征进行分类,确定建筑体所属的类型,根据该建筑体的楼层和面积确定该建筑体的体量,根据该建筑体的类型和体量确定对应的人口容量。或者,也可以将该建筑体的图像的形状特征与标记了每个建筑体形状以及其类型的GIS电子地图进行匹配,确定该建筑体的类型,根据该建筑体的楼层和面积确定该建筑体的体量,根据该建筑体的类型和体量确定对应的人口容量。
实时动态人口信息确定模块304,用于根据所述目标城市的当前人口大数据和对应建筑的人口容量确定每个建筑体的实时动态人口信息。
显示模块305,用于将实时动态人口信息叠加显示在对应建筑体的卫星航拍实景图中。
具体地,可以将实时动态人口数值叠加显示在对应建筑体的卫星航拍实景图中。或者,将表示人口密集度的半透明色块叠加显示在对应建筑体的卫星航拍实景图中,不同颜色的半透明色块表征不同的人口密集度。
本申请实施例的基于人口大数据的城市建筑体虚拟显示系统,能取得与上述方法实施例相类似的技术效果,这里不再重复赘述。
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上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 (10)
1.一种基于人口大数据的城市建筑体虚拟显示方法,其特征在于,包括:
获取目标城市的当前人口大数据,所述当前人口大数据反映所述目标城市的整体人口总量;
获取所述目标城市的卫星航拍实景图,从所述实景图中提取所述目标城市中的每个建筑体的图像;
根据每个建筑体的图像确定对应建筑的类型和体量,并根据对应建筑的类型和体量预测该建筑的人口容量;
根据所述目标城市的当前人口大数据和对应建筑的人口容量确定每个建筑体的实时动态人口信息;
将实时动态人口信息叠加显示在对应建筑体的卫星航拍实景图中。
2.根据权利要求1所述的方法,其特征在于,所述获取目标城市的当前人口大数据,包括:
根据人口普查大数据确定所述目标城市的整体人口基数,根据所述目标城市的公共交通流量确定所述目标城市的人口输入输出变化量,将整体人口基数和人口输入输出变化量结合,确定所述目标城市的当前人口大数据。
3.根据权利要求1所述的方法,其特征在于,所述获取目标城市的当前人口大数据,包括:
根据所述目标城市的物业统计数据确定所述目标城市的整体人口基数,根据所述目标城市的公共交通流量确定所述目标城市的人口输入输出变化量,将整体人口基数和人口输入输出变化量结合,确定所述目标城市的当前人口大数据。
4.根据权利要求2或3所述的方法,其特征在于,所述从所述实景图中提取所述目标城市中的每个建筑体的图像,包括:
从所述实景图中通过康尼算子检测出图像边缘,使用改进的霍夫算法进行直线的抽取,按照预设规则对直线之间的关系进行检测然后生成直线关系图,搜索整个关系图从而生成检测出的建筑体的图像。
5.根据权利要求4所述的方法,其特征在于,所述根据每个建筑体的图像确定对应建筑的类型和体量,并根据对应建筑的类型和体量预测该建筑的人口容量,包括:
对于多个建筑体中的一个,利用预先训练的神经网络模型对该建筑体的图像的形状特征进行分类,确定建筑体所属的类型,根据该建筑体的楼层和面积确定该建筑体的体量,根据该建筑体的类型和体量确定对应的人口容量。
6.根据权利要求4所述的方法,其特征在于,所述根据每个建筑体的图像确定对应建筑的类型和体量,并根据对应建筑的类型和体量预测该建筑的人口容量,包括:
对于多个建筑体中的一个,将该建筑体的图像的形状特征与标记了每个建筑体形状以及其类型的GIS电子地图进行匹配,确定该建筑体的类型,根据该建筑体的楼层和面积确定该建筑体的体量,根据该建筑体的类型和体量确定对应的人口容量。
7.根据权利要求6所述的方法,其特征在于,所述将实时动态人口信息叠加显示在对应建筑体的卫星航拍实景图中,包括:
将实时动态人口数值叠加显示在对应建筑体的卫星航拍实景图中。
8.根据权利要求6所述的方法,其特征在于,所述将实时动态人口信息叠加显示在对应建筑体的卫星航拍实景图中,包括:
将表示人口密集度的半透明色块叠加显示在对应建筑体的卫星航拍实景图中,不同颜色的半透明色块表征不同的人口密集度。
9.一种基于人口大数据的城市建筑体虚拟显示系统,其特征在于,包括:
人口大数据获取模块,用于获取目标城市的当前人口大数据,所述当前人口大数据反映所述目标城市的整体人口总量;
建筑体图像提取模块,用于获取所述目标城市的卫星航拍实景图,从所述实景图中提取所述目标城市中的每个建筑体的图像;
人口容量预测模块,用于根据每个建筑体的图像确定对应建筑的类型和体量,并根据对应建筑的类型和体量预测该建筑的人口容量;
实时动态人口信息确定模块,用于根据所述目标城市的当前人口大数据和对应建筑的人口容量确定每个建筑体的实时动态人口信息;
显示模块,用于将实时动态人口信息叠加显示在对应建筑体的卫星航拍实景图中。
10.根据权利要求9所述的系统,其特征在于,所述建筑体图像提取模块具体用于:
从所述实景图中过康尼算子检测出图像边缘,使用改进的霍夫算法进行直线的抽取,按照预设规则对直线之间的关系进行检测然后生成直线关系图,搜索整个关系图从而生成检测出的建筑体的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464621.8A CN110298253B (zh) | 2019-05-30 | 2019-05-30 | 一种基于人口大数据的城市建筑体虚拟显示方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464621.8A CN110298253B (zh) | 2019-05-30 | 2019-05-30 | 一种基于人口大数据的城市建筑体虚拟显示方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298253A true CN110298253A (zh) | 2019-10-01 |
CN110298253B CN110298253B (zh) | 2020-09-11 |
Family
ID=68027353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910464621.8A Active CN110298253B (zh) | 2019-05-30 | 2019-05-30 | 一种基于人口大数据的城市建筑体虚拟显示方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298253B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017427A (zh) * | 2022-08-09 | 2022-09-06 | 广州海普网络科技有限公司 | 一种地理位置信息推荐处理方法及系统 |
CN117521908A (zh) * | 2023-11-20 | 2024-02-06 | 深圳技术大学 | 一种城市空间区域适配性评估方法、系统及终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359403A (zh) * | 2008-07-28 | 2009-02-04 | 上海同盛工程建设配套管理有限公司 | 一种从卫星图片中提取建筑物轮廓的方法 |
US20140270355A1 (en) * | 2013-03-14 | 2014-09-18 | Alex Terrazas | Methods and apparatus to estimate demography based on aerial images |
US20150063629A1 (en) * | 2013-08-29 | 2015-03-05 | Digitalglobe, Inc. | Generation of high resolution population density estimation cells through exploitation of high resolution satellite image data and low resolution population density data sets |
CN104484677A (zh) * | 2014-12-31 | 2015-04-01 | 贵州东方世纪科技股份有限公司 | 一种利用卫星影像分析人口数据信息的方法 |
CN106708962A (zh) * | 2016-11-30 | 2017-05-24 | 中山大学 | 一种基于建筑物属性的城市人口分布方法 |
CN107229913A (zh) * | 2017-05-23 | 2017-10-03 | 国家地理空间信息中心 | 基于高分卫星遥感数据结合建筑高度的人口密度分析系统 |
CN108871286A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院遥感与数字地球研究所 | 空间大数据协同的城市建成区人口密度估算方法和系统 |
-
2019
- 2019-05-30 CN CN201910464621.8A patent/CN110298253B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359403A (zh) * | 2008-07-28 | 2009-02-04 | 上海同盛工程建设配套管理有限公司 | 一种从卫星图片中提取建筑物轮廓的方法 |
US20140270355A1 (en) * | 2013-03-14 | 2014-09-18 | Alex Terrazas | Methods and apparatus to estimate demography based on aerial images |
US20150063629A1 (en) * | 2013-08-29 | 2015-03-05 | Digitalglobe, Inc. | Generation of high resolution population density estimation cells through exploitation of high resolution satellite image data and low resolution population density data sets |
CN104484677A (zh) * | 2014-12-31 | 2015-04-01 | 贵州东方世纪科技股份有限公司 | 一种利用卫星影像分析人口数据信息的方法 |
CN106708962A (zh) * | 2016-11-30 | 2017-05-24 | 中山大学 | 一种基于建筑物属性的城市人口分布方法 |
CN107229913A (zh) * | 2017-05-23 | 2017-10-03 | 国家地理空间信息中心 | 基于高分卫星遥感数据结合建筑高度的人口密度分析系统 |
CN108871286A (zh) * | 2018-04-25 | 2018-11-23 | 中国科学院遥感与数字地球研究所 | 空间大数据协同的城市建成区人口密度估算方法和系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017427A (zh) * | 2022-08-09 | 2022-09-06 | 广州海普网络科技有限公司 | 一种地理位置信息推荐处理方法及系统 |
CN117521908A (zh) * | 2023-11-20 | 2024-02-06 | 深圳技术大学 | 一种城市空间区域适配性评估方法、系统及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN110298253B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Geometric primitives in LiDAR point clouds: A review | |
Zai et al. | 3-D road boundary extraction from mobile laser scanning data via supervoxels and graph cuts | |
Shi et al. | Road detection from remote sensing images by generative adversarial networks | |
US20210390329A1 (en) | Image processing method, device, movable platform, unmanned aerial vehicle, and storage medium | |
Yang et al. | Hierarchical extraction of urban objects from mobile laser scanning data | |
CN105931295B (zh) | 一种地质图专题信息提取方法 | |
Hu et al. | Impervious surface area extraction from IKONOS imagery using an object-based fuzzy method | |
Li et al. | Road detection algorithm for autonomous navigation systems based on dark channel prior and vanishing point in complex road scenes | |
CN108830171B (zh) | 一种基于深度学习的智能物流仓库引导线视觉检测方法 | |
CN107133558B (zh) | 一种基于概率传播的红外行人显著性检测方法 | |
CN109583345A (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
CN104715251B (zh) | 一种基于直方图线性拟合的显著目标检测方法 | |
Lu et al. | Cascaded multi-task road extraction network for road surface, centerline, and edge extraction | |
CN105513080B (zh) | 一种红外图像目标显著性评估方法 | |
CN107369158A (zh) | 基于rgb‑d图像的室内场景布局估计及目标区域提取方法 | |
CN104851089A (zh) | 一种基于三维光场的静态场景前景分割方法和装置 | |
CN113920420A (zh) | 一种建筑物提取方法、装置、终端设备及可读存储介质 | |
Fernandez et al. | A Hybrid Vision‐Map Method for Urban Road Detection | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN110298253A (zh) | 一种基于人口大数据的城市建筑体虚拟显示方法及系统 | |
Zhou et al. | Stratified Object‐Oriented Image Classification Based on Remote Sensing Image Scene Division | |
Wang et al. | Seamline determination for high resolution orthoimage mosaicking using watershed segmentation | |
CN107045630A (zh) | 一种基于rgbd的行人检测和身份识别方法及系统 | |
Xiao et al. | Multiresolution-Based Rough Fuzzy Possibilistic C-Means Clustering Method for Land Cover Change Detection | |
Kukolj et al. | Road edge detection based on combined deep learning and spatial statistics of LiDAR data |
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 |