CN110866079A - 一种智慧景区实景语义地图的生成与辅助定位方法 - Google Patents
一种智慧景区实景语义地图的生成与辅助定位方法 Download PDFInfo
- Publication number
- CN110866079A CN110866079A CN201911097313.2A CN201911097313A CN110866079A CN 110866079 A CN110866079 A CN 110866079A CN 201911097313 A CN201911097313 A CN 201911097313A CN 110866079 A CN110866079 A CN 110866079A
- Authority
- CN
- China
- Prior art keywords
- image
- semantic
- map
- images
- scenic spot
- 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 32
- 239000013598 vector Substances 0.000 claims description 69
- 230000006870 function Effects 0.000 claims description 33
- 235000019083 Osmanthus fragrans Nutrition 0.000 claims description 12
- 244000242564 Osmanthus fragrans Species 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 239000004568 cement Substances 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 241000220317 Rosa Species 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims description 3
- 235000011613 Pinus brutia Nutrition 0.000 claims description 3
- 241000018646 Pinus brutia Species 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 241000109329 Rosa xanthina Species 0.000 claims description 2
- 235000004789 Rosa xanthina Nutrition 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Abstract
本发明公开了一种智慧景区实景语义地图的生成与辅助定位方法。该方法包括：采集景区全景图像和定位信息，提取景区图像特征进行语义描述和场景分类识别标记，建立景区实景语义地图数据库；用户采集当前位置景物立体像对，将像片图像特征、语义信息分别与景区局部语义地图图像特征、语义进行匹配，获取与所摄像片最接近的景物图像，提取语义地图中标记的景物图像空间位置信息，再通过空间前方交会共线方程解算出用户摄影的准确位置，将用户位置坐标实时显示在景区电子地图上。本发明通过上述主要步骤解算出用户的精细位置，弥补了电子地图中实景语义信息不足，定位不精确的缺点。
Description
技术领域
本发明涉及景区实景地图的生成及应用领域，特别涉及一种基于实景图像识别匹配、定位的智慧景区语义地图的生成与辅助定位方法。
背景技术
景区电子地图包含导览地标和主要景点信息，但该信息由于是二维符号化表达，受信息尺度和详细程度限制，在现实环境中仍无法做到准确的定位，地图定位位置与游览人员的精确位置及其真实游览环境仍存在一定的偏差。尤其是在景区语义相似和接近的环境中，游览人员无法仅用电子地图快速辨别出自己所处的精确位置，暴露出商用电子地图的局限性和不足。尽管目前主流电子地图均采用街景和360、720度全景图为用户提供更多的环境信息，但仅限于实景图像数据，由于缺乏对实景图像的语义提取、精细的特征描述和精确的定位方法，无法满足智慧景区对精确位置服务相关功能的需求。此外，基于位置的服务在景区有广泛的应用前景，通信基站和wifi在景区分布不均，受到精度的限制在定位上存在一定的误差，产生了几米甚至是几十米的误差，影响了景区即时定位的精确性，导致游客等用户游览景区时完全依赖景区指示牌或商用电子地图系统，或手机GPS定位坐标，一些时候仍然无法准确定位自己所在的位置和了解周边环境的详细信息，导致游客产生了不良的位置体验，降低了游览的质量和效率。
发明内容
本发明的目的在于为弥补景区中GPS、基站、wifi等定位方法在实景观察尺度上进行精细定位的不足，提供一种智慧景区实景语义地图的生成与辅助定位方法。
发明的方法包括以下步骤：
(1)采集景区全景图像：将景区划分为多个导览片区，通过全景相机沿着景区导览路线实时采集导览片区中的导览路径观测点实时图像信息，全景相机高精度定位模块负责获取拍摄时相机所处的空间位置坐标，进行全景图像定位与图像编号。
(2)判别障碍区域：判断全景图像中是否有景区临时停放的车辆或者临时搭建的建筑等障碍物，若有则重新获取全景图像，直到去除障碍物，得到的信息可以制作包含所有观测点的无障碍语义地图。
(3)建立景区实景语义地图数据库。
(4)提取观测点图像特征，形成多维特征向量。
(5)对图像进行语义描述和分类识别标记，标记结果与同一编号实景图像一同存入实景语义地图数据库。
(6)生成语义地图：将景区中采集到的全部全景图像进行语义描述和分类识别标记，按编号和精确位置存入语义地图数据库。
(7)定期更新景区语义地图：根据景区景点的开发周期，采用(1)-(6)步骤采集景区变化部分全景地图，并将新识别的图像语义信息与旧的语义信息进行精确位置匹配融合，更新语义地图数据库中的实景图像及其语义信息。
(8)用户移动端粗定位，提取缓冲区范围内局部语义特征地图：通过用户智能手机中GPS、基站和wifi等实时定位信号获得用户位置粗坐标，并确定误差分布；以粗坐标为中心，构建误差半径内的圆形缓冲区，以圆形缓冲区作为真实位置的统计范围，提取缓冲区范围内局部语义特征地图。
(9)采集当前位置景物立体像对：沿着导览路径，用户利用智能手机相机从两个不同角度拍摄两张有一定重叠度的同一景物像片，形成视差大于6度的立体影像对。
(10)获取所摄景物的准确位置：在每张像片上，进行纹理、拓扑、形状、颜色特征提取和分类得到像片语义信息，在局部语义地图中进行检索匹配，确定与拍摄景物场景最接近的特征语义环境图像，提取语义地图中标记的景物图像空间位置。
(11)计算用户摄影的精确位置：获取相机焦距等摄影参数，建立像平面坐标系，以像片中心点作为像主点，采用立体像对的内、外方位元素结合共线方程解算出用户摄影位置的准确坐标。
(12)将当前用户摄影位置坐标在景区电子地图上显示，同时将实景语义信息标记在对应位置电子地图上显示。
所述步骤(4)提取观测点图像特征中对于观测点图像纹理特征提取，采用LBP算子描述实景图像纹理特征，在单色图像的基础上，获得彩色图像的三通道LBP纹理特征向量。对于观测点图像的拓扑特征提取，选择通过滑动窗的形式进行图像拓扑特征提取，滑动过程可以产生图像子区域之间的联系，将图像转换为具有时序性的一维特征序列，构造出空间拓扑关系，提取图像中对象的拓扑特征由两个空间对象关系可以形成维的拓扑特征向量。对于观测点图像形状特征提取，通过区域颜色的形状重心来描述图像的形状特征。对于观测点图像颜色向量的形成，提取像素的图像色彩三分量值形成颜色向量。
所述步骤(5)对图像进行语义描述和分类识别标记，采用支持向量机中Gauss径向基核函数进行分类，将特征向量映射到高维线性特征空间，对图像进行语义分类识别标记，分类结束后，将语义标记结果与同一编号实景图像一同存入实景语义地图数据库。
所述步骤(6)生成语义地图，对于采集到的景区每张像片，进行图像纹理、拓扑、形状、颜色特征提取，采用步骤(5)进行语义分类描述，将各种特征、语义分类描述按编号和对应景区精确位置一同存入步骤(3)中的景区语义地图数据库中。
所述步骤(7)定期更新景区语义地图，根据景区景点的开发周期，在景区内特征语义信息变化大时定期更新景区语义地图，采用步骤(1)-(6)采集景区变化部分全景地图并提取图像特征、生成特征语义信息，根据精确定位查询需要替换的图像编号，替换对应编号的图像及语义信息，更新语义地图数据库中的实景图像及其语义信息。
所述步骤(9)采集当前位置景物立体像对，用户采用智能手机相机在当前位置采集景物像片和立体像对，在导览片区的导览路径上，利用手机相机从两个不同角度拍摄两张具有一定重叠度的同一景物像片，重叠度大于60％，形成视差大于6度的立体像对。
所述步骤(10)获取所摄景物的准确位置，包括以下子步骤：
a)对于立体像对中的第一张像片进行图像特征匹配；
b)对于立体像对中的第一张像片进行图像上层语义信息匹配；
c)对于立体像对中的第一张像片进行图像下层语义信息匹配；
d)第二张像片再匹配：若对立体像对的第一张像片检索匹配后，检索结果不具有唯一图像时，则采用立体像对中的第二张像片进行同第一张像片的a)～c)子步，进行检索匹配操作；
e)像片的准确位置计算：若检索匹配结果具有唯一图像时，通过局部语义特征地图中的图像编号和坐标位置作为景物准确位置坐标，若检索匹配立体像对的两张像片后，检索匹配后仍不具有唯一图像时，则判断其为邻接图像，通过局部语义特征地图中的邻接图像编号和坐标位置，对邻接图像求景中心坐标平均值，获得景物准确位置坐标。
所述步骤(10)获取所摄景物的准确位置，其特征在于：子步a)中对于立体像对中的第一张像片进行图像特征匹配，图像匹配中由步骤(4)提取的图像颜色、纹理特征形成图像的多维特征向量，利用欧式距离对特征向量进行距离计算，根据距离大小进行排序用于衡量用户采集图像与局部语义特征地图中的特征相似性大小，根据景区的实景地图图像环境确定距离判定阈值，若距离小于等于判定阈值且检索匹配图像结果唯一时，获得匹配图像的位置坐标；子步b)对于立体像对中的第一张像片进行图像上层语义信息匹配，在图像多维特征的基础上，进行SVM分类，采用语义模糊隶属度函数，把语义模糊关系应用到图像语义匹配中，使用两图像之间的模糊关系来表示它们之间的相似度，选取四种图像特征：颜色，纹理，形状和拓扑特征，依据步骤(5)，在语义层分类的最佳高斯核函数的参数设为σ＝0.5，上层语义特征通过步骤(4)和步骤(5)完成提取。
所述步骤(10)获取所摄景物的准确位置，其特征在于：子步骤c)对于立体像对中的第一张像片进行图像下层语义信息匹配，在上层语义的基础上，进行SVM分类，训练图像集合如桂花，玫瑰花，垃圾桶，长椅，桂花树，针叶松树，水泥路，茂密草地，桂花树包含桂花，水泥路与长椅相接，水泥路与垃圾桶相接，茂密草地包含玫瑰花等进一步具体描述语义类别的图像，构成景区图像下层语义样本集，同样选取了四种图像特征：颜色，纹理，形状和拓扑特征，在语义层分类的最佳高斯核函数的参数设为σ＝0.6，利用语义模糊隶属度函数进行下层语义向量匹配。
所述步骤(11)计算用户摄影位置，获取相机焦距等摄影参数，建立像平面坐标系，以像片中心点作为像主点，采用立体像对的内、外方位元素结合共线方程解算出用户的准确坐标；其中，采用立体像对解算用户具体位置，对步骤(9)中构建的立体像对结合手机加速度传感器获取到在手机传感器坐标系下的加速度值，以及手机磁场传感器采集的在手机传感器坐标系下的磁通量值，完成姿态角元素解算，计算获得的角元素可计算出方向余弦值，结合量测的像点平面坐标、焦距，将步骤(10)中计算的景物准确位置坐标赋值给像主点对应的物方空间坐标，利用空间前方交会原理及共线方程的计算公式解算出的用户的具体位置。
本发明实施例的有益效果是：
本发明实施例对导览片区导览路径的观测点实时图像信息进行采集，实现语义标识信息与实景图像的充分融合，建立导航语义充分、定位精细的语义地图，实现通过用户智能手机采集图像对实景位置的精细感知与准确位置判定。通过GPS、基站等粗定位结果，结合导览片区全景图像中的建筑、道路、绿地等精细环境场景语义特征，快速确定游客的精细位置和场景环境。实景语义地图可以提供景区连续导航，区别以往提供的定位信息不完全准确的电子地图导航，采集的位置坐标及其语义信息能与景区实景语义地图、电子地图准确融合，并提供准确的语义环境信息，解决目前用户在景区电子地图上无法确定精细位置、位置感知仍不准确的问题。同时通过位置信息融合和语义地图提取实景语义信息标记在对应位置电子地图上，弥补电子地图中实景语义信息不足、定位不精确的缺点。
应当指出的是，本领域内的其他技术人员在不脱离于本发明和实例的基础上演变而来的其他实例，都属于本发明的保护范围。
附图说明
图1为本发明一种智慧景区实景语义地图的生成与辅助定位方法的技术流程图。
图2为本发明实景图像精细语义特征匹配的流程图。
图3为本发明实景语义细分图。
图4为本发明用户位置计算的技术流程图。
具体实施方式
为了更清楚地说明本发明的技术方案，下面结合具体实施例对本发明做详细说明，以下实施例有助于本领域的技术人员更好的理解本发明。应当指出的是，本领域内的其他技术人员在不脱离于本发明和实例的基础上演变而来的其他实例，都属于本发明的保护范围。
图1所示一种景区实景语义地图的生成与辅助定位方法的技术流程图，包括：
(1)采集景区全景图像：将景区划分为多个导览片区，利用iSTAR 360°全景相机采集高分辨率全景图像。全景相机镜头采集定位点360°全景图像，进行存储。沿着景区导览路线采集导览片区中全部导览路径观测点全景图像信息。全景相机高精度GPS、北斗定位模块(定位精度优于1米)负责获取拍摄时相机所处的空间位置坐标，按路径中的位置顺序进行观测点图像编号与定位，在数据库中将图像与位置坐标通过图像编号关联存储起来。为了保障全景图相邻图像信息无遗漏，相邻全景图像的重叠度控制在30％以内。
(2)判别障碍区域：判断全景图像中是否有景区临时停放的车辆或者临时搭建的建筑等障碍物，若有则重新获取全景图像，直到去除障碍物，得到的信息可以制作包含所有观测点的无障碍语义地图。
(3)建立景区实景语义地图数据库：采用SQL Server数据库存储实景图像和语义地图。实景图像image类型以二进制大对象(BLOB，Binary Large Object)存储，图像特征、语义分类结果、语义地图位置坐标信息存储于SQL Server关系型数据表中，在数据库中将实景图像指针字段与位置坐标字段通过图像编号字段关联存储起来，实景图像指针指向存放该条记录的BLOB页面数据。
(4)提取观测点图像特征，形成图像多维特征向量。包括：
a)提取观测点图像纹理特征：局部二值模式(LBP，Local Binary Pattern)算子可在局部图像的某一区域内计算出所有像素点LBP值，无需考虑光照因素，适用于不同时间景区实景图像采集与特征表达，将提取的LBP值用直方图表示，该直方图向量用于描述景区内实景图像的纹理特征。采用LBP算子描述实景图像纹理特征，具体方法如下：对于提取的9个像素方格中的中间方格做阈值化处理，将相邻的8个像素的灰度值与中心像素值进行比较，大于中心点的标记为1，小于则为0，二进制处理后即可得到该像素方格中心像素点的LBP值，用来反映景区实景图像纹理信息。公式为：
式中(Xc，Yc)为中心像素的二维平面坐标，ic为中心像素灰度值，p为邻域的第p个像素，ip为邻域像素的灰度值，S(x)为符号函数，其中x表示括号内的函数：
采用ENVI软件灰度值统计菜单计算LBP图像统计直方图，统计纹理值出现的频率并进行归一化处理。
最后将得到的每个像素的纹理统计直方图进行连接形成纹理特征向量l1＝(k1，k2，...，km)，式中ki为不同的LBP特征值，m为纹理特征向量维数。在单色图像的基础上，获得彩色图像的三通道LBP纹理特征向量。
b)提取观测点图像的拓扑特征：选择通过滑动窗的形式进行图像拓扑特征提取，符合人对图像的认知过程。滑动窗即为一种窗口，可按照一定的步长和某个特性的方向滑动。设定滑动窗的方向为自左向右。滑动窗的窗口表示为：
式中，滑动窗的宽度w及步长是统计数据W及经验进行设定的，滑动窗的高度等于图像自身的高度，v的取值范围为小于或等于图像高度的任意自然数。
滑动窗滑动至第i步时可表示为：
fi＝f(v，(i-1)*s+w)*g(v，w) (4)
滑动窗滑动至第i步提取的特征向量可表示为：
其中s表示滑动窗的移动步长，f函数表示图像，Oi表示第i步提取图像的特征向量，
为对图像进行特征提取的函数。得到的特征向量定义为一个数据帧，按照滑动窗滑动的顺序进行排列连接形成数据帧序列。滑动过程可以产生图像子区域之间的联系，将图像转换为具有时序性的一维特征序列，构造出空间拓扑关系。提取图像中对象的拓扑特征由两个空间对象关系的9元交模型中512种(29＝512)可能关系中抽出8种面面关系，用来描述图像中对象之间的空间拓扑关系，形成8维的拓扑特征向量l2＝(dt，ct，in，co，cb，eel，ov，to)，用来分别描述分离、包含、包含于、覆盖、覆盖于、等价、相交和相接关系。
c)提取观测点图像形状特征：用区域颜色的形状重心来描述图像的形状特征，把图像RGB颜色空间划分为8个子空间，对像素的R，G，B取值二值化，形成8个聚类中心，分别表示为{C1，C2，C3，C4，C5，C6，C7，C8}，C1作为这种颜色的形状重心描述RGB空间中R＝0、G＝0、B＝0点所在的小空间。考虑图像的中央部分(占图像区域的1/2)，累加属于每一个聚类中的所有像素的坐标(xj，yj)，然后取平均：
式中
和
为图像的形状中心坐标，提取图像中央8个颜色聚类的形状重心，形成16维形状特征向量l3＝(n1x，n1y，n2x，...，n8y)，n1x，n1y是C1空间的形状重心坐标。
d)形成颜色特征向量l4＝(j1，j2，j3)：提取像素的图像色彩三分量值形成颜色向量，其中j1，j2，j3分别代表红、绿、蓝分量颜色特征。
e)形成多维特征向量：多维特征向量对图像多类特征进行有效结合，形成多维特征向量进行匹配，能够充分利用多类特征。多维特征向量如下：
x＝[w1l1，w2l2，w3l3，w4l4] (8)
式中x为综合后的多维特征向量，l1，l2，l3，l4分别为图像纹理、拓扑、形状、颜色类特征向量，w1，w2，w3，w4为类别特征向量的权重，根据不同的查询对象图像动态调整权值以使查询的向量更具准确性：
式中ki和ki′分别为待匹配的两幅图像的特征向量具体特征。wx为特征向量权重(本实例中采用四种特征，x取1-4)。为根据少量图像进行训练，动态权值可由待匹配的两幅图像的第i维特征的差异程度来决定，当两幅图像的图像特征第i维差异较大时，wi值较小；反之，其差异较小时，wi值较大。
(5)对图像进行语义分类描述：发明实例采用支持向量机(Support VectorMachine，SVM)中Gauss径向基核函数进行分类对图像进行语义分类识别标记，在已采集的景区全景图像上选择分类样本，按照步骤(4)计算不同类样本的多维特征向量。本实施例将特征向量映射到高维线性特征空间来寻找最优分类超平面。通过非线性函数φ(·)将样本点的特征向量数据xi映射到一个高维线性特征空间，给定图像语义类的样本集(xi，yi)，其中i＝1，2，...，n，n为样本数，xi∈Rd为语义类的多维特征向量，yi∈(-1，1)为特征向量的分类标识，分别表示非目标语义类和目标语义类型。在这个高维线性空间中构造最优分类超平面：
ω·φ(x)+b＝0 (10)
式中的ω∈R(d)，b∈R(d)都进行了规范化。该分类超平面可以最大间隔的将{(xi，yi)|xi∈Rd，yi＝-1，i＝1，2....，m1}和{(xj，yj)|xj∈Rd，yj＝1，j＝1，2....，m2}分开，m1和m2分别表示特征空间中目标外的样本点数目和目标语义类样本点数目，目标包括景区实景图像中的道路、树木、草地等语义信息类。
(I)sign(·)为符号函数。构造决策函数：
由于各特征向量线性不可分，需引入非负松驰变量ξi，i＝1，2，...，l，其中C为惩罚参数，C越大表示对错误分类的惩罚越大。则最优分类超平面问题可以描述为：
yi(ωTφ(Xi)+b)≥1-ξi
s.t.ξi≥0，i＝1，2...l
(II)采用拉格朗日乘子法求解这个二次规划问题，即
其中，αi，βi为拉格朗日乘子0≤αi，0≤βi，由此得到
(III)将(13)(14)(15)带入(16)得到对偶最优化问题：
0≤αi≤C
其中K(xi，xj)＝φ(xi)·φ(xj)为核函数。本实施例采用Gauss径向基核函数K(xi，x)＝exp(||x-xi||2/2σ2)将特征向量映射到高维线性特征空间。
为了提高样本点的分类精度，最简单的策略就是选择尽可能小的参数，但这样的结果就是增加计算时间成本，容易产生过拟合，使超平面的泛化能力下降。因此，合理选择核函数参数显得尤为重要。本专利通过梯度下降法确定核参数σ，梯度下降法的基本思想是，首先对参数设置一个很小的初值及迭代步长，然后不断试验直到能达到预先想要的分类效果，这时的取值即为参数的值。
具体算法为：
①设置σ的初始值；
②由分类错误率或者是错误率上界的梯度，计算参数的迭代步长dσ，然后进行迭代；
③当满足预设的迭代错误率时停止迭代，否则重复②。
(VI)由式(12)得决策函数和参数b分别为
其中NNSV为标准支持向量数，JN为标准支持向量的集合，J为支持向量的集合。
(VII)根据Karush-Kuhn-Tueher条件(简称KKT条件)知，在最优点，拉格朗日乘子与约束的积为0，即
由于KKT条件是充要条件，利用式(20)可判别α是否为最优。
由式(17)～(19)知，尽管通过非线性函数将图像的样本数据映射到高维的特征空间，并在特征空间中构造最优分类超平面，但在求解最优化问题和计算决策函数时并不需要显式计算该非线性函数，而只需计算核函数，从而避免特征空间维数灾难问题。常见的核函数有线性函数K(xi，x)＝xi·x，多项式函数K(xi，x)＝(xi·x+1)d，径向基函数K(xi，x)＝exp(-||x-xi||2/2σ2)，多层感知器函数K(xi，x)＝tanh(kxi·x+θ)等。
根据以上支持向量机对偶式及其约束条件解二次优化问题，能得到k(k-1)/2个决策函数，用二类分类方法解决图像特征空间点集的多类分类问题，最后得到多语义类型分类训练模型。用得到的训练模型对图像进行分类，将目标语义类型标记为+1，非目标语义类标记为-1，在非目标语义类中进行二类分类，依次提取出样本中定义的语义类别。
对图像进行语义分类识别标记，分类结束后，将语义标记结果与同一编号实景图像一同存入实景语义地图数据库。
(6)生成语义地图：对于采集到的景区每张像片，进行图像纹理、拓扑、形状、颜色特征提取，如采用LBP描述子进行纹理特征的提取，并保存纹理特征与坐标的对应关系。采用步骤(5)进行语义分类识别。将各种特征、语义分类描述按编号和对应景区精确位置一同存入步骤(3)中的景区语义地图数据库中。
(7)定期更新景区语义地图：根据景区景点的开发周期，在景区内特征语义信息变化大时定期更新景区语义地图，采用步骤(1)-(6)采集景区变化部分全景地图并提取图像特征、生成特征语义信息，根据精确定位查询需要替换的图像编号，替换对应编号的图像及语义信息，更新语义地图数据库中的实景图像及其语义信息。
(8)用户移动端粗定位，提取缓冲区范围内局部语义特征地图：通过用户移动端智能手机中GPS、北斗、基站和wifi等实时定位信号获得用户位置粗坐标，本实施例最大误差缓冲区范围确定为：GPS、北斗定位最大误差设计为6米，基站设计为50米，wifi设计为20米。以粗坐标为中心，构建误差半径内的圆形缓冲区，以圆形缓冲区作为真实位置的统计范围，提取缓冲区范围内局部语义特征地图，形成图像搜索匹配使用的局部语义特征地图。
(9)采集当前位置景物立体像对：用户采用智能手机相机在当前位置采集景物像片和立体像对。在导览片区的导览路径上，利用手机相机从两个不同角度拍摄两张具有一定重叠度的同一景物像片，重叠度大于60％，形成视差大于6度的立体像对。
(10)获取所摄景物的准确位置：
a)图像特征匹配：图2实景图像精细语义特征匹配的流程图中，对于立体像对中的第一张像片进行图像特征匹配，见图3实景语义细分图S1层。图像匹配中由步骤(4)提取的图像颜色、纹理特征形成图像的多维特征向量x＝[w1l1，w2l2]，将立体像对的第一张像片I1提取出的特征组合成多维特征向量x1和局部语义特征地图中图像I2提取出的各特征组合成的多维特征向量x2，利用欧式距离对特征向量进行距离计算：
x1＝[k1，k2，...，ki]，x2＝[k1′，k2′，...，ki′] (21)
式中两个图像特征向量的欧氏距离表示为D(x1，x2)，k1和k1′为两幅图像多维特征向量对应的特征类别，i为多维特征向量维数。根据距离大小进行排序用于衡量用户采集图像与局部语义特征地图中的特征相似性大小。根据景区的实景地图图像环境确定距离判定阈值，若距离小于等于判定阈值且检索匹配图像结果唯一时，获得匹配图像的位置坐标；否则进行b)步的操作。
b)上层语义向量匹配：若在图像多维特征向量检索匹配后不具有唯一图像或大于判定阈值时，在局部语义特征地图图像中进行语义匹配，确定与所摄景物最接近的图像，如图2所示，S2为上层语义信息，图3为实景语义细分图。在图像多维特征的基础上，进行SVM分类，根据图3中的上层实景语义细分图，训练图像集合如花、树、道路、人造物与草地等景物的图像，形成景区图像上层语义分类样本集。本实施例选取了四种图像特征：颜色，纹理，形状和拓扑特征。依据步骤(5)，在分类识别标记的最佳高斯核函数的参数设为σ＝0.5。对立体像对的第一张像片分类获得上层语义向量F1(f1，f2，...，fi)，其中fi为上层语义特征，上层语义特征通过步骤(4)和步骤(5)完成提取。
图像的语义匹配是用户采集图像经步骤(4)和(5)后，得到图像的语义特征信息组成语义向量，再通过计算与局部语义特征地图中图像特征向量间的距离大小来衡量图像之间的相似度。为了解决分类后图像语义的模糊性问题，缩小语义接近图像检索结果，本发明实施例采用语义模糊隶属度函数，把语义模糊关系应用到图像语义分类中。若图像I1和I2的语义向量分别是F1和F2，则可以使用I1和I2之间的模糊关系来表示它们之间的相似度，隶属度函数为：
式中fi和fi′分别为语义向量F1和F2的第i个分量，n为语义向量的维数。通过已标记语义类别的样本进行训练，获得每张图像对于每个类别的隶属度。这样对于每个语义类都有一组具有不同隶属度的图像与其相关联。取其中隶属度最大值对应的图像作为语义匹配结果。
通过公式(23)进行景物的上层语义向量匹配，若检索匹配结果具有唯一图像时，获得匹配图像的位置坐标；否则进行c)步的匹配。
c)下层语义向量匹配：若在上层语义向量检索匹配后不具有唯一图像时，则在上层语义的基础上，再进行SVM分类，根据图3中的下层实景语义细分图S3，训练图像集合如桂花，玫瑰花，垃圾桶，长椅，桂花树，针叶松树，水泥路，茂密草地，桂花树包含桂花，水泥路与长椅相接，水泥路与垃圾桶相接，茂密草地包含玫瑰花等进一步具体描述语义类别的图像，构成景区图像下层语义样本集。同样选取了四种图像特征：颜色，纹理，形状和拓扑特征。对语义层分类的最佳高斯核函数的参数设为σ＝0.6。对立体像对的第一张像片分类出下层语义向量F11(f11，f12，...，f1j，f21，...，fij)，其中fij为下层语义类别。利用公式(23)进行下层语义向量匹配，若检索匹配结果具有唯一图像时，获得匹配图像的位置坐标。
d)第二张像片再匹配：若对立体像对的第一张像片检索匹配后，检索结果不具有唯一图像时，则采用立体像对中的第二张像片进行同第一张像片的(a)～(c)步，进行检索匹配操作。
e)像片的准确位置计算：若检索匹配结果具有唯一图像时，通过局部语义特征地图中的图像编号获得匹配图像的位置坐标。若检索匹配立体像对的两张像片后，检索匹配后仍不具有唯一图像时，则判断其为邻接图像。通过局部语义特征地图中的邻接图像编号和坐标位置，对邻接图像求两幅图像景中心坐标平均值，获得景物准确位置坐标。
(11)计算用户摄影位置：图4为本发明用户位置计算的技术流程图。获取相机焦距等摄影参数，建立像平面坐标系，以像片中心点作为像主点，采用立体像对的内、外方位元素结合共线方程解算出用户的准确坐标。其中内方位元素包括三个元素：焦距f、像主点即坐标原点o在框标坐标系中的坐标(x1，y1)、(x2，y2)。外方位元素包括用于描述像片的空间姿态的角元素α，β，γ。X，Y，Z为摄影中心，即用户相机精确位置，为待求的外方位元素。
通过相机接口导出像片大小以及焦距f信息，以像片左上角为坐标原点o，x，y轴分别平行像片长短边界，x轴正轴方向指向右，y轴正轴指向下，以像片中心点作为像主点，构建x轴，y轴方向与框标坐标系相同的影像平面内的直角坐标系o-x-y。分别获取x，y的最大最小值，计算x，y的平均值以获取像主点坐标。第一张像片得到的像主点坐标标记为(x1，y1)，第二张像片的像主点坐标为(x2，y2)。
采用立体像对解算用户具体位置：对步骤(9)中构建的立体像对结合手机加速度传感器获取手机传感器坐标系下x轴，y轴，z轴的加速度值ax，ay，az，以及手机磁场传感器采集的在手机传感器坐标系下x轴，y轴，z轴的磁通量值Bx，By，Bz，完成姿态角元素α，β，γ的解算，α表示航向角，β为俯仰角和γ为滚动角，地球重力加速度值g等于9.80665m/s2，计算公式如下：
由角元素α，β，γ计算出方向余弦值a，b，c，进一步得到各角元素在x，y，z方向上的余弦值(a1，b1，c1)、(a2，b2，c2)、(a3，b3，c3)。式中各角元素在x，y，z方向上的余弦值对应关系如下表：
结合像平面坐标系下的像主点坐标x1，y1，x2，y2，焦距f，将步骤(10)中计算的景物准确位置坐标赋值给像主点对应的物方空间坐标(XA，YA，ZA)。
利用空间前方交会原理及共线方程(25)的计算公式解算出的用户的具体位置(X，Y，Z)。
(12)将用户的精确位置坐标在景区电子地图上显示，同时将实景语义信息标记在对应位置电子地图上显示。
Claims (10)
1.一种智慧景区实景语义地图的生成与辅助定位方法，其特征在于，具体包括以下步骤：
(1)采集景区全景图像：将景区划分为多个导览片区，通过全景相机沿着景区导览路线实时采集导览片区中的导览路径观测点实时图像信息，全景相机高精度定位模块负责获取拍摄时相机所处的空间位置坐标，进行全景图像定位与图像编号；
(2)判别障碍区域：判断全景图像中是否有景区临时停放的车辆或者临时搭建的建筑等障碍物，若有则重新获取全景图像，直到去除障碍物，得到的信息可以制作包含所有观测点的无障碍语义地图；
(3)建立景区实景语义地图数据库；
(4)提取观测点图像特征，形成多维特征向量；
(5)对图像进行语义描述和分类识别标记，标记结果与同一编号实景图像一同存入实景语义地图数据库；
(6)生成语义地图：将景区中采集到的全部全景图像进行语义描述和分类识别标记，按编号和精确位置存入语义地图数据库；
(7)定期更新景区语义地图：根据景区景点的开发周期，采用(1)-(6)步骤采集景区变化部分全景地图，并将新识别的图像语义信息与旧的语义信息进行精确位置匹配融合，更新语义地图数据库中的实景图像及其语义信息；
(8)用户移动端粗定位，提取缓冲区范围内局部语义特征地图：通过用户智能手机中GPS、基站和wifi等实时定位信号获得用户位置粗坐标，并确定误差分布，以粗坐标为中心，构建误差半径内的圆形缓冲区，以圆形缓冲区作为真实位置的统计范围，提取缓冲区范围内局部语义特征地图；
(9)采集当前位置景物立体像对：沿着导览路径，用户利用智能手机相机从两个不同角度拍摄两张有一定重叠度的同一景物像片，形成视差大于6度的立体影像对；
(10)获取所摄景物的准确位置：在每张像片上，进行纹理、拓扑、形状、颜色特征提取和分类得到像片语义信息，在局部语义地图中进行检索匹配，确定与拍摄景物场景最接近的特征语义环境图像，提取语义地图中标记的景物图像空间位置；
(11)计算用户摄影的精确位置：获取相机焦距等摄影参数，建立像平面坐标系，以像片中心点作为像主点，采用立体像对的内、外方位元素结合共线方程解算出用户摄影位置的准确坐标；
(12)将当前用户摄影位置坐标在景区电子地图上显示，同时将实景语义信息标记在对应位置电子地图上显示。
2.如权利要求1所述的智慧景区实景语义地图的生成与辅助定位方法，其特征在于，步骤(4)所述提取观测点图像特征，其中对于观测点图像纹理特征提取，采用LBP算子描述实景图像纹理特征，在单色图像的基础上，获得彩色图像的三通道LBP纹理特征向量；对于观测点图像的拓扑特征提取，选择通过滑动窗的形式进行图像拓扑特征提取，滑动过程可以产生图像子区域之间的联系，将图像转换为具有时序性的一维特征序列，构造出空间拓扑关系，提取图像中对象的拓扑特征由两个空间对象关系可以形成维的拓扑特征向量；对于观测点图像形状特征提取，通过区域颜色的形状重心来描述图像的形状特征；对于观测点图像颜色向量的形成，提取像素的图像色彩三分量值形成颜色向量。
3.如权利要求1所述的智慧景区实景语义地图的生成与辅助定位方法，其特征在于：步骤(5)所述的对图像进行语义描述和分类识别标记，采用支持向量机中Gauss径向基核函数进行分类，将特征向量映射到高维线性特征空间，对图像进行语义分类识别标记，分类结束后，将语义标记结果与同一编号实景图像一同存入实景语义地图数据库。
4.如权利要求1所述的智慧景区实景语义地图的生成与辅助定位方法，其特征在于：步骤(6)所述生成语义地图，对于采集到的景区每张像片，进行图像纹理、拓扑、形状、颜色特征提取，采用步骤(5)进行语义分类描述，将各种特征、语义分类描述按编号和对应景区精确位置一同存入步骤(3)中的景区语义地图数据库中。
5.如权利要求1所述的智慧景区实景语义地图的生成与辅助定位方法，其特征在于：步骤(7)所述定期更新景区语义地图，根据景区景点的开发周期，在景区内特征语义信息变化大时定期更新景区语义地图，采用步骤(1)-(6)采集景区变化部分全景地图并提取图像特征、生成特征语义信息，根据精确定位查询需要替换的图像编号，替换对应编号的图像及语义信息，更新语义地图数据库中的实景图像及其语义信息。
6.如权利要求1所述的智慧景区实景语义地图的生成与辅助定位方法，其特征在于：步骤(9)所述采集当前位置景物立体像对，用户采用智能手机相机在当前位置采集景物像片和立体像对，在导览片区的导览路径上，利用手机相机从两个不同角度拍摄两张具有一定重叠度的同一景物像片，重叠度大于60％，形成视差大于6度的立体像对。
7.如权利要求1所述的智慧景区实景语义地图的生成与辅助定位方法，其特征在于：步骤(10)所述获取所摄景物的准确位置，包括以下子步骤：
a)对于立体像对中的第一张像片进行图像特征匹配；
b)对于立体像对中的第一张像片进行图像上层语义信息匹配；
c)对于立体像对中的第一张像片进行图像下层语义信息匹配；
d)第二张像片再匹配：若对立体像对的第一张像片检索匹配后，检索结果不具有唯一图像时，则采用立体像对中的第二张像片进行同第一张像片的a)～c)子步，进行检索匹配操作；
e)像片的准确位置计算：若检索匹配结果具有唯一图像时，通过局部语义特征地图中的图像编号和坐标位置作为景物准确位置坐标，若检索匹配立体像对的两张像片后，检索匹配后仍不具有唯一图像时，则判断其为邻接图像，通过局部语义特征地图中的邻接图像编号和坐标位置，对邻接图像求景中心坐标平均值，获得景物准确位置坐标。
8.如权利要求7所述的步骤(10)获取所摄景物的准确位置，其特征在于：子步a)中对于立体像对中的第一张像片进行图像特征匹配，图像匹配中由步骤(4)提取的图像颜色、纹理特征形成图像的多维特征向量，利用欧式距离对特征向量进行距离计算，根据距离大小进行排序用于衡量用户采集图像与局部语义特征地图中的特征相似性大小，根据景区的实景地图图像环境确定距离判定阈值，若距离小于等于判定阈值且检索匹配图像结果唯一时，获得匹配图像的位置坐标；子步b)对于立体像对中的第一张像片进行图像上层语义信息匹配，在图像多维特征的基础上，进行SVM分类，采用语义模糊隶属度函数，把语义模糊关系应用到图像语义匹配中，使用两图像之间的模糊关系来表示它们之间的相似度，选取四种图像特征：颜色，纹理，形状和拓扑特征，依据步骤(5)，在语义层分类的最佳高斯核函数的参数设为σ＝0.5，上层语义特征通过步骤(4)和步骤(5)完成提取。
9.如权利要求7所述的步骤(10)获取所摄景物的准确位置，其特征在于：子步骤c)对于立体像对中的第一张像片进行图像下层语义信息匹配，在上层语义的基础上，进行SVM分类，训练图像集合如桂花，玫瑰花，垃圾桶，长椅，桂花树，针叶松树，水泥路，茂密草地，桂花树包含桂花，水泥路与长椅相接，水泥路与垃圾桶相接，茂密草地包含玫瑰花等进一步具体描述语义类别的图像，构成景区图像下层语义样本集，同样选取了四种图像特征：颜色，纹理，形状和拓扑特征，在语义层分类的最佳高斯核函数的参数设为σ＝0.6，利用语义模糊隶属度函数进行下层语义向量匹配。
10.如权利要求1所述的智慧景区实景语义地图的生成与辅助定位方法，其特征在于：步骤(11)所述计算用户摄影位置，获取相机焦距等摄影参数，建立像平面坐标系，以像片中心点作为像主点，采用立体像对的内、外方位元素结合共线方程解算出用户的准确坐标；其中，采用立体像对解算用户具体位置，对步骤(9)中构建的立体像对结合手机加速度传感器获取到在手机传感器坐标系下的加速度值，以及手机磁场传感器采集的在手机传感器坐标系下的磁通量值，完成姿态角元素解算，计算获得的角元素可计算出方向余弦值，结合量测的像点平面坐标、焦距，将步骤(10)中计算的景物准确位置坐标赋值给像主点对应的物方空间坐标，利用空间前方交会原理及共线方程的计算公式解算出的用户的具体位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911097313.2A CN110866079B (zh) | 2019-11-11 | 2019-11-11 | 一种智慧景区实景语义地图的生成与辅助定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911097313.2A CN110866079B (zh) | 2019-11-11 | 2019-11-11 | 一种智慧景区实景语义地图的生成与辅助定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110866079A true CN110866079A (zh) | 2020-03-06 |
| CN110866079B CN110866079B (zh) | 2023-05-05 |
Family
ID=69653469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911097313.2A Active CN110866079B (zh) | 2019-11-11 | 2019-11-11 | 一种智慧景区实景语义地图的生成与辅助定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110866079B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111504331A (zh) * | 2020-04-29 | 2020-08-07 | 杭州环峻科技有限公司 | 一种由粗到细的全景智能车辆定位方法和装置 |
| CN111780771A (zh) * | 2020-05-12 | 2020-10-16 | 驭势科技（北京）有限公司 | 一种定位方法、装置、电子设备及计算机可读存储介质 |
| CN111897902A (zh) * | 2020-07-14 | 2020-11-06 | 西安润森数码网络科技有限责任公司 | 基于lbs和gis的精准定位方法、装置及存储介质 |
| CN112013842A (zh) * | 2020-08-29 | 2020-12-01 | 桂林电子科技大学 | 一种基于图像地磁场和惯性传感器的多模态室内定位方法 |
| CN112179359A (zh) * | 2020-09-27 | 2021-01-05 | 驭势科技（北京）有限公司 | 一种地图匹配方法、装置、电子设备和存储介质 |
| CN112860826A (zh) * | 2021-01-15 | 2021-05-28 | 北京小米移动软件有限公司 | 一种功能控制方法、功能控制装置及存储介质 |
| CN112989482A (zh) * | 2021-05-18 | 2021-06-18 | 三一筑工科技股份有限公司 | Bim模型数据的生成方法及装置和构建方法及装置 |
| CN112985400A (zh) * | 2021-01-29 | 2021-06-18 | 宁夏荣光电节能科技实业有限公司 | 一种三维定位方法及三维定位装置 |
| CN113159343A (zh) * | 2021-04-28 | 2021-07-23 | 深圳市阳谷医疗系统有限公司 | 一种基于共享数据库的医疗垃圾净化处理系统 |
| CN113372075A (zh) * | 2021-07-02 | 2021-09-10 | 桂林理工大学 | 基于3d打印的混凝土及其制备方法、3d打印柱模板 |
| CN114332648A (zh) * | 2022-03-07 | 2022-04-12 | 荣耀终端有限公司 | 一种位置标识方法及电子设备 |
| CN114509070A (zh) * | 2022-02-16 | 2022-05-17 | 中国电子科技集团公司第五十四研究所 | 一种无人机导航定位方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103500452A (zh) * | 2013-10-12 | 2014-01-08 | 杭州师范大学 | 基于空间关系和图像分析的景区景物移动增强现实方法 |
| CN106778649A (zh) * | 2016-12-26 | 2017-05-31 | 曲东阳 | 一种判断景点标识物的图像识别算法 |
| CN108981726A (zh) * | 2018-06-09 | 2018-12-11 | 安徽宇锋智能科技有限公司 | 基于感知定位监测的无人车语义地图建模及构建应用方法 |
| US20190050648A1 (en) * | 2017-08-09 | 2019-02-14 | Ydrive, Inc. | Object localization within a semantic domain |
| US20190162856A1 (en) * | 2017-11-29 | 2019-05-30 | VoxelMaps Inc. | Method and system for positioning of autonomously operating entities |
| CN110097584A (zh) * | 2019-03-18 | 2019-08-06 | 国网浙江省电力有限公司信息通信分公司 | 结合目标检测和语义分割的图像配准方法 |
-
2019
- 2019-11-11 CN CN201911097313.2A patent/CN110866079B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103500452A (zh) * | 2013-10-12 | 2014-01-08 | 杭州师范大学 | 基于空间关系和图像分析的景区景物移动增强现实方法 |
| CN106778649A (zh) * | 2016-12-26 | 2017-05-31 | 曲东阳 | 一种判断景点标识物的图像识别算法 |
| US20190050648A1 (en) * | 2017-08-09 | 2019-02-14 | Ydrive, Inc. | Object localization within a semantic domain |
| US20190162856A1 (en) * | 2017-11-29 | 2019-05-30 | VoxelMaps Inc. | Method and system for positioning of autonomously operating entities |
| CN108981726A (zh) * | 2018-06-09 | 2018-12-11 | 安徽宇锋智能科技有限公司 | 基于感知定位监测的无人车语义地图建模及构建应用方法 |
| CN110097584A (zh) * | 2019-03-18 | 2019-08-06 | 国网浙江省电力有限公司信息通信分公司 | 结合目标检测和语义分割的图像配准方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张敏等: "一种基于图像区域系综分类的室外场景理解方法", 《中国图象图形学报》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111504331A (zh) * | 2020-04-29 | 2020-08-07 | 杭州环峻科技有限公司 | 一种由粗到细的全景智能车辆定位方法和装置 |
| CN111504331B (zh) * | 2020-04-29 | 2021-09-14 | 杭州环峻科技有限公司 | 一种由粗到细的全景智能车辆定位方法和装置 |
| CN111780771B (zh) * | 2020-05-12 | 2022-09-23 | 驭势科技（北京）有限公司 | 一种定位方法、装置、电子设备及计算机可读存储介质 |
| CN111780771A (zh) * | 2020-05-12 | 2020-10-16 | 驭势科技（北京）有限公司 | 一种定位方法、装置、电子设备及计算机可读存储介质 |
| CN111897902A (zh) * | 2020-07-14 | 2020-11-06 | 西安润森数码网络科技有限责任公司 | 基于lbs和gis的精准定位方法、装置及存储介质 |
| CN112013842A (zh) * | 2020-08-29 | 2020-12-01 | 桂林电子科技大学 | 一种基于图像地磁场和惯性传感器的多模态室内定位方法 |
| CN112179359A (zh) * | 2020-09-27 | 2021-01-05 | 驭势科技（北京）有限公司 | 一种地图匹配方法、装置、电子设备和存储介质 |
| CN112179359B (zh) * | 2020-09-27 | 2022-09-23 | 驭势科技（北京）有限公司 | 一种地图匹配方法、装置、电子设备和存储介质 |
| CN112860826A (zh) * | 2021-01-15 | 2021-05-28 | 北京小米移动软件有限公司 | 一种功能控制方法、功能控制装置及存储介质 |
| CN112985400B (zh) * | 2021-01-29 | 2022-09-27 | 宁夏荣光电节能科技实业有限公司 | 一种三维定位方法及三维定位装置 |
| CN112985400A (zh) * | 2021-01-29 | 2021-06-18 | 宁夏荣光电节能科技实业有限公司 | 一种三维定位方法及三维定位装置 |
| CN113159343A (zh) * | 2021-04-28 | 2021-07-23 | 深圳市阳谷医疗系统有限公司 | 一种基于共享数据库的医疗垃圾净化处理系统 |
| CN112989482A (zh) * | 2021-05-18 | 2021-06-18 | 三一筑工科技股份有限公司 | Bim模型数据的生成方法及装置和构建方法及装置 |
| CN113372075A (zh) * | 2021-07-02 | 2021-09-10 | 桂林理工大学 | 基于3d打印的混凝土及其制备方法、3d打印柱模板 |
| CN113372075B (zh) * | 2021-07-02 | 2022-12-16 | 桂林理工大学 | 基于3d打印的混凝土及其制备方法、3d打印柱模板 |
| CN114509070A (zh) * | 2022-02-16 | 2022-05-17 | 中国电子科技集团公司第五十四研究所 | 一种无人机导航定位方法 |
| CN114509070B (zh) * | 2022-02-16 | 2024-03-15 | 中国电子科技集团公司第五十四研究所 | 一种无人机导航定位方法 |
| CN114332648B (zh) * | 2022-03-07 | 2022-08-12 | 荣耀终端有限公司 | 一种位置标识方法及电子设备 |
| CN114332648A (zh) * | 2022-03-07 | 2022-04-12 | 荣耀终端有限公司 | 一种位置标识方法及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110866079B (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866079B (zh) | 一种智慧景区实景语义地图的生成与辅助定位方法 | |
| 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 | |
| US10043097B2 (en) | Image abstraction system | |
| Zamir et al. | Accurate image localization based on google maps street view | |
| CN103337052B (zh) | 面向宽幅遥感影像的自动几何纠正方法 | |
| CN106960210B (zh) | 目标检测的方法和装置 | |
| CN105809651B (zh) | 基于边缘非相似性对比的图像显著性检测方法 | |
| CN104573744B (zh) | 精细粒度类别识别及物体的部分定位和特征提取方法 | |
| CN103645480A (zh) | 基于激光雷达和图像数据融合的地形地貌特征构建方法 | |
| CN112560623B (zh) | 一种基于无人机的红树植物种类快速识别方法 | |
| CN111325184B (zh) | 一种遥感影像智能解译与变化信息检测方法 | |
| Ma et al. | An intelligent object detection and measurement system based on trinocular vision | |
| CN112634368A (zh) | 场景目标的空间与或图模型生成方法、装置及电子设备 | |
| CN106778649A (zh) | 一种判断景点标识物的图像识别算法 | |
| You et al. | Joint 2-D–3-D traffic sign landmark data set for geo-localization using mobile laser scanning data | |
| CN111383286A (zh) | 定位方法、装置、电子设备及可读存储介质 | |
| Kukolj et al. | Road edge detection based on combined deep learning and spatial statistics of LiDAR data | |
| CN116630828B (zh) | 基于地形环境适配的无人机遥感信息采集系统及方法 | |
| Dong et al. | Building Extraction from High Spatial Resolution Remote Sensing Images of Complex Scenes by Combining Region-Line Feature Fusion and OCNN | |
| CN110363101A (zh) | 一种基于cnn特征融合框架的花卉识别方法 | |
| CN114694022A (zh) | 一种基于球形邻域的多尺度多特征算法的语义分割方法 | |
| CN108399413A (zh) | 一种图片拍摄区域识别及地理定位方法及装置 | |
| Jiao et al. | Individual building rooftop and tree crown segmentation from high-resolution urban aerial optical images | |
| CN110147755B (zh) | 基于上下文级联cnn的人头检测方法 | |
| Li et al. | Low-cost 3D building modeling via image processing |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200306 Assignee: Guangxi Yuzhi Information Technology Co.,Ltd. Assignor: GUILIN University OF TECHNOLOGY Contract record no.: X2023980044314 Denomination of invention: A Method for Generating and Assisting Localization of Semantic Maps for Smart Scenic Spots Granted publication date: 20230505 License type: Common License Record date: 20231023 |