CN111563448B - 一种违章建筑物检测方法、装置、电子设备和存储介质 - Google Patents
一种违章建筑物检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111563448B CN111563448B CN202010364376.6A CN202010364376A CN111563448B CN 111563448 B CN111563448 B CN 111563448B CN 202010364376 A CN202010364376 A CN 202010364376A CN 111563448 B CN111563448 B CN 111563448B
- Authority
- CN
- China
- Prior art keywords
- building
- candidate
- offending
- violation
- illegal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 230000015654 memory Effects 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 11
- 238000013145 classification model Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种违章建筑物检测方法、装置、电子设备和存储介质，涉及计算机视觉领域。具体实现方案为：基于卫星图像数据，确定候选违章建筑物的位置信息；根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息；根据所述候选违章建筑物的属性信息，对所述候选违章建筑物进行分类。本申请实施例提高了违章建筑物的检测效率以及检测准确度。
Description
技术领域
本申请涉及数据处理技术，具体涉及计算机视觉技术，尤其涉及一种一种违章建筑物检测方法、装置、电子设备和存储介质。
背景技术
违章建筑物是指未取得拟建工程规划许可证，在规划区以外建设，违反相关法律法规的规定动工建造的房屋及设施。
违章建筑物存在侵占安全通道和非法占用耕地、影响城市公共空间、破坏生态环境等特点，因此亟需处理。并且由于很多违章建筑物隐匿在合法建筑物里，增加了检测的难度和降低了检测的准确度。
发明内容
本申请实施例提供了一种用于违章建筑物检测的方法、装置、电子设备和存储介质。
根据第一方面，提供了一种违章建筑物检测方法，包括：
基于卫星图像数据，确定候选违章建筑物的位置信息；
根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息；
根据所述候选违章建筑物的属性信息，对所述候选违章建筑物进行分类。
根据第二方面，提供了一种违章建筑物检测装置，包括：
位置信息确定模块，用于基于卫星图像数据，确定候选违章建筑物的位置信息；
属性信息确定模块，用于根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息；
建筑物分类模块，用于根据所述候选违章建筑物的属性信息，对所述候选违章建筑物进行分类。
根据第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本申请实施例中任一所述的违章建筑物检测方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如本申请实施例中任一所述的违章建筑物检测方法。
根据本申请的技术提高了违章建筑物的检测效率以及检测准确度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例公开的一种违章建筑物检测方法的流程示意图；
图2是根据本申请实施例公开的一种违章建筑物检测方法的流程示意图；
图3是根据本申请实施例公开的一种违章建筑物检测方法的示意图；
图4是根据本申请实施例公开的一种违章建筑物检测方法的流程示意图；
图5是根据本申请实施例公开的一种违章建筑物检测装置的结构示意图；
图6是用来实现本申请实施例的违章建筑物检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例公开的一种违章建筑物检测方法的流程示意图，本实施例可以适用于对违章建筑物进行检测的情况，典型的，本实施例可以适用于对候选违章建筑物进行分类的情况。本实施例方法可以由违章建筑物检测装置执行，该装置可采用软件和/或硬件的方式实现，并可集成在电子设备中。参见图1，本实施例公开的违章建筑物检测方法可以包括：
S101、基于卫星图像数据，确定候选违章建筑物的位置信息。
其中，卫星图像数据为各种人造地球卫星在运行过程中，通过照相机、电视摄像机、多光谱扫描仪等设备，对地面地物进行摄影或扫描所获得的图像资料。候选违章建筑物为经过对获取的卫星图像数据的分析处理得到的可能为违章建筑物的对象。
位置信息为候选违章建筑物的具体位置，可以为经纬度位置等，本实施例对此不作限制。由于卫星图像中的像素点和实际经纬度坐标能够一一对应，因此候选违章建筑物的位置信息可以从卫星图像数据中获取。
具体的，基于图像处理技术，对卫星图像数据进行处理，得到卫星图像数据中的候选违章建筑物。本申请实施例对图像处理技术不做具体限定。
可选的，基于卫星图像数据，确定候选违章建筑物的位置信息，包括：
将所述卫星图像数据作为违章建筑物检测模型的输入，并根据所述违章建筑物检测模型的输出确定候选违章建筑物的位置信息；
其中，所述违章建筑物检测模型基于实例分割模型构建。
违章建筑物检测模型用于对输入的卫星图像数据进行违章建筑物识别，将违章建筑物检测模型识别的结果作为候选违章建筑物。其中，违章建筑物检测模型预先根据标注有违章建筑物信息的卫星图像样本训练得到，可以基于Mask R-CNN等实例分割模型构建，本实施例对此不进行任何限制。其中，实例分割模型为首先识别出图形中的不同实例，再在不同实例区域内进行逐像素标记的模型。通过构建违章建筑物检测模型获取候选违章建筑物，缩小违章建筑物的检测范围，以便对获取的候选违章建筑物的进一步分析处理，获取更精确的检测结果，提高了违章建筑物的检测效率以及检测的准确度。
在获取候选违章建筑物的情况下，可以根据卫星图像数据中像素点与地理位置的对应关系，确定候选违章建筑物的位置信息。
S102、根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息。
根据候选违章建筑物的位置信息确定候选违章建筑物所在区域，并通过分析该区域处的用户数据获取该处候选违章建筑物的属性信息。属性信息可以为候选违章建筑物所在范围内的人或物的信息，例如候选违章建筑物A为居住用地，或候选违章建筑物B中每日早上八点至下午五点活动的人数等。
S103、根据所述候选违章建筑物的属性信息，对所述候选违章建筑物进行分类。
其中，候选违章建筑物可以有至少两种类型，例如违章建筑物，非违章建筑物，非违章建筑物类别下还可以再细分有至少两种子类别。可以基于机器学习，对候选违章建筑物进行分类。
具体的，可以基于分类模型，将属性信息作为预先构建的分类模型的输入特征，分类模型的输出作为分类结果。其中，分类模型可以为逻辑回归模型、支持向量机或深度学习模型等，本实施例对此不作限制。可选的，所述违章建筑物为违章大棚房；所述候选违章建筑物的类别包括非违章建筑物、民用违章建筑物和商用违章建筑物。
其中，大棚房是指一些工商企业、个人及组织借建农业设施或农业园区之名，违法违规占用耕地甚至永久基本农田，用于非农业建设的建筑。针对违章大棚房，候选违章建筑物包括非违章建筑物、民用违章建筑物和商用违章建筑物。其中，非违章建筑物为经过基于卫星图像数据初步识别后识别错误的候选违章建筑物；商用违章建筑物和民用违章建筑物为违章建筑物在功能上的分类。通过检测违章建筑物时对违章建筑物进行分类，便于后续针对不同类型的违章建筑物进行进一步处理。
结合候选违章建筑物的属性信息，对所述候选违章建筑物进行分类，提高了违章建筑物检测的准确性。示例性的，当候选违章建筑物的搜索序列中出现农业类词语时，提高了候选违章建筑物分类为违章建筑物的可能性，从而提高了违章建筑物检测的准确性。
本申请实施例的技术方案，通过基于卫星图像数据，确定候选违章建筑物的位置信息；根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息；根据所述候选违章建筑物的属性信息，对所述候选违章建筑物进行分类，提高了违章建筑物的检测效率以及检测的准确度。
图2是根据本申请实施例公开的一种违章建筑物检测方法的流程示意图，本申请实施例在上述实施例的基础上，为了进一步提高违章建筑物的效率和准确度，若所述候选违章建筑物的类别为民用违章建筑物或商用违章建筑物，则对所述候选违章建筑物进行分类之后，还包括：根据所述候选违章建筑物所属区域的工作人数、居住人数和到访人数中至少一项，对所述候选违章建筑物的类别进行修正。参见图2，该方法具体可以包括：
S201、基于卫星图像数据，确定候选违章建筑物的位置信息。
S202、根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息。
可选的，所述候选违章建筑物的属性信息包括如下至少一项：所述候选违章建筑物的常驻数据、到访数据和搜索数据；
所述常驻数据包括当前周期的工作人数和/或居住人数；
所述到访数据包括预设时段的到访人数和/或停留时段；
所述搜索数据为位于所述候选违章建筑物所属区域中用户的搜索序列。
其中，常驻数据包括当前周期的工作人数和/或居住人数，当前周期为获取当前常驻数据的指定时间范围；示例性的，常驻数据为在候选违章建筑物中当月的工作人数和居住人数。
到访数据包括预设时段的到访人数和/或停留时段，预设时段为获取到访数据的指定时间段；示例性的，到访数据为工作日到访候选违章建筑物的人数，或为节假日到访候选违章建筑物并在建筑物中停留的时段等。到访数据可以根据用户的定位数据确定，本实施例对此不作限制。
搜索数据为位于候选违章建筑物所属区域中用户的搜索序列，搜索序列为候选违章建筑物所属区域中用户的搜索信息(query)经过处理后得到的信息序列，其中，用户指常驻或到访候选违章建筑物所属区域的人。示例性的，对用户搜索的信息进行处理的过程为：对获取的搜索信息进行分词、脱敏清洗、对语气词助词等过滤处理后得到搜索实体词，再通过词嵌入等自然语言处理方法将搜索实体词进行转化计算，将最终获得的向量序列作为搜索序列，从而提高搜索信息分析处理的效率。
通过确定候选违章建筑物的属性信息，对候选违章建筑物进行具体分析，获取与候选违章建筑自身相关的数据，提高对候选违章建筑物分类的准确度。
可选的，所述候选违章建筑物的属性信息还包括所述候选违章建筑物的用户画像数据。
其中，用户画像数据为候选违章建筑物所属区域中的用户的统计数据，可为用户年龄分布、用户性别分布、用户行业分布等，本实施例对此不作限制。
S203、根据所述候选违章建筑物的属性信息，对所述候选违章建筑物进行分类。
当基于分类模型对候选违章建筑物进行分类时，分类模型的输入特征可以为候选违章建筑的常驻数据、到访数据、搜索数据和画像数据。示例性的，在到访数据中，获取最近一个月工作日的24小时中每小时到访的平均人数，构成24维特征，获取最近一个月休息日的24小时中每小时到访的平均人数，构成24维特征，共构成48维的特征向量x1。在搜索数据中，将获取的搜索序列作为该候选违章建筑物所属区域中128维的特征向量x2。在画像数据中，将用户年龄分为6个年龄段，构成6维特征向量，性别分布构成2维特征向量，行业分布分为20个行业，构成共20维特征向量，总共28维特征向量x3。在常驻数据中，将当前一周内的工作人数和居住人数，构成2维特征向量x4。对于每一个候选违章建筑物，构造一个共x1+x2+x3+x4＝206维度的特征向量，其中向量维度的具体数值仅用于举例，本实施例对此不作限制。将特征向量输入分类模型，获取候选违章建筑物的分类结果。
S204、根据所述候选违章建筑物所属区域的工作人数、居住人数和到访人数中至少一项，对所述候选违章建筑物的类别进行修正。
当候选违章建筑物经过分类的结果为商用违章建筑物和民用违章建筑物中的一种，且置信度较低时，可以对分类结果进行进一步修正。修正方式可以为根据候选违章建筑物所属区域的工作人数、居住人数和到访人数中至少一项对分类结果进行约束。示例性的，约束条件可以为：若候选违章建筑物所属区域内指定时间段的居住人数大于第一阈值且大于工作人数，则确定候选违章建筑物为民用违章建筑物；若候选违章建筑物所属区域内工作人数大于第二阈值且大于居住人数，则确定候选违章建筑物为商用违章建筑物；若候选违章建筑物所属区域内指定时间段的到访人数大于第三阈值，则确定候选违章建筑物为商用违章建筑物等。通过对分类结果的进一步处理，提高了违章建筑物检测的准确度。
需要说明的是，本申请实施例中，对候选违章建筑物的类别进行修正为一种可选的实施例方式，可在根据候选违章建筑物的属性信息，对候选违章建筑物进行分类获得的分类结果满足正确率等要求时，不进行该步骤。
图3是根据本申请实施例公开的一种违章建筑物检测方法的示意图。
如图3所示，将卫星图像数据作为违章建筑物检测模型的输入，根据违章建筑物检测模型的输出确定候选违章建筑物的位置信息。
根据位置信息，分析得到候选违章建筑物的属性信息。其中，属性信息包括候选违章建筑物的常驻数据、到访数据、搜索数据和画像数据。
再根据属性信息，对候选违章建筑物进行分类，得到候选违章建筑物的类别，提高违章建筑物检测的效率以及准确度。
本申请实施例的技术方案，通过基于卫星图像数据，确定候选违章建筑物的位置信息；根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息；根据所述候选违章建筑物的属性信息，对所述候选违章建筑物进行分类；根据所述候选违章建筑物所属区域的工作人数、居住人数和到访人数中至少一项，对所述候选违章建筑物的类别进行修正。进一步提高了违章建筑物检测的准确度。
图4是根据本申请实施例公开的一种违章建筑物检测方法的流程示意图，本申请实施例在上述实施例的基础上，为了进一步提高违章建筑物的效率和准确度，根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息之前，还包括：对所述候选违章建筑物进行筛选。参见图4，该方法具体可以包括：
S401、基于卫星图像数据，确定候选违章建筑物的位置信息。
S402、对所述候选违章建筑物进行筛选。
对基于卫星图像数据分析得到的候选违章建筑物进行筛选，滤除是违章建筑物的概率较小的候选违章建筑物，将筛选结果进行后续处理。
作为一种可选的实施方式，对所述候选违章建筑物进行筛选，包括：
基于地理围栏技术，滤除与路网中建筑物区域交叠的候选违章建筑物。
其中，地理围栏技术为用虚拟的栅栏在地理区域中围出虚拟地理边界的技术。路网中建筑物为学校、商场、道路等路网中已知合法的建筑物。基于地理围栏技术，将候选违章建筑物中为路网中建筑物的部分滤除，获取为违章建筑物可能性较大的候选违章建筑物，从而提高违章建筑物检测的正确率。
作为另一种可选的实施方式，对所述候选违章建筑物进行筛选，包括：
对用户位置进行聚类，得到用户区域；
滤除与所述用户区域独立的所述候选违章建筑物。
其中，对用户位置进行聚类为基于用户的位置获取用户集中的区域，将用户集中区域作为用户区域。示例性的，对休息时段(例如凌晨2:00-4:00)的用户位置进行聚类，得到用户区域；或对营业时段(例如白天10:00-17:00)的用户位置进行聚类，得到用户区域等。由于违章建筑物非民用即商用，没有用户聚集的可能性较小，因此滤除候选违章建筑物中非用户区域的部分，从而提高违章建筑物检测的正确率。
S403、根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息。
获取筛选后的候选违章建筑物，再根据候选违章建筑物的位置信息，确定候选违章建筑物的属性信息。
S404、根据所述候选违章建筑物的属性信息，对所述候选违章建筑物进行分类。
本申请实施例的技术方案，通过基于卫星图像数据，确定候选违章建筑物的位置信息；对所述候选违章建筑物进行筛选；根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息；根据所述候选违章建筑物的属性信息，对所述候选违章建筑物进行分类。进一步提高了违章建筑物的检测效率以及检测的准确度。
图5是根据本申请实施例公开的一种违章建筑物检测装置的结构示意图，本实施例该装置可采用软件和/或硬件的方式实现，可以执行本申请任意实施例提供的违章建筑物检测方法，具备执行方法相应的功能模块和有益效果。参见图5，本实施例公开的违章建筑物检测装置500包括位置信息确定模块501、属性信息确定模块502和建筑物分类模块503，其中：
位置信息确定模块501，用于基于卫星图像数据，确定候选违章建筑物的位置信息；
属性信息确定模块502，用于根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息；
建筑物分类模块503，用于根据所述候选违章建筑物的属性信息，对所述候选违章建筑物进行分类。
可选的，本实施例装置中所述候选违章建筑物的属性信息包括如下至少一项：所述候选违章建筑物的常驻数据、到访数据和搜索数据；
所述常驻数据包括当前周期的工作人数和/或居住人数；
所述到访数据包括预设时段的到访人数和/或停留时段；
所述搜索数据为位于所述候选违章建筑物所属区域中用户的搜索序列。
可选的，本实施例装置中所述候选违章建筑物的属性信息还包括所述候选违章建筑物的用户画像数据。
可选的，本实施例装置还包括：建筑物筛选模块，用于所述属性信息确定模块502之前，对所述候选违章建筑物进行筛选。
可选的，建筑物筛选模块包括：第一建筑物滤除单元，用于基于地理围栏技术，滤除与路网中建筑物区域交叠的候选违章建筑物。
可选的，建筑物筛选模块包括：位置聚类单元，用于对用户位置进行聚类，得到用户区域；
第二建筑物滤除单元，用于滤除与所述用户区域独立的所述候选违章建筑物。
具体的，所述位置信息确定模块501包括：位置信息确定单元，用于将所述卫星图像数据作为违章建筑物检测模型的输入，并根据所述违章建筑物检测模型的输出确定候选违章建筑物的位置信息；
其中，所述违章建筑物检测模型基于实例分割模型构建。
可选的，本实施例装置还包括：建筑物修正模块，用于所述建筑物分类模块503之后，根据所述候选违章建筑物所属区域的工作人数、居住人数和到访人数中至少一项，对所述候选违章建筑物的类别进行修正。
本申请实施例所公开的违章建筑物检测装置500可执行本申请实施例所公开的任意的违章建筑物检测方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是用来实现本申请实施例的违章建筑物检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的违章建筑物检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的违章建筑物检测方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的违章建筑物检测方法对应的程序指令/模块(例如，附图5所示的位置信息确定模块501、属性信息确定模块502和建筑物分类模块503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的违章建筑物检测的方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于实现本申请实施例中违章建筑物检测的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至用于实现本申请实施例中违章建筑物检测的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于实现本申请实施例中违章建筑物检测的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与用于实现本申请实施例中违章建筑物检测的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过基于卫星图像数据，确定候选违章建筑物的位置信息；根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息；根据所述候选违章建筑物的属性信息，对所述候选违章建筑物进行分类，提高了违章建筑物的检测效率以及检测的准确度。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (14)
1.一种违章建筑物检测方法，其特征在于，包括：
基于卫星图像数据，确定候选违章建筑物的位置信息；
根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息；
根据所述候选违章建筑物的属性信息，对所述候选违章建筑物进行分类；
若所述候选违章建筑物的类别为民用违章建筑物或商用违章建筑物，根据所述候选违章建筑物所属区域的工作人数、居住人数和到访人数中至少一项，对所述候选违章建筑物的类别进行约束，所述约束条件包括：
若候选违章建筑物所属区域内指定时间段的居住人数大于第一阈值且大于工作人数，则确定候选违章建筑物为民用违章建筑物；
若候选违章建筑物所属区域内工作人数大于第二阈值且大于居住人数，则确定候选违章建筑物为商用违章建筑物；
若候选违章建筑物所属区域内指定时间段的到访人数大于第三阈值，则确定候选违章建筑物为商用违章建筑物。
2.根据权利要求1所述的方法，其特征在于，所述候选违章建筑物的属性信息包括如下至少一项：所述候选违章建筑物的常驻数据、到访数据和搜索数据；
所述常驻数据包括当前周期的工作人数和/或居住人数；
所述到访数据包括预设时段的到访人数和/或停留时段；
所述搜索数据为位于所述候选违章建筑物所属区域中用户的搜索序列。
3.根据权利要求2所述的方法，其特征在于，所述候选违章建筑物的属性信息还包括所述候选违章建筑物的用户画像数据。
4.根据权利要求1所述的方法，其特征在于，根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息之前，还包括：
对所述候选违章建筑物进行筛选。
5.根据权利要求4所述的方法，其特征在于，对所述候选违章建筑物进行筛选，包括：
基于地理围栏技术，滤除与路网中建筑物区域交叠的候选违章建筑物。
6.根据权利要求4所述的方法，其特征在于，对所述候选违章建筑物进行筛选，包括：
对用户位置进行聚类，得到用户区域；
滤除与所述用户区域独立的所述候选违章建筑物。
7.根据权利要求1所述的方法，其特征在于，基于卫星图像数据，确定候选违章建筑物的位置信息，包括：
将所述卫星图像数据作为违章建筑物检测模型的输入，并根据所述违章建筑物检测模型的输出确定候选违章建筑物的位置信息；
其中，所述违章建筑物检测模型基于实例分割模型构建。
8.一种违章建筑物检测装置，其特征在于，包括：
位置信息确定模块，用于基于卫星图像数据，确定候选违章建筑物的位置信息；
属性信息确定模块，用于根据所述候选违章建筑物的位置信息，确定所述候选违章建筑物的属性信息；
建筑物分类模块，用于根据所述候选违章建筑物的属性信息，对所述候选违章建筑物进行分类；
建筑物修正模块，用于若所述候选违章建筑物的类别为民用违章建筑物或商用违章建筑物，根据所述候选违章建筑物所属区域的工作人数、居住人数和到访人数中至少一项，对所述候选违章建筑物的类别进行约束，所述约束条件包括：
若候选违章建筑物所属区域内指定时间段的居住人数大于第一阈值且大于工作人数，则确定候选违章建筑物为民用违章建筑物；
若候选违章建筑物所属区域内工作人数大于第二阈值且大于居住人数，则确定候选违章建筑物为商用违章建筑物；
若候选违章建筑物所属区域内指定时间段的到访人数大于第三阈值，则确定候选违章建筑物为商用违章建筑物。
9.根据权利要求8所述的装置，其特征在于，所述候选违章建筑物的属性信息包括如下至少一项：所述候选违章建筑物的常驻数据、到访数据和搜索数据；
所述常驻数据包括当前周期的工作人数和/或居住人数；
所述到访数据包括预设时段的到访人数和/或停留时段；
所述搜索数据为位于所述候选违章建筑物所属区域中用户的搜索序列。
10.根据权利要求9所述的装置，其特征在于，所述候选违章建筑物的属性信息还包括所述候选违章建筑物的用户画像数据。
11.根据权利要求8所述的装置，其特征在于，还包括：
建筑物筛选模块，用于所述属性信息确定模块之前，对所述候选违章建筑物进行筛选。
12.根据权利要求11所述的装置，其特征在于，所述建筑物筛选模块，包括：
第一建筑物滤除单元，用于基于地理围栏技术，滤除与路网中建筑物区域交叠的候选违章建筑物。
13. 一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的违章建筑物检测方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的违章建筑物检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010364376.6A CN111563448B (zh) | 2020-04-30 | 2020-04-30 | 一种违章建筑物检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010364376.6A CN111563448B (zh) | 2020-04-30 | 2020-04-30 | 一种违章建筑物检测方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111563448A CN111563448A (zh) | 2020-08-21 |
| CN111563448B true CN111563448B (zh) | 2023-10-31 |
Family
ID=72071681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010364376.6A Active CN111563448B (zh) | 2020-04-30 | 2020-04-30 | 一种违章建筑物检测方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563448B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111915608B (zh) * | 2020-09-11 | 2023-08-15 | 北京百度网讯科技有限公司 | 建筑物提取方法、装置、设备和存储介质 |
| CN112348708A (zh) * | 2020-11-05 | 2021-02-09 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于城市老旧小区改造的违建采集分类方法 |
| CN113724117A (zh) * | 2020-12-28 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 用于房屋异常使用识别的模型训练方法和装置 |
| CN112990168B (zh) * | 2021-05-20 | 2021-08-03 | 江苏瞭望神州大数据科技有限公司 | 一种违法用地监测方法及系统 |
| 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 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108171465A (zh) * | 2017-12-08 | 2018-06-15 | 杭州品茗安控信息技术股份有限公司 | 一种施工违规监控系统及方法 |
| 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 |
| CN109284988A (zh) * | 2018-12-24 | 2019-01-29 | 上海市浦东新区城市运行综合管理中心 | 数据分析系统及方法 |
| CN109753928A (zh) * | 2019-01-03 | 2019-05-14 | 北京百度网讯科技有限公司 | 违章建筑物识别方法和装置 |
| CN110096943A (zh) * | 2019-01-28 | 2019-08-06 | 浙江浩腾电子科技股份有限公司 | 一种基于深度学习的违章建筑检测系统 |
| CN110399820A (zh) * | 2019-07-16 | 2019-11-01 | 西安工程大学 | 一种公路路边景物视觉识别分析方法 |
| CN110659427A (zh) * | 2019-09-06 | 2020-01-07 | 北京百度网讯科技有限公司 | 基于多源数据的城市功能划分方法、装置和电子设备 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101840581B (zh) * | 2010-02-05 | 2011-12-28 | 北京交通大学 | 一种从卫星遥感影像中提取建筑物轮廓的方法 |
| CN105184308B (zh) * | 2015-08-03 | 2020-09-29 | 北京航空航天大学 | 一种基于全局优化决策的遥感图像建筑物检测分类方法 |
| US10643291B2 (en) * | 2015-09-28 | 2020-05-05 | Smartvid.io, Inc. | Media management system |
| CN105893972B (zh) * | 2016-04-08 | 2022-03-11 | 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 |
| CN107247938B (zh) * | 2017-06-08 | 2019-12-06 | 中国科学院遥感与数字地球研究所 | 一种高分辨率遥感影像城市建筑物功能分类的方法 |
| CN107992856B (zh) * | 2017-12-25 | 2021-06-29 | 南京信息工程大学 | 城市场景下的高分遥感建筑物阴影检测方法 |
| AU2018101336A4 (en) * | 2018-09-12 | 2018-10-11 | Hu, Yuan Miss | Building extraction application based on machine learning in Urban-Suburban-Integration Area |
| CN110243354B (zh) * | 2019-07-04 | 2024-05-24 | 桂林理工大学 | 一种城市违法建筑物动态监测方法和系统 |
| CN110866531A (zh) * | 2019-10-15 | 2020-03-06 | 深圳新视达视讯工程有限公司 | 一种基于三维建模的建筑物特征提取方法、系统及存储介质 |
| CN110852207A (zh) * | 2019-10-29 | 2020-02-28 | 北京科技大学 | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 |
-
2020
- 2020-04-30 CN CN202010364376.6A patent/CN111563448B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108171465A (zh) * | 2017-12-08 | 2018-06-15 | 杭州品茗安控信息技术股份有限公司 | 一种施工违规监控系统及方法 |
| 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 |
| CN109284988A (zh) * | 2018-12-24 | 2019-01-29 | 上海市浦东新区城市运行综合管理中心 | 数据分析系统及方法 |
| CN109753928A (zh) * | 2019-01-03 | 2019-05-14 | 北京百度网讯科技有限公司 | 违章建筑物识别方法和装置 |
| CN110096943A (zh) * | 2019-01-28 | 2019-08-06 | 浙江浩腾电子科技股份有限公司 | 一种基于深度学习的违章建筑检测系统 |
| CN110399820A (zh) * | 2019-07-16 | 2019-11-01 | 西安工程大学 | 一种公路路边景物视觉识别分析方法 |
| CN110659427A (zh) * | 2019-09-06 | 2020-01-07 | 北京百度网讯科技有限公司 | 基于多源数据的城市功能划分方法、装置和电子设备 |
Non-Patent Citations (6)
| Title |
|---|
| Illegal buildings detection from satellite images using googlenet and cadastral map;Ostankovich V 等;《2018 international conference on Intelligent Systems (IS)》;616-623 * |
| Liang-Chieh Chen, Alexander Hermans, George Papandreou, Florian Schroff, Peng Wang, Hartwig Adam, Google Inc, RWTH Aachen University, UCLA.MaskLab: Instance Segmentation by Refining Object Detection with Semantic and Direction Features.《2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition》.2018,4013-4022. * |
| 刘正军,张继贤,孟亚宾,梁欣廉,孙晓霞.基于分类与形态综合的高分辨率影像建筑物提取方法研究.《测绘科学》.2007,第32卷(第3期),38-39,46,. * |
| 刘润,张绍良,贾蓉.特征筛选方法在高分辨率遥感影像建筑物提取中的应用.《测绘通报》.2018,第491卷(第491期),126-130. * |
| 基于视觉感知的高分辨率遥感影像建筑物检测方法研究;胡艳;《中国博士学位论文全文数据库 (基础科学辑)》(第01期);A008-34 * |
| 张旭，葛娴君.基于块粒度筛选及几何特征多分类的遥感郊外建筑物检测.《科学技术创新》.2019,(第9期),32-33. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111563448A (zh) | 2020-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563448B (zh) | 一种违章建筑物检测方法、装置、电子设备和存储介质 | |
| Hara et al. | Tohme: detecting curb ramps in google street view using crowdsourcing, computer vision, and machine learning | |
| US8958603B2 (en) | Automated mapping of land cover using sequences of aerial imagery | |
| Turker et al. | Building‐based damage detection due to earthquake using the watershed segmentation of the post‐event aerial images | |
| Gupta et al. | Deep learning-based aerial image segmentation with open data for disaster impact assessment | |
| CN111858820B (zh) | 用地性质识别方法、装置、电子设备及存储介质 | |
| CN106845352B (zh) | 行人检测方法和装置 | |
| US11829192B2 (en) | Method, apparatus, and computer program product for change detection based on digital signatures | |
| CN112330815B (zh) | 基于障碍物融合的三维点云数据处理方法、装置和设备 | |
| CN111950537B (zh) | 斑马线信息获取方法、地图更新方法、装置及系统 | |
| KR102376912B1 (ko) | 인공지능을 활용한 공간정보 기반의 토지 관리 장치 및 방법 | |
| CN111639253B (zh) | 一种数据判重方法、装置、设备及存储介质 | |
| CN111881908B (zh) | 目标检测模型的修正方法、检测方法、装置、设备及介质 | |
| Almagbile | Estimation of crowd density from UAVs images based on corner detection procedures and clustering analysis | |
| Li et al. | A method based on an adaptive radius cylinder model for detecting pole-like objects in mobile laser scanning data | |
| CN112581533B (zh) | 定位方法、装置、电子设备及存储介质 | |
| Huang et al. | Automatic change detection method of multitemporal remote sensing images based on 2D‐Otsu algorithm improved by firefly algorithm | |
| AU2019349986A1 (en) | Apparatus and method for three-dimensional object recognition | |
| CN114443794A (zh) | 数据处理和地图更新方法、装置、设备以及存储介质 | |
| Mast et al. | Mapping urban villages using fully convolutional neural networks | |
| San Blas et al. | A Platform for Swimming Pool Detection and Legal Verification Using a Multi-Agent System and Remote Image Sensing. | |
| CN113011298A (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 | |
| CN112749701A (zh) | 车牌污损分类模型的生成方法和车牌污损分类方法 | |
| CN113297878A (zh) | 道路交叉口识别方法、装置、计算机设备和存储介质 | |
| Xu et al. | R-ProjNet: an optimal rotated-projection neural network for wood segmentation from point clouds |
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 |