CN111767764A - 建筑楼块的识别方法、装置、服务器及存储介质 - Google Patents

Abstract

本申请公开了一种建筑楼块的识别方法、装置、服务器及存储介质，该方法包括：获取待识别的卫星图像；利用已训练的神经网络模型对所述卫星图像进行识别，以确定所述卫星图像上包含的所有疑似建筑轮廓、以及每个所述疑似建筑轮廓的置信度；根据所述置信度从所述疑似建筑轮廓中确定目标轮廓集合，从而能快速高效的从卫星地图中识别出建筑楼块，无需人工参与，准确率高，识别效果好。

Description

建筑楼块的识别方法、装置、服务器及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种建筑楼块的识别方法、装置、服务器及存储介质。

背景技术

电子地图(Electronic map)，即数字地图，是利用计算机技术，以数字方式存储和查阅的地图。

随着计算机技术的发展、以及各种绘图、压缩技术的进步，目前的电子地图已经能够以矢量图像的方式储存，地图比例可放大、缩小或旋转而不影响显示效果，目前，电子地图上的建筑楼块信息通常有两种获取渠道：情报来源和人工影像作业，其中，情报来源的建筑楼块信息普遍过期率较高，影响最终电子地图的绘制准确率，而人工影像作业又太过依赖人力绘制和标注，地图绘制效率低。

发明内容

本申请实施例提供一种建筑楼块的识别方法、装置、服务器及存储介质，能快速高效从卫星地图中识别出建筑楼块，准确率高。

本申请实施例提供了一种建筑楼块的识别方法，包括：

获取待识别的卫星图像；

利用已训练的神经网络模型对所述卫星图像进行识别，以确定所述卫星图像上包含的所有疑似建筑轮廓、以及每个所述疑似建筑轮廓的置信度；

根据所述置信度从所述疑似建筑轮廓中确定目标轮廓集合，以从所述卫星图像中识别出建筑楼块，所述目标轮廓集合中包含至少一个目标轮廓。

本申请实施例还提供了一种建筑楼块的识别装置，包括：

获取模块，用于获取待识别的卫星图像；

识别模块，用于利用已训练的神经网络模型对所述卫星图像进行识别，以确定所述卫星图像上包含的所有疑似建筑轮廓、以及每个所述疑似建筑轮廓的置信度；

确定模块，用于根据所述置信度从所述疑似建筑轮廓中确定目标轮廓集合，以从所述卫星图像中识别出建筑楼块，所述目标轮廓集合中包含至少一个目标轮廓。

本申请实施例还提供了一种服务器，包括处理器和存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于执行上述任一项建筑楼块的识别方法中的步骤。

本申请实施例还提供了一种存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述任一项建筑楼块的识别方法。

本申请提供的建筑楼块的识别方法、装置、服务器及存储介质，通过获取待识别的卫星图像，并利用已训练的神经网络模型对该卫星图像进行识别，以确定该卫星图像上包含的所有疑似建筑轮廓、以及每个该疑似建筑轮廓的置信度，之后根据该置信度从该疑似建筑轮廓中确定目标轮廓集合，从而能从卫星地图中识别出建筑楼块，无需人工参与，准确率高，识别效果好。

附图说明

下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。

图1为本申请实施例提供的建筑楼块的识别方法的应用场景示意图。

图2为本申请实施例提供的建筑楼块的识别方法的流程示意图。

图3为本申请实施例提供的步骤S102的流程示意图。

图4为本申请实施例提供的步骤S103的流程示意图。

图5为本申请实施例提供的步骤S104的流程示意图。

图6为本申请实施例提供的建筑楼块的识别装置的结构示意图。

图7为本申请实施例提供的训练模块的结构示意图。

图8为本申请实施例提供的建筑楼块的识别装置的另一结构示意图。

图9为本申请实施例提供的服务器的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供一种建筑楼块的识别方法、装置、服务器及存储介质。

一种建筑楼块的识别方法，包括：获取待识别的卫星图像；利用已训练的神经网络模型对该卫星图像进行识别，以确定该卫星图像上包含的所有疑似建筑轮廓、以及每个该疑似建筑轮廓的置信度；根据该置信度从该疑似建筑轮廓中确定目标轮廓集合，以从所述卫星图像中识别出建筑楼块，该目标轮廓集合中包含至少一个目标轮廓。

以下将以区域A为需要进行楼块识别的建筑区域为例，简要描述区域A中建筑楼块的识别流程。

请参见图1，可以从某些厂商服务器提供的卫星图像下载接口中下载区域 A的卫星图片，作为待识别的卫星图像，之后，将该卫星图像输入神经网络模型中，该神经网络模型可以是应用实例分割卷积神经网络(Instance-based Segmentation ConvolutionalNeural Network)模型，以识别出卫星图像上每个建筑物对应的疑似建筑轮廓、以及每个疑似建筑轮廓的置信度，其中，同一建筑物可能会对应识别出多个相互重叠的疑似建筑轮廓，之后，根据置信度将这些相互重叠的建筑轮廓进行筛选，以使每个建筑物只保留一个最优的建筑轮廓作为目标轮廓，得到目标轮廓集合，也即筛选过后，每个建筑物只对应一个最优的建筑轮廓，从而识别出A中包含的所有建筑楼块。

如图2所示，图2是本申请实施例提供的建筑楼块的识别方法的流程示意图，具体流程可以如下：

S101.获取待识别的卫星图像。

本实施例中，当需要绘制某个区域的建筑图层时，可以将这个区域的卫星图像作为待识别的卫星图像，该卫星图像具体可以从一些公开的平台接口中下载，比如谷歌厂商会免费为大众提供亚米级卫星图像的网络下载接口。

S102.利用已训练的神经网络模型对该卫星图像进行识别，以确定该卫星图像上包含的所有疑似建筑轮廓、以及每个该疑似建筑轮廓的置信度。

本实施例中，该卫星图像的尺寸需满足模型的图像尺寸要求。该置信度是指该神经网络模型对识别出的对应疑似建筑轮廓的可信程度，一般置信度越高，该疑似建筑物轮廓准确度越高。该神经网络模型可以是应用实例分割卷积神经网络(Instance-basedSegmentation Convolutional Neural Network)模型，由于模型识别过程中，对于同一建筑物，其识别出的建筑轮廓可能并不唯一，此时，可以将识别出的所有建筑轮廓作为疑似建筑轮廓，等待后续删选工作。

需要说明的是，该神经网络模型应该是提前根据大量训练样本训练好的，也即，请参见图3，在上述步骤S102之前，该建筑楼块的识别方法还可以包括以下步骤：

S1021.获取多个已识别卫星图像、以及每个该已识别卫星图像对应的已绘制建筑图层。

本实施例中，该已绘制建筑图层可以从国内地图商提供的免费平台中下载，该已识别卫星图像可以是对已知的建筑区域拍摄的卫星图像，这些建筑区域通常是已经进行建筑图层绘制的区域。

S1022.根据该已识别卫星图像和已绘制建筑图层生成训练样本。

例如，该训练样本包括图像数据和标记数据，此时，上述步骤S1022具体可以包括：

将该已识别卫星图像和已绘制建筑图层统一到同一坐标系中；

将统一后的该已识别卫星图像作为图像数据，将统一后的该已绘制建筑图层作为标记数据。

本实施例中，该已识别卫星图像和已绘制建筑图层通常一一对应，其数量可以根据需求而定。由于卫星图像和建筑图层的来源不同，在制备训练样本时，需要先统一两者的坐标系，并将两者裁剪为模型可接受的图像尺寸。

S1023.利用该训练样本对该神经网络模型进行训练。

本实施例中，可以将已识别卫星图像作为图像数据，将已绘制建筑图层作为标记数据同时输入模型中，以对模型的初始权重和参数进行调整，使损失函数逐渐下降，达到最优化，从而实现训练过程。

S103、根据该置信度从该疑似建筑轮廓中确定目标轮廓集合，以从所述卫星图像中识别出建筑楼块，该目标轮廓集合中包含至少一个目标轮廓。

本实施例中，可利用非极大值抑制算法(Non-Maximum Suppression)来去掉重叠度比较高的冗余轮廓，留下最优的目标轮廓，具体的，请参见图4，上述步骤S103可以包括：

S1031.从当前所有疑似建筑轮廓中选取置信度最高的作为目标轮廓，加入目标轮廓集合中。

S1032.根据该目标轮廓从当前剩余的疑似建筑轮廓中确定待删除轮廓。

例如，上述步骤S1032具体可以包括：

计算每个剩余的该疑似建筑轮廓与目标轮廓之间的重叠度；

获取该重叠度大于预设阈值的该疑似建筑轮廓，作为待删除轮廓。

本实施例中，由于同一建筑物对应的多个疑似建筑轮廓大概率是相互重叠的，不同建筑物对应的疑似建筑物大概率是不重叠的，故可以将置信度高的目标轮廓作为删选基础，剩余的疑似建筑轮廓中若存在与该目标轮廓重叠度较高的，通常代表它们均是针对同一建筑物识别出的建筑轮廓，此时，保留其中置信度最高的那个(也即目标轮廓)即可，其余的建筑轮廓可以删除，以达到去除冗余的目的。

S1033.将该待删除轮廓进行删除，并返回执行该从当前所有疑似建筑轮廓中选取置信度最高的作为目标轮廓的步骤。

譬如，可以将所有疑似建筑轮廓(比如n个疑似建筑轮廓a1～an)作为集合N，将目标轮廓集合作为集合M，初始时刻，M为“空”，N中剩余轮廓个数为n，此时，可以将N中置信度最高的疑似建筑轮廓ai作为目标轮廓，移动至集合M中，i∈[1，n]，此时，M中轮廓个数为1，N中轮廓个数为n-1，之后，将N中的每个轮廓与M中的轮廓进行重叠度计算，并将N中重叠度大于预设阈值的轮廓作为待删除轮廓进行删除，之后，继续从N中剩余轮廓中选出置信度最高的那个，移动至M中，重新进行重叠度计算和删除工作，如此反复，直至集合N为“空”时才认为整个筛选过程执行完毕。

需要说明的是，在识别出建筑楼块之后，还可以进一步根据建筑楼块生成对应的建筑图层，也即请参见图5，在上述步骤S103之后，还可以包括以下步骤(也即步骤S104)：

S1041.利用预设算法对该目标轮廓集合中的目标轮廓进行调整，得到对应的调整后轮廓；

S1042.将每个该调整后轮廓中轮廓点的图像坐标转换为地理坐标；

S1043.根据该地理坐标生成该卫星图像对应的建筑图层。

本实施例中，模型识别出的建筑轮廓无法直接应用于地图背景，需要经过一系列后续调整才可，该后续调整主要包括坐标转换、多边形正则化、以及去噪等，该预设算法主要是多变形优化算法，用于将不规则的多变形正则化，以使其符合建筑图层绘制要求。

进一步地，上述步骤S1041具体可以包括：

确定该目标轮廓集合中每个目标轮廓的顶点图像坐标；

基于预设算法对该顶点图像坐标进行调整，以对该目标轮廓进行调整。

本实施例中，可以设定建筑物需满足的多个预设条件，根据这些条件来调整建筑物轮廓，比如：(1)一条边最少有3米，(2)两条边的夹角大概率为 90°，(3)两条边的夹角需大于30°，(4)一栋建筑只存在一个非90°的角度α，所有边的夹角只可能为90°或α±90°，(5)各顶点调整幅度小于2米，等等，根据这些条件对顶点图像坐标进行调整，使每个目标轮廓均满足这些条件。在调整过程中，可以随机选取目标轮廓的一个顶点作为初始顶点，依次调整剩余顶点的坐标位置，计算多边形边数作为目标优化项，调整顶点与初始顶点之间的距离平方和作为惩罚项，使用线性优化方法得到各顶点最优的图像坐标，以完成整个调整过程。

由上述可知，本实施例提供的建筑楼块的识别方法，通过获取待识别的卫星图像，并利用已训练的神经网络模型对该卫星图像进行识别，以确定该卫星图像上包含的所有疑似建筑轮廓、以及每个该疑似建筑轮廓的置信度，之后根据该置信度从该疑似建筑轮廓中确定目标轮廓集合，从而能快速高效的从卫星地图中识别出建筑楼块，无需人工参与，准确率高，识别效果好。

根据上述实施例所描述的方法，本实施例将从建筑楼块的识别装置的角度进一步进行描述，该建筑楼块的识别装置具体可以作为独立的实体来实现，也可以集成在服务器中。

请参阅图6，图6具体描述了本申请实施例提供的的建筑楼块的识别装置，该建筑楼块的识别装置可以包括：获取模块10、识别模块20和确定模块30，其中：

(1)获取模块10

获取模块10，用于获取待识别的卫星图像。

本实施例中，当需要绘制某个区域的建筑图层时，可以将这个区域的卫星图像作为待识别的卫星图像，该卫星图像具体可以从一些公开的平台接口中下载，比如谷歌厂商会免费为大众提供亚米级卫星图像的网络下载接口。

(2)识别模块20

识别模块20，用于利用已训练的神经网络模型对该卫星图像进行识别，以确定该卫星图像上包含的所有疑似建筑轮廓、以及每个该疑似建筑轮廓的置信度。

本实施例中，该卫星图像的尺寸需满足模型的图像尺寸要求。该置信度是指该神经网络模型对识别出的对应疑似建筑轮廓的可信程度，一般置信度越高，该疑似建筑物轮廓准确度越高。该神经网络模型可以是应用实例分割卷积神经网络(Instance-basedSegmentation Convolutional Neural Network)模型，由于模型识别过程中，对于同一建筑物，其识别出的建筑轮廓可能并不唯一，此时，可以将识别出的所有建筑轮廓作为疑似建筑轮廓，等待后续删选工作。

需要说明的是，该神经网络模型应该是提前根据大量训练样本训练好的，也即，请参见图7，该识别装置还可以包括训练模块50，具体包括获取单元51、生成单元52和训练单元33，其中：

获取单元51，用于在识别模块20利用已训练的神经网络模型对该卫星图像进行识别之前，获取多个已识别卫星图像、以及每个该已识别卫星图像对应的已绘制建筑图层。

本实施例中，该已绘制建筑图层可以从国内地图商提供的免费平台中下载，该已识别卫星图像可以是对已知的建筑区域拍摄的卫星图像，这些建筑区域通常是已经进行建筑图层绘制的区域。

生成单元52，用于根据该已识别卫星图像和已绘制建筑图层生成训练样本。

例如，该训练样本包括图像数据和标记数据，此时，上述生成单元52具体用于：

将该已识别卫星图像和已绘制建筑图层统一到同一坐标系中；

将统一后的该已识别卫星图像作为图像数据，将统一后的该已绘制建筑图层作为标记数据。

本实施例中，该已识别卫星图像和已绘制建筑图层通常一一对应，其数量可以根据需求而定。由于卫星图像和建筑图层的来源不同，在制备训练样本时，需要先统一两者的坐标系，并将两者裁剪为模型可接受的图像尺寸。

训练单元33，用于利用该训练样本对该神经网络模型进行训练。

本实施例中，可以将已识别卫星图像作为图像数据，将已绘制建筑图层作为标记数据同时输入模型中，以对模型的初始权重和参数进行调整，使损失函数逐渐下降，达到最优化，从而实现训练过程。

(3)确定模块30

确定模块30，用于根据该置信度从该疑似建筑轮廓中确定目标轮廓集合，该目标轮廓集合中包含至少一个目标轮廓。

本实施例中，可利用非极大值抑制算法(Non-Maximum Suppression)来去掉重叠度比较高的冗余轮廓，留下最优的目标轮廓，也即，该确定模块30具体可以用于：

S1031.从当前所有疑似建筑轮廓中选取置信度最高的作为目标轮廓，加入目标轮廓集合中。

S1032.根据该目标轮廓从当前剩余的疑似建筑轮廓中确定待删除轮廓。

进一步地，该确定模块30可以用于：

计算每个剩余的该疑似建筑轮廓与目标轮廓之间的重叠度；

获取该重叠度大于预设阈值的该疑似建筑轮廓，作为待删除轮廓。

本实施例中，由于同一建筑物对应的多个疑似建筑轮廓大概率是相互重叠的，不同建筑物对应的疑似建筑物大概率是不重叠的，故可以将置信度高的目标轮廓作为删选基础，剩余的疑似建筑轮廓中若存在与该目标轮廓重叠度较高的，通常代表它们均是针对同一建筑物识别出的建筑轮廓，此时，保留其中置信度最高的那个(也即目标轮廓)即可，其余的建筑轮廓可以删除，以达到去除冗余的目的。

S1033.将该待删除轮廓进行删除，并返回执行该从当前所有疑似建筑轮廓中选取置信度最高的作为目标轮廓的步骤。

譬如，可以将所有疑似建筑轮廓(比如n个疑似建筑轮廓a1～an)作为集合N，将目标轮廓集合作为集合M，初始时刻，M为“空”，N中剩余轮廓个数为n，此时，可以将N中置信度最高的疑似建筑轮廓ai作为目标轮廓，移动至集合M中，i∈[1，n]，此时，M中轮廓个数为1，N中轮廓个数为n-1，之后，将N中的每个轮廓与M中的轮廓进行重叠度计算，并将N中重叠度大于预设阈值的轮廓作为待删除轮廓进行删除，之后，继续从N中剩余轮廓中选出置信度最高的那个，移动至M中，重新进行重叠度计算和删除工作，如此反复，直至集合N为“空”时才认为整个筛选过程执行完毕。

需要说明的是，在识别出建筑楼块之后，还可以进一步根据建筑楼块生成对应的建筑图层，也即请参见图8，该建筑楼块的识别装置还包括:

生成模块40，用于根据该目标轮廓集合生成该卫星图像对应的建筑图层。

例如，该生成模块40具体可以用于：

S1041.利用预设算法对该目标轮廓集合中的目标轮廓进行调整，得到对应的调整后轮廓；

S1042.将每个该调整后轮廓中轮廓点的图像坐标转换为地理坐标；

S1043.该地理坐标生成该卫星图像对应的建筑图层。

本实施例中，模型识别出的建筑轮廓无法直接应用于地图背景，需要经过一系列后续调整才可，该后续调整主要包括坐标转换、多边形正则化、以及去噪等，该预设算法主要是多变形优化算法，用于将不规则的多变形正则化，以使其符合建筑图层绘制要求。

进一步地，该生成模块40具体可以用于：

确定该目标轮廓集合中每个目标轮廓的顶点图像坐标；

基于预设算法对该顶点图像坐标进行调整，以对该目标轮廓进行调整。

本实施例中，可以设定建筑物需满足的多个预设条件，根据这些条件来调整建筑物轮廓，比如：(1)一条边最少有3米，(2)两条边的夹角大概率为90°，(3)两条边的夹角需大于30°，(4)一栋建筑只存在一个非90°的角度α，所有边的夹角只可能为90°或α±90°，(5)各顶点调整幅度小于2米，等等，根据这些条件对顶点图像坐标进行调整，使每个目标轮廓均满足这些条件。在调整过程中，可以随机选取目标轮廓的一个顶点作为初始顶点，依次调整剩余顶点的坐标位置，计算多边形边数作为目标优化项，调整顶点与初始顶点之间的距离平方和作为惩罚项，使用线性优化方法得到各顶点最优的图像坐标，以完成整个调整过程。

具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。

由上述可知，本实施例提供的建筑楼块的识别装置，通过获取模块10获取待识别的卫星图像，识别模块20利用已训练的神经网络模型对该卫星图像进行识别，以确定该卫星图像上包含的所有疑似建筑轮廓、以及每个该疑似建筑轮廓的置信度，之后确定模块30根据该置信度从该疑似建筑轮廓中确定目标轮廓集合，从而能快速高效的从卫星地图中识别出建筑楼块，无需人工参与，准确率高，识别效果好。

相应的，本发明实施例还提供一种服务器，如图9所示，其示出了本发明实施例所涉及的服务器的结构示意图，具体来讲：

该服务器可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、射频(Radio Frequency，RF)电路403、电源404、输入单元405、以及显示单元406等部件。本领域技术人员可以理解，图9中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器401是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。

存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器 402可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。

RF电路403可用于收发信息过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器401处理；另外，将涉及上行的数据发送给基站。通常，RF电路403包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、低噪声放大器(LNA，Low Noise Amplifier)、双工器等。此外，RF电路403 还可以通过无线通信与网络和其他设备通信。该无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GSM，Global System of Mobilecommunication)、通用分组无线服务(GPRS，General Packet Radio Service)、码分多址(CDMA，Code Division Multiple Access)、宽带码分多址(WCDMA，Wideband CodeDivision Multiple Access)、长期演进(LTE，Long Term Evolution)、电子邮件、短消息服务(SMS，Short Messaging Service)等。

服务器还包括给各个部件供电的电源404(比如电池)，优选的，电源404 可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源404还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该服务器还可包括输入单元405，该输入单元405可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元405可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器401，并能接收处理器401发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元405还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

该服务器还可包括显示单元406，该显示单元406可用于显示由用户输入的信息或提供给用户的信息以及服务器的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元406可包括显示面板，可选的，可以采用液晶显示器(LCD，Liquid Crystal Display)、有机发光二极管(OLED，Organic Light-EmittingDiode)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器401以确定触摸事件的类型，随后处理器401根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图9中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。

尽管未示出，服务器还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，服务器中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401 来运行存储在存储器402中的应用程序，从而实现各种功能，如下：

获取待识别的卫星图像；

利用已训练的神经网络模型对该卫星图像进行识别，以确定该卫星图像上包含的所有疑似建筑轮廓、以及每个该疑似建筑轮廓的置信度；

根据该置信度从该疑似建筑轮廓中确定目标轮廓集合，以从所述卫星图像中识别出建筑楼块，该目标轮廓集合中包含至少一个目标轮廓。

该服务器可以实现本发明实施例所提供的任一种建筑楼块的识别装置所能实现的有效效果，详见前面的实施例，在此不再赘述。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，RandomAccess Memory)、磁盘或光盘等。

以上对本发明实施例所提供的一种建筑楼块的识别方法、装置、服务器及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种建筑楼块的识别方法，其特征在于，包括：

获取待识别的卫星图像；

利用已训练的神经网络模型对所述卫星图像进行识别，以确定所述卫星图像上包含的所有疑似建筑轮廓、以及每个所述疑似建筑轮廓的置信度；

根据所述置信度从所述疑似建筑轮廓中确定目标轮廓集合，以从所述卫星图像中识别出建筑楼块，所述目标轮廓集合中包含至少一个目标轮廓。

2.根据权利要求1所述的建筑楼块的识别方法，其特征在于，所述根据所述置信度从所述疑似建筑轮廓中确定目标轮廓集合，包括：

从当前所有疑似建筑轮廓中选取置信度最高的作为目标轮廓，加入目标轮廓集合中；

根据所述目标轮廓从当前剩余的疑似建筑轮廓中确定待删除轮廓；

将所述待删除轮廓进行删除，并返回执行所述从当前所有疑似建筑轮廓中选取置信度最高的作为目标轮廓的步骤。

3.根据权利要求2所述的建筑楼块的识别方法，其特征在于，所述根据所述目标轮廓从当前剩余的疑似建筑轮廓中确定待删除轮廓，包括：

计算每个剩余的所述疑似建筑轮廓与目标轮廓之间的重叠度；

获取所述重叠度大于预设阈值的所述疑似建筑轮廓，作为待删除轮廓。

4.根据权利要求1所述的建筑楼块的识别方法，其特征在于，在根据所述置信度从所述疑似建筑轮廓中确定目标轮廓集合之后，还包括：

利用预设算法对所述目标轮廓集合中的目标轮廓进行调整，得到对应的调整后轮廓；

将每个所述调整后轮廓中轮廓点的图像坐标转换为地理坐标；

根据所述地理坐标生成所述卫星图像对应的建筑图层。

5.根据权利要求4所述的建筑楼块的识别方法，其特征在于，所述利用预设算法对所述目标轮廓集合中的目标轮廓进行调整，包括：

确定所述目标轮廓集合中每个目标轮廓的顶点图像坐标；

基于预设算法对所述顶点图像坐标进行调整，以对所述目标轮廓进行调整。

6.根据权利要求1所述的建筑楼块的识别方法，其特征在于，在利用已训练的神经网络模型对所述卫星图像进行识别之前，所述生成方法还包括：

获取多个已识别卫星图像、以及每个所述已识别卫星图像对应的已绘制建筑图层；

根据所述已识别卫星图像和已绘制建筑图层生成训练样本；

利用所述训练样本对所述神经网络模型进行训练。

7.根据权利要求6所述的建筑楼块的识别方法，其特征在于，所述训练样本包括图像数据和标记数据，所述根据所述已识别卫星图像和已绘制建筑图层生成训练样本，包括：

将所述已识别卫星图像和已绘制建筑图层统一到同一坐标系中；

将统一后的所述已识别卫星图像作为图像数据，将统一后的所述已绘制建筑图层作为标记数据。

8.一种建筑楼块的识别装置，其特征在于，包括：

获取模块，用于获取待识别的卫星图像；

识别模块，用于利用已训练的神经网络模型对所述卫星图像进行识别，以确定所述卫星图像上包含的所有疑似建筑轮廓、以及每个所述疑似建筑轮廓的置信度；

确定模块，用于根据所述置信度从所述疑似建筑轮廓中确定目标轮廓集合，以从所述卫星图像中识别出建筑楼块，所述目标轮廓集合中包含至少一个目标轮廓。

9.一种服务器，其特征在于，包括处理器和存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于执行权利要求1至7任一项所述的建筑楼块的识别方法中的步骤。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行权利要求1至7任一项所述的建筑楼块的识别方法。

Images