CN112509028A - 估算窗户面积的方法和装置 - Google Patents
估算窗户面积的方法和装置 Download PDFInfo
- Publication number
- CN112509028A CN112509028A CN202011295887.3A CN202011295887A CN112509028A CN 112509028 A CN112509028 A CN 112509028A CN 202011295887 A CN202011295887 A CN 202011295887A CN 112509028 A CN112509028 A CN 112509028A
- Authority
- CN
- China
- Prior art keywords
- window
- reference object
- area
- image
- frame
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000013136 deep learning model Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 238000004148 unit process Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种估算窗户面积的方法和装置，该方法包括：获取图像采集装置采集的建筑物图像；所述建筑物图像包括待估算面积的窗户和贴附在建筑物墙面上的已知尺寸参照物；处理所述建筑物图像，确定所述窗户在所述建筑物图像中的边界框，以及所述参照物在所述建筑物图像的边界框；根据所述参照物的尺寸、所述窗户和所述参照物的边界框，确定所述窗户的估算面积。相比于传统的实地测量窗户面积的方法，本申请提供的方法采用非接触方式快速简便地实现窗户面积的估算，提高工作效率，减少了作业难度和作业成本。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种估算窗户面积的方法和装置。
背景技术
铁路、高速公路和航空运输在具有方便快捷的同时，也带来了噪声污染。为了减少噪声污染对沿线相关有人区域的影响，目前可以通过设置声屏障的措施降低噪声。
由于声屏障设置位置和其技术特性的限制，采用声屏障这一降噪措施后，交通设施沿线相关区域的高层建筑、远端建筑区域仍然处在高噪声环境中，无法达到降噪治理指标。此时，需要在此类无法满足降噪治理指标的建筑物窗户外侧设置隔音窗，以利用隔音窗减少传播至室内的噪声。
因为铁路、高速公路等周边区域建筑类型各式各样，需要设置隔音窗的窗户形状、面积各异，需要投入大量的人力物力进行隔音窗面积的预估和统计，并且预估和统计的结果与后期实际工程实施中由施工方上报的施工面积相差极大。正是隔音窗面积统计预估对项目预算、工程合同签订和验工计价带来很大的困难，增加了项目成本管理的难度和风险。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种估算窗户面积的方法和装置。
一方面，本申请提供一种估算窗户面积的方法，包括：
获取图像采集装置采集的建筑物图像；所述建筑物图像包括待估算面积的窗户和贴附在建筑物墙面上的已知尺寸参照物；
处理所述建筑物图像，确定所述窗户在所述建筑物图像中的边界框，以及所述参照物在所述建筑物图像的边界框；
根据所述参照物的尺寸、所述窗户和所述参照物的边界框，确定所述窗户的估算面积。
可选地，处理所述建筑物图像，确定所述窗户在所述建筑物图像中的区域包括：
采用预训练的深度学习模型处理所述建筑物图像确定包含所述窗户的预选框；所述深度学习模型采用包括已标识窗户边框的图像训练得到；
在所述预选框中确定所述窗户的边界框。
可选地，在所述预选框中确定所述窗户的边界框，包括：
采用霍夫变换处理所述预选框，确定所述窗户的边界框。
可选地，处理所述建筑物图像，确定所述窗户在所述建筑物图像中的边界框，包括：
采用基于CenterNet检测方法的预训练深度学习模型处理所述建筑物图像，确定所述窗户所在的预选框；所述深度学习模型采用包括已标识窗户边框的图像训练得到。
可选地，根据所述参照物的尺寸、所述窗户和所述参照物在所述图像中的边界框，确定所述窗户的估算面积，包括：
根据所述参照物的边界框和所述参照物的已知尺寸计算矫正参数；
采用所述矫正参数修正所述窗户的边界框和所述参照物的边界框，得到修正窗户边界框和修正参照物边界框；
根据所述修正窗户边界框、所述修正参照物边界框和所述参照物的实际尺寸确定所述窗户的估算面积。
另一方面，本申请提供一种估算窗户面积的装置，包括：
获取单元，用于获取图像采集装置采集的建筑物图像；所述建筑物图像包括待估算面积的窗户和贴附在建筑物墙面上的已知尺寸参照物；
识别单元，用于处理所述建筑物图像，确定所述窗户在所述建筑物图像中的边界框，以及所述参照物在所述建筑物图像的边界框；
面积估算单元，用于根据所述参照物的尺寸、所述窗户和所述参照物的边界框，确定所述窗户的估算面积。
可选地，所述识别单元包括：
模型识别子单元，用于采用预训练的深度学习模型处理所述建筑物图像确定包含所述窗户的预选框；所述深度学习模型采用包括已标识窗户边框的图像训练得到；
边界识别子单元，用于在所述预选框中确定所述窗户的边界框。
可选地，所述识别单元采用基于CenterNet检测方法的预训练深度学习模型处理所述建筑物图像，确定所述窗户所在的预选框；所述深度学习模型采用包括已标识窗户边框的图像训练得到。
本申请提供的估算窗户面积的方法和装置，以包括待估算面积的窗户的建筑物图像为处理对象，通过确定窗户和参照物所在的边界框，并通过窗户和参照物的边界框，确定二者的相对大小，最后利用参照物的实际尺寸估算窗户的面积。相比于传统的实地测量窗户面积的方法，本申请提供的方法能够采用非接触方法快速简便地实现窗户面积的估算，提高作业效率，减少了作业难度和作业成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的估算窗户面积的方法流程图；
图2是本申请实施例方法实际确定窗户边界框的示意图；
图3是本申请实施例提供的估算窗户面积的装置的结构示意图；
图4是本申请实施例提供的电子设备的结构示意图；
其中，11-获取单元，12-识别单元，13-面积估算单元；21-处理器，22-存储器，23-通信接口，24-总线系统。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面将对本申请的方案进行进一步描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但本申请还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本申请的一部分实施例，而不是全部的实施例。
本申请实施例提供一种确定窗户估算面积的方法，采用图像处理的方法估计交通设施沿线需要安装隔音窗的窗户面积，取代采用人工测量窗户面积的方法。图1是本申请实施例提供的估算窗户面积的方法流程图。如图1所示，本申请实施例提供的方法包括步骤S101-S103。
S101：获取图像采集装置采集的建筑物图像。
本申请实施例中，为了能够采用图像处理方法估算需要安装隔音窗的窗户的面积，前提是获得包括前述待估算面积的窗户的图像。
此外，为了保证能够实现对窗户面积的估算，图像中还应当具有已知尺寸参照物。后续处理过程中，需要利用已知尺寸参照物作为比对对象，确定窗户所在的边界框的尺寸，继而确定窗户的尺寸。
本申请实施例中采用的已知尺寸参照物为一正方形的红色参照物；在采用图像采集装置拍摄建筑物图像前，将红色参照物贴附在建筑物的外墙表面，使得红色参照物与墙面上待确定面积的窗户大体平行，再拍摄建筑物图像。当然，在本申请实施例中，红色参照物也可以是其他类型的参照物，例如可以为圆形、椭圆形参照物；参照物的颜色也可以为其他颜色。但是应当确定的是，后续处理中应当能够较为方便地提取建筑物图像中的参照物。
本申请实施例中，图像采集装置可以是诸如智能手机、专业相机一类的图像采集装置。较为优选地，图像采集装置是配置有水平传感器的图像采集装置；在拍摄建筑物外墙图像时，根据水平传感器调整图像采集装置的摆放角度，使得图像采集装置的摆放角度调整至光轴大体平行于水平面；随后，通过调整图像采集装置的焦距使得图像清晰，并拍摄建筑物图像。
在实际应用中，优选地将参照物放置在待测量面积窗户的临近位置，以避免因为图像采集装置镜头畸变造成系统性的测量误差。在实际应用中，如果已知图像采集装置镜头的畸变特性参数，也可以利用畸变特性参数修正建筑物图像，再执行后续的操作。
S102：处理建筑物图像，确定窗户在建筑物图像中的边界框和参照物在建筑物图像的边界框。
如前所述，本申请实施例中的参照物为一已知尺寸的红色参照物，建筑物外墙多为诸如白色、青色等其他颜色，因此可以通过颜色阈值比对的方法，快速地确定红色参照物的边界框。当然，也可以采用诸如下述处理确定窗户边界框的方法确定参照物的边界框。
实际应用中，针对窗户的边界框的识别可以采用如下各种方法。
1.人工标注的方法
实际场景中，各种建筑物外墙设置的窗户形状、大小和材质各不相同，如果采购或者构建后续的图像处理模型成本很高。在需要标注的窗户量相对较小的情况下，可以采用人工标注方法确定窗户的边界框。
人工对图像中的窗户识别具有识别精度高，对窗户边框尺寸确定准确的优点；只要配置相应的选取框或者选取边界标定方法，即可以快速地确定窗户的边界框。
2.采用图像处理模型识别的方法
在需要标注的图像窗户数量极多的情况下，人工对建筑物图像中的边界框进行标注工作量过大。在此情况下可以通过配置图像处理模型实现窗户边界框的识别。
在本申请实施例一个具体应用中，图像处理模型可以是预训练的深度学习模型处理建筑物图像。预训练深度学习模型是采用神经网络架构的、采用大量人工标注的窗户样本确定的窗户模型。
以下对预训练的深度学习模型的构建方法做说明。首先将人工标注的窗户图片集进行划分，建立窗户模型训练数据集和窗户模型测试数据集。随后使用窗户模型训练数据集对一与选定的深度学习模型框架进行训练，并利用窗户模型测试数据集进行测试，直至模型精度达需要的要求。
本申请实施例中，预选定的深度学习模型框架可以采用PyTorch框架，此框架具有支持GPU计算的能力，在实际应用中计算效率具有明显地优势；此外，PyTorch具有丰富的API接口，能够快速地实现深度学习神经网络框架的搭建和训练。
本申请实施例一个具体实施中，确定窗户的边界框的步骤可以包括步骤S1021和S1022。
S1021：采用预训练的神经网络模型处理建筑物图像，确定包含窗户的预选框。
S1022：在预选框中确定窗户的边界框。
预选框是包括窗户所在区域，并且相对于窗户本身尺寸较大的边框。具体应用中，多在无法正面拍摄窗户，需要采用相对倾斜地角度拍摄窗户的情况下，采用前述步骤S1021-S1022的方法，通过先确定预选框，再在预选框中确定窗户的边界框的方法。
本申请实施例中，步骤S1022中，可以采用霍夫变换的方法再对预选框进行处理，确定窗户的边界框。霍夫变换是一种隔离图像中特性形状特征的技术，其通过在参数空间中执行投票，获取累加空间里的局部最大值而确定窗户的边界框。
在本申请实施例另一应用中，可以采用基于CenterNet检测方法的预训练深度学习模型处理建筑物图像，确定窗户所在的预选框。
基于Centernet检测方法通过找到窗户的中心点、左上角点和右下角点三个关键点从图片中定位，并通过优化设计级联角点池化和中心点池化，丰富窗户的左上角点和右下角点信息，提供更多中心点区域的识别信息，以最小的资源探索剪裁区域，使得预训练深度神经网络模型在花费较小的代价就可以识别窗户的边界框。
图2是本申请实施例方法实际确定窗户边界框的示意图。如图2所示，在此拍摄角度下，基于Centernet检测方法较为准确地确定了窗户边界框，采用此种方法也快速地确定了参照物的边框。
S103：根据参照物的尺寸、窗户和参照物的边界框，确定窗户的估算面积。
步骤S102确定的窗户和参照物的边界框分别标识了窗户和参照物的相对大小，随后利用参照物的实际尺寸、窗户和参照物的边界框进行比对，即可以确定窗户的估算面积。
在本申请实施例一个应用中，可以通过像素点比对的方法确定窗户的估算面积。具体的，可以分别统计参照物边界框内的像素数量和窗户边界框的像素数量，利用二者确定窗户和参照物的面积比；随后再根据参照物的尺寸和面积比确定窗户的估算面积。
在本申请实施例另一应用中，可以首先确定窗户边界框的长度，在根据边界框长度确定窗户的估算面积。具体的可以包括步骤S1031和S1032。
S1031：根据参照物的边界框和参照物的已知尺寸计算矫正参数。
实际拍摄中，因为图像采集装置摆放角度原因，拍摄的建筑物图像并不一定是正面图像，使得其中的窗户的边界框的长宽比例与实际长款比例并不一致。如果需要利用边界框的长宽计算窗户的面积，还需要还原边界框的实际尺寸。
S1032：采用矫正参数修正窗户的边界框和参照物的边界框，得到修正窗户边界框和修正参照物边界框。
步骤S1032中，是利用矫正参数对边界框对应的维度方向进行校正，使得参照物的边界框修正至与其实际尺寸的长款比例一致，并采用同样的矫正参数矫正窗户的边界框，而得到修正窗户边界框。
S1033：根据修正窗户边界框、修正参照物边界框和参照物的实际尺寸确定窗户的估算面积。
步骤S1033中，在得到修正窗户边界框和修正参照物边界框后，利用两个边界框对应方向的像素尺寸相比，可以确定窗户和参照物在对应方向尺寸的比例。随后利用此比例和参照物的尺寸可以确定窗户的边界尺寸，继而根据窗户的边界尺寸计算窗户的估算面积。
本申请实施例提供的估算窗户面积的方法，以包括待估算面积的窗户的建筑物图像为处理对象，通过确定窗户和参照物所在的边界框，并通过窗户和参照物的边界框，确定二者的相对大小，最后利用参照物的实际尺寸估算窗户的面积。相比于传统的实地测量窗户面积的方法，本申请实施例提供的方法能够快速简便地实现窗户面积的估算，减少了作业难度和作业成本。
另外，在实际应用中，采用本申请实施例提供的估算窗户面积的方法被集成到某一中央服务器；实地采集交通沿线窗户图片的作业人员采用自己的智能手机拍摄建筑物图像后，将建筑物图像上传至中央服务器。由中央服务器采用训练的深度学习模型快速地识别窗户的边界框，并利用参照物的尺寸确定窗户的估算尺寸。经过实践检验，这一方法能够有效地确定某一道路区域需要安装隔音窗的面积，使得前期施工预算和后期的施工结算测量的窗户面积差别不大，有效地实现项目管理。
当然，前述的估算窗户面积的方法不仅可以安装在前述的中央服务器中，也可以安装诸如智能手机等终端设备上。
除了提供前述的确定窗户估算面积的方法外，本申请实施例还体用一种估算窗户面积的装置。
图3是本申请实施例提供的估算窗户面积的装置的结构示意图。如图3所示，估算窗户面积的装置包括获取单元11、识别单元12和面积估算单元13。
获取单元11用于获取图像采集装置采集的建筑物图像。
为了能够采用图像处理方法估算需要安装隔音窗的窗户的面积，前提是获得包括前述待估算面积的窗户的图像。此外，为了保证能够实现对窗户面积的估算，图像中还应当具有已知尺寸参照物。后续处理过程中，需要利用已知尺寸参照物作为比对对象，确定窗户所在的边界框的尺寸，继而确定窗户的尺寸。
本申请实施例中采用的已知尺寸参照物为一正方形的红色参照物；在采用图像采集装置拍摄建筑物图像前，将红色参照物贴附在建筑物的外墙表面，使得红色参照物与墙面上待确定面积的窗户大体平行，再拍摄建筑物图像。当然，在本申请实施例中，红色参照物也可以是其他类型的参照物，例如可以为圆形、椭圆形参照物；参照物的颜色也可以为其他颜色。但是应当确定的是，后续处理中应当能够较为方便地提取建筑物图像中的参照物。
本申请实施例中，图像采集装置可以是诸如智能手机、专业相机一类的图像采集装置。较为优选地，图像采集装置是配置有水平传感器的图像采集装置；在拍摄建筑物外墙图像时，根据水平传感器调整图像采集装置的摆放角度，使得图像采集装置的摆放角度调整至光轴大体平行于水平面；随后，通过调整图像采集装置的焦距使得图像清晰，并拍摄建筑物图像。
在实际应用中，优选地将参照物放置在待测量面积窗户的临近位置，以避免因为图像采集装置镜头畸变造成系统性的测量误差。在实际应用中，如果已知图像采集装置镜头的畸变特性参数，也可以利用畸变特性参数修正建筑物图像，再执行后续的操作。
识别单元12用于处理建筑物图像，确定窗户在建筑物图像中的边界框，以及参照物在建筑物图像的边界框。
在本申请实施例一个应用中，识别单元12可以输出建筑物图像，并为用户提供一窗户边界框选择工具，由用户采用人工标注的方法确定窗户的边界框。人工对图像中的窗户识别具有识别精度高，对窗户边框尺寸确定准确的优点；只要配置相应的选取框或者选取边界标定方法，即可以快速地确定窗户的边界框。
实际应用中，在需要标注的窗户量相对较小的情况下，可以采用人工标注方法确定窗户的边界框。
在本申请实施例一个具体应用中，图像处理模型可以是预训练的深度学习模型处理建筑物图像。预训练深度学习模型是采用神经网络架构的、采用大量人工标注的窗户样本确定的窗户模型。
以下对预训练的深度学习模型的构建方法做说明。首先将人工标注的窗户图片集进行划分，建立窗户模型训练数据集和窗户模型测试数据集。随后使用窗户模型训练数据集对一与选定的深度学习模型框架进行训练，并利用窗户模型测试数据集进行测试，直至模型精度达需要的要求。
本申请实施例中，预选定的深度学习模型框架可以采用PyTorch框架，此框架具有支持GPU计算的能力，在实际应用中计算效率具有明显地优势；此外，PyTorch具有丰富的API接口，能够快速地实现深度学习神经网络框架的搭建和训练。
具体的，在本申请实施例另一应用中，识别单元12包括模型识别单元12和边界识别子单元。
模型识别子单元用于采用预训练的深度学习模型处理建筑物图像确定包含窗户的预选框；深度学习模型采用包括已标识窗户边框的图像训练得到。边界识别子单元用于在预选框中确定窗户的边界框。
预选框是包括窗户所在区域并且相对于窗户本身尺寸较大的边框。具体应用中，多在无法正面拍摄窗户，需要采用相对倾斜地角度拍摄窗户的情况下，采用模型识别子单元确定预选框，再采用边界识别子单元在预选框中确定窗户的边界框。
本申请实施例中，边界识别子单元可以采用霍夫变换的方法对预选框进行处理，确定窗户的边界框。霍夫变换是一种隔离图像中特性形状特征的技术，其通过在参数空间中执行投票，获取累加空间里的局部最大值而确定窗户的边界框。
在本申请实施例另外一些应用中，识别单元12还可以采用基于CenterNet检测方法的预训练深度学习模型处理建筑物图像，确定窗户所在的预选框。
基于Centernet检测方法通过找到窗户的中心点、左上角点和右下角点三个关键点从图片中定位，并通过优化设计级联角点池化和中心点池化，丰富窗户的左上角点和右下角点信息，提供更多中心点区域的识别信息，以最小的资源探索剪裁区域，使得预训练深度神经网络模型在花费较小的代价就可以识别窗户的边界框。
面积估算单元13用于根据参照物的尺寸、窗户和参照物的边界框，确定窗户的估算面积。
在本申请实施例一个应用中，面积估算单元13可以通过像素点比对的方法确定窗户的估算面积。具体的，可以分别统计参照物边界框内的像素数量和窗户边界框的像素数量，利用二者确定窗户和参照物的面积比；随后再根据参照物的尺寸和面积比确定窗户的估算面积。
在本申请实施例另一应用中，面积估算单元13可以首先确定窗户边界框的长度，在根据边界框长度确定窗户的估算面积。
具体的面积估算单元13可以根据参照物的边界框和参照物的已知尺寸计算矫正参数。
实际拍摄中，因为图像采集装置摆放角度原因，拍摄的建筑物图像并不一定是正面图像，使得其中的窗户的边界框的长宽比例与实际长款比例并不一致。如果需要利用边界框的长宽计算窗户的面积，还需要还原边界框的实际尺寸。
随后，面积估算单元13采用矫正参数修正窗户的边界框和参照物的边界框，得到修正窗户边界框和修正参照物边界框。面积估算单元13是利用矫正参数对边界框对应的维度方向进行校正，使得参照物的边界框修正至与其实际尺寸的长款比例一致，并采用同样的矫正参数矫正窗户的边界框，而得到修正窗户边界框。
最后，面积估算单元13根据修正窗户边界框、修正参照物边界框和参照物的实际尺寸确定窗户的估算面积。在得到修正窗户边界框和修正参照物边界框后，利用两个边界框对应方向的像素尺寸相比，可以确定窗户和参照物在对应方向尺寸的比例。随后利用此比例和参照物的尺寸可以确定窗户的边界尺寸，继而根据窗户的边界尺寸计算窗户的估算面积。
本申请实施例提供的估算窗户面积的装置，以包括待估算面积的窗户的建筑物图像为处理对象，通过确定窗户和参照物所在的边界框，并通过窗户和参照物的边界框，确定二者的相对大小，最后利用参照物的实际尺寸估算窗户的面积。相比于传统的实地测量窗户面积的方法，本申请实施例提供的方法能够快速简便地实现窗户面积的估算，减少了作业难度和作业成本。
本申请实施例还提供一种实现前述方法的电子设备。
图4是本申请实施例提供的电子设备的结构示意图。如图4所示，电子设备包括至少一个处理器21、至少一个存储器22和至少一个通信接口23。电子设备中的各个组件通过总线系统24耦合在一起。通信接口23用于与外部设备之间的信息传输。可理解地，总线系统24用于实现这些组件之间的连接通信。总线系统24除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见，在图4中将各种总线都标为总线系统24。
可以理解，本实施例中的存储器22可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
在一些实施方式中，存储器22存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统和应用程序。
其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础任务以及处理基于硬件的任务。应用程序，包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用任务。实现本公开实施例提供的估算窗户面积的方法可以包含在应用程序中。
在本公开实施例中，处理器21通过调用存储器22存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器21用于执行本申请提供的估算窗户面积的方法的各个步骤。
处理器31可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器21中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器21可以是通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecific IntegratedCircuit，ASIC)、现成可编程门阵列(FieldProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本公开实施例提供的估算窗户面积的方法步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器22，处理器21读取存储器22中的信息，结合其硬件完成方法的步骤。
本公开实施例还提出一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储程序或指令，程序或指令使计算机执行如估算窗户面积的方法各实施例的步骤，为避免重复描述，在此不再赘述。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种估算窗户面积的方法，其特征在于，包括：
获取图像采集装置采集的建筑物图像；所述建筑物图像包括待估算面积的窗户和贴附在建筑物墙面上的已知尺寸参照物；
处理所述建筑物图像，确定所述窗户在所述建筑物图像中的边界框，以及所述参照物在所述建筑物图像的边界框；
根据所述参照物的尺寸、所述窗户和所述参照物的边界框，确定所述窗户的估算面积。
2.根据权利要求1所述的估算窗户面积的方法，其特征在于，
处理所述建筑物图像，确定所述窗户在所述建筑物图像中的区域包括：
采用预训练的深度学习模型处理所述建筑物图像确定包含所述窗户的预选框；所述深度学习模型采用包括已标识窗户边框的图像训练得到；
在所述预选框中确定所述窗户的边界框。
3.根据权利要求2所述的估算窗户面积的方法，其特征在于，在所述预选框中确定所述窗户的边界框，包括：
采用霍夫变换处理所述预选框，确定所述窗户的边界框。
4.根据权利要求1所述的估算窗户面积的方法，其特征在于，
处理所述建筑物图像，确定所述窗户在所述建筑物图像中的边界框，包括：
采用基于CenterNet检测方法的预训练深度学习模型处理所述建筑物图像，确定所述窗户所在的预选框；所述深度学习模型采用包括已标识窗户边框的图像训练得到。
5.根据权利要求1-4任一项所述的估算窗户面积的方法，其特征在于，
根据所述参照物的尺寸、所述窗户和所述参照物在所述图像中的边界框，确定所述窗户的估算面积，包括：
根据所述参照物的边界框和所述参照物的已知尺寸计算矫正参数；
采用所述矫正参数修正所述窗户的边界框和所述参照物的边界框，得到修正窗户边界框和修正参照物边界框；
根据所述修正窗户边界框、所述修正参照物边界框和所述参照物的实际尺寸确定所述窗户的估算面积。
6.一种估算窗户面积的装置，其特征在于，包括：
获取单元，用于获取图像采集装置采集的建筑物图像；所述建筑物图像包括待估算面积的窗户和贴附在建筑物墙面上的已知尺寸参照物；
识别单元，用于处理所述建筑物图像，确定所述窗户在所述建筑物图像中的边界框，以及所述参照物在所述建筑物图像的边界框；
面积估算单元，用于根据所述参照物的尺寸、所述窗户和所述参照物的边界框，确定所述窗户的估算面积。
7.根据权利要求6所述的估算窗户面积的装置，其特征在于，所述识别单元包括：
模型识别子单元，用于采用预训练的深度学习模型处理所述建筑物图像确定包含所述窗户的预选框；所述深度学习模型采用包括已标识窗户边框的图像训练得到；
边界识别子单元，用于在所述预选框中确定所述窗户的边界框。
8.根据权利要求6所述的估算窗户面积的装置，其特征在于，
所述识别单元采用基于CenterNet检测方法的预训练深度学习模型处理所述建筑物图像，确定所述窗户所在的预选框；所述深度学习模型采用包括已标识窗户边框的图像训练得到。
9.一种电子设备，其特征在于，包括处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011295887.3A CN112509028A (zh) | 2020-11-18 | 2020-11-18 | 估算窗户面积的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011295887.3A CN112509028A (zh) | 2020-11-18 | 2020-11-18 | 估算窗户面积的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112509028A true CN112509028A (zh) | 2021-03-16 |
Family
ID=74956924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011295887.3A Pending CN112509028A (zh) | 2020-11-18 | 2020-11-18 | 估算窗户面积的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112509028A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114282299A (zh) * | 2021-12-31 | 2022-04-05 | 江阴市扬名塑业有限公司 | 硬pvc材料剂量转换系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103644865A (zh) * | 2013-11-08 | 2014-03-19 | 广东出入境检验检疫局检验检疫技术中心 | 基于数字图像分析的平面面积测量方法 |
| CN106666903A (zh) * | 2015-11-09 | 2017-05-17 | 恒基伟业投资发展集团有限公司 | 一种利用图像测量人体体型参数的方法及装置 |
| JP2018059890A (ja) * | 2016-10-07 | 2018-04-12 | 萬里科技股▲ふん▼有限公司 | 二次元の撮影映像に用いられる長さ測定方法 |
| CN108413891A (zh) * | 2018-01-25 | 2018-08-17 | 北京威远图易数字科技有限公司 | 车损测量方法与装置 |
| CN111738995A (zh) * | 2020-06-10 | 2020-10-02 | 苏宁云计算有限公司 | 一种基于rgbd图像的目标检测方法、装置及计算机设备 |
-
2020
- 2020-11-18 CN CN202011295887.3A patent/CN112509028A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103644865A (zh) * | 2013-11-08 | 2014-03-19 | 广东出入境检验检疫局检验检疫技术中心 | 基于数字图像分析的平面面积测量方法 |
| CN106666903A (zh) * | 2015-11-09 | 2017-05-17 | 恒基伟业投资发展集团有限公司 | 一种利用图像测量人体体型参数的方法及装置 |
| JP2018059890A (ja) * | 2016-10-07 | 2018-04-12 | 萬里科技股▲ふん▼有限公司 | 二次元の撮影映像に用いられる長さ測定方法 |
| CN108413891A (zh) * | 2018-01-25 | 2018-08-17 | 北京威远图易数字科技有限公司 | 车损测量方法与装置 |
| CN111738995A (zh) * | 2020-06-10 | 2020-10-02 | 苏宁云计算有限公司 | 一种基于rgbd图像的目标检测方法、装置及计算机设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114282299A (zh) * | 2021-12-31 | 2022-04-05 | 江阴市扬名塑业有限公司 | 硬pvc材料剂量转换系统及方法 |
| CN114282299B (zh) * | 2021-12-31 | 2022-08-26 | 江阴市扬名塑业有限公司 | 硬pvc材料剂量转换系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| US20170026592A1 (en) | Automatic lens flare detection and correction for light-field images | |
| CN110926475B (zh) | 一种无人机航点生成方法、装置及电子设备 | |
| CN112001298B (zh) | 行人检测方法、装置、电子设备和存储介质 | |
| CN112272292A (zh) | 投影校正方法、装置和存储介质 | |
| CN113505643B (zh) | 违章目标物检测方法及相关装置 | |
| CN115546221B (zh) | 一种钢筋计数方法、装置、设备及存储介质 | |
| CN112509028A (zh) | 估算窗户面积的方法和装置 | |
| US20140015998A1 (en) | Image capture position and image capture direction estimation device, image capture device, image capture position and image capture direction estimation method and program | |
| CN112569574B (zh) | 一种模型拆解方法、装置、电子设备及可读存储介质 | |
| CN112749746A (zh) | 一种缺陷样本迭代更新方法、系统及装置 | |
| CN114821513B (zh) | 一种基于多层网络的图像处理方法及装置、电子设备 | |
| CN111325198B (zh) | 视频对象特征提取方法和装置、视频对象匹配方法和装置 | |
| CN116468914A (zh) | 页面对比方法、装置、存储介质及电子设备 | |
| CN113470093B (zh) | 基于航拍图像处理的视频果冻效应检测方法、装置及设备 | |
| CN115240136A (zh) | 钢结构建筑施工进度的检测方法、装置、设备及存储介质 | |
| CN111212260A (zh) | 一种基于监控视频绘制车道线的方法及装置 | |
| CN115683046A (zh) | 测距方法、装置、传感器及计算机可读存储介质 | |
| CN111985267B (zh) | 多目标检测方法、装置、计算机设备、车辆和存储介质 | |
| CN113139072A (zh) | 数据标注方法、装置和电子设备 | |
| US20160314370A1 (en) | Method and apparatus for determination of object measurements based on measurement assumption of one or more common objects in an image | |
| CN115690573A (zh) | 基站验收方法、装置、设备及存储介质 | |
| CN112040205A (zh) | 一种投影图像的自动校正方法、装置及投影仪 | |
| CN113379683A (zh) | 物体检测方法、装置、设备及介质 | |
| CN111537954A (zh) | 一种实时高动态融合定位方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210316 |