CN112541479B - 全景图与兴趣点挂接的方法、装置、电子设备及存储介质 - Google Patents
全景图与兴趣点挂接的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112541479B CN112541479B CN202011559799.XA CN202011559799A CN112541479B CN 112541479 B CN112541479 B CN 112541479B CN 202011559799 A CN202011559799 A CN 202011559799A CN 112541479 B CN112541479 B CN 112541479B
- Authority
- CN
- China
- Prior art keywords
- panoramic
- target
- screenshot
- image
- panorama
- 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 34
- 238000012545 processing Methods 0.000 abstract description 9
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation 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
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
- G06V20/39—Urban scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Studio Devices (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开公开了全景图与兴趣点挂接的方法、装置、电子设备及存储介质,涉及图像处理领域,尤其涉及图像识别领域。具体实现方案为:对目标兴趣点关联的全景图进行图像特征识别,确定目标图像特征;获取所述目标兴趣点关联的多个全景图中包括所述目标图像特征的全景图集合;获取所述全景图集合中每一个全景图对应的全景截图,得到全景截图集合,其中,一个所述全景图通过若干张所述全景截图拼接而成;在所述全景截图集合中确定目标全景截图,并将所述目标全景截图与所述目标兴趣点关联,其中,所述目标全景截图包括所述目标图像特征。本公开提供的方案能够实现兴趣点与全景图的自动挂接,且挂接效率更高。
Description
技术领域
本公开涉及图像处理领域的图像识别技术领域,尤其涉及一种全景图与兴趣点挂接的方法、装置、电子设备及存储介质。
背景技术
全景图是把相机多角度拍摄的一组或多组照片拼接成的图像,由于其可以提供360度视野的展示空间,全景图在电子地图中被广泛使用。在电子地图中,兴趣点(point ofinterest,POI)在用户检索、导航规划中都起着重要作用。
发明内容
本公开提供了一种全景图与兴趣点挂接的方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种全景图与兴趣点挂接的方法,包括:
对目标兴趣点关联的全景图进行图像特征识别,确定目标图像特征;
获取所述目标兴趣点关联的多个全景图中包括所述目标图像特征的全景图集合;
获取所述全景图集合中每一个全景图对应的全景截图,得到全景截图集合,其中,一个所述全景图通过若干张所述全景截图拼接而成;
在所述全景截图集合中确定目标全景截图,并将所述目标全景截图与所述目标兴趣点关联,其中,所述目标全景截图包括所述目标图像特征。
根据本公开的另一方面,提供了一种全景图与兴趣点挂接的装置,包括:
确定模块,用于对目标兴趣点关联的全景图进行图像特征识别,确定目标图像特征;
第一获取模块,用于获取所述目标兴趣点关联的多个全景图中包括所述目标图像特征的全景图集合;
第二获取模块,用于获取所述全景图集合中每一个全景图对应的全景截图,得到全景截图集合,其中,一个所述全景图通过若干张所述全景截图拼接而成;
关联模块,用于在所述全景截图集合中确定目标全景截图,并将所述目标全景截图与所述目标兴趣点关联,其中,所述目标全景截图包括所述目标图像特征。
根据本公开的另一方法,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上述一方面所述的方法。
根据本公开的另一方面,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,其中,所述计算机指令用于使所述计算机执行上述一方面所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述一方面所述的方法。
本公开实现了兴趣点与全景图的自动挂接,相比与现有技术中通过人工作业的方式来实现兴趣点与全景图的挂接,本公开提供的方案能够避免人工作业方式所造成的主观因素影响,且挂接效率更高。
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,不构成对本公开的限定。其中:
图1是根据本公开一实施例提供的全景图与兴趣点挂接的方法的流程图;
图2是应用于图1提供的实施例中的一种全景图的示意图;
图3是根据本公开一实施例提供的全景图与兴趣点挂接的装置的结构图;
图4是用来实现本公开实施例的全景图与兴趣点挂接的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
请参照图1,图1是本公开实施例提供的一种全景图与兴趣点挂接的方法的流程图,如图1所示,所述方法包括以下步骤:
步骤S101、对目标兴趣点关联的全景图进行图像特征识别,确定目标图像特征。
需要说明的是,本公开实施例提供的方法可以是应用于全景图与兴趣点挂接的装置,例如手机、平板电脑、笔记本计算机、台式计算机等电子设备。为方便描述,本公开实施例的后续描述中将以装置作为所述方法的执行主体来进行具体说明。
本公开实施例中,装置在对目标兴趣点关联的全景图进行识别前,可以先获取目标兴趣点。例如,所述装置为手机,可以是在手机显示电子地图应用界面的情况下,通过接收用户在手机中的输入操作来获取目标兴趣点,如获取用户输入的目标兴趣点的名称,或者是用户在电子地图应用中指定的目标兴趣点。
进一步地,在获取到目标兴趣点的情况下,对所述目标兴趣点关联的全景图进行文本识别,以获取所述全景图中的图像特征,并可以是从获取到的图像特征中确定目标图像特征。需要说明的是,所述目标兴趣点关联的全景图可能有多个,本步骤中的与目标兴趣点关联的全景图,可以是目标兴趣点关联的全景图中的任意一个。可以理解地,一个全景图中可以是包括多个图像特征,所述目标图像特征可以是多个图像特征中的其中一个。例如,所述目标兴趣点为XX大学,该目标兴趣点关联的全景图可以是基于不同视角得到的全景图,所述目标图像特征可以是对应该大学内图书馆的图像特征,或者是对应该大学校门的图像特征。
可以理解地,目标兴趣点的图像特征中通常不止一个,所述目标图像特征可以是基于用户的输入操作来确定。例如,在显示目标兴趣点的全景图的情况下,如XX大学的全景图,若接收到用户作用在该全景图中图书馆图像上的双击操作,则将该图书馆对应的图像特征确定为目标图像特征。如图2中所示,可以是将确定的目标图像特征在全景图中以虚线框显示,进而也就使得用户能够更加直观地获知目标图像特征的图像形状及周边环境等,为用户起到更好的提示作用。
本公开实施例中,所述图像特征识别,可以是识别全景图中的建筑物的形状特征、颜色特征、纹理特征等。确定目标图像特征,例如目标图像特征为XX大学图书馆对应的图像特征,可以是确定了该图书馆的建筑物形状特征。
步骤S102、获取所述目标兴趣点关联的多个全景图中包括所述目标图像特征的全景图集合。
可以理解地,兴趣点通常会关联有多个基于不同视角得到的全景图。例如对于XX大学,其关联的全景图可以是包括基于该大学前门正前方视角得到的全景图、该大学后门正前方视角得到的全景图、该大学后门左前方视角得到的全景图、该大学校园内图书馆门口前方视角得到的全景图等。
本公开实施例中,在获取到目标兴趣点后,也就能够获取到该目标兴趣点关联的所有全景图;在确定目标图像特征后,则从目标兴趣点关联的所有全景图中获取包括所述目标图像特征的全景图,以得到全景图集合,所述全景图集合中包括至少一个全景图。
例如,目标兴趣点为XX大学,目标图像特征为该大学内图书馆对应的图像特征;可以理解地,在该目标兴趣点关联的全景图中,并非所有的全景图中都会包括图书馆,只有部分全景图中会包括图书馆对应的图像特征,进而基于这些包括图书馆对应的图像特征的全景图得到全景图集合。
步骤S103、获取所述全景图集合中每一个全景图对应的全景截图,得到全景截图集合,其中,一个所述全景图通过若干张所述全景截图拼接而成。
可以理解地,一个全景图是由多个不同角度信息的全景截图拼接而成,进而以得到具有360度视角的全景图。本公开实施例中,在获得包括目标图像特征的全景图集合后,获取所述全景图集合中每一个全景图对应的全景截图,进而得到全景截图集合。
可以理解地,每一个全景图包括多个全景截图,可以是获取每一个全景图对应的全景截图中的部分全景截图,来得到全景截图集合。例如,可以是获取每一个全景图对应的全景截图中,包括所述目标图像特征的第一全景截图,基于每一个全景图对应的第一全景截图,得到所述全景截图集合。这样,所述全景截图集合中的每一个全景截图都包括所述目标图像特征。
例如,所述目标图像特征为XX大学内图书馆对应的图像特征,对于包括该目标图像特征的全景图,例如以基于图书馆正门前方视角得到的全景图为例,由于全景图是360度视角的,则拼接形成该全景图的全景截图中,也并非每一张全景截图都包括图书馆对应的图像特征,只有是朝向图书馆正门的视角的全景截图中会包括目标图像特征,而背对图书馆正门的视角的全景截图中是不会包括该目标图像特征的。本公开实施例中可以是获取每一个全景图中包括目标图像特征的第一全景截图,基于第一全景截图来得到全景截图集合,那么全景截图集合中的每一张全景截图都包括目标图像特征。
步骤S104、在所述全景截图集合中确定目标全景截图,并将所述目标全景截图与所述目标兴趣点关联,其中,所述目标全景截图包括所述目标图像特征。
本公开实施例中,在获取到全景截图集合后,则从所述全景截图集合中确定目标全景截图,所述目标全景截图包括所述目标图像特征,也就是从所有包括目标图像特征的全景截图中确定一张作为目标全景截图,例如所述目标全景截图可以是其中图像视角范围最广的一张、或者是图像质量最好的一张等。
可选地,所述在所述全景截图集合中确定目标全景截图包括:
基于预设评分规则获取所述全景截图集合中每一个所述全景截图的分值,并基于所述分值在所述全景截图集合中确定目标全景截图。
本公开实施例中,所述预设评分规则可以是用户预先设置。例如,所述预设评分规则可以是:全景截图的图像亮度越高,对应的分值越高,或者全景截图的图像视野范围越大,对应的分值越高,或者全景截图对应的图像色彩越丰富,对应的分值越高,等。进一步地,在基于预设评分规则获得全景截图集合中每一个全景截图的分值后,可以是将其中分值越高的全景截图确定为目标全景截图。这样,也就能够通过预设评分规则来确定出目标全景截图,而不再是依赖于人工作业的方式来确定目标全景截图,避免了对于目标全景截图选择的主观影响,使得对于目标全景截图的选择更加客观、也更加智能。
在一种可选的实施方式中,所述在所述全景截图集合中确定目标全景截图还可以是包括如下步骤:
获取所述全景截图集合中每一个所述全景截图的图像参数,所述图像参数包括图像亮度、图像对比度、所述目标图像特征在所述全景截图中的显示位置、所述目标图像特征在所述全景截图中的显示大小、所述全景截图对应的角度信息中的至少一项;
基于预设评分模型获取每一个所述全景截图的分值,所述预设评分模型为输入为所述图像参数、输出为所述分值的网络模型;
将分值最高的全景截图确定为目标全景截图。
本实施方式中,目标全景截图的确定还可以是基于预设评分模型输出的分值来确定。需要说明的是,所述预设评分模型为神经网络模型,通过用户输入的全景截图的样本图像参数及对应的目标分值,以对所述预设评分模型进行自学习训练,进而以获得全景截图的图像参数与分值之间的相关性。例如,获取全景截图的样本图像参数及该全景截图对应的目标分值,将全景截图的样本图像参数输入所述预设评分模型,获得所述预设评分模型输出的测试分值,计算所述测试分值与所述目标分值之间的损失值,反向传播以优化预设评分模型的算法,迭代处理以训练所述预设评分模型。
其中,各图像参数对分值的影响可以是:图像亮度与分值呈正比关系;图像对比度与分值呈正比关系;所述目标图像特征在全景截图中的位置越靠近截图的中间,则分值越高;所述目标图像特征在全景截图中的显示大小越接近预设显示大小,则分值越高;全景截图对应的角度信息越详细,则分值越高。当然,各图像参数对分值的影响还可以是其他的关系,本实施例不做具体限定。另外,所述图像参数对应的分值,可以是上述所有图像参数各自对应的分值的平均值,或者是加权平均值,每一个图像参数可以是有对应的权重值。
本实施方式中,在获取到全景截图集合后,则获取所述全景截图集合中每一个全景截图的图像参数,将每一个全景截图的图像参数作为预设评分模型的输入,并获取预设评分模型输出的对应每一个全集截图的分值并比对,将其中分值最高的全景截图确定为目标全景截图。这样,也就能够基于预设评分模型自动实现对全景截图的打分,使得对于全景截图的评分更加客观化,避免主观因素对确定目标全景截图的影响;并且预设评分模型的打分依据是基于全景截图对应的多个图像参数来得出,使得对于全景截图的评分更加全面,也就能够得到图像质量更优的目标全景截图。
进一步地,在确定出所述目标全景截图后,将所述目标全景截图与所述目标兴趣点关联。
可选地,所述将所述目标全景截图的角度信息与所述目标兴趣点关联包括:
获取所述目标全景截图对应的目标全景图;
基于所述目标全景图及所述目标全景截图,获取所述目标全景截图的角度信息,所述目标全景截图的角度信息包括所述目标全景截图相对于所述目标全景图的俯仰角、横滚角和航向角中的至少一项;
将所述目标全景截图的角度信息与所述目标兴趣点关联。
本公开实施例中,在确定出目标全景截图后,也就能够获取与该目标全景截图对应的目标全景图,也即目标全景截图拼接形成目标全景图的其中一张,进一步获取目标全景截图相对于目标全景图的角度信息。可选地,目标全景图可以看做是一个全景球模型,目标全景截图对应到全景球模型中的角度可以是通过目标全景截图和全景球模型的变换投影矩阵进行计算得到,算出的角度可以是包括俯仰角、横滚角和航向角中的至少一项,这样也就得到了目标全景截图的角度信息。其中,目标全景截图角度信息的计算可以是参照相关技术,本实施例不做具体赘述。
进一步地,在得到目标全景截图的角度信息后,则将目标全景截图的角度信息与所述目标兴趣点关联。例如,建立所述目标兴趣点与目标全景截图角度信息之间的对应关系,当用户选择目标兴趣点进行全景图查看时,则通过关联的目标全景截图的角度信息,显示所述目标全景截图。这样,用户在查看目标兴趣点的全景图的时候,用户最先看到的也就是视角较好、图像质量较高的目标全景截图,通过目标全景截图就能够之间看到目标文本信息,可以给用户提供更好的引导作用。
可选地,在所述步骤S104之后,还可以包括如下步骤:
在接收到针对所述目标兴趣点的触发操作的情况下,显示所述目标全景截图。
其中,所述触发操作可以是用户作用于装置上的如查看目标兴趣点的全景图的触控操作,例如,在电子地图中显示有目标兴趣点的情况下,若装置接收到用户双击目标兴趣点的触发操作,说明用户此时需要查看目标兴趣点的全景图,则显示所述目标全景截图,而后可以通过接收用户作用在目标全景截图上的如转动、拖动等滑动操作,来变化全景图视野,也即变换为显示该全景图对应的其他全景截图。
可以理解地,目标兴趣点与目标全景截图的角度信息关联,进而当接收到用户查看目标兴趣点的触发操作时,获取该目标兴趣点关联的角度信息,也就能够基于所述角度信息得到对应的目标全景截图并显示。其中,目标全景截图包括目标图像特征,进而用户也就能够快速地查看到目标图像特征,更为直观地获知当前目标兴趣点的相关内容,更为有效地为用户提供位置指示和引导作用。例如用户对于陌生的区域,通过查看该区域某个目标兴趣点关联的目标全景截图及其中的目标图像特征,也就能够更加直观、有效地对目标兴趣点有具象的认识,更加方便用户快速地熟悉该区域,也能够更加方便用户通过目标图像特征进行定位查找,为用户提供更好的指引作用,提升用户体验。
本公开实施例提供的方案,通过识别目标兴趣点的目标图像特征,以获取目标兴趣点关联的多个全景图中包括该目标图像特征的全景图集合,并获取其中每一个全景图对应的全景截图,以得到全景截图集合,从所述全景截图集合中确定出目标全景截图,并将所述目标全景截图与目标兴趣点关联,且目标全景截图包括所述目标图像特征。这样,也就实现了兴趣点与全景截图的自动挂接,而全景截图为拼接形成全景图的其中一张,也就相当与实现了兴趣点与全景图的挂接,相比与现有技术中通过人工作业的方式来实现兴趣点与全景图的挂接,本公开提供的方案能够实现自动挂接,避免人工作业方式所造成的主观因素影响,且挂接效率更高。
本申请还提供了一种全景图与兴趣点挂接的装置。请参照图3,所述全景图与兴趣点挂接的装置300包括:
确定模块301,用于对目标兴趣点关联的全景图进行图像特征识别,确定目标图像特征;
第一获取模块302,用于获取所述目标兴趣点关联的多个全景图中包括所述目标图像特征的全景图集合;
第二获取模块303,用于获取所述全景图集合中每一个全景图对应的全景截图,得到全景截图集合,其中,一个所述全景图通过若干张所述全景截图拼接而成;
关联模块304,用于在所述全景截图集合中确定目标全景截图,并将所述目标全景截图与所述目标兴趣点关联,其中,所述目标全景截图包括所述目标图像特征。
可选地,所述关联模块304还用于:
基于预设评分规则获取所述全景截图集合中每一个所述全景截图的分值,并基于所述分值在所述全景截图集合中确定目标全景截图。
可选地,所述关联模块304还用于:
获取所述全景截图集合中每一个所述全景截图的图像参数,所述图像参数包括图像亮度、图像对比度、所述目标图像特征在所述全景截图中的显示位置、所述目标图像特征在所述全景截图中的显示大小、所述全景截图对应的角度信息中的至少一项;
基于预设评分模型获取每一个所述全景截图的分值,所述预设评分模型为输入为所述图像参数、输出为所述分值的网络模型;
将分值最高的全景截图确定为目标全景截图。
可选地,所述关联模块304还用于:
获取所述目标全景截图对应的目标全景图;
基于所述目标全景图及所述目标全景截图,获取所述目标全景截图的角度信息,所述目标全景截图的角度信息包括所述目标全景截图相对于所述目标全景图的俯仰角、横滚角和航向角中的至少一项;
将所述目标全景截图的角度信息与所述目标兴趣点关联。
可选地,所述全景图与兴趣点挂接的装置300还包括:
显示模块,用于在接收到针对所述目标兴趣点的触发操作的情况下,显示所述目标全景截图。
本实施例提供的全景图与兴趣点挂接的装置300能够实现上述全景图与兴趣点挂接的方法实施例的全部技术方案,因此至少能够实现上述全部技术效果,此处不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。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/或者要求的本公开的实现。
如图4所示,电子设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如全景图与兴趣点挂接的方法。例如,在一些实施例中,全景图与兴趣点挂接的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的全景图与兴趣点挂接的方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行全景图与兴趣点挂接的方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读存储介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)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。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种全景图与兴趣点挂接的方法,包括:
对目标兴趣点关联的全景图进行图像特征识别,确定目标图像特征;
获取所述目标兴趣点关联的多个全景图中包括所述目标图像特征的全景图集合;
获取所述全景图集合中每一个全景图对应的全景截图,得到全景截图集合,其中,一个所述全景图通过若干张所述全景截图拼接而成;
在所述全景截图集合中确定目标全景截图,并将所述目标全景截图与所述目标兴趣点关联,其中,所述目标全景截图包括所述目标图像特征;
所述将所述目标全景截图的角度信息与所述目标兴趣点关联包括:
获取所述目标全景截图对应的目标全景图;
基于所述目标全景图及所述目标全景截图,获取所述目标全景截图的角度信息,所述目标全景截图的角度信息包括所述目标全景截图相对于所述目标全景图的俯仰角、横滚角和航向角中的至少一项;
将所述目标全景截图的角度信息与所述目标兴趣点关联。
2.根据权利要求1所述的方法,其中,所述在所述全景截图集合中确定目标全景截图包括:
基于预设评分规则获取所述全景截图集合中每一个所述全景截图的分值,并基于所述分值在所述全景截图集合中确定目标全景截图。
3.根据权利要求1所述的方法,其中,所述在所述全景截图集合中确定目标全景截图包括:
获取所述全景截图集合中每一个所述全景截图的图像参数,所述图像参数包括图像亮度、图像对比度、所述目标图像特征在所述全景截图中的显示位置、所述目标图像特征在所述全景截图中的显示大小、所述全景截图对应的角度信息中的至少一项;
基于预设评分模型获取每一个所述全景截图的分值,所述预设评分模型为输入为所述图像参数、输出为所述分值的网络模型;
将分值最高的全景截图确定为目标全景截图。
4.根据权利要求1所述的方法,还包括:
在接收到针对所述目标兴趣点的触发操作的情况下,显示所述目标全景截图。
5.一种全景图与兴趣点挂接的装置,包括:
确定模块,用于对目标兴趣点关联的全景图进行图像特征识别,确定目标图像特征;
第一获取模块,用于获取所述目标兴趣点关联的多个全景图中包括所述目标图像特征的全景图集合;
第二获取模块,用于获取所述全景图集合中每一个全景图对应的全景截图,得到全景截图集合,其中,一个所述全景图通过若干张所述全景截图拼接而成;
关联模块,用于在所述全景截图集合中确定目标全景截图,并将所述目标全景截图与所述目标兴趣点关联,其中,所述目标全景截图包括所述目标图像特征;
所述关联模块还用于:
获取所述目标全景截图对应的目标全景图;
基于所述目标全景图及所述目标全景截图,获取所述目标全景截图的角度信息,所述目标全景截图的角度信息包括所述目标全景截图相对于所述目标全景图的俯仰角、横滚角和航向角中的至少一项;
将所述目标全景截图的角度信息与所述目标兴趣点关联。
6.根据权利要求5所述的装置,其中,所述关联模块还用于:
基于预设评分规则获取所述全景截图集合中每一个所述全景截图的分值,并基于所述分值在所述全景截图集合中确定目标全景截图。
7.根据权利要求5所述的装置,其中,所述关联模块还用于:
获取所述全景截图集合中每一个所述全景截图的图像参数,所述图像参数包括图像亮度、图像对比度、所述目标图像特征在所述全景截图中的显示位置、所述目标图像特征在所述全景截图中的显示大小、所述全景截图对应的角度信息中的至少一项;
基于预设评分模型获取每一个所述全景截图的分值,所述预设评分模型为输入为所述图像参数、输出为所述分值的网络模型;
将分值最高的全景截图确定为目标全景截图。
8.根据权利要求5所述的装置,还包括:
显示模块,用于在接收到针对所述目标兴趣点的触发操作的情况下,显示所述目标全景截图。
9.一种电子设备,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权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011559799.XA CN112541479B (zh) | 2020-12-25 | 2020-12-25 | 全景图与兴趣点挂接的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011559799.XA CN112541479B (zh) | 2020-12-25 | 2020-12-25 | 全景图与兴趣点挂接的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541479A CN112541479A (zh) | 2021-03-23 |
CN112541479B true CN112541479B (zh) | 2024-01-05 |
Family
ID=75018114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011559799.XA Active CN112541479B (zh) | 2020-12-25 | 2020-12-25 | 全景图与兴趣点挂接的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541479B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190150B (zh) * | 2021-04-20 | 2023-09-01 | 北京百度网讯科技有限公司 | 覆盖物的展示方法、设备和存储介质 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509621A (zh) * | 2018-04-03 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 景区全景图的景点识别方法、装置、服务器和存储介质 |
CN111695488A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 兴趣面识别方法、装置、设备以及存储介质 |
CN111698422A (zh) * | 2020-06-10 | 2020-09-22 | 百度在线网络技术(北京)有限公司 | 一种全景图像的采集方法、装置、电子设备及存储介质 |
CN112101339A (zh) * | 2020-09-15 | 2020-12-18 | 北京百度网讯科技有限公司 | 地图兴趣点的信息获取方法、装置、电子设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130173156A1 (en) * | 2011-12-30 | 2013-07-04 | Nokia Corporation | Apparatus, Method and Computer Program for Displaying Points of Interest |
CN104090970B (zh) * | 2014-07-17 | 2018-02-02 | 百度在线网络技术(北京)有限公司 | 兴趣点的展现方法及装置 |
-
2020
- 2020-12-25 CN CN202011559799.XA patent/CN112541479B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509621A (zh) * | 2018-04-03 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 景区全景图的景点识别方法、装置、服务器和存储介质 |
CN111695488A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 兴趣面识别方法、装置、设备以及存储介质 |
CN111698422A (zh) * | 2020-06-10 | 2020-09-22 | 百度在线网络技术(北京)有限公司 | 一种全景图像的采集方法、装置、电子设备及存储介质 |
CN112101339A (zh) * | 2020-09-15 | 2020-12-18 | 北京百度网讯科技有限公司 | 地图兴趣点的信息获取方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112541479A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112559884B (zh) | 全景图与兴趣点挂接的方法、装置、电子设备及存储介质 | |
CN112541479B (zh) | 全景图与兴趣点挂接的方法、装置、电子设备及存储介质 | |
CN113705362B (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
CN113378712B (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN108648140A (zh) | 图像拼接方法、系统、设备及存储介质 | |
CN111784757A (zh) | 深度估计模型的训练方法、深度估计方法、装置及设备 | |
CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN114998433A (zh) | 位姿计算方法、装置、存储介质以及电子设备 | |
CN111833391B (zh) | 图像深度信息的估计方法及装置 | |
CN108563982B (zh) | 用于检测图像的方法和装置 | |
CN112732553A (zh) | 图像测试方法、装置、电子设备及存储介质 | |
CN117274370A (zh) | 三维位姿确定方法、装置、电子设备和介质 | |
CN113420104B (zh) | 兴趣点采全率确定方法、装置、电子设备及存储介质 | |
CN113361575B (zh) | 模型训练方法、装置和电子设备 | |
CN113033372B (zh) | 车辆定损方法、装置、电子设备及计算机可读存储介质 | |
CN114119990A (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
CN112559887B (zh) | 全景图与兴趣点挂接的方法及构建全景图推荐模型的方法 | |
CN116071422B (zh) | 面向元宇宙场景的虚拟设备亮度调节方法、装置 | |
CN114327346B (zh) | 显示方法、显示装置、电子设备以及存储介质 | |
CN113409288B (zh) | 一种图像清晰度的检测方法、装置、设备和存储介质 | |
CN113705620B (zh) | 图像显示模型的训练方法、装置、电子设备和存储介质 | |
CN116894894B (zh) | 虚拟形象的动作确定方法、装置、设备和存储介质 | |
CN113177545B (zh) | 目标物体的检测方法、装置、电子设备和存储介质 |
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 |