CN112559887B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112559887B CN112559887B CN202011563182.5A CN202011563182A CN112559887B CN 112559887 B CN112559887 B CN 112559887B CN 202011563182 A CN202011563182 A CN 202011563182A CN 112559887 B CN112559887 B CN 112559887B
- Authority
- CN
- China
- Prior art keywords
- panorama
- target
- sample
- panoramic image
- interest point
- 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 60
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 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
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开公开了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，涉及计算机领域，尤其涉及图像处理及深度学习技术领域。全景图与兴趣点挂接的方法具体实现方案为：获取目标兴趣点对应的全景图集合，并获取所述全景图集合中每一个全景图对应的空间特征；基于全景图推荐模型获取所述每一个全景图对应的分值，基于所述分值确定目标全景图，其中，所述全景图推荐模型为输入为所述每一个全景图对应的空间特征，输出为所述分值的神经网络模型；将所述目标全景图与所述目标兴趣点挂接。本公开能够实现全景图与兴趣点的自动挂接，避免人为主观因素的影响。
Description
技术领域
本公开涉及计算机领域的图像处理及深度学习技术领域，尤其涉及一种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。
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及构建全景图推荐模型的方法。
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：
获取目标兴趣点对应的全景图集合，并获取所述全景图集合中每一个全景图对应的空间特征；
基于全景图推荐模型获取所述每一个全景图对应的分值，基于所述分值确定目标全景图，其中，所述全景图推荐模型为输入为所述每一个全景图对应的空间特征，输出为所述分值的神经网络模型；
将所述目标全景图与所述目标兴趣点挂接。
根据本公开的另一方面，提供了一种构建全景图推荐模型的方法，包括：
获取样本兴趣点及所述样本兴趣点挂接的样本全景图；
获取所述样本全景图的空间特征及所述样本全景图对应的目标分值；
基于所述样本全景图的空间特征及所述目标分值对神经网络模型进行训练，构建全景图推荐模型；其中，所述全景图推荐模型的输入为样本全景图的空间特征，输出为所述样本全景图对应的分值。
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：
第一获取模块，用于获取目标兴趣点对应的全景图集合，并获取所述全景图集合中每一个全景图对应的空间特征；
确定模块，用于基于全景图推荐模型获取所述每一个全景图对应的分值，基于所述分值确定目标全景图，其中，所述全景图推荐模型为输入为所述每一个全景图对应的空间特征，输出为所述分值的神经网络模型；挂接模块，用于将所述目标全景图与所述目标兴趣点挂接。
根据本公开的另一方面，提供了一种构建全景图推荐模型的装置，包括：
第二获取模块，用于获取样本兴趣点及所述样本兴趣点挂接的样本全景图；
第三获取模块，用于获取所述样本全景图的空间特征及所述样本全景图对应的目标分值；
构建模块，用于基于所述样本全景图的空间特征及所述目标分值对神经网络模型进行训练，构建全景图推荐模型；其中，所述全景图推荐模型的输入为样本全景图的空间特征，输出为所述样本全景图对应的分值。
根据本公开的另一方面，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一方面所述的全景图与兴趣点挂接的方法，或者执行另一方面所述的构建全景图推荐模型的方法。
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一方面所述的全景图与兴趣点挂接的方法，或者执行另一方面所述的构建全景图推荐模型的方法。
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一方面所述的全景图与兴趣点挂接的方法，或者实现另一方面所述的构建全景图推荐模型的方法。
本公开实施例提供的方案，实现了兴趣点与全景图的自动挂接，且能够避免人工挂接的方式带来的主观因素的影响，且能够更快地实现兴趣点与全景图的挂接，提高了兴趣点与全景图的挂接效率。
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是根据本公开一实施例提供的构建全景图推荐模型的方法的流程图；
图3是根据本公开另一实施例提供的构建全景图推荐模型的方法的流程图；
图4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5是根据本公开一实施例提供的构建全景图推荐模型的装置的结构图；
图6是用来实现本公开实施例的全景图与兴趣点挂接的方法或是实现本公开实施例的构建全景图推荐模型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、获取目标兴趣点对应的全景图集合，并获取所述全景图集合中每一个全景图对应的空间特征。
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。
本公开实施了中，装置在获取目标兴趣点对应的全景图集合之前，可以是先确定目标兴趣点。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确定目标兴趣点，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。
在确定目标兴趣点的情况下，则获取所述目标兴趣点对应的全景图集合。可以理解地，兴趣点通常会关联有多个全景图。例如对于A市文化公园，其关联的全景图可以是包括基于该公园入口前方视角得到的全景图、基于该公园出口前方视角得到的全景图、基于该公园内休息亭内视角得到的全景图等等。本公开实施例中，在确定目标兴趣点的情况下，也就能够获取该目标兴趣点关联的全景图集合，其中，所述全景图集合中包括至少一个全景图。
进一步地，在获取到目标兴趣点对应的全景图集合后，则获取所述全景图集合中每一个全景图对应的空间特征。其中，所述空间特征可以是指目标兴趣点在世界坐标系中的坐标信息，或者，所述空间特征也可以是目标兴趣点的方位信息，例如所述目标兴趣点为建筑物，该目标兴趣点的空间特征可以是其正面的方位朝向，如朝向东南方。
可选地，所述空间特征包括如下至少一项：
所述目标兴趣点的面积、所述目标兴趣点的坐标信息、所述目标兴趣点相对于第一全景图中目标位置的距离信息、所述目标位置相对于所述目标兴趣点的方位信息、所述目标位置的道路类型信息；其中，所述目标位置为所述第一全景图的中心位置，所述第一全景图为所述全景图集合中的任一个全景图。
可以理解地，由于全景图是360度视角的，每一个全景图都可以看成是一个全景球模型；全景图的中心位置也就是该第一全景图形成的全景球模型的球心位置，进而目标位置也就是该球心位置。
本公开实施例中，全景图对应的空间特征包括所述目标兴趣点相对于全景图中目标位置的距离信息。可以理解地，目标兴趣点对应的每一个全景图是基于不同的目标位置来得到的。例如，以目标兴趣点为某地图书馆为例，则可以是以距离图书馆前门正前方10米为目标位置来得到一个全景图，也可以是以距离图书馆前门正前方20米为目标位置来得到一个全景图，还可以是以距离图书馆左侧门5米为目标位置来得到一个全景图，等等。进而，对于目标兴趣点关联的每一个全景图，目标兴趣点在不同全景图中与目标位置的距离信息是不同的。并且，对于不同的全景图，目标位置相对于目标兴趣点的方位信息也不同，例如，在以距离图书馆前门正前方10米为目标位置来得到一个全景图中，目标位置相对于目标兴趣点的方位信息是正北方，以距离图书馆左侧门5米为目标位置来得到一个全景图中，目标位置相对于目标兴趣点的方位信息是正西方，等。
本公开实施例中，所述道路类型可以是基于不同的划分形式来确定。例如，所述道路类型可以是国家公路、省级公路、县级公路或乡级公路；或者，所述道路类型还可以是指道路的车道数量，例如道路类型可以是双向单车道、双向四车道、双向六车道等。本公开实施例中，若所述目标位置位于道路上，则基于该目标位置得到的全景图对应的空间特征还可以包括目标位置的道路类型信息。
另外需要说明的是，所述目标兴趣点的坐标信息，可以是指目标兴趣点在世界坐标系中的坐标信息。所述目标兴趣点的面积可以是基于目标兴趣点在电子地图中的显示面积及电子地图的比例尺计算得出。对于面积较大的目标兴趣点，例如机场、大学校园等，也就需要目标位置距离目标兴趣点较远的全景图才能更好地覆盖目标兴趣点，而对于面积较小的目标兴趣点，例如报刊亭、电话亭等，则可以是目标位置距离目标兴趣点较小的全景图就能够覆盖目标兴趣点。也就是说，基于目标兴趣点面积的不同，也能够影响目标全景图的确定。这样，也就可以通过获取全景图的多个空间特征，以获得全景图更全面的信息，更好地对全景图进行评分。
步骤S102、基于全景图推荐模型获取所述每一个全景图对应的分值，基于所述分值确定目标全景图。
其中，所述全景图推荐模型为输入为所述每一个全景图对应的空间特征，输出为所述分值的神经网络模型。本公开实施例中，在获取目标兴趣点对应的每一个全景图的空间特征后，将每一个全景图的空间特征作为全景图推荐模型的输入，并获取该全景图推荐模型输出的对应于每一个全景图的分值，并基于每一个全景图的分值，从中确定出一个全景图作为目标全景图。例如，可以是将分值超过预设值的全景图确定为目标全景图，或者也可以是将分值最高的全景图确定为目标全景图，等。其中，所述目标全景图的数量可以是至少一个。
可选地，所述步骤S102可以包括：
基于全景图推荐模型获取所述每一个全景图对应的分值，并将分值最高的全景图确定为目标全景图。
本公开实施例中，全景图推荐模型基于每一个全景图的空间特征来输出对应的分值，将其中分值最高的全景图来作为目标全景图。这样，也就能够基于全景图推荐模型自动实现对全景图的打分，使得对于全景图的评分更加客观化，避免人为作业的方式而造成的主观因素对确定目标全景图的影响。并且全景图推荐模型的打分依据是基于全景图对应的空间特征来得出，空间特征包括全景图中目标位置与目标兴趣点的距离信息、方位信息等因素相关，基于这些因素得出的评分最高目标全景图，也就是相对于目标兴趣点的位置和方位都较优的全景图，这样也就能够基于全景图推荐模型自动得到图像质量较高的目标全景图。
需要说明的是，所述全景图推荐模型为神经网络模型，可以是基于用户输入的样本全景图的空间特征及对应的分值，来对所述全景图推荐模型进行自学习训练，进而以获得全景图的空间特征与分值之间的预设关系。例如，可以是将已经与兴趣点挂接的全景图作为样本全景图，获取这类样本全景图的空间特征及对应的分值，该分值可以是用户的人工评分，或者也可以是基于预设算法对样本全景图进行计算后得到的评分，将这类样本全景图的空间特征输入全景图推荐模型，获取全景图推荐模型基于该样本全景图的空间特征输出的测试分值，计算测试分值与目标分值之间的损失值，并反向传播到全景图推荐模型的参数中以优化算法，迭代处理以训练所述全景图推荐模型。可以理解地，全景图推荐模型可以是基于大量的样本全景图的空间特征及对应的分值，进行自学习训练，以不断优化全景图推荐模型的算法，来完成对全景图推荐模型的构建。这样，当将目标兴趣点对应的每一个全景图的空间特征作为全景图推荐模型的输入，也就能够自动获得全景图推荐模型输出的对应于每一个全景图的分值，不再是依赖于人为主观地对全景图进行评分，避免了主观因素对确定目标全景图的影响。
本公开实施例中，所述全景图推荐模型的输入为全景图的空间特征，所述空间特征包括目标兴趣点的面积、目标兴趣点的坐标信息、目标兴趣点相对于全景图中目标位置的距离信息、所述目标位置相对于所述目标兴趣点的方位信息、所述目标位置的道路类型信息中的至少一项。也就是说，这些空间特征信息会影响全景图的分值。
例如，基于目标兴趣点的位置信息也就能够确定出目标兴趣点的地理位置，基于目标兴趣点的地理位置来进行评分，例如若目标兴趣点为医院、学校、车站等人流量较大的地方时，对应较高的分值，若目标兴趣点为湖泊、农田等较少有人活动的地方时，对应较低的分值，等等。对于目标兴趣点的面积，若目标兴趣点的面积较大，则可以是目标位置距离目标兴趣点较远的全景图的分值要高于目标位置距离目标兴趣点较近的全景图的分值。对于目标兴趣点相对于全景图中目标位置的距离，可以是在该距离位于预设距离区间内时，对应较高的分值，该距离与预设距离区间相差越大，则分值越小；例如，若目标兴趣点为图书馆，则可以是距离图书馆10-20米内对应的分值较大，而距离图书馆10米内或是20米外，基于这样的位置看到的图书馆要么较大要么较小，则可以是对应分值较小。对于目标位置相对于目标兴趣点的方位信息，可以是目标位置处于预设方位时，分值较大，目标位置与预设方位偏离越大，分值越小。若目标位置处于道路上，可以是目标所处的道路越宽，则分值越大，或者是目标位置所处的道路行政级别越高，则分值越大。
例如，假设目标兴趣点为图书馆，其对应的第一全景图为基于距离图书馆正门前方15米得到的全景图，第二全景图为基于距离图书馆后门5米得到的全景图，将第一全景图的空间特征与第二全景图的空间特征作为全景图推荐模型的输入，则输出的第一全景图的分值要高于第二全景图的分值，则可以是将第一全景图确定为目标全景图。这样，目标全景图也就是对目标兴趣点具有较好的查看视角、能够更全面地看到目标兴趣点的全景图。
步骤S103、将所述目标全景图与所述目标兴趣点挂接。
本公开实施例中，在基于全景图推荐模型获得目标兴趣点对应的每一个全景图的分值后，基于其分值从中确定出目标全景图，并将目标全景图与目标兴趣点挂接。这样，也就实现了全景图与兴趣点的自动挂接，避免了人工挂接造成的主观因素的影响，使得兴趣点挂接的全景图能够具有更好的图像质量。
可选地，在所述步骤S103之后，所述方法还可以包括：
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图，而后可以通过接收用户作用在目标全景图上的如转动、拖动等滑动操作，来变化全景图视野。
可以理解地，将目标全景图与目标兴趣点挂接后，则当用户需要查看目标兴趣点的全景图时，看到的也就是目标全景图。而目标全景图是基于全景图推荐模型输出的分值，从目标兴趣点对应的多个全景图中选出的分值最高的全景图，也就是目标兴趣点对应的具有较好的图像质量、且对目标兴趣点具有较好的查看视角的全景图，这样也就能够更好地方便用户对目标兴趣点的查看，为用户提供更好的视觉体验，也能够为用户提供更好的地理指示作用。
本公开实施例提供的方案，通过获取目标兴趣点对应的全景图集合中每一个全景图对应的空间特征，基于全景图推荐模型获取每一个全景图对应的分值，并基于所述分值来确定目标全景图，将目标全景图与目标兴趣点挂接。这样，也就实现了兴趣点与全景图的自动挂接，相比于现有技术中通过人为地比对多个全景图，并从中选择一张来作为与兴趣点挂接的全景图的方式，本公开提供的方案能够有效避免人工选择的方式带来的主观因素的影响，且能够更快地实现兴趣点与全景图的挂接，提高了兴趣点与全景图的挂接效率。
请参照图2，图2是本公开实施例提供的一种构建全景图推荐模型的方法的流程图，如图2所示，所述方法包括以下步骤：
步骤S201、获取样本兴趣点及所述样本兴趣点挂接的样本全景图。
需要说明的是，本公开实施例提供的方法可以是应用于构建全景图推荐模型的装置，例如笔记本计算机、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，可以是将已经挂接成功的兴趣点及对应的全景图作为样本兴趣点和样本全景图，所述样本兴趣点和对应的样本全景图可以是多个，且样本兴趣点与样本全景图是一一对应的。
步骤S202、获取所述样本全景图的空间特征及所述样本全景图对应的目标分值。
其中，所述样本全景图的空间特征包括如下至少一项：样本兴趣点的面积、样本兴趣点的坐标信息、所述样本兴趣点相对于样本全景图中目标位置的距离信息、所述目标位置相对于所述样本兴趣点的方位信息、所述目标位置的道路类型信息，其中，所述目标位置为所述样本全景图的中心位置。需要说明的是，上述各空间特征的理解可以是参照图1所述实施例中的具体描述，本实施例对此不再赘述。
本公开实施例中，样本全景图已经与样本兴趣点挂接，样本全景图对应有基于其空间特征得到的目标分值。其中，样本全景图的目标分值，可以是用户的人工评分，或者也可以是基于预设算法对样本全景图进行计算后得到的评分。
步骤S203、基于所述样本全景图的空间特征及所述目标分值对神经网络模型进行训练，构建全景图推荐模型。
其中，所述全景图推荐模型的输入为样本全景图的空间特征，输出为所述样本全景图对应的分值。
可选地，将样本全景图的空间特征作为全景图推荐模型的输入，并获取全景图推荐模型输出的对应于该样本全景图的测试分值，并计算测试分值与该样本全景图对应的目标分值之间的损失值，基于该损失值进行反向传播训练，以优化全景图推荐模型的算法，迭代处理以训练所述全景图推荐模型。其中，一个样本全景图的空间特征及对应的目标分值可以作为一组训练数据，本公开实施例中可以是基于多组训练数据来对全景图推荐模型进行训练，以得到全景图空间特征与分值之间的对应关系，进而以构建全景图推荐模型。
可以理解地，构建完成的全景图推荐模型能够在获得全景图空间特征作为输入的情况下，基于全景图空间特征与分值之间的对应关系，输出对应的分值。这样，全景图与兴趣点挂接的装置也就能够基于构建完成的全景图推荐模型，来获得目标全景图对应的多个全景图中每一个全景图的分值，基于全景图分值来确定目标全景图。这样，也就能够更加快速地确定出目标兴趣点的目标全景图，以实现兴趣点与全景图的挂接，避免了人工确定目标全景图造成的主观因素干扰。
另外，对于确定出的目标全景图，也可以将目标全景图的空间特征及对应的分值全景图推荐模型的一组训练数据，来对全景图推荐模型进行自学习训练，以不断优化全景图推荐模型，提高全景图推荐模型输出分值的准确性。
本公开实施例中，通过获取所述样本全景图的空间特征及所述样本全景图对应的目标分值，基于所述样本全景图的空间特征及所述目标分值对神经网络模型进行训练，构建全景图推荐模型。这样，也就使得构建得到的全景图推荐模型能够基于输入的全景图空间特征，自动输出该全景图对应的分值，这样也就无需再通过人工评价的方式来对兴趣点的全景图进行比对和评分，避免了主观因素对全景图分值的影响，也使得对于全景图的评分更加全面和客观化，效率也更高。
为更好地理解本公开实施例的方案，请参照图3，图3是本公开实施例提供的另一种构建全景图推荐模型的方法的流程图。如图3所示，该方法包括：第一步、样本标注，也就是获取样本兴趣点和对应的样本全景图，样本全景图可以是包括样本兴趣点对应的所有全景图，可以是人工对每一张样本全景图进行分值标注，进而每一个样本全景图也就包括对应的样本分值；第二步、模型训练和全景图推荐，也就是基于样本全景图及对应的样本分值进行模型训练，并基于样本分值进行全景图推荐；第三步、判断分值最高的样本全景图符合预设标准，则将该分值最高的样本全景图与样本兴趣点挂接，所述预设标准可以是预设分值；第四步、如果分值最高的样本全景图不符合预设标准，则判断分值前五的样本全景图是否符合预设标准，如果符合，则从中筛选一张样本全景图与样本兴趣点挂接；第五步、若分值排列前五的样本全景图不符合预设标准，则判断分值排列前十的样本全景图是否符合预设标准，如果符合，则从中筛选一张样本全景图与样本兴趣点挂接；第六步、若分值排列前十的样本全景图不符合预设标准，则从剩下的样本全景图中筛选一张样本全景图与样本兴趣点挂接；第七步、将挂接的样本全景图与样本兴趣点作为样本集，该样本集可以作为第一步中的样本标注，以训练全景图推荐模型。通过这样的流程步骤，也就能够实现对全景图推荐模型的训练，以构建全景图推荐模型，后续也就无需再通过人工评价的方式来对兴趣点的全景图进行比对和评分，避免了主观因素对全景图与兴趣点挂接的影响，提升挂接效率。
请参照图4，图4是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。如图4所示，全景图与兴趣点挂接的装置400包括：
第一获取模块401，用于获取目标兴趣点对应的全景图集合，并获取所述全景图集合中每一个全景图对应的空间特征；
确定模块402，用于基于全景图推荐模型获取所述每一个全景图对应的分值，基于所述分值确定目标全景图，其中，所述全景图推荐模型为输入为所述每一个全景图对应的空间特征，输出为所述分值的神经网络模型；
挂接模块403，用于将所述目标全景图与所述目标兴趣点挂接。
可选地，所述空间特征包括如下至少一项：
所述目标兴趣点的面积、所述目标兴趣点的坐标信息、所述目标兴趣点相对于第一全景图中目标位置的距离信息、所述目标位置相对于所述目标兴趣点的方位信息、所述目标位置的道路类型信息；
其中，所述目标位置为所述第一全景图的中心位置，所述第一全景图为所述全景图集合中的任一个全景图。
可选地，所述确定模块402还用于：
基于全景图推荐模型获取所述每一个全景图对应的分值，并将分值最高的全景图确定为目标全景图。
可选地，所述全景图与兴趣点挂接的装置400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，显示所述目标全景图。
本实施例提供的全景图与兴趣点挂接的装置400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。
请参照图5，图5是本公开一实施例提供的构建全景图推荐模型的装置的结构图。如图5所示，构建全景图推荐模型的装置500包括：
第二获取模块501，用于获取样本兴趣点及所述样本兴趣点挂接的样本全景图；
第三获取模块502，用于获取所述样本全景图的空间特征及所述样本全景图对应的目标分值；
构建模块503，用于基于所述样本全景图的空间特征及所述目标分值对神经网络模型进行训练，构建全景图推荐模型；其中，所述全景图推荐模型的输入为样本全景图的空间特征，输出为所述样本全景图对应的分值。
本实施例提供的构建全景图推荐模型的装置500能够实现上述构建全景图推荐模型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6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备600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600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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601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，或者例如构建全景图推荐模型的方法。例如，在一些实施例中，全景图与兴趣点挂接的方法或者构建全景图推荐模型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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的全景图与兴趣点挂接的方法或者构建全景图推荐模型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601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或者构建全景图推荐模型的方法。
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储存介质。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：
获取目标兴趣点对应的全景图集合，并获取所述全景图集合中每一个全景图对应的空间特征；
基于全景图推荐模型获取所述每一个全景图对应的分值，基于所述分值确定目标全景图，其中，所述全景图推荐模型为输入为所述每一个全景图对应的空间特征，输出为所述分值的神经网络模型；
将所述目标全景图与所述目标兴趣点挂接；
所述空间特征包括如下至少一项：
所述目标兴趣点的面积、所述目标兴趣点的坐标信息、所述目标兴趣点相对于第一全景图中目标位置的距离信息、所述目标位置相对于所述目标兴趣点的方位信息、所述目标位置的道路类型信息；
其中，所述目标位置为所述第一全景图的中心位置，所述第一全景图为所述全景图集合中的任一个全景图。
2.根据权利要求1所述的方法，其中，所述基于全景图推荐模型获取所述每一个全景图对应的分值，基于所述分值确定目标全景图包括：
基于全景图推荐模型获取所述每一个全景图对应的分值，并将分值最高的全景图确定为目标全景图。
3.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，显示所述目标全景图。
4.一种构建全景图推荐模型的方法，包括：
获取样本兴趣点及所述样本兴趣点挂接的样本全景图；
获取所述样本全景图的空间特征及所述样本全景图对应的目标分值；
基于所述样本全景图的空间特征及所述目标分值对神经网络模型进行训练，构建全景图推荐模型；其中，所述全景图推荐模型的输入为样本全景图的空间特征，输出为所述样本全景图对应的分值；
所述样本全景图的空间特征包括如下至少一项：所述样本兴趣点的面积、所述样本兴趣点的坐标信息、所述样本兴趣点相对于样本全景图中目标位置的距离信息、所述目标位置相对于所述样本兴趣点的方位信息、所述目标位置的道路类型信息，其中，所述目标位置为所述样本全景图的中心位置。
5.一种全景图与兴趣点挂接的装置，包括：
第一获取模块，用于获取目标兴趣点对应的全景图集合，并获取所述全景图集合中每一个全景图对应的空间特征；
确定模块，用于基于全景图推荐模型获取所述每一个全景图对应的分值，基于所述分值确定目标全景图，其中，所述全景图推荐模型为输入为所述每一个全景图对应的空间特征，输出为所述分值的神经网络模型；
挂接模块，用于将所述目标全景图与所述目标兴趣点挂接；
所述空间特征包括如下至少一项：
所述目标兴趣点的面积、所述目标兴趣点的坐标信息、所述目标兴趣点相对于第一全景图中目标位置的距离信息、所述目标位置相对于所述目标兴趣点的方位信息、所述目标位置的道路类型信息；
其中，所述目标位置为所述第一全景图的中心位置，所述第一全景图为所述全景图集合中的任一个全景图。
6.根据权利要求5所述的装置，其中，所述确定模块还用于：
基于全景图推荐模型获取所述每一个全景图对应的分值，并将分值最高的全景图确定为目标全景图。
7.根据权利要求5所述的装置，所述装置还包括：
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，显示所述目标全景图。
8.一种构建全景图推荐模型的装置，包括：
第二获取模块，用于获取样本兴趣点及所述样本兴趣点挂接的样本全景图；
第三获取模块，用于获取所述样本全景图的空间特征及所述样本全景图对应的目标分值；
构建模块，用于基于所述样本全景图的空间特征及所述目标分值对神经网络模型进行训练，构建全景图推荐模型；其中，所述全景图推荐模型的输入为样本全景图的空间特征，输出为所述样本全景图对应的分值；
所述样本全景图的空间特征包括如下至少一项：所述样本兴趣点的面积、所述样本兴趣点的坐标信息、所述样本兴趣点相对于样本全景图中目标位置的距离信息、所述目标位置相对于所述样本兴趣点的方位信息、所述目标位置的道路类型信息，其中，所述目标位置为所述样本全景图的中心位置。
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1-3中任一项所述的方法，或者执行权利要求4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1-3中任一项所述的方法，或者执行根据权利要求4所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011563182.5A CN112559887B (zh) | 2020-12-25 | 2020-12-25 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011563182.5A CN112559887B (zh) | 2020-12-25 | 2020-12-25 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112559887A CN112559887A (zh) | 2021-03-26 |
| CN112559887B true CN112559887B (zh) | 2023-09-05 |
Family
ID=75034316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011563182.5A Active CN112559887B (zh) | 2020-12-25 | 2020-12-25 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112559887B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103106272A (zh) * | 2013-02-06 | 2013-05-15 | 腾讯科技（深圳）有限公司 | 兴趣点信息获取方法及装置 |
| CN104298678A (zh) * | 2013-07-15 | 2015-01-21 | 腾讯科技（深圳）有限公司 | 在电子地图上搜索兴趣点的方法、系统、装置和服务器 |
| US9282161B1 (en) * | 2012-10-26 | 2016-03-08 | Amazon Technologies, Inc. | Points of interest recommendations |
| CN106462768A (zh) * | 2014-06-27 | 2017-02-22 | 谷歌公司 | 使用图像特征从图像提取视窗 |
| 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 |
| CN108597034A (zh) * | 2018-04-28 | 2018-09-28 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN108700998A (zh) * | 2016-05-03 | 2018-10-23 | 谷歌有限责任公司 | 用于在移动设备上获得成对极线约束和解决全景姿态的方法和系统 |
| CN110444133A (zh) * | 2019-08-13 | 2019-11-12 | 上饶市中科院云计算中心大数据研究院 | 一种旅游景点智能导游的方法和装置 |
| CN111401206A (zh) * | 2020-03-11 | 2020-07-10 | 恒睿(重庆)人工智能技术研究院有限公司 | 一种全景图共享方法、系统、设备和介质 |
| CN111538904A (zh) * | 2020-04-27 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于推荐兴趣点的方法和装置 |
-
2020
- 2020-12-25 CN CN202011563182.5A patent/CN112559887B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9282161B1 (en) * | 2012-10-26 | 2016-03-08 | Amazon Technologies, Inc. | Points of interest recommendations |
| CN103106272A (zh) * | 2013-02-06 | 2013-05-15 | 腾讯科技（深圳）有限公司 | 兴趣点信息获取方法及装置 |
| CN104298678A (zh) * | 2013-07-15 | 2015-01-21 | 腾讯科技（深圳）有限公司 | 在电子地图上搜索兴趣点的方法、系统、装置和服务器 |
| CN106462768A (zh) * | 2014-06-27 | 2017-02-22 | 谷歌公司 | 使用图像特征从图像提取视窗 |
| CN108700998A (zh) * | 2016-05-03 | 2018-10-23 | 谷歌有限责任公司 | 用于在移动设备上获得成对极线约束和解决全景姿态的方法和系统 |
| 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 |
| CN108597034A (zh) * | 2018-04-28 | 2018-09-28 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN110444133A (zh) * | 2019-08-13 | 2019-11-12 | 上饶市中科院云计算中心大数据研究院 | 一种旅游景点智能导游的方法和装置 |
| CN111401206A (zh) * | 2020-03-11 | 2020-07-10 | 恒睿(重庆)人工智能技术研究院有限公司 | 一种全景图共享方法、系统、设备和介质 |
| CN111538904A (zh) * | 2020-04-27 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于推荐兴趣点的方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 邵长城 ; 陈平华 ; .融合社交网络和图像内容的兴趣点推荐.计算机应用.2019,(05),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112559887A (zh) | 2021-03-26 |
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 | |
| CN113077548B (zh) | 针对物体的碰撞检测方法、装置、设备和存储介质 | |
| CN113705362B (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
| CN112232311B (zh) | 人脸跟踪方法、装置及电子设备 | |
| CN113536152B (zh) | 一种地图兴趣点展示方法、装置及电子设备 | |
| CN112529097B (zh) | 样本图像生成方法、装置以及电子设备 | |
| 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 | |
| CN111862349A (zh) | 虚拟画笔实现方法、装置和计算机可读存储介质 | |
| 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 | |
| CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
| CN111626990B (zh) | 目标检测框处理方法、装置及电子设备 | |
| CN113420104B (zh) | 兴趣点采全率确定方法、装置、电子设备及存储介质 | |
| CN115578432B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 | |
| CN111538410A (zh) | 一种vr场景中确定目标算法的方法及装置、计算设备 | |
| CN110290459A (zh) | 一种室内定位方法及装置 | |
| CN106464735A (zh) | 数字服务平台中第三方服务的实现 | |
| CN113177545B (zh) | 目标物体的检测方法、装置、电子设备和存储介质 | |
| CN113051491B (zh) | 地图数据处理的方法、设备、存储介质及程序产品 | |
| CN113836252B (zh) | 用于确定地理坐标的方法和装置 | |
| CN114758107A (zh) | 全息三维图像处理方法、装置、设备及存储介质 | |
| CN116229209B (zh) | 目标模型的训练方法、目标检测方法及装置 | |
| CN115131472B (zh) | 一种全景切换的过渡处理的方法、装置、设备及介质 | |
| CN113096254B (zh) | 目标物渲染方法及装置、计算机设备和介质 | |
| CN112989100B (zh) | 基于图像指纹的室内定位方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |