CN112597983B - 一种遥感图像中目标对象的识别方法及其存储介质和系统 - Google Patents
一种遥感图像中目标对象的识别方法及其存储介质和系统 Download PDFInfo
- Publication number
- CN112597983B CN112597983B CN202110237674.3A CN202110237674A CN112597983B CN 112597983 B CN112597983 B CN 112597983B CN 202110237674 A CN202110237674 A CN 202110237674A CN 112597983 B CN112597983 B CN 112597983B
- Authority
- CN
- China
- Prior art keywords
- image
- texture
- target object
- remote sensing
- area
- 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
Images
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
- G06V20/13—Satellite images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Astronomy & Astrophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感图像中目标对象的识别方法及其存储介质和系统,所述方法包括:S1、在所述遥感图像中确定需要进行超分辨率重建的复杂背景图像区域,其中所述复杂背景图像区域包含对目标对象的识别形成干扰的影像信息;S2、根据所述复杂背景图像区域,生成与所述复杂背景图像区域对应的高分辨率图像,其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数;S3、利用预先设置的第一目标对象识别模型,在所述高分辨率图像中识别目标对象。本发明只针对复杂背景图像区域生成高分辨率图像,从而相对于对整个遥感图像进行超分辨率重建而言,大大减少了需要进行超分辨率重建的计算量,从而提高了计算设备处理遥感图像的效率。
Description
技术领域
本发明涉及遥感图像处理技术领域,具体地,涉及一种遥感图像中目标对象的识别方法及其存储介质和系统。
背景技术
在现有技术中,遥感图像被广泛应用于农业、交通以及工业生产等各个领域。通过图像识别技术可以识别遥感图像中感兴趣的目标对象,并对目标对象进行标记,从而可以通过遥感图像实现对目标对象的监控。
由于遥感图像是在高空环境下拍摄的,因此相对于其他场景下采集的图像,遥感图像的空间分辨率更高。因此在遥感图像中单一目标对象所占用的像素数也更少,在同样大小的图像区域内,遥感图像所显示的对象更加密集。因此,在遥感图像中识别较小的目标对象的难度也更高。
以标记道路上的车辆为例,当该道路是穿越草原或者荒地的道路时,由于道路两侧的背景图像相对比较简单,因此在识别道路上的车辆时,道路两侧的背景噪声对道路以及车辆的影响很小。再比如说,在城市上空拍摄的遥感图像中,由于城市主干道的宽度足够宽,并且主干道的走向相对比较规则,因此在进行车辆识别时,主干道两侧的建筑物对识别准确度的影响也比较小。但是对于城市街区之间的细小道路,由于建筑物密集等各种原因导致背景图像既不规则又很复杂时,由于在遥感图像中车辆目标本身占有的像素少并且边缘以及色彩等特征不明显,因此背景噪声往往使得难于对道路上的车辆做出准确的标记。如果要准确识别和标记遥感图像中具有复杂图像背景下的目标对象,就需要对遥感图像进行超分辨率重建,以便生成像素数比遥感图像更多的高分辨率图像。但是,随着遥感图像的分辨率越来越高,如果每次都对整个遥感图像进行超分辨率重建,则势必会增加重建过程的计算负担,从而导致计算效率低下。
针对上述的现有技术中存在的在遥感图像中难于对目标对象进行准确的识别和标记,如果对整个遥感图像进行超分辨率重建会导致计算效率低下的技术问题,目前尚未提出有效的解决方案。
发明内容
为解决上述技术问题,本发明提供一种遥感图像中目标对象的识别方法,所述方法包括以下步骤:
S1、在遥感图像中确定需要进行超分辨率重建的复杂背景图像区域,其中所述复杂背景图像区域包含对目标对象的识别形成干扰的影像信息;
S2、根据所述复杂背景图像区域,生成与所述复杂背景图像区域对应的高分辨率图像,其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数;
S3、利用预先设置的第一目标对象识别模型,在所述高分辨率图像中识别目标对象。
优选地,所述步骤S1的具体实现方式包括:
S11、提取遥感图像中的纹理特征,生成与所述遥感图像对应的纹理图像;
S12、利用预先设置的纹理特征识别模型,确定所述纹理图像中的不规则纹理区域,其中所述不规则纹理区域包含密集的不规则纹理特征;
S13、在所述遥感图像中确定与所述不规则纹理区域对应的复杂背景图像区域。
优选地,所述步骤S12的具体实现方式包括:
S121、利用预先设置的纹理特征识别模型将所述纹理图像划分成多个待识别纹理区域,其中所述纹理特征识别模型为神经网络模型,且所述待识别纹理区域的格式与预先设置的神经网络模型匹配;
S122、从所划分的多个待识别纹理区域中选择一个待识别纹理区域;
S123、利用所述神经网络模型生成与所选择的待识别纹理区域中的多个纹理图像区域分别对应的第一向量,其中所述第一向量包括以下参数:所述第一向量所对应的纹理图像区域的横坐标、所述第一向量所对应的纹理图像区域的纵坐标、所述第一向量所对应的纹理图像区域的宽度、所述第一向量所对应的纹理图像区域的高度以及所述第一向量所对应的纹理图像区域为不规则纹理区域的置信度;
S124、根据所述第一向量中包含的参数,在所选择的待识别纹理区域中确定不规则纹理区域。
优选地,所述步骤S13的具体实现方式包括:
S131、确定所述不规则纹理区域在纹理图像中的位置信息以及宽高信息;
S132、根据所述不规则纹理区域在纹理图像中的位置信息以及宽高信息,确定所述复杂背景图像区域在遥感图像中的位置信息以及宽高信息。
优选地,所述步骤S3的具体实现方式包括:
S31、将所述高分辨率图像划分成多个待识别图像区域,其中所述待识别图像区域的格式与预先设置的第一目标对象识别模型匹配;
S32、从所划分的多个待识别图像区域中选择一个待识别图像区域;
S33、利用所述第一目标对象识别模型生成与所选择的待识别图像区域中的多个图像区域分别对应的第二向量,其中所述第二向量包括以下参数:所述第二向量所对应的图像区域的横坐标、所述第二向量所对应的图像区域的纵坐标、所述第二向量所对应的图像区域的宽度、所述第二向量所对应的图像区域的高度以及所述第二向量所对应的图像区域为目标对象的置信度;
S34、根据所述第二向量中包含的参数,在所选择的待识别图像区域中识别目标对象。
优选地,还包括利用预先设置的第二目标对象识别模型对所述遥感图像中目标对象直接进行识别,并根据高分辨率图像中所识别的目标对象对关于遥感图像中目标对象直接识别的识别结果进行修正。
优选地,根据高分辨率图像中所识别的目标对象对关于遥感图像中目标对象直接识别的识别结果进行修正的具体实现方式包括:
S41、确定所述高分辨率图像中所识别的目标对象在所述高分辨率图像中的第一位置信息;
S42、根据所确定的第一位置信息,确定所述高分辨率图像中的目标对象在所述遥感图像中的第二位置信息;
S43、根据所述第二位置信息对步骤S3中的所述遥感图像的识别结果进行修正。
一种遥感图像中目标对象的识别系统,包括处理器,以及与处理器连接的存储器,所述存储器用于为处理器中所执行的处理步骤提供执行指令,其中处理器包括:
复杂背景图像区域确定模块,用于确定所述遥感图像中需要进行超分辨率重建的复杂背景图像区域;
高分辨率图像生成模块,用于生成所述复杂背景图像区域对应的高分辨率图像,其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数;
目标对象识别模块,用于利用预先设置的第一目标对象识别模型,在所述高分辨率图像中识别所述目标对象,以及用于利用预先设置的第二目标对象识别模型,在所述遥感图像中识别所述目标对象并进行修正。
一种存储介质,所述存储介质包括存储程序,其中,在所述程序运行时由处理器执行上述所述的方法。
与现有技术相比,本发明并不是对整个遥感图像进行超分辨率重建,而是首先在遥感图像中确定需要进行超分辨率重建的复杂背景图像区域;也就是说,首先在遥感图像中识别出背景图像对目标对象形成干扰的复杂背景图像区域,然后只针对复杂背景图像区域生成高分辨率图像,从而相对于对整个遥感图像进行超分辨率重建而言,大大减少了需要进行超分辨率重建的计算量,从而提高了计算设备处理遥感图像的效率。同时,利用本发明所述识别方法还能够对直接从遥感图像中识别的目标对象进行修正。
附图说明
图1是用于实现根据本公开实施例所述的方法的计算设备的硬件结构框图;
图2是根据本公开实施例所述的识别遥感图像中的目标对象的方法的流程示意图;
图3A是根据本公开实施例中所述的遥感图像的示意图;
图3B是根据本公开实施例中所述的通过遥感图像生成高分辨率图像的示意图;
图4A和图4B示出了在纹理图像中确定不规则纹理区域的示意图;
图5A和图5B示出了在高分辨率图像中确定目标对象的示意图;
图6A和图6B示出了利用在高分辨率图像中识别的目标对象对遥感图像的识别结果进行修正的示意图;
图7是根据本公开实施例中所述识别遥感图像中目标对象的识别过程的示意图;
图8是根据本公开实施例中一种遥感图像中目标对象的识别系统的示意图,
图9是本发明中确定遥感图像中复杂背景图像区域的方法流程图;
图10是本发明中确定纹理图像中不规则纹理区域的方法流程图;
图11是本发明中根据不规则纹理区域确定遥感图像中对应的复杂背景图像区域的方法流程图;
图12是本发明中在高分辨率图像中识别目标对象的方法流程图;
图13是本发明中利用在高分辨率图像中识别的目标对象对遥感图像的识别结果进行修正的方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案,下面结合附图对本发明作进一步的详细说明。
为了使本技术领域的人员更好地理解本公开的技术方案,下面将结合本实施例中的附图,对本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一部分的实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本公开保护的范围。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本实施例提供了一种遥感图像中目标对象的识别方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的计算设备中执行。图1示出了一种遥感图像中目标对象的识别方法的计算设备的硬件结构框图。如图1所示,计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器可用于存储应用软件的软件程序以及模块,如本公开实施例中的识别遥感图像中的目标对象的方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器内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,即实现上述的应用程序的识别遥感图像中的目标对象的方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备。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。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算设备的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算设备中的部件的类型。
在上述运行环境下,根据本实施例的第一个方面,提供了一种遥感图像中目标对象的识别方法,该方法由图1中所示的计算设备实现。图2示出了该方法的流程示意图,参考图2所示,该方法包括:
S1、在遥感图像中确定需要进行超分辨率重建的复杂背景图像区域,其中所述复杂背景图像区域包含对目标对象的识别形成干扰的影像信息;
S2、根据所述复杂背景图像区域,生成与所述复杂背景图像区域对应的高分辨率图像,其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数;
S3、利用预先设置的第一目标对象识别模型,在所述高分辨率图像中识别目标对象。
具体地,图3A示出了一个示例性的遥感图像300a,该遥感图像300a中包含待识别和标记的目标对象(例如车辆)。其中,利用图1所示的计算设备和图2所示的方法可以将图3A中所包含的目标对象(例如车辆)进行识别和标记。
然后,参考图3A所示,计算设备在遥感图像300a中确定需要进行超分辨率重建的复杂背景图像区域311a和312a。其中在所述复杂背景图像区域中背景图像对目标对象可形成干扰(步骤S1)。
然后,参考图3B所示,计算设备根据所述复杂背景图像区域311a和312a生成与复杂背景图像区域对应的高分辨率图像311c和312c(步骤S2)。具体地,例如计算设备可以通过已知的超分辨率重建技术对复杂背景图像区域311a和312a进行超分辨率重建,从而生成高分辨率图像311c和312c。其中高分辨率图像311c和312c的像素数高于复杂背景图像区域311a和312a的像素数。
最后,计算设备在高分辨率图像311c和312c中识别目标对象(步骤S3)。正如背景技术中所述的,由于遥感图像是在高空环境下拍摄的,因此相对于其他场景下采集的图像,遥感图像的空间分辨率更高。因此在遥感图像中单一目标对象所占用的像素数也更少,在同样大小的图像区域内,遥感图像所显示的对象更加密集。因此,在遥感图像中识别较小的目标对象(例如车辆)的难度也更高。因此,要准确识别和标记遥感图像中具有复杂图像背景下的目标对象,就需要对遥感图像进行超分辨率重建,以便生成像素数比遥感图像更多的高分辨率图像。从而在高分辨率图像中去识别目标对象(例如车辆)。但是,随着遥感图像的分辨率越来越高,如果每次都对整个遥感图像进行超分辨率重建,则势必会增加重建过程的计算负担,从而导致计算效率低下。
在本实施例的技术方案中,并不是对整个遥感图像300a进行超分辨率重建,而是首先在遥感图像300a中确定需要进行超分辨率重建的复杂背景图像区域。也就是说,计算设备首先在遥感图像300a中识别出背景图像对目标对象(例如车辆)形成干扰的复杂背景图像区域311a和312a,然后只针对复杂背景图像区域311a和312a生成高分辨率图像311c和312c。从而相对于对整个遥感图像300a进行超分辨率重建而言,大大减少了需要进行超分辨率重建的计算量,从而提高了计算设备处理遥感图像300a的效率。
更具体地,正如背景技术中所述,在对道路上的车辆进行标记时,当该道路是穿越草原或者荒地的道路时,由于道路两侧的背景图像相对比较简单,因此在识别道路上的车辆时,道路两侧的背景噪声对道路以及车辆的影响很小。再比如说,在城市上空拍摄的遥感图像中,由于城市主干道的宽度足够宽,并且主干道的走向相对比较规则,因此在进行车辆识别时,主干道两侧的建筑物对识别准确度的影响也比较小。但是对于城市街区之间的狭小道路,由于建筑物密集等各种原因导致背景图像既不规则又很复杂时,由于在遥感图像中车辆目标本身占有的像素少并且边缘以及色彩等特征不明显,因此背景噪声往往使得难于对道路上的车辆做出准确的标记。
而通过本实施例所述的方法,不仅能够借助于超分辨率重建的方式,准确识别遥感图像中复杂地形(例如城市街区之间的狭小道路或者是密集建筑物之间的道路)的中车辆,还能够大大减少了需要进行超分辨率重建的计算量,从而提高了计算设备处理遥感图像300a的效率。
进一步,如图9、图11所示,在步骤S1中,在所述遥感图像中确定需要进行超分辨率重建的复杂背景图像区域的操作,具体实现方式包括:
S11、提取遥感图像中的纹理特征,生成与遥感图像对应的纹理图像;
S12、利用预先设置的纹理特征识别模型,确定纹理图像中的不规则纹理区域,其中不规则纹理区域包含密集的不规则纹理特征;
S13、在所述遥感图像中确定与所述不规则纹理区域所对应的复杂背景图像区域。
具体来说,发明人通过对大量遥感图像进行研究后,发现对于存在大量复杂背景图像的图像区域,往往其纹理特征也呈现出形状不规则且密集分布的特点。具体地,图4A示例性的示出了一张遥感图像的示意图,图4B示出了对图4A中的遥感图像提取纹理特征后的纹理图像。将图4A和图4B进行比对,可以发现图4B中纹理特征形状不规则并且密集分布的区域(例如右下角区域)正对应着图4A中存在复杂背景图像的区域。
因此,根据本实施例的技术方案,计算设备在获取图3A所示的遥感图像300a后,首先提取图3A所示的遥感图像300a中的纹理特征,从而生成与该遥感图像300a对应的纹理图像300b(参考图5A所示)。其中该纹理图像300b可以通过边缘提取的方法获得,更具体地,图5A所示的纹理图像300b可以利用一阶微分算子对图3A中所示的遥感图像300a进行边缘提取而获得。例如,可以用Sobel(索贝尔)算子提取该遥感图像300a的纹理特征,从而得到图5A所示的纹理图像300b。
然后,参考图5A所示,计算设备利用预先设置的纹理特征识别模型(本发明中所采用的纹理特征识别模型为现有技术,此处不再赘述),确定所述纹理图像300b中的不规则纹理区域311b和312b,其中不规则纹理区域311b和312b包含密集的不规则纹理特征。即,计算设备从图5A所示的纹理图像300b中识别不规则纹理区域311b和312b。其中该不规则纹理区域311b和312b例如具有以下特点:
1)该不规则纹理区域内的纹理呈现出不规则的纹理形状,具体来说,纹理形状不是圆形或者多边形等规则图形,而是呈现出不规则的形状。
2)该不规则纹理区域内的纹理密集,具体来说纹理之间的间距不大于目标对象尺寸的1.5倍。并且更进一步地,在该不规则纹理区域内,纹理平均间距小于目标对象尺寸的部分区域与整个不规则纹理区域的比例不小于50%,优选地大于85%。
然后,参考图3A所示,计算设备在遥感图像300a中确定与图5A中所示的不规则纹理区域311b和312b相对应的复杂背景图像区域311a和312a。具体地,例如计算设备先确定不规则纹理区域311b和312b在纹理图像300b中的位置信息以及尺寸信息(例如,不规则纹理区域左上角的坐标信息以及不规则纹理区域的宽高信息)。然后计算设备根据不规则纹理区域311b和312b在纹理图像300b中的位置信息以及尺寸信息,确定复杂背景图像区域311a和312a在遥感图像300a中的位置信息以及尺寸信息。
从而根据本实施例的技术方案,计算设备根据遥感图像300a的纹理图像300b来识别遥感图像300a中的复杂背景图像区域311a和312a。由于纹理图像300b滤除了遥感图像300a中的噪音,保留人们更加关注的高频边缘信息。因此通过识别纹理图像300b中的不规则纹理区域,能够更加准确地确定出遥感图像300a中的复杂背景图像区域,尤其是遥感图像中复杂地形的图像区域。从而能够准确地确定需要进行超分辨率重建的图像区域,在提高计算效率的同时,也保证了对目标对象(例如车辆)识别的准确度。
进一步地,如图10所示,所述步骤S12的具体实现方式包括:
S121、利用预先设置的纹理特征识别模型将所述纹理图像划分成多个待识别纹理区域,其中所述纹理特征识别模型为神经网络模型,且待识别纹理区域的格式与预先设置的神经网络模型匹配;
S122、从所划分的多个待识别纹理区域中选择一个待识别纹理区域;
S123、利用所述神经网络模型生成与所选择的待识别纹理区域中的多个纹理图像区域分别对应的第一向量,其中所述第一向量包括以下参数:第一向量所对应的纹理图像区域的横坐标、第一向量所对应的纹理图像区域的纵坐标、第一向量所对应的纹理图像区域的宽度、第一向量所对应的纹理图像区域的高度以及第一向量所对应的纹理图像区域为不规则纹理区域的置信度;
S124、根据所述第一向量中所包含的参数,在所选择的待识别纹理区域中确定不规则纹理区域。
具体地,参考图5A所示,在确定纹理图像中的不规则纹理区域311b和312b的过程中,计算设备首先将纹理图像300b分割为多个图像区域(参见图5A中虚线分割的图像区域),即待识别纹理区域。其中每个待识别纹理区域的格式与计算设备中预先设置的神经网络模型匹配。
在本实施例中,采用yolo v3网络作为识别不规则纹理区域的神经网络模型,因此计算设备将纹理图像300b分割成多个416*416的待识别纹理图像区域。
然后,参考图5A和图5B所示,计算设备从多个待识别纹理区域中选择一个待识别纹理区域321b。计算设备利用该yolo v3神经网络模型对该待识别纹理区域进行处理,从而生成与该待识别纹理区域321b对应的多个第一向量。其中每个第一向量均对应于待识别纹理区域321b中的一个矩形图像区域,其形式为:(x,y,w,h,c)。其中,x代表该矩形区域左上角的横坐标,y代表该矩形区域左上角的纵坐标,w代表该矩形区域的宽度,h代表该矩形区域的高度,c代表该矩形区域为不规则纹理区域的置信度,其范围在0~1之间,并且置信度c的数值越高,则代表该矩形区域为不规则纹理区域的概率越高,而关于置信度计算是本领域的公知常识,此处不再赘述。
然后计算设备根据各个第一向量的参数值确定所选择的纹理区域321b中的不规则纹理区域311b。具体地,计算设备选择置信度c高于预定数值(例如0.9)的第一向量所对应的区域为不规则纹理区域。从而计算设备根据置信度高于该预定数值的第一向量中所包含的位置信息以及宽高信息确定该不规则纹理区域。如果置信度高于该预定数值的向量所对应的区域有重叠时,就将该不同第一向量所对应的区域取并集,作为一个不规则纹理区域。
从而通过该方式,利用第一神经网络(尤其是yolo v3网络)对于在纹理图像中识别不规则纹理区域所具有的明显有益效果,能够进一步提高不规则纹理区域的识别的准确性。
然后,计算设备参照上面所述的操作,依次选择每一个待识别纹理区域进行相应的操作,从而识别出整个纹理图像的不规则纹理区域。
进一步地,如图12所示,所述步骤S3的具体实现方式包括:
S31、将所述高分辨率图像划分成多个待识别图像区域,其中待识别图像区域的格式与预先设置的第一目标对象识别模型匹配;
S32、从多个待识别图像区域中选择一个待识别图像区域;
S33、利用所述第一目标对象识别模型生成与所选择的待识别图像区域中的多个图像区域分别对应的第二向量,其中第二向量包括以下参数:第二向量所对应的图像区域的横坐标、第二向量所对应的图像区域的纵坐标、第二向量所对应的图像区域的宽度、第二向量所对应的图像区域的高度以及第二向量所对应的图像区域为目标对象的置信度;
S34、根据第二向量中所包含的参数,在所选择的待识别图像区域中识别目标对象。
具体地,以高分辨率图像311c为例,参考图6A所示,在高分辨率图像311c中识别目标对象的过程中,计算设备首先将高分辨率图像311c分割为多个图像区域,其中每个图像区域的格式与计算设备中预先设置的第一目标对象识别模型匹配。
在本实施例中,采用yolo v3网络作为识别高分辨率图像中的目标对象(例如车辆)的第一目标对象识别模型,因此计算设备将高分辨率图像311c分割成多个416*416的待识别纹理图像区域。
然后,参考图6A和图6B所示,计算设备从多个待识别纹理区域中选择一个图像区域311c_1。计算设备利用该yolo v3神经网络模型对该图像区域311c_1进行处理,从而生成与该图像区域311c_1对应的多个第二向量。其中每个第二向量均对应于图像区域311c_1中的一个矩形图像区域,其形式为:(x´,y´,w´,h´,c´)。其中,x´代表该矩形区域左上角的横坐标,y´代表该矩形区域左上角的纵坐标,w´代表该矩形区域的宽度,h´代表该矩形区域的高度,c´代表该矩形区域为目标对象区域的置信度,其范围在0~1之间。其中置信度c´的数值越高,则代表该矩形区域为目标对象区域的概率越高。
然后计算设备根据各个第二向量的参数值识别所选择的图像区域311c_1中的目标对象。具体地,计算设备选择置信度c´高于预定数值(例如0.9)的第二向量所对应的区域为目标对象区域。从而计算设备根据置信度高于该预定数值的第二向量中所包含的位置信息以及宽高信息识别目标对象区域。从而借助于第一目标对象识别模型,可以进一步提高识别目标对象(例如车辆)的准确度。
此外,尽管以上是以高分辨率图像311c作为实例进行说明,但是对于高分辨率图像312c,也可以参考高分辨率图像311c进行相应的操作。
进一步地,所述方法还包括:利用预先设置的第二目标对象识别模型对所述遥感图像中目标对象直接进行识别,并根据高分辨率图像中所识别的目标对象对关于遥感图像中目标对象直接识别的识别结果进行修正。
具体地,参考图6A和图6B,根据本实施例的技术方案,在高分辨率图像中所识别的目标对象(例如车辆)的识别结果,可用于对遥感图像中直接进行目标对象识别(例如车辆识别)的识别结果进行修正。
正如图7中所示,计算设备可以通过路径1直接在遥感图像中进行识别目标对象(例如车辆)的识别操作。此外,计算设备可以通过路径2在与复杂背景图像区域对应的高分辨率图像中识别目标对象(例如车辆)。然后计算设备可以利用在高分辨率图像中所识别的目标对象(例如车辆),对路径1中对遥感图像中的识别结果进行修正。
从而通过这种方式,能够根据遥感图像得到准确的识别结果。从而更好地利用遥感图像进行对目标对象的识别和监控。
此外,尽管没有进行说明,在遥感图像中进行目标对象的识别的操作,仍然可以利用神经网络模型(例如yolo v3网络)参考以上所述的方法实现。此处不再赘述。
进一步地,如图13所示,根据高分辨率图像中所识别的目标对象对关于遥感图像中目标对象直接识别的识别结果进行修正的具体实现方式包括:
S41、确定高分辨率图像中所识别的目标对象在高分辨率图像中的第一位置信息;
S42、根据第一位置信息,确定高分辨率图像中的目标对象在遥感图像中的第二位置信息;
S43、根据第二位置信息对步骤S3中的所述遥感图像的识别结果进行修正。
具体地,计算设备可以在高分辨率图像311c和312c中确定目标对象(例如车辆)的第一位置信息,该第一位置信息可以包括目标对象(例如车辆)在高分辨率图像311c和312c中的坐标信息以及宽高信息。从而,计算设备可以根据高分辨率图像311c和312c与复杂背景图像区域的尺寸比例关系,确定目标对象(例如车辆)在遥感图像300a中的第二位置信息。其中该第二位置信息是目标对象(例如车辆)在遥感图像300a中的坐标信息以及宽高信息。
然后计算设备利用上述信息对遥感图像300a的识别结果进行修正。具体地,例如当根据从高分辨率图像311c和312c识别的目标对象(例如车辆)确定遥感图像300a在相应位置有目标对象(例如车辆),但是对遥感图像300a直接进行的识别操作未能识别出该目标对象时,则可以利用根据高分辨率图像311c和312c识别的目标对象进行修正。
从而,在本实施例的技术方案中,计算设备并不是对整个遥感图像300a进行超分辨率重建,而是首先在遥感图像300a中确定需要进行超分辨率重建的复杂背景图像区域。也就是说,计算设备首先在遥感图像300a中识别出背景图像对目标对象形成干扰的复杂背景图像区域311a和312a,然后只针对复杂背景图像区域311a和312a生成高分辨率图像311c和312c。从而相对于对整个遥感图像300a进行超分辨率重建而言,大大减少了需要进行超分辨率重建的计算量,从而提高了计算设备处理遥感图像300a的效率。
此外,需要进行说明的是,尽管本实施例以车辆识别为例对目标对象的识别进行了说明。但是对于其他类型的目标对象,例如施工现场的工作人员,该方法也同样是适用的。此处不再一一赘述。
此外,参考图8所示,本实施例还提供了一种遥感图像中目标对象的识别系统,包括:包括处理器7,以及与处理器7连接的存储器8,所述存储器8用于为处理器7中所执行的处理步骤提供执行指令,其中处理器7包括:
复杂背景图像区域确定模块71,用于确定所述遥感图像中需要进行超分辨率重建的复杂背景图像区域,其中所述复杂背景图像区域包含对目标对象的识别形成干扰的影像信息;
高分辨率图像生成模块72,用于生成所述复杂背景图像区域对应的高分辨率图像,其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数;
目标对象识别模块73,用于利用预先设置的第一目标对象识别模型,在所述高分辨率图像中识别所述目标对象,以及用于利用预先设置的第二目标对象识别模型,在所述遥感图像中识别所述目标对象。
从而根据本实施例,计算设备并不是对整个遥感图像进行超分辨率重建,而是首先在遥感图像中确定需要进行超分辨率重建的复杂背景图像区域。也就是说,计算设备首先在遥感图像中识别出背景图像对目标对象形成干扰的复杂背景图像区域,然后只针对复杂背景图像区域生成高分辨率图像。从而相对于对整个遥感图像进行超分辨率重建而言,大大减少了需要进行超分辨率重建的计算量,从而提高了计算设备处理遥感图像的效率。
此外,参考图1所示,本实施例还提供了一种存储介质,所述存储介质包括存储程序,其中,在所述存储程序运行时由处理器执行以上任意一项所述的方法。
需要说明的是,对于前述的实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本发明所提供的一种遥感图像中目标对象的识别方法及其存储介质和系统进行了详细介绍。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核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (7)
1.一种遥感图像中目标对象的识别方法,其特征在于,所述方法包括以下步骤:
S1、在遥感图像中确定需要进行超分辨率重建的复杂背景图像区域,其中所述复杂背景图像区域包含对目标对象的识别形成干扰的影像信息,具体包括:
S11、提取遥感图像中的纹理特征,生成与所述遥感图像对应的纹理图像;
S12、利用预先设置的纹理特征识别模型,确定所述纹理图像中的不规则纹理区域,其中所述不规则纹理区域包含密集的不规则纹理特征,具体包括:
S121、利用预先设置的纹理特征识别模型将所述纹理图像划分成多个待识别纹理区域,其中所述纹理特征识别模型为神经网络模型,且所述待识别纹理区域的格式与预先设置的神经网络模型匹配;
S122、从所划分的多个待识别纹理区域中选择一个待识别纹理区域;
S123、利用所述神经网络模型生成与所选择的待识别纹理区域中的多个纹理图像区域分别对应的第一向量,其中所述第一向量包括以下参数:所述第一向量所对应的纹理图像区域的横坐标、所述第一向量所对应的纹理图像区域的纵坐标、所述第一向量所对应的纹理图像区域的宽度、所述第一向量所对应的纹理图像区域的高度以及所述第一向量所对应的纹理图像区域为不规则纹理区域的置信度;
S124、根据所述第一向量中包含的参数,在所选择的待识别纹理区域中确定不规则纹理区域;
S13、在所述遥感图像中确定与所述不规则纹理区域对应的复杂背景图像区域;
S2、根据所述复杂背景图像区域,生成与所述复杂背景图像区域对应的高分辨率图像,其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数;
S3、利用预先设置的第一目标对象识别模型,在所述高分辨率图像中识别目标对象。
2.如权利要求1所述的遥感图像中目标对象的识别方法,其特征在于,所述步骤S13的具体实现方式包括:
S131、确定所述不规则纹理区域在纹理图像中的位置信息以及宽高信息;
S132、根据所述不规则纹理区域在纹理图像中的位置信息以及宽高信息,确定所述复杂背景图像区域在遥感图像中的位置信息以及宽高信息。
3.如权利要求2所述的遥感图像中目标对象的识别方法,其特征在于,所述步骤S3的具体实现方式包括:
S31、将所述高分辨率图像划分成多个待识别图像区域,其中所述待识别图像区域的格式与预先设置的第一目标对象识别模型匹配;
S32、从所划分的多个待识别图像区域中选择一个待识别图像区域;
S33、利用所述第一目标对象识别模型生成与所选择的待识别图像区域中的多个图像区域分别对应的第二向量,其中所述第二向量包括以下参数:所述第二向量所对应的图像区域的横坐标、所述第二向量所对应的图像区域的纵坐标、所述第二向量所对应的图像区域的宽度、所述第二向量所对应的图像区域的高度以及所述第二向量所对应的图像区域为目标对象的置信度;
S34、根据所述第二向量中包含的参数,在所选择的待识别图像区域中识别目标对象。
4.如权利要求3所述的遥感图像中目标对象的识别方法,其特征在于,还包括利用预先设置的第二目标对象识别模型对所述遥感图像中目标对象直接进行识别,并根据高分辨率图像中所识别的目标对象对关于遥感图像中目标对象直接识别的识别结果进行修正。
5.如权利要求4所述的遥感图像中目标对象的识别方法,其特征在于,根据高分辨率图像中所识别的目标对象对关于遥感图像中目标对象直接识别的识别结果进行修正的具体实现方式包括:
S41、确定所述高分辨率图像中所识别的目标对象在所述高分辨率图像中的第一位置信息;
S42、根据所确定的第一位置信息,确定所述高分辨率图像中的目标对象在所述遥感图像中的第二位置信息;
S43、根据所述第二位置信息对步骤S3中的所述遥感图像的识别结果进行修正。
6.一种遥感图像中目标对象的识别系统,其特征在于,包括处理器,以及与处理器连接的存储器,所述存储器用于为处理器中所执行的处理步骤提供执行指令,其中处理器包括:
复杂背景图像区域确定模块,用于确定所述遥感图像中需要进行超分辨率重建的复杂背景图像区域,所述复杂背景图像区域确定模块通过如下过程确定所述遥感图像中需要进行超分辨率重建的复杂背景图像区域:
S11、提取遥感图像中的纹理特征,生成与所述遥感图像对应的纹理图像;
S121、利用预先设置的纹理特征识别模型将所述纹理图像划分成多个待识别纹理区域,其中所述纹理特征识别模型为神经网络模型,且所述待识别纹理区域的格式与预先设置的神经网络模型匹配;
S122、从所划分的多个待识别纹理区域中选择一个待识别纹理区域;
S123、利用所述神经网络模型生成与所选择的待识别纹理区域中的多个纹理图像区域分别对应的第一向量,其中所述第一向量包括以下参数:所述第一向量所对应的纹理图像区域的横坐标、所述第一向量所对应的纹理图像区域的纵坐标、所述第一向量所对应的纹理图像区域的宽度、所述第一向量所对应的纹理图像区域的高度以及所述第一向量所对应的纹理图像区域为不规则纹理区域的置信度;
S124、根据所述第一向量中包含的参数,在所选择的待识别纹理区域中确定不规则纹理区域;
S13、在所述遥感图像中确定与所述不规则纹理区域对应的复杂背景图像区域;
高分辨率图像生成模块,用于生成所述复杂背景图像区域对应的高分辨率图像,其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数;
目标对象识别模块,用于利用预先设置的第一目标对象识别模型,在所述高分辨率图像中识别所述目标对象,以及用于利用预先设置的第二目标对象识别模型,在所述遥感图像中识别所述目标对象并进行修正。
7.一种存储介质,其特征在于,所述存储介质包括存储程序,其中,在所述存储程序运行时由处理器执行权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110237674.3A CN112597983B (zh) | 2021-03-04 | 2021-03-04 | 一种遥感图像中目标对象的识别方法及其存储介质和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110237674.3A CN112597983B (zh) | 2021-03-04 | 2021-03-04 | 一种遥感图像中目标对象的识别方法及其存储介质和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112597983A CN112597983A (zh) | 2021-04-02 |
CN112597983B true CN112597983B (zh) | 2021-05-14 |
Family
ID=75210237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110237674.3A Active CN112597983B (zh) | 2021-03-04 | 2021-03-04 | 一种遥感图像中目标对象的识别方法及其存储介质和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597983B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113596576A (zh) * | 2021-07-21 | 2021-11-02 | 杭州网易智企科技有限公司 | 一种视频超分辨率的方法及装置 |
CN114422713B (zh) * | 2022-03-29 | 2022-06-24 | 湖南航天捷诚电子装备有限责任公司 | 一种图像采集及智能判读处理装置及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208001A (zh) * | 2013-02-06 | 2013-07-17 | 华南师范大学 | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 |
CN104063856A (zh) * | 2014-05-28 | 2014-09-24 | 北京大学深圳研究生院 | 一种快速超分辨率图像重建方法和装置 |
CN105741252A (zh) * | 2015-11-17 | 2016-07-06 | 西安电子科技大学 | 基于稀疏表示与字典学习的视频图像分级重建方法 |
CN106846246A (zh) * | 2016-12-16 | 2017-06-13 | 河海大学 | 一种基于对象的遥感影像超分辨率制图方法 |
CN107578375A (zh) * | 2017-08-21 | 2018-01-12 | 北京陌上花科技有限公司 | 图像处理方法及装置 |
CN108108670A (zh) * | 2017-12-04 | 2018-06-01 | 交通运输部规划研究院 | 一种层次化筛选的遥感图像提取港口仓库的方法 |
CN108121949A (zh) * | 2017-12-04 | 2018-06-05 | 交通运输部规划研究院 | 一种基于遥感场景分类的港口矿石堆场识别方法 |
EP3361414A1 (en) * | 2017-02-08 | 2018-08-15 | Ordnance Survey Limited | Topographic data machine learning method and system |
CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
CN112149756A (zh) * | 2020-10-14 | 2020-12-29 | 深圳前海微众银行股份有限公司 | 模型训练方法、图像识别方法、装置、设备及存储介质 |
-
2021
- 2021-03-04 CN CN202110237674.3A patent/CN112597983B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208001A (zh) * | 2013-02-06 | 2013-07-17 | 华南师范大学 | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 |
CN104063856A (zh) * | 2014-05-28 | 2014-09-24 | 北京大学深圳研究生院 | 一种快速超分辨率图像重建方法和装置 |
CN105741252A (zh) * | 2015-11-17 | 2016-07-06 | 西安电子科技大学 | 基于稀疏表示与字典学习的视频图像分级重建方法 |
CN106846246A (zh) * | 2016-12-16 | 2017-06-13 | 河海大学 | 一种基于对象的遥感影像超分辨率制图方法 |
EP3361414A1 (en) * | 2017-02-08 | 2018-08-15 | Ordnance Survey Limited | Topographic data machine learning method and system |
CN107578375A (zh) * | 2017-08-21 | 2018-01-12 | 北京陌上花科技有限公司 | 图像处理方法及装置 |
CN108108670A (zh) * | 2017-12-04 | 2018-06-01 | 交通运输部规划研究院 | 一种层次化筛选的遥感图像提取港口仓库的方法 |
CN108121949A (zh) * | 2017-12-04 | 2018-06-05 | 交通运输部规划研究院 | 一种基于遥感场景分类的港口矿石堆场识别方法 |
CN109509152A (zh) * | 2018-12-29 | 2019-03-22 | 大连海事大学 | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 |
CN112149756A (zh) * | 2020-10-14 | 2020-12-29 | 深圳前海微众银行股份有限公司 | 模型训练方法、图像识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112597983A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113298169B (zh) | 一种基于卷积神经网络的旋转目标检测方法及装置 | |
CN112597983B (zh) | 一种遥感图像中目标对象的识别方法及其存储介质和系统 | |
CN109918977B (zh) | 确定空闲车位的方法、装置及设备 | |
CN112634343A (zh) | 图像深度估计模型的训练方法、图像深度信息的处理方法 | |
CN111583381B (zh) | 游戏资源图的渲染方法、装置及电子设备 | |
CN110738219A (zh) | 图像中线条提取方法和装置、存储介质及电子装置 | |
CN110490839A (zh) | 一种检测高速公路中损坏区域的方法、装置及计算机设备 | |
CN112991459A (zh) | 一种相机标定方法、装置、设备以及存储介质 | |
CN111144337A (zh) | 火灾检测方法、装置及终端设备 | |
CN113808267A (zh) | 一种基于gis地图的社区三维展示方法及系统 | |
CN114332977A (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
CN111680704A (zh) | 海洋红线新增人类活动斑块自动化快速提取方法和装置 | |
CN111383254A (zh) | 一种深度信息获取方法、系统及终端设备 | |
CN112509058B (zh) | 外参的计算方法、装置、电子设备和存储介质 | |
CN114693836A (zh) | 道路要素矢量的生成方法和系统 | |
CN110458857A (zh) | 中心对称图元检测方法、装置、电子设备及可读存储介质 | |
CN114299242A (zh) | 高精地图中图像处理方法、装置、设备以及存储介质 | |
CN114066930A (zh) | 一种平面目标跟踪方法、装置、终端设备及存储介质 | |
CN117078767A (zh) | 激光雷达与相机标定方法、装置、电子设备及存储介质 | |
CN115982824A (zh) | 施工现场工人空间管理方法、装置、电子设备及存储介质 | |
CN113593297B (zh) | 一种停车位状态检测方法和装置 | |
CN113112551B (zh) | 相机参数的确定方法、装置、路侧设备和云控平台 | |
CN116188587A (zh) | 定位方法、装置及车辆 | |
CN115375774A (zh) | 确定相机外参的方法、装置、设备及存储介质 | |
CN113792671A (zh) | 人脸合成图像的检测方法、装置、电子设备及介质 |
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 |