CN112926371B - 道路勘测方法及系统 - Google Patents
道路勘测方法及系统 Download PDFInfo
- Publication number
- CN112926371B CN112926371B CN201911256715.2A CN201911256715A CN112926371B CN 112926371 B CN112926371 B CN 112926371B CN 201911256715 A CN201911256715 A CN 201911256715A CN 112926371 B CN112926371 B CN 112926371B
- Authority
- CN
- China
- Prior art keywords
- position information
- video
- road
- survey
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000009432 framing Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 4
- 238000012015 optical character recognition Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/22—Character recognition characterised by the type of writing
- G06V30/224—Character recognition characterised by the type of writing of printed characters having additional code marks or containing code marks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种道路勘测方法及系统,方法包括:对道路的勘测视频进行分帧,获取多个视频帧;其中,每个所述视频帧中包括车载图像采集前端采集每个视频帧时的位置信息;基于预先训练好的物体检测模型对每个所述视频帧进行识别,将识别出的包含预设勘测对象的视频帧作为目标帧,将所有所述目标帧拼接成视频流;基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息。本发明实施例提高了勘查效率和勘测准确性。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种道路勘测方法及系统。
背景技术
随着传输线路建设越来越规范化、合理化,干线线路都是沿高速或省道以管道形式铺设。路边常常设有井盖、道路标识等系统。高速路运行一段时间后,常常需要对道路两侧的标识、井盖等物体进行勘测,保证其状态良好。
传统的勘测方式有人工巡路,查勘人员需要精确测量出每一个管井的经纬度信息,然后做记录,以便指导施工。查勘人员需要在道路上频繁的停留作业,才能人工确定管井位置,不仅有安全风险而且需要耗费人力较多,效率较低。
还有的实现方式是通过拍摄视频,然后进行视频观察,记录信息。在现有的一些识别处理方式中,常常需要人工读取视频中的有效信息,并人工进行整理、记录。为了达到较优的效果,现有的视频记录需要人员频繁在高速公路中近距离观察拍摄,具有较高的安全风险,且拍摄过程和信息读取过程费时费力,错误率高。
发明内容
为克服上述现有的道路勘测方法费时费力,安全性差,且容易出错的问题或者至少部分地解决上述问题,本发明实施例提供一种道路勘测方法及系统。
根据本发明实施例的第一方面,提供一种道路勘测方法,包括:
对道路的勘测视频进行分帧,获取多个视频帧;其中,每个所述视频帧中包括车载图像采集前端采集每个视频帧时的位置信息;
基于预先训练好的物体检测模型对每个所述视频帧进行识别,将识别出的包含预设勘测对象的视频帧作为目标帧,将所有所述目标帧拼接成视频流;
基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息。
具体地,所述物体检测模型为YoloV3模型;
相应地,基于预先训练好的物体检测模型对每个所述视频帧进行识别,将识别出的包含预设勘测对象的视频帧作为目标帧的步骤包括:
对于任一所述视频帧,基于YoloV3模型对该视频帧进行识别;其中,所述YoloV3模型中的卷积神经网络参数为预先训练好的;
若对该视频帧进行识别的预测分数大于预设阈值,则确定该视频帧中包含的预设勘测对象,将该帧作为目标帧。
具体地,所述图像文字识别方法为OCR方法;
相应地,基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息的步骤包括:
基于OCR方法从每个所述目标帧中识别出文字区域;
基于tessract-ocr识别库从所述文字区域中识别出所述位置信息的文本。
具体地,所述预设勘测对象包括道路标识牌和井盖。
具体地,基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息的步骤之后还包括:
根据相邻两个所述道路标识牌的位置信息,计算相邻两个所述道路标识牌之间的距离;
若相邻两个所述道路标识牌之间的距离小于预设阈值,则删除相邻两个所述道路标识牌所在的目标帧,并重新定位相邻两个所述道路标识牌之间的井盖的位置信息。
具体地,对道路的勘测视频进行分帧的步骤之前还包括:
在所述车载图像采集前端采集所述视频帧时通过GPS采集所述车载图像采集前端的位置信息;
相应地,基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息的步骤之后还包括:
将所述车载图像采集前端采集每个包含预设勘测对象中井盖的目标帧时,所述GPS采集的位置信息作为每个所述目标帧中井盖的位置信息;
根据识别出的井盖的位置信息和所述GPS采集的井盖的位置信息,确定每个井盖的最终位置信息。
具体地,根据识别出的井盖的位置信息和所述GPS采集的井盖的位置信息,确定每个井盖的最终位置信息的步骤包括:
计算计算识别出的井盖的位置信息和所述GPS采集的井盖的位置信息之间的差值;
以识别出的井盖的位置信息和所述GPS采集的井盖的位置信息为圆心,以所述差值为直径绘制圆形,将两个所述圆形的交点和两个所述圆形的圆心作为顶点绘制四边形;
从每个所述井盖对应的四边形内选择一个点,以使为所有井盖选择的点构成的路径最短,将所述最短路径作为所有所述井盖下的管井的路径;
将所述管井的路径上为每个所述井盖选择的点作为每个所述井盖的最终位置信息。
根据本发明实施例第二方面提供一种道路勘测系统,包括:
分帧模块,用于对道路的勘测视频进行分帧,获取多个视频帧;其中,每个所述视频帧中包括车载图像采集前端采集每个视频帧时的位置信息;
第一识别模块,用于基于预先训练好的物体检测模型对每个所述视频帧进行识别,将识别出的包含预设勘测对象的视频帧作为目标帧,将所有所述目标帧拼接成视频流;
第二识别模块,用于基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息。
根据本发明实施例的第三个方面,还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的道路勘测方法。
根据本发明实施例的第四个方面,还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的道路勘测方法。
本发明实施例提供一种道路勘测方法及系统,该方法通过载图像采集前端采集勘测视频,从采集的勘测视频中自动识别出预设勘测对象和预设勘测对象的位置信息,一方面,采用车载方式替换了人工查勘,避免了查勘人员在高速公路上作业的风险,保证了查勘人员的人身安全,提高了勘查效率;另一方面,通过物体检测模型和图像文字识别方法自动识别勘测对象和其位置信息,避免了查勘人员漏勘的可能性,提高了勘查效率和勘测准确性。
附图说明
为了更清楚地说明本发明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,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的道路勘测方法流程示意图;
图2为本发明又一实施例提供的道路勘测方法流程示意图;
图3为本发明实施例提供的道路勘测系统结构示意图;
图4为本发明实施例提供的道路勘测系统结构中功能框架结构示意图;
图5为本发明实施例提供的电子设备结构示意图。
具体实施方式
为了更清楚地说明本发明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,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
在本发明的一个实施例中提供一种道路勘测方法,图1为本发明实施例提供的道路勘测方法流程示意图,该方法包括:
S101,对道路的勘测视频进行分帧,获取多个视频帧;其中,每个所述视频帧中包括车载图像采集前端采集每个视频帧时的位置信息;
其中,道路的勘测视频为采集的用于对道路进行勘测的视频,视频中包括勘测对象。车载图像采集前端沿着道路运动,在运动的过程中拍摄视频。本实施例中的车载图像采集前端可以为行车记录仪,或其他兼具拍摄视频和定位,并将定位结果显示在视频的每个视频帧中的设备,一方面,只需要一个设备即可获取视频和定位,资源消耗少;另一方面,每个视频帧中包括道路图像和车载图像采集前端拍摄该帧视频时的位置信息,将每个视频帧中的位置信息作为该视频帧中预设勘测对象的位置信息,每个视频帧中还包含道路图像中的预设勘测对象和位置信息之间的对应关系,不需要额外的数据库,当视频帧数量很多时,避免查询数据库耗费需要大量时间。位置信息可以为车载图像采集前端定位的经纬度信息。此外,还可以包括车载图像采集前端拍摄该帧视频时的行车速度和时间。在进行视频拍摄时,视频帧的图像数据尽量具有同一性特征,如井盖、道路标识牌等,便于进行特征提取。
在车载图像采集前端的行车速度较大时,对视频帧进行预处理,以提高视频帧的质量,更准确对视频帧进行识别。例如,将视频帧的清晰度调高,将视频帧的对比度调大。
对采集的道路的勘测视频进行视频分帧处理,可以将勘测视频通过Opencv处理成的标准视频帧。例如,可以分帧为每33ms一帧,即每秒30帧。
S102,基于预先训练好的物体检测模型对每个所述视频帧进行识别,将识别出的包含预设勘测对象的视频帧作为目标帧,将所有所述目标帧拼接成视频流;
其中,预设勘测对象为预先设定的需要对道路进行勘测的对象,如井盖和道路标识牌,但本实施例不限于这两种预设勘测对象。采用预设勘测对象的样本和标签对物体检测模型进行训练。本实施例不限于物体检测模型的种类。使用预先训练好的物体检测模型对勘测视频进行逐帧识别,将识别出包含预设勘测对象的视频帧作为目标帧进行保留。将所有目标帧进行合帧拼接后输出视频流。
S103,基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息。
每个目标帧中包含文本信息,即位置信息,还可以包括行车速度和时间,采用图像文字识别方法识别出每个目标帧中的文本信息。文本信息为汉字、字母和数字中的一种或多种。将从目标帧中识别出的预设勘测对象和文本信息以列表的方式进行展示。本实施例中的具体流程如图2所示。本实施例的主要使用场景为高速线路查勘,在路由长度大、场景较简单的道路勘测中可广泛应用。
本实施例通过载图像采集前端采集勘测视频,从采集的勘测视频中自动识别出预设勘测对象和预设勘测对象的位置信息,一方面,采用车载方式替换了人工查勘,避免了查勘人员在高速公路上作业的风险,保证了查勘人员的人身安全,提高了勘查效率;另一方面,通过物体检测模型和图像文字识别方法自动识别勘测对象和其位置信息,避免了查勘人员漏勘的可能性,提高了勘查效率和勘测准确性。
在上述实施例的基础上,本实施例中所述物体检测模型为YoloV3(You Only LookOnce Version 3)模型;相应地,基于预先训练好的物体检测模型对每个视频帧进行识别,将识别出的包含预设勘测对象的视频帧作为目标帧的步骤包括:对于任一所述视频帧,基于YoloV3模型对该视频帧进行识别;其中,所述YoloV3模型中的卷积神经网络参数为预先训练好的;若对该视频帧进行识别的预测分数大于预设阈值,则确定该视频帧中包含的预设勘测对象,将该视频帧作为目标帧。
在上述实施例的基础上,本实施例中所述图像文字识别方法为OCR(OpticalCharacter Recognition,光学字符识别)方法;相应地,基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息的步骤包括:基于OCR方法从每个所述目标帧中识别出文字区域;基于tessract-ocr识别库从所述文字区域中识别出所述位置信息的文本。
例如,基于OCR方法识别出目标帧中的文字区域位于左下角,采用Google开源的tessract-ocr识别库将目标帧左下角的文字区域中的位置信息识别成对应的文本。
在上述实施例的基础上,本实施例中基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息的步骤之后还包括:根据相邻两个所述道路标识牌的位置信息,计算相邻两个所述道路标识牌之间的距离;若相邻两个所述道路标识牌之间的距离小于预设阈值,则删除相邻两个所述道路标识牌所在的目标帧,并重新定位相邻两个所述道路标识牌之间的井盖的位置信息。
具体地,如果相邻两个道路标识牌之间的距离小于预设阈值,如1.2公里,则说明车载图像采集前端定位的这两个道路标识牌的位置信息不准确,定位的这两个道路标识牌之间的井盖的位置信息也不准确,需要重新定位。在进行重新定位时,车载图像采集前端重新采集这两个道路标识牌的位置信息之间道路的勘测视频,并从重新采集勘测视频中识别出预设勘测对象和位置信息,从而提高预设勘测对象的位置信息的准确性。
在上述实施例的基础上,本实施例中在所述车载图像采集前端采集所述视频帧时通过GPS(Global Positioning System,全球定位系统)采集所述车载图像采集前端的位置信息;相应地,基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息的步骤之后还包括:将所述车载图像采集前端采集每个包含预设勘测对象中井盖的目标帧时,所述GPS采集的位置信息作为每个所述目标帧中井盖的位置信息;根据识别出的井盖的位置信息和所述GPS采集的井盖的位置信息,确定每个井盖的最终位置信息。
具体地,由于受各种因素的影响,车载图像采集前端定位的位置信息会出现偏差。为了获取更准确的位置信息,本实施例额外增加一个GPS定位预设勘测对象的位置信息。对于每个井盖定位两个位置信息,这两个位置信息很可能不同。根据这两个位置信息的定位差值对车载图像采集前端定位的位置信息进行纠错分析,提高井盖定位的精度。
在上述实施例的基础上,本实施例中根据识别出的井盖的位置信息和所述GPS采集的井盖的位置信息,确定每个井盖的最终位置信息的步骤包括:计算识别出的井盖的位置信息和所述GPS采集的井盖的位置信息之间的差值;以识别出的井盖的位置信息和所述GPS采集的井盖的位置信息为圆心,以所述差值为直径绘制圆形,将两个所述圆形的交点和两个所述圆形的圆心作为顶点绘制四边形;从每个所述井盖对应的四边形内选择一个点,以使所有所述井盖对应的四边形内选择的点构成的路径最短,将所述最短路径作为所有所述井盖下的管井的路径;将所述管井的路径上为每个所述井盖选择的点作为每个所述井盖的最终位置信息。
具体地,本实施例根据管井的特点,将从每个所述井盖对应的四边形内选择的点构成的最短路径作为管井的路径,根据管井的路径确定井盖的最终位置信息,从而实现对井盖位置信息的修正。
本实施例根据确定管井的路径和井盖的位置信息,生成带有位置信息的管井表格和井盖表格。还可以关联地图软件,在地图软件上显示管井路径和管井路径上的井盖位置,从而生成整个线路路由图层。
在本发明的另一个实施例中提供一种道路勘测系统,该系统用于实现前述各实施例中的方法。因此,在前述道路勘测方法的各实施例中的描述和定义,可以用于本发明实施例中各个执行模块的理解。图3为本发明实施例提供的道路勘测系统结构示意图,该系统包括分帧模块301、第一识别模块302和第二识别模块303,其中:
分帧模块301用于对道路的勘测视频进行分帧,获取多个视频帧;其中,每个所述视频帧中包括车载图像采集前端采集每个视频帧时的位置信息;
其中,道路的勘测视频为采集的用于对道路进行勘测的视频,视频中包括勘测对象。车载图像采集前端沿着道路运动,在运动的过程中拍摄视频。每各视频帧中包括道路图像和车载图像采集前端拍摄该帧视频时的位置信息。位置信息可以为车载图像采集前端定位的经纬度信息。此外,还可以包括车载图像采集前端拍摄该视频帧时的行车速度和时间。分帧模块301对采集的道路的勘测视频进行视频分帧处理,可以将勘测视频通过Opencv处理成的标准视频帧。
第一识别模块302用于基于预先训练好的物体检测模型对个所述视频帧进行识别,将识别出的包含预设勘测对象的视频帧作为目标帧,将所有所述目标帧拼接成视频流;
其中,预设勘测对象为预先设定的需要对道路进行勘测的对象,但本实施例不限于这两种预设勘测对象。采用预设勘测对象的样本和标签对物体检测模型进行训练。本实施例不限于物体检测模型的种类。第一识别模块302使用预先训练好的物体检测模型对勘测视频进行逐帧识别,将识别出包含预设勘测对象的视频帧作为目标帧进行保留。将所有目标帧进行合帧拼接后输出视频流。
第二识别模块303用于基于预先训练好的物体检测模型对每个所述视频帧进行识别,将识别出的包含预设勘测对象的视频帧作为目标帧,将所有所述目标帧拼接成视频流;
第二识别模块303采用图像文字识别方法识别出每个目标帧中的文本信息。将从目标帧中识别出的预设勘测对象和文本信息以列表的方式进行展示。
本实施例中的道路勘测系统包括前端软件界面、后台运行核心系统和设置在服务器中的云服务平台。其中,前端软件界面包括程序流程操作提示和位置信息显示,云服务平台涵盖用户管理、系统维护和内部数据库对接等功能。后台运行核心系统包括分帧模块301、第一识别模块302和第二识别模块303,用于对采集的勘测视频进行分帧截图,通过机器学习模型进行勘测对象的识别,并对勘测对象进行位置信息的提取和精度修正。
如图4所示,本系统的主要功能分为三大功能,即勘察记录功能、数据处理功能和勘察结果输出。其中,勘察记录功能通过前端设备进行现场图像记录和定位数据记录;数据处理功能进行目标特征提取与识别、目标记录和数据分析纠错;勘察结果输出管井位置表、路标里程值和绘制路由图层)。图像采集前端将会安装在勘察用车上,安装简单方便。
本实施例通过载图像采集前端采集勘测视频,从采集的勘测视频中自动识别出预设勘测对象和预设勘测对象的位置信息,一方面,采用车载方式替换了人工查勘,避免了查勘人员在高速公路上作业的风险,保证了查勘人员的人身安全,提高了勘查效率;另一方面,通过物体检测模型和图像文字识别方法自动识别勘测对象和其位置信息,避免了查勘人员漏勘的可能性,提高了勘查效率和勘测准确性。
在上述实施例的基础上,本实施例中所述物体检测模型为YoloV3模型;相应地,第一识别模块具体用于:对于任一所述视频帧,基于YoloV3模型对该视频帧进行识别;其中,所述YoloV3模型中的卷积神经网络参数为预先训练好的;若对该视频帧进行识别的预测分数大于预设阈值,则确定该视频帧中包含的预设勘测对象,将该帧作为目标帧。
在上述实施例的基础上,本实施例中所述图像文字识别方法为OCR方法;相应地,第二识别模块具体用于:基于OCR方法从每个所述目标帧中识别出文字区域;基于tessract-ocr识别库从所述文字区域中识别出所述位置信息的文本。
在上述实施例的基础上,本实施例中所述预设勘测对象包括道路标识牌和井盖。
在上述实施例的基础上,本实施例中还包括第一修正模块,用于根据相邻两个所述道路标识牌的位置信息,计算相邻两个所述道路标识牌之间的距离;若相邻两个所述道路标识牌之间的距离小于预设阈值,则删除相邻两个所述道路标识牌所在的目标帧,并重新定位相邻两个所述道路标识牌之间的井盖的位置信息。
在上述实施例的基础上,本实施例中还包括采集模块,用于在所述车载图像采集前端采集所述视频帧时通过GPS采集所述车载图像采集前端的位置信息;相应地,还包括第二修正模块,用于将所述车载图像采集前端采集每个包含预设勘测对象中井盖的目标帧时,所述GPS采集的位置信息作为每个所述目标帧中井盖的位置信息;根据识别出的井盖的位置信息和所述GPS采集的井盖的位置信息,确定每个井盖的最终位置信息。
在上述实施例的基础上,本实施例中第二修正模块具体用于:计算识别出的井盖的位置信息和所述GPS采集的井盖的位置信息之间的差值;以识别出的井盖的位置信息和所述GPS采集的井盖的位置信息为圆心,以所述差值为直径绘制圆形,将两个所述圆形的交点和两个所述圆形的圆心作为顶点绘制四边形;从每个所述井盖对应的四边形内选择一个点,以使为所有井盖选择的点构成的路径最短,将所述最短路径作为所有所述井盖下的管井的路径;将所述管井的路径上为每个所述井盖选择的点作为每个所述井盖的最终位置信息。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令,以执行如下方法:对道路的勘测视频进行分帧,获取多个视频帧;其中,每个所述视频帧中包括车载图像采集前端采集每个视频帧时的位置信息;基于预先训练好的物体检测模型对每个所述视频帧进行识别,将识别出的包含预设勘测对象的视频帧作为目标帧,将所有所述目标帧拼接成视频流;基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息。
此外,上述的存储器503中的逻辑指令可以通过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(可以是个人计算机,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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供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计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:对道路的勘测视频进行分帧,获取多个视频帧;其中,每个所述视频帧中包括车载图像采集前端采集每个视频帧时的位置信息;基于预先训练好的物体检测模型对每个所述视频帧进行识别,将识别出的包含预设勘测对象的视频帧作为目标帧,将所有所述目标帧拼接成视频流;基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种道路勘测方法,其特征在于,包括:
对道路的勘测视频进行分帧,获取多个视频帧;其中,每个所述视频帧中包括车载图像采集前端采集每个视频帧时的位置信息;
基于预先训练好的物体检测模型对每个所述视频帧进行识别,将识别出的包含预设勘测对象的视频帧作为目标帧,将所有所述目标帧拼接成视频流;
基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息;
对道路的勘测视频进行分帧的步骤之前还包括:
在所述车载图像采集前端采集所述视频帧时通过GPS采集所述车载图像采集前端的位置信息;
相应地,基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息的步骤之后还包括:
将所述车载图像采集前端采集每个包含预设勘测对象中井盖的目标帧时,所述GPS采集的位置信息作为每个所述目标帧中井盖的位置信息;
根据识别出的井盖的位置信息和所述GPS采集的井盖的位置信息,确定每个井盖的最终位置信息;
根据识别出的井盖的位置信息和所述GPS采集的井盖的位置信息,确定每个井盖的最终位置信息的步骤包括:
计算识别出的井盖的位置信息和所述GPS采集的井盖的位置信息之间的差值;
以识别出的井盖的位置信息和所述GPS采集的井盖的位置信息为圆心,以所述差值为直径绘制圆形,将两个所述圆形的交点和两个所述圆形的圆心作为顶点绘制四边形;
从每个所述井盖对应的四边形内选择一个点,以使为所有井盖选择的点构成的路径最短,将最短路径作为所有所述井盖下的管井的路径;
将所述管井的路径上为每个所述井盖选择的点作为每个所述井盖的最终位置信息。
2.根据权利要求1所述的道路勘测方法,其特征在于,所述物体检测模型为YoloV3模型;
相应地,基于预先训练好的物体检测模型对每个所述视频帧进行识别,将识别出的包含预设勘测对象的视频帧作为目标帧的步骤包括:
对于任一所述视频帧,基于YoloV3模型对该视频帧进行识别;其中,所述YoloV3模型中的卷积神经网络参数为预先训练好的;
若对该视频帧进行识别的预测分数大于预设阈值,则确定该视频帧中包含的预设勘测对象,将该帧作为目标帧。
3.根据权利要求1所述的道路勘测方法,其特征在于,所述图像文字识别方法为OCR方法;
相应地,基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息的步骤包括:
基于OCR方法从每个所述目标帧中识别出文字区域;
基于tessract-ocr识别库从所述文字区域中识别出所述位置信息的文本。
4.根据权利要求1所述的道路勘测方法,其特征在于,所述预设勘测对象包括道路标识牌和井盖。
5.根据权利要求4所述的道路勘测方法,其特征在于,基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息的步骤之后还包括:
根据相邻两个所述道路标识牌的位置信息,计算相邻两个所述道路标识牌之间的距离;
若相邻两个所述道路标识牌之间的距离小于预设阈值,则删除相邻两个所述道路标识牌所在的目标帧,并重新定位相邻两个所述道路标识牌之间的井盖的位置信息。
6.一种道路勘测系统,其特征在于,应用于权利要求1-5任一项所述的道路勘测方法,包括:
分帧模块,用于对道路的勘测视频进行分帧,获取多个视频帧;其中,每个所述视频帧中包括车载图像采集前端采集每个视频帧时的位置信息;
第一识别模块,用于基于预先训练好的物体检测模型对每个所述视频帧进行识别,将识别出的包含预设勘测对象的视频帧作为目标帧,将所有所述目标帧拼接成视频流;
第二识别模块,用于基于图像文字识别方法从所述视频流的每个目标帧中识别出所述位置信息,将所述位置信息作为所述目标帧中预设勘测对象的位置信息。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述道路勘测方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述道路勘测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911256715.2A CN112926371B (zh) | 2019-12-06 | 2019-12-06 | 道路勘测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911256715.2A CN112926371B (zh) | 2019-12-06 | 2019-12-06 | 道路勘测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926371A CN112926371A (zh) | 2021-06-08 |
CN112926371B true CN112926371B (zh) | 2023-11-03 |
Family
ID=76162124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911256715.2A Active CN112926371B (zh) | 2019-12-06 | 2019-12-06 | 道路勘测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926371B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103607635A (zh) * | 2013-10-08 | 2014-02-26 | 十分(北京)信息科技有限公司 | 一种字幕识别方法、装置和终端 |
CN104766086A (zh) * | 2015-04-15 | 2015-07-08 | 湖南师范大学 | 一种公路标识的监管方法和系统 |
CN105406397A (zh) * | 2015-12-14 | 2016-03-16 | 国家电网公司 | 输电线路运检图像的智能记录仪 |
CN108109176A (zh) * | 2017-12-29 | 2018-06-01 | 北京进化者机器人科技有限公司 | 物品检测定位方法、装置及机器人 |
CN108427947A (zh) * | 2018-03-16 | 2018-08-21 | 联想(北京)有限公司 | 一种图像识别方法及电子设备 |
CN109145781A (zh) * | 2018-08-03 | 2019-01-04 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN109492584A (zh) * | 2018-11-09 | 2019-03-19 | 联想(北京)有限公司 | 一种识别跟踪方法和电子设备 |
CN109543680A (zh) * | 2018-11-19 | 2019-03-29 | 百度在线网络技术(北京)有限公司 | 兴趣点的位置确定方法、装置设备和介质 |
CN109559347A (zh) * | 2018-11-28 | 2019-04-02 | 中南大学 | 对象识别方法、装置、系统及存储介质 |
CN109901580A (zh) * | 2019-03-13 | 2019-06-18 | 华南理工大学 | 一种无人机与无人地面机器人协作循径避障系统及其方法 |
CN109931945A (zh) * | 2019-04-02 | 2019-06-25 | 百度在线网络技术(北京)有限公司 | Ar导航方法、装置、设备和存储介质 |
CN110084470A (zh) * | 2019-03-15 | 2019-08-02 | 深圳壹账通智能科技有限公司 | 基于人脸识别的防查勘员造假方法、装置、终端及介质 |
CN110223511A (zh) * | 2019-04-29 | 2019-09-10 | 合刃科技(武汉)有限公司 | 一种汽车路边违停智能监测方法及系统 |
CN110364008A (zh) * | 2019-08-16 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 路况确定方法、装置、计算机设备和存储介质 |
CN110516620A (zh) * | 2019-08-29 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 目标跟踪方法、装置、存储介质及电子设备 |
CN112906441A (zh) * | 2019-12-04 | 2021-06-04 | 中国移动通信集团设计院有限公司 | 用于通信行业查勘维护的图像识别系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102182137A (zh) * | 2011-02-25 | 2011-09-14 | 广州飒特电力红外技术有限公司 | 路面缺陷检测系统及方法 |
CN105701102A (zh) * | 2014-11-27 | 2016-06-22 | 英业达科技有限公司 | 地图标记方法 |
-
2019
- 2019-12-06 CN CN201911256715.2A patent/CN112926371B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103607635A (zh) * | 2013-10-08 | 2014-02-26 | 十分(北京)信息科技有限公司 | 一种字幕识别方法、装置和终端 |
CN104766086A (zh) * | 2015-04-15 | 2015-07-08 | 湖南师范大学 | 一种公路标识的监管方法和系统 |
CN105406397A (zh) * | 2015-12-14 | 2016-03-16 | 国家电网公司 | 输电线路运检图像的智能记录仪 |
CN108109176A (zh) * | 2017-12-29 | 2018-06-01 | 北京进化者机器人科技有限公司 | 物品检测定位方法、装置及机器人 |
CN108427947A (zh) * | 2018-03-16 | 2018-08-21 | 联想(北京)有限公司 | 一种图像识别方法及电子设备 |
CN109145781A (zh) * | 2018-08-03 | 2019-01-04 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN109492584A (zh) * | 2018-11-09 | 2019-03-19 | 联想(北京)有限公司 | 一种识别跟踪方法和电子设备 |
CN109543680A (zh) * | 2018-11-19 | 2019-03-29 | 百度在线网络技术(北京)有限公司 | 兴趣点的位置确定方法、装置设备和介质 |
CN109559347A (zh) * | 2018-11-28 | 2019-04-02 | 中南大学 | 对象识别方法、装置、系统及存储介质 |
CN109901580A (zh) * | 2019-03-13 | 2019-06-18 | 华南理工大学 | 一种无人机与无人地面机器人协作循径避障系统及其方法 |
CN110084470A (zh) * | 2019-03-15 | 2019-08-02 | 深圳壹账通智能科技有限公司 | 基于人脸识别的防查勘员造假方法、装置、终端及介质 |
CN109931945A (zh) * | 2019-04-02 | 2019-06-25 | 百度在线网络技术(北京)有限公司 | Ar导航方法、装置、设备和存储介质 |
CN110223511A (zh) * | 2019-04-29 | 2019-09-10 | 合刃科技(武汉)有限公司 | 一种汽车路边违停智能监测方法及系统 |
CN110364008A (zh) * | 2019-08-16 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 路况确定方法、装置、计算机设备和存储介质 |
CN110516620A (zh) * | 2019-08-29 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 目标跟踪方法、装置、存储介质及电子设备 |
CN112906441A (zh) * | 2019-12-04 | 2021-06-04 | 中国移动通信集团设计院有限公司 | 用于通信行业查勘维护的图像识别系统及方法 |
Non-Patent Citations (4)
Title |
---|
Coded Target Based Traffic Accident Vision Swift Reconnaissance System;Zhijing Yu等;《2009 2nd International Congress on Image and Signal Processing》;第1-4页 * |
中国图像工程:2009;章毓晋;《中国图象图形学报》;第15卷(第05期);第689-722页 * |
基于业务的车联网规划与部署方案;汪况伦等;《移动通信》;第43卷(第11期);第8-13页 * |
高精度定位系统中传输系统研究;高志英等;《电信工程技术与标准化》;第33卷(第3期);第65-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112926371A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695486B (zh) | 一种基于点云的高精度方向标志牌目标提取方法 | |
CN108694882A (zh) | 用于标注地图的方法、装置和设备 | |
US20210090266A1 (en) | Method and device for labeling point of interest | |
US8818031B1 (en) | Utility pole geotagger | |
CN108229364B (zh) | 建筑物轮廓生成方法、装置、计算机设备及存储介质 | |
CN101842808A (zh) | 用于产生车道信息的方法及设备 | |
CN109710705A (zh) | 地图兴趣点处理方法和装置 | |
CN112432650B (zh) | 高精地图数据的获取方法、车辆控制方法以及设备 | |
CN111121797B (zh) | 道路筛选方法、装置、服务器及存储介质 | |
CN112650772B (zh) | 数据处理方法、装置、存储介质及计算机设备 | |
Cao et al. | Amateur: Augmented reality based vehicle navigation system | |
CN111507332A (zh) | 车辆vin码检测方法与设备 | |
CN111178357A (zh) | 车牌识别方法、系统、设备和存储介质 | |
CN111854766B (zh) | 一种道路信息确定方法、装置、电子设备及存储介质 | |
CN115272222A (zh) | 道路检测信息的处理方法、装置、设备及存储介质 | |
CN110646002B (zh) | 用于处理信息的方法和装置 | |
CN110068328B (zh) | 导航路线生成方法、装置、计算机可读存储介质和计算机设备 | |
CN111273314A (zh) | 点云数据处理方法、装置和存储介质 | |
CN112926371B (zh) | 道路勘测方法及系统 | |
CN116245498A (zh) | 光缆路由标识检测方法、装置,及电子设备 | |
CN111833253B (zh) | 兴趣点空间拓扑构建方法和装置、计算机系统和介质 | |
CN113989770A (zh) | 交通道路标牌识别方法、装置、设备及存储介质 | |
CN114757195A (zh) | 指路及旅游标志版面信息含义识别方法及装置 | |
CN111488771B (zh) | Ocr挂接方法、装置与设备 | |
CN115114302A (zh) | 道路标牌数据更新方法、装置、电子设备及存储介质 |
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 |