CN112989086A - 一种城市管理图像智能识别分类系统及方法 - Google Patents

一种城市管理图像智能识别分类系统及方法 Download PDF

Info

Publication number
CN112989086A
CN112989086A CN202110549590.3A CN202110549590A CN112989086A CN 112989086 A CN112989086 A CN 112989086A CN 202110549590 A CN202110549590 A CN 202110549590A CN 112989086 A CN112989086 A CN 112989086A
Authority
CN
China
Prior art keywords
image
storage
classification
images
feature
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.)
Granted
Application number
CN202110549590.3A
Other languages
English (en)
Other versions
CN112989086B (zh
Inventor
沈鸣飞
薛晨洋
蒋晓军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Sigma Technology Co ltd
Original Assignee
Suzhou Sigma Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Sigma Technology Co ltd filed Critical Suzhou Sigma Technology Co ltd
Priority to CN202110549590.3A priority Critical patent/CN112989086B/zh
Publication of CN112989086A publication Critical patent/CN112989086A/zh
Application granted granted Critical
Publication of CN112989086B publication Critical patent/CN112989086B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种城市管理图像智能识别分类系统及方法，属于城市管理图像识别分类领域，目的在于解决城市管理中图像识别分类的问题，包括数据树模型和云储存模块，所述数据树模型包括数据根系、树根过滤模块、树干传输模块和树枝分类模块；所述数据根系包括第一储存器、第一处理器和若干个树根采集点，树根采集点与第一处理器相连接，通过第一储存器、第二储存器、第三储存器和第四储存器的设置，对数据进行分级储存，避免数据混乱，保障数据的安全，同时通过将压缩后的数据上传到云储存模块，再将储存器内的数据进行删除，大大的增加储存空间利用率，对云储存模块进行加密，又保证了数据的安全性。

Description

一种城市管理图像智能识别分类系统及方法
技术领域
本发明属于城市管理图像识别分类领域；具体是一种城市管理图像智能识别分类系统及方法。
背景技术
由于城区文明建设的进程加快，市容环境整顿与提升也因此变得极其重要；近年来，越来越多的城市采用智慧城市管理系统更方便快捷来管理城市运作；不仅在一些一线城市成功实施，如北京、杭州、上海和深圳；并且大多数二线城市如重庆、青岛和济南也逐渐成为智慧城市的试用点，这些城市都相继以过硬的技术及创新实力去实现智慧城市管理。
随着城市化的进程，如今国内各主要城市的面积快速增加，城市管理的难度大大增加，各类案件激增，人工观看监控视频的效率极低，因此开发城市管理案件的智能处理是极其重要的，对城市案件的智能化处理，实现对城市案件的正确分类是重中之重。
发明内容
本发明的目的在于提供一种城市管理图像智能识别分类系统及方法，解决城市管理中图像识别分类的问题。
本发明的目的可以通过以下技术方案实现：
一种城市管理图像智能识别分类系统，包括数据树模型和云储存模块，所述数据树模型包括数据根系、树根过滤模块、树干传输模块和树枝分类模块；所述数据根系包括第一储存器、第一处理器和若干个树根采集点，树根采集点与第一处理器相连接，第一处理器与第一储存器相连接，所述树根过滤模块用于对第一储存器内的图像进行过滤，包括第二储存器，所述树根过滤模块与数据根系相连接，所述树干传输模块与树根过滤模块相连接，所述树枝分类与树干传输模块和树根过滤模块相连接；设置树根采集点的采集属性，将采集到的图像打上对应的树根采集点属性戳和时间戳，将树根采集点采集到的图像信息发送到处理模块进行处理，获取城市管理中图像的全部分类，根据图像信息上的属性戳将接收到的图像分布到对应的图像分类中，将分布完成的图像发送到第一储存器中；
所述树根过滤模块对第一储存器内的图像进行过滤的方法包括：获取第一储存器内的图像，将图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，以图像中心为原点，建立图像灰度值三维坐标系，将图像灰度值输入到坐标系中，将同一图像的相邻灰度值点使用平滑曲线进行连接，形成灰度值曲面，将坐标系中完全相同的灰度值曲面进行标记，保留被标记的灰度值曲面中的任意一个，将其他的被标记的灰度值曲面和对应的图像进行删除；将过滤后的图像储存到第二储存器中，并对第一储存器内的图像进行压缩，将压缩后的图像发送到云储存模块，并将第一储存器内的图像删除。
所述树干传输模块用于对第二储存器内的图像进行传输和处理，包括第三储存器、图像分割单元和轮廓提取单元，具体方法包括：获取第二储存器内的图像和树根采集点的背景图像，将具有相同位置戳的图像和对应位置的背景图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，将灰度图像输入到灰度值三维坐标系中，根据灰度值将图像中的背景进行分割，将分割后的图像标记为无背景图像，提取无背景图像中剩余的图像轮廓，并给图像轮廓打上对应提取图像的图像戳，将提取的图像轮廓保存到第三储存器中。
进一步地，所述树枝分类模块包括第四储存器和若干个特征分类单元，所述特征分类单元用于对第三储存器内的图像轮廓进行分类，且一个特征分类单元仅识别分类一个类别，具体分类方法包括：设置特征识别库，特征识别库用于储存城市管理中所能用到的全部分类图像对应的比对图像轮廓，从互联网中获取各种分类图像的图像轮廓，并将从互联网中获取图像轮廓标记为比对图像轮廓，将比对图像轮廓储存到特征识别库中，所述第四储存器包括若干个储存室，所述储存室与特征分类单元一一对应，并给储存室打上对应特征分类单元的分类戳，设置特征分类单元的分类属性，根据特征分类单元的分类属性从特征识别库中提取对应分类的比对图像轮廓，将从特征识别库中提取的比对图像轮廓标记为分类特征，从第三储存器内获取待分类图像轮廓，将待分类图像轮廓与所有的分类特征进行匹配，当匹配成功时，从第二储存器中获取匹配成功的待分类图像轮廓对应的图像，将从第二储存器中获取的图像储存到对应的储存室中，当没有匹配成功时，将没有匹配成功的分类图像轮廓与特征识别库中的比对图像轮廓进行匹配，获取匹配到的比对图像轮廓的分类信息，设置新的对应分类属性的特征分类单元，并在第四储存器内设置对应的储存室，从第二储存器中获取对应的图像，将从第二储存器中获取的图像储存到对应的储存室中；将第二储存器和第二储存器内的图像进行压缩，并将压缩后的图像发送到云储存模块，并将第二储存器和第二储存器内的图像删除。
一种城市管理图像智能识别分类方法，具体方法包括以下步骤：
步骤一：设置图像采集点分类属性，进行初步图像分类；
步骤二：对初步分类的图像进行过滤，删除重复图像；
将初步图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，图像预处理包括图像分割、图像去噪、图像增强和灰度变换，以图像中心为原点，建立图像灰度值三维坐标系，将图像灰度值输入到坐标系中，将同一图像的相邻灰度值点使用平滑曲线进行连接，形成灰度值曲面，将坐标系中完全相同的灰度值曲面进行标记，保留被标记的灰度值曲面中的任意一个，将其他的被标记的灰度值曲面和对应的图像进行删除；
步骤三：将图像中的背景进行分割，提取图像轮廓；
获取图像采集点的背景图像，将采集点的图像和对应位置的背景图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，将灰度图像输入到灰度值三维坐标系中，根据灰度值将图像中的背景进行分割，将分割后的图像标记为无背景图像，提取无背景图像中剩余的图像轮廓，并给图像轮廓打上对应提取图像的图像戳；
步骤四：将图像轮廓与比对图像轮廓进行匹配，完成图像分类；
设置特征识别库和特征分类单元，特征识别库用于储存城市管理中所能用到的全部分类图像对应的比对图像轮廓，从互联网中获取各种分类图像的图像轮廓，并将从互联网中获取图像轮廓标记为比对图像轮廓，将比对图像轮廓储存到特征识别库中，设置若干个储存室，储存室与特征分类单元一一对应，并给储存室打上对应特征分类单元的分类戳，设置特征分类单元的分类属性，根据特征分类单元的分类属性从特征识别库中提取对应分类的比对图像轮廓，将从特征识别库中提取的比对图像轮廓标记为分类特征，从第三储存器内获取待分类图像轮廓，将待分类图像轮廓与所有的分类特征进行匹配，当匹配成功时，从第二储存器中获取匹配成功的待分类图像轮廓对应的图像，将从第二储存器中获取的图像储存到对应的储存室中，当没有匹配成功时，将没有匹配成功的分类图像轮廓与特征识别库中的比对图像轮廓进行匹配，获取匹配到的比对图像轮廓的分类信息，设置新的对应分类属性的特征分类单元，并在第四储存器内设置对应的储存室，从第二储存器中获取对应的图像，将从第二储存器中获取的图像储存到对应的储存室中；
步骤五：进行数据加密。
本发明的有益效果：通过第一储存器、第二储存器、第三储存器和第四储存器的设置，对数据进行分级储存，避免数据混乱，保障数据的安全，同时通过将压缩后的数据上传到云储存模块，再将储存器内的数据进行删除，大大的增加储存空间利用率，对云储存模块进行加密，又保证了数据的安全性；通过数据树模型的设置，可以简单准确的对图像进行识别分类。
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，下面描述中的附图仅仅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为本发明方法流程图。
具体实施方式
下面将结合实施例对本发明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本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
如图1所示，一种城市管理图像智能识别分类系统，包括数据树模型、云储存模块、加密模块，所述数据树模型包括数据根系、树根过滤模块、树干传输模块和树枝分类模块；
数据根系包括第一储存器、第一处理器和若干个树根采集点，树根采集点用于在城市管理中采集图像，树根采集点与第一处理器相连接，第一处理器与第一储存器相连接，设置树根采集点的采集属性，采集属性是用于表明对应的树根采集点所要采集的图像类型和用途，例如用于采集交通信息的采集点的采集属性就是交通，用于采集违章停车信息的采集点的采集属性就是违章停车，通过设置采集属性可以对采集到的图像信息进行初步分类，将采集到的图像打上对应的树根采集点属性戳和时间戳，将树根采集点采集到的图像信息发送到处理模块进行处理，获取城市管理中图像的全部分类，根据图像信息上的属性戳将接收到的图像分布到对应的图像分类中，将分布完成的图像发送到第一储存器中；
树根过滤模块用于对第一储存器内的图像进行过滤，包括第二储存器，树根过滤模块与数据根系相连接，具体过滤方法包括：获取第一储存器内的图像，将图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，图像预处理包括图像分割、图像去噪、图像增强和灰度变换，以图像中心为原点，建立图像灰度值三维坐标系，将图像灰度值输入到坐标系中，将同一图像的相邻灰度值点使用平滑曲线进行连接，形成灰度值曲面，将坐标系中完全相同的灰度值曲面进行标记，保留被标记的灰度值曲面中的任意一个，将其他的被标记的灰度值曲面和对应的图像进行删除；将过滤后的图像储存到第二储存器中，并对第一储存器内的图像进行压缩，将压缩后的图像发送到云储存模块，并将第一储存器内的图像删除，清理内存；
树干传输模块用于对第二储存器内的图像进行传输和处理，包括第三储存器、图像分割单元和轮廓提取单元，树干传输模块与树根过滤模块相连接，具体方法包括：获取第二储存器内的图像和树根采集点的背景图像，将具有相同位置戳的图像和对应位置的背景图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，将灰度图像输入到灰度值三维坐标系中，根据灰度值将图像中的背景进行分割，将分割后的图像标记为无背景图像，提取无背景图像中剩余的图像轮廓，并给图像轮廓打上对应提取图像的图像戳，可以是对应图像的编号等具有识别的标记，方便随时查找图像轮廓是从那个图像中提取的，将提取的图像轮廓保存到第三储存器中；
树枝分类与树干传输模块和树根过滤模块相连接，树枝分类模块包括第四储存器和若干个特征分类单元，特征分类单元用于对第三储存器内的图像轮廓进行分类，且一个特征分类单元仅识别分类一个类别，就是一个特征分类单元对应一个分类，具体分类方法包括：设置特征识别库，特征识别库用于储存城市管理中所能用到的全部分类图像对应的比对图像轮廓，和待分类图像进行比对进行分类，从互联网中获取各种分类图像的图像轮廓，并将从互联网中获取图像轮廓标记为比对图像轮廓，将比对图像轮廓储存到特征识别库中，第四储存器包括若干个储存室，储存室与特征分类单元一一对应，就是对应特征分类单元储存到对应的储存室中，并给储存室打上对应特征分类单元的分类戳，设置特征分类单元的分类属性，特征分类单元的分类属性就是这个特征分类单元属于什么分类，根据特征分类单元的分类属性从特征识别库中提取对应分类的比对图像轮廓，将从特征识别库中提取的比对图像轮廓标记为分类特征，从第三储存器内获取待分类图像轮廓，将待分类图像轮廓与所有的分类特征进行匹配，因为每个特征分类单元都对应一个分类特征，当匹配成功时，从第二储存器中获取匹配成功的待分类图像轮廓对应的图像，将从第二储存器中获取的图像储存到对应的储存室中，当没有匹配成功时，将没有匹配成功的分类图像轮廓与特征识别库中的比对图像轮廓进行匹配，获取匹配到的比对图像轮廓的分类信息，设置新的对应分类属性的特征分类单元，并在第四储存器内设置对应的储存室，从第二储存器中获取对应的图像，将从第二储存器中获取的图像储存到对应的储存室中；将第二储存器和第二储存器内的图像进行压缩，并将压缩后的图像发送到云储存模块，并将第二储存器和第二储存器内的图像删除，清理内存；
加密模块用于对云储存模块进行加密，获取一张高清图片，或者由多张组合成一张的高清图片，设置加密密码数字，将高清图片划分为若干个图像块，且图像块的数量比加密密码数字个数多，将加密密码数字个数标记为D，D为大于零的正整数，从若干个图像块中随机挑选D个图像块，将加密密码数字按照先后顺序随机分布到D个图像块中，先后顺序就是按照加密密码数字原先的排列顺序，或者倒序，防止混乱，避免解密时顺序不对，导致数据丢失，并生成分布记录，分布记录中记录加密密码数字的分布顺序和位置，将高清图片中未被选中的图像块标记为误导块，将误导块的数量标记为S，S为大于零的正整数，随机选取S个数字，将选取的S个数字随机分布到误导块中，将高清图片标记为加密图片；为进一步的降低密码被破解的可能，还可以对分布记录进行加密，避免其他人员获得；设置拼图单元，拼图单元用于对分布记录进行加密，拼图单元内存有若干幅图片，从若干幅图片中挑取一幅图片为拼图图片，选择将拼图图片分割成的份数，分割的份数大于十，从分割的图片中随机选取V份图片，V为比例系数，V为大于九的正整数，设置V份图片的正确排列图案，进行保存；
参照性的举例：用户需要对分布记录进行加密，打开拼图单元，从拼图单元内的六幅图片中选取一幅为拼图图片，选择将拼图图片分割成十八份，从中选取九份图片，将九份图片进行排列形成正确拼图图案，进行保存；当需要对分布记录进行解密时，一种方法是通过管理员认证，直接解密，另一种就是进行拼图游戏，首先从拼图单元内六幅图片中选取到正确的图片，当选取错误时，解密失败，生成报警信号，对解密人员进行拍照保存；当选取正确时，选择需要将图片分割的份数，当分割的份数不是十八份时，解密失败，生成报警信号，对解密人员进行拍照保存；当分割的份数是十八份时，从十八份图片中选取正确的九份图片，当没有选择正确时，解密失败，生成报警信号，对解密人员进行拍照保存；当选择正确时，对九份图片进行排序，当排序错误时，解密失败，生成报警信号，对解密人员进行拍照保存；当排序正确时，解密成功；优选的，还可以在解密过程中，当解密错误时不进行报警，直到最后图片排序后再进行报警，避免其他人员通过一步步试错，排除错误答案。
一种城市管理图像智能识别分类方法，具体方法包括以下步骤：
步骤一：设置图像采集点分类属性，进行初步图像分类；
步骤二：对初步分类的图像进行过滤，删除重复图像；
将初步图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，图像预处理包括图像分割、图像去噪、图像增强和灰度变换，以图像中心为原点，建立图像灰度值三维坐标系，将图像灰度值输入到坐标系中，将同一图像的相邻灰度值点使用平滑曲线进行连接，形成灰度值曲面，将坐标系中完全相同的灰度值曲面进行标记，保留被标记的灰度值曲面中的任意一个，将其他的被标记的灰度值曲面和对应的图像进行删除；
步骤三：将图像中的背景进行分割，提取图像轮廓；
获取图像采集点的背景图像，将采集点的图像和对应位置的背景图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，将灰度图像输入到灰度值三维坐标系中，根据灰度值将图像中的背景进行分割，将分割后的图像标记为无背景图像，提取无背景图像中剩余的图像轮廓，并给图像轮廓打上对应提取图像的图像戳；
步骤四：将图像轮廓与比对图像轮廓进行匹配，完成图像分类；
设置特征识别库和特征分类单元，特征识别库用于储存城市管理中所能用到的全部分类图像对应的比对图像轮廓，从互联网中获取各种分类图像的图像轮廓，并将从互联网中获取图像轮廓标记为比对图像轮廓，将比对图像轮廓储存到特征识别库中，设置若干个储存室，储存室与特征分类单元一一对应，并给储存室打上对应特征分类单元的分类戳，设置特征分类单元的分类属性，根据特征分类单元的分类属性从特征识别库中提取对应分类的比对图像轮廓，将从特征识别库中提取的比对图像轮廓标记为分类特征，从第三储存器内获取待分类图像轮廓，将待分类图像轮廓与所有的分类特征进行匹配，当匹配成功时，从第二储存器中获取匹配成功的待分类图像轮廓对应的图像，将从第二储存器中获取的图像储存到对应的储存室中，当没有匹配成功时，将没有匹配成功的分类图像轮廓与特征识别库中的比对图像轮廓进行匹配，获取匹配到的比对图像轮廓的分类信息，设置新的对应分类属性的特征分类单元，并在第四储存器内设置对应的储存室，从第二储存器中获取对应的图像，将从第二储存器中获取的图像储存到对应的储存室中；
步骤五：进行数据加密。
本发明在使用时，设置树根采集点的采集属性，将采集到的图像打上对应的树根采集点属性戳和时间戳，将树根采集点采集到的图像信息发送到处理模块进行处理，获取城市管理中图像的全部分类，根据图像信息上的属性戳将接收到的图像分布到对应的图像分类中，将分布完成的图像发送到第一储存器中；获取第一储存器内的图像，将图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，以图像中心为原点，建立图像灰度值三维坐标系，将图像灰度值输入到坐标系中，将同一图像的相邻灰度值点使用平滑曲线进行连接，形成灰度值曲面，将坐标系中完全相同的灰度值曲面进行标记，保留被标记的灰度值曲面中的任意一个，将其他的被标记的灰度值曲面和对应的图像进行删除；将过滤后的图像储存到第二储存器中，并对第一储存器内的图像进行压缩，将压缩后的图像发送到云储存模块，并将第一储存器内的图像删除，清理内存；
获取第二储存器内的图像和树根采集点的背景图像，将具有相同位置戳的图像和对应位置的背景图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，将灰度图像输入到灰度值三维坐标系中，根据灰度值将图像中的背景进行分割，将分割后的图像标记为无背景图像，提取无背景图像中剩余的图像轮廓，并给图像轮廓打上对应提取图像的图像戳，将提取的图像轮廓保存到第三储存器中；设置特征识别库，特征识别库用于储存城市管理中所能用到的全部分类图像对应的比对图像轮廓，从互联网中获取各种分类图像的图像轮廓，并将从互联网中获取图像轮廓标记为比对图像轮廓，将比对图像轮廓储存到特征识别库中，第四储存器包括若干个储存室，储存室与特征分类单元一一对应，并给储存室打上对应特征分类单元的分类戳，设置特征分类单元的分类属性，根据特征分类单元的分类属性从特征识别库中提取对应分类的比对图像轮廓，将从特征识别库中提取的比对图像轮廓标记为分类特征，从第三储存器内获取待分类图像轮廓，将待分类图像轮廓与所有的分类特征进行匹配，当匹配成功时，从第二储存器中获取匹配成功的待分类图像轮廓对应的图像，将从第二储存器中获取的图像储存到对应的储存室中，当没有匹配成功时，将没有匹配成功的分类图像轮廓与特征识别库中的比对图像轮廓进行匹配，获取匹配到的比对图像轮廓的分类信息，设置新的对应分类属性的特征分类单元，并在第四储存器内设置对应的储存室，从第二储存器中获取对应的图像，将从第二储存器中获取的图像储存到对应的储存室中；将第二储存器和第二储存器内的图像进行压缩，并将压缩后的图像发送到云储存模块，并将第二储存器和第二储存器内的图像删除，清理内存。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (3)

1.一种城市管理图像智能识别分类系统，其特征在于，包括数据树模型和云储存模块，所述数据树模型包括数据根系、树根过滤模块、树干传输模块和树枝分类模块；所述数据根系包括第一储存器、第一处理器和若干个树根采集点，树根采集点与第一处理器相连接，第一处理器与第一储存器相连接，所述树根过滤模块用于对第一储存器内的图像进行过滤，包括第二储存器，所述树根过滤模块与数据根系相连接，所述树干传输模块与树根过滤模块相连接，所述树枝分类与树干传输模块和树根过滤模块相连接；设置树根采集点的采集属性，将采集到的图像打上对应的树根采集点属性戳和时间戳，将树根采集点采集到的图像信息发送到处理模块进行处理，获取城市管理中图像的全部分类，根据图像信息上的属性戳将接收到的图像分布到对应的图像分类中，将分布完成的图像发送到第一储存器中；
所述树根过滤模块对第一储存器内的图像进行过滤的方法包括：获取第一储存器内的图像，将图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，以图像中心为原点，建立图像灰度值三维坐标系，将图像灰度值输入到坐标系中，将同一图像的相邻灰度值点使用平滑曲线进行连接，形成灰度值曲面，将坐标系中完全相同的灰度值曲面进行标记，保留被标记的灰度值曲面中的任意一个，将其他的被标记的灰度值曲面和对应的图像进行删除；将过滤后的图像储存到第二储存器中，并对第一储存器内的图像进行压缩，将压缩后的图像发送到云储存模块，并将第一储存器内的图像删除；
所述树干传输模块用于对第二储存器内的图像进行传输和处理，包括第三储存器、图像分割单元和轮廓提取单元，具体方法包括：获取第二储存器内的图像和树根采集点的背景图像，将具有相同位置戳的图像和对应位置的背景图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，将灰度图像输入到灰度值三维坐标系中，根据灰度值将图像中的背景进行分割，将分割后的图像标记为无背景图像，提取无背景图像中剩余的图像轮廓，并给图像轮廓打上对应提取图像的图像戳，将提取的图像轮廓保存到第三储存器中。
2.根据权利要求1所述的一种城市管理图像智能识别分类系统，其特征在于，所述树枝分类模块包括第四储存器和若干个特征分类单元，所述特征分类单元用于对第三储存器内的图像轮廓进行分类，且一个特征分类单元仅识别分类一个类别，具体分类方法包括：设置特征识别库，特征识别库用于储存城市管理中所能用到的全部分类图像对应的比对图像轮廓，从互联网中获取各种分类图像的图像轮廓，并将从互联网中获取图像轮廓标记为比对图像轮廓，将比对图像轮廓储存到特征识别库中，所述第四储存器包括若干个储存室，所述储存室与特征分类单元一一对应，并给储存室打上对应特征分类单元的分类戳，设置特征分类单元的分类属性，根据特征分类单元的分类属性从特征识别库中提取对应分类的比对图像轮廓，将从特征识别库中提取的比对图像轮廓标记为分类特征，从第三储存器内获取待分类图像轮廓，将待分类图像轮廓与所有的分类特征进行匹配，当匹配成功时，从第二储存器中获取匹配成功的待分类图像轮廓对应的图像，将从第二储存器中获取的图像储存到对应的储存室中，当没有匹配成功时，将没有匹配成功的分类图像轮廓与特征识别库中的比对图像轮廓进行匹配，获取匹配到的比对图像轮廓的分类信息，设置新的对应分类属性的特征分类单元，并在第四储存器内设置对应的储存室，从第二储存器中获取对应的图像，将从第二储存器中获取的图像储存到对应的储存室中；将第二储存器和第二储存器内的图像进行压缩，并将压缩后的图像发送到云储存模块，并将第二储存器和第二储存器内的图像删除。
3.一种城市管理图像智能识别分类方法，其特征在于，具体方法包括以下步骤：
步骤一：设置图像采集点分类属性，进行初步图像分类；
步骤二：对初步分类的图像进行过滤，删除重复图像；
将初步图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，图像预处理包括图像分割、图像去噪、图像增强和灰度变换，以图像中心为原点，建立图像灰度值三维坐标系，将图像灰度值输入到坐标系中，将同一图像的相邻灰度值点使用平滑曲线进行连接，形成灰度值曲面，将坐标系中完全相同的灰度值曲面进行标记，保留被标记的灰度值曲面中的任意一个，将其他的被标记的灰度值曲面和对应的图像进行删除；
步骤三：将图像中的背景进行分割，提取图像轮廓；
获取图像采集点的背景图像，将采集点的图像和对应位置的背景图像进行图像预处理，并将图像预处理之后的图像标记为灰度图像，将灰度图像输入到灰度值三维坐标系中，根据灰度值将图像中的背景进行分割，将分割后的图像标记为无背景图像，提取无背景图像中剩余的图像轮廓，并给图像轮廓打上对应提取图像的图像戳；
步骤四：将图像轮廓与比对图像轮廓进行匹配，完成图像分类；
设置特征识别库和特征分类单元，特征识别库用于储存城市管理中所能用到的全部分类图像对应的比对图像轮廓，从互联网中获取各种分类图像的图像轮廓，并将从互联网中获取图像轮廓标记为比对图像轮廓，将比对图像轮廓储存到特征识别库中，设置若干个储存室，储存室与特征分类单元一一对应，并给储存室打上对应特征分类单元的分类戳，设置特征分类单元的分类属性，根据特征分类单元的分类属性从特征识别库中提取对应分类的比对图像轮廓，将从特征识别库中提取的比对图像轮廓标记为分类特征，从第三储存器内获取待分类图像轮廓，将待分类图像轮廓与所有的分类特征进行匹配，当匹配成功时，从第二储存器中获取匹配成功的待分类图像轮廓对应的图像，将从第二储存器中获取的图像储存到对应的储存室中，当没有匹配成功时，将没有匹配成功的分类图像轮廓与特征识别库中的比对图像轮廓进行匹配，获取匹配到的比对图像轮廓的分类信息，设置新的对应分类属性的特征分类单元，并在第四储存器内设置对应的储存室，从第二储存器中获取对应的图像，将从第二储存器中获取的图像储存到对应的储存室中；
步骤五：进行数据加密。
CN202110549590.3A 2021-05-20 2021-05-20 一种城市管理图像智能识别分类系统及方法 Active CN112989086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110549590.3A CN112989086B (zh) 2021-05-20 2021-05-20 一种城市管理图像智能识别分类系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110549590.3A CN112989086B (zh) 2021-05-20 2021-05-20 一种城市管理图像智能识别分类系统及方法

Publications (2)

Publication Number Publication Date
CN112989086A true CN112989086A (zh) 2021-06-18
CN112989086B CN112989086B (zh) 2022-04-15

Family

ID=76337035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110549590.3A Active CN112989086B (zh) 2021-05-20 2021-05-20 一种城市管理图像智能识别分类系统及方法

Country Status (1)

Country Link
CN (1) CN112989086B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674305A (zh) * 2021-08-25 2021-11-19 茶陵县强强陶瓷有限公司 应用于陶瓷生产的智能储坯系统及控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105407321A (zh) * 2015-11-12 2016-03-16 中国科学院遥感与数字地球研究所 一种监控数据处理方法及系统
CN110502977A (zh) * 2019-07-10 2019-11-26 广东国地规划科技股份有限公司 一种建筑物变化分类检测方法、系统、装置及存储介质
CN110674823A (zh) * 2019-09-26 2020-01-10 中国科学院声学研究所 一种基于深海大型底栖动物自动识别的样本库构建方法
CN111507413A (zh) * 2020-04-20 2020-08-07 济源职业技术学院 一种基于字典学习的城市管理案件图像识别方法
CN111611291A (zh) * 2020-04-14 2020-09-01 陕西天泽中孚实业有限公司 一种地理信息的融合共享及识别系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105407321A (zh) * 2015-11-12 2016-03-16 中国科学院遥感与数字地球研究所 一种监控数据处理方法及系统
CN110502977A (zh) * 2019-07-10 2019-11-26 广东国地规划科技股份有限公司 一种建筑物变化分类检测方法、系统、装置及存储介质
CN110674823A (zh) * 2019-09-26 2020-01-10 中国科学院声学研究所 一种基于深海大型底栖动物自动识别的样本库构建方法
CN111611291A (zh) * 2020-04-14 2020-09-01 陕西天泽中孚实业有限公司 一种地理信息的融合共享及识别系统
CN111507413A (zh) * 2020-04-20 2020-08-07 济源职业技术学院 一种基于字典学习的城市管理案件图像识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674305A (zh) * 2021-08-25 2021-11-19 茶陵县强强陶瓷有限公司 应用于陶瓷生产的智能储坯系统及控制方法

Also Published As

Publication number Publication date
CN112989086B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN104239420B (zh) 一种基于视频指纹的视频相似度匹配方法
CN112989086B (zh) 一种城市管理图像智能识别分类系统及方法
CN114997843A (zh) 一种企业运营管理信息存储系统
CN109783667A (zh) 一种图像存储和检索的方法、客户端及系统
CN114943089B (zh) 企业运营在线数据共享用信息安全防护系统
CN117692611B (zh) 基于5g的安防图像传输方法及系统
CN111651779A (zh) 一种在区块链中进行加密图像检索的隐私保护方法
CN113158771B (zh) 一种社区人员信息采集方法及系统和应用
CN115273372A (zh) 一种园区设备告警方法、系统、装置及存储介质
CN114549873A (zh) 一种图像档案的关联方法、装置、电子设备及存储介质
CN113382128B (zh) 一种位平面压缩的加密图像可逆信息隐藏方法
CN107742141A (zh) 基于rfid技术的智能身份信息采集方法及系统
CN110516425B (zh) 一种秘密共享方法及系统
CN110598023A (zh) 一种智慧警务车移动大数据平台
CN112905816B (zh) 虹膜搜索识别方法、装置、处理器及电子装置
CN111368115A (zh) 数据聚类方法、装置、聚类服务器及存储介质
KR101367821B1 (ko) 계층적 영상블록의 대칭정보를 이용한 비디오 식별 방법 및 장치
CN118114080B (zh) 一种基于深度学习的地理信息数据采集方法及系统
CN110706216A (zh) 一种基于ai智能识别的肿瘤免疫微环境数据快速处理系统
JPH08167028A (ja) 画像処理方法
CN114266073B (zh) 一种基于区块链技术的数据链接隐私处理系统
CN116467730B (zh) 一种基于cim架构的智慧园区数字化运维管理系统
CN117788174B (zh) 基于区块链的金融用户数据安全保护方法
CN113742421B (zh) 基于分布式存储和图像处理的网络身份认证方法
CN117036127B (zh) 一种基于教育大数据平台的教育资源共享方法

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
CB02 Change of applicant information

Address after: Room 1301, building 2, Tongjing business square, 555 Jiefang East Road, Gusu District, Suzhou City, Jiangsu Province 215000

Applicant after: Suzhou Yuancheng Technology Co.,Ltd.

Address before: Room 1301, building 2, Tongjing business square, 555 Jiefang East Road, Gusu District, Suzhou City, Jiangsu Province 215000

Applicant before: SUZHOU SIGMA TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant