CN114219845A - 一种基于深度学习的居住单元面积评判方法和装置 - Google Patents

一种基于深度学习的居住单元面积评判方法和装置 Download PDF

Info

Publication number
CN114219845A
CN114219845A CN202111441558.XA CN202111441558A CN114219845A CN 114219845 A CN114219845 A CN 114219845A CN 202111441558 A CN202111441558 A CN 202111441558A CN 114219845 A CN114219845 A CN 114219845A
Authority
CN
China
Prior art keywords
length
picture
living unit
living
relative
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
CN202111441558.XA
Other languages
English (en)
Other versions
CN114219845B (zh
Inventor
兰雨晴
唐霆岳
余丹
邢智涣
王丹星
刘一凡
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.)
China Standard Intelligent Security Technology Co Ltd
Original Assignee
China Standard Intelligent Security 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 China Standard Intelligent Security Technology Co Ltd filed Critical China Standard Intelligent Security Technology Co Ltd
Priority to CN202111441558.XA priority Critical patent/CN114219845B/zh
Publication of CN114219845A publication Critical patent/CN114219845A/zh
Application granted granted Critical
Publication of CN114219845B publication Critical patent/CN114219845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06Q50/16—Real estate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (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

本申请提供了一种基于深度学习的居住单元面积评判方法和装置，涉及数据处理技术领域。该方法利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度；随后利用空间影像学原理获取居住单元图片的灭点；进而基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度；根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算。可以看到，本申请实施例可以准确、自动便捷地评判估算居住单元面积。

Description

一种基于深度学习的居住单元面积评判方法和装置
技术领域
本申请涉及数据处理技术领域，尤其涉及一种基于深度学习的居住单元面积评判方法和装置。
背景技术
居住单元面积是居住建筑中卧室、起居室、餐室和壁柜等居住生活用的空间净面积的总和。目前需要通过专家进行人工评判，或者是直接采用一阶段深度学习方法进行端到端面积估算。然而，人工评判往往效率有限，采用一阶段深度学习方法准确度不佳，甚至难以收敛，因而不具备一个可靠地、自动化地基于户型图给出居住单元面积档位(如特大、大、中、小)的方法，亟需解决这一技术问题。
发明内容
鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的基于深度学习的居住单元面积评判方法和装置，可以准确、自动便捷地评判居住单元面积。所述技术方案如下：
第一方面，提供了一种基于深度学习的居住单元面积评判方法，包括以下步骤：
利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度；
利用空间影像学原理获取居住单元图片的灭点；
基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度；
根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算。
在一种可能的实现方式中，以摄像头采集的图像的左下角顶点作为原点，图像的左边框向上为Y轴，图像的下边框向右为X轴建立平面直角坐标系，并且所述坐标系的X轴单位长度为所述图像相邻两个横向像素点之间的距离值，所述坐标系的Y轴单位长度为所述图像相邻两个纵向像素点之间的距离值；
利用以下公式利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度：
Figure BDA0003383556190000021
其中La(i，j)表示居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点之间的图中长度；(Xa(i)，Ya(i))表示居住单元图片中长度相对固定的第a个结构中的第i个顶点的坐标值；(Xa(j)，Ya(j))表示居住单元图片中长度相对固定的第a个结构中的第j个顶点的坐标值。
在一种可能的实现方式中，利用以下公式利用空间影像学原理获取居住单元图片的灭点；基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度：
Figure BDA0003383556190000022
其中
Figure BDA0003383556190000023
表示居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点之间的实际图中长度；P表示利用空间影像学原理获取居住单元图片的灭点；argmax(L，∠iPj)表示在居住单元图片中以居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点以及灭点所构成的三角形中灭点处的角度所对的方向上在居住单元图片中得到的最大图中长度值。
在一种可能的实现方式中，利用以下公式根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算：
Figure BDA0003383556190000024
其中S表示估算出的居住单元面积；S0表示居住单元图片中的图中居住面积；na表示居住单元图片中长度相对固定的第a个结构中顶点的个数；D表示居住单元图片中长度相对固定的结构个数。
第二方面，提供了一种基于深度学习的居住单元面积评判装置，包括：
第一获取模块，用于利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度；
第二获取模块，用于利用空间影像学原理获取居住单元图片的灭点；
确定模块，用于基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度；
评判模块，用于根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算。
在一种可能的实现方式中，以摄像头采集的图像的左下角顶点作为原点，图像的左边框向上为Y轴，图像的下边框向右为X轴建立平面直角坐标系，并且所述坐标系的X轴单位长度为所述图像相邻两个横向像素点之间的距离值，所述坐标系的Y轴单位长度为所述图像相邻两个纵向像素点之间的距离值；所述第一获取模块还用于：
利用以下公式利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度：
Figure BDA0003383556190000031
其中La(i，j)表示居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点之间的图中长度；(Xa(i)，Ya(i))表示居住单元图片中长度相对固定的第a个结构中的第i个顶点的坐标值；(Xa(j)，Ya(j))表示居住单元图片中长度相对固定的第a个结构中的第j个顶点的坐标值。
在一种可能的实现方式中，所述确定模块还用于：
利用以下公式利用空间影像学原理获取居住单元图片的灭点；基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度：
Figure BDA0003383556190000032
其中
Figure BDA0003383556190000041
表示居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点之间的实际图中长度；P表示利用空间影像学原理获取居住单元图片的灭点；argmax(L，∠iPj)表示在居住单元图片中以居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点以及灭点所构成的三角形中灭点处的角度所对的方向上在居住单元图片中得到的最大图中长度值。
在一种可能的实现方式中，所述评判模块还用于：
利用以下公式根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算：
Figure BDA0003383556190000042
其中S表示估算出的居住单元面积；S0表示居住单元图片中的图中居住面积；na表示居住单元图片中长度相对固定的第a个结构中顶点的个数；D表示居住单元图片中长度相对固定的结构个数。
借由上述技术方案，本申请实施例提供的基于深度学习的居住单元面积评判方法和装置，首先利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度；随后利用空间影像学原理获取居住单元图片的灭点；进而基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度；根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算。可以看到，本申请实施例可以准确、自动便捷地评判估算居住单元面积。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1示出了根据本申请实施例的基于深度学习的居住单元面积评判方法的流程图；
图2示出了根据本申请实施例的argmax(L，∠iPj)的示意图；以及
图3示出了根据本申请实施例的基于深度学习的居住单元面积评判装置的结构图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
需要说明的是，本申请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。应该理解这样使用在适当情况下可以互换，以便这里描述的本申请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”及其变体要被解读为意味着“包括但不限于”的开放式术语。
本申请实施例提供了一种基于深度学习的居住单元面积评判方法，可以应用在移动终端、个人电脑、平板电脑等电子设备。如图1所示，该基于深度学习的居住单元面积评判方法可以包括以下步骤S101至S104：
步骤S101，利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度；
步骤S102，利用空间影像学原理获取居住单元图片的灭点；
步骤S103，基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度；
步骤S104，根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算。
本申请实施例首先利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度；随后利用空间影像学原理获取居住单元图片的灭点；进而基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度；根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算。可以看到，本申请实施例可以准确、自动便捷地评判估算居住单元面积。
本申请实施例中提供了一种可能的实现方式，上文步骤S101中长度相对固定结构可以如门、窗、墙的交界线等，本实施例可以根据实际情况来确定长度相对固定结构。这里，利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度可以通过以下公式来实现：
以摄像头采集的图像的左下角顶点作为原点，图像的左边框向上为Y轴，图像的下边框向右为X轴建立平面直角坐标系，并且坐标系的X轴单位长度为图像相邻两个横向像素点之间的距离值，坐标系的Y轴单位长度为图像相邻两个纵向像素点之间的距离值；
利用以下公式利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度：
Figure BDA0003383556190000061
其中La(i，j)表示居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点之间的图中长度；(Xa(i)，Ya(i))表示居住单元图片中长度相对固定的第a个结构中的第i个顶点的坐标值；(Xa(j)，Ya(j))表示居住单元图片中长度相对固定的第a个结构中的第j个顶点的坐标值。
本实施例利用目标检测方法获取居住单元图片中长度相对固定结构的图中长度，进而利用像素点建坐标系的方式将图像中的像素点转换为坐标值，然后再利用坐标值求取图中长度，一是可以保证计算的简便，二是保证图中长度计算的准确性。
本申请实施例中提供了一种可能的实现方式，可以利用以下公式利用空间影像学原理获取居住单元图片的灭点；基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度：
Figure BDA0003383556190000071
其中
Figure BDA0003383556190000072
表示居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点之间的实际图中长度；P表示利用空间影像学原理获取居住单元图片的灭点；argmax(L，∠iPj)表示在居住单元图片中以居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点以及灭点所构成的三角形中灭点处的角度所对的方向上在居住单元图片中得到的最大图中长度值，如图2所示是根据本申请实施例的argmax(L，∠iPj)的示意图。
本实施例根据灭点的坐标以及居住单元图片中长度相对固定结构的图中长度得到居住单元图片中长度相对固定结构的实际图中长度，进而将由于影像拍摄原因导致的角度偏转视觉扭曲等因素去除掉还原出居住单元图片中长度相对固定结构的实际图中长度。
本申请实施例中提供了一种可能的实现方式，可以利用以下公式根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算：
Figure BDA0003383556190000073
其中S表示估算出的居住单元面积；S0表示居住单元图片中的图中居住面积；na表示居住单元图片中长度相对固定的第a个结构中顶点的个数；D表示居住单元图片中长度相对固定的结构个数。
本实施例根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算，公式中根据所有长度相对固定结构长度比值的均值来进行运算，一是保证最终估算的结果具有可靠性以及说服力，二是可以将误差进行相互抵消融合，保证估算的准确性。
需要说明的是，实际应用中，上述所有可能的实施方式可以采用结合的方式任意组合，形成本申请的可能的实施例，在此不再一一赘述。
基于上文各个实施例提供的基于深度学习的居住单元面积评判方法，基于同一发明构思，本申请实施例还提供了一种基于深度学习的居住单元面积评判装置。
图3示出了根据本申请实施例的基于深度学习的居住单元面积评判装置的结构图。如图3所示，该基于深度学习的居住单元面积评判装置可以包括第一获取模块310、第二获取模块320、确定模块330以及评判模块340。
第一获取模块310，用于利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度；
第二获取模块320，用于利用空间影像学原理获取居住单元图片的灭点；
确定模块330，用于基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度；
评判模块340，用于根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算。
本申请实施例中提供了一种可能的实现方式，以摄像头采集的图像的左下角顶点作为原点，图像的左边框向上为Y轴，图像的下边框向右为X轴建立平面直角坐标系，并且坐标系的X轴单位长度为图像相邻两个横向像素点之间的距离值，坐标系的Y轴单位长度为图像相邻两个纵向像素点之间的距离值；第一获取模块310还用于：
利用以下公式利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度：
Figure BDA0003383556190000081
其中La(i，j)表示居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点之间的图中长度；(Xa(i)，Ya(i))表示居住单元图片中长度相对固定的第a个结构中的第i个顶点的坐标值；(Xa(j)，Ya(j))表示居住单元图片中长度相对固定的第a个结构中的第j个顶点的坐标值。
本申请实施例中提供了一种可能的实现方式，上文图3展示的确定模块330还用于：
利用以下公式利用空间影像学原理获取居住单元图片的灭点；基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度：
Figure BDA0003383556190000091
其中
Figure BDA0003383556190000092
表示居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点之间的实际图中长度；P表示利用空间影像学原理获取居住单元图片的灭点；argmax(L，∠iPj)表示在居住单元图片中以居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点以及灭点所构成的三角形中灭点处的角度所对的方向上在居住单元图片中得到的最大图中长度值。
本申请实施例中提供了一种可能的实现方式，上文图3展示评判模块340还用于：
利用以下公式根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算：
Figure BDA0003383556190000093
其中S表示估算出的居住单元面积；S0表示居住单元图片中的图中居住面积；na表示居住单元图片中长度相对固定的第a个结构中顶点的个数；D表示居住单元图片中长度相对固定的结构个数。
所属领域的技术人员可以清楚地了解到，上述描述的系统、装置、模块的具体工作过程，可以参考前述方法实施例中的对应过程，为简洁起见，在此不另赘述。
本领域普通技术人员可以理解：本申请的技术方案本质上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，其包括若干程序指令，用以使得一电子设备(例如个人计算机，服务器，或者网络设备等)在运行所述程序指令时执行本申请各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)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，实现前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(诸如个人计算机，服务器，或者网络设备等的电子设备)来完成，所述程序指令可以存储于一计算机可读取存储介质中，当所述程序指令被电子设备的处理器执行时，所述电子设备执行本申请各实施例所述方法的全部或部分步骤。
以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：在本申请的精神和原则之内，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部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脱离本申请的保护范围。

Claims (8)

1.一种基于深度学习的居住单元面积评判方法，其特征在于，包括以下步骤：
利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度；
利用空间影像学原理获取居住单元图片的灭点；
基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度；
根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算。
2.根据权利要求1所述的基于深度学习的居住单元面积评判方法，其特征在于，以摄像头采集的图像的左下角顶点作为原点，图像的左边框向上为Y轴，图像的下边框向右为X轴建立平面直角坐标系，并且所述坐标系的X轴单位长度为所述图像相邻两个横向像素点之间的距离值，所述坐标系的Y轴单位长度为所述图像相邻两个纵向像素点之间的距离值；
利用以下公式利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度：
Figure FDA0003383556180000011
其中La(i，j)表示居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点之间的图中长度；(Xa(i)，Ya(i))表示居住单元图片中长度相对固定的第a个结构中的第i个顶点的坐标值；(Xa(j)，Ya(j))表示居住单元图片中长度相对固定的第a个结构中的第j个顶点的坐标值。
3.根据权利要求2所述的基于深度学习的居住单元面积评判方法，其特征在于，利用以下公式利用空间影像学原理获取居住单元图片的灭点；基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度：
Figure FDA0003383556180000012
其中
Figure FDA0003383556180000021
表示居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点之间的实际图中长度；P表示利用空间影像学原理获取居住单元图片的灭点；argmax(L，∠iPj)表示在居住单元图片中以居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点以及灭点所构成的三角形中灭点处的角度所对的方向上在居住单元图片中得到的最大图中长度值。
4.根据权利要求3所述的基于深度学习的居住单元面积评判方法，其特征在于，利用以下公式根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算：
Figure FDA0003383556180000022
其中S表示估算出的居住单元面积；S0表示居住单元图片中的图中居住面积；na表示居住单元图片中长度相对固定的第a个结构中顶点的个数；D表示居住单元图片中长度相对固定的结构个数。
5.一种基于深度学习的居住单元面积评判装置，其特征在于，包括：
第一获取模块，用于利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度；
第二获取模块，用于利用空间影像学原理获取居住单元图片的灭点；
确定模块，用于基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度；
评判模块，用于根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算。
6.根据权利要求5所述的基于深度学习的居住单元面积评判装置，其特征在于，以摄像头采集的图像的左下角顶点作为原点，图像的左边框向上为Y轴，图像的下边框向右为X轴建立平面直角坐标系，并且所述坐标系的X轴单位长度为所述图像相邻两个横向像素点之间的距离值，所述坐标系的Y轴单位长度为所述图像相邻两个纵向像素点之间的距离值；所述第一获取模块还用于：
利用以下公式利用目标检测算法获取居住单元图片中长度相对固定结构的图中长度：
Figure FDA0003383556180000031
其中La(i，j)表示居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点之间的图中长度；(Xa(i)，Ya(i))表示居住单元图片中长度相对固定的第a个结构中的第i个顶点的坐标值；(Xa(j)，Ya(j))表示居住单元图片中长度相对固定的第a个结构中的第j个顶点的坐标值。
7.根据权利要求6所述的基于深度学习的居住单元面积评判装置，其特征在于，所述确定模块还用于：
利用以下公式利用空间影像学原理获取居住单元图片的灭点；基于居住单元图片中长度相对固定结构的图中长度和居住单元图片的灭点，得到居住单元图片中长度相对固定结构的实际图中长度：
Figure FDA0003383556180000032
其中
Figure FDA0003383556180000033
表示居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点之间的实际图中长度；P表示利用空间影像学原理获取居住单元图片的灭点；argmax(L，∠iPj)表示在居住单元图片中以居住单元图片中长度相对固定的第a个结构中的第i个顶点与第j个顶点以及灭点所构成的三角形中灭点处的角度所对的方向上在居住单元图片中得到的最大图中长度值。
8.根据权利要求7所述的基于深度学习的居住单元面积评判装置，其特征在于，所述评判模块还用于：
利用以下公式根据居住单元图片中长度相对固定结构的实际图中长度以及其对应的现实长度对居住单元面积做出估算：
Figure FDA0003383556180000034
其中S表示估算出的居住单元面积；S0表示居住单元图片中的图中居住面积；na表示居住单元图片中长度相对固定的第a个结构中顶点的个数；D表示居住单元图片中长度相对固定的结构个数。
CN202111441558.XA 2021-11-30 2021-11-30 一种基于深度学习的居住单元面积评判方法和装置 Active CN114219845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111441558.XA CN114219845B (zh) 2021-11-30 2021-11-30 一种基于深度学习的居住单元面积评判方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111441558.XA CN114219845B (zh) 2021-11-30 2021-11-30 一种基于深度学习的居住单元面积评判方法和装置

Publications (2)

Publication Number Publication Date
CN114219845A true CN114219845A (zh) 2022-03-22
CN114219845B CN114219845B (zh) 2022-08-19

Family

ID=80698963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111441558.XA Active CN114219845B (zh) 2021-11-30 2021-11-30 一种基于深度学习的居住单元面积评判方法和装置

Country Status (1)

Country Link
CN (1) CN114219845B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115982542A (zh) * 2023-03-21 2023-04-18 湖北泰跃卫星技术发展股份有限公司 土地之间相邻关系的计算方法、计算设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110176003A (zh) * 2019-06-06 2019-08-27 三峡大学 基于交比图像量测技术检测建筑物表面损伤面积的方法
CN111696134A (zh) * 2020-06-03 2020-09-22 北京百度网讯科技有限公司 一种目标检测方法、装置以及电子设备
CN111784657A (zh) * 2020-06-29 2020-10-16 福建中航赛凡信息科技有限公司 一种基于数字图像的水泥路面病害自动识别的系统及方法
US20210019914A1 (en) * 2019-07-19 2021-01-21 Avigilon Corporation Method for calibrating a camera using bounding boxes, and camera configured to perform that method
CN112802087A (zh) * 2021-02-04 2021-05-14 上海中通吉网络技术有限公司 堆积物整体体积的检测方法、装置及电子设备
CN112907678A (zh) * 2021-01-25 2021-06-04 深圳佑驾创新科技有限公司 车载相机外参姿态动态估计方法、装置、计算机设备
CN113298708A (zh) * 2021-03-12 2021-08-24 阿里巴巴新加坡控股有限公司 三维房型的生成方法、装置及设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110176003A (zh) * 2019-06-06 2019-08-27 三峡大学 基于交比图像量测技术检测建筑物表面损伤面积的方法
US20210019914A1 (en) * 2019-07-19 2021-01-21 Avigilon Corporation Method for calibrating a camera using bounding boxes, and camera configured to perform that method
CN111696134A (zh) * 2020-06-03 2020-09-22 北京百度网讯科技有限公司 一种目标检测方法、装置以及电子设备
CN111784657A (zh) * 2020-06-29 2020-10-16 福建中航赛凡信息科技有限公司 一种基于数字图像的水泥路面病害自动识别的系统及方法
CN112907678A (zh) * 2021-01-25 2021-06-04 深圳佑驾创新科技有限公司 车载相机外参姿态动态估计方法、装置、计算机设备
CN112802087A (zh) * 2021-02-04 2021-05-14 上海中通吉网络技术有限公司 堆积物整体体积的检测方法、装置及电子设备
CN113298708A (zh) * 2021-03-12 2021-08-24 阿里巴巴新加坡控股有限公司 三维房型的生成方法、装置及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YONGJIE SHI等: "Three Orthogonal Vanishing Points Estimation in Structured Scenes Using Convolutional Neural Networks", 《2019 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 *
王君等: "民用建筑面积及能耗强度计算方法研究", 《建筑科学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115982542A (zh) * 2023-03-21 2023-04-18 湖北泰跃卫星技术发展股份有限公司 土地之间相邻关系的计算方法、计算设备及存储介质
CN115982542B (zh) * 2023-03-21 2023-08-29 湖北泰跃卫星技术发展股份有限公司 土地之间相邻关系的计算方法、计算设备及存储介质

Also Published As

Publication number Publication date
CN114219845B (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
US11380078B2 (en) 3-D reconstruction using augmented reality frameworks
JP4653235B2 (ja) フレーム選択を用いるパノラマ画像の構成
US8818077B2 (en) Stereo image matching apparatus and method
KR101761928B1 (ko) 블록 기반 압축 이미지 내의 블러 측정
CN102663747B (zh) 一种基于视觉感知的立体图像客观质量评价方法
CN112686877B (zh) 基于双目相机的三维房屋损伤模型构建测量方法及系统
CN107621932B (zh) 显示图像的局部放大方法和装置
US20150124059A1 (en) Multi-frame image calibrator
US20160042515A1 (en) Method and device for camera calibration
TW202117672A (zh) 牆線確定方法以及空間建模方法、裝置、設備
EP2570990A1 (en) Apparatus and method for determining a confidence value of a disparity estimate
WO2018153150A1 (zh) 视频图像3d降噪方法及装置
WO2015014111A1 (zh) 一种光流跟踪方法和装置
CN110111388A (zh) 三维物体位姿参数估计方法及视觉设备
Narayanan et al. A novel approach to urban flood monitoring using computer vision
CN108010059B (zh) 电子防抖算法的性能分析方法及装置
CN110345875B (zh) 标定及测距方法、装置、电子设备及计算机可读存储介质
JP6694281B2 (ja) ステレオカメラおよび撮像システム
CN114219845B (zh) 一种基于深度学习的居住单元面积评判方法和装置
CN112967312A (zh) 一种面向野外刚体目标的实时鲁棒位移监测方法及系统
CN115170637A (zh) 虚拟视角图像构建方法及装置、控制设备和可读存储介质
JP2016126673A (ja) 情報処理装置及びその制御方法、並びに、ビデオカメラ
CN107046640B (zh) 一种基于帧间运动光滑性的无参考视频稳定质量评价方法
CN113298946A (zh) 房屋三维重建及地面识别方法、装置、设备和存储介质
CN113658279B (zh) 相机内参和外参估算方法、装置、计算机设备及存储介质

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