CN114581794B - 地理数字孪生信息获取方法、装置、电子设备及存储介质 - Google Patents

地理数字孪生信息获取方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114581794B
CN114581794B CN202210482934.8A CN202210482934A CN114581794B CN 114581794 B CN114581794 B CN 114581794B CN 202210482934 A CN202210482934 A CN 202210482934A CN 114581794 B CN114581794 B CN 114581794B
Authority
CN
China
Prior art keywords
rectangular frame
numerical value
coordinates
trajectory
track
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
Application number
CN202210482934.8A
Other languages
English (en)
Other versions
CN114581794A (zh
Inventor
范淼
黄际洲
王海峰
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210482934.8A priority Critical patent/CN114581794B/zh
Publication of CN114581794A publication Critical patent/CN114581794A/zh
Application granted granted Critical
Publication of CN114581794B publication Critical patent/CN114581794B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了地理数字孪生信息获取方法、装置、电子设备及存储介质，涉及计算机视觉、大数据处理以及深度学习等人工智能领域，其中的方法可包括：对待处理的卫星遥感图像进行地物识别，得到识别结果，所述识别结果包括：识别到的地物对应的矩形框的四个顶点的像素位置；针对任一矩形框，分别根据所述四个顶点的像素位置确定出该矩形框对应的地物的轮廓坐标，并基于获取到的时空轨迹，确定出该矩形框对应的地物的出口和/或入口坐标。应用本公开所述方案，可节省人力和时间成本，并提升处理效率等。

Description

地理数字孪生信息获取方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能技术领域，特别涉及计算机视觉、大数据处理以及深度学习等领域的地理数字孪生信息获取方法、装置、电子设备及存储介质。
背景技术
地理数字孪生技术的关键目标是能够准确地将现实世界的信息以数字的形态进行存储及展现给用户。以互联网地图为例，即指如何确定出各地物的轮廓信息以及出入口信息。目前，通常采用人工处理方式，如人工手动地勾勒出地物的轮廓，并人工手动地确定出地物的出入口等，相应地，需要耗费较大的人力和时间成本，且效率低下。
发明内容
本公开提供了地理数字孪生信息获取方法、装置、电子设备及存储介质。
一种地理数字孪生信息获取方法，包括：
对待处理的卫星遥感图像进行地物识别，得到识别结果，所述识别结果包括：识别到的地物对应的矩形框的四个顶点的像素位置；
针对任一矩形框，分别根据所述四个顶点的像素位置确定出所述矩形框对应的地物的轮廓坐标，并基于获取到的时空轨迹，确定出所述矩形框对应的地物的出口和/或入口坐标。
一种地理数字孪生信息获取装置，包括：图像识别模块以及信息获取模块；
所述图像识别模块，用于对待处理的卫星遥感图像进行地物识别，得到识别结果，所述识别结果包括：识别到的地物对应的矩形框的四个顶点的像素位置；
所述信息获取模块，用于针对任一矩形框，分别根据所述四个顶点的像素位置确定出所述矩形框对应的地物的轮廓坐标，并基于获取到的时空轨迹，确定出所述矩形框对应的地物的出口和/或入口坐标。
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如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。
上述公开中的一个实施例具有如下优点或有益效果：可基于卫星遥感图像以及时空轨迹，自动地生成地物的轮廓坐标以及出入口坐标，从而节省了人力和时间成本，并提升了处理效率等。
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为本公开所述地理数字孪生信息获取方法第一实施例的流程图；
图2为本公开所述卫星遥感影像中展现的一处露天停车场的示意图；
图3为本公开所述矩形框与所在卫星遥感图像的示意图；
图4为本公开所述矩形框的四个顶点坐标及起点位于所述矩形框中的一个轨迹片段的示意图；
图5为本公开所述地理数字孪生信息获取方法第二实施例的流程图；
图6为本公开所述地理数字孪生信息获取装置实施例600的组成结构示意图；
图7示出了可以用来实施本公开的实施例的电子设备700的示意性框图。
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。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本公开所述地理数字孪生信息获取方法第一实施例的流程图。如图1所示，包括以下具体实现方式。
在步骤101中，对待处理的卫星遥感图像进行地物识别，得到识别结果，所述识别结果包括：识别到的地物对应的矩形框的四个顶点的像素位置。
在步骤102中，针对任一矩形框，分别根据四个顶点的像素位置确定出该矩形框对应的地物的轮廓坐标，并基于获取到的时空轨迹，确定出该矩形框对应的地物的出口和/或入口坐标。
采用上述方法实施例所述方案，可基于卫星遥感图像以及时空轨迹，自动地生成地物的轮廓坐标以及出入口坐标，从而节省了人力和时间成本，并提升了处理效率等。
卫星遥感影像是指卫星从空天角度对地球表面进行航拍得到的影像，几乎能够覆盖到全球真实的各种地理地貌，无论是人工建造的地标，还是自然山川，均可在鸟瞰的卫星遥感影像中进行展现，并且，随着分辨率的提升，卫星遥感影像能够提供尺度更小的地物的细节特征。如图2所示，图2为本公开所述卫星遥感影像中展现的一处露天停车场的示意图。
可对获取到的卫星遥感影像进行分割，如按照n*n的大小进行分割，从而得到多张n*n大小的子影像，n为大于一的正整数，具体取值可根据实际需要而定，为便于区分，将所述子影像称为卫星遥感图像，针对每张卫星遥感图像，可分别按照本公开所述方式进行处理。
另外，许多移动设备会在得到用户的授权后，记录用户在步行、骑行、以及驾车等过程中，在不同时间点（不同的轨迹点）分别上报的经纬度坐标信息，根据上报时间的先后顺序，可将这些经纬度坐标连接起来，从而形成时空轨迹。相应地，每一条时空轨迹可分别以数字化形式表示为：
Figure 172619DEST_PATH_IMAGE001
，其中，t代表不同的时间点，另外，以（xm，ym）为例，xm和ym分别表示时间点tm对应的轨迹点的经度和纬度坐标。
针对任一卫星遥感图像，可首先对其进行地物识别，得到识别结果，识别结果可包括：识别到的地物对应的矩形框的四个顶点的像素位置，即像素坐标。
如何对卫星遥感图像进行地物识别不作限制。比如，可采用目前比较成熟的各种识别地物的机器视觉算法来对卫星遥感图像进行地物识别。本公开中所述的地物通常是指具有出入口的地物。
针对任一矩形框，可分别根据该矩形框的四个顶点的像素位置确定出该矩形框对应的地物的轮廓坐标。本公开的一个实施例中，可基于卫星遥感图像的四个顶点的经纬度坐标，将该矩形框的四个顶点的像素位置分别转换为经纬度坐标，并将转换得到的经纬度坐标作为该矩形框对应的地物的轮廓坐标。
图3为本公开所述矩形框与所在卫星遥感图像的示意图。如图3所示，假设卫星遥感图像为n*n大小的图像，并假设卫星遥感图像的四个顶点的经纬度坐标分别为（a, b）、（c, b）、（a, d）和（c, d），以矩形框的左上顶点的像素位置为（x’, y’）为例，可按照以下方式将矩形框的左上顶点的像素位置转换为经纬度坐标。
Figure 27443DEST_PATH_IMAGE002
； （1）
Figure 744863DEST_PATH_IMAGE003
； （2）
其中，x和y分别表示矩形框的左上顶点的经度和纬度坐标。如何获取卫星遥感图像的四个顶点的经纬度坐标不作限制。
在得到矩形框的四个顶点的经纬度坐标后，即可将所述四个顶点的经纬度坐标作为矩形框对应的地物的轮廓坐标。
可以看出，通过上述处理，可准确高效地获取到现实世界中的地物的轮廓信息，且所述过程无需人工参与，节省了人力和时间成本。
针对任一矩形框，还可分别基于获取到的时空轨迹，确定出该矩形框对应的地物的出口和/或入口坐标。
本公开的一个实施例中，针对任一矩形框，可从获取到的时空轨迹中选出起点位于该矩形框内的时空轨迹，根据选出的时空轨迹确定出该矩形框对应的地物的出口坐标。其中，获取到的时空轨迹可以是指过往获取到的所有时空轨迹，也可以是指最近预定时长内获取到的时空轨迹等。
具体地，本公开的一个实施例中，可从选出的时空轨迹中分别截取出由连续T个轨迹点组成的轨迹片段，所述连续T个轨迹点中的第一个轨迹点为起点，T为大于一的正整数，并可从各轨迹片段中的轨迹点中选出符合预定要求的轨迹点，之后可对选出的轨迹点进行聚类，并可从聚类得到的簇中选出包括的轨迹点数量最多的簇，进而可获取选出的簇中的各轨迹点的坐标的均值，将所述均值作为所需的出口坐标。
T的具体取值可根据实际需要而定。
图4为本公开所述矩形框的四个顶点坐标及起点位于所述矩形框中的一个轨迹片段的示意图。如图4所示，假设左上顶点坐标为（e，f），右上顶点坐标为（g，f），左下顶点坐标为（e，h），右下顶点坐标为（g，h），各坐标均为经纬度坐标，另外，假设将连续T个轨迹点的坐标分别表示为（x1，y1），（x2，y2），…，（xT，yT），其中，（x1，y1）表示起点坐标。
本公开的一个实施例中，符合预定要求的轨迹点可包括：至少符合以下条件之一的轨迹点：轨迹点的横坐标大于第一数值且小于第二数值，第一数值为矩形框的左上顶点的横坐标与预定的常量的差值，第二数值为矩形框的左上顶点的横坐标与所述常量之和；轨迹点的横坐标大于第三数值且小于第四数值，第三数值为矩形框的右上顶点的横坐标与所述常量的差值，第四数值为矩形框的右上顶点的横坐标与所述常量之和；轨迹点的纵坐标大于第五数值且小于第六数值，第五数值为矩形框的左上顶点的纵坐标与所述常量的差值，第六数值为矩形框的左上顶点的纵坐标与所述常量之和；轨迹点的纵坐标大于第七数值且小于第八数值，第七数值为矩形框的左下顶点的纵坐标与所述常量的差值，第八数值为矩形框的左下顶点的纵坐标与所述常量之和。
结合图4所示矩形框，符合预定要求的轨迹点至少符合以下条件之一：
Figure 579220DEST_PATH_IMAGE004
其中，
Figure 357000DEST_PATH_IMAGE006
表示预定的常量，具体取值可根据实际需要而定，xt表示任一轨
迹点的横坐标，yt表示任一轨迹点的纵坐标，借助于
Figure 30558DEST_PATH_IMAGE006
，可引入一定的容错空间。
针对获取到的各轨迹片段中的每个轨迹点，可分别确定其是否至少符合
上述条件之一，若是，则可将该轨迹点作为选出的符合预定要求的轨迹点，进一步地，针对选出的各轨迹点，可采用K均值聚类算法（K-means）进行聚类，从而得到多个簇，并可从中选出包括的轨迹点数量最多的簇，进而可计算选出的簇中的各轨迹点的坐标的均值，将计算得到的均值作为所需的出口坐标。
通过上述处理，针对任一矩形框，可基于起点位于该矩形框内的时空轨迹，确定出该矩形框对应的地物的出口坐标，且所述过程无需人工参与，节省了人力和时间成本，提升了处理效率，另外，通过截取轨迹片段，尽可能地减少了无用的轨迹点，从而减少了后续处理的工作量，进而进一步提升了处理效率。
本公开的一个实施例中，针对任一矩形框，还可从获取到的时空轨迹中选出终点位于该矩形框内的时空轨迹，根据选出的时空轨迹确定出该矩形框对应的地物的入口坐标。
具体地，本公开的一个实施例中，可从选出的时空轨迹中分别截取出由连续T个轨迹点组成的轨迹片段，所述连续T个轨迹点中的最后一个轨迹点为终点，T为大于一的正整数，并可从各轨迹片段中的轨迹点中选出符合预定要求的轨迹点，之后可对选出的轨迹点进行聚类，并可从聚类得到的簇中选出包括的轨迹点数量最多的簇，进而可获取选出的簇中的各轨迹点的坐标的均值，将所述均值作为所需的入口坐标。
本公开的一个实施例中，符合预定要求的轨迹点可包括：至少符合以下条件之一的轨迹点：轨迹点的横坐标大于第一数值且小于第二数值，第一数值为矩形框的左上顶点的横坐标与预定的常量的差值，第二数值为矩形框的左上顶点的横坐标与所述常量之和；轨迹点的横坐标大于第三数值且小于第四数值，第三数值为矩形框的右上顶点的横坐标与所述常量的差值，第四数值为矩形框的右上顶点的横坐标与所述常量之和；轨迹点的纵坐标大于第五数值且小于第六数值，第五数值为矩形框的左上顶点的纵坐标与所述常量的差值，第六数值为矩形框的左上顶点的纵坐标与所述常量之和；轨迹点的纵坐标大于第七数值且小于第八数值，第七数值为矩形框的左下顶点的纵坐标与所述常量的差值，第八数值为矩形框的左下顶点的纵坐标与所述常量之和。
参照公式（3）~（6）所示，针对获取到的各轨迹片段中的每个轨迹点，可分别确定其是否符合上述条件之一，若是，则可将该轨迹点作为选出的符合预定要求的轨迹点，进一步地，针对选出的各轨迹点，可采用K-means算法进行聚类，从而得到多个簇，并可从中选出包括的轨迹点数量最多的簇，进而可计算选出的簇中的各轨迹点的坐标的均值，将计算得到的均值作为所需的入口坐标。
通过上述处理，针对任一矩形框，可基于终点位于该矩形框内的时空轨迹，确定出该矩形框对应的地物的入口坐标，且所述过程无需人工参与，节省了人力和时间成本，提升了处理效率，另外，通过截取轨迹片段，尽可能地减少了无用的轨迹点，从而减少了后续处理的工作量，进而进一步提升了处理效率。
结合上述介绍，图5为本公开所述地理数字孪生信息获取方法第二实施例的流程图。如图5所示，包括以下具体实现方式。
在步骤501中，对待处理的卫星遥感图像进行地物识别，得到识别结果，所述识别结果包括：识别到的地物对应的矩形框的四个顶点的像素位置。
在步骤502中，针对任一矩形框，分别按照步骤503-步骤507所示方式进行处理。
假设识别到了两个地物，那么相应地，可得到两个矩形框，针对每个矩形框，可分别按照同样的方式进行处理。
在步骤503中，基于卫星遥感图像的四个顶点的经纬度坐标，将矩形框的四个顶点的像素位置分别转换为经纬度坐标，将转换得到的经纬度坐标作为矩形框对应的地物的轮廓坐标。
在步骤504中，从获取到的时空轨迹中选出起点位于矩形框内的时空轨迹，并从选出的时空轨迹中分别截取出由连续T个轨迹点组成的轨迹片段，所述连续T个轨迹点中的第一个轨迹点为起点。
在步骤505中，从各轨迹片段中的轨迹点中选出符合预定要求的轨迹点，对选出的轨迹点进行聚类，并从聚类得到的簇中选出包括的轨迹点数量最多的簇，获取选出的簇中的各轨迹点的坐标的均值，将所述均值作为矩形框对应的地物的出口坐标。
符合预定要求的轨迹点可包括：至少符合以下条件之一的轨迹点：轨迹点的横坐标大于第一数值且小于第二数值，第一数值为矩形框的左上顶点的横坐标与预定的常量的差值，第二数值为矩形框的左上顶点的横坐标与所述常量之和；轨迹点的横坐标大于第三数值且小于第四数值，第三数值为矩形框的右上顶点的横坐标与所述常量的差值，第四数值为矩形框的右上顶点的横坐标与所述常量之和；轨迹点的纵坐标大于第五数值且小于第六数值，第五数值为矩形框的左上顶点的纵坐标与所述常量的差值，第六数值为矩形框的左上顶点的纵坐标与所述常量之和；轨迹点的纵坐标大于第七数值且小于第八数值，第七数值为矩形框的左下顶点的纵坐标与所述常量的差值，第八数值为矩形框的左下顶点的纵坐标与所述常量之和。
在步骤506中，从获取到的时空轨迹中选出终点位于矩形框内的时空轨迹，并从选出的时空轨迹中分别截取出由连续T个轨迹点组成的轨迹片段，所述连续T个轨迹点中的最后一个轨迹点为终点。
在步骤507中，从各轨迹片段中的轨迹点中选出符合预定要求的轨迹点，对选出的轨迹点进行聚类，并从聚类得到的簇中选出包括的轨迹点数量最多的簇，获取选出的簇中的各轨迹点的坐标的均值，将所述均值作为矩形框对应的地物的入口坐标。
符合预定要求的轨迹点可包括：至少符合以下条件之一的轨迹点：轨迹点的横坐标大于第一数值且小于第二数值，第一数值为矩形框的左上顶点的横坐标与预定的常量的差值，第二数值为矩形框的左上顶点的横坐标与所述常量之和；轨迹点的横坐标大于第三数值且小于第四数值，第三数值为矩形框的右上顶点的横坐标与所述常量的差值，第四数值为矩形框的右上顶点的横坐标与所述常量之和；轨迹点的纵坐标大于第五数值且小于第六数值，第五数值为矩形框的左上顶点的纵坐标与所述常量的差值，第六数值为矩形框的左上顶点的纵坐标与所述常量之和；轨迹点的纵坐标大于第七数值且小于第八数值，第七数值为矩形框的左下顶点的纵坐标与所述常量的差值，第八数值为矩形框的左下顶点的纵坐标与所述常量之和。
需要说明的是，对于前述的各方法实施例，为了简单描述，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，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行，比如，上述步骤504-步骤505可以和步骤506-步骤507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公开所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明。
总之，采用本公开方法实施例所述方案，可自动地获取到所需的地理数字孪生信息，从而节省了人力和时间成本，并提升了处理效率等。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图6为本公开所述地理数字孪生信息获取装置实施例600的组成结构示意图。如图6所示，包括：图像识别模块601以及信息获取模块602。
图像识别模块601，用于对待处理的卫星遥感图像进行地物识别，得到识别结果，所述识别结果包括：识别到的地物对应的矩形框的四个顶点的像素位置。
信息获取模块602，用于针对任一矩形框，分别根据四个顶点的像素位置确定出该矩形框对应的地物的轮廓坐标，并基于获取到的时空轨迹，确定出该矩形框对应的地物的出口和/或入口坐标。
采用上述装置实施例所述方案，可基于卫星遥感图像以及时空轨迹，自动地生成地物的轮廓坐标以及出入口坐标，从而节省了人力和时间成本，并提升了处理效率等。
针对任一卫星遥感图像，图像识别模块601可对其进行地物识别，得到识别结果，识别结果可包括：识别到的地物对应的矩形框的四个顶点的像素位置。
如何对卫星遥感图像进行地物识别不作限制。比如，可采用目前比较成熟的各种识别地物的机器视觉算法来对卫星遥感图像进行地物识别。本公开中所述的地物通常是指具有出入口的地物。
针对任一矩形框，可分别根据该矩形框的四个顶点的像素位置确定出该矩形框对应的地物的轮廓坐标。本公开的一个实施例中，信息获取模块602可基于卫星遥感图像的四个顶点的经纬度坐标，将该矩形框的四个顶点的像素位置分别转换为经纬度坐标，并将转换得到的经纬度坐标作为该矩形框对应的地物的轮廓坐标。
针对任一矩形框，信息获取模块602还可分别基于获取到的时空轨迹，确定出该矩形框对应的地物的出口和/或入口坐标。
本公开的一个实施例中，针对任一矩形框，信息获取模块602可从获取到的时空轨迹中选出起点位于该矩形框内的时空轨迹，根据选出的时空轨迹确定出该矩形框对应的地物的出口坐标。其中，获取到的时空轨迹可以是指过往获取到的所有时空轨迹，也可以是指最近预定时长内获取到的时空轨迹等。
具体地，本公开的一个实施例中，信息获取模块602可从选出的时空轨迹中分别截取出由连续T个轨迹点组成的轨迹片段，所述连续T个轨迹点中的第一个轨迹点为起点，T为大于一的正整数，并可从各轨迹片段中的轨迹点中选出符合预定要求的轨迹点，之后可对选出的轨迹点进行聚类，并可从聚类得到的簇中选出包括的轨迹点数量最多的簇，进而可获取选出的簇中的各轨迹点的坐标的均值，将所述均值作为所需的出口坐标。
本公开的一个实施例中，针对任一矩形框，信息获取模块602还可从获取到的时空轨迹中选出终点位于该矩形框内的时空轨迹，根据选出的时空轨迹确定出该矩形框对应的地物的入口坐标。
具体地，本公开的一个实施例中，信息获取模块602可从选出的时空轨迹中分别截取出由连续T个轨迹点组成的轨迹片段，所述连续T个轨迹点中的最后一个轨迹点为终点，T为大于一的正整数，并可从各轨迹片段中的轨迹点中选出符合预定要求的轨迹点，之后可对选出的轨迹点进行聚类，并可从聚类得到的簇中选出包括的轨迹点数量最多的簇，进而可获取选出的簇中的各轨迹点的坐标的均值，将所述均值作为所需的入口坐标。
另外，本公开的一个实施例中，符合预定要求的轨迹点可包括：至少符合以下条件之一的轨迹点：轨迹点的横坐标大于第一数值且小于第二数值，第一数值为矩形框的左上顶点的横坐标与预定的常量的差值，第二数值为矩形框的左上顶点的横坐标与所述常量之和；轨迹点的横坐标大于第三数值且小于第四数值，第三数值为矩形框的右上顶点的横坐标与所述常量的差值，第四数值为矩形框的右上顶点的横坐标与所述常量之和；轨迹点的纵坐标大于第五数值且小于第六数值，第五数值为矩形框的左上顶点的纵坐标与所述常量的差值，第六数值为矩形框的左上顶点的纵坐标与所述常量之和；轨迹点的纵坐标大于第七数值且小于第八数值，第七数值为矩形框的左下顶点的纵坐标与所述常量的差值，第八数值为矩形框的左下顶点的纵坐标与所述常量之和，矩形框的各顶点的横坐标及纵坐标均为经纬度坐标。
图6所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明，不再赘述。
总之，采用本公开装置实施例所述方案，可自动地获取到所需的地理数字孪生信息，从而节省了人力和时间成本，并提升了处理效率等。
本公开所述方案可应用于人工智能领域，特别涉及计算机视觉、大数据处理以及深度学习等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
本公开所述实施例中的卫星遥感图像以及时空轨迹并不是针对某一特定用户的，并不能反映出某一特定用户的个人信息，另外，本公开实施例所述方法的执行主体可以通过各种公开、合法合规的方式获取所述时空轨迹等，如经过了用户的授权从用户处获取等。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
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7示出了可以用来实施本公开的实施例的电子设备700的示意性框图。电子设备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、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、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7所示，设备700包括计算单元701，其可以根据存储在只读存储器（ROM）702中的计算机程序或者从存储单元708加载到随机访问存储器（RAM）703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出（I/O）接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行本公开所述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701可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行本公开所述的方法。
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）、复杂可编程逻辑设备（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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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)

1.一种地理数字孪生信息获取方法，包括：
利用机器视觉算法对待处理的卫星遥感图像进行地物识别，得到识别结果，所述识别结果包括：识别到的地物对应的矩形框的四个顶点的像素位置；
针对任一矩形框，分别根据所述四个顶点的像素位置确定出所述矩形框对应的地物的轮廓坐标，包括：基于所述卫星遥感图像的四个顶点的经纬度坐标，将所述矩形框的四个顶点的像素位置分别转换为经纬度坐标，将转换得到的经纬度坐标作为所述矩形框对应的地物的轮廓坐标，并基于获取到的时空轨迹，确定出所述矩形框对应的地物的出口和/或入口坐标；
其中，确定出所述矩形框对应的地物的出口坐标包括：从获取到的时空轨迹中选出起点位于所述矩形框内的时空轨迹，从选出的时空轨迹中分别截取出由连续T个轨迹点组成的轨迹片段，所述连续T个轨迹点中的第一个轨迹点为起点，T为大于一的正整数，根据得到的轨迹片段确定出所述出口坐标；
确定出所述矩形框对应的地物的入口坐标包括：从获取到的时空轨迹中选出终点位于所述矩形框内的时空轨迹，从选出的时空轨迹中分别截取出由连续T个轨迹点组成的轨迹片段，所述连续T个轨迹点中的最后一个轨迹点为终点，T为大于一的正整数，根据得到的轨迹片段确定出所述入口坐标。
2.根据权利要求1所述的方法，其中，所述根据得到的轨迹片段确定出所述出口坐标包括：
从各轨迹片段中的轨迹点中选出符合预定要求的轨迹点；
对选出的轨迹点进行聚类，并从聚类得到的簇中选出包括的轨迹点数量最多的簇；
获取选出的簇中的各轨迹点的坐标的均值，将所述均值作为所述出口坐标。
3.根据权利要求1所述的方法，其中，所述根据得到的轨迹片段确定出所述入口坐标包括：
从各轨迹片段中的轨迹点中选出符合预定要求的轨迹点；
对选出的轨迹点进行聚类，并从聚类得到的簇中选出包括的轨迹点数量最多的簇；
获取选出的簇中的各轨迹点的坐标的均值，将所述均值作为所述入口坐标。
4.根据权利要求2或3所述的方法，其中，所述符合预定要求的轨迹点包括：至少符合以下条件之一的轨迹点：
轨迹点的横坐标大于第一数值且小于第二数值，所述第一数值为所述矩形框的左上顶点的横坐标与预定的常量的差值，所述第二数值为所述矩形框的左上顶点的横坐标与所述常量之和；
轨迹点的横坐标大于第三数值且小于第四数值，所述第三数值为所述矩形框的右上顶点的横坐标与所述常量的差值，所述第四数值为所述矩形框的右上顶点的横坐标与所述常量之和；
轨迹点的纵坐标大于第五数值且小于第六数值，所述第五数值为所述矩形框的左上顶点的纵坐标与所述常量的差值，所述第六数值为所述矩形框的左上顶点的纵坐标与所述常量之和；
轨迹点的纵坐标大于第七数值且小于第八数值，所述第七数值为所述矩形框的左下顶点的纵坐标与所述常量的差值，所述第八数值为所述矩形框的左下顶点的纵坐标与所述常量之和；
所述矩形框的各顶点的横坐标及纵坐标均为经纬度坐标。
5.一种地理数字孪生信息获取装置，包括：图像识别模块以及信息获取模块；
所述图像识别模块，用于利用机器视觉算法对待处理的卫星遥感图像进行地物识别，得到识别结果，所述识别结果包括：识别到的地物对应的矩形框的四个顶点的像素位置；
所述信息获取模块，用于针对任一矩形框，分别根据所述四个顶点的像素位置确定出所述矩形框对应的地物的轮廓坐标，包括：基于所述卫星遥感图像的四个顶点的经纬度坐标，将所述矩形框的四个顶点的像素位置分别转换为经纬度坐标，将转换得到的经纬度坐标作为所述矩形框对应的地物的轮廓坐标，并基于获取到的时空轨迹，确定出所述矩形框对应的地物的出口和/或入口坐标，其中，确定出所述矩形框对应的地物的出口坐标包括：从获取到的时空轨迹中选出起点位于所述矩形框内的时空轨迹，从选出的时空轨迹中分别截取出由连续T个轨迹点组成的轨迹片段，所述连续T个轨迹点中的第一个轨迹点为起点，T为大于一的正整数，根据得到的轨迹片段确定出所述出口坐标；确定出所述矩形框对应的地物的入口坐标包括：从获取到的时空轨迹中选出终点位于所述矩形框内的时空轨迹，从选出的时空轨迹中分别截取出由连续T个轨迹点组成的轨迹片段，所述连续T个轨迹点中的最后一个轨迹点为终点，T为大于一的正整数，根据得到的轨迹片段确定出所述入口坐标。
6.根据权利要求5所述的装置，其中，
所述信息获取模块从各轨迹片段中的轨迹点中选出符合预定要求的轨迹点，对选出的轨迹点进行聚类，并从聚类得到的簇中选出包括的轨迹点数量最多的簇，获取选出的簇中的各轨迹点的坐标的均值，将所述均值作为所述出口坐标。
7.根据权利要求5所述的装置，其中，
所述信息获取模块从各轨迹片段中的轨迹点中选出符合预定要求的轨迹点，对选出的轨迹点进行聚类，并从聚类得到的簇中选出包括的轨迹点数量最多的簇，获取选出的簇中的各轨迹点的坐标的均值，将所述均值作为所述入口坐标。
8.根据权利要求6或7所述的装置，其中，所述符合预定要求的轨迹点包括：至少符合以下条件之一的轨迹点：
轨迹点的横坐标大于第一数值且小于第二数值，所述第一数值为所述矩形框的左上顶点的横坐标与预定的常量的差值，所述第二数值为所述矩形框的左上顶点的横坐标与所述常量之和；
轨迹点的横坐标大于第三数值且小于第四数值，所述第三数值为所述矩形框的右上顶点的横坐标与所述常量的差值，所述第四数值为所述矩形框的右上顶点的横坐标与所述常量之和；
轨迹点的纵坐标大于第五数值且小于第六数值，所述第五数值为所述矩形框的左上顶点的纵坐标与所述常量的差值，所述第六数值为所述矩形框的左上顶点的纵坐标与所述常量之和；
轨迹点的纵坐标大于第七数值且小于第八数值，所述第七数值为所述矩形框的左下顶点的纵坐标与所述常量的差值，所述第八数值为所述矩形框的左下顶点的纵坐标与所述常量之和；
所述矩形框的各顶点的横坐标及纵坐标均为经纬度坐标。
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1-4中任一项所述的方法。
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计算机执行权利要求1-4中任一项所述的方法。
CN202210482934.8A 2022-05-06 2022-05-06 地理数字孪生信息获取方法、装置、电子设备及存储介质 Active CN114581794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210482934.8A CN114581794B (zh) 2022-05-06 2022-05-06 地理数字孪生信息获取方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210482934.8A CN114581794B (zh) 2022-05-06 2022-05-06 地理数字孪生信息获取方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114581794A CN114581794A (zh) 2022-06-03
CN114581794B true CN114581794B (zh) 2022-08-23

Family

ID=81779028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210482934.8A Active CN114581794B (zh) 2022-05-06 2022-05-06 地理数字孪生信息获取方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114581794B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115222134B (zh) * 2022-07-25 2023-05-23 广东无限阵列科技有限公司 基于数字孪生的生产建设活动扰动变化预测方法及系统
CN115205706B (zh) * 2022-08-17 2023-03-21 数字太空(北京)科技股份公司 遥感数据获取方法、装置、电子设备和计算机可读介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111174778A (zh) * 2019-11-26 2020-05-19 广东小天才科技有限公司 一种基于行人航迹推算的建筑入口确定方法及装置
CN111611412A (zh) * 2020-05-18 2020-09-01 宁波市测绘设计研究院 一种遥感影像地物建档数据的生成方法
CN111967341A (zh) * 2020-07-27 2020-11-20 广东融合通信股份有限公司 一种卫星地图目标物轮廓的识别方法
CN113124857A (zh) * 2021-06-17 2021-07-16 腾讯科技（深圳）有限公司 一种出入口位置的确定方法、相关装置、设备及存储介质
CN113989452A (zh) * 2021-10-28 2022-01-28 重庆允成互联网科技有限公司 一种基于gis的数字孪生城市坐标定位方法及监测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111829535B (zh) * 2020-06-05 2022-05-03 阿波罗智能技术(北京)有限公司 生成离线地图的方法、装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111174778A (zh) * 2019-11-26 2020-05-19 广东小天才科技有限公司 一种基于行人航迹推算的建筑入口确定方法及装置
CN111611412A (zh) * 2020-05-18 2020-09-01 宁波市测绘设计研究院 一种遥感影像地物建档数据的生成方法
CN111967341A (zh) * 2020-07-27 2020-11-20 广东融合通信股份有限公司 一种卫星地图目标物轮廓的识别方法
CN113124857A (zh) * 2021-06-17 2021-07-16 腾讯科技（深圳）有限公司 一种出入口位置的确定方法、相关装置、设备及存储介质
CN113989452A (zh) * 2021-10-28 2022-01-28 重庆允成互联网科技有限公司 一种基于gis的数字孪生城市坐标定位方法及监测系统

Also Published As

Publication number Publication date
CN114581794A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN113902897B (zh) 目标检测模型的训练、目标检测方法、装置、设备和介质
CN114581794B (zh) 地理数字孪生信息获取方法、装置、电子设备及存储介质
CN113920307A (zh) 模型的训练方法、装置、设备、存储介质及图像检测方法
CN112967315B (zh) 一种目标跟踪方法、装置及电子设备
CN113361710A (zh) 学生模型训练方法、图片处理方法、装置及电子设备
CN114332977A (zh) 关键点检测方法、装置、电子设备及存储介质
CN112580666A (zh) 图像特征的提取方法、训练方法、装置、电子设备及介质
CN113205041A (zh) 结构化信息提取方法、装置、设备和存储介质
CN113326773A (zh) 识别模型训练方法、识别方法、装置、设备及存储介质
CN115620081A (zh) 一种目标检测模型的训练方法及目标检测方法、装置
CN111950345A (zh) 摄像头的识别方法、装置、电子设备和存储介质
CN113901911B (zh) 图像识别、模型训练方法、装置、电子设备及存储介质
CN114612741A (zh) 缺陷识别模型的训练方法、装置、电子设备及存储介质
CN113569911A (zh) 车辆识别方法、装置、电子设备及存储介质
CN113569912A (zh) 车辆识别方法、装置、电子设备及存储介质
CN113932796A (zh) 高精地图车道线生成方法、装置和电子设备
CN114663980B (zh) 行为识别方法、深度学习模型的训练方法及装置
CN113920273B (zh) 图像处理方法、装置、电子设备和存储介质
CN115019057A (zh) 图像特征提取模型确定方法及装置、图像识别方法及装置
CN116188587A (zh) 定位方法、装置及车辆
CN114463734A (zh) 文字识别方法、装置、电子设备及存储介质
CN114066790A (zh) 图像生成模型的训练方法、图像生成方法、装置和设备
CN114005095A (zh) 车辆属性识别方法、装置、电子设备和介质
CN113989720A (zh) 目标检测方法、训练方法、装置、电子设备及存储介质
CN113806361B (zh) 电子监控设备与道路的关联方法、装置及存储介质

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