CN115049935B - 一种城市违章建筑分割检测方法 - Google Patents

一种城市违章建筑分割检测方法 Download PDF

Info

Publication number
CN115049935B
CN115049935B CN202210964252.0A CN202210964252A CN115049935B CN 115049935 B CN115049935 B CN 115049935B CN 202210964252 A CN202210964252 A CN 202210964252A CN 115049935 B CN115049935 B CN 115049935B
Authority
CN
China
Prior art keywords
building
illegal
projection
erp
coordinates
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
CN202210964252.0A
Other languages
English (en)
Other versions
CN115049935A (zh
Inventor
刘寒松
王国强
王永
刘瑞
翟贵乾
谭连胜
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.)
Sonli Holdings Group Co Ltd
Original Assignee
Sonli Holdings Group 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 Sonli Holdings Group Co Ltd filed Critical Sonli Holdings Group Co Ltd
Priority to CN202210964252.0A priority Critical patent/CN115049935B/zh
Publication of CN115049935A publication Critical patent/CN115049935A/zh
Application granted granted Critical
Publication of CN115049935B publication Critical patent/CN115049935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/176—Urban or other man-made structures
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Image Processing (AREA)

Abstract

本发明属于违章建筑检测技术领域，涉及一种城市违章建筑分割检测方法，通过从粗到精的多阶段处理方法，将违章建筑分割出来，实现违章建筑的精细化检测和分割，并通过无人机航拍违规建筑，能够以全景的方式展示，直观反应违建的位置和外形，相对于卫星拍摄更加准确，克服了卫星拍摄违建时雨雪大雾天气拍摄受限的问题，减少了人工拍摄的成本，以低成本实现违章建筑的分割和检测。

Description

一种城市违章建筑分割检测方法
技术领域
本发明属于违章建筑检测技术领域，涉及一种城市违章建筑分割检测方法，特别是一种基于360度全景无人机航拍视频的城市违章建筑分割检测方法。
背景技术
随着经济的发展和社会的进步，外来人口不断涌入城市，使得城市的管理变得越来越复杂，尤其是城市中的违章建筑需要时刻关注，因为有非常多的安全问题是由于违章建筑导致的，甚至出现过非常多的违章建筑导致的房屋大面积倒塌，给人民的生命和财产安全造成隐患。
目前城市的违章建筑主要基于高分辨率的遥感影像，但是这种方式需要非常高的分辨率，且受到天气和遮挡的影响，甚至只能依靠人工统计和拍照才能及时发现，造成非常大的人力物力财力的消耗。
无人机应用发展非常迅速，尤其是无人机航拍，拍摄的照片清晰且能够实现360度全景拍摄，能够克服复杂条件下的拍摄问题，且无人机机动性好，即使隐蔽性非常强的违章建筑也能及时发现，目前无人机已经应用在各行各业；深度学习技术不断被应用到各行各业中，因为其强大的数据拟合能力，能够迅速提升预测和检测性能，目前发展非常迅速，其对传统行业具有颠覆性的改进，现有基于深度学习的深度学习算法往往基于边缘，不能充分挖掘深度学习特征的内部蕴含的尺度级特征，甚至对于语义信息的利用也很少涉及，而且传统无人机拍摄方法为基于2D相机，但是2D相机拍摄为单一角度，需要手工对齐，存在非常大的盲区，且仅仅为单一角度，无法直观的观察违规建筑的外形。
发明内容
本发明的目的在于克服现有技术存在的缺点，设计提供一种基于360度全景无人机航拍视频的城市违章建筑分割检测方法，通过从粗到精的多阶段处理方法，将违章建筑分割出来，且能够实现违章建筑的精细化检测和分割。
为实现上述目的，本发明实现城市违章建筑分割检测的过程具体包括如下步骤：
步骤一、构建城市违章建筑数据集：采集基于360度全景无人机航拍视频的城市违章建筑视频数据，组建360度全景无人机航拍视频数据集，视频拍摄帧数为20帧/秒，每段视频包含10秒长度；
步骤二、转化鱼眼图片为等距投影（ERP）图片：将无人机拍摄的鱼眼视频截取为鱼眼图片，通过归一化函数将鱼眼的坐标归一化，将鱼眼图片转化为等距投影图片；
步骤三、基于等距投影图片的违章建筑粗标注：根据步骤二得到的等距投影图片，采用每间隔10帧标记一帧的方式标注违章建筑数据集，再采用labelImage软件对志愿者进行标注，标注的志愿者为经过违建培训后的志愿者，总共包含N’=10个标注的志愿者，数据集标注过程采用交叉标注的方式，每张违建标注数据集被随机发放给N’个志愿者，每个志愿者M次，1<M<4，得到ERP粗标注数据；
步骤四、设计违章建筑检测网络：采用粗定位网络和精细化定位网路相结合的双阶段方式构建违章检测网络，将步骤三得到的ERP粗标注数据输入粗定位网络，在输出的检测结果基础上，对相邻帧外围边界框采用帧间平滑的方式引入相邻帧的时序信息，得到违建区域外围边界框BB；
步骤五、基于ERP违章建筑检测结果逆投影：采用基于中心点的违建逆投影，将违 建区域外围边界框BB的中心点进行逆投影，以球面的形式投影到未失真的360球上得到违 建中心点坐标(
Figure 359449DEST_PATH_IMAGE001
)；
步骤六、区域大小自适应投影范围生成：根据步骤五得到的违建中心点坐标(
Figure 431048DEST_PATH_IMAGE001
)， 生采用区域大小自适应的方式生成投影范围（p,q）；
步骤七、基于中心点投影的二次投影：将投影范围
Figure 790485DEST_PATH_IMAGE002
以及违建中心点(
Figure 525223DEST_PATH_IMAGE001
)进行 二次投影，从而生成不失真的投影区域，精确的定位违规建筑区域，并将中心点(
Figure 602901DEST_PATH_IMAGE001
)转化 为平面区域(
Figure 510814DEST_PATH_IMAGE003
,
Figure 990337DEST_PATH_IMAGE004
)；
步骤八、基于二次违章建筑区域的违章建筑分割：基于平面区域(
Figure 427134DEST_PATH_IMAGE003
,
Figure 227993DEST_PATH_IMAGE004
)，采用 数据集ADE20K Dataset微调MaskRCNN，保留建筑类别，从而生成二值化的建筑分割结果；
步骤九、基于分割结果的定位迭代精细化：将步骤八得到的建筑分割结果的外围边界框投影到ERP上从而产生精细化的基于ERP的违规建筑定位结果，从而提升基于ERP的违规建筑的网络训练的精度，达到迭代化提升违规建筑定位结果的目的，实现城市违章建筑分割检测。
作为本发明的进一步技术方案，步骤二将鱼眼图片转化为等距投影图片是先将鱼 眼图片转化为三维坐标（x,y,z），再转化为球面坐标(
Figure 408439DEST_PATH_IMAGE001
)，最后将球面坐标与等角投影坐 标映射：
Figure 742468DEST_PATH_IMAGE005
其中，
Figure 84588DEST_PATH_IMAGE006
将2维的鱼眼转化为经纬度值(
Figure 871278DEST_PATH_IMAGE001
)，
Figure 855415DEST_PATH_IMAGE007
，
Figure 309530DEST_PATH_IMAGE008
；
Figure 586665DEST_PATH_IMAGE009
将 经纬度值(
Figure 126231DEST_PATH_IMAGE001
)转化为ERP平面坐标(u,
Figure 914058DEST_PATH_IMAGE010
)，
Figure 957101DEST_PATH_IMAGE011
，
Figure 172181DEST_PATH_IMAGE012
。
作为本发明的进一步技术方案，步骤四得到的违建区域外围边界框BB为
Figure 933464DEST_PATH_IMAGE013
Figure 524982DEST_PATH_IMAGE014
代表输入到YoloV5网络的ERP图片，i代表图片的索引，
Figure 688111DEST_PATH_IMAGE015
代表所属类别的置信 度，N表示时序信息需要的帧数。
作为本发明的进一步技术方案，步骤五的具体过程为：
Figure 808513DEST_PATH_IMAGE016
，其中
Figure 824136DEST_PATH_IMAGE017
将违建外围边界框BB的中心点坐标(X,Y)进行等距投影得到2D坐标(u,
Figure 422608DEST_PATH_IMAGE010
)， 2D坐标到 3D转化函数
Figure 440242DEST_PATH_IMAGE018
将2D坐标转化为3D坐标（x,y,z），三维坐标转球面坐标函数
Figure 262705DEST_PATH_IMAGE019
将3D坐标转 化为球面坐标(
Figure 998580DEST_PATH_IMAGE001
)， 其中
Figure 400742DEST_PATH_IMAGE020
Figure 538462DEST_PATH_IMAGE021
Figure 266247DEST_PATH_IMAGE022
Figure 987953DEST_PATH_IMAGE023
。
作为本发明的进一步技术方案，步骤六生成的投影范围（p,q）为：
Figure 928227DEST_PATH_IMAGE024
其中，
Figure 654875DEST_PATH_IMAGE025
代表求BB的面积，
Figure 553561DEST_PATH_IMAGE026
和
Figure 998448DEST_PATH_IMAGE027
分别代表ERP的宽和长。
作为本发明的进一步技术方案，步骤七得到的平面区域(
Figure 7993DEST_PATH_IMAGE028
,
Figure 385884DEST_PATH_IMAGE029
)具体为：
Figure 691357DEST_PATH_IMAGE030
Figure 357962DEST_PATH_IMAGE031
。
作为本发明的进一步技术方案，步骤八得到的建筑分割结果为：
Figure 905618DEST_PATH_IMAGE032
。
本发明与现有技术相比，通过无人机航拍违规建筑，能够以全景的方式展示，直观反应违建的位置和外形，相对于卫星拍摄更加准确，克服了卫星拍摄违建时雨雪大雾天气拍摄受限的问题，减少了人工拍摄的成本，以低成本实现违章建筑的分割和检测。
附图说明
图1为本发明的工作流程示意框图。
图2为本发明所采用的网络结构图。
具体实施方式
下面通过实施例并结合附图对本发明作进一步说明。
实施例：
本实施例实现城市违章建筑分割检测的流程图和网络图分别为图1和2所示，具体实施包括如下步骤：
步骤一、构建城市违章建筑数据集：
先采集基于360度全景无人机航拍视频的城市违章建筑视频数据，组建360度全景无人机航拍视频数据集，为节省存储空间，视频拍摄帧数为20帧/秒，每段视频包含10秒长度；无人机采用大疆无人机mini2，搭载ins360全景相机，为拍摄的图片能够用于全景视频生成，本实施例采用将无人机前后拍摄两张鱼眼照片的方式生成鱼眼视频，这样生成的视频为全景的方式且无死角和盲区，而且为节省后续处理时间，采用旋转摄像头180度的方式拍摄，同时，摄像头的拍摄范围固定为180度光圈，解决后续因为拍摄重叠导致需要人工配准的问题；
步骤二、转化鱼眼图片为等距投影（ERP）：
将无人机拍摄的鱼眼视频截取为鱼眼图片，并通过归一化函数将鱼眼的坐标归一 化，鱼眼图片到等距投影图片的转化方式为先将鱼眼图片转化为三维坐标（x,y,z），再转化 为球面坐标(
Figure 138016DEST_PATH_IMAGE033
)，最后将球面坐标与等角投影坐标映射：
Figure 112925DEST_PATH_IMAGE034
其中，
Figure 63564DEST_PATH_IMAGE035
将2维的鱼眼转化为经纬度值(
Figure 883752DEST_PATH_IMAGE033
)，
Figure 970657DEST_PATH_IMAGE036
，
Figure 880582DEST_PATH_IMAGE037
；
Figure 521779DEST_PATH_IMAGE038
将 经纬度值(
Figure 411237DEST_PATH_IMAGE033
)转化为ERP平面坐标(u,
Figure 352649DEST_PATH_IMAGE010
)，
Figure 934940DEST_PATH_IMAGE039
，
Figure 329012DEST_PATH_IMAGE040
；
步骤三、基于ERP的违章建筑粗标注：
目前尚未有违章建筑标注数据集，因此，本实施例采用人工标注数据集的方式将违章建筑标注，为加快标注速度，采用跳帧的方式标注违章建筑数据集，即每间隔10帧标记一帧的违章建筑，再采用labelImage软件对志愿者进行标注，标注的志愿者为经过违建培训后的志愿者，总共包含N’=10个标注的志愿者；为增加数据集标注的可靠性，数据集标注过程采用交叉标注的方式，即每张违建标注数据集将被随机发放给N’个志愿者，每个志愿者M次，1<M<4，本实施例将上述标注解释为粗标注，主要原因为标注过程基于ERP数据，物体存在形变，因此，标注并不是精确的标注，后续步骤会检测迭代使得标注精细化；
步骤四、基于从粗到精的ERP的违章建筑检测网络：
根据步骤三生成的违章建筑标注数据，训练违章建筑预测网络，由于ERP投影会产生物体拉伸形变，导致物体失去原有的形状，且物体即使未发生形变，也会因为物体所处的位置发生形变，导致物体检测失效，因此，本实施例采用双阶段的方式，即粗定位和精细化定位结合，其中粗定位网络基于YoloV5，基于ERP粗标注数据以微调的方式训练YoloV5网络， YoloV5网络针对2D图片作为输入，在检测结果的基础上，为了引入相邻帧的时序信息，对相邻帧外围边界框采用帧间平滑的方式，得到违建区域外围边界框：
Figure 756582DEST_PATH_IMAGE041
Figure 53965DEST_PATH_IMAGE042
代表输入到YoloV5网络的ERP图片，i代表图片的索引，
Figure 807157DEST_PATH_IMAGE015
代表所属类别的置信 度，N表示时序信息需要的帧数，此处采用5作为默认值；
步骤五、基于ERP违章建筑检测结果逆投影：
通过步骤四能够获得违建区域外围边界框BB，但是上述方式得到的外围边界框为粗定位结果，为解决上述问题，用基于中心点的违建逆投影，通过将中心点逆投影，能够将违建以球面的形式投影到未失真的360球上:
Figure 954105DEST_PATH_IMAGE043
Figure 185366DEST_PATH_IMAGE044
将违建外围边界框BB的中心点坐标(X,Y)进行等距投影得到2D坐标(u,
Figure 835790DEST_PATH_IMAGE010
)， 2D坐标到3D转化函数
Figure 759884DEST_PATH_IMAGE045
将2D坐标转化为3D坐标（x,y,z），三维坐标转球面坐标函数
Figure 394127DEST_PATH_IMAGE046
将 3D坐标转化为球面坐标(
Figure 429080DEST_PATH_IMAGE033
)，
Figure 934010DEST_PATH_IMAGE047
Figure 294584DEST_PATH_IMAGE020
Figure 649080DEST_PATH_IMAGE021
Figure 487723DEST_PATH_IMAGE022
Figure 378319DEST_PATH_IMAGE048
步骤六、区域大小自适应投影范围生成：
基于步骤五得到的(
Figure 644215DEST_PATH_IMAGE033
)生成基于中心点的2D投影，为获得投影角度范围，采用区 域大小自适应的方式生成投影范围（p,q）：
Figure 721892DEST_PATH_IMAGE024
其中，
Figure 364226DEST_PATH_IMAGE025
代表求BB的面积，
Figure 843749DEST_PATH_IMAGE026
和
Figure 280547DEST_PATH_IMAGE027
分别代表ERP的宽和长；
步骤七、基于中心点投影的二次投影：
基于投影范围
Figure 845520DEST_PATH_IMAGE049
以及中心点(
Figure 527431DEST_PATH_IMAGE033
)进行二次投影，从而以生成不失真的投影区 域，能够精确的定位违规建筑区域，将中心点(
Figure 595881DEST_PATH_IMAGE033
)转化为平面区域(
Figure 203580DEST_PATH_IMAGE028
,
Figure 255849DEST_PATH_IMAGE029
)：
Figure 239986DEST_PATH_IMAGE050
Figure 694101DEST_PATH_IMAGE031
；
步骤八、基于二次违章建筑区域的违章建筑分割：
区域(
Figure 738280DEST_PATH_IMAGE028
,
Figure 277846DEST_PATH_IMAGE029
)包含了违章建筑，采用分割的方式将违章建筑分割出来，基于数 据集ADE20K Dataset来微调MaskRCNN，仅保留建筑类别，从而生成二值化的建筑分割结果：
Figure 298630DEST_PATH_IMAGE051
其中BS为BuildingSegmentation代表最终的违规建筑分割结果；
步骤九、基于分割结果的定位迭代精细化：
通过步骤八能够得到违规建筑的分割结果，而分割的结果的外围边界框即为违规建筑的精细化定位，通过外围边界框投影到ERP上从而产生精细化的基于ERP的违规建筑定位结果，从而提升基于ERP的违规建筑的网络训练的精度，达到迭代化提升违规建筑定位结果的目的：
Figure 607251DEST_PATH_IMAGE052
其中
Figure 556753DEST_PATH_IMAGE053
代表获取BS的外围边界框，
Figure 583614DEST_PATH_IMAGE054
代表精细化后逆投影得到的基于ERP的 外围边界框，
Figure 175133DEST_PATH_IMAGE055
代表采用精细化的外围边界框训练YoloV5后实现网络性能提 升。
本文中未详细说明的网络结构、算法以及计算过程均为本领域通用技术。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (7)

1.一种城市违章建筑分割检测方法，其特征在于，具体包括如下步骤：
步骤一、构建城市违章建筑数据集：采集基于360度全景无人机航拍视频的城市违章建筑视频数据，组建360度全景无人机航拍视频数据集，视频拍摄帧数为20帧/秒，每段视频包含10秒长度；
步骤二、转化鱼眼图片为等距投影ERP图片：将无人机拍摄的鱼眼视频截取为鱼眼图片，通过归一化函数将鱼眼的坐标归一化，将鱼眼图片转化为等距投影ERP图片；
步骤三、基于等距投影图片的违章建筑粗标注：根据步骤二得到的等距投影图片，采用每间隔10帧标记一帧的方式标注违章建筑数据集，再采用labelImage软件进行标注，标注的志愿者为经过违建培训后的志愿者，总共包含N’=10个标注的志愿者，数据集标注过程采用交叉标注的方式，每张违建标注数据集被随机发放给N’个志愿者，每个志愿者M次，1<M<4，得到ERP粗标注数据；
步骤四、设计违章建筑检测网络：采用粗定位网络和精细化定位网路相结合的双阶段方式构建违章检测网络，将步骤三得到的ERP粗标注数据输入粗定位网络，在输出的检测结果基础上，对相邻帧外围边界框采用帧间平滑的方式引入时序信息，得到违建区域外围边界框BB；
步骤五、基于ERP违章建筑检测结果逆投影：采用基于中心点的违建逆投影，将违建区 域外围边界框BB的中心点进行逆投影，以球面的形式投影到未失真的360球上得到违建中 心点坐标(
Figure 532434DEST_PATH_IMAGE001
)；
步骤六、区域大小自适应投影范围生成：根据步骤五得到的违建中心点坐标(
Figure 759016DEST_PATH_IMAGE001
)，生 采用区域大小自适应的方式生成投影范围（p,q）；
步骤七、基于中心点投影的二次投影：将投影范围
Figure 469483DEST_PATH_IMAGE002
以及违建中心点(
Figure 603662DEST_PATH_IMAGE001
)进行二次 投影，从而生成不失真的投影区域，精确的定位违规建筑区域，并将中心点(
Figure 43870DEST_PATH_IMAGE001
)转化为平 面区域(
Figure 113457DEST_PATH_IMAGE003
,
Figure 435854DEST_PATH_IMAGE004
)；
步骤八、基于二次违章建筑区域的违章建筑分割：基于平面区域(
Figure 311406DEST_PATH_IMAGE003
,
Figure 278225DEST_PATH_IMAGE004
)，采用数据 集ADE20K Dataset微调MaskRCNN，保留建筑类别，从而生成二值化的建筑分割结果；
步骤九、基于分割结果的定位迭代精细化：将步骤八得到的建筑分割结果的外围边界框投影到ERP上从而产生精细化的基于ERP的违规建筑定位结果。
2.根据权利要求1所述城市违章建筑分割检测方法，其特征在于，步骤二将鱼眼图片转 化为等距投影图片是先将鱼眼图片转化为三维坐标（x,y,z），再转化为球面坐标(
Figure 106330DEST_PATH_IMAGE001
)，最 后将球面坐标与等角投影坐标映射：
Figure 916023DEST_PATH_IMAGE005
其中，
Figure 267370DEST_PATH_IMAGE006
将2维的鱼眼转化为经纬度值(
Figure 416591DEST_PATH_IMAGE001
)，
Figure 218194DEST_PATH_IMAGE007
，
Figure 124970DEST_PATH_IMAGE008
；
Figure 342325DEST_PATH_IMAGE009
将经纬 度值(
Figure 673949DEST_PATH_IMAGE001
)转化为ERP平面坐标(u,
Figure 256240DEST_PATH_IMAGE010
)，
Figure 978209DEST_PATH_IMAGE011
，
Figure 61571DEST_PATH_IMAGE012
。
3.根据权利要求2所述城市违章建筑分割检测方法，其特征在于，步骤四得到的违建区 域外围边界框BB为
Figure 591910DEST_PATH_IMAGE013
Figure 672998DEST_PATH_IMAGE014
代表输入到YoloV5网络的ERP图片，i代表图片的索引，
Figure 679000DEST_PATH_IMAGE015
代表所属类别的置信度，N 表示时序信息需要的帧数。
4.根据权利要求3所述城市违章建筑分割检测方法，其特征在于，步骤五的具体过程 为：
Figure 441420DEST_PATH_IMAGE016
，其中
Figure 419740DEST_PATH_IMAGE017
将违建外围边界框BB的中心点坐标(X,Y)进行等距投影 得到2D坐标(u,
Figure 468468DEST_PATH_IMAGE010
)， 2D坐标到3D转化函数
Figure 837132DEST_PATH_IMAGE018
将2D坐标转化为3D坐标（x,y,z），三维坐标转 球面坐标函数
Figure 199980DEST_PATH_IMAGE019
将3D坐标转化为球面坐标(
Figure 95124DEST_PATH_IMAGE001
)，
Figure 190119DEST_PATH_IMAGE020
Figure 373976DEST_PATH_IMAGE021
Figure 337252DEST_PATH_IMAGE022
Figure 962269DEST_PATH_IMAGE023
，其中
Figure 561921DEST_PATH_IMAGE024
和
Figure 29811DEST_PATH_IMAGE025
分别代表ERP的宽和长。
5.根据权利要求4所述城市违章建筑分割检测方法，其特征在于，步骤六生成的投影范围（p,q）为：
Figure 672145DEST_PATH_IMAGE026
其中，
Figure 479564DEST_PATH_IMAGE027
代表求BB的面积，
Figure 306574DEST_PATH_IMAGE024
和
Figure 871548DEST_PATH_IMAGE025
分别代表ERP的宽和长。
6.根据权利要求5所述城市违章建筑分割检测方法，其特征在于，步骤七得到的平面区 域(
Figure 379890DEST_PATH_IMAGE028
,
Figure 104132DEST_PATH_IMAGE029
)具体为：
Figure 711831DEST_PATH_IMAGE030
Figure 91997DEST_PATH_IMAGE031
。
7.根据权利要求6所述城市违章建筑分割检测方法，其特征在于，步骤八得到的建筑分割结果为：
Figure 935188DEST_PATH_IMAGE032
。
CN202210964252.0A 2022-08-12 2022-08-12 一种城市违章建筑分割检测方法 Active CN115049935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210964252.0A CN115049935B (zh) 2022-08-12 2022-08-12 一种城市违章建筑分割检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210964252.0A CN115049935B (zh) 2022-08-12 2022-08-12 一种城市违章建筑分割检测方法

Publications (2)

Publication Number Publication Date
CN115049935A CN115049935A (zh) 2022-09-13
CN115049935B true CN115049935B (zh) 2022-11-11

Family

ID=83167099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210964252.0A Active CN115049935B (zh) 2022-08-12 2022-08-12 一种城市违章建筑分割检测方法

Country Status (1)

Country Link
CN (1) CN115049935B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423812B (zh) * 2022-11-05 2023-04-18 松立控股集团股份有限公司 一种全景监控平面化展示方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101574636B1 (ko) * 2015-07-23 2015-12-07 주식회사 지오스토리 면형방식 디지털 항공카메라로 촬영한 시계열 항공사진을 입체시하여 좌표를 연동하고 변화지역을 판독하는 시스템
AU2020101435A4 (en) * 2020-07-21 2020-08-27 Southwest University A panoramic vision system based on the uav platform
CN112215190A (zh) * 2020-10-21 2021-01-12 南京智慧航空研究院有限公司 基于yolov4模型的违章建筑检测方法
CN112270670A (zh) * 2020-11-09 2021-01-26 云南电网有限责任公司昆明供电局 一种电网巡检中的全景目标检测方法
CN113822247A (zh) * 2021-11-22 2021-12-21 广东泰一高新技术发展有限公司 基于航拍影像的违章建筑识别方法及系统
CN114745528A (zh) * 2022-06-13 2022-07-12 松立控股集团股份有限公司 一种高位全景视频安全监控方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460967B (zh) * 2020-03-27 2024-03-22 北京百度网讯科技有限公司 一种违法建筑识别方法、装置、设备及存储介质
CN112215189A (zh) * 2020-10-21 2021-01-12 南京智慧航空研究院有限公司 违章建筑精确检测系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101574636B1 (ko) * 2015-07-23 2015-12-07 주식회사 지오스토리 면형방식 디지털 항공카메라로 촬영한 시계열 항공사진을 입체시하여 좌표를 연동하고 변화지역을 판독하는 시스템
AU2020101435A4 (en) * 2020-07-21 2020-08-27 Southwest University A panoramic vision system based on the uav platform
CN112215190A (zh) * 2020-10-21 2021-01-12 南京智慧航空研究院有限公司 基于yolov4模型的违章建筑检测方法
CN112270670A (zh) * 2020-11-09 2021-01-26 云南电网有限责任公司昆明供电局 一种电网巡检中的全景目标检测方法
CN113822247A (zh) * 2021-11-22 2021-12-21 广东泰一高新技术发展有限公司 基于航拍影像的违章建筑识别方法及系统
CN114745528A (zh) * 2022-06-13 2022-07-12 松立控股集团股份有限公司 一种高位全景视频安全监控方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Automatic change detection of buildings in urban environment from very high spatial resolution images using existing geodatabase and prior knowledge;MouradBouziani et al;《ISPRS Journal of Photogrammetry and Remote Sensing》;20100131;第143-153页 *
Object Detection in Equirectangular Panorama;Wenyan Yang et al;《arXiv》;20180521;第1-6页 *
低空无人机辅助城市违章建筑测量;林贤恩;《福建建材》;20180420(第04期);第27-29页及第68页 *
移动道路测量技术在数字城管建设中的应用;宋杨等;《测绘工程》;20160225(第02期);第42-46页 *

Also Published As

Publication number Publication date
CN115049935A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN103325112B (zh) 动态场景中运动目标快速检测方法
CN113673425B (zh) 一种基于Transformer的多视角目标检测方法及系统
Chen et al. Surrounding vehicle detection using an FPGA panoramic camera and deep CNNs
CN106952286A (zh) 基于运动显著图和光流矢量分析的动态背景目标分割方法
Ai et al. Deep learning for omnidirectional vision: A survey and new perspectives
CN105046649A (zh) 一种去除运动视频中运动物体的全景图拼接方法
Lee et al. SpherePHD: Applying CNNs on 360${}^\circ $∘ Images With Non-Euclidean Spherical PolyHeDron Representation
CN114255197B (zh) 一种红外与可见光图像自适应融合对齐方法及系统
Pintore et al. Recovering 3D existing-conditions of indoor structures from spherical images
CN113689331B (zh) 一种复杂背景下的全景图像拼接方法
CN115049935B (zh) 一种城市违章建筑分割检测方法
CN105787876A (zh) 一种基于surf特征跟踪匹配的全景视频自动拼接方法
Aeschliman et al. Tracking vehicles through shadows and occlusions in wide-area aerial video
Zhou et al. Adapting semantic segmentation models for changes in illumination and camera perspective
CN116052095B (zh) 一种用于智慧城市全景视频监控的车辆重识别方法
CN112055192B (zh) 图像处理方法、图像处理装置、电子设备及存储介质
Liu et al. Content-aware unsupervised deep homography estimation and its extensions
Wan et al. Drone image stitching using local mesh-based bundle adjustment and shape-preserving transform
CN115376028A (zh) 基于稠密特征点拼接和改进型yolov 5的目标检测方法
Wang et al. PVF-DectNet: Multi-modal 3D detection network based on Perspective-Voxel fusion
Huang et al. Overview of LiDAR point cloud target detection methods based on deep learning
Li et al. Monocular 3-D Object Detection Based on Depth-Guided Local Convolution for Smart Payment in D2D Systems
Li et al. 2.5 D-VoteNet: Depth Map based 3D Object Detection for Real-Time Applications.
Schneider Visual hull
CN115272450A (zh) 一种基于全景分割的目标定位方法

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
GR01 Patent grant
GR01 Patent grant