CN115359423A - 基于遥感图像的区域识别方法、装置、设备及存储介质 - Google Patents

基于遥感图像的区域识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115359423A
CN115359423A CN202210994692.0A CN202210994692A CN115359423A CN 115359423 A CN115359423 A CN 115359423A CN 202210994692 A CN202210994692 A CN 202210994692A CN 115359423 A CN115359423 A CN 115359423A
Authority
CN
China
Prior art keywords
remote sensing
sensing image
area
target
boundary
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.)
Pending
Application number
CN202210994692.0A
Other languages
English (en)
Inventor
刘吉磊
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.)
PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
Original Assignee
PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
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 PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA filed Critical PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
Priority to CN202210994692.0A priority Critical patent/CN115359423A/zh
Publication of CN115359423A publication Critical patent/CN115359423A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Nonlinear Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及公共安全监测技术领域，尤其涉及一种基于遥感图像的区域识别方法、装置、设备及存储介质，本发明通过先获取无人区中的划分好的边界区域进行图像采集，进而对采集到的图像进行识别，以降低无人区的监测工作量，在检测到边界遥感图像中存在活动迹象时，再确定与该边界相邻的目标无人区，并获取对应的目标无人区图像，进行二次图像识别，以实现对于用户的移动轨迹追踪，避免了现有技术中难以监控无人区内的人类活动轨迹的技术问题，减少了无人区监测的工作量。

Description

基于遥感图像的区域识别方法、装置、设备及存储介质
技术领域
本发明涉及公共安全监测技术领域，尤其涉及一种基于遥感图像的区域识别方法、装置、设备及存储介质。
背景技术
目前对于无人区内的识别工作较为困难，主要是通过人工进行巡防，实现对于无人区的监控，效率较低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于遥感图像的区域识别方法、装置、设备及存储介质，旨在解决现有技术中难以监控无人区内的人类活动轨迹的技术问题。
为实现上述目的，本发明提供了一种基于遥感图像的区域识别方法，所述方法包括以下步骤：
获取无人区中划分的边界区域对应的边界遥感图像；
检测所述边界遥感图像是否存在活动迹象；
若存在，则确定所述无人区中所述边界区域相邻的目标区域遥感图像；
通过训练好的目标跟踪模型确定所述目标区域遥感图像中的目标用户的移动轨迹。
可选地，所述通过训练好的目标跟踪模型确定所述目标区域遥感图像中的目标用户的移动轨迹，包括：
对所述目标区域遥感图像进行辐射滤波，获得滤波处理后的目标区域遥感图像；
通过通过训练好的目标跟踪模型确定所述滤波处理后的目标区域遥感图像中的目标用户的移动轨迹。
可选地，所述对所述目标区域遥感图像进行辐射滤波，包括：
确定所述目标区域遥感图像的中心点位置与待处理像素点位置；
根据所述中心点位置与所述待处理像素点位置生成目标空间距离与目标灰度距离；
根据所述目标空间距离与所述目标灰度距离对所述目标区域遥感图像进行辐射滤波。
可选地，所述根据所述中心点位置与所述待处理像素点位置生成目标空间距离与目标灰度距离，包括：
分别获取所述中心点位置对应的中心点坐标与所述待处理像素点位置对应的待处理像素点坐标；
根据所述中心点坐标、待处理像素点坐标以及预设空间域核参数生成目标空间距离；
根据所述中心点坐标、待处理像素点坐标以及预设值域核参数生成目标灰度距离。
可选地，所述获取无人区中划分的边界区域对应的边界遥感图像，包括：
通过传感器采集无人区的电磁波信号；
将所述电磁波信号进行图像转化，获得无人区的遥感图像；
对所述无人区进行区域划分，获得边界区域；
从所述无人区的遥感图像中提取所述边界区域对应的边界遥感图像。
可选地，所述将所述电磁波信号进行图像转化，包括：
提取所述电磁波信号携带的灰度信息；
对所述电磁波信号进行抽样，获得多个离散采样点；
根据所述离散采样点确定像素点，并根据所述灰度信息确定对应各像素点的亮度值；
基于所述像素点与所述像素点对应的亮度值生成无人区的遥感图像。
可选地，所述检测所述边界遥感图像是否存在活动迹象，包括：
对所述边界遥感图像进行图像分割，获得多个边界遥感分割图像；
对各边界遥感分割图像进行特征提取，得到对应的分割图像特征信息；
确定各分割图像特征信息之间的特征相似度；
在所述特征相似度小于预设相似度阈值时，判定存在活动迹象。
此外，为实现上述目的，本发明还提出一种基于遥感图像的区域识别装置，所述基于遥感图像的区域识别装置包括：
图像采集模块，用于获取无人区中划分的边界区域对应的边界遥感图像；
图像检测模块，用于检测所述边界遥感图像是否存在活动迹象；
图像划分模块，用于若存在，则确定所述无人区中所述边界区域相邻的目标区域遥感图像；
轨迹跟踪模块，用于通过训练好的目标跟踪模型确定所述目标区域遥感图像中的目标用户的移动轨迹。
此外，为实现上述目的，本发明还提出一种基于遥感图像的区域识别设备，所述基于遥感图像的区域识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于遥感图像的区域识别程序，所述基于遥感图像的区域识别程序配置为实现如上文所述的基于遥感图像的区域识别方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于遥感图像的区域识别程序，所述基于遥感图像的区域识别程序被处理器执行时实现如上文所述的基于遥感图像的区域识别方法的步骤。
本发明公开了一种基于遥感图像的区域识别方法，所述基于遥感图像的区域识别方法包括：获取无人区中划分的边界区域对应的边界遥感图像；检测所述边界遥感图像是否存在活动迹象；若存在，则确定所述无人区中所述边界区域相邻的目标区域遥感图像；通过训练好的目标跟踪模型确定所述目标区域遥感图像中的目标用户的移动轨迹，与现有技术相比，本发明通过先获取无人区中的划分好的边界区域进行图像采集，进而对采集到的图像进行识别，以降低无人区的监测工作量，在检测到边界遥感图像中存在活动迹象时，再确定与该边界相邻的目标无人区，并获取对应的目标无人区图像，进行二次图像识别，以实现对于用户的移动轨迹追踪，避免了现有技术中难以监控无人区内的人类活动轨迹的技术问题，减少了无人区监测的工作量。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于遥感图像的区域识别设备的结构示意图；
图2为本发明基于遥感图像的区域识别方法第一实施例的流程示意图；
图3为本发明基于遥感图像的区域识别方法一实施例的区域划分示意图；
图4为本发明基于遥感图像的区域识别方法第二实施例的流程示意图；
图5为本发明基于遥感图像的区域识别方法第三实施例的流程示意图；
图6为本发明基于遥感图像的区域识别装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于遥感图像的区域识别设备结构示意图。
如图1所示，该基于遥感图像的区域识别设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口 1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器 (Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于遥感图像的区域识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于遥感图像的区域识别程序。
在图1所示的基于遥感图像的区域识别设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于遥感图像的区域识别设备中的处理器1001、存储器1005可以设置在基于遥感图像的区域识别设备中，所述基于遥感图像的区域识别设备通过处理器1001调用存储器1005中存储的基于遥感图像的区域识别程序，并执行本发明实施例提供的基于遥感图像的区域识别方法。
本发明实施例提供了一种基于遥感图像的区域识别方法，参照图2，图2 为本发明一种基于遥感图像的区域识别方法第一实施例的流程示意图。
本实施例中，所述基于遥感图像的区域识别方法包括以下步骤：
步骤S10：获取无人区中划分的边界区域对应的边界遥感图像。
需要说明的是，本实施例方法的执行主体可以是具有数据采集、数据处理以及数据传输功能的设备，例如：控制计算机、上位机以及服务器等，还可以是其他具有相同或者相似功能的设备，本实施例对此不做具体限制，在本实施例以及下述实施例中，将会以控制计算机为例进行说明的。
值得说明的是，本实施例方法的应用场景为范围较大的无人区，由于无人区的广袤面积，导致对无人区进行监测时，需要耗费大量的人力进行巡查，且巡查的效率不高。
应当理解的是，边界区域是指事先由用户基于预设划分规则划分的边界区域，所述预设划分规则可以是按照无人区地形、固定无人区子区域块大小程度以及无人区安全等级等划分规则中的至少一种进行区域划分，例如：在基于无人区的地形进行区域划分时，可以通过该无人区的地形，将无人区划分为草地、山区、河流以及湖泊等区域；二通过无人区安全等级进行区域划分时，会对无人区内的各个区域进行等级评定，例如：湖泊或者断崖等地方的安全等级较高，一般不会存在人迹，而对于草原或者森林等地方，安全等级一般较低，可能存在活动迹象；若是以固定无人区子区域块大小程度进行区域划分，可以依照25平方千米的正方形区域块进行划分，本实施例对此不做具体限制。
可以理解的是，参考图3，边界遥感图像是指划分的无人区的各个子区域块之间的边界图像，通过电磁波或者卫星成像等技术获得的边界遥感图像，本实施例对此不做具体限制。
步骤S20：检测所述边界遥感图像是否存在活动迹象。
应当说明的是，检测所述边界遥感图像中是否存在活动迹象是指通过训练好的图像识别模型对边界遥感图像进行图像识别获得的结果。
例如：经过图像识别获得检测结果时，发现在所述边界遥感图像中存在明显的车轮印记，或者结合周围的环境存在一段不连续的区域等，都会判定该区域存在活动迹象。
在具体实现中，还可以给各个边界遥感图像进行编号，以便于在检测到活动迹象时，可以查找到相邻的划分区域。
进一步地，所述步骤S20，包括：
对所述边界遥感图像进行图像分割，获得多个边界遥感分割图像；
对各边界遥感分割图像进行特征提取，得到对应的分割图像特征信息；
确定各分割图像特征信息之间的特征相似度；
在所述特征相似度小于预设相似度阈值时，判定存在活动迹象。
应当理解的是，图像分割的参考规则可以是按照无人区地形、固定无人区子区域块大小程度以及无人区安全等级等划分规则中的至少一种进行区域划分，本实施例对此不做具体限制。
可以理解的事，对各边界遥感分割图像进行特征提取的过程可以是提取各边界遥感分割图像的颜色特征、地形特征以及边界特征等，本实施例对此不做具体限制。
在具体实现中，由于人类的活动迹象与正常环境的地形、颜色以及痕迹等存在差异性，因此，通过根据分割图像特征信息之间的相似度的大小关系，进而可以确定边界遥感图像中是否存在不同于环境的特征信息，进而可以判断是否存在活动迹象。
此外，预设相似度阈值用于判断边界遥感分割图像之间的特征相似度是否满足存在活动迹象的条件，在所述特征相似度小于预设相似度阈值时，判定存在活动迹象；在所述特征相似度不小于预设相似度阈值时，判定不存在活动迹象。
步骤S30：若存在，则确定所述无人区中所述边界区域相邻的目标区域遥感图像。
需要说明的是，若是对边界进行编号，则可以根据编号在精准采集与边界相邻的无人区遥感图像，且所述目标区域遥感图像至少为两个，参考图3 中的边界1，与边界1相邻的目标区域遥感图像存在两个，分别为区域A与区域B。
步骤S40：通过训练好的目标跟踪模型确定所述目标区域遥感图像中的目标用户的移动轨迹。
值得说明的是，训练好的目标跟踪模型可以是基于深度学习的神经网络算法，例如：长短期记忆人工神经网络(Long Short-Term Memory，LSTM) 或者卷积神经网络等，还可以是其他可以实现相同或者相似功能的网络模型，本实施例对此不做具体限制。
其中，训练好的目标跟踪模型用于识别目标区域遥感图像中是否存在目标用户的移动轨迹，若存在，则基于所述移动轨迹进行持续性的跟踪。
在具体实现中，若是检测到目标区域遥感图像中存在多个移动痕迹，则可以对各移动痕迹进行移动方向预测，若预测得到的移动方向最终存在交汇点，则表示此时存在大概率的非法活动，此时可以生成警示信号，以提醒相关工作人员进行进一步查看。
本实施例公开了一种基于遥感图像的区域识别方法，所述基于遥感图像的区域识别方法包括：获取无人区中划分的边界区域对应的边界遥感图像；检测所述边界遥感图像是否存在活动迹象；若存在，则确定所述无人区中所述边界区域相邻的目标区域遥感图像；通过训练好的目标跟踪模型确定所述目标区域遥感图像中的目标用户的移动轨迹，本实施例通过先获取无人区中的划分好的边界区域进行图像采集，进而对采集到的图像进行识别，以降低无人区的监测工作量，在检测到边界遥感图像中存在活动迹象时，再确定与该边界相邻的目标无人区，并获取对应的目标无人区图像，进行二次图像识别，以实现对于用户的移动轨迹追踪，避免了现有技术中难以监控无人区内的人类活动轨迹的技术问题，减少了无人区监测的工作量。
参考图4，图4为本发明一种基于遥感图像的区域识别方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述步骤S40，包括：
步骤S401：对所述目标区域遥感图像进行辐射滤波，获得滤波处理后的目标区域遥感图像。
需要说明的是，对所述目标区域遥感图像进行辐射滤波是指基于图像去噪技术，对所述目标区域遥感图像进行图像去噪，进而获得清晰、特征更明显的遥感图像，其中辐射滤波可以是对目标区域遥感图像进行高通滤波、低通滤波以及双边滤波等，还可以是其他可以实现图像去噪的滤波方式，本实施例对此不做具体限制。
进一步地，所述步骤S401，包括：
确定所述目标区域遥感图像的中心点位置与待处理像素点位置；
根据所述中心点位置与所述待处理像素点位置生成目标空间距离与目标灰度距离；
根据所述目标空间距离与所述目标灰度距离对所述目标区域遥感图像进行辐射滤波。
值得说明的是，目标区域遥感图像的中心点位置是指预先设定好的遥感图像中心点坐标，用于定义图像去噪的标准，在后续处理各个图像像素点的过程中，都会以该中心点位置进行处理。
可以理解的是，目标空间距离是指中心点位置与待处理像素点位置之间的临近程度；目标灰度距离是指中心点位置的灰度信息与待处理像素点位置对应的灰度信息的临近距离，且目标空间距离与目标灰度距离的数值范围都在[0-1]之间。
进一步地，所述根据所述中心点位置与所述待处理像素点位置生成目标空间距离与目标灰度距离，包括：
分别获取所述中心点位置对应的中心点坐标与所述待处理像素点位置对应的待处理像素点坐标；
根据所述中心点坐标、待处理像素点坐标以及预设空间域核参数生成目标空间距离；
根据所述中心点坐标、待处理像素点坐标以及预设值域核参数生成目标灰度距离。
应当说明的是，预设空间域核参数是指双边滤波模板的高斯函数的标准差和空间域处理的模板参数；预设值域核参数是指双边滤波模板的高斯函数的标准差与值域处理的模板参数。
在具体实现中，根据中心点坐标、待处理像素点坐标以及预设空间域核参数生成目标空间距离的公式为：
Figure BDA0003805107820000091
其中，i，j为待处理像素点的横纵坐标；k与l分别为模板窗口的中心横纵坐标点；σd为预设空间域核参数。
根据所述中心点坐标、待处理像素点坐标以及预设值域核参数生成目标灰度距离的公式为：
Figure BDA0003805107820000092
其中，i，j为待处理像素点的横纵坐标；k与l分别为模板窗口的中心横纵坐标点；σr为预设值域核参数。
步骤S402：通过通过训练好的目标跟踪模型确定所述滤波处理后的目标区域遥感图像中的目标用户的移动轨迹。
值得说明的是，训练好的目标跟踪模型可以是基于深度学习的神经网络算法，例如：长短期记忆人工神经网络或者卷积神经网络等，还可以是其他可以实现相同或者相似功能的网络模型，本实施例对此不做具体限制。
其中，训练好的目标跟踪模型用于识别目标区域遥感图像中是否存在目标用户的移动轨迹，若存在，则基于所述移动轨迹进行持续性的跟踪。
在具体实现中，若是检测到目标区域遥感图像中存在多个移动痕迹，则可以对各移动痕迹进行移动方向预测，若预测得到的移动方向最终存在交汇点，则表示此时存在大概率的非法活动，此时可以生成警示信号，以提醒相关工作人员进行进一步查看。
本实施例公开了对所述目标区域遥感图像进行辐射滤波，获得滤波处理后的目标区域遥感图像；通过通过训练好的目标跟踪模型确定所述滤波处理后的目标区域遥感图像中的目标用户的移动轨迹，本实施例通过先对目标区域遥感图像进行敷辐射滤波，从而获得清晰度更高、分辨率更好的目标区域遥感图像，再通过训练好的目标跟踪模型确定所述滤波处理后的目标区域遥感图像中的目标用户的移动轨迹，以实现针对目标用户的定位跟踪。
参考图5，图5为本发明一种基于遥感图像的区域识别方法第三实施例的流程示意图。
基于上述第二实施例，在本实施例中，所述步骤S10，包括：
步骤S101：通过传感器采集无人区的电磁波信号。
需要说明的是，任何目标物都具有发射、反射和吸收电磁波的性质，这是遥感的信息源，目标物与电磁波的相互作用，构成了目标物的电磁波特性，再通过特定的电磁波传感器采集无人区内发射或者反射的电磁波信号，以便于后续进行图像转化。
其中，传感器的种类包括：紫外遥感、可见光遥感、红外遥感、微波遥感以及多波段遥感等对应的传感器，本实施例对此不做具体限制。
步骤S102：将所述电磁波信号进行图像转化，获得无人区的遥感图像。
值得说明的是，对电磁波信号进行图像转化是指将所述电磁波信号以电信号作为载体，在对电信号进行抽样、量化等操作，以实现电信号的数字化转化，获得遥感图像。
进一步地，所述步骤S102，包括：
提取所述电磁波信号携带的灰度信息；
对所述电磁波信号进行抽样，获得多个离散采样点；
根据所述离散采样点确定像素点，并根据所述灰度信息确定对应各像素点的亮度值；
基于所述像素点与所述像素点对应的亮度值生成无人区的遥感图像。
应当说明的是，灰度信息是指电磁波信号模拟成像后携带的初始灰度信号。
可以理解的是，对所述电磁波信号进行抽样的过程是指按照因素和采样密度对所述电磁波信号进行采样，并将采样获得的采样点进行模数变化，获得基于所述离散采样点的数字矩阵，其中，采样密度越大，遥感图像的空间分辨率越高，图像越清晰。
步骤S103：对所述无人区进行区域划分，获得边界区域。
应当理解的是，对所述无人区进行区域划分，是指用户基于预设划分规则划分的边界区域，所述预设划分规则可以是按照无人区地形、固定无人区子区域块大小程度以及无人区安全等级等划分规则中的至少一种进行区域划分，例如：在基于无人区的地形进行区域划分时，可以通过该无人区的地形，将无人区划分为草地、山区、河流以及湖泊等区域；二通过无人区安全等级进行区域划分时，会对无人区内的各个区域进行等级评定，例如：湖泊或者断崖等地方的安全等级较高，一般不会存在人迹，而对于草原或者森林等地方，安全等级一般较低，可能存在活动迹象；若是以固定无人区子区域块大小程度进行区域划分，可以依照25平方千米的正方形区域块进行划分，本实施例对此不做具体限制。
其中，边界区域就是划分区域之后相邻区域中间部分。
步骤S104：从所述无人区的遥感图像中提取所述边界区域对应的边界遥感图像。
本实施例公开了通过传感器采集无人区的电磁波信号；将所述电磁波信号进行图像转化，获得无人区的遥感图像；对所述无人区进行区域划分，获得边界区域；从所述无人区的遥感图像中提取所述边界区域对应的边界遥感图像，本实施例通过对无人区的电磁波信号进行图像转化，进而获得整个无人区的遥感图像，在通过对无人区进行划分，以实现提取无人区边界遥感图像。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于遥感图像的区域识别程序，所述基于遥感图像的区域识别程序被处理器执行时实现如上文所述的基于遥感图像的区域识别方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
参照图6，图6为本发明基于遥感图像的区域识别装置第一实施例的结构框图。
如图6所示，本发明实施例提出的基于遥感图像的区域识别装置包括：
图像采集模块10，用于获取无人区中划分的边界区域对应的边界遥感图像。
图像检测模块20，用于检测所述边界遥感图像是否存在活动迹象。
图像划分模块30，用于若存在，则确定所述无人区中所述边界区域相邻的目标区域遥感图像。
轨迹跟踪模块40，用于通过训练好的目标跟踪模型确定所述目标区域遥感图像中的目标用户的移动轨迹。
本实施例公开了一种基于遥感图像的区域识别方法，所述基于遥感图像的区域识别方法包括：获取无人区中划分的边界区域对应的边界遥感图像；检测所述边界遥感图像是否存在活动迹象；若存在，则确定所述无人区中所述边界区域相邻的目标区域遥感图像；通过训练好的目标跟踪模型确定所述目标区域遥感图像中的目标用户的移动轨迹，本实施例通过先获取无人区中的划分好的边界区域进行图像采集，进而对采集到的图像进行识别，以降低无人区的监测工作量，在检测到边界遥感图像中存在活动迹象时，再确定与该边界相邻的目标无人区，并获取对应的目标无人区图像，进行二次图像识别，以实现对于用户的移动轨迹追踪，避免了现有技术中难以监控无人区内的人类活动轨迹的技术问题，减少了无人区监测的工作量。
在一实施例中，所述轨迹跟踪模块40，还用于对所述目标区域遥感图像进行辐射滤波，获得滤波处理后的目标区域遥感图像；通过通过训练好的目标跟踪模型确定所述滤波处理后的目标区域遥感图像中的目标用户的移动轨迹。
在一实施例中，所述轨迹跟踪模块40，还用于确定所述目标区域遥感图像的中心点位置与待处理像素点位置；根据所述中心点位置与所述待处理像素点位置生成目标空间距离与目标灰度距离；根据所述目标空间距离与所述目标灰度距离对所述目标区域遥感图像进行辐射滤波。
在一实施例中，所述轨迹跟踪模块40，还用于分别获取所述中心点位置对应的中心点坐标与所述待处理像素点位置对应的待处理像素点坐标；根据所述中心点坐标、待处理像素点坐标以及预设空间域核参数生成目标空间距离；根据所述中心点坐标、待处理像素点坐标以及预设值域核参数生成目标灰度距离。
在一实施例中，所述图像采集模块10，还用于通过传感器采集无人区的电磁波信号；将所述电磁波信号进行图像转化，获得无人区的遥感图像；对所述无人区进行区域划分，获得边界区域；从所述无人区的遥感图像中提取所述边界区域对应的边界遥感图像。
在一实施例中，所述图像采集模块10，还用于提取所述电磁波信号携带的灰度信息；对所述电磁波信号进行抽样，获得多个离散采样点；根据所述离散采样点确定像素点，并根据所述灰度信息确定对应各像素点的亮度值；基于所述像素点与所述像素点对应的亮度值生成无人区的遥感图像。
在一实施例中，所述图像检测模块20，还用于对所述边界遥感图像进行图像分割，获得多个边界遥感分割图像；对各边界遥感分割图像进行特征提取，得到对应的分割图像特征信息；确定各分割图像特征信息之间的特征相似度；在所述特征相似度小于预设相似度阈值时，判定存在活动迹象。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于遥感图像的区域识别方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于遥感图像的区域识别方法，其特征在于，所述基于遥感图像的区域识别方法包括：
获取无人区中划分的边界区域对应的边界遥感图像；
检测所述边界遥感图像是否存在活动迹象；
若存在，则确定所述无人区中所述边界区域相邻的目标区域遥感图像；
通过训练好的目标跟踪模型确定所述目标区域遥感图像中的目标用户的移动轨迹。
2.如权利要求1所述的基于遥感图像的区域识别方法，其特征在于，所述通过训练好的目标跟踪模型确定所述目标区域遥感图像中的目标用户的移动轨迹，包括：
对所述目标区域遥感图像进行辐射滤波，获得滤波处理后的目标区域遥感图像；
通过通过训练好的目标跟踪模型确定所述滤波处理后的目标区域遥感图像中的目标用户的移动轨迹。
3.如权利要求2所述的基于遥感图像的区域识别方法，其特征在于，所述对所述目标区域遥感图像进行辐射滤波，包括：
确定所述目标区域遥感图像的中心点位置与待处理像素点位置；
根据所述中心点位置与所述待处理像素点位置生成目标空间距离与目标灰度距离；
根据所述目标空间距离与所述目标灰度距离对所述目标区域遥感图像进行辐射滤波。
4.如权利要求3所述的基于遥感图像的区域识别方法，其特征在于，所述根据所述中心点位置与所述待处理像素点位置生成目标空间距离与目标灰度距离，包括：
分别获取所述中心点位置对应的中心点坐标与所述待处理像素点位置对应的待处理像素点坐标；
根据所述中心点坐标、待处理像素点坐标以及预设空间域核参数生成目标空间距离；
根据所述中心点坐标、待处理像素点坐标以及预设值域核参数生成目标灰度距离。
5.如权利要求1所述的基于遥感图像的区域识别方法，其特征在于，所述获取无人区中划分的边界区域对应的边界遥感图像，包括：
通过传感器采集无人区的电磁波信号；
将所述电磁波信号进行图像转化，获得无人区的遥感图像；
对所述无人区进行区域划分，获得边界区域；
从所述无人区的遥感图像中提取所述边界区域对应的边界遥感图像。
6.如权利要求5所述的基于遥感图像的区域识别方法，其特征在于，所述将所述电磁波信号进行图像转化，包括：
提取所述电磁波信号携带的灰度信息；
对所述电磁波信号进行抽样，获得多个离散采样点；
根据所述离散采样点确定像素点，并根据所述灰度信息确定对应各像素点的亮度值；
基于所述像素点与所述像素点对应的亮度值生成无人区的遥感图像。
7.如权利要求1所述的基于遥感图像的区域识别方法，其特征在于，所述检测所述边界遥感图像是否存在活动迹象，包括：
对所述边界遥感图像进行图像分割，获得多个边界遥感分割图像；
对各边界遥感分割图像进行特征提取，得到对应的分割图像特征信息；
确定各分割图像特征信息之间的特征相似度；
在所述特征相似度小于预设相似度阈值时，判定存在活动迹象。
8.一种基于遥感图像的区域识别装置，其特征在于，所述基于遥感图像的区域识别装置包括：
图像采集模块，用于获取无人区中划分的边界区域对应的边界遥感图像；
图像检测模块，用于检测所述边界遥感图像是否存在活动迹象；
图像划分模块，用于若存在，则确定所述无人区中所述边界区域相邻的目标区域遥感图像；
轨迹跟踪模块，用于通过训练好的目标跟踪模型确定所述目标区域遥感图像中的目标用户的移动轨迹。
9.一种基于遥感图像的区域识别设备，其特征在于，所述基于遥感图像的区域识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于遥感图像的区域识别程序，所述基于遥感图像的区域识别程序配置为实现如权利要求1至7中任一项所述的基于遥感图像的区域识别方法。
10.一种存储介质，其特征在于，所述存储介质上存储有基于遥感图像的区域识别程序，所述基于遥感图像的区域识别程序被处理器执行时实现如权利要求1至7任一项所述的基于遥感图像的区域识别方法。
CN202210994692.0A 2022-08-18 2022-08-18 基于遥感图像的区域识别方法、装置、设备及存储介质 Pending CN115359423A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210994692.0A CN115359423A (zh) 2022-08-18 2022-08-18 基于遥感图像的区域识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210994692.0A CN115359423A (zh) 2022-08-18 2022-08-18 基于遥感图像的区域识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115359423A true CN115359423A (zh) 2022-11-18

Family

ID=84003594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210994692.0A Pending CN115359423A (zh) 2022-08-18 2022-08-18 基于遥感图像的区域识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115359423A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992153A (zh) * 2015-07-02 2015-10-21 中国科学院地理科学与资源研究所 自然保护区人类活动干扰检测方法和系统
CN107230310A (zh) * 2017-06-26 2017-10-03 地壳机器人科技有限公司 接力式监控方法及无人驾驶汽车
CN108537204A (zh) * 2018-04-20 2018-09-14 广州林邦信息科技有限公司 人类活动监测方法、装置及服务器
CN108957479A (zh) * 2018-07-24 2018-12-07 航天恒星科技有限公司 一种针对边境基础设施的遥感监测方法
CN110175495A (zh) * 2019-01-04 2019-08-27 北京理工大学 一种光学遥感图像的弱小动目标检测方法
CN110232387A (zh) * 2019-05-24 2019-09-13 河海大学 一种基于kaze-hog算法的异源图像匹配方法
CN110991272A (zh) * 2019-11-18 2020-04-10 东北大学 一种基于视频跟踪的多目标车辆轨迹识别方法
CN111402299A (zh) * 2020-04-08 2020-07-10 中国人民解放军海军航空大学 基于静止轨道凝视卫星的遥感图像目标跟踪方法和装置
CN112505796A (zh) * 2020-10-20 2021-03-16 中国环境科学研究院 一种海洋类型自然保护区人员活动轨迹实时监测系统及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992153A (zh) * 2015-07-02 2015-10-21 中国科学院地理科学与资源研究所 自然保护区人类活动干扰检测方法和系统
CN107230310A (zh) * 2017-06-26 2017-10-03 地壳机器人科技有限公司 接力式监控方法及无人驾驶汽车
CN108537204A (zh) * 2018-04-20 2018-09-14 广州林邦信息科技有限公司 人类活动监测方法、装置及服务器
CN108957479A (zh) * 2018-07-24 2018-12-07 航天恒星科技有限公司 一种针对边境基础设施的遥感监测方法
CN110175495A (zh) * 2019-01-04 2019-08-27 北京理工大学 一种光学遥感图像的弱小动目标检测方法
CN110232387A (zh) * 2019-05-24 2019-09-13 河海大学 一种基于kaze-hog算法的异源图像匹配方法
CN110991272A (zh) * 2019-11-18 2020-04-10 东北大学 一种基于视频跟踪的多目标车辆轨迹识别方法
CN111402299A (zh) * 2020-04-08 2020-07-10 中国人民解放军海军航空大学 基于静止轨道凝视卫星的遥感图像目标跟踪方法和装置
CN112505796A (zh) * 2020-10-20 2021-03-16 中国环境科学研究院 一种海洋类型自然保护区人员活动轨迹实时监测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
庞泽峰等: "基于无线自组网的边境视频监控系统", 《计算机与数字工程》 *

Similar Documents

Publication Publication Date Title
Pappas et al. Superpixel-level CFAR detectors for ship detection in SAR imagery
Zhang et al. Ship detection for visual maritime surveillance from non-stationary platforms
Konstantinou et al. Adaptive computer vision-based 2D tracking of workers in complex environments
Witharana et al. Optimizing multi-resolution segmentation scale using empirical methods: Exploring the sensitivity of the supervised discrepancy measure Euclidean distance 2 (ED2)
US20180196158A1 (en) Inspection devices and methods for detecting a firearm
WO2022100470A1 (en) Systems and methods for target detection
Doxani et al. Monitoring urban changes based on scale-space filtering and object-oriented classification
CN108268867B (zh) 一种车牌定位方法及装置
Zhang et al. Regions of interest detection in panchromatic remote sensing images based on multiscale feature fusion
CN110728252B (zh) 一种应用于区域人员运动轨迹监控的人脸检测方法
Yue et al. Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram
Ray et al. Dynamic blindspots measurement for construction equipment operators
Srividhya et al. [Retracted] A Machine Learning Algorithm to Automate Vehicle Classification and License Plate Detection
CN114332870A (zh) 水位识别方法、装置、设备及可读存储介质
CN112966618B (zh) 着装识别方法、装置、设备及计算机可读介质
Chan Maritime filtering for images and videos
Costianes et al. Gray-level co-occurrence matrices as features in edge enhanced images
Abraham et al. A fuzzy based road network extraction from degraded satellite images
Zhu et al. A generalized framework for agricultural field delineation from high-resolution satellite imageries
CN116823884A (zh) 多目标跟踪方法、系统、计算机设备及存储介质
CN117037082A (zh) 一种停车行为的识别方法及系统
CN115359423A (zh) 基于遥感图像的区域识别方法、装置、设备及存储介质
Javanmardi et al. Automated traffic sign and light pole detection in mobile LiDAR scanning data
JP5484118B2 (ja) 車両の周辺監視装置
CN113435230B (zh) 异常区域的检测方法、装置、系统和计算机可读存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20221118

RJ01 Rejection of invention patent application after publication