CN115359436B - 基于遥感图像的排查方法、装置、设备及存储介质 - Google Patents
基于遥感图像的排查方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115359436B CN115359436B CN202210994688.4A CN202210994688A CN115359436B CN 115359436 B CN115359436 B CN 115359436B CN 202210994688 A CN202210994688 A CN 202210994688A CN 115359436 B CN115359436 B CN 115359436B
- Authority
- CN
- China
- Prior art keywords
- information
- remote sensing
- target
- sensing image
- primary screening
- 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
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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V10/443—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 by matching or 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于遥感监测技术领域,公开了一种基于遥感图像的排查方法、装置、设备及存储介质。该方法包括:对各待检测区域的遥感图像进行识别,得到多个初筛对象;获取各初筛对象的目标参数信息;根据所述目标参数信息确定各初筛对象的车辆特征信息;根据所述车辆特征信息从所述初筛对象中选取目标排查对象。通过上述方式,实现了基于待检测区域的遥感图像进行识别和筛选,得到多个初筛对象,然后对初筛对象的目标参数信息中的车辆特征信息进行筛选,从而能够从初筛对象中选取需要进行进一步排查的目标排查对象,实现了基于遥感图像精确地判断和筛选出需要寻找的目标对象车辆,在减少人力消耗的情况下更加方便且准确的搜寻目标。
Description
技术领域
本发明涉及遥感监测技术领域,尤其涉及一种基于遥感图像的排查方法、装置、设备及存储介质。
背景技术
目前在地面区域内大范围的搜索和排查车辆目标只能依靠人力设置卡口进行拦截排查,或者利用在道路上设置的摄像头进行监控搜索等手段进行排查,但是这些手段需要耗费大量的人力进行铺网搜索,而达成的效果可能也会因为人员的专业程度以及是否存在人工误差等波动较大,实际完成的效果并不理想且容易产生遗漏。
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排查方法、装置、设备及存储介质,旨在解决现有技术进行搜寻目标需要耗费大量人力进行铺网搜索的技术问题。
为实现上述目的,本发明提供了一种基于遥感图像的排查方法,所述方法包括以下步骤:
对各待检测区域的遥感图像进行识别,得到多个初筛对象;
获取各初筛对象的目标参数信息;
根据所述目标参数信息确定各初筛对象的车辆特征信息;
根据所述车辆特征信息从所述初筛对象中选取目标排查对象。
可选地,所述对各待检测区域的遥感图像进行识别,得到多个初筛对象,包括:
获取目标搜索圈;
获取所述目标搜索圈的搜索圈遥感图像;
根据所述搜索圈遥感图像确定图像中的各个待识别对象的轮廓信息;
将所述待识别对象的轮廓信息与预设车道轮廓信息进行匹配,根据匹配结果确定车道信息;
根据所述车道信息对所述搜索圈遥感图像进行区域划分,从所述搜索圈遥感图像筛选出多个待检测区域;
将各待检测区域在所述搜索圈遥感图像中对应的图像作为初筛遥感图像;
对所述初筛遥感图像进行识别,得到多个初筛对象。
可选地,所述对所述初筛遥感图像进行识别,得到多个初筛对象,包括:
遍历各初筛遥感图像,得到各初筛遥感图像中的可识别对象;
获取各可识别对象的识别标签信息;
根据所述识别标签信息确定各可识别对象的对象类型;
当所述可识别对象的识别标签信息与车辆标签信息的重合率大于重合率阈值时,判断所述可识别对象的对象类型为车辆类型;
将所述对象类型为车辆类型的所述可识别对象作为初筛对象。
可选地,所述根据所述车辆特征信息从所述初筛对象中选取目标排查对象,包括:
根据所述车辆特征信息确定各初筛对象的车辆颜色信息;
根据待搜寻目标对应的目标颜色信息和所述车辆颜色信息从所述初筛对象中筛选得到备选对象;
获取备选对象的历史遥感图像;
根据所述历史遥感图像从所述备选对象中选取目标排查对象。
可选地,所述根据待搜寻目标对应的目标颜色信息和所述车辆颜色信息从所述初筛对象中筛选得到备选对象,包括:
根据所述目标颜色信息确定所述待搜寻目标的目标颜色值;
根据所述车辆颜色信息确定各初筛对象的初筛颜色值;
将所述目标颜色值与各初筛颜色值进行对比,得到各初筛颜色值与所述目标颜色值的色差值;
将所述色差值小于色差阈值的所述初筛对象作为备选对象。
可选地,所述根据所述历史遥感图像从所述备选对象中选取目标排查对象,包括:
根据所述历史遥感图像确定地面轨迹图像;
根据所述地面轨迹图像和各备选对象的当前位置信息确定各备选对象的车辆轨迹信息;
根据所述车辆轨迹信息确定各车辆轨迹的尺寸信息;
确定所述各备选对象与各车辆轨迹的对应关系;
根据所述尺寸信息和所述对应关系确定各备选对象的轴距信息和轮距信息;
根据所述轴距信息和所述轮距信息从所述备选对象中选取目标排查对象。
可选地,所述根据所述轴距信息和所述轮距信息从所述备选对象中选取目标排查对象,包括:
根据所述轴距信息和所述轮距信息确定各备选对象的对象轴距和对象轮距;
获取所述待搜寻目标的目标轴距和目标轮距;
根据所述对象轴距、所述对象轮距、所述目标轴距和所述目标轮距计算各备选对象的尺寸偏差值;
将所述尺寸偏差值处于偏差阈值范围内的所述备选对象作为目标排查对象。
此外,为实现上述目的,本发明还提出一种基于遥感图像的排查装置,所述基于遥感图像的排查装置包括:
识别初筛模块,用于对各待检测区域的遥感图像进行识别,得到多个初筛对象;
信息获取模块,用于获取各初筛对象的目标参数信息;
特征提取模块,用于根据所述目标参数信息确定各初筛对象的车辆特征信息;
对象选取模块,用于根据所述车辆特征信息从所述初筛对象中选取目标排查对象。
此外,为实现上述目的,本发明还提出一种基于遥感图像的排查设备,所述基于遥感图像的排查设备包括: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排查程序,所述基于遥感图像的排查程序配置为实现如上文所述的基于遥感图像的排查方法的步骤。
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排查程序,所述基于遥感图像的排查程序被处理器执行时实现如上文所述的基于遥感图像的排查方法的步骤。
本发明对各待检测区域的遥感图像进行识别,得到多个初筛对象;获取各初筛对象的目标参数信息;根据所述目标参数信息确定各初筛对象的车辆特征信息;根据所述车辆特征信息从所述初筛对象中选取目标排查对象。通过这种方式,实现了基于待检测区域的遥感图像进行识别和筛选,得到多个初筛对象,然后对初筛对象的目标参数信息中的车辆特征信息进行筛选,从而能够从初筛对象中选取需要进行进一步排查的目标排查对象,实现了基于遥感图像精确地判断和筛选出需要寻找的目标对象车辆,在减少人力消耗的情况下更加方便且准确的搜寻目标。
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排查设备的结构示意图;
图2为本发明基于遥感图像的排查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排查方法第二实施例的流程示意图;
图4为本发明基于遥感图像的排查方法一实施例中车辆尺寸获取示意图;
图5为本发明基于遥感图像的排查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排查设备结构示意图。
如图1所示,该基于遥感图像的排查设备可以包括: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)存储器,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排查设备的限定,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排查程序。
在图1所示的基于遥感图像的排查设备中,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排查设备中的处理器1001、存储器1005可以设置在基于遥感图像的排查设备中,所述基于遥感图像的排查设备通过处理器1001调用存储器1005中存储的基于遥感图像的排查程序,并执行本发明实施例提供的基于遥感图像的排查方法。
本发明实施例提供了一种基于遥感图像的排查方法,参照图2,图2为本发明一种基于遥感图像的排查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排查方法包括以下步骤:
步骤S10:对各待检测区域的遥感图像进行识别,得到多个初筛对象。
需要说明的是,本实施例的执行主体为一个服务器,主要为控制基于遥感图像的排查方法的服务器,可以为实体服务器,也可以为云服务器,或者其他能实现此功能的任意设备,本实施例对此不加以限制。
应理解的是,目前对于车辆目标的排查方法基本都是运用人工设置卡口以及道路监控进行查询,但是这种方式有较大误差且效果不稳定,需要耗费大量的人力。而本实施例的方案基于待检测区域的遥感图像进行识别和筛选,得到多个初筛对象,然后对初筛对象的目标参数信息中的车辆特征信息进行筛选,从而能够从初筛对象中选取需要进行进一步排查的目标排查对象,实现了基于遥感图像精确地判断和筛选出需要寻找的目标对象车辆,在减少人力消耗的情况下更加方便且准确的搜寻目标。
在具体实施中,待检测区域指的是在遥感图像的监控范围内的多个需要进行筛选和排查的区域。
需要说明的是,初筛对象指的是在待检测区域的识别和筛选后得到的多个第一次筛选后选中的对象和目标。
应理解的是,对各待检测区域的遥感图像进行识别,得到多个初筛对象指的是:首先获取目标搜索圈,然后从搜素圈遥感图像确定多个待识别对象,最后从带时被对象中依据轮廓信息筛选得到多个待检测区域,然后确定待检测区域对应的初筛遥感图像,最后对初筛遥感图像进行识别,得到多个初筛对象。
进一步地,为了确定多个初筛遥感图像,步骤S10包括:获取目标搜索圈;获取所述目标搜索圈的搜索圈遥感图像;根据所述搜索圈遥感图像确定图像中的各个待识别对象的轮廓信息;将所述待识别对象的轮廓信息与预设车道轮廓信息进行匹配,根据匹配结果确定车道信息;根据所述车道信息对所述搜索圈遥感图像进行区域划分,从所述搜索圈遥感图像筛选出多个待检测区域;将各待检测区域在所述搜索圈遥感图像中对应的图像作为初筛遥感图像;对所述初筛遥感图像进行识别,得到多个初筛对象。
在具体实施中,目标搜索圈是用户输入的基于经纬度范围确定的搜寻和排查的位置区域。
需要说明的是,当确定目标搜索圈之后再获取通过采集设备采集到的目标搜索圈的区域对应的遥感图像,作为搜索圈遥感图像。
应理解的是,根据所述搜索圈遥感图像确定图像中的各个待识别对象的轮廓信息指的是:根据搜索圈遥感图像首先确定所有能识别的可能为车道的对象作为待识别对象,然后再在搜索圈遥感图像中将所有的待识别对象的轮廓形状以及轮廓位置进行储存作为轮廓信息;
在具体实施中,将所述待识别对象的轮廓信息与预设车道轮廓信息进行匹配,根据匹配结果确定车道信息指的是:首先将轮廓信息与预设车道轮廓信息进行匹配,然后将匹配成功的轮廓信息的位置和形状的相关信息作为车道信息进行存储。其中,预设车道轮廓信息指的是用户预先存储的车辆道路在遥感图像中的轮廓的图像和形状等信息。
需要说明的是,根据所述车道信息对所述搜索圈遥感图像进行区域划分,从所述搜索圈遥感图像筛选出多个待检测区域指的是:根据根据车道信息在搜索圈遥感图像中确定所有的待识别对象对应的区域并划分,从而可以得到多个待识别对象对应的待检测区域。而待检测区域即为机动车行车道路对应的遥感图像,然后将得到的遥感图像作为初筛遥感图像进行存储。
应理解的是,对所述初筛遥感图像进行识别,得到多个初筛对象指的是:当得到初筛遥感图像之后,再对初筛遥感图像进行图像识别和重合比对,从而得到多个判断为车辆对象的初筛对象。
通过这种方式,实现了基于目标搜索圈的搜索圈遥感图像进行轮廓和待识别对象的匹配,从而确定所有的车道对应的初筛遥感图像,使得后续识别车辆目标更加准确和精准。
进一步地,为了准确的筛选出车辆目标的初筛对象,对所述初筛遥感图像进行识别,得到多个初筛对象的步骤包括:遍历各初筛遥感图像,得到各初筛遥感图像中的可识别对象;获取各可识别对象的识别标签信息;根据所述识别标签信息确定各可识别对象的对象类型;当所述可识别对象的识别标签信息与车辆标签信息的重合率大于重合率阈值时,判断所述可识别对象的对象类型为车辆类型;将所述对象类型为车辆类型的所述可识别对象作为初筛对象。
在具体实施中,遍历各初筛遥感图像,得到各初筛遥感图像中的可识别对象指的是:对所有的初筛遥感图像进行识别,然后将所有的初筛遥感图像中的可以识别的物体和对象标注为可识别对象。
需要说明的是,获取各可识别对象的识别标签信息指的是:当得到了多个可识别对象之后,获取进行识别时自动对的可识别对象标注的兑现类型的标签,识别标签信息中的标签可以包括但不限于:轮胎、金属、方形、球形等代表对象类型与特征的关键词标签。
应理解的是,根据所述识别标签信息确定各可识别对象的对象类型指的是:根据各个可识别对象的识别标签信息中的标签类型判断各个可识别对象的对象类型。
在具体实施中,当所述可识别对象的识别标签信息与车辆标签信息的重合率大于重合率阈值时,判断所述可识别对象的对象类型为车辆类型指的是:首先确定可识别对象的识别标签信息中的标签的个数与具体的标签,然后与预先存储的车辆标签信息中的标准个数与标准车辆标签进行对比,计算重合率,当重合率大于重合率阈值的时候,将该可识别对象的对象类型作为车辆类型。例如:当可识别对象的标签为:金属、方形、玻璃、长度3m,而车辆标准标签为:金属、轮胎、方形、玻璃、长度3-4m,则此时的重合率为:相同的标签数/车辆标准标签的总标签数=4/5*100%=80%。
其中,重合率阈值为用户预先设置的对重合率的限制的阈值,可以为0-100%的任意数值,本实施例对此不加以限制。
通过这种方式,实现了基于标签的对比实现准确的从所有的可识别对象中筛选出车辆目标作为初筛对象,使得后续排查需要寻找的车辆时更加准确和全面。
步骤S20:获取各初筛对象的目标参数信息。
需要说明的是,当确定了初筛对象之后,将所有初筛对象的尺寸、颜色、在遥感图像上的位置等相关信息进行提取和获取。作为,目标参数信息。
步骤S30:根据所述目标参数信息确定各初筛对象的车辆特征信息。
应理解的是,当确定了目标参数信息之后,再从目标参数信息中提取出所有的初筛对象有关于车辆特征的信息,例如:颜色、图像上的尺寸、车轮轨迹等相关信息,作为车辆特征信息。
步骤S40:根据所述车辆特征信息从所述初筛对象中选取目标排查对象。
在具体实施中,当确定了车辆特征信息之后,再根据车辆特征信息筛选初筛对象的车辆颜色,得到备选对象,再根据备选对象在历史遥感图像上的对应的图像进行筛选,从而得到最可能为需要排查的车辆的目标排查对象。
本实施例通过对各待检测区域的遥感图像进行识别,得到多个初筛对象;获取各初筛对象的目标参数信息;根据所述目标参数信息确定各初筛对象的车辆特征信息;根据所述车辆特征信息从所述初筛对象中选取目标排查对象。通过这种方式,实现了基于待检测区域的遥感图像进行识别和筛选,得到多个初筛对象,然后对初筛对象的目标参数信息中的车辆特征信息进行筛选,从而能够从初筛对象中选取需要进行进一步排查的目标排查对象,实现了基于遥感图像精确地判断和筛选出需要寻找的目标对象车辆,在减少人力消耗的情况下更加方便且准确的搜寻目标。
参考图3,图3为本发明一种基于遥感图像的排查方法第二实施例的流程示意图。
基于上述第一实施例,本实施例基于遥感图像的排查方法在所述步骤S40包括:
步骤S401:根据所述车辆特征信息确定各初筛对象的车辆颜色信息。
需要说明的是,车体颜色信息指的是各个初筛对象的车辆颜色在遥感图像上的表现等相关信息。
应理解的是,根据所述车辆特征信息确定各初筛对象的车辆颜色信息指的是:从车辆特征信息中调取各个初筛对象在遥感图像上的颜色,作为车辆颜色信息。
步骤S402:根据待搜寻目标对应的目标颜色信息和所述车辆颜色信息从所述初筛对象中筛选得到备选对象。
在具体实施中,根据待搜寻目标的目标颜色信息确定目标颜色值,然后确定车辆颜色信息对应的初筛颜色值,将目标颜色值和初筛颜色值对比从而确定初筛对象中的备选对象。
进一步地,为了能够按照颜色选择备选对象,步骤S402包括:根据所述目标颜色信息确定所述待搜寻目标的目标颜色值;根据所述车辆颜色信息确定各初筛对象的初筛颜色值;将所述目标颜色值与各初筛颜色值进行对比,得到各初筛颜色值与所述目标颜色值的色差值;将所述色差值小于色差阈值的所述初筛对象作为备选对象。
需要说明的是,根据所述目标颜色信息确定所述待搜寻目标的目标颜色值指的是:根据目标颜色信息确定在RGB上的颜色值作为目标颜色值。其中,目标颜色信息指的是待搜寻目标在存储中备案的颜色。待搜寻目标为预先设定的在遥感图像中排查的车辆。
应理解的是,根据车辆颜色信息确定初筛对象的初筛颜色值指的是:根据车辆颜色信息确定所有的初筛对象在RGB色域上的颜色值作为初筛颜色值。
在具体实施中,色差值的计算方式为:
其中,L表示亮暗,+表示偏亮,-表示偏暗;A表示红绿,+表示偏红,-表示偏绿;B表示黄蓝,+表示偏黄,-表示偏蓝。
需要说明的是,色差阈值是用户预先设定的任意的色差值的取值,当色差值大于色差阈值时,说明目标颜色值与初筛颜色值的差距较大,所以将色差值小于色差阈值的初筛对象作为备选对象,备选对象与待搜寻目标的颜色更加相近。
通过这种方式,实现了基于颜色的相似度对初筛对象进行进一步地筛选,使得减少了备选的对象,也使得后续对于目标排查对象的确定更加准确。
步骤S403:获取备选对象的历史遥感图像。
应理解的是,当确定了备选对象之后,再从存储中调取各个备选对象分别对应的历史获取的历史遥感图像。
步骤S404:根据所述历史遥感图像从所述备选对象中选取目标排查对象。
在具体实施中,当获取到历史遥感图像之后,再根据历史遥感图像确定地面轨迹图像,然后基于地面轨迹图像确定各个备选对象的车辆轨迹信息,从而确定各个备选对象的轴距和轮距,从而判断备选对象中的哪些为目标排查对象。
进一步地,为了准确的确定目标排查对象,步骤S404包括:根据所述历史遥感图像确定地面轨迹图像;根据所述地面轨迹图像和各备选对象的当前位置信息确定各备选对象的车辆轨迹信息;根据所述车辆轨迹信息确定各车辆轨迹的尺寸信息;确定所述各备选对象与各车辆轨迹的对应关系;根据所述尺寸信息和所述对应关系确定各备选对象的轴距信息和轮距信息;根据所述轴距信息和所述轮距信息从所述备选对象中选取目标排查对象。
需要说明的是,地面轨迹图像指的是根据历史遥感图像获取的车辆在沙地或者可以留下轨迹的路面行驶时留下的地面轨迹的遥感图像。
应理解的是,根据所述地面轨迹图像和各备选对象的当前位置信息确定各备选对象的车辆轨迹信息指的是:根据地面轨迹图像和备选对象所处的当前位置,从而将车辆轨迹与备选对象进行一一对应,得到了各个备选对象对应的车辆轨迹信息。
在具体实施中,根据所述车辆轨迹信息确定各车辆轨迹的尺寸信息指的是:根据车辆轨迹信息确定所有的车辆轨迹的尺寸相关信息,包括但不限于各个车辆轨迹的宽度、车轮间距、拐弯半径等相关信息。如图4所示存在1、2、3、4四条圆弧代表的车辆轨迹,圆弧1和圆弧2代表一侧车轮的轨迹,圆弧3和圆弧4代表另一侧车轮的轨迹,所以两条轨迹的距离l即为宽度,两个车轮轨迹的中心点连线u为车轮间距,也就是轮距,轨迹对应的圆弧的半径s即为拐弯半径。
需要说明的是,根据所述尺寸信息和所述对应关系确定各备选对象的轴距信息和轮距信息指的是:根据尺寸信息中的宽度和拐弯半径确定所有的车辆轨迹对应的备选对象的轴距,再根据尺寸信息中的车轮间距和宽度确定所有车辆轨迹对应的备选对象轮距。轴距指的是同侧两个车轮的中心点的直线距离,而轮距指的是对侧不对角的两个车轮中心点之间的距离。
应理解的是,根据所述轴距信息和所述轮距信息从所述备选对象中选取目标排查对象指的是:根据轴距信息和轮距信息确定各个备选对象的轴距与轮距与待搜寻目标之间的偏差确定哪些备选对象为目标排查对象。
通过这种方式,实现了基于历史遥感图像确定各个备选对象的车辆的轴距和轮距,从而可以准确的从备选对象中选取目标排查对象。
进一步地,为了根据轴距信息和轮距信息准确的计算尺寸偏差值并选取目标排查对象,根据所述轴距信息和所述轮距信息从所述备选对象中选取目标排查对象的步骤包括:根据所述轴距信息和所述轮距信息确定各备选对象的对象轴距和对象轮距;获取所述待搜寻目标的目标轴距和目标轮距;根据所述对象轴距、所述对象轮距、所述目标轴距和所述目标轮距计算各备选对象的尺寸偏差值;将所述尺寸偏差值处于偏差阈值范围内的所述备选对象作为目标排查对象。
需要说明的是,根据所述轴距信息和所述轮距信息确定各备选对象的对象轴距和对象轮距指的是:根据轴距信息和轮距信息确定各个备选对象对应的轴距和轮距分别为对象轴距和对象轮距。
应理解的是,获取所述待搜寻目标的目标轴距和目标轮距指的是:获取用户预先设定的待搜寻目标的轴距和轮距作为目标轴距与目标轮距。
在具体实施中,根据所述对象轴距、所述对象轮距、所述目标轴距和所述目标轮距计算各备选对象的尺寸偏差值指的是:根据对象轴距与目标轴距的差值,以及对象轮距与目标轮距的差值,计算得到尺寸偏差值。
需要说明的是,尺寸偏差值的计算方法为:
其中,x1为对象轴距,x2为目标轴距,y1为对象轮距,y2为目标轮距。
应理解的是,偏差阈值范围为用户预先设定的值,具体的,偏差阈值范围为[0,c],其中,c为任意的正数值,可以由用户自行设定,本实施例对此不加以限制。当尺寸偏差值Q处于偏差阈值范围时判定Q对应的备选对象为目标排查对象。
通过这种方式,实现了准确的计算各个备选对象的轮距与轴距与目标值的偏差,从而更加准确地筛选出最相似的备选对象作为目标排查对象,更加方便用户进行进一步地仔细对比,同时减少了用户需要分析的对象数量,提高了排查的效率。
本实施例通过根据所述车辆特征信息确定各初筛对象的车辆颜色信息;根据待搜寻目标对应的目标颜色信息和所述车辆颜色信息从所述初筛对象中筛选得到备选对象;获取备选对象的历史遥感图像;根据所述历史遥感图像从所述备选对象中选取目标排查对象。通过这种方式,实现了基于车辆颜色首先筛选出颜色相近或者相同的车辆作为备选对象,然后再基于历史遥感图像在备选对象中进一步地筛选出最相近的车辆作为目标排查对象,提高了排查的效率与准确度。
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排查程序,所述基于遥感图像的排查程序被处理器执行时实现如上文所述的基于遥感图像的排查方法的步骤。
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,在此不一一赘述。
参照图5,图5为本发明基于遥感图像的排查装置第一实施例的结构框图。
如图5所示,本发明实施例提出的基于遥感图像的排查装置包括:
识别初筛模块10,用于对各待检测区域的遥感图像进行识别,得到多个初筛对象。
信息获取模块20,用于获取各初筛对象的目标参数信息。
特征提取模块30,用于根据所述目标参数信息确定各初筛对象的车辆特征信息。
对象选取模块40,用于根据所述车辆特征信息从所述初筛对象中选取目标排查对象。
本实施例通过对各待检测区域的遥感图像进行识别,得到多个初筛对象;获取各初筛对象的目标参数信息;根据所述目标参数信息确定各初筛对象的车辆特征信息;根据所述车辆特征信息从所述初筛对象中选取目标排查对象。通过这种方式,实现了基于待检测区域的遥感图像进行识别和筛选,得到多个初筛对象,然后对初筛对象的目标参数信息中的车辆特征信息进行筛选,从而能够从初筛对象中选取需要进行进一步排查的目标排查对象,实现了基于遥感图像精确地判断和筛选出需要寻找的目标对象车辆,在减少人力消耗的情况下更加方便且准确的搜寻目标。
在一实施例中,所述识别初筛模块10,还用于获取目标搜索圈;获取所述目标搜索圈的搜索圈遥感图像;根据所述搜索圈遥感图像确定图像中的各个待识别对象的轮廓信息;将所述待识别对象的轮廓信息与预设车道轮廓信息进行匹配,根据匹配结果确定车道信息;根据所述车道信息对所述搜索圈遥感图像进行区域划分,从所述搜索圈遥感图像筛选出多个待检测区域;将各待检测区域在所述搜索圈遥感图像中对应的图像作为初筛遥感图像;对所述初筛遥感图像进行识别,得到多个初筛对象。
在一实施例中,所述识别初筛模块10,还用于遍历各初筛遥感图像,得到各初筛遥感图像中的可识别对象;获取各可识别对象的识别标签信息;根据所述识别标签信息确定各可识别对象的对象类型;当所述可识别对象的识别标签信息与车辆标签信息的重合率大于重合率阈值时,判断所述可识别对象的对象类型为车辆类型;将所述对象类型为车辆类型的所述可识别对象作为初筛对象。
在一实施例中,所述对象选取模块40,还用于根据所述车辆特征信息确定各初筛对象的车辆颜色信息;根据待搜寻目标对应的目标颜色信息和所述车辆颜色信息从所述初筛对象中筛选得到备选对象;获取备选对象的历史遥感图像;根据所述历史遥感图像从所述备选对象中选取目标排查对象。
在一实施例中,所述对象选取模块40,还用于根据所述目标颜色信息确定所述待搜寻目标的目标颜色值;根据所述车辆颜色信息确定各初筛对象的初筛颜色值;将所述目标颜色值与各初筛颜色值进行对比,得到各初筛颜色值与所述目标颜色值的色差值;将所述色差值小于色差阈值的所述初筛对象作为备选对象。
在一实施例中,所述对象选取模块40,还用于根据所述历史遥感图像确定地面轨迹图像;根据所述地面轨迹图像和各备选对象的当前位置信息确定各备选对象的车辆轨迹信息;根据所述车辆轨迹信息确定各车辆轨迹的尺寸信息;确定所述各备选对象与各车辆轨迹的对应关系;根据所述尺寸信息和所述对应关系确定各备选对象的轴距信息和轮距信息;根据所述轴距信息和所述轮距信息从所述备选对象中选取目标排查对象。
在一实施例中,所述对象选取模块40,还用于根据所述轴距信息和所述轮距信息确定各备选对象的对象轴距和对象轮距;获取所述待搜寻目标的目标轴距和目标轮距;根据所述对象轴距、所述对象轮距、所述目标轴距和所述目标轮距计算各备选对象的尺寸偏差值;将所述尺寸偏差值处于偏差阈值范围内的所述备选对象作为目标排查对象。
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排查方法,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 (9)
1.一种基于遥感图像的排查方法,其特征在于,所述基于遥感图像的排查方法包括:
对各待检测区域的遥感图像进行识别,得到多个初筛对象;
所述对各待检测区域的遥感图像进行识别,得到多个初筛对象,包括:
获取目标搜索圈;
获取所述目标搜索圈的搜索圈遥感图像;
根据所述搜索圈遥感图像确定图像中的各个待识别对象的轮廓信息;
将所述待识别对象的轮廓信息与预设车道轮廓信息进行匹配,根据匹配结果确定车道信息;
根据所述车道信息对所述搜索圈遥感图像进行区域划分,从所述搜索圈遥感图像筛选出多个待检测区域;
将各待检测区域在所述搜索圈遥感图像中对应的图像作为初筛遥感图像;
对所述初筛遥感图像进行识别,得到多个初筛对象;
获取各初筛对象的目标参数信息;
根据所述目标参数信息确定各初筛对象的车辆特征信息;
根据所述车辆特征信息从所述初筛对象中选取目标排查对象。
2.如权利要求1所述的方法,其特征在于,所述对所述初筛遥感图像进行识别,得到多个初筛对象,包括:
遍历各初筛遥感图像,得到各初筛遥感图像中的可识别对象;
获取各可识别对象的识别标签信息;
根据所述识别标签信息确定各可识别对象的对象类型;
当所述可识别对象的识别标签信息与车辆标签信息的重合率大于重合率阈值时,判断所述可识别对象的对象类型为车辆类型;
将所述对象类型为车辆类型的所述可识别对象作为初筛对象。
3.如权利要求1所述的方法,其特征在于,所述根据所述车辆特征信息从所述初筛对象中选取目标排查对象,包括:
根据所述车辆特征信息确定各初筛对象的车辆颜色信息;
根据待搜寻目标对应的目标颜色信息和所述车辆颜色信息从所述初筛对象中筛选得到备选对象;
获取备选对象的历史遥感图像;
根据所述历史遥感图像从所述备选对象中选取目标排查对象。
4.如权利要求3所述的方法,其特征在于,所述根据待搜寻目标对应的目标颜色信息和所述车辆颜色信息从所述初筛对象中筛选得到备选对象,包括:
根据所述目标颜色信息确定所述待搜寻目标的目标颜色值;
根据所述车辆颜色信息确定各初筛对象的初筛颜色值;
将所述目标颜色值与各初筛颜色值进行对比,得到各初筛颜色值与所述目标颜色值的色差值;
将所述色差值小于色差阈值的所述初筛对象作为备选对象。
5.如权利要求3所述的方法,其特征在于,所述根据所述历史遥感图像从所述备选对象中选取目标排查对象,包括:
根据所述历史遥感图像确定地面轨迹图像;
根据所述地面轨迹图像和各备选对象的当前位置信息确定各备选对象的车辆轨迹信息;
根据所述车辆轨迹信息确定各车辆轨迹的尺寸信息;
确定所述各备选对象与各车辆轨迹的对应关系;
根据所述尺寸信息和所述对应关系确定各备选对象的轴距信息和轮距信息;
根据所述轴距信息和所述轮距信息从所述备选对象中选取目标排查对象。
6.如权利要求5所述的方法,其特征在于,所述根据所述轴距信息和所述轮距信息从所述备选对象中选取目标排查对象,包括:
根据所述轴距信息和所述轮距信息确定各备选对象的对象轴距和对象轮距;
获取所述待搜寻目标的目标轴距和目标轮距;
根据所述对象轴距、所述对象轮距、所述目标轴距和所述目标轮距计算各备选对象的尺寸偏差值;
将所述尺寸偏差值处于偏差阈值范围内的所述备选对象作为目标排查对象。
7.一种基于遥感图像的排查装置,其特征在于,所述基于遥感图像的排查装置包括:
识别初筛模块,用于对各待检测区域的遥感图像进行识别,得到多个初筛对象;
所述识别初筛模块,还用于获取目标搜索圈;获取所述目标搜索圈的搜索圈遥感图像;根据所述搜索圈遥感图像确定图像中的各个待识别对象的轮廓信息;将所述待识别对象的轮廓信息与预设车道轮廓信息进行匹配,根据匹配结果确定车道信息;根据所述车道信息对所述搜索圈遥感图像进行区域划分,从所述搜索圈遥感图像筛选出多个待检测区域;将各待检测区域在所述搜索圈遥感图像中对应的图像作为初筛遥感图像;对所述初筛遥感图像进行识别,得到多个初筛对象;
信息获取模块,用于获取各初筛对象的目标参数信息;
特征提取模块,用于根据所述目标参数信息确定各初筛对象的车辆特征信息;
对象选取模块,用于根据所述车辆特征信息从所述初筛对象中选取目标排查对象。
8.一种基于遥感图像的排查设备,其特征在于,所述设备包括: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排查程序,所述基于遥感图像的排查程序配置为实现如权利要求1至6中任一项所述的基于遥感图像的排查方法。
9.一种存储介质,其特征在于,所述存储介质上存储有基于遥感图像的排查程序,所述基于遥感图像的排查程序被处理器执行时实现如权利要求1至6任一项所述的基于遥感图像的排查方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210994688.4A CN115359436B (zh) | 2022-08-18 | 2022-08-18 | 基于遥感图像的排查方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210994688.4A CN115359436B (zh) | 2022-08-18 | 2022-08-18 | 基于遥感图像的排查方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359436A CN115359436A (zh) | 2022-11-18 |
CN115359436B true CN115359436B (zh) | 2023-04-28 |
Family
ID=84002002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210994688.4A Active CN115359436B (zh) | 2022-08-18 | 2022-08-18 | 基于遥感图像的排查方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359436B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426899A (zh) * | 2014-09-19 | 2016-03-23 | 腾讯科技(北京)有限公司 | 车辆识别方法、装置和客户端 |
CN108062805A (zh) * | 2017-11-03 | 2018-05-22 | 深圳市轱辘车联数据技术有限公司 | 一种车载数据处理方法和服务器 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508636A (zh) * | 2018-10-08 | 2019-03-22 | 百度在线网络技术(北京)有限公司 | 车辆属性识别方法、装置、存储介质及电子设备 |
CN113673282A (zh) * | 2020-05-14 | 2021-11-19 | 华为技术有限公司 | 目标检测方法和装置 |
CN111914648A (zh) * | 2020-07-01 | 2020-11-10 | 珠海大横琴科技发展有限公司 | 车辆检测和识别的方法及装置、电子设备、存储介质 |
US11951992B2 (en) * | 2021-01-05 | 2024-04-09 | Guangzhou Automobile Group Co., Ltd. | Vehicle positioning method and apparatus, storage medium, and electronic device |
CN114023076B (zh) * | 2021-10-22 | 2022-10-04 | 北京商海文天科技发展有限公司 | 一种基于多源异构数据的特定车辆追踪方法 |
-
2022
- 2022-08-18 CN CN202210994688.4A patent/CN115359436B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426899A (zh) * | 2014-09-19 | 2016-03-23 | 腾讯科技(北京)有限公司 | 车辆识别方法、装置和客户端 |
CN108062805A (zh) * | 2017-11-03 | 2018-05-22 | 深圳市轱辘车联数据技术有限公司 | 一种车载数据处理方法和服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN115359436A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110502982B (zh) | 一种检测高速公路中障碍物的方法、装置及计算机设备 | |
CN105975929A (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN104197899A (zh) | 移动机器人定位方法及系统 | |
CN106197417B (zh) | 手持终端的室内导航方法及手持终端 | |
CN105654507A (zh) | 一种基于图像动态特征跟踪的车辆外廓尺寸测量方法 | |
CN109448387B (zh) | 基于轨迹的违规行驶判定方法 | |
CN108550278B (zh) | 停车泊位占用状态检测设备及移动式停车泊位占用状态检测设备 | |
CN114724117A (zh) | 车道线关键点数据生成方法、装置、电子设备及存储介质 | |
CN113989604B (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
CN111832634A (zh) | 异物检测方法、系统、终端设备及存储介质 | |
CN107967437B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
CN111898477A (zh) | 基于无人机新旧时相影像的变化建筑物快速检测方法 | |
CN111191557A (zh) | 一种标志识别定位方法、标志识别定位装置及智能设备 | |
CN115359436B (zh) | 基于遥感图像的排查方法、装置、设备及存储介质 | |
CN114863129A (zh) | 仪表数值分析方法、装置、设备及存储介质 | |
CN109191489B (zh) | 一种飞行器着陆标志的检测跟踪方法与系统 | |
EP4141703B1 (en) | Hub image retrieval method and device | |
Chen et al. | Utilizing Road Network Data for Automatic Identification of Road Intersections from High Resolution Color Orthoimagery. | |
CN112010236B (zh) | 无人驾驶叉车自动控制指令的识别方法、装置和设备 | |
CN114092419A (zh) | 一种基于地表点位的点云空间位置质量自动检查方法 | |
CN113378669A (zh) | 车辆摆放姿态的确定方法、装置、设备及存储介质 | |
CN109359645B (zh) | Agv编码标志、检测方法及计算机可读存储介质 | |
CN112861701A (zh) | 违章停车识别方法、装置、电子设备以及计算机可读介质 | |
CN118314363B (zh) | 目标跟踪方法、装置、存储介质及计算机设备 | |
CN111523530B (zh) | 一种目标检测中分数图的映射方法及目标检测方法 |
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 |