CN115376018A - 建筑物高度及占地面积计算方法、装置、设备及存储介质 - Google Patents
建筑物高度及占地面积计算方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115376018A CN115376018A CN202211030943.XA CN202211030943A CN115376018A CN 115376018 A CN115376018 A CN 115376018A CN 202211030943 A CN202211030943 A CN 202211030943A CN 115376018 A CN115376018 A CN 115376018A
- Authority
- CN
- China
- Prior art keywords
- target
- sample
- building
- training
- network
- 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
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Abstract
本申请提供一种建筑物高度及占地面积计算方法、装置、设备及存储介质,属于人工智能技术领域。该方法包括:获取目标建筑物的目标图片和目标卫星信息;将目标图片和目标卫星信息输入已训练识别模型,并采用已训练识别模型输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量;已训练识别模型采用训练数据集对预设识别模型进行训练得到;根据目标卫星信息、目标位置相关信息、目标屋顶分割图像和目标偏移角度向量计算目标建筑物高度;根据目标卫星信息和目标屋顶分割图像计算目标建筑物占地面积。本申请的方法,能够计算得到更准确的建筑物高度及占地面积。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种建筑物高度及占地面积计算方法、装置、设备及存储介质。
背景技术
在需要定期监控建筑物高度及占地面积时,可以通过卫星遥感图像来计算建筑物高度及占地面积,实现不到现场进行测量就能获得数据。
现目前,可以由工作人员在卫星遥感图像中勾选目标建筑物轮廓和高度,或者由图像分割技术分割出目标建筑物的轮廓,再结合卫星遥感图像对应的卫星信息计算出目标建筑物的高度及占地面积。通过工作人员勾选的方式,得到的数据准确度受工作人员操作方式和细心程度的影响。通过图像分割技术的方法,由于卫星遥感图像中建筑物较多,可能存在的阴影也会影响建筑物轮廓分割的完成性,得到的数据也不够准确。
综上,现有技术中,建筑物高度及占地面积的计算结果不够准确。
发明内容
本申请提供一种建筑物高度及占地面积计算方法、装置、设备及存储介质,用以解决现有技术中建筑物高度及占地面积的计算结果不够准确问题。
根据本申请的第一方面,提供一种建筑物高度及占地面积计算方法,包括:
获取目标建筑物的目标图片和目标卫星信息;
将目标图片和目标卫星信息输入已训练识别模型,并采用已训练识别模型输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量;已训练识别模型采用训练数据集对预设识别模型进行训练得到,训练数据集包括至少一个训练样本,训练样本包括样本建筑物的样本图片、样本卫星信息、位置相关信息标签、屋顶分割图像标签和偏移角度向量标签;
根据目标卫星信息、目标位置相关信息、目标屋顶分割图像和目标偏移角度向量计算目标建筑物高度;
根据目标卫星信息和目标屋顶分割图像计算目标建筑物占地面积。
根据本申请的第二方面,提供一种建筑物高度及占地面积计算装置,包括:
获取模块,用于获取目标建筑物的目标图片和目标卫星信息;
识别模型,用于将目标图片和目标卫星信息输入已训练识别模型,并采用已训练识别模型输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量;已训练识别模型采用训练数据集对识别模型进行训练得到,训练数据集包括至少一个训练样本,训练样本包括样本建筑物的样本图片、样本卫星信息、位置相关信息标签、屋顶分割图像标签和偏移角度向量标签;
第一计算模块,用于根据目标卫星信息、目标位置相关信息、目标屋顶分割图像和目标偏移角度向量计算目标建筑物高度;
第二计算模块,用于根据目标卫星信息和目标屋顶分割图像计算目标建筑物占地面积。
根据本申请的第三方面,提供一种电子设备,包括:处理器以及与处理器通信连接的存储器;
存储器存储计算机执行指令;
处理器执行存储器存储的计算机执行指令,以实现如第一方面所述的方法。
根据本申请的第四方面,提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
根据本申请的第五方面,提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如第一方面所述的方法。
本申请提供的建筑物高度及占地面积计算方法、装置、设备及存储介质,通过获取目标建筑物的目标图片和目标卫星信息;将目标图片和目标卫星信息输入已训练识别模型,并采用已训练识别模型输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量;已训练识别模型采用训练数据集对预设识别模型进行训练得到,训练数据集包括至少一个训练样本,训练样本包括样本建筑物的样本图片、样本卫星信息、位置相关信息标签、屋顶分割图像标签和偏移角度向量标签;根据目标卫星信息、目标位置相关信息、目标屋顶分割图像和目标偏移角度向量计算目标建筑物高度;根据目标卫星信息和目标屋顶分割图像计算目标建筑物占地面积。由于已训练模型是采用训练数据集对预设模型进行训练得到的,而训练数据集中各训练样本包括样本建筑物的样本图片、样本卫星信息、位置相关信息标签、屋顶分割图像标签和偏移角度向量标签,因此,已训练识别模型能够输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量。其中,目标位置相关信息是目标建筑物在目标图片中的位置相关信息,不需要进行图片分割就能够从目标图片中确定,同时,目标偏移角度也不需要进行图片分割就能从目标图片中确定,因此,只要目标偏移角度和目标位置相关信息准确,就能够根据三角函数原理计算出准确的目标建筑物高度。同时,目标屋顶分割图像受目标图像上的建筑物阴影的影响较小,从目标图片中分离出的屋顶分割图像比目标建筑物轮廓更准确,根据目标屋顶分割图像计算出的目标建筑物占地面积能够更准确,综上,本申请的方案能够计算得到更准确的建筑物高度及占地面积。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是根据本申请实施例提供的应用场景对应的网络架构图;
图2是根据本申请实施例一提供的建筑物高度及占地面积计算方法的流程示意图;
图3是根据本申请实施例二提供的预设识别模型的结构示意图;
图4是根据本申请实施例二提供的建筑物高度及占地面积计算方法的流程示意图;
图5是根据本申请实施例三提供的建筑物高度及占地面积计算方法的流程示意图;
图6是根据本申请实施例三提供的一种定位网络的结构示意图;
图7是根据本申请实施例四提供的建筑物高度及占地面积计算方法的流程示意图;
图8是根据本申请实施例五提供的建筑物高度及占地面积计算方法的流程示意图;
图9是根据本申请实施例五提供的一种角度分析网络的结构示意图;
图10是根据本申请实施例六提供的建筑物高度及占地面积计算装置的结构示意图;
图11是根据本申请第七实施例提供的电子设备框图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
以下对本申请所涉及的现有技术进行详细说明及分析。
现目前,主要有以下两种方式可以实现通过卫星遥感图像来计算目标建筑物高度及占地面积。
第一种方式是利用交互技术,由工作人员在遥感图像中勾选出目标建筑物的轮廓和高度,再通过遥感图像对应的卫星信息计算目标建筑物高度及占地面积。这种方法不仅费时费力,其准确度也依赖于工作人员的操作方式和细心程度,计算得到的数据不够准确。
第二种方式是利用人工智能技术对遥感图像进行图像分割,从整张遥感图像中分离出目标建筑物轮廓再进行计算。但由于遥感图像中的建筑物数量庞大和遥感图像中可能存在的建筑物阴影,使得从整张图像中分离出的目标建筑物轮廓不一定完整,进而使得通过目标建筑物轮廓计算得到的目标建筑物高度及占地面积也不够准确。
所以,在面对现有技术中建筑物高度及占地面积的计算结果不够准确的问题时,发明人通过创造性研究,为了计算得到更准确的建筑物高度及占地面积,首先需要获得完整且更准确的目标建筑物轮廓,而通过工作人员在遥感图像中勾选目标建筑物轮廓的方式无法控制目标建筑物轮廓的准确度,因此,仍旧需要采用人工智能技术从遥感图像中分割出目标建筑物轮廓。
虽然遥感图像中可能存在的建筑物阴影对目标建筑物轮廓的完整度和准确度会造成影响,但建筑物阴影对目标建筑物屋顶轮廓的影响远小于对目标建筑物轮廓的影响,而大多数目标建筑物的属于规则的类长方体结构,屋顶形状与占地形状一致,因此,可以在采用人工智能技术定位出目标建筑物之后,不从中分离目标建筑物轮廓,而仅从中分离目标建筑物的屋顶分割图像,进而,通过计算目标建筑物屋顶面积来获得更准确的建筑物占地面积。
同时,只要不通过目标建筑物轮廓来计算目标建筑物高度,标建筑物轮廓的完整度和准确度就不会影响目标建筑物高度的准确度,因此,在采用人工智能技术定位出目标建筑物之后,只需获得目标建筑物的实际偏移角度和目标建筑物在遥感图像上的位置相关信息,就可以根据三角函数原理计算得到准确的目标建筑物高度。
综上,发明人提出本申请的技术方案,通过获取目标建筑物的目标图片和目标卫星信息;将目标图片和目标卫星信息输入已训练识别模型,并采用已训练识别模型输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量;已训练识别模型采用训练数据集对预设识别模型进行训练得到,训练数据集包括至少一个训练样本,训练样本包括样本建筑物的样本图片、样本卫星信息、位置相关信息标签、屋顶分割图像标签和偏移角度向量标签;根据目标卫星信息、目标位置相关信息、目标屋顶分割图像和目标偏移角度向量计算目标建筑物高度;根据目标卫星信息和目标屋顶分割图像计算目标建筑物占地面积。由于已训练模型是采用训练数据集对预设模型进行训练得到的,而训练数据集中各训练样本包括样本建筑物的样本图片、样本卫星信息、位置相关信息标签、屋顶分割图像标签和偏移角度向量标签,因此,已训练识别模型能够输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量。其中,目标位置相关信息是目标建筑物在目标图片中的位置相关信息,不需要进行图片分割就能够从目标图片中确定,同时,目标偏移角度也不需要进行图片分割就能从目标图片中确定,因此,只要目标偏移角度和目标位置相关信息准确,就能够根据三角函数原理计算出准确的目标建筑物高度。同时,目标屋顶分割图像受目标图像上的建筑物阴影的影响较小,从目标图片中分离出的屋顶分割图像比目标建筑物轮廓更准确,根据目标屋顶分割图像计算出的目标建筑物占地面积能够更准确。因此,本申请的方案能够计算得到更准确的建筑物高度及占地面积。
本申请提供的建筑物高度及占地面积计算方法、装置、设备及存储介质,旨在解决现有技术的如上技术问题。下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
下面将对本申请实施例提供的建筑物高度及占地面积计算方法的网络架构和应用场景进行介绍。下面的描述涉及附图时,除非另有表示,不同附图中的相同数据表示相同或相似的要素。
图1是根据本申请实施例提供的应用场景对应的网络架构图。如图1所示,本申请实施例提供的一种应用场景对应的网络架构中包括:终端11,电子设备12,数据库13。终端11中搭载有建筑物高度及占地面积计算方法应用软件的客户端14,或者终端11访问到建筑物高度及占地面积计算方法网址对应的网页。终端11、电子设备12和数据库13通信连接。电子设备12中配置有预设识别模型或已训练识别模型。
数据库13中存储有训练数据集。训练数据集包括至少一个训练样本,训练样本包括样本建筑物的样本图片、样本卫星信息、位置相关信息标签、屋顶分割图像标签和偏移角度向量标签。数据库13中还可以存储有目标建筑物的目标图片和目标卫星信息。目标图片为目标卫星拍摄的目标建筑物的遥感图片。
用户可以在客户端14的操作界面中,或者在建筑物高度及占地面积计算方法网址对应的网页中,输入目标建筑物的目标图片和目标卫星信息。终端11将目标建筑物的目标图片和目标卫星信息发送给电子设备12。
电子设备12可以通过与终端11的通信连接获取到终端11发送的目标建筑物的目标图片和目标卫星信息;也可以通过与数据库13的通信连接,获取到数据库13中存储的目标建筑物的目标图片和目标卫星信息。
电子设备12在获取到目标建筑物的目标图片和目标卫星信息后,将目标图片和目标卫星信息输入已训练识别模型,并采用已训练识别模型输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量;根据目标卫星信息、目标位置相关信息、目标屋顶分割图像和目标偏移角度向量计算目标建筑物高度;根据目标卫星信息和目标屋顶分割图像计算目标建筑物占地面积。
电子设备12可以将目标建筑物高度及占地面积发送给终端11,以使终端11向用户展示目标建筑物的高度及占地面积。
电子设备12还可以从数据库12中获取训练数据集,并采用训练数据集对预设识别模型进行训练,获得已训练识别模型。
下面将结合附图,对本申请的实施例进行描述。以下实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
实施例一
图2是根据本申请实施例一提供的建筑物高度及占地面积计算方法的流程示意图。如图2所示,本申请的执行主体为建筑物高度及占地面积计算装置,该建筑物高度及占地面积计算装置位于电子设备中。本实施例提供的建筑物高度及占地面积计算方法包括步骤201至步骤204。
步骤201,获取目标建筑物的目标图片和目标卫星信息。
本实施例中,目标图片是目标卫星拍摄的目标建筑物的遥感图片。目标卫星信息是目标卫星拍摄目标图片的位置、时间、拍摄参数等信息。示例性地,目标卫星信息可以包括卫星高度角和卫星分辨率。
步骤202,将目标图片和目标卫星信息输入已训练识别模型,并采用已训练识别模型输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量;已训练识别模型采用训练数据集对预设识别模型进行训练得到,训练数据集包括至少一个训练样本,训练样本包括样本建筑物的样本图片、样本卫星信息、位置相关信息标签、屋顶分割图像标签和偏移角度向量标签。
本实施例中,目标位置相关信息可以包括目标建筑物在目标图片上的坐标信息,示例性地,目标位置相关信息可以是在目标图片中框出目标建筑物的矩形框的坐标信息和长宽信息。
目标屋顶分割图像可以为一张黑白图像,其中,黑色可以为背景,白色可以为分割出的目标建筑物的屋顶形状。
目标偏移角度向量对应的角度可以为目标图片上目标建筑物的投影的偏移角度。这里,由于目标图片是目标卫星拍摄的遥感图像,除俯拍之外,目标建筑物在目标图像中一定会偏向一个方向的,因此,目标图片上呈现的目标建筑物存在一个投影偏移角度,进而使得不能直接通过目标建筑物在目标图片上的呈现高度计算目标建筑物的实际高度。示例性地,这个投影偏移角度可以理解为目标建筑物的实际高度与呈现高度之间的夹角。
步骤203,根据目标卫星信息、目标位置相关信息、目标屋顶分割图像和目标偏移角度向量计算目标建筑物高度。
本实施例中,由于目标建筑物在目标图片中呈现倾斜状态,因此,可以通过目标偏移角度的三角函数计算目标建筑物高度。示例性地,目标建筑物可以通过一个矩形框被定位,目标位置相关信息可以为将目标建筑物从目标图片中定位的矩形框在目标图片中的横坐标、纵坐标、长L和宽W。根据目标屋顶分割图像和目标卫星相关信息可以计算得到目标建筑物屋顶在目标图片中所占的长度L1。因此,目标建筑物在目标图片中的呈现高度L2=L-L1。根据目标偏移角度向量计算目标偏移角度θ。因此,目标建筑物高度L3可以为L3=L2sinθ。
步骤204,根据目标卫星信息和目标屋顶分割图像计算目标建筑物占地面积。
本实施例中,可以将目标卫星信息,例如,卫星分辨率,以及目标屋顶分割图像输入OpenCV软件,并利用OpenCV软件中附带的算法,即可计算出目标建筑物的屋顶面积,并可以将目标建筑物的屋顶面积确定为目标建筑物占地面积。
本实施例提供的建筑物高度及占地面积计算方法,通过获取目标建筑物的目标图片和目标卫星信息;将目标图片和目标卫星信息输入已训练识别模型,并采用已训练识别模型输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量;已训练识别模型采用训练数据集对预设识别模型进行训练得到,训练数据集包括至少一个训练样本,训练样本包括样本建筑物的样本图片、样本卫星信息、位置相关信息标签、屋顶分割图像标签和偏移角度向量标签;根据目标卫星信息、目标位置相关信息、目标屋顶分割图像和目标偏移角度向量计算目标建筑物高度;根据目标卫星信息和目标屋顶分割图像计算目标建筑物占地面积。由于已训练模型是采用训练数据集对预设模型进行训练得到的,而训练数据集中各训练样本包括样本建筑物的样本图片、样本卫星信息、位置相关信息标签、屋顶分割图像标签和偏移角度向量标签,因此,已训练识别模型能够输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量。其中,目标位置相关信息是目标建筑物在目标图片中的位置相关信息,不需要进行图片分割就能够从目标图片中确定,同时,目标偏移角度也不需要进行图片分割就能从目标图片中确定,因此,只要目标偏移角度和目标位置相关信息准确,就能够根据三角函数原理计算出准确的目标建筑物高度。同时,目标屋顶分割图像受目标图像上的建筑物阴影的影响较小,从目标图片中分离出的屋顶分割图像比目标建筑物轮廓更准确,根据目标屋顶分割图像计算出的目标建筑物占地面积能够更准确。因此,本申请的方案能够计算得到更准确的建筑物高度及占地面积。
实施例二
图3是根据本申请实施例二提供的预设识别模型的结构示意图;图4是根据本申请实施例二提供的建筑物高度及占地面积计算方法的流程示意图。
本实施例提供的建筑物高度及占地面积计算方法,在实施例一的基础上,如图3所示,预设识别模型30包括图像分割模型31、定位网络32、屋顶分割网33和角度分析网络34。图像分割模型31分别与定位网络32、屋顶分割网络33和角度分析网络连接34。如图4所示,在步骤202,将目标图片和目标卫星信息输入已训练识别模型,并采用已训练识别模型输出目标建筑物的位置相关信息、屋顶分割图像和偏移角度向量,之前,还包括步骤401至步骤402。
步骤401,将各训练样本的样本图片输入图像分割模型,采用图像分割模型提取并输出各训练样本的样本图片特征图和至少一个感兴趣区域ROI矩阵。
本实施例中,对于任意一个训练样本,将训练样本的样本图片输入图像分割模型后,图像分割模型能够输出样本图片特征图和至少一个ROI矩阵。ROI矩阵是描述样本图片特征图上候选框的矩阵。
图像分割模型可以为mask-R-CNN图像分割模型的卷积神经网络部分。其中,mask-R-CNN图像分割模型的卷积神经网络部分可以包括ResNet50网络和RPN网络。
ResNet50网络可以对训练样本的样本图片进行特征提取,获得样本图片特征图。
RPN网络可以在样本图片特征图上生成至少一个候选框,并生成各候选框对应的感兴趣区域ROI矩阵。
ROI矩阵以矩阵信息来描述候选框在样本图片特征图上的位置。示例性地,ROI矩阵可以将以ROI矩阵中的元素来标识样本图片特征图中的元素是否被候选框框选住。例如,ROI矩阵以元素1来标识样本图片特征图中的元素被候选框框选住,以元素0来标识样本图片特征图中的元素未被候选框框选住。示例性地,目标图片特征图为300行300列的矩阵时,ROI矩阵也为300行300列。
步骤402,将各训练样本的位置相关信息标签、样本图片特征图和各ROI矩阵输入定位网络,对定位网络进行训练,将各训练样本的屋顶分割图像标签、样本图片特征图和各ROI矩阵输入屋顶分割网络,对屋顶分割网络进行训练,将各训练样本的偏移角度向量标签、样本卫星信息、样本图片特征图和各ROI矩阵输入角度分析网络,对角度分析网络进行训练,获得已训练识别模型。
本实施例中,位置相关信息标签包括在样本图片中框选出样本建筑物的定位矩形框的横坐标、纵坐标、框长和框宽。定位矩形框可以由工作人员在样本图片中进行标注。这里,位置相关信息标签中的横坐标和纵坐标可以是定位矩形框的左下角、几何中心或者任意一个指定的点与坐标原点的距离。
屋顶分割图像标签可以为样本图片中样本建筑物的样本屋顶分割图像,其中,屋顶部分可以为白色,背景部分可以为黑色,并且可以与框选出样本建筑物的定位矩形框的位置和大小一致。屋顶分割图像标签可以由工作人员在定位举行框中对屋顶轮廓进行标注后获得。
偏移角度向量标签可以为样本建筑物在样本图片中偏移角度对应的向量。偏移角度向量标签与样本图片中横坐标的夹角可以等于样本建筑物的实际高度和呈现高度之间的夹角。
定位网络用于从各候选框对应的各ROI矩阵中确定出样本矩形框的位置信息。样本矩形框为各候选矩形框中对样本建筑物框选得最准确的矩形框。采用有监督学习的方法,将各训练样本的位置信息标签、样本图片特征图和各ROI矩阵输入定位网络,对定位网络的参数进行训练,使得定位网络的定位准确率达到预设定位准确率,即可获得已训练识别模型中的定位网络的参数。
屋顶分割网络用于从各候选框在样本图片特征图中框选的区域分离出样本建筑物的屋顶分割图像。采用有监督学习的方法,将各训练样本的屋顶分割图像标签、样本图片特征图和各ROI矩阵输入屋顶分割网络,对屋顶分割网络的参数进行训练,使得屋顶分割网络的分割准确率达到预设分割准确率,即可获得已训练识别模型中的屋顶分割网络的参数。
角度分析网络用于从各候选框在样本图片特征图中框选的区域确定出样本建筑物的偏移角度。采用有监督学习的方法,将各训练样本的偏移角度向量标签、样本卫星信息、样本图片特征图和各ROI矩阵输入角度分析网络,对角度分析网络的参数进行训练,使得角度分析网络的分析准确率达到预设分析准确率,即可获得已训练识别模型中角度分析网络的参数。
本实施例提供的建筑物高度及占地面积计算方法,通过将各训练样本的样本图片输入图像分割模型,采用图像分割模型提取并输出各训练样本的样本图片特征图和至少一个感兴趣区域ROI矩阵;将各训练样本的位置相关信息标签、样本图片特征图和各ROI矩阵输入定位网络,对定位网络进行训练,将各训练样本的屋顶分割图像标签、样本图片特征图和各ROI矩阵输入屋顶分割网络,对屋顶分割网络进行训练,将各训练样本的偏移角度向量标签、样本卫星信息、样本图片特征图和各ROI矩阵输入角度分析网络,对角度分析网络进行训练,获得已训练识别模型;由于采用训练数据集中各训练样本对预设识别模型进行训练,获得已训练识别模型,因此,能够保证将目标图片和目标卫星信息输入已训练识别模型后,采用已训练识别模型能够输出目标建筑物准确的目标位置相关信息、目标屋顶分割图像和目标角度偏移向量,进而能够更准确地计算出目标建筑物的高度和占地面积。
实施例三
图5是根据本申请实施例三提供的建筑物高度及占地面积计算方法的流程示意图。如图5所示,本实施例提供的建筑物高度及占地面积计算方法,在实施例二的基础上,对步骤402中“将各训练样本的位置相关信息标签、样本图片特征图和各ROI矩阵输入定位网络,对定位网络进行训练”进行细化,则细化包括步骤501至步骤503。
步骤501,采用定位网络确定并输出各训练样本的样本位置相关信息,并根据各训练样本的位置相关信息标签确定定位网络的定位准确率。
本实施例中,定位网络可以包括卷积层。对于任意一个训练样本,卷积层可以对各ROI矩阵对应在样本图片特征图中的特征矩阵进行卷积计算,进而获得该训练样本的样本位置相关信息。样本位置相关信息是样本建筑物在样本图片中的位置相关信息。示例性地,可以包括将在样本图片中框选出样本建筑物的样本矩形框的横坐标、纵坐标、框长和框宽。本实施例中,也可以通过其他方法获取训练样本的样本位置相关信息,本实施例对此不做限定。
本实施例中,在确定出各训练样本的样本位置相关信息之后,可以将样本位置相关信息符合或匹配位置相关信息标签的训练样本在训练数据集中所占的比例确定为定位网络的定位准确率。
步骤502,若确定定位准确率大于或等于预设定位准确率,则将定位网络的参数确定为已训练识别模型中定位网络的参数。
本实施例中,预设定位准率可以是用户期望定位网络达到的准确率,示例性地,可以为95%等。若定位准确率大于或等于预设定位准确率,则定位网络的参数训练完成,可以将定位网络的参数确定为已训练识别模型中定位网络的参数。
步骤503,若确定定位准确率小于预设定位准确率,则调整定位网络的参数,并重复执行采用定位网络确定并输出各训练样本的样本位置相关信息,并根据各训练样本的位置相关信息标签确定定位网络的定位准确率步骤,直至定位准确率大于或等于预设定位准确率。
本实施例中,若定位准确率小于预设定位准确率,则可以通过梯度下降算法、反向传播算法等调整定位网络的参数,直至定位网络的定位准确率大于或等于预设定位准率,进而保证已训练识别模型提取目标建筑物的目标位置相关信息的准确率。
本实施例提供的建筑物高度及占地面积计算方法,通过采用定位网络确定并输出各训练样本的样本位置相关信息,并根据各训练样本的位置相关信息标签确定定位网络的定位准确率;若确定定位准确率大于或等于预设定位准确率,则将定位网络的参数确定为已训练识别模型中定位网络的参数;若确定定位准确率小于预设定位准确率,则调整定位网络的参数,并重复执行采用定位网络确定并输出各训练样本的样本位置相关信息,并根据各训练样本的位置相关信息标签确定定位网络的定位准确率步骤,直至定位准确率大于或等于预设定位准确率;由于定位网络采用训练数据集进行训练,直至定位网络的定位准确率大于或等于预设定位准率之后,才将定位网络的参数确定为已训练识别模型中的定位网络的参数,因此,已训练识别模型能够准确地获取目标建筑物的目标位置相关信息,进而能够根据准确的目标位置相关信息计算出准确的目标建筑物高度及占地面积。
作为一种可选的实施方式,在实施例三的基础上,同时,对步骤501中“采用定位网络确定并输出各训练样本的样本位置相关信息”进行细化,则细化包括步骤5011。
步骤5011,采用卷积层对各训练样本的各ROI矩阵对应在样本图片特征图中的特征矩阵进行卷积操作,获得各训练样本的样本位置相关信息。
本实施例中,对于任意一个训练样本,采用卷积层对各ROI矩阵对应在样本图片特征图中的特征矩阵进行卷积操作,获得该训练样本的样本位置相关信息。ROI矩阵对应在样本图片特征图中的特征矩阵是指ROI矩阵标记的候选框在样本图片特征图中所框选出的矩阵。
图6是根据本申请实施例三提供的一种定位网络的结构示意图。作为一种可选的实施方式,如图6所示,定位网络60包括卷积层61和全连接层62,并且,步骤501,采用定位网络确定并输出各训练样本的样本位置相关信息,细化还包括步骤5012。
步骤5012,采用全连接层对各ROI矩阵对应在样本图片特征图中的特征矩阵进行分类操作,获得样本图片特征图上各候选框所框选区域对应在样本图片中的类别信息。
本实施例中,类别信息包括建筑物和非建筑物。分类操作可以为全局卷积操作,用于将ROI矩阵对应在样本图片特征图中的特征矩阵映射到类别信息空间,对候选框所框选区域对应在样本图片中进行分类。全连接层的参数可以为预先训练的,能够用于区分候选框所框选区域对应在样本图片中是否为建筑物。在分类之后,可以获取到卷积层输出的训练样本的样本位置相关信息标识的样本矩形框所框选区域对应在样本图片中的类别信息是否为建筑物,若类别信息为建筑物,则可以进一步确定该样本位置相关信息与位置相关信息标签是否匹配,进而确定定位网络的定位准确率。若类别信息为非建筑物,则可以调整卷积层的参数,以定位到类型信息为建筑物的样本矩形框。或者,可以将该训练样本剔除或标记为负样本。
可以理解的是,已训练识别模型的定位网络中也可以包括全连接层,全连接层用于输出定位矩形框所框选区域对应在目标图片中的类别信息。并可以在定位矩形框所框选区域对应在目标图片中的类别信息为非建筑物时,避免下一步计算,节约计算资源。
实施例四
图7是根据本申请实施例四提供的建筑物高度及占地面积计算方法的流程示意图。如图7所示,本实施例提供的建筑物高度及占地面积计算方法,在上述任意一个实施例的基础上,对步骤402中“将各训练样本的屋顶分割图像标签、样本图片特征图和各ROI矩阵输入屋顶分割网络,对屋顶分割网络进行训练”进行细化,则细化包括步骤701至步骤703。
步骤701,采用屋顶分割网络确定并输出各训练样本的样本屋顶分割图像,并根据各训练样本的屋顶分割图像标签确定屋顶分割网络的分割准确率。
本实施例中,屋顶分割网络可以包括反卷积层。对于任意一个训练样本,反卷积层可以对各ROI矩阵对应在样本图片特征图中的特征矩阵进行反卷积操作,进而获得该训练样本的样本屋顶分割图像。样本屋顶分割图像的大小和尺寸与样本矩形框一致。
本实施例中,在确定出各训练样本的样本屋顶分割图像之后,可以将样本屋顶分割图像符合或匹配屋顶分割图像标签的训练样本在训练数据集中所占的比例确定为屋顶分割网络的分割准确率。
步骤702,若确定分割准确率大于或等于分割准确率,则将屋顶分割网络的参数确定为已训练识别模型中屋顶分割网络的参数。
本实施例中,预设分割准确率可以是用户期望屋顶分割网络达到的准确率,可以与预设定位准确率相同。若分割准确率大于或等于预设分割准确率,则屋顶分割网络的参数训练完成,可以将屋顶分割网络的参数确定为已训练识别模型中屋顶分割网络的参数。
步骤703,若确定分割准确率小于预设分割准确率,则调整屋顶分割网络的参数,并重复执行采用屋顶分割网络确定并输出各训练样本的样本屋顶分割图像,并根据各训练样本的屋顶分割图像标签确定屋顶分割网络的分割准确率步骤,直至分割准确率大于或等于预设分割准确率。
本实施例中,若分割准确率小于预设分割准率,则可以通过梯度下降算法、反向传播算法等调整屋顶分割网络的参数,直至屋顶分割网络的分割准确率大于或等于预设分割准率,进而保证已训练识别模型分割目标建筑物的屋顶分割图像的准确率。
本实施例提供的建筑物高度及占地面积计算方法,通过采用屋顶分割网络确定并输出各训练样本的样本屋顶分割图像,并根据各训练样本的屋顶分割图像标签确定屋顶分割网络的分割准确率;若确定分割准确率大于或等于分割准确率,则将屋顶分割网络的参数确定为已训练识别模型中屋顶分割网络的参数;若确定分割准确率小于预设分割准确率,则调整屋顶分割网络的参数,并重复执行采用屋顶分割网络确定并输出各训练样本的样本屋顶分割图像,并根据各训练样本的屋顶分割图像标签确定屋顶分割网络的分割准确率步骤,直至分割准确率大于或等于预设分割准确率;由于屋顶分割网络采用训练数据集进行训练,直至屋顶分割网络的分割准确率大于或等于预设分割准确率之后,才将屋顶分割网络的参数确定为已训练识别模型中的屋顶分割网络的参数,因此,已训练识别模型能够准确地获取到目标建筑物的目标屋顶分割图像,进而能够根据准确的目标屋顶分割图像计算出准确的目标建筑物占地面积。
作为一种可选的实施方式,在实施例四的基础上,屋顶分割网络包括反卷积层,同时,对步骤701中“采用屋顶分割网络确定并输出各训练样本的样本屋顶分割图像”进行细化,则细化包括步骤7011。
步骤7011,采用反卷积层对各训练样本的至少一个ROI矩阵对应在样本图片特征图中的特征矩阵进行反卷积操作,获得并输出各训练样本的样本屋顶分割图像。
本实施例中,可以理解的是,如果图像分割模型输出的ROI矩阵的数量为一个,则可以直接对这一个ROI阵阵对应也在样本图片特征图中的特征矩阵进行反卷积操作,获得样本屋顶分割图像。如果图像分割模型输出的ROI矩阵的数量为多个,则可以采用与步骤501中相同的方法获取到训练样本的样本位置相关信息,定位到样本矩形框对应的ROI矩阵,进而对样本矩形框在样本图片特征图中的特征矩阵进行反卷积操作。通过反卷积操作将特征矩阵还原为图片形式,如,黑底白图或白底黑图,以表示出样本建筑物的屋顶轮廓。
实施例五
图8是根据本申请实施例五提供的建筑物高度及占地面积计算方法的流程示意图。如图8所示,本实施例提供的建筑物高度及占地面积计算方法,在上述任意一个实施例的基础上,样本卫星信息包括卫星高度角。同时,对步骤402中“将各训练样本的偏移角度向量标签、样本卫星信息、样本图片特征图和各ROI矩阵输入角度分析网络,对角度分析网络进行训练”进行细化,则细化包括步骤801至步骤805。
步骤801,根据各样本卫星高度角确定各训练样本的第一角度和第二角度;第一角度与样本图片中样本建筑物的第一偏移方向对应,第二角度与样本图片中样本建筑物的第二偏移方向对应。
本实施例中,由于样本图片多为非俯拍图,因此,样本建筑物在样本图片中存在一个偏移方向,或者理解为倾斜方向,这使得不能将样本建筑物在图片中的高度进行等比例放大,获得样本建筑物高度。因此,需要计算样本建筑物的偏移角度,并通过三角函数获取到样本建筑物高度。这里,样本图片中样本建筑物的偏移方向与卫星高度角有关,根据不同的卫星高度角,样本建筑物可以是偏东北、东南、西北或西南。样本建筑物的偏向方向实际上是样本建筑物与卫星的相对位置关系,因此可以根据卫星高度角确定。
综上,若直接将样本建筑物与样本图片中的横坐标的夹角确定为样本建筑物的偏移角度,则无法确定采用sin函数还是cos函数来计算样本建筑物高度。因此,需要确定样本建筑物是更偏东还是更偏北,进而对样本建筑的倾斜角度进行调整,以使得各样本建筑物在计算高度是采用同样的三角函数。示例性地,样本建筑物的偏向方向为东北方向时,第一角度为0度,第二角度为90度。
步骤802,将各ROI矩阵对应在样本图片特征图中的特征矩阵分别旋转第一角度和第二角度,获得各样本图片的各第一方向矩阵和各第二方向矩阵。
本实施例中,可以通过正交分解的方法将ROI矩阵对应在样本图片特征图中的特征矩阵旋转第一角度和第二角度,获得第一方向矩阵和第二方向矩阵。
步骤803,根据各第一方向矩阵、各第二方向矩阵和各样本卫星高度角确定并输出各训练样本的样本偏移角度向量,并根据各训练样本的偏移角度向量标签确定角度分析网络的分析准确率。
本实施例,对于任意一个样本,可以采用多层卷积神经网络对至少一个第一方向矩阵和样本卫星高度角进行特征提取,获取到第一方向矩阵对应的第一偏移角度向量,并采用多层卷积神经网络对至少一个第二方向矩阵和样本卫星高度角进行特征提取,获取到第二方向矩阵对应的第二偏移角度向量。并可以将第一偏移角度和第二偏移角度中置信度更高的一项确定为样本偏移角度向量。
本实施例中,可以将样本偏移角度向量与偏移角度向量标签符合或匹配的训练样本在训练数据集中所占的比例确定为角度分析网络的分析准确率。
步骤804,若确定分析准确率大于或等于预设分析准确率,则将角度分析网络的参数确定为已训练识别模型中角度分析网络的参数。
本实施例中,预设分析准确率可以时用户期望角度分析网络达到的准确率,可以与预设定位准确率相同。若分析准确率大于或等于预设分析准确率,则角度分析网络的参数训练完成,可以将角度分析网络的参数确定为已训练识别模型中角度分析网络的参数。
步骤805,若确定分析准确率小于预设分析准确率,则调整角度分析网络的参数,并重复执行根据各第一方向矩阵、各第二方向矩阵和各样本卫星高度角确定并输出各训练样本的样本偏移角度向量,并根据各训练样本的偏移角度向量标签确定角度分析网络的分析准确率步骤,直至分析准确率大于或等于预设分析准确率。
本实施例中,若分析准确率小于预设分析准率,则可以通过梯度下降算法、反向传播算法等调整角度分析网络的参数,直至角度分析网络的分析准确率大于或等于预设分析准率,进而保证已训练识别模型确定目标建筑物的目标偏移角度向量的准确率。
本实施例提供的建筑物高度及占地面积计算方法,通过根据各样本卫星高度角确定各训练样本的第一角度和第二角度;第一角度与样本图片中样本建筑物的第一偏移方向对应,第二角度与样本图片中样本建筑物的第二偏移方向对应;将各ROI矩阵分别旋转第一角度和第二角度,获得各样本图片的第一方向矩阵和第二方向矩阵;根据各第一方向矩阵、各第二方向矩阵和各样本卫星高度角确定并输出各训练样本的样本偏移角度向量,并根据各训练样本的偏移角度向量标签确定角度分析网络的分析准确率;若确定分析准确率大于或等于预设分析准确率,则将角度分析网络的参数确定为已训练识别模型中角度分析网络的参数;若确定分析准确率小于预设分析准确率,则调整角度分析网络的参数,并重复执行根据各第一方向矩阵、各第二方向矩阵和各样本卫星高度角确定并输出各训练样本的样本偏移角度向量,并根据各训练样本的偏移角度向量标签确定角度分析网络的分析准确率步骤,直至分析准确率大于或等于预设分析准确率;由于,角度分析网络采用训练数据集进行训练,直至角度分析网络的分析准确率大于或等于预设分析准确率之后,才将角度分析网络的参数确定为已训练识别模型中的角度分析网络的参数,因此,已训练识别模型能够准确地获取到目标建筑物的目标偏移角度向量,进而能够根据准确的目标偏移角度向量算出准确的目标建筑物高度。
图9是根据本申请实施例五提供的一种角度分析网络的结构示意图。作为一种可选的实施方式,在实施例五的基础上,如图9所示,角度分析网络90包括多个卷积层91。同时,对步骤803中“根据各第一方向矩阵、各第二方向矩阵和各样本卫星高度角确定并输出各训练样本的样本偏移角度向量”进行细化,则细化包括步骤8031至步骤8032。
步骤8031,采用多个卷积层分别对第一方向矩阵和第二方向矩阵进行卷积操作,获得第一偏移角度向量及其概率值和第二偏移角度向量及其概率值;第一偏移角度向量与第一方向矩阵对应,第二偏移角度向量与第二方向矩阵对应。
本实施例中,如果图像分割模型输出的ROI矩阵数量为一个,则第一方向矩阵和第二方向矩阵的数量均为一个,可以直接分别对第一方向矩阵和第二方向矩阵叠加卫星高度后进行卷积操作,获得第一偏移角度向量及其概率值和第二偏移角度向量及其概率值。如果图像分割模型输出的ROI矩阵的数量为多个,则可以先采用与步骤501中相同的方法获取到训练样本的样本位置相关信息,定位到样本矩形框对应的ROI矩阵,进而将样本矩形框在样本图片特征图中框出的特征矩阵进行旋转,获得第一方向矩阵和第二方向矩阵。
步骤8032,将第一偏移角度向量和第二偏移角度向量中概率值更高一项确定为样本偏移角度向量。
本实施例中,第一偏移角度向量概率值和第二偏移角度向量概率值分别代表样本建筑物偏向第一偏移方向和第二偏移方向的概率,因此,这里需要选择概率最大的那个偏移角度向量。
本实施例提供的建筑物高度及占地面积计算方法,通过采用多个卷积层分别对第一方向矩阵和第二方向矩阵进行卷积操作,获得第一偏移角度向量及其概率值和第二偏移角度向量及其概率值;第一偏移角度向量与第一方向矩阵对应,第二偏移角度向量与第二方向矩阵对应;将第一偏移角度向量和第二偏移角度向量中概率值更高一项确定为样本偏移角度向量;由于将偏移角度向量中概率值更大的一项确定为样本偏移角度向量,因此,能够获得准确的样本偏移角度向量,进而提高角度分析网络的分析准率。
作为一种可选的实施方式,在上述任意一个实施例的基础上,目标位置相关信息包括目标建筑物在目标图片中的目标矩形框长度,目标偏移角度向量包括目标建筑物与坐标原点的横坐标偏移值和纵坐标偏移值,目标卫星信息包括目标卫星分辨率。同时,对步骤203,根据目标卫星信息、目标位置相关信息、目标屋顶分割图像和目标偏移角度向量计算目标建筑物高度,进行细化,则步骤203细化包括步骤2031至步骤2034。
步骤2031,根据目标屋顶分割图像计算目标建筑物屋顶在目标图像中的屋顶图像长度。
本实施例中,可以将目标屋顶分割图像输入OpenCV软件,利用OpenCV软件的开源算法计算出目标屋顶分割图像在目标图像中的屋顶图像长度。
步骤2032,根据目标矩形框长度和屋顶图像长度计算目标建筑物在目标图像中的高度对应长度。
本实施例中,可以将目标矩形框长度减去屋顶图像长度的差确定为目标建筑物在目标图像中的高度对应长度。
步骤2033,根据目标偏移角度向量计算目标偏移角度。
本实施例中,目标偏移角度向量包括目标建筑物与坐标原点的横坐标偏移值Op和纵坐标偏移值Oq,可以根据目标偏移角度向量(Op,Oq)和原点(0,0)计算出目标建筑物实际偏移角度。其中,目标建筑物实际偏移角度可以为与x轴夹角α或与y轴夹角β。
步骤2034,根据目标卫星分辨率、目标偏移角度的三角函数和目标图像中的高度对应长度计算目标建筑物高度。
本实施例中,由于目标图片中目标建筑物显示高度与目标建筑物实际高度之间存在比例关系,因此,可以根据目标偏移角度的三角函数sinα或cosβ以及目标图像中的高度对应长度L4计算目标建筑物在目标图像中的高度H,示例性地,H=L4sinα或H=L4cosβ。然后,将目标建筑物在目标图像中的高度按照目标卫星分辨率进行等比放大,获得目标建筑物高度。
本实施例提供的建筑物高度及占地面积计算方法,通过目标位置相关信息包括目标建筑物在目标图片中的目标矩形框长度;目标偏移角度向量包括目标建筑物与坐标原点的横坐标偏移值和纵坐标偏移值;根据目标屋顶分割图像计算目标建筑物屋顶在目标图像中的屋顶图像长度;根据目标矩形框长度和屋顶图像长度计算目标建筑物在目标图像中的高度对应长度;根据目标偏移角度向量计算目标偏移角度;根据目标偏移角度的三角函数和目标图像中的高度对应长度计算目标建筑物高度;由于根据目标矩形框长度和屋顶图像长度计算目标建筑物在目标图像中的高度对应长度,在目标矩形框长度准确和目标建筑物屋顶分割图像准确的前提下,能够快速的获取到目标建筑物在目标图像中的高度对应长度,进而快速计算出目标建筑物高度。
作为一种可选的实施方式,在上述任意一个实施例的基础上,目标卫星信息包括卫星分辨率。同时,对步骤204,根据目标卫星信息和屋顶分割图像计算目标建筑物占地面积,进行细化,则步骤204细化包括步骤2041至步骤2042。
步骤2041,采用图像处理算法计算屋顶分割图像中目标建筑物屋顶面积。
本实施例中,图像出处算法可以是OpenCV软件中的任意开源算法,可以计算出屋顶分割图像中目标建筑物屋顶面积。
步骤2042,根据卫星分辨率和目标建筑物屋顶面积计算目标建筑物占地面积。
本实施例中,由于目标图像是遥感图像,其与目标建筑物的实际高度、面积存在比例关系,因此,按照目标卫星分辨率将目标建筑物屋顶面积进行等比放大即可获得目标建筑物占地面积。示例性地,目标卫星分辨率表示目标图片中的一个像素对应的实际面积为10平方,则可以根据目标建筑物屋顶面积在目标图片中占用的像素数量计算目标建筑物占地面积。
本实施例提供的建筑物高度及占地面积计算方法,通过目标卫星信息包括卫星分辨率,采用图像处理算法计算屋顶分割图像中目标建筑物屋顶面积;根据卫星分辨率和目标建筑物屋顶面积计算目标建筑物占地面积;由于图像处理算法计算屋顶分割图像中目标建筑物屋顶面积并根据目标卫星分辨率计算出目标建筑物占地面积,由于图像处理方法为开源算法,而目标建筑物占地面积只需根据目标卫星分辨率将目标建筑物屋顶面积等比放大,因此,能够快速准确的获取到目标建筑物占地面积。
实施例六
图10是根据本申请实施例六提供的建筑物高度及占地面积计算装置的结构示意图,如图10所示,建筑物高度及占地面积计算装置100包括获取模块101、识别模块102、第一计算模块103和第二计算模块104。
获取模块101,用于获取目标建筑物的目标图片和目标卫星信息;
识别模型102,用于将目标图片和目标卫星信息输入已训练识别模型,并采用已训练识别模型输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量;已训练识别模型采用训练数据集对预设识别模型进行训练得到,训练数据集包括至少一个训练样本,训练样本包括样本建筑物的样本图片、样本卫星信息、位置相关信息标签、屋顶分割图像标签和偏移角度向量标签;
第一计算模块103,用于根据目标卫星信息、目标位置相关信息、目标屋顶分割图像和目标偏移角度向量计算目标建筑物高度;
第二计算模块104,用于根据目标卫星信息和目标屋顶分割图像计算目标建筑物占地面积。
作为一种可选的实施方式,预设识别模型包括图像分割模型、定位网络、屋顶分割网和角度分析网络,像分割模型分别与定位网络、屋顶分割网络和角度分析网络连接。建筑物高度及占地面积计算装置100还包括训练模块,训练模块用于,将各训练样本的样本图片输入图像分割模型,采用图像分割模型提取并输出各训练样本的样本图片特征图和至少一个感兴趣区域ROI矩阵;将各训练样本的位置相关信息标签、样本图片特征图和各ROI矩阵输入定位网络,对定位网络进行训练,将各训练样本的屋顶分割图像标签、样本图片特征图和各ROI矩阵输入屋顶分割网络,对屋顶分割网络进行训练,将各训练样本的偏移角度向量标签、样本卫星信息、样本图片特征图和各ROI矩阵输入角度分析网络,对角度分析网络进行训练,获得已训练识别模型。
作为一种可选的实施方式,训练模块在用于将各训练样本的位置相关信息标签、样本图片特征图和各ROI矩阵输入定位网络,对定位网络进行训练时,具体用于,采用定位网络确定并输出各训练样本的样本位置相关信息,并根据各训练样本的位置相关信息标签确定定位网络的定位准确率;若确定定位准确率大于或等于预设定位准确率,则将定位网络的参数确定为已训练识别模型中定位网络的参数;若确定定位准确率小于预设定位准确率,则调整定位网络的参数,并重复执行采用定位网络确定并输出各训练样本的样本位置相关信息,并根据各训练样本的位置相关信息标签确定定位网络的定位准确率步骤,直至定位准确率大于或等于预设定位准确率。
作为一种可选的实施方式,定位网络包括卷积层和全连接层。训练模块具体还用于,采用卷积层对各训练样本的各ROI矩阵对应在样本图片特征图中的特征矩阵进行卷积操作,获得各训练样本的样本位置相关信息。
作为一种可选的实施方式,训练模块在用于将各训练样本的屋顶分割图像标签、样本图片特征图和各ROI矩阵输入屋顶分割网络,对屋顶分割网络进行训练时,具体还用于,采用屋顶分割网络确定并输出各训练样本的样本屋顶分割图像,并根据各训练样本的屋顶分割图像标签确定屋顶分割网络的分割准确率;若确定分割准确率大于或等于分割准确率,则将屋顶分割网络的参数确定为已训练识别模型中屋顶分割网络的参数;若确定分割准确率小于预设分割准确率,则调整屋顶分割网络的参数,并重复执行采用屋顶分割网络确定并输出各训练样本的样本屋顶分割图像,并根据各训练样本的屋顶分割图像标签确定屋顶分割网络的分割准确率步骤,直至分割准确率大于或等于预设分割准确率。
作为一种可选的实施方式,屋顶分割网络包括反卷积层。训练模块具体还用于,采用反卷积层对各训练样本的至少一个ROI矩阵对应在样本图片特征图中的特征矩阵进行反卷积操作,获得并输出各训练样本的样本屋顶分割图像。
作为一种可选的实施方式,样本卫星信息包括卫星高度角。训练模块具体还用于根据各样本卫星高度角确定各训练样本的第一角度和第二角度;第一角度与样本图片中样本建筑物的第一偏移方向对应,第二角度与样本图片中样本建筑物的第二偏移方向对应;将各ROI矩阵对应在样本图片特征图中的特征矩阵分别旋转第一角度和第二角度,获得各样本图片的各第一方向矩阵和各第二方向矩阵;根据各第一方向矩阵、各第二方向矩阵和各样本卫星高度角确定并输出各训练样本的样本偏移角度向量,并根据各训练样本的偏移角度向量标签确定角度分析网络的分析准确率;若确定分析准确率大于或等于预设分析准确率,则将角度分析网络的参数确定为已训练识别模型中角度分析网络的参数;若确定分析准确率小于预设分析准确率,则调整角度分析网络的参数,并重复执行根据各第一方向矩阵、各第二方向矩阵和各样本卫星高度角确定并输出各训练样本的样本偏移角度向量,并根据各训练样本的偏移角度向量标签确定角度分析网络的分析准确率步骤,直至分析准确率大于或等于预设分析准确率。
作为一种可选的实施方式,角度分析网络包括多个卷积层。训练模块具体还用于,采用多个卷积层分别对第一方向矩阵和第二方向矩阵进行卷积操作,获得第一偏移角度向量及其概率值和第二偏移角度向量及其概率值;第一偏移角度向量与第一方向矩阵对应,第二偏移角度向量与第二方向矩阵对应;将第一偏移角度向量和第二偏移角度向量中概率值更高一项确定为样本偏移角度向量。
作为一种可选的实施方式,目标位置相关信息包括目标建筑物在目标图片中的目标矩形框长度,目标偏移角度向量包括目标建筑物与坐标原点的横坐标偏移值和纵坐标偏移值,目标卫星信息包括目标卫星分辨率。训练模块在用于根据目标卫星信息、目标位置相关信息、目标屋顶分割图像和目标偏移角度向量计算目标建筑物高度时,具体用于,根据目标屋顶分割图像计算目标建筑物屋顶在目标图像中的屋顶图像长度;根据目标矩形框长度和屋顶图像长度计算目标建筑物在目标图像中的高度对应长度;根据目标卫星分辨率、目标偏移角度向量计算目标偏移角度;根据目标偏移角度的三角函数和目标图像中的高度对应长度计算目标建筑物高度。
作为一种可选的实施方式,目标卫星信息包括卫星分辨率。训练模块在用于根据目标卫星信息和屋顶分割图像计算目标建筑物占地面积时,具体用于,采用图像处理算法计算屋顶分割图像中目标建筑物屋顶面积;根据卫星分辨率和目标建筑物屋顶面积计算目标建筑物占地面积。
本实施例提供的建筑物高度及占地面积计算装置可以执行上述任意一个实施例提供的建筑物高度及占地面积计算方法,具体的实现方式与原理类似,此处不再赘述。
实施例七
图11是根据本申请第七实施例提供的电子设备框图。如图11所示,本实施例提供的电子设备110包括处理器1101以及与处理器1101通信连接的存储器1102。
存储器1101存储计算机执行指令;
处理器1101执行存储器1102存储的计算机执行指令,以实现上述任意一个实施例提供的建筑物高度及占地面积计算方法。
处理器和存储器之间的通信连接可以为总线连接。
存储器1102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘等。
可选地,电子设备110还包括收发器。处理器、存储器和收发器之间可以通过总线连接。收发器用于收发数据。
在示例性实施例中,电子设备110可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
本发明的实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如上述任意一个实施例提供的建筑物高度及占地面积计算方法方法。示例性地,计算机可读存储介质可以为只读存储器(ROM)、随机存取存储器(RAM)、磁带、软盘和光数据存储设备等。
本发明的实施例还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上述任意一个实施例提供的建筑物高度及占地面积计算方法。
应该理解,上述的设备实施例仅是示意性的,本申请的设备还可通过其它的方式实现。例如,上述实施例中模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如,多个模块可以结合,或者可以集成到另一个系统,或一些特征可以忽略或不执行。
另外,若无特别说明,在本申请各个实施例中的各功能单元可以集成在一个模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一起。上述集成的模块既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
需要说明的是,对于前述的各方法实施例,为了简单描述,故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,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。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可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
进一步需要说明的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (14)
1.一种建筑物高度及占地面积计算方法,其特征在于,包括:
获取目标建筑物的目标图片和目标卫星信息;
将目标图片和目标卫星信息输入已训练识别模型,并采用已训练识别模型输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量;所述已训练识别模型采用训练数据集对预设识别模型进行训练得到,所述训练数据集包括至少一个训练样本,训练样本包括样本建筑物的样本图片、样本卫星信息、位置相关信息标签、屋顶分割图像标签和偏移角度向量标签;
根据所述目标卫星信息、所述目标位置相关信息、所述目标屋顶分割图像和所述目标偏移角度向量计算目标建筑物高度;
根据所述目标卫星信息和所述目标屋顶分割图像计算目标建筑物占地面积。
2.根据权利要求1所述的方法,其特征在于,所述预设识别模型包括图像分割模型、定位网络、屋顶分割网和角度分析网络,所述图像分割模型分别与定位网络、屋顶分割网络和角度分析网络连接;
所述将目标图片和目标卫星信息输入已训练识别模型,并采用已训练识别模型输出目标建筑物的位置相关信息、屋顶分割图像和偏移角度向量之前,还包括:
将各训练样本的样本图片输入图像分割模型,采用图像分割模型提取并输出各训练样本的样本图片特征图和至少一个感兴趣区域ROI矩阵;
将各训练样本的位置相关信息标签、样本图片特征图和各ROI矩阵输入定位网络,对定位网络进行训练,将各训练样本的屋顶分割图像标签、样本图片特征图和各ROI矩阵输入屋顶分割网络,对屋顶分割网络进行训练,将各训练样本的偏移角度向量标签、样本卫星信息、样本图片特征图和各ROI矩阵输入角度分析网络,对角度分析网络进行训练,获得已训练识别模型。
3.根据权利要求2所述的方法,其特征在于,所述将各训练样本的位置相关信息标签、样本图片特征图和各ROI矩阵输入定位网络,对定位网络进行训练,包括:
采用定位网络确定并输出各训练样本的样本位置相关信息,并根据各训练样本的位置相关信息标签确定定位网络的定位准确率;
若确定所述定位准确率大于或等于预设定位准确率,则将定位网络的参数确定为已训练识别模型中定位网络的参数;
若确定所述定位准确率小于预设定位准确率,则调整定位网络的参数,并重复执行所述采用定位网络确定并输出各训练样本的样本位置相关信息,并根据各训练样本的位置相关信息标签确定定位网络的定位准确率步骤,直至所述定位准确率大于或等于预设定位准确率。
4.根据权利要求3所述的方法,其特征在于,所述定位网络包括卷积层和全连接层;
所述采用定位网络确定并输出各训练样本的样本位置相关信息,包括:
采用卷积层对各训练样本的各ROI矩阵对应在样本图片特征图中的特征矩阵进行卷积操作,获得各训练样本的样本位置相关信息。
5.根据权利要求2所述的方法,其特征在于,所述将各训练样本的屋顶分割图像标签、样本图片特征图和各ROI矩阵输入屋顶分割网络,对屋顶分割网络进行训练,包括:
采用屋顶分割网络确定并输出各训练样本的样本屋顶分割图像,并根据各训练样本的屋顶分割图像标签确定屋顶分割网络的分割准确率;
若确定所述分割准确率大于或等于分割准确率,则将屋顶分割网络的参数确定为已训练识别模型中屋顶分割网络的参数;
若确定所述分割准确率小于预设分割准确率,则调整屋顶分割网络的参数,并重复执行所述采用屋顶分割网络确定并输出各训练样本的样本屋顶分割图像,并根据各训练样本的屋顶分割图像标签确定屋顶分割网络的分割准确率步骤,直至所述分割准确率大于或等于预设分割准确率。
6.根据权利要求5所述的方法,其特征在于,所述屋顶分割网络包括反卷积层;
所述采用屋顶分割网络确定并输出各训练样本的样本屋顶分割图像,包括:
采用反卷积层对各训练样本的至少一个ROI矩阵对应在样本图片特征图中的特征矩阵进行反卷积操作,获得并输出各训练样本的样本屋顶分割图像。
7.根据权利要求2所述的方法,其特征在于,所述样本卫星信息包括卫星高度角;
所述将各训练样本的偏移角度向量标签、样本卫星信息、样本图片特征图和各ROI矩阵输入角度分析网络,对角度分析网络进行训练,包括:
根据各样本卫星高度角确定各训练样本的第一角度和第二角度;所述第一角度与样本图片中样本建筑物的第一偏移方向对应,所述第二角度与样本图片中样本建筑物的第二偏移方向对应;
将各ROI矩阵对应在样本图片特征图中的特征矩阵分别旋转第一角度和第二角度,获得各样本图片的各第一方向矩阵和各第二方向矩阵;
根据各第一方向矩阵、各第二方向矩阵和各样本卫星高度角确定并输出各训练样本的样本偏移角度向量,并根据各训练样本的偏移角度向量标签确定角度分析网络的分析准确率;
若确定所述分析准确率大于或等于预设分析准确率,则将角度分析网络的参数确定为已训练识别模型中角度分析网络的参数;
若确定所述分析准确率小于预设分析准确率,则调整角度分析网络的参数,并重复执行所述根据各第一方向矩阵、各第二方向矩阵和各样本卫星高度角确定并输出各训练样本的样本偏移角度向量,并根据各训练样本的偏移角度向量标签确定角度分析网络的分析准确率步骤,直至所述分析准确率大于或等于预设分析准确率。
8.根据权利要求7所述的方法,其特征在于,所述角度分析网络包括多个卷积层;
所述根据各第一方向矩阵、各第二方向矩阵和各样本卫星高度角确定并输出各训练样本的样本偏移角度向量,包括:
采用多个卷积层分别对第一方向矩阵和第二方向矩阵进行卷积操作,获得第一偏移角度向量及其概率值和第二偏移角度向量及其概率值;第一偏移角度向量与第一方向矩阵对应,第二偏移角度向量与第二方向矩阵对应;
将第一偏移角度向量和第二偏移角度向量中概率值更高一项确定为所述样本偏移角度向量。
9.根据权利要求1所述的方法,其特征在于,所述目标位置相关信息包括目标建筑物在目标图片中的目标矩形框长度;所述目标偏移角度向量包括目标建筑物与坐标原点的横坐标偏移值和纵坐标偏移值;所述目标卫星信息包括目标卫星分辨率;
所述根据所述目标卫星信息、所述目标位置相关信息、所述目标屋顶分割图像和所述目标偏移角度向量计算目标建筑物高度,包括:
根据所述目标屋顶分割图像计算目标建筑物屋顶在目标图像中的屋顶图像长度;
根据所述目标矩形框长度和所述屋顶图像长度计算目标建筑物在目标图像中的高度对应长度;
根据目标偏移角度向量计算目标偏移角度;
根据目标卫星分辨率、目标偏移角度的三角函数和目标图像中的高度对应长度计算目标建筑物高度。
10.根据权利要求1所述的方法,其特征在于,所述目标卫星信息包括卫星分辨率,所述根据所述目标卫星信息和所述屋顶分割图像计算目标建筑物占地面积,包括:
采用图像处理算法计算所述屋顶分割图像中目标建筑物屋顶面积;
根据卫星分辨率和目标建筑物屋顶面积计算目标建筑物占地面积。
11.一种建筑物高度及占地面积计算装置,其特征在于,包括:
获取模块,用于获取目标建筑物的目标图片和目标卫星信息;
识别模型,用于将目标图片和目标卫星信息输入已训练识别模型,并采用已训练识别模型输出目标建筑物的目标位置相关信息、目标屋顶分割图像和目标偏移角度向量;所述已训练识别模型采用训练数据集对预设识别模型进行训练得到,所述训练数据集包括至少一个训练样本,训练样本包括样本建筑物的样本图片、样本卫星信息、位置相关信息标签、屋顶分割图像标签和偏移角度向量标签;
第一计算模块,用于根据所述目标卫星信息、所述目标位置相关信息、所述目标屋顶分割图像和所述目标偏移角度向量计算目标建筑物高度;
第二计算模块,用于根据所述目标卫星信息和所述目标屋顶分割图像计算目标建筑物占地面积。
12.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-10中任一项所述的方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-10任一项所述的方法。
14.一种计算机程序产品,其特征在于,包括计算机程序,该计算机程序被处理器执行时实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211030943.XA CN115376018A (zh) | 2022-08-26 | 2022-08-26 | 建筑物高度及占地面积计算方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211030943.XA CN115376018A (zh) | 2022-08-26 | 2022-08-26 | 建筑物高度及占地面积计算方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115376018A true CN115376018A (zh) | 2022-11-22 |
Family
ID=84067483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211030943.XA Pending CN115376018A (zh) | 2022-08-26 | 2022-08-26 | 建筑物高度及占地面积计算方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115376018A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720984A (zh) * | 2023-08-11 | 2023-09-08 | 山东昊能电力建设有限公司 | 一种基于卫星地图技术的智慧电力审计方法 |
-
2022
- 2022-08-26 CN CN202211030943.XA patent/CN115376018A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720984A (zh) * | 2023-08-11 | 2023-09-08 | 山东昊能电力建设有限公司 | 一种基于卫星地图技术的智慧电力审计方法 |
CN116720984B (zh) * | 2023-08-11 | 2023-12-01 | 山东昊能电力建设有限公司 | 一种基于卫星地图技术的智慧电力审计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11144795B2 (en) | System and method for detecting features in aerial images using disparity mapping and segmentation techniques | |
CN111815707A (zh) | 点云确定方法、点云筛选方法、装置、计算机设备 | |
CN110260857A (zh) | 视觉地图的校准方法、装置及存储介质 | |
CN112396701A (zh) | 卫星图像的处理方法、装置、电子设备和计算机存储介质 | |
CN115376018A (zh) | 建筑物高度及占地面积计算方法、装置、设备及存储介质 | |
Oskouie et al. | A data quality-driven framework for asset condition assessment using LiDAR and image data | |
CN113192174A (zh) | 建图方法、装置及计算机存储介质 | |
CN111721283B (zh) | 定位算法的精度检测方法、装置、计算机设备和存储介质 | |
CN116128919A (zh) | 基于极线约束的多时相图像异动目标检测方法及系统 | |
CN116203976A (zh) | 变电站室内巡检方法、装置、无人机和存储介质 | |
CN114238541A (zh) | 敏感目标信息获取方法、装置和计算机设备 | |
CN114005052A (zh) | 全景图像的目标检测方法、装置、计算机设备和存储介质 | |
CN114004839A (zh) | 全景图像的图像分割方法、装置、计算机设备和存储介质 | |
Budianti et al. | Background blurring and removal for 3d modelling of cultural heritage objects | |
CN113032499A (zh) | 辅助显示、地物信息的辅助标注方法、装置、设备和介质 | |
US11651511B2 (en) | Computer vision systems and methods for determining roof shapes from imagery using segmentation networks | |
Kim et al. | Geo-registration of wide-baseline panoramic image sequences using a digital map reference | |
CN116229297B (zh) | 一种测绘数据处理方法、系统、介质及计算机 | |
CN113496145B (zh) | 标牌角点获取方法、装置及设备 | |
US11776148B1 (en) | Multi-view height estimation from satellite images | |
CN116310303A (zh) | 一种识别方法、装置、设备及介质 | |
CN117456470A (zh) | 一种基于航拍影像的供后用地监测方法及系统 | |
CN117745818A (zh) | 机场场面目标定位方法、装置、计算机设备及存储介质 | |
CN117710558A (zh) | 建筑纹理模型生成方法、装置、计算机设备及存储介质 | |
Elkins | Landmark recognition using visual cues |
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 |