CN116612390A - 一种建筑工程用的信息管理系统 - Google Patents
一种建筑工程用的信息管理系统 Download PDFInfo
- Publication number
- CN116612390A CN116612390A CN202310896183.9A CN202310896183A CN116612390A CN 116612390 A CN116612390 A CN 116612390A CN 202310896183 A CN202310896183 A CN 202310896183A CN 116612390 A CN116612390 A CN 116612390A
- Authority
- CN
- China
- Prior art keywords
- feature matching
- matching point
- image
- determining
- dynamic
- 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.)
- Granted
Links
- 230000003068 static effect Effects 0.000 claims abstract description 95
- 238000010276 construction Methods 0.000 claims abstract description 63
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 12
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 26
- 238000000034 method Methods 0.000 description 13
- 230000009466 transformation Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009469 supplementation Effects 0.000 description 3
- 230000003313 weakening effect Effects 0.000 description 3
- 238000003707 image sharpening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
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
本发明涉及图像分析技术领域，具体涉及一种建筑工程用的信息管理系统，该系统包括存储器和处理器，处理器执行存储器存储的计算机程序，以实现如下步骤：确定施工道路航拍视频中每帧图像的静态、动态区域，筛选出所有静态区域的静态特征匹配点对数量均小于预设数量的相邻帧图像；基于筛选出相邻帧图像的目标区域和各个动态区域，确定移动程度；通过移动程度和每组特征匹配点对的图像特征确定配准评分，进而确定最优特征匹配点对组；通过最优特征匹配点对组确定的各个最优配准图像，确定施工道路拼接图像；本发明对施工道路拼接图像进行管理，可以有效提高信息管理系统的管理效果，主要应用于道路施工进度监测领域。
Description
技术领域
本发明涉及图像分析技术领域，具体涉及一种建筑工程用的信息管理系统。
背景技术
在建筑工程施工阶段，通过航拍视频监测施工进度，经常需要对采集视频的多帧施工图像进行图像拼接，对拼接图像中图像信息进行读取并管理，后续基于对拼接图像的管理实现对施工进度的监测。现有技术通常使用图像配准对多帧施工图像进行图像拼接，综合判断道路的施工长度，图像配准的图像拼接需要基于特征匹配点对进行配准操作，当进行配准操作时的特征匹配点对选取不合适时，配准拼接后的图像中将会存在大量重影部分，而重影会影响道路施工进度监测的准确性，不利于进行建筑工程信息的管理，也就是建筑工程信息管理效果较差。
发明内容
为了解决上述建筑施工对应的拼接图像存在的重影，导致建筑工程信息管理效果较差的技术问题，本发明的目的在于提供一种建筑工程用的信息管理系统，所采用的技术方案具体如下：
本发明一个实施例提供了一种建筑工程用的信息管理系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：
获取施工道路航拍视频中的每帧图像；根据每帧图像确定每对相邻帧图像中的各个静态区域和各个动态区域；
确定每对相邻帧图像中各个静态区域对应的各个静态特征匹配点对；若任意一对相邻帧图像中所有静态区域的静态特征匹配点对数量均小于预设数量，则将最大静态特征匹配点对数量对应的静态区域确定为目标区域；
根据相邻帧图像中目标区域和各个动态区域上中心点的位置，确定各个动态区域的移动程度；
确定相邻帧图像中各个动态区域对应的各个动态特征匹配点对；根据相邻帧图像中目标区域对应的各个静态特征匹配点对、各个动态区域对应的各个动态特征匹配点对和移动程度，确定每组特征匹配点对的配准评分；
将最高配准评分对应的一组特征匹配点对确定为最优特征匹配点对组，获得最优特征匹配点对组对应的最优配准图像，从而获得各个最优配准图像；
将各个最优配准图像组成的图像确定为施工道路拼接图像，对施工道路拼接图像进行管理。
进一步地，根据相邻帧图像中目标区域和各个动态区域上中心点的位置，确定各个动态区域的移动程度，包括：
根据相邻帧图像中目标区域上中心点的位置，将前一帧图像中目标区域上中心点到后一帧图像中目标区域上中心点的矢量确定为标准矢量；
对于任意一个动态区域，根据相邻帧图像中动态区域上中心点的位置，将前一帧图像中动态区域上中心点到后一帧图像中动态区域上中心点的矢量确定为目标矢量；
将标准矢量的模与目标矢量的模之间的差值确定为动态区域的第一移动因子，将标准矢量与目标矢量之间的夹角确定为动态区域的第二移动因子；
将第一移动因子和第二移动因子的乘积确定为动态区域的移动程度。
进一步地，根据相邻帧图像中目标区域对应的各个静态特征匹配点对、各个动态区域对应的各个动态特征匹配点对和移动程度，确定每组特征匹配点对的配准评分，包括：
将预设数量与相邻帧图像中目标区域的静态特征匹配点对数量之间的差值，确定为补充数量；
将任意每补充数量个动态特征匹配点对与目标区域对应的各个静态特征匹配点对确定为一组特征匹配点对，获得每组特征匹配点对；
将任意一组特征匹配点对确定为候选特征匹配点对组，利用候选特征匹配点对组对相邻帧图像进行图像配准处理，获得候选特征匹配点对组对应的配准图像中的各个重影区域；
根据配准图像中的各个重影区域和候选特征匹配点对组中各个动态特征匹配点对的移动程度，确定候选特征匹配点对组的配准评分。
进一步地，所述候选特征匹配点对组的配准评分的计算公式为：
其中，为候选特征匹配点对组的配准评分，/>为候选特征匹配点对组对应的配准图像中的重影区域个数，j为候选特征匹配点对组对应的配准图像中重影区域的序号，/>为候选特征匹配点对组对应的配准图像中第j个重影区域的面积，/>为指数函数，/>为候选特征匹配点对组中各个动态特征匹配点对所在的动态区域的移动程度的平均值。
进一步地，根据每帧图像确定每对相邻帧图像中的各个静态区域和各个动态区域，包括：
对每帧图像进行灰度化处理，获得灰度化处理后的每对相邻帧图像；对每对相邻帧图像进行作差，获得各个帧差图像；基于各个帧差图像中每个像素点的灰度差值，将灰度差值大于灰度差值阈值的区域确定为动态区域，将灰度差值不大于灰度差值阈值的区域确定为静态区域。
本发明具有如下有益效果：
本发明提供了一种建筑工程用的信息管理系统，相比传统图像拼接算法，该信息管理系统通过对削弱重影影响的施工道路拼接图像进行管理，可以有效提高路施工进度监测的准确性，进一步提升建筑工程信息管理效果。获取每对相邻帧图像中的各个静态区域和各个动态区域，便于后续对各个静态区域和各个动态区域对应的特征匹配点对进行分析；通过任意一对相邻帧图像中所有静态区域的静态特征匹配点对数量和预设数量，可以筛选出静态区域的静态特征匹配点对数量不足以支撑图像配准的相邻帧图像，确定目标区域可以在一定程度上削弱后续获得的配准图像上的重影影响；动态区域的移动程度可以衡量产生误差的概率，其有助于提高后续计算的配准评分的准确度；结合相邻帧图像中目标区域对应的各个静态特征匹配点对和各个动态区域对应的各个动态特征匹配点对、各个动态区域的移动程度多个因素，计算每组特征匹配点对的配准评分，提高了每组特征匹配点对的配准评分的参考价值；配准评分越高，说明对应的特征匹配点对组的配准效果越好，重影削弱能力越强，可以将最高配准评分对应的一组特征匹配点对确定为最优特征匹配点对组，将最优特征匹配点对组对应的最优配准图像；对各个最优配准图像对应的施工道路拼接图像进行管理，可以提高建筑工程信息管理能力，主要应用于道路施工进度监测领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一种建筑工程用的信息管理方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明针对的应用场景：施工道路中存在人和车等动态目标，导致传统图像拼接算法的拼接图像中常存在动态重影，重影影响将影响到施工进度状态的分析判断，对施工进度状态的误判容易导致建筑工程信息管理系统的管理效果较差。而本实施例通过分析视频中每帧图像中静态区域和动态区域对应的特征匹配点对的特征，获得削弱重影影响的配准图像，通过优化后的拼接图像可以准确判断道路施工进度状态，提高了建筑工程信息管理效果。具体，本实施例提供了一种建筑工程用的信息管理系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：
获取施工道路航拍视频中的每帧图像；根据每帧图像确定每对相邻帧图像中的各个静态区域和各个动态区域；
确定每对相邻帧图像中各个静态区域对应的各个静态特征匹配点对；若任意一对相邻帧图像中所有静态区域的静态特征匹配点对数量均小于预设数量，则将最大静态特征匹配点对数量对应的静态区域确定为目标区域；
根据相邻帧图像中目标区域和各个动态区域上中心点的位置，确定各个动态区域的移动程度；
确定相邻帧图像中各个动态区域对应的各个动态特征匹配点对；根据相邻帧图像中目标区域对应的各个静态特征匹配点对、各个动态区域对应的各个动态特征匹配点对和移动程度，确定每组特征匹配点对的配准评分；
将最高配准评分对应的一组特征匹配点对确定为最优特征匹配点对组，获得最优特征匹配点对组对应的最优配准图像，从而获得各个最优配准图像；
将各个最优配准图像组成的图像确定为施工道路拼接图像，对施工道路拼接图像进行管理。
下面对上述各个步骤进行详细展开：
参考图1，示出了本发明一种建筑工程用的信息管理方法，该信息管理方法包括以下步骤：
S1，获取施工道路航拍视频中的每帧图像；根据每帧图像确定每对相邻帧图像中的各个静态区域和各个动态区域。
第一步，获取施工道路航拍视频中的每帧图像。
在本实施例中，先选择一个携带高分倍率数码相机和全球定位系统（GlobalPositioning System，GPS）定位器的无人机，无人机沿着施工道路匀速前进并俯拍整个施工道路，获得施工道路航拍视频；然后，使用视频编辑软件或编程语言中的视频处理库，提取施工道路航拍视频中的每帧图像；最后，为了消除图像中无关的信息，恢复有用的真实信息，对每帧图像进行锐化增强预处理。图像锐化增强预处理的实现方法包括但不限于：拉普拉斯算子锐化、Roberts算子锐化、Sobel算子锐化等。图像锐化增强预处理的实现步骤为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
第二步，根据每帧图像确定每对相邻帧图像中的各个静态区域和各个动态区域。
需要说明的是，位置处于图像动态区域的动态特征匹配点对用于图像配准，将造成较大配准误差，故为了尽量避免使用动态特征匹配点对进行图像配准，需要确定每对相邻帧图像中的静态区域和动态区域，具体实现步骤可以包括：
对每帧图像进行灰度化处理，获得灰度化处理后的每对相邻帧图像；对每对相邻帧图像进行作差，获得各个帧差图像；基于各个帧差图像中每个像素点的灰度差值，将灰度差值大于灰度差值阈值的区域确定为动态区域，将灰度差值不大于灰度差值阈值的区域确定为静态区域。
在本实施例中，先利用加权平均法对每对相邻帧图像进行灰度化处理，获得灰度化处理后的每对相邻帧图像，后续处理的每帧图像均为灰度图像；然后，通过帧差法对每对相邻帧图像进行图像处理，即每对相邻帧图像进行作差处理，可以获得各个帧差图像；若某个物体在相邻帧图像中发生位置移动，则该物体区域在对应的帧差图像中为有值像素区域，可以将灰度差值大于灰度差值阈值的区域确定为动态区域；若某个物体在相邻帧图像中没有发生位置移动，则该物体区域在对应的帧差图像中为无值像素区域，可以将灰度差值不大于灰度差值阈值的区域确定为静态区域。
值得说明的是，有值像素区域为灰度差值不为零的像素点构成的区域，无值像素区域为灰度差值为零的像素点构成的区域；每帧图像的像素点个数保持一致，即每帧图像的尺寸一致；灰度差值阈值取经验值可以为10，灰度差值阈值可以由实施者根据具体实际情况设定。加权平均法和帧差法的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
S2，确定每对相邻帧图像中各个静态区域对应的各个静态特征匹配点对；若任意一对相邻帧图像中所有静态区域的静态特征匹配点对数量均小于预设数量，则将最大静态特征匹配点对数量对应的静态区域确定为目标区域。
第一步，确定每对相邻帧图像中各个静态区域对应的各个静态特征匹配点对。
在本实施例中，为了便于后续分析静态区域的静态特征匹配点对数量，通过尺度不变特征变换（Scale-invariant feature transform，SIFT）对每对相邻帧图像中各个静态区域进行特征点检测，可以获得静态区域对应的各个静态特征匹配点对。SIFT特征检测的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
第二步，确定每对相邻帧图像中是否存在目标区域。
在本实施例中，先统计每对相邻帧图像中各个静态区域的静态特征匹配点对数量，若任意一对相邻帧图像中所有静态区域的静态特征匹配点对数量均小于预设数量，说明后续在进行图像配准时需要获取一部分的动态特征匹配点对进行图像拼接处理，则将最大静态特征匹配点对数量对应的静态区域确定为目标区域；若任意一对相邻帧图像中任意一个静态区域的静态特征匹配点对数量不小于预设数量，说明后续在进行图像配准时可以直接利用静态区域的各个静态特征匹配点对进行图像拼接处理，将不考虑相邻帧图像中各个动态区域对应的各个动态特征匹配点，并将此时获得配准图像确定为最优配准图像。
需要说明的是，预设数量可以设置为4，其原因在于，进行图像拼接时需要用到变换矩阵，变换矩阵的尺寸可以是，那么变换矩阵里面的参数为9个，其中一个参数值为1，剩下8个参数，求解这8个参数需要用到4个特征匹配特征点对。将最大静态特征匹配点对数量对应的静态区域确定为目标区域，可以尽量减少利用动态特征匹配点对数量，尽可能多地保留静态特征匹配点对。若存在多个最大静态特征匹配点对数量对应的静态区域，则将任意一个最大静态特征匹配点对数量对应的静态区域作为目标区域，进行后续图像配准处理。
S3，根据相邻帧图像中目标区域和各个动态区域上中心点的位置，确定各个动态区域的移动程度。
在本实施例中，对于所有静态区域的静态特征匹配点对数量均小于4的相邻帧图像，为了衡量相邻帧图像中各个动态特征匹配点对所在的各个动态区域的移动程度，对目标区域和各个动态区域上中心点的位置进行分析，具体实现步骤可以包括：
根据相邻帧图像中目标区域上中心点的位置，将前一帧图像中目标区域上中心点到后一帧图像中目标区域上中心点的矢量确定为标准矢量；对于任意一个动态区域，根据相邻帧图像中动态区域上中心点的位置，将前一帧图像中动态区域上中心点到后一帧图像中动态区域上中心点的矢量确定为目标矢量；将标准矢量的模与目标矢量的模之间的差值确定为动态区域的第一移动因子，将标准矢量与目标矢量之间的夹角确定为动态区域的第二移动因子；将第一移动因子和第二移动因子的乘积确定为动态区域的移动程度。
作为示例，动态区域的移动程度的计算公式可以为：
其中，为相邻帧图像中第k个动态区域的移动程度，/>为相邻帧图像中目标区域的标准矢量与第k个动态区域的目标矢量之间的夹角，也就是相邻帧图像中第k个动态区域的第二移动因子，/>为相邻帧图像中第k个动态区域的目标矢量，/>为相邻帧图像中第k个动态区域的目标矢量的模，/>为相邻帧图像中目标区域的标准矢量，/>为相邻帧图像中目标区域的标准矢量的模，/>为相邻帧图像中第k个动态区域的第一移动因子。
在移动程度的计算公式中，移动程度可以被用于表征第k个动态区域在相邻帧图像中的移动情况，移动程度/>越大，第k个动态区域产生误差的概率越高，第k个动态区域对应的动态特征匹配点对被选用进行图像配准的可能性越高；第二移动因子/>可以被用于表征目标矢量/>与标准矢量/>的角度偏差，具体为两个矢量相交组成的夹角即为角度偏差，当第二移动因子/>越大时，说明第k个动态区域的移动角度越大，第k个动态区域的移动程度越大；第一移动因子/>可以被用于表征目标矢量/>的模与标准矢量/>的模之间的差异情况，当第一移动因子越大时，说明第k个动态区域的移动距离越远，第k个动态区域的移动程度越大。
需要说明的是，若动态区域的位移方向与无人机飞向方向共线，则动态区域的第一移动因子不为0而第二移动因子为0，导致最终获得的移动程度为0的特殊情况。当方向共线时，重新定义动态区域的移动程度，具体为：计算第一移动因子与两个矢量的模中的最大值的比值，将上述比值与所有动态区域对应的最小波动程度的乘积确定为方向共线时动态区域的移动程度，这里的最小波动程度不为数值0。上述比值可以衡量方向共线时动态区域的移动距离，将上述比值作为最小波动程度的权值，最小波动程度可以表征方向共线时动态区域发生了移动，具体移动程度大小需要取决于方向共线时动态区域的移动距离。
S4，确定相邻帧图像中各个动态区域对应的各个动态特征匹配点对；根据相邻帧图像中目标区域对应的各个静态特征匹配点对、各个动态区域对应的各个动态特征匹配点对和移动程度，确定每组特征匹配点对的配准评分。
第一步，确定相邻帧图像中各个动态区域对应的各个动态特征匹配点对。
在本实施例中，对于所有静态区域的静态特征匹配点对数量均小于4的相邻帧图像，为了便于后续从相邻帧图像中各个动态区域对应的所有动态特征匹配点对中，选取合适的动态特征匹配点对进行图像配准处理，通过SIFT特征检测算法对相邻帧图像中各个动态区域进行特征检测，可以获得相邻帧图像中各个动态区域对应的各个动态特征匹配点对。
第二步，根据相邻帧图像中目标区域对应的各个静态特征匹配点对、各个动态区域对应的各个动态特征匹配点对和移动程度，确定每组特征匹配点对的配准评分。
需要说明的是，通过评估各个静态特征匹配点对与动态特征匹配点对组成的多组特征匹配点对的配准图像的重影特征，可以衡量每组特征匹配点对的配准评分。配准评分越高说明对应的特征匹配点对组的图像拼接效果好，一定程度上消除了配准图像中的重影区域，具体实现步骤可以包括：
将预设数量与相邻帧图像中目标区域的静态特征匹配点对数量之间的差值，确定为补充数量；将任意每补充数量个动态特征匹配点对与目标区域对应的各个静态特征匹配点对确定为一组特征匹配点对，获得每组特征匹配点对；将任意一组特征匹配点对确定为候选特征匹配点对组，利用候选特征匹配点对组对相邻帧图像进行图像配准处理，获得候选特征匹配点对组对应的配准图像中的各个重影区域；根据配准图像中的各个重影区域和候选特征匹配点对组中各个动态特征匹配点对的移动程度，确定候选特征匹配点对组的配准评分。具体为：
首先，预设数量为4，假设相邻帧图像中目标区域的静态特征匹配点对数量为2，那么补充数量就为2，补充数量是指在对相邻帧图像进行图像配准时需要的动态特征匹配点对的个数，静态特征匹配点对数量越少，补充数量就会越大。
然后，将任意每2个动态特征匹配点对与目标区域的2个静态特征匹配点对确定为一组特征匹配点对，遍历相邻帧图像中各个动态区域对应的所有动态特征匹配点对，可以获得多组特征匹配点对。值得说明的是，每组特征匹配点对中选取的两个动态特征匹配点对并不相同。
其次，将任意一组特征匹配点对确定为候选特征匹配点对组，候选特征匹配点对组可以组成变换矩阵，按照变换矩阵对相邻帧图像中的任意一帧图像进行图像变换，即利用候选特征匹配点对组对相邻帧图像进行图像配准拼接，可以获得候选特征匹配点对组对应的配准图像。图像配准处理的实现过程为现有技术，此处不再进行详细阐述。例如，相邻帧图像为A和B，利用变换矩阵对B进行变换得到C，将A与C相结合获得最终的配准图像。获取未配准前图像在配准后的图像上的对应位置，计算对应位置的图像部分与未配准前的图像部分之间的色差值，其中色差大于0的部分为重影部分，也就是将配准过程中的非交集区域确定为重影区域，可以获得候选特征匹配点对组对应的配准图像中的各个重影区域。
最后，根据配准图像中的各个重影区域和候选特征匹配点对组中各个动态特征匹配点对的移动程度，确定候选特征匹配点对组的配准评分，配准评分的计算公式可以为：
其中，为候选特征匹配点对组的配准评分，/>为候选特征匹配点对组对应的配准图像中的重影区域个数，j为候选特征匹配点对组对应的配准图像中重影区域的序号，/>为候选特征匹配点对组对应的配准图像中第j个重影区域的面积，/>为指数函数，/>为候选特征匹配点对组中各个动态特征匹配点对所在的动态区域的移动程度的平均值，第i组选特征匹配点对可以为候选特征匹配点对组，i可以表征选特征匹配点对组的序号。
在配准评分的计算公式中，配准评分可以表征由候选特征匹配点对组进行配准拼接的配准图像受重影的影响程度，配准评分越高，说明候选特征匹配点对组对应的配准图像受重影的影响越小，将候选特征匹配点对组中各个动态特征匹配点对用于最终进行图像配准拼接的可能性越大；重影区域个数/>越多，说明配准图像中出现的重影区域越多，重影区域面积/>越大，说明配准图像中第j个重影区域面积越大；当重影区域个数/>越多、重影区域面积/>越大时，配准评分越低，所以重影区域个数、重影区域面积均与配准评分为负相关关系，对重影区域个数和重影区域面积进行反比例处理，即/>和/>；/>)可以表征候选特征匹配点对组对应的配准图像中重影数量对配准结果的影响，当重影数量/>越少，则/>越大，则配准越准确，候选特征匹配点对组的配准评分越高；候选特征匹配点对组中的各个动态特征匹配点对可能存在于不同的动态区域，所以需要计算移动程度的平均值，即移动程度的平均值/>，移动程度的平均值/>越小，用于配准的候选特征匹配点对组的配准越准确，则候选特征匹配点对组的配准评分越高。
需要说明的是，参考候选特征匹配点对组的配准评分的确定过程，可以获得每组特征匹配点对的配准评分，每组特征匹配点对的配准评分的确定过程一致，此处不再重复描述。
S5，将最高配准评分对应的一组特征匹配点对确定为最优特征匹配点对组，获得最优特征匹配点对组对应的最优配准图像，从而获得各个最优配准图像。
在本实施例中，从每组特征匹配点对的配准评分中确定最大值，即最高配准评分，将最高配准评分对应的一组特征匹配点对确定为最优特征匹配点对组。通过最优特征匹配点对组对相邻帧图像进行图像配准拼接，可以获得最优特征匹配点对组对应的配准图像，将最优特征匹配点对组对应的配准图像确定为最优配准图像。
对于所有静态区域的静态特征匹配点对数量均小于4的所有相邻帧图像，均进行最优特征匹配点对组的确定，进而对最优特征匹配点对组对相邻帧图像进行图像配准拼接，从而获得所有相邻帧图像对应的最优配准图像，即各个最优配准图像。
S6，将各个最优配准图像组成的图像确定为施工道路拼接图像，对施工道路拼接图像进行管理。
在本实施例中，各个最优配准图像均为重影被去除或削弱的配准图像，依次对各个最优配准图像进行拼接，最终拼接得到一幅连续的施工道路拼接图像，对改进后的削弱重影影响的连续的施工道路拼接图像进行信息提取和管理分析，可以确定道路施工进度状态，有效增强了建筑工程用的信息管理系统的管理效果，有助于监测到更准确的道路施工进度状态。对于每个施工道路航拍视频，均可以按照上述一种建筑工程用的信息管理方法的实现步骤，确定施工道路拼接图像，可以显著提升信息管理系统在管理施工道路拼接图像时的能力。
本发明提供了一种建筑工程用的信息管理系统，该信息管理系统通过分析相邻帧图像中各个动态区域的图像特征，对各个动态区域对应的各个动态特征匹配点对进行分析筛选，从而减少重影对图像拼接的影响，进而获得减小重影后的连续的施工道路图像。对减小动态重影后的连续的施工道路图像进行分析管理，可以准确监测道路施工进度状态，提高信息管理系统的管理效果，主要应用于道路施工进度监测领域。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。
Claims (5)
1.一种建筑工程用的信息管理系统，其特征在于，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：
获取施工道路航拍视频中的每帧图像；根据每帧图像确定每对相邻帧图像中的各个静态区域和各个动态区域；
确定每对相邻帧图像中各个静态区域对应的各个静态特征匹配点对；若任意一对相邻帧图像中所有静态区域的静态特征匹配点对数量均小于预设数量，则将最大静态特征匹配点对数量对应的静态区域确定为目标区域；
根据相邻帧图像中目标区域和各个动态区域上中心点的位置，确定各个动态区域的移动程度；
确定相邻帧图像中各个动态区域对应的各个动态特征匹配点对；根据相邻帧图像中目标区域对应的各个静态特征匹配点对、各个动态区域对应的各个动态特征匹配点对和移动程度，确定每组特征匹配点对的配准评分；
将最高配准评分对应的一组特征匹配点对确定为最优特征匹配点对组，获得最优特征匹配点对组对应的最优配准图像，从而获得各个最优配准图像；
将各个最优配准图像组成的图像确定为施工道路拼接图像，对施工道路拼接图像进行管理。
2.根据权利要求1所述的一种建筑工程用的信息管理系统，其特征在于，根据相邻帧图像中目标区域和各个动态区域上中心点的位置，确定各个动态区域的移动程度，包括：
根据相邻帧图像中目标区域上中心点的位置，将前一帧图像中目标区域上中心点到后一帧图像中目标区域上中心点的矢量确定为标准矢量；
对于任意一个动态区域，根据相邻帧图像中动态区域上中心点的位置，将前一帧图像中动态区域上中心点到后一帧图像中动态区域上中心点的矢量确定为目标矢量；
将标准矢量的模与目标矢量的模之间的差值确定为动态区域的第一移动因子，将标准矢量与目标矢量之间的夹角确定为动态区域的第二移动因子；
将第一移动因子和第二移动因子的乘积确定为动态区域的移动程度。
3.根据权利要求1所述的一种建筑工程用的信息管理系统，其特征在于，根据相邻帧图像中目标区域对应的各个静态特征匹配点对、各个动态区域对应的各个动态特征匹配点对和移动程度，确定每组特征匹配点对的配准评分，包括：
将预设数量与相邻帧图像中目标区域的静态特征匹配点对数量之间的差值，确定为补充数量；
将任意每补充数量个动态特征匹配点对与目标区域对应的各个静态特征匹配点对确定为一组特征匹配点对，获得每组特征匹配点对；
将任意一组特征匹配点对确定为候选特征匹配点对组，利用候选特征匹配点对组对相邻帧图像进行图像配准处理，获得候选特征匹配点对组对应的配准图像中的各个重影区域；
根据配准图像中的各个重影区域和候选特征匹配点对组中各个动态特征匹配点对的移动程度，确定候选特征匹配点对组的配准评分。
4.根据权利要求3所述的一种建筑工程用的信息管理系统，其特征在于，所述候选特征匹配点对组的配准评分的计算公式为：
其中，为候选特征匹配点对组的配准评分，/>为候选特征匹配点对组对应的配准图像中的重影区域个数，j为候选特征匹配点对组对应的配准图像中重影区域的序号，/>为候选特征匹配点对组对应的配准图像中第j个重影区域的面积，/>为指数函数，/>为候选特征匹配点对组中各个动态特征匹配点对所在的动态区域的移动程度的平均值。
5.根据权利要求1所述的一种建筑工程用的信息管理系统，其特征在于，根据每帧图像确定每对相邻帧图像中的各个静态区域和各个动态区域，包括：
对每帧图像进行灰度化处理，获得灰度化处理后的每对相邻帧图像；对每对相邻帧图像进行作差，获得各个帧差图像；基于各个帧差图像中每个像素点的灰度差值，将灰度差值大于灰度差值阈值的区域确定为动态区域，将灰度差值不大于灰度差值阈值的区域确定为静态区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310896183.9A CN116612390B (zh) | 2023-07-21 | 2023-07-21 | 一种建筑工程用的信息管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310896183.9A CN116612390B (zh) | 2023-07-21 | 2023-07-21 | 一种建筑工程用的信息管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116612390A true CN116612390A (zh) | 2023-08-18 |
| CN116612390B CN116612390B (zh) | 2023-10-03 |
Family
ID=87684082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310896183.9A Active CN116612390B (zh) | 2023-07-21 | 2023-07-21 | 一种建筑工程用的信息管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116612390B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073846A (zh) * | 2010-12-15 | 2011-05-25 | 同济大学 | 基于航拍图像的交通信息获取方法 |
| CN102426705A (zh) * | 2011-09-30 | 2012-04-25 | 北京航空航天大学 | 一种视频场景行为拼接方法 |
| CN104506828A (zh) * | 2015-01-13 | 2015-04-08 | 中南大学 | 一种无有效重叠变结构的定点定向视频实时拼接方法 |
| WO2016086754A1 (zh) * | 2014-12-03 | 2016-06-09 | 中国矿业大学 | 一种大场景视频图像拼接方法 |
| US20160379373A1 (en) * | 2015-06-26 | 2016-12-29 | Biogait Ltd. | Methods Circuits Devices Systems and Associated Computer Executable Code for Multi Factor Image Feature Registration and Tracking |
| CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
| CN110189256A (zh) * | 2019-05-30 | 2019-08-30 | 深圳岚锋创视网络科技有限公司 | 一种全景图像拼接方法、计算机可读存储介质及全景相机 |
| CN111091590A (zh) * | 2019-12-18 | 2020-05-01 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
| CN111209920A (zh) * | 2020-01-06 | 2020-05-29 | 桂林电子科技大学 | 一种复杂动态背景下飞机检测方法 |
| CN112288628A (zh) * | 2020-10-26 | 2021-01-29 | 武汉大学 | 基于光流跟踪和抽帧映射的航拍图像拼接加速方法及系统 |
| CN114332183A (zh) * | 2021-08-10 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
| CN114926536A (zh) * | 2022-07-19 | 2022-08-19 | 合肥工业大学 | 一种基于语义的定位与建图方法、系统及智能机器人 |
| CN115526781A (zh) * | 2022-10-12 | 2022-12-27 | 中国人民解放军陆军工程大学 | 一种基于图像重叠区域的拼接方法、系统、设备及介质 |
| WO2022267287A1 (zh) * | 2021-06-25 | 2022-12-29 | 浙江商汤科技开发有限公司 | 图像配准方法及相关装置、设备和存储介质 |
| CN115883988A (zh) * | 2023-02-17 | 2023-03-31 | 南昌航天广信科技有限责任公司 | 视频图像拼接方法、系统、电子设备及存储介质 |
| CN116132729A (zh) * | 2022-12-30 | 2023-05-16 | 电子科技大学 | 一种山体滑坡监测用全景视频拼接方法及系统 |
| CN116156245A (zh) * | 2023-01-06 | 2023-05-23 | 深圳市朗驰欣创科技股份有限公司 | 视频抖动快速检测方法、装置、计算机设备及介质 |
| CN116188328A (zh) * | 2023-04-24 | 2023-05-30 | 深圳市银河通信科技有限公司 | 基于物联网的停车场感应灯联动系统 |
-
2023
- 2023-07-21 CN CN202310896183.9A patent/CN116612390B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102073846A (zh) * | 2010-12-15 | 2011-05-25 | 同济大学 | 基于航拍图像的交通信息获取方法 |
| CN102426705A (zh) * | 2011-09-30 | 2012-04-25 | 北京航空航天大学 | 一种视频场景行为拼接方法 |
| WO2016086754A1 (zh) * | 2014-12-03 | 2016-06-09 | 中国矿业大学 | 一种大场景视频图像拼接方法 |
| CN104506828A (zh) * | 2015-01-13 | 2015-04-08 | 中南大学 | 一种无有效重叠变结构的定点定向视频实时拼接方法 |
| US20160379373A1 (en) * | 2015-06-26 | 2016-12-29 | Biogait Ltd. | Methods Circuits Devices Systems and Associated Computer Executable Code for Multi Factor Image Feature Registration and Tracking |
| CN107301661A (zh) * | 2017-07-10 | 2017-10-27 | 中国科学院遥感与数字地球研究所 | 基于边缘点特征的高分辨率遥感图像配准方法 |
| CN110189256A (zh) * | 2019-05-30 | 2019-08-30 | 深圳岚锋创视网络科技有限公司 | 一种全景图像拼接方法、计算机可读存储介质及全景相机 |
| CN111091590A (zh) * | 2019-12-18 | 2020-05-01 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
| CN111209920A (zh) * | 2020-01-06 | 2020-05-29 | 桂林电子科技大学 | 一种复杂动态背景下飞机检测方法 |
| CN112288628A (zh) * | 2020-10-26 | 2021-01-29 | 武汉大学 | 基于光流跟踪和抽帧映射的航拍图像拼接加速方法及系统 |
| WO2022267287A1 (zh) * | 2021-06-25 | 2022-12-29 | 浙江商汤科技开发有限公司 | 图像配准方法及相关装置、设备和存储介质 |
| CN114332183A (zh) * | 2021-08-10 | 2022-04-12 | 腾讯科技（深圳）有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
| CN114926536A (zh) * | 2022-07-19 | 2022-08-19 | 合肥工业大学 | 一种基于语义的定位与建图方法、系统及智能机器人 |
| CN115526781A (zh) * | 2022-10-12 | 2022-12-27 | 中国人民解放军陆军工程大学 | 一种基于图像重叠区域的拼接方法、系统、设备及介质 |
| CN116132729A (zh) * | 2022-12-30 | 2023-05-16 | 电子科技大学 | 一种山体滑坡监测用全景视频拼接方法及系统 |
| CN116156245A (zh) * | 2023-01-06 | 2023-05-23 | 深圳市朗驰欣创科技股份有限公司 | 视频抖动快速检测方法、装置、计算机设备及介质 |
| CN115883988A (zh) * | 2023-02-17 | 2023-03-31 | 南昌航天广信科技有限责任公司 | 视频图像拼接方法、系统、电子设备及存储介质 |
| CN116188328A (zh) * | 2023-04-24 | 2023-05-30 | 深圳市银河通信科技有限公司 | 基于物联网的停车场感应灯联动系统 |
Non-Patent Citations (4)
| Title |
|---|
| YONGWEI NIE等: "Dynamic Video Stitching via Shakiness Removing", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 27, no. 1, pages 164 - 178 * |
| ZONGWEN BAI等: "Real-Time Video Stitching for Mine Surveillance Using a Hybrid Image Registration Method", 《ELECTRONICS》, vol. 9, no. 9, pages 1 - 18 * |
| 晋永伟: "基于动态网格优化和组合变换的图像拼接研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2021, no. 5, pages 138 - 884 * |
| 王璨: "无人机航拍视角下图像拼接算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2023, no. 1, pages 138 - 1189 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116612390B (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
| CN108256394B (zh) | 一种基于轮廓梯度的目标跟踪方法 | |
| CN110223330B (zh) | 一种可见光和红外图像的配准方法及系统 | |
| CN108986152B (zh) | 一种基于差分图像的异物检测方法及装置 | |
| CN108564598B (zh) | 一种改进的在线Boosting目标跟踪方法 | |
| CN111709416A (zh) | 车牌定位方法、装置、系统及存储介质 | |
| CN113052170B (zh) | 一种无约束场景下的小目标车牌识别方法 | |
| CN111680705B (zh) | 适于目标检测的mb-ssd方法和mb-ssd特征提取网络 | |
| AU2020272936B2 (en) | Methods and systems for crack detection using a fully convolutional network | |
| CN114429457A (zh) | 一种基于双模态融合的风机叶片缺陷智能检测方法 | |
| Pervej et al. | Real-time computer vision-based bangla vehicle license plate recognition using contour analysis and prediction algorithm | |
| CN112347967B (zh) | 一种复杂场景下融合运动信息的行人检测方法 | |
| Tasson et al. | FPGA-based pedestrian detection under strong distortions | |
| CN111079516B (zh) | 基于深度神经网络的行人步态分割方法 | |
| KR102173955B1 (ko) | 객체 추적을 위한 특징점 검출 장치 및 그 방법 | |
| CN116612390B (zh) | 一种建筑工程用的信息管理系统 | |
| CN106650629A (zh) | 一种基于核稀疏表示的快速遥感目标检测识别方法 | |
| RU2718429C1 (ru) | Устройство обнаружения локально-стационарных областей на изображении | |
| CN111640071A (zh) | 基于卷积神经网络修复帧差法获取全景前景目标的方法 | |
| CN111401286A (zh) | 一种基于部件权重生成网络的行人检索方法 | |
| Sebastian et al. | LiDAR-assisted Large-scale privacy protection in street-view cycloramas | |
| CN113989604B (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
| CN112016567B (zh) | 一种多尺度图像目标检测方法和装置 | |
| CN113379802B (zh) | 一种多特征自适应融合的相关滤波目标跟踪方法 | |
| CN111563912B (zh) | 一种行人追踪系统和方法 |
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 |