CN116778347A - 数据更新方法、装置、电子设备和存储介质 - Google Patents
数据更新方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116778347A CN116778347A CN202311072947.9A CN202311072947A CN116778347A CN 116778347 A CN116778347 A CN 116778347A CN 202311072947 A CN202311072947 A CN 202311072947A CN 116778347 A CN116778347 A CN 116778347A
- Authority
- CN
- China
- Prior art keywords
- image
- target sequence
- similarity
- reference sequence
- images
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 40
- 230000000007 visual effect Effects 0.000 claims description 33
- 238000012216 screening Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种数据更新方法、装置、电子设备和存储介质,可应用于地图和交通领域;本申请实施例可以获取目标序列和参考序列,目标序列和参考序列中包括图像;对每个图像进行特征提取处理,得到每个图像的图像特征;基于图像特征,计算目标序列中图像与参考序列中图像之间的相似度;基于相似度确定相似图像对,相似图像对包括第一图像与第二图像,第一图像为目标序列中的一图像,第二图像为参考序列中的一图像,第一图像与第二图像具有相似的拍摄内容;若相似图像对中的第一图像与第二图像存在差别点,则基于差别点进行数据更新。本方案可以提升数据更新方法的准确度。
Description
技术领域
本申请涉及计算机领域,具体涉及一种数据更新方法、装置、电子设备和存储介质。
背景技术
地图道路数据的采集和更新的过程中,需要对比新采集资料和历史资料的差异,通过识别地图中发生变化的要素进而更新地图以保持地图的准确性和时效性。例如,通过对比识别道路上交通标识的变化、道路的变化等,进而将识别到的变化要素应用到地图中,更新地图数据如地图数据的更新、地图图层的修改等。
然而,在道路数据的采集过程中,因众多采集因素如传感器精度变化、策略姿态变化、环境变化等,可能导致漂移和定位不准确的问题,最终导致识别变化要素不准确的问题。因此,目前的数据更新方法准确性低。
发明内容
本申请实施例提供一种数据更新方法、装置、电子设备和存储介质,可以提高数据更新方法的准确性。
本申请实施例提供一种数据更新方法,包括:
获取目标序列和参考序列,目标序列和参考序列中包括图像;
对每个图像进行特征提取处理,得到每个图像的图像特征;
基于图像特征,计算目标序列中图像与参考序列中图像之间的相似度;
基于相似度确定相似图像对,相似图像对包括第一图像与第二图像,第一图像为目标序列中的一图像,第二图像为参考序列中的一图像,第一图像与第二图像具有相似的拍摄内容;
若相似图像对中的第一图像与第二图像存在差别点,则基于差别点进行数据更新。
本申请实施例还提供一种数据更新装置,包括:
序列单元,用于获取目标序列和参考序列,目标序列和参考序列中包括图像;
特征单元,用于对每个图像进行特征提取处理,得到每个图像的图像特征;
相似度单元,用于基于图像特征,计算目标序列中图像与参考序列中图像之间的相似度;
图像对单元,用于基于相似度确定相似图像对,相似图像对包括第一图像与第二图像,第一图像为目标序列中的一图像,第二图像为参考序列中的一图像,第一图像与第二图像具有相似的拍摄内容;
更新单元,用于若相似图像对中的第一图像与第二图像存在差别点,则基于差别点进行数据更新。
在一些实施例中,相似度单元可以用于:
基于目标序列中的第i帧图像的图像特征,与参考序列中的第j帧图像的图像特征,得到目标序列中的第i帧图像与参考序列中的第j帧图像之间的相似度。
在一些实施例中,图像对单元,可以用于:
生成相似度矩阵,相似度矩阵由目标序列中第i帧图像与参考序列中第j帧图像之间的相似度构成;
基于相似度矩阵,确定相似图像对。
在一些实施例中,相似图像对为最大相似度路径中一途径元素所对应的图像,基于相似度矩阵,确定相似图像对,包括:
在相似度矩阵中确定最大相似度路径,最大相似度路径指途径元素之和最大的路径,最大相似度路径两端的元素分别对应目标序列中第一帧图像与参考序列中第一帧图像之间的相似度以及目标序列中最后一帧图像与参考序列中最后一帧图像之间的相似度。
在一些实施例中,在相似度矩阵中确定最大相似度路径,包括:
确定当前途径元素,所述当前途径元素对应所述目标序列中第i帧图像与所述参考序列中第j帧图像之间的相似度;
确定上一总和,所述上一总和为第一总和、第二总和和第三总和中数值最小的一个,所述第一总和为第一途径元素及其之前所有途径元素之和,所述第一途径元素对应所述目标序列中第i-1帧图像与所述参考序列中第j帧图像之间的相似度,所述第二总和为第二途径元素及其之前所有途径元素之和,所述第二途径元素对应所述目标序列中第i-1帧图像与所述参考序列中第j-1帧图像之间的相似度,所述第三总和为第三途径元素及其之前所有途径元素之和,所述第一途径元素对应所述目标序列中第i帧图像与所述参考序列中第j-1帧图像之间的相似度;
确定当前总和,所述当前总和为当前途径元素与所述上一总和之和;
返回并执行步骤确定当前途径元素,直至当前途径元素为所述目标序列中最后一帧图像与所述参考序列中最后一帧图像之间的相似度,得到最大相似度路径。
在一些实施例中,相似度单元用于:
在目标序列和参考序列中筛选出候选簇,候选簇包括候选图像,同一候选簇中的候选图像为同一拍摄区域内拍摄的图像;
对于同一候选簇,基于图像特征计算目标序列中候选图像与参考序列中候选图像之间的相似度;
图像对单元中的第一图像为目标序列中的一图像包括第一图像为目标序列中的一候选图像,第二图像为参考序列中的一图像包括第二图像为参考序列中的一候选图像。
在一些实施例中,特征单元用于:
在目标序列和参考序列中筛选出候选簇,候选簇包括候选图像,同一候选簇中的候选图像为同一拍摄区域内拍摄的图像;
对每个候选图像进行特征提取处理,得到每个候选图像的图像特征;
其中,相似度单元用于:
对于同一候选簇,基于图像特征计算目标序列中候选图像与参考序列中候选图像之间的相似度;
第一图像为目标序列中的一图像包括第一图像为目标序列中的一候选图像,第二图像为参考序列中的一图像包括第二图像为参考序列中的一候选图像。
在一些实施例中,在目标序列和参考序列中筛选出候选簇,可以包括:
获取目标序列和参考序列中每个图像在拍摄时的拍摄位置;
基于拍摄位置,对目标序列和参考序列中的图像进行聚类,得到候选簇,候选簇包括图像。
在一些实施例中,在目标序列和参考序列中筛选出候选簇,可以包括:
基于目标序列,识别目标序列中每个图像的拍摄地点;
基于参考序列,识别参考序列中每个图像的拍摄地点;
基于每个图像的拍摄地点,对目标序列和参考序列中的图像进行聚类,得到候选簇,候选簇包括图像。
在一些实施例中,图像特征包括但不限于特征子和描述子,特征子包括尺寸信息与深度信息,描述子包括空间信息。
在一些实施例中,特征单元可以用于:
采用卷积层提取图像的视觉特征;
采用归一化层对视觉特征进行归一化处理,得到归一化的视觉特征;
采用激活层对归一化的视觉特征进行非线性映射,得到图像的图像特征。
在一些实施例中,采用激活层对归一化的视觉特征进行非线性映射,得到图像的图像特征,可以包括:
采用激活层对归一化的视觉特征进行非线性映射,得到图像的抽象视觉特征;
对抽象视觉特征进行展平处理,得到图像的图像向量;
采用特征算子计算图像的特征子和描述子;
生成图像特征,图像特征包括但不限于图像向量、特征子和描述子。
在一些实施例中,更新单元可以用于:
对相似图像对中的第一图像与第二图像进行差别点检测,得到第一图像与第二图像之间的差别点;
响应于检测到第一图像与第二图像之间存在差别点,则将参考序列中的第二图像,替换为第一图像。
本申请实施例还提供一种电子设备,包括存储器存储有多条指令;所述处理器从所述存储器中加载指令,以执行本申请实施例所提供的任一种数据更新方法中的步骤。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本申请实施例所提供的任一种数据更新方法中的步骤。
本申请实施例可以获取目标序列和参考序列,目标序列和参考序列中包括图像;对每个图像进行特征提取处理,得到每个图像的图像特征;基于图像特征,计算目标序列中图像与参考序列中图像之间的相似度;基于相似度确定相似图像对,相似图像对包括第一图像与第二图像,第一图像为目标序列中的一图像,第二图像为参考序列中的一图像,第一图像与第二图像具有相似的拍摄内容;若相似图像对中的第一图像与第二图像存在差别点,则基于差别点进行数据更新。
本申请在识别变化要素即差别点之前,增加了数据对齐的步骤,即通过图像特征确定数据之间的相似度,使得目标序列中的第一图像与参考序列中的第二图像对齐,即通过相似度查找出在相似的地点以相似的机位所采集的两张道路图像。通过数据对齐,本申请可以解决数据漂移以及不准确定位的数据所导致的识别变化要素不准确的问题。因此,本申请实施例可以提高数据更新方法的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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他的附图。
图1a是本申请实施例提供的数据更新方法的场景示意图;
图1b是本申请实施例提供的数据更新方法的流程示意图;
图1c是本申请实施例提供的数据更新方法的相似度矩阵与最大相似度路径示意图;
图1d是本申请实施例提供的数据更新方法的相似图像对示意图;
图2a是本申请实施例提供的数据更新方法应用在地图道路数据的对齐与更新场景中的示意图;
图2b是本申请实施例提供的数据更新方法应用在地图道路数据的对齐与更新场景中的对齐结果示意图;
图2c是本申请实施例提供的数据更新方法应用地图道路数据的对齐与更新场景中的输出图像示意图;
图3是本申请实施例提供的数据更新装置的结构示意图;
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种数据更新方法、装置、电子设备和存储介质。
其中,该数据更新装置具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer,PC)等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
在一些实施例中,该数据更新装置还可以集成在多个电子设备中,比如,数据更新装置可以集成在多个服务器中,由多个服务器来实现本申请的数据更新方法。
在一些实施例中,服务器也可以以终端的形式来实现。
例如,参考图1a,该电子设备可以获取目标序列和参考序列,目标序列和参考序列中包括图像;对每个图像进行特征提取处理,得到每个图像的图像特征;基于图像特征,计算目标序列中图像与参考序列中图像之间的相似度;基于相似度确定相似图像对,相似图像对包括第一图像与第二图像,第一图像为目标序列中的一图像,第二图像为参考序列中的一图像,第一图像与第二图像具有相似的拍摄内容;若相似图像对中的第一图像与第二图像存在差别点,则基于差别点进行数据更新。
以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。
人工智能(Artificial Intelligence,AI)是一种利用数字计算机来模拟人类感知环境、获取知识并使用知识的技术,该技术可以使机器具有类似于人类的感知、推理与决策的功能。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
其中,计算机视觉(Computer Vision,CV)是利用计算机代替人眼对目标图像进行识别、测量等操作并进一步进行处理的技术。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、虚拟现实、增强现实、同步定位与地图构建、自动驾驶、智慧交通等等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。比如,图像着色、图像描边提取等图像处理技术。
在本实施例中,提供了一种涉及人工智能的基于计算机视觉的数据更新方法,如图1b所示,该数据更新方法的具体流程可以如下:
101、获取目标序列和参考序列,目标序列和参考序列中包括图像。
目标序列和参考序列均为采集得到的地图道路数据。其中,参考序列可以为历史时刻采集的用于参考的地图道路数据,目标序列可以为最近时刻或当前时刻等新采集的用于参考的地图道路数据,也可以为其他需要与参考序列对比的地图道路数据。
地图道路数据可以是记录了道路各种属性与拓扑关系的数据,如道路线段、道路等级、交叉口和交叉口拓扑关系、交通标识、车道和车道属性、道路方向和流向、道路长度和距离、路口和交叉点属性等。在一些实施例中,地图道路数据可以以视频的形式体现,也可以以图像序列的形式体现。例如,地图道路数据可以为记录了如道路路面、交通标识等道路属性与拓扑关系的视频。
例如,目标序列可以为2023年1月2日15:28车载采集设备所采集的驾车从道路Q起点开往道路Q终点的视频,参考序列可以为2023年1月1日9:05车载采集设备所采集的驾车从道路Q起点开往道路Q终点的视频。
可以理解的,目标序列和参考序列为采集设备采集的视频或图像序列,因此,目标序列和参考序列中的图像是按照时间顺序记录的。例如,视频是由一系列静止的图像(帧)以高速连续播放而形成的。采集设备例如摄像机会以固定的帧率(每秒多少帧)捕捉连续的图像,然后将这些图像按照时间顺序存储为视频。
例如,存在目标序列X与参考序列Y,其中,目标序列X包含n帧图像,目标序列X为<x1,x2,x3...xn-2,xn-1,xn>,其中,x1为目标序列X中第一帧图像,x2为目标序列X中第二帧图像,xn为目标序列X中第n帧图像,n为正整数;参考序列Y包含m帧图像,参考序列Y为<y1,y2,y3...ym-2,ym-1,ym>,同理,ym为目标序列X中第m帧图像。
102、对每个图像进行特征提取处理,得到每个图像的图像特征。
例如,对目标序列X<x1,x2,x3...xn-2,xn-1,xn>特征提取处理后得到目标序列X中每帧图像的图像特征<θx1,θx2,θx3... θxn-2,θxn-1,θxn>;对参考序列Y为<y1,y2,y3...ym-2,ym-1,ym>特征提取处理后得到参考序列Y中每帧图像的图像特征<θy1,θy2,θy3... θym-2,θym-1,θym>。
由于,采集车辆的驾驶路线不定,因此,目标序列和参考序列可能为采集车辆按照不同驾驶路线所采集的,因此,不先对齐新旧数据,而是直接一对一对比目标序列和参考序列中每帧图像的变化要素(即差异点)可能会导致将错误识别,即误以为某些要素发生了变化,导致错误的更新地图信息。因此,在一些实施例中,可以先筛选出新旧数据中同一采集区域内所采集的数据,以降低计算量,同时进一步保证采集区域的对齐。
例如,在一些实施例中,可以在特征提取之前先筛选出候选图像,再只对候选图像进行特征提取处理,得到每个候选图像的图像特征。在一些实施例中,可以通过聚类的方法在目标序列和参考序列中筛选出候选簇,即将目标序列和参考序列中的图像分成不同的候选簇,每个候选簇代表一个拍摄位置附近的一组图像,即同一拍摄区域内的图像。
因此,在一些实施例中,步骤102可以包括:
在目标序列和参考序列中筛选出候选簇,候选簇包括候选图像,同一候选簇中的候选图像为同一拍摄区域内拍摄的图像;
对每个候选图像进行特征提取处理,得到每个候选图像的图像特征;
因此,由于步骤102筛选出候选图像,故对于同一候选簇,步骤103只需基于候选图像的图像特征,计算目标序列中候选图像与参考序列中候选图像之间的相似度即可。同理,步骤104中的第一图像为目标序列中的一图像包括第一图像为目标序列中的一候选图像,第二图像为参考序列中的一图像包括第二图像为参考序列中的一候选图像。
在一些实施例中,在目标序列和参考序列中筛选出候选簇,可以包括如下步骤:
获取目标序列和参考序列中每个图像在拍摄时的拍摄位置;
基于拍摄位置,对目标序列和参考序列中的图像进行聚类,得到候选簇,候选簇包括图像。
其中,聚类算法可以包括K均值聚类、层次聚类、DBSCAN等。
其中,图像数据中可以包括拍摄位置,即图像被采集设备采集时具体地点信息,通常包括经度和纬度坐标。拍摄位置可以通过全球定位系统(GPS)或其他定位技术来采集,然后被嵌入到图像的元数据中随图像一起保存,或者存储在存储设备或云服务中。
在一些实施例中,图像数据中可能并未包含其拍摄地点,因此,可以通过识别图像内容的方式识别出图像的拍摄地点。因此,在目标序列和参考序列中筛选出候选簇,可以包括如下步骤:
基于目标序列,识别目标序列中每个图像的拍摄地点;
基于参考序列,识别参考序列中每个图像的拍摄地点;
基于每个图像的拍摄地点,对目标序列和参考序列中的图像进行聚类,得到候选簇,候选簇包括图像。
例如,通过深度学习技术来识别图像中的建筑、地标、景物等。这些物体的存在可以暗示拍摄地点的可能性。例如,如果图像中有著名的地标,可以根据这些地标来推测大致的拍摄位置。
在一些实施例中,基于拍摄位置对图像进行聚类可以帮助识别在不同地点拍摄的候选簇,对于同一候选簇中的图像,可以执行步骤102~104,然后再按照步骤102~104处理另一候选簇中的图像,直至处理完所有候选簇。
在一些实施例中,图像特征包括但不限于特征子和描述子,特征子包括尺寸信息与深度信息,描述子包括空间信息。其中,特征子(Feature)是指从图像中提取出来的、能够表达图像中某些关键信息的低维表示。这些特征用来描述图像的局部特点或整体特征,比如边缘、角点、纹理、颜色直方图等。特征子通常比原始图像的维度低,可以更好地表达图像中的关键信息;描述子(Descriptor)是对特征子进行进一步编码和表示的结果。描述子用于将特征子的信息进行压缩和表示,以便于比较。描述子通常是一个向量或一个较短的数据结构,能够唯一地代表特征子的特征。它们用于构建特征空间,便于图像之间的相似度度量和匹配。
在一些实施例中,图像特征可以是采用传统算子提取,也可以采用深度学习方法提取。例如,传统算子可以包括边缘检测算子(如Sobel、Canny等)、角点检测算子(如Harris角点检测、Shi-Tomasi角点检测等)、纹理特征算子(如灰度共生矩阵、局部二值模式(LBP)等)、尺度不变特征变换(SIFT)等;深度学习方法可以包括各种神经网络如卷积神经网络(CNN)、VGG、ResNet、Inception、EfficientNet等。
在一些实施例中,可以采用神经网络作为特征提取部分,其中包括卷积层、归一化层、激活层。因此,对每个图像进行特征提取处理,得到每个图像的图像特征,可以包括如下步骤:
采用卷积层提取图像的视觉特征;
采用归一化层对视觉特征进行归一化处理,得到归一化的视觉特征;
采用激活层对归一化的视觉特征进行非线性映射,得到图像的图像特征。
其中,卷积层(Convolutional Layer)包括一系列的卷积核(也称为滤波器),可以对图像进行卷积操作,从而提取图像中的局部特征。卷积操作可以捕捉到图像的空间特征关系,用于提取图像的边缘、纹理等低级特征。
归一化层 (Normalization Layer)用于提高网络的训练稳定性和泛化能力。通过对卷积层输出的特征图进行标准化处理,有助于防止训练过程中的梯度消失或梯度爆炸问题,并且可以增强模型的鲁棒性。
激活层 (Activation Layer)引入了非线性变换,使得神经网络可以学习复杂的非线性函数。在卷积神经网络中,常用的激活函数包括ReLU(Rectified Linear Unit)、Sigmoid和Tanh等。在一些实施例中,在卷积层之后添加ReLU激活层,用于使得网络能够学习非线性特征。
在一些实施例中,可以将通过深度学习提取得到的特征向量与通过传统算子提取到的特征向量进行特征融合处理。因此,采用激活层对归一化的视觉特征进行非线性映射,得到图像的图像特征,可以包括如下步骤:
采用激活层对归一化的视觉特征进行非线性映射,得到图像的抽象视觉特征;
对抽象视觉特征进行展平处理,得到图像的图像向量;
采用特征算子计算图像的特征子和描述子;
生成图像特征,图像特征包括但不限于图像向量、特征子和描述子。
其中,特征子可以包括图像的长、宽和深度信息,描述子可以包括图像的空间位置,旋转属性等。
例如,通过向量拼接、加权平均、主成分分析、堆叠等特征融合方式以获得更丰富、更有信息量的特征表示。
103、基于图像特征,计算目标序列中图像与参考序列中图像之间的相似度。
相似度是用于衡量两个或多个图像之间在视觉上的相似性程度。图像特征之间的距离或相似性可以作为相似度,例如,余弦相似度、欧氏距离、内积等。
例如,在一些实施例中,相似度可以记为S<θxiθyj>,指目标序列X中第i帧图像的图像特征θxi与参考序列Y中第j帧图像的图像特征θyj之间的内积。其中,i为1~n之间的正整数,j为1~m之间的正整数。
在一些实施例中,可以先筛选出新旧数据中同一采集区域内所采集的数据,以降低计算量,同时进一步保证采集区域的对齐。
例如,在一些实施例中,可以在计算相似度之前先筛选出候选图像,再只对候选图像进行相似度计算,得到候选图像之间的相似度。在一些实施例中,可以通过聚类的方法在目标序列和参考序列中筛选出候选簇,即将目标序列和参考序列中的图像分成不同的候选簇,每个候选簇代表一个拍摄位置附近的一组图像,即同一拍摄区域内的图像。
在一些实施例中,对于同一候选簇,可以计算该候选簇中目标序列中的图像与该候选簇中参考序列中的图像之间的相似度。对于不同候选簇中的图像,以及所有候选簇之外的图像,不做相似度计算。
在一些实施例中,步骤103可以包括:
在目标序列和参考序列中筛选出候选簇,候选簇包括候选图像,同一候选簇中的候选图像为同一拍摄区域内拍摄的图像;
对于同一候选簇,基于图像特征计算目标序列中候选图像与参考序列中候选图像之间的相似度。
因此,由于步骤103筛选出候选图像,故步骤104中的第一图像为目标序列中的一图像包括第一图像为目标序列中的一候选图像,第二图像为参考序列中的一图像包括第二图像为参考序列中的一候选图像。
在一些实施例中,在目标序列和参考序列中筛选出候选簇,可以包括如下步骤:
获取目标序列和参考序列中每个图像在拍摄时的拍摄位置;
基于拍摄位置,对目标序列和参考序列中的图像进行聚类,得到候选簇,候选簇包括图像。
其中,聚类算法可以包括K均值聚类、层次聚类、DBSCAN等。
其中,图像数据中可以包括拍摄位置,即图像被采集设备采集时具体地点信息,通常包括经度和纬度坐标。拍摄位置可以通过全球定位系统(GPS)或其他定位技术来采集,然后被嵌入到图像的元数据中随图像一起保存,或者存储在存储设备或云服务中。
在一些实施例中,图像数据中可能并未包含其拍摄地点,因此,可以通过识别图像内容的方式识别出图像的拍摄地点。因此,在目标序列和参考序列中筛选出候选簇,可以包括如下步骤:
基于目标序列,识别目标序列中每个图像的拍摄地点;
基于参考序列,识别参考序列中每个图像的拍摄地点;
基于每个图像的拍摄地点,对目标序列和参考序列中的图像进行聚类,得到候选簇,候选簇包括图像。
例如,通过深度学习技术来识别图像中的建筑、地标、景物等。这些物体的存在可以暗示拍摄地点的可能性。例如,如果图像中有著名的地标,可以根据这些地标来推测大致的拍摄位置。
在一些实施例中,步骤103可以包括如下步骤:
基于目标序列中的第i帧图像的图像特征,与参考序列中的第j帧图像的图像特征,得到相似度,得到目标序列中的第i帧图像与参考序列中的第j帧图像之间的相似度。
104、基于相似度确定相似图像对,相似图像对包括第一图像与第二图像,第一图像为目标序列中的一图像,第二图像为参考序列中的一图像,第一图像与第二图像具有相似的拍摄内容。
相似图像对包括一对图像,其中一张为目标序列中的图像,另一张为参考序列中的图像,这对图像在视觉上存在相似的图像内容,例如,相似的道路结构如相似的车道数、道路宽度、道路的弯曲程度等,相似的交通标志和信号灯等,相似的建筑物或地标等,相似的路面状况等。
由于在一些实施例中,在步骤102或步骤103事先进行了候选图片的筛选,因此,步骤104的相似图像对均为候选图片,故相似图像对是一对在同一拍摄区域采集的、具有相似的拍摄内容的、来自于两个不同图像序列中的图像。
因此,通过步骤104可以在图像内容上进行数据对齐,结合步骤102或步骤103拍摄区域上的数据对对齐,本申请可以解决数据漂移以及不准确定位的数据所导致的识别变化要素不准确的问题。
在一些实施例中,基于相似度确定相似图像对,可以包括如下步骤:
生成相似度矩阵,相似度矩阵由目标序列中第i帧图像与参考序列中第j帧图像之间的相似度构成;
基于相似度矩阵,确定相似图像对。
其中,相似度矩阵中的每个元素表示目标序列中图像与参考序列中图像之间的相似度,元素数值即为相似度数值。例如,参考表1,表1为相似度矩阵,其中,xn指目标序列X的第n帧图像,yj指参考序列Y的第j帧图像;该相似度矩阵最左下角的元素为x1与y1之间的相似度,最右上角的元素为xn与ym之间的相似度。
表1
需要注意的是,在一些实施例中,相似度矩阵最左下角的元素为x1与y1之间的相似度,最右上角的元素为xn与ym之间的相似度;在一些实施例中,相似度矩阵最右上角的元素为x1与y1之间的相似度,最左下角的元素为xn与ym之间的相似度;以此类推,在一些实施例中,横轴可以表征目标序列X中的图像,纵轴可以表征参考序列Y中的图像,因此相似度矩阵的四个顶点元素所代表的含义随矩阵的构建方式变化而变化。
在一些实施例中,相似图像对为最大相似度路径中一途径元素所对应的图像,基于相似度矩阵,确定相似图像对,包括:
在相似度矩阵中确定最大相似度路径,最大相似度路径指途径元素之和最大的路径,最大相似度路径两端的元素分别对应目标序列中第一帧图像与参考序列中第一帧图像之间的相似度以及目标序列中最后一帧图像与参考序列中最后一帧图像之间的相似度。
例如,参考图1c,为了解决自顶向下或者自下向顶进行最大相似度路径求解时,为了避免防重复计算,在如图1c构建的相似度矩阵中,构建最大相似路径时,在相似度矩阵中确定最大相似度路径,包括:
确定当前途径元素,所述当前途径元素对应所述目标序列中第i帧图像与所述参考序列中第j帧图像之间的相似度;
确定上一总和,所述上一总和为第一总和、第二总和和第三总和中数值最小的一个,所述第一总和为第一途径元素及其之前所有途径元素之和,所述第一途径元素对应所述目标序列中第i-1帧图像与所述参考序列中第j帧图像之间的相似度,所述第二总和为第二途径元素及其之前所有途径元素之和,所述第二途径元素对应所述目标序列中第i-1帧图像与所述参考序列中第j-1帧图像之间的相似度,所述第三总和为第三途径元素及其之前所有途径元素之和,所述第一途径元素对应所述目标序列中第i帧图像与所述参考序列中第j-1帧图像之间的相似度;
确定当前总和,所述当前总和为当前途径元素与所述上一总和之和;
返回并执行步骤确定当前途径元素,直至当前途径元素为所述目标序列中最后一帧图像与所述参考序列中最后一帧图像之间的相似度,得到最大相似度路径。
例如,参考如下公式:
其中,当前途径元素为[i][j],指目标序列中第i帧图像与所述参考序列中第j帧图像之间的相似度,dtw[i][j]表示从矩阵元素[1][1]开始,走到[i][j]经过的路径的相似度数值总和,其中,i为1~n的正整数,j为1~m的正整数,n为目标序列中图像的数量,m为参考目标序列中图像的数量。dis[i][j]表示矩阵元素[i][j]处的数值。
参考图1c得出的最大相似度路径上每个途径元素所对应的图像即相似图像对,参考图1d,图1d为图1c中最大相似度路径<x1y1、x2y1、x3y2、x4y3、x4y4、x5y5…>得出的相似图像对,包括x1-y1、x2-y1、x3-y2、x4-y3、x4-y4、x5-y5…。
105、若相似图像对中的第一图像与第二图像存在差别点,则基于差别点进行数据更新。
通过上述的对齐操作,可以得到准确的图像对,从而可以进行准确的差别点检测,去判断两张图像是否匹配、是否是同一场景,进而进行差分判断,辅助进行变化点发现与更新。
例如,在一些实施例中,若相似图像对中的第一图像与第二图像存在差别点,则基于差别点进行数据更新,可以包括如下步骤:
对相似图像对中的第一图像与第二图像进行差别点检测,得到第一图像与第二图像之间的差别点;
响应于检测到第一图像与第二图像之间存在差别点,则将参考序列中的第二图像,替换为第一图像。
例如,若检测到图像对x1-y1之间存在差别点,则将参考序列中的y1替换为x1。
由上可知,本申请实施例可以获取目标序列和参考序列,目标序列和参考序列中包括图像;对每个图像进行特征提取处理,得到每个图像的图像特征;基于图像特征,计算目标序列中图像与参考序列中图像之间的相似度;基于相似度确定相似图像对,相似图像对包括第一图像与第二图像,第一图像为目标序列中的一图像,第二图像为参考序列中的一图像,第一图像与第二图像具有相似的拍摄内容;若相似图像对中的第一图像与第二图像存在差别点,则基于差别点进行数据更新。由此本方案首先通过对齐来找出准确的图像对,例如,通过筛选同一拍摄地区的候选图像实现拍摄地区的对齐,再通过内容相似性实现拍摄内容的对齐,从而得到准确的对齐数,从而提高数据更新方法的准确性。
根据上述实施例所描述的方法,以下将作进一步详细说明。
在本实施例中,将以地图道路数据的对齐与更新为例,对本申请实施例的方法进行详细说明。
如图2a所示,一种数据更新方法具体流程如下:
一、图像采集。
本实施例通过车载拍照设备对行驶前方的道路进行拍照,形成图像序列。
二、差异点检测。
本实施例在差异点检测之前,通过特征提取的方式进行语义对齐。
(1)特征提取。
本实施例利用深度学习和卷积神经网络对采集到的图像序列进行整图特征提取,得到每一张图像所需的多重特征,包括特征子与描述子。
其中,特征子主要用于描述图像语义特征,特征子φ1=Fw×h×d1中,w、h、d1分别表示特征图的长、宽和深度信息。描述子用于描述每个特征子的属性,例如空间位置,旋转属性等,描述子φ2=Fw×h×d2中,d2表示特征子的描述信息。
本实施例中,特征提取部分由卷积层、归一化层和激活层Relu组成。卷积层负责提取边缘纹理等基本特征;归一化层负责将卷积层提取的特征按照正态分布进行归一化处理,过滤掉特征中的噪声特征,使得模型的训练收敛更加快速;激活层则负责对卷积层提取的特征进行非线性映射,加强模型的泛化能力。
通过上述特征提取后,每一张图像的特征表示为θxi,其中x表示图像序列X,i表示图像序列X的第i张图像。同理,对于图像序列Y,其特征表示为θyj,其中y表示图像序列Y,j表示该序列Y的第j张图像。
(2)语义对齐。
本实施例通过特征进行序列语义特征匹配,进行序列间对齐。
参考图2b,图2b中展示了图像序列X与图像序列Y的对齐结果:x1与y2对齐、x2与y3对齐、x3与y4对齐,其中,x1表示图像序列X的第1张图像,x4表示图像序列X的第4图像。
具体的,在语义对齐之前,还可以首先通过每一张图像采集到的GPS进行聚类操作,只对两条图像序列中采集距离较近的图片进行语义对齐。
其中,语义对齐可以是将xi与yj的特征进行内积,从而得到内容相似度Sxiyj,将内容相似度Sxiyj作为矩阵元素,从而得到相似度矩阵。
然后,本实施例通过动态规划的思想进行最大相似度路径求解,已满足最优化原理以及规避子问题重叠性。
基于此,本申请实施例设计了如下公式进行最大相似度路径:
其中,当前途径元素为[i][j],指目标序列中第i帧图像与所述参考序列中第j帧图像之间的相似度,dtw[i][j]表示从矩阵元素[1][1]开始,走到[i][j]经过的路径的相似度数值总和,其中,i为1~n的正整数,j为1~m的正整数,n为目标序列中图像的数量,m为参考目标序列中图像的数量。dis[i][j]表示矩阵元素[i][j]处的数值。
(3)差异点检测。
在上述步骤中得到对齐结果后,可以准确的对对齐的相似图像对进行差异点检测,去判断两张图像是否匹配,是否是同一场景,进而进行差分判断,辅助进行变化点发现与更新。
三、输出图像。
参考图2c,可以输出图像对,以及可以放大每个图像对,并展示每个图像对中的差异点。
由上可知,本申请实施例可以提高数据更新方法的准确性。
为了更好地实施以上方法,本申请实施例还提供一种数据更新装置,该数据更新装置具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
比如,在本实施例中,将以数据更新装置具体集成在服务器为例,对本申请实施例的方法进行详细说明。
例如,如图3所示,该数据更新装置可以包括序列单元301、特征单元302、相似度单元303、图像对单元304以及更新单元305,如下:
(一)序列单元301。
序列单元301用于获取目标序列和参考序列,目标序列和参考序列中包括图像。
在一些实施例中,图像特征包括但不限于特征子和描述子,特征子包括尺寸信息与深度信息,描述子包括空间信息。
(二)特征单元302。
特征单元302用于对每个图像进行特征提取处理,得到每个图像的图像特征。
在一些实施例中,特征单元302用于:
在目标序列和参考序列中筛选出候选簇,候选簇包括候选图像,同一候选簇中的候选图像为同一拍摄区域内拍摄的图像;
对每个候选图像进行特征提取处理,得到每个候选图像的图像特征;
因此,相似度单元303用于:
对于同一候选簇,基于图像特征计算目标序列中候选图像与参考序列中候选图像之间的相似度;
图像对单元304中的第一图像为目标序列中的一图像包括第一图像为目标序列中的一候选图像,第二图像为参考序列中的一图像包括第二图像为参考序列中的一候选图像。
在一些实施例中,在目标序列和参考序列中筛选出候选簇,可以包括:
获取目标序列和参考序列中每个图像在拍摄时的拍摄位置;
基于拍摄位置,对目标序列和参考序列中的图像进行聚类,得到候选簇,候选簇包括图像。
在一些实施例中,在目标序列和参考序列中筛选出候选簇,可以包括:
基于目标序列,识别目标序列中每个图像的拍摄地点;
基于参考序列,识别参考序列中每个图像的拍摄地点;
基于每个图像的拍摄地点,对目标序列和参考序列中的图像进行聚类,得到候选簇,候选簇包括图像。
在一些实施例中,特征单元302可以用于:
采用卷积层提取图像的视觉特征;
采用归一化层对视觉特征进行归一化处理,得到归一化的视觉特征;
采用激活层对归一化的视觉特征进行非线性映射,得到图像的图像特征。
在一些实施例中,采用激活层对归一化的视觉特征进行非线性映射,得到图像的图像特征,可以包括:
采用激活层对归一化的视觉特征进行非线性映射,得到图像的抽象视觉特征;
对抽象视觉特征进行展平处理,得到图像的图像向量;
采用特征算子计算图像的特征子和描述子;
生成图像特征,图像特征包括但不限于图像向量、特征子和描述子。
(三)相似度单元303。
相似度单元303用于基于图像特征,计算目标序列中图像与参考序列中图像之间的相似度。
在一些实施例中,相似度单元303用于:
在目标序列和参考序列中筛选出候选簇,候选簇包括候选图像,同一候选簇中的候选图像为同一拍摄区域内拍摄的图像;
对于同一候选簇,基于图像特征计算目标序列中候选图像与参考序列中候选图像之间的相似度;
因此,图像对单元304中的图像对单元中的第一图像为目标序列中的一图像包括第一图像为目标序列中的一候选图像,第二图像为参考序列中的一图像包括第二图像为参考序列中的一候选图像。
在一些实施例中,在目标序列和参考序列中筛选出候选簇,可以包括:
获取目标序列和参考序列中每个图像在拍摄时的拍摄位置;
基于拍摄位置,对目标序列和参考序列中的图像进行聚类,得到候选簇,候选簇包括图像。
在一些实施例中,在目标序列和参考序列中筛选出候选簇,可以包括:
基于目标序列,识别目标序列中每个图像的拍摄地点;
基于参考序列,识别参考序列中每个图像的拍摄地点;
基于每个图像的拍摄地点,对目标序列和参考序列中的图像进行聚类,得到候选簇,候选簇包括图像。
在一些实施例中,相似度单元303可以用于:
基于目标序列中的第i帧图像的图像特征,与参考序列中的第j帧图像的图像特征,得到目标序列中的第i帧图像与参考序列中的第j帧图像之间的相似度。
(四)图像对单元304。
图像对单元304用于基于相似度确定相似图像对,相似图像对包括第一图像与第二图像,第一图像为目标序列中的一图像,第二图像为参考序列中的一图像,第一图像与第二图像具有相似的拍摄内容。
在一些实施例中,图像对单元304,可以用于:
生成相似度矩阵,相似度矩阵由目标序列中第i帧图像与参考序列中第j帧图像之间的相似度构成;
基于相似度矩阵,确定相似图像对。
在一些实施例中,相似图像对为最大相似度路径中一途径元素所对应的图像,基于相似度矩阵,确定相似图像对,包括:
在相似度矩阵中确定最大相似度路径,最大相似度路径指途径元素之和最大的路径,最大相似度路径两端的元素分别对应目标序列中第一帧图像与参考序列中第一帧图像之间的相似度以及目标序列中最后一帧图像与参考序列中最后一帧图像之间的相似度。
在一些实施例中,在相似度矩阵中确定最大相似度路径,包括:
确定当前途径元素,所述当前途径元素对应所述目标序列中第i帧图像与所述参考序列中第j帧图像之间的相似度;
确定上一总和,所述上一总和为第一总和、第二总和和第三总和中数值最小的一个,所述第一总和为第一途径元素及其之前所有途径元素之和,所述第一途径元素对应所述目标序列中第i-1帧图像与所述参考序列中第j帧图像之间的相似度,所述第二总和为第二途径元素及其之前所有途径元素之和,所述第二途径元素对应所述目标序列中第i-1帧图像与所述参考序列中第j-1帧图像之间的相似度,所述第三总和为第三途径元素及其之前所有途径元素之和,所述第一途径元素对应所述目标序列中第i帧图像与所述参考序列中第j-1帧图像之间的相似度;
确定当前总和,所述当前总和为当前途径元素与所述上一总和之和;
返回并执行步骤确定当前途径元素,直至当前途径元素为所述目标序列中最后一帧图像与所述参考序列中最后一帧图像之间的相似度,得到最大相似度路径。
(五)更新单元305。
更新单元305用于若相似图像对中的第一图像与第二图像存在差别点,则基于差别点进行数据更新。
在一些实施例中,更新单元305可以用于:
对相似图像对中的第一图像与第二图像进行差别点检测,得到第一图像与第二图像之间的差别点;
响应于检测到第一图像与第二图像之间存在差别点,则将参考序列中的第二图像,替换为第一图像。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本实施例的数据更新装置由序列单元获取目标序列和参考序列,目标序列和参考序列中包括图像;由特征单元302对每个图像进行特征提取处理,得到每个图像的图像特征;由相似度单元基于图像特征,计算目标序列中图像与参考序列中图像之间的相似度;由图像对单元基于相似度确定相似图像对,相似图像对包括第一图像与第二图像,第一图像为目标序列中的一图像,第二图像为参考序列中的一图像,第一图像与第二图像具有相似的拍摄内容;若相似图像对中的第一图像与第二图像存在差别点,则由更新单元基于差别点进行数据更新。
由此,本申请实施例可以提高数据更新方法的准确性。
本申请实施例还提供一种电子设备,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑,等等;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群,等等。
在一些实施例中,该数据更新装置还可以集成在多个电子设备中,比如,数据更新装置可以集成在多个服务器中,由多个服务器来实现本申请的数据更新方法。
在本实施例中,将以本实施例的电子设备是服务器为例进行详细描述,比如,如图4所示,其示出了本申请实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403、输入模块404以及通信模块405等部件。本领域技术人员可以理解,图4中示出的电子设备结构并不构成对电子设备的限定,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。其中:
处理器401是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体检测。在一些实施例中,处理器401可包括一个或多个处理核心;在一些实施例中,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403,在一些实施例中,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入模块404,该输入模块404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该电子设备还可包括通信模块405,在一些实施例中通信模块405可以包括无线模块,电子设备可以通过该通信模块405的无线模块进行短距离无线传输,从而为用户提供了无线的宽带互联网访问。比如,该通信模块405可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取目标序列和参考序列,目标序列和参考序列中包括图像;
对每个图像进行特征提取处理,得到每个图像的图像特征;
基于图像特征,计算目标序列中图像与参考序列中图像之间的相似度;
基于相似度确定相似图像对,相似图像对包括第一图像与第二图像,第一图像为目标序列中的一图像,第二图像为参考序列中的一图像,第一图像与第二图像具有相似的拍摄内容;
若相似图像对中的第一图像与第二图像存在差别点,则基于差别点进行数据更新。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本申请实施例可以提高数据更新方法的准确性。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种数据更新方法中的步骤。例如,该指令可以执行如下步骤:
获取目标序列和参考序列,目标序列和参考序列中包括图像;
对每个图像进行特征提取处理,得到每个图像的图像特征;
基于图像特征,计算目标序列中图像与参考序列中图像之间的相似度;
基于相似度确定相似图像对,相似图像对包括第一图像与第二图像,第一图像为目标序列中的一图像,第二图像为参考序列中的一图像,第一图像与第二图像具有相似的拍摄内容;
若相似图像对中的第一图像与第二图像存在差别点,则基于差别点进行数据更新。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中提供的数据更新方面或者数据对齐方面的各种可选实现方式中提供的方法。
由于该存储介质中所存储的指令,可以执行本申请实施例所提供的任一种数据更新方法中的步骤,因此,可以实现本申请实施例所提供的任一种数据更新方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种数据更新方法、装置、电子设备和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (15)
1.一种数据更新方法,其特征在于,包括:
获取目标序列和参考序列,所述目标序列和参考序列中包括图像;
对每个所述图像进行特征提取处理,得到每个所述图像的图像特征;
基于所述图像特征,计算所述目标序列中图像与所述参考序列中图像之间的相似度;
基于所述相似度确定相似图像对,所述相似图像对包括第一图像与第二图像,所述第一图像为所述目标序列中的一图像,所述第二图像为所述参考序列中的一图像,所述第一图像与第二图像具有相似的拍摄内容;
若所述相似图像对中的第一图像与第二图像存在差别点,则基于所述差别点进行数据更新。
2.如权利要求1所述的数据更新方法,其特征在于,所述基于所述图像特征,计算所述目标序列中图像与所述参考序列中图像之间的相似度,包括:
基于所述目标序列中的第i帧图像的图像特征,与所述参考序列中的第j帧图像的图像特征,得到所述目标序列中的第i帧图像与所述参考序列中的第j帧图像之间的相似度;
所述基于所述相似度确定相似图像对,包括:
生成相似度矩阵,所述相似度矩阵的元素为所述目标序列中第i帧图像与所述参考序列中第j帧图像之间的相似度;
基于所述相似度矩阵,确定相似图像对。
3.如权利要求2所述的数据更新方法,其特征在于,所述相似图像对为最大相似度路径中一途径元素所对应的图像,所述基于所述相似度矩阵,确定相似图像对,包括:
在所述相似度矩阵中确定最大相似度路径,所述最大相似度路径指途径元素之和最大的路径,所述最大相似度路径两端的元素分别对应所述目标序列中第一帧图像与所述参考序列中第一帧图像之间的相似度以及所述目标序列中最后一帧图像与所述参考序列中最后一帧图像之间的相似度。
4.如权利要求3所述的数据更新方法,其特征在于,在所述相似度矩阵中确定最大相似度路径,包括:
确定当前途径元素,所述当前途径元素对应所述目标序列中第i帧图像与所述参考序列中第j帧图像之间的相似度;
确定上一总和,所述上一总和为第一总和、第二总和和第三总和中数值最小的一个,所述第一总和为第一途径元素及其之前所有途径元素之和,所述第一途径元素对应所述目标序列中第i-1帧图像与所述参考序列中第j帧图像之间的相似度,所述第二总和为第二途径元素及其之前所有途径元素之和,所述第二途径元素对应所述目标序列中第i-1帧图像与所述参考序列中第j-1帧图像之间的相似度,所述第三总和为第三途径元素及其之前所有途径元素之和,所述第一途径元素对应所述目标序列中第i帧图像与所述参考序列中第j-1帧图像之间的相似度;
确定当前总和,所述当前总和为当前途径元素与所述上一总和之和;
返回并执行步骤确定当前途径元素,直至当前途径元素为所述目标序列中最后一帧图像与所述参考序列中最后一帧图像之间的相似度,得到最大相似度路径。
5.如权利要求1所述的数据更新方法,其特征在于,所述基于所述图像特征,计算所述目标序列中图像与所述参考序列中图像之间的相似度,包括:
在所述目标序列和所述参考序列中筛选出候选簇,所述候选簇包括候选图像,同一候选簇中的候选图像为同一拍摄区域内拍摄的图像;
对于同一候选簇,基于所述图像特征计算所述目标序列中候选图像与所述参考序列中候选图像之间的相似度;
所述第一图像为所述目标序列中的一图像包括所述第一图像为所述目标序列中的一候选图像,所述第二图像为所述参考序列中的一图像包括所述第二图像为所述参考序列中的一候选图像。
6.如权利要求1所述的数据更新方法,其特征在于,所述对每个所述图像进行特征提取处理,得到每个所述图像的图像特征,包括:
在所述目标序列和所述参考序列中筛选出候选簇,所述候选簇包括候选图像,同一候选簇中的候选图像为同一拍摄区域内拍摄的图像;
对每个所述候选图像进行特征提取处理,得到每个所述候选图像的图像特征;
所述基于所述图像特征,计算所述目标序列中图像与所述参考序列中图像之间的相似度,包括:
对于同一候选簇,基于所述图像特征计算所述目标序列中候选图像与所述参考序列中候选图像之间的相似度;
所述第一图像为所述目标序列中的一图像包括所述第一图像为所述目标序列中的一候选图像,所述第二图像为所述参考序列中的一图像包括所述第二图像为所述参考序列中的一候选图像。
7.如权利要求5或6任一项所述的数据更新方法,其特征在于,所述在所述目标序列和所述参考序列中筛选出候选簇,包括:
获取目标序列和所述参考序列中每个图像在拍摄时的拍摄位置;
基于所述拍摄位置,对所述目标序列和参考序列中的图像进行聚类,得到候选簇,所述候选簇包括图像。
8.如权利要求5或6任一项所述的数据更新方法,其特征在于,在所述目标序列和所述参考序列中筛选出候选簇,包括:
基于所述目标序列,识别所述目标序列中每个图像的拍摄地点;
基于所述参考序列,识别所述参考序列中每个图像的拍摄地点;
基于所述每个图像的拍摄地点,对所述目标序列和参考序列中的图像进行聚类,得到候选簇,所述候选簇包括图像。
9.如权利要求1所述的数据更新方法,其特征在于,所述图像特征包括但不限于特征子和描述子,所述特征子包括尺寸信息与深度信息,所述描述子包括空间信息。
10.如权利要求1所述的数据更新方法,其特征在于,所述对每个所述图像进行特征提取处理,得到每个所述图像的图像特征,包括:
采用卷积层提取所述图像的视觉特征;
采用归一化层对所述视觉特征进行归一化处理,得到归一化的视觉特征;
采用激活层对所述归一化的视觉特征进行非线性映射,得到所述图像的图像特征。
11.如权利要求10所述的数据更新方法,其特征在于,所述采用激活层对所述归一化的视觉特征进行非线性映射,得到所述图像的图像特征,包括:
采用激活层对所述归一化的视觉特征进行非线性映射,得到所述图像的抽象视觉特征;
对所述抽象视觉特征进行展平处理,得到图像的图像向量;
采用特征算子计算所述图像的特征子和描述子;
生成图像特征,所述图像特征包括但不限于所述图像向量、所述特征子和描述子。
12.如权利要求1所述的数据更新方法,其特征在于,若所述相似图像对中的第一图像与第二图像存在差别点,则基于所述差别点进行数据更新,包括:
对所述相似图像对中的第一图像与第二图像进行差别点检测,得到所述第一图像与第二图像之间的差别点;
响应于检测到所述第一图像与第二图像之间存在差别点,则将所述参考序列中的所述第二图像,替换为所述第一图像。
13.一种数据更新装置,其特征在于,包括:
序列单元,用于获取目标序列和参考序列,所述目标序列和参考序列中包括图像;
特征单元,用于对每个所述图像进行特征提取处理,得到每个所述图像的图像特征;
相似度单元,用于基于所述图像特征,计算所述目标序列中图像与所述参考序列中图像之间的相似度;
图像对单元,用于基于所述相似度确定相似图像对,所述相似图像对包括第一图像与第二图像,所述第一图像为所述目标序列中的一图像,所述第二图像为所述参考序列中的一图像,所述第一图像与第二图像具有相似的拍摄内容;
更新单元,用于若所述相似图像对中的第一图像与第二图像存在差别点,则基于所述差别点进行数据更新。
14.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有多条指令;所述处理器从所述存储器中加载指令,以执行如权利要求1~11任一项所述的数据更新方法中的步骤。
15.一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存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1~11任一项所述的数据更新方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311072947.9A CN116778347A (zh) | 2023-08-24 | 2023-08-24 | 数据更新方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311072947.9A CN116778347A (zh) | 2023-08-24 | 2023-08-24 | 数据更新方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116778347A true CN116778347A (zh) | 2023-09-19 |
Family
ID=88012031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311072947.9A Pending CN116778347A (zh) | 2023-08-24 | 2023-08-24 | 数据更新方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778347A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015551A (zh) * | 2024-04-09 | 2024-05-10 | 山东世融信息科技有限公司 | 应用于野外生态湿地的浮岛式监测系统 |
CN118015551B (zh) * | 2024-04-09 | 2024-06-25 | 山东世融信息科技有限公司 | 应用于野外生态湿地的浮岛式监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177247A (zh) * | 2013-04-09 | 2013-06-26 | 天津大学 | 一种融合多视角信息的目标检测方法 |
CN112699834A (zh) * | 2021-01-12 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 交通标识检测方法、装置、计算机设备和存储介质 |
CN115546762A (zh) * | 2022-10-13 | 2022-12-30 | 深圳依时货拉拉科技有限公司 | 图像聚类方法、装置、存储介质及服务器 |
CN116012942A (zh) * | 2022-12-27 | 2023-04-25 | 科大讯飞华南人工智能研究院(广州)有限公司 | 手语教学方法、装置、设备及存储介质 |
-
2023
- 2023-08-24 CN CN202311072947.9A patent/CN116778347A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177247A (zh) * | 2013-04-09 | 2013-06-26 | 天津大学 | 一种融合多视角信息的目标检测方法 |
CN112699834A (zh) * | 2021-01-12 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 交通标识检测方法、装置、计算机设备和存储介质 |
CN115546762A (zh) * | 2022-10-13 | 2022-12-30 | 深圳依时货拉拉科技有限公司 | 图像聚类方法、装置、存储介质及服务器 |
CN116012942A (zh) * | 2022-12-27 | 2023-04-25 | 科大讯飞华南人工智能研究院(广州)有限公司 | 手语教学方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015551A (zh) * | 2024-04-09 | 2024-05-10 | 山东世融信息科技有限公司 | 应用于野外生态湿地的浮岛式监测系统 |
CN118015551B (zh) * | 2024-04-09 | 2024-06-25 | 山东世融信息科技有限公司 | 应用于野外生态湿地的浮岛式监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705478A (zh) | 人脸跟踪方法、装置、设备及存储介质 | |
CN112699834B (zh) | 交通标识检测方法、装置、计算机设备和存储介质 | |
CN110222572A (zh) | 跟踪方法、装置、电子设备及存储介质 | |
CN116563583B (zh) | 一种图像匹配的方法、地图信息的更新方法以及相关装置 | |
CN115203352B (zh) | 车道级定位方法、装置、计算机设备和存储介质 | |
Qian et al. | On combining social media and spatial technology for POI cognition and image localization | |
CN113340312A (zh) | 一种ar室内实景导航方法及系统 | |
CN113515669A (zh) | 基于人工智能的数据处理方法和相关设备 | |
CN113762044A (zh) | 道路识别方法、装置、计算机设备和存储介质 | |
Lynen et al. | Trajectory-based place-recognition for efficient large scale localization | |
Han et al. | A novel loop closure detection method with the combination of points and lines based on information entropy | |
CN116958606B (zh) | 一种图像匹配方法及相关装置 | |
CN116884045B (zh) | 身份识别方法、装置、计算机设备和存储介质 | |
CN111767839B (zh) | 一种车辆行驶轨迹确定方法、装置、设备及介质 | |
CN110910497B (zh) | 实现增强现实地图的方法和系统 | |
Jin Kim et al. | Learned contextual feature reweighting for image geo-localization | |
CN116434173A (zh) | 道路图像检测方法、装置、电子设备及存储介质 | |
CN113824989B (zh) | 一种视频处理方法、装置和计算机可读存储介质 | |
CN117011481A (zh) | 构建三维地图的方法、装置、电子设备及存储介质 | |
CN116778347A (zh) | 数据更新方法、装置、电子设备和存储介质 | |
CN115527083A (zh) | 图像标注方法、装置和电子设备 | |
CN114648762A (zh) | 语义分割方法、装置、电子设备和计算机可读存储介质 | |
CN115712749A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
Jiao et al. | Individual Building Rooftop and Tree Crown Segmentation from High‐Resolution Urban Aerial Optical Images | |
CN114299295A (zh) | 一种数据处理方法及相关装置 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40093149 Country of ref document: HK |