CN116843891A - 图形轮廓检测方法、装置、存储介质、设备及程序产品 - Google Patents
图形轮廓检测方法、装置、存储介质、设备及程序产品 Download PDFInfo
- Publication number
- CN116843891A CN116843891A CN202210302225.7A CN202210302225A CN116843891A CN 116843891 A CN116843891 A CN 116843891A CN 202210302225 A CN202210302225 A CN 202210302225A CN 116843891 A CN116843891 A CN 116843891A
- Authority
- CN
- China
- Prior art keywords
- interest
- interest surface
- contour
- data
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 claims abstract description 60
- 230000006870 function Effects 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 17
- 238000012216 screening Methods 0.000 abstract description 11
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 20
- 230000019771 cognition Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000012732 spatial analysis Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开一种图形轮廓检测方法、装置、存储介质、设备及程序产品，可应用于地图、位置数据处理、轨迹数据处理、图像处理等各种场景。该方法包括：获取兴趣面数据与签到数据，兴趣面数据中每个兴趣面包含对应的兴趣面轮廓和地理位置标识，签到数据包含签到地理标识；根据地理位置标识与签到地理标识的对应关系，及兴趣面数据与签到数据，计算目标位置点对应于兴趣面数据中每个兴趣面的核密度估计值；生成核密度估计值的等值线，并根据等值线生成多个等值面；从多个等值面中确定出目标等值面；根据目标等值面的轮廓与兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓，可实现初步自动化筛选，降低检测的人工运营成本，加快数据优化效率。
Description
技术领域
本申请涉及计算机技术领域，具体涉及一种图形轮廓检测方法、装置、存储介质、设备及程序产品。
背景技术
兴趣面(AOI)是地图中重要的地理信息要素，然而实际使用的兴趣面数据可能存在轮廓异常，例如轮廓位置异常、轮廓过大、轮廓过小等，。目前此类轮廓异常通常归类为异常兴趣面轮廓，异常兴趣面轮廓的判别主要依赖于兴趣面使用方，例如地图用户主动反馈或者人工排查，通过人工判别异常兴趣面轮廓比较耗时耗力、成本巨大。
发明内容
本申请实施例提供一种图形轮廓检测方法、装置、存储介质、设备及程序产品，可以实现初步自动化筛选，可以降低异常兴趣面轮廓检测的人工运营成本，加快数据优化效率。
一方面，提供一种图形轮廓检测方法，所述方法包括：获取兴趣面数据与签到数据，所述兴趣面数据中的每个兴趣面包含对应的兴趣面轮廓和地理位置标识，所述签到数据包含签到地理标识；根据所述地理位置标识与所述签到地理标识的对应关系，以及所述兴趣面数据与所述签到数据，计算目标位置点对应于所述兴趣面数据中每个兴趣面的核密度估计值；生成所述核密度估计值的等值线，并根据所述等值线生成多个等值面；从所述多个等值面中确定出所述兴趣面数据中每个兴趣面对应的目标等值面；根据所述兴趣面数据中每个兴趣面对应的所述目标等值面的轮廓与所述兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓。
另一方面，提供一种图形轮廓检测装置，所述装置包括：
获取模块，用于获取兴趣面数据与签到数据，所述兴趣面数据中的每个兴趣面包含对应的兴趣面轮廓和地理位置标识，所述签到数据包含签到地理标识；
计算模块，用于根据所述地理位置标识与所述签到地理标识的对应关系，以及所述兴趣面数据与所述签到数据，计算目标位置点对应于所述兴趣面数据中每个兴趣面的核密度估计值；
生成模块，用于生成所述核密度估计值的等值线，并根据所述等值线生成多个等值面；
确定模块，用于从所述多个等值面中确定出所述兴趣面数据中每个兴趣面对应的目标等值面；
检测模块，用于根据所述兴趣面数据中每个兴趣面对应的所述目标等值面的轮廓与所述兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓。
另一方面，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计算机程序，所述计算机程序适于处理器进行加载，以执行如上任一实施例所述的图形轮廓检测方法中的步骤。
另一方面，提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上任一实施例所述的图形轮廓检测方法中的步骤。
另一方面，提供一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时实现如上任一实施例所述的图形轮廓检测方法中的步骤。
本申请实施例通过获取兴趣面数据与签到数据，兴趣面数据中的每个兴趣面包含对应的兴趣面轮廓和地理位置标识，签到数据包含签到地理标识；根据地理位置标识与签到地理标识的对应关系，以及兴趣面数据与签到数据，计算目标位置点对应于兴趣面数据中每个兴趣面的核密度估计值；生成核密度估计值的等值线，并根据等值线生成多个等值面；从多个等值面中确定出兴趣面数据中每个兴趣面对应的目标等值面；根据兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓。本申请实施例通过基于兴趣面数据与签到数据计算每个兴趣面的核密度估计值，并计算核密度估计值的等值线和等值面，通过确定出的目标等值面的轮廓与兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓，可以实现初步自动化筛选，可以降低异常兴趣面轮廓检测的人工运营成本，加快数据优化效率。
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1为本申请实施例提供的图形轮廓检测系统的结构示意图。
图2为本申请实施例提供的图形轮廓检测方法的第一流程示意图。
图3为本申请实施例提供的图形轮廓检测方法的第二流程示意图。
图4为本申请实施例提供的图形轮廓检测方法的第三流程示意图。
图5为本申请实施例提供的图形轮廓检测方法的第四流程示意图。
图6为本申请实施例提供的图形轮廓检测方法的第五流程示意图。
图7为本申请实施例提供的图形轮廓检测方法的第六流程示意图。
图8为本申请实施例提供的图形轮廓检测方法的第七流程示意图。
图9为本申请实施例提供的图形轮廓检测方法的应用场景示意图。
图10为本申请实施例提供的图形轮廓检测方法的另一应用场景示意图。
图11为本申请实施例提供的图形轮廓检测方法的又一应用场景示意图。
图12为本申请实施例提供的图形轮廓检测方法的第八流程示意图。
图13为本申请实施例提供的图形轮廓检测装置的结构示意图。
图14为本申请实施例提供的计算机设备的结构示意图。
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图形轮廓检测方法、装置、存储介质、计算机设备和计算机程序产品。具体地，本申请实施例的图形轮廓检测方法可以由计算机设备执行，其中，该计算机设备可以为终端或者服务器等设备。该终端可以为智能手机、平板电脑、笔记本电脑、智能语音交互设备、智能家电、穿戴式智能设备、智能车载终端、飞行器等设备，终端还可以包括客户端，该客户端可以是视频客户端、浏览器客户端或即时通信客户端等。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。本申请实施例可应用于地图领域、位置数据处理、轨迹数据处理、图像处理等各种场景。
首先，在对本申请实施例进行描述的过程中出现的部分名词或者术语作如下解释：
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
计算机视觉技术(Computer Vision，简称CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、检测等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。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、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
智能交通系统(Intelligent Traffic System，ITS)又称智能运输系统(Intelligent Transportation System)，是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
云技术(Cloud technology)：是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。
兴趣点(POI，Point Of Interest)也称为信息点，是指地图中有意义的点，主要用途是对事物或事件的地址进行描述。如，兴趣点可以为一个小区、学校或者商场等所在的位置点。
兴趣面(Area of Interest，AOI)：地图数据中的区域状的地理实体，例如小区、学校、公园、医院等的面状轮廓。
基于位置的服务(Location Based Service，LBS)是通过电信移动运营商的无线电通讯网络(如GSM网络、CDMA网络)或外部定位方式(如GPS)获取移动终端用户的位置信息(地理坐标，或大地坐标)，在GIS(Geographic Information System，地理信息系统)平台的支持下，为用户提供相应服务的一种增值业务。
LBS签到：是用户基于LBS在指定的地理坐标进行标记的行为，表明该用户在当前的地理坐标处到访了某个地点，例如通过社交圈类(比如朋友圈、微博、淘友圈等)发送信息时附带地点的行为。
核密度估计:核密度估计(Kernel Density Estimation，KDE)是一种在空间分析中受到广泛应用的基于密度的非参数估计方法，其认为区域内任意位置都具备一个可测度的事件密度，该事件密度可以通过其邻域的事件点数量来估计，如果某位置的邻域出现更多的事件，可以认为事件在该位置出现的概率会更高。可以将核密度估计方法比喻为借助一个移动的窗口，计算窗口内的事件点到位置的距离，视为事件影响的权重。
等值线：是制图对象某一数量指标值相等的各点连成的平滑曲线，由地图上标出的表示制图对象数量的各点，采用内插法找出各整数点绘制而成的。等值线图的编制，则通常是在底图上标出制图对象的相对点位的数值，然后把数值相等的点联成圆滑曲线，勾画出制图对象的空间结构特征。
进行异常兴趣面轮廓检测，现实工业界往往依靠两类方法，一是依赖数据使用方反馈，例如手机地图用户反馈兴趣面有误，或地图相关的产品使用方反馈兴趣面有误，属于事后反馈，容易使数据使用方产生对数据的不信任感。二是通过人工运营手段解决，然而兴趣面等地理数据的量级往往非常庞大(百万级、千万级等)，没有用户的主动反馈行为，通过有限的人力，想要从海量的兴趣面数据中挖掘可能的异常兴趣面，无异于大海捞针。因此，亟需一套有效、有可信行、有一定准确率的异常兴趣面轮廓检测方法实现初步自动化筛选，降低人工运营的成本。
本申请实施例提出一种基于LBS签到数据与核密度分析的图形轮廓检测方法，首先，可以基于指定的带宽对某个兴趣面的LBS签到数据进行核密度估计；其次，绘制核密度估计值的等值线和等值面，并按不同等值面与兴趣面轮廓的IOU指标选取最合适的目标等值面，得到误差评估结果；通过调整带宽参数迭代以上过程，直到所有兴趣面的IOU指标的均值最小，从而选取最佳的带宽参数作为目标带宽；然后，基于目标带宽计算得到的IOU指标由小到大排序，得到异常兴趣面轮廓的自动化初筛检测列表。本申请实施例可以基于反映人群空间认知的LBS签到数据，通过迭代选取最佳参数的方式，自动化挖掘潜在的异常兴趣面轮廓，实现异常兴趣面轮廓的低成本初筛，可以有效地降低人工运营的成本，减少异常兴趣面轮廓挖掘与修复的耗时与人力资源投入，优化效率。
请参考图1，图1为本申请实施例提供的图形轮廓检测系统的结构示意图。请该图形轮廓检测系统包括终端10和服务器20等；终端10和服务器20之间通过网络连接，比如，通过有线或无线网络连接等。
其中，终端10，可以用于显示图形用户界面。其中，该终端用于通过图形用户界面与用户进行交互，例如通过终端下载安装相应的客户端并运行，例如通过调用相应的小程序并运行，例如通过登录网站呈现相应的图像用户界面等。在本申请实施例中，该终端10可以为用户用于上传原始图像和显示配色结果的终端设备。其中，在进行图形轮廓检测时，可以通过用户所使用的终端设备生成签到数据，并将该签到数据发送至服务器20。
其中，在本申请实施例中，在进行图形轮廓检测时，服务器20可以具体用于：获取兴趣面数据与签到数据，兴趣面数据中的每个兴趣面包含对应的兴趣面轮廓和地理位置标识，签到数据包含签到地理标识；根据地理位置标识与签到地理标识的对应关系，以及兴趣面数据与签到数据，计算目标位置点对应于兴趣面数据中每个兴趣面的核密度估计值；生成核密度估计值的等值线，并根据等值线生成多个等值面；从多个等值面中确定出兴趣面数据中每个兴趣面对应的目标等值面；根据兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓；将将异常兴趣面轮廓发送给终端10进行显示。
此外，终端10接收用户根据显示的异常兴趣面轮廓输入的针对异常兴趣面轮廓的成因分析结果，并将成因分析结果发送至服务器20，服务器20还可以根据成因分析结果更新兴趣面数据。
以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优先顺序的限定。
本申请各实施例提供了一种图形轮廓检测方法，该方法可以由终端或服务器执行，也可以由终端和服务器共同执行；本申请实施例以图形轮廓检测方法由服务器执行为例来进行说明。
请参阅图2至图12，图2至图8、图12均为本申请实施例提供的图形轮廓检测方法的流程示意图，图9至图11均为本申请实施例提供的图形轮廓检测方法的应用场景示意图。该方法包括：
步骤110，获取兴趣面数据与签到数据，兴趣面数据中的每个兴趣面包含对应的兴趣面轮廓和地理位置标识，签到数据包含签到地理标识。
例如，兴趣面数据与签到数据可以为前置的输入数据源。
例如，兴趣面数据即为兴趣面(Area of Interest，AOI)数据，AOI数据可以是电子地图厂商生产的电子地图数据中的一项数据内容。
兴趣面(Area of Interest，AOI)是地图数据中的区域状的地理实体，例如小区、学校、公园、医院等的面状轮廓。兴趣面也称为实体面或者信息面，是指地图中有意义的一个区域或者一个地理实体的面状区域。
例如，兴趣面数据中的每个兴趣面包含对应的兴趣面轮廓和地理位置标识。其中，兴趣面(AOI)数据由兴趣面轮廓的基础数据组成，每个兴趣面(AOI)的基础单元为格式如(id,boundary)的二元组。
其中，id为兴趣面(AOI)的地理位置标识，该地理位置标识id为兴趣面(AOI)的唯一标识；例如，id一般由随机字符串组成，各电子地图厂商使用的id方案可能不一样。
其中，boundary记录其兴趣面轮廓的轮廓坐标串信息；例如，轮廓坐标串信息是指兴趣面轮廓对应的坐标点的点串，比如[(x1,y1),(x2,y2),(x3,y3),…,(xn,yn)]，该轮廓坐标串信息中的坐标点的点串在地图中绘制的曲线构成兴趣面轮廓。
例如，用户利用各种终端(例如手机)分享包含位置信息在内的图片、文字等行为称为签到，由此产生的带有位置的数据称为签到数据。例如，用户在向网络中发布视频或者图像的过程中，使用签到或者类似签到的功能，选择位置分享，则产生了签到数据。
例如，该签到数据可以为基于位置的服务(Location Based Service，LBS)签到数据，该LBS签到数据是用户基于LBS在指定的地理坐标进行标记的行为产生的数据。LBS签到数据可以包括签到时的签到地理坐标，签到地理标识，以及签到对象(通常是某个地点POI，例如景点、餐馆、学校等)等信息。
例如，可以通过用户在移动互联网App主动上报的用户定位信息获取LBS签到数据。其中，LBS签到数据为若干个格式如(id,x,y)的三元组组成，其中，id为签到时签到的地点的签到地理标识，该签到地理标识id为签到时签到的地点的唯一标识，该签到地理标识id可对应兴趣面(AOI)数据中的兴趣面的地理位置标识id；x为定位请求的地理经度，y为定位请求的地理纬度。其中，本申请实施例使用的签到数据不需要任何个体标识，不涉及隐私信息。例如，该个体标识可以标识移动设备或用户个体的信息，通常，在用户终端生成的最原始的签到数据往往是以用户为基本单位收集，可能会带有用户的标识信息，因此，用户终端在上报签到数据之前，可以对签到数据进行个体标识去除处理，并将去除个体标识后的签到数据进行上报。在本申请实施例中，处理器获取的签到数据为在用户终端已进行个体标识去除处理的签到数据。
可以理解的是，在本申请的具体实施方式中，若需收集涉及到用户信息的签到数据等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
步骤120，根据地理位置标识与签到地理标识的对应关系，以及兴趣面数据与签到数据，计算目标位置点对应于兴趣面数据中每个兴趣面的核密度估计值。
例如，可以将兴趣面数据与签到数据作为输入数据，采用核密度估计模块对兴趣面数据与签到数据进行处理，计算目标位置点对应于兴趣面数据中每个兴趣面的核密度估计值。
可选的，签到数据还包含签到地理坐标，如图3所示，步骤120可通过步骤121至步骤123来实现，具体为：
步骤121，根据地理位置标识与签到地理标识的对应关系，将兴趣面数据与签到数据进行关联，得到兴趣面数据中每个兴趣面对应的签到地理坐标集。
其中，地理位置标识与签到地理标识的对应关系中，地理位置标识与对应的签到地理标识可以具有同一个唯一标识；也可以为，一个地理位置标识可以对应若干个位于某个预设地理区域内的签到地理标识。
例如，景区A的地理位置标识对应的签到地理标识，可以包括景区A、或者景区A内的游乐场a1、景区A内的酒店a2、景区A内的球场a3、景区A内的游泳馆a4等的签到地理标识。
例如，在进行核密度估计时，可以将兴趣面轮廓数据与签到数据基于签到地点和/或兴趣面的唯一标识id做关联，即基于地理位置标识与签到地理标识的对应关系将兴趣面数据与签到数据进行关联，只保留可对应到兴趣面数据的签到数据。对于签到数据集，可按签到地点和/或兴趣面的唯一标识id进行聚合，得到每个兴趣面的地理位置标识对应的签到地理坐标集，即得到兴趣面数据中每个兴趣面对应的签到地理坐标集。例如，该签到数据可以为LBS签到数据。
步骤122，根据兴趣面数据中每个兴趣面对应的兴趣面轮廓，确定目标位置点。
可选的，如图4所示，步骤122可通过步骤1221至步骤1224来实现，具体为：
步骤1221，获取兴趣面数据中每个兴趣面对应的兴趣面轮廓在平面坐标系中的四至点；
步骤1222，根据四至点生成矩形多边形，以得到每个兴趣面对应的兴趣面轮廓的轮廓四至范围；
步骤1223，根据预设栅格对轮廓四至范围进行打点，以得到每个轮廓四至范围对应的多个位置点；
步骤1224，遍历每个轮廓四至范围对应的多个位置点，从多个位置点中确定出目标位置点。
例如，四至点可以为地图中的四至点坐标，即左上经度、左上纬度、右下经度、右下纬度。可以理解为，四至点是一个轮廓的轴平行的最小外接矩形的四个端点的经纬度。
其中，最小外接矩形(minimum bounding rectangle,MBR)，也有译为最小边界矩形，最小包含矩形，或最小外包矩形。最小外接矩形是指以二维坐标表示的若干二维形状(例如点、直线、多边形)的最大范围，即以给定的二维形状各顶点中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标定下边界的矩形。这样的一个矩形包含给定的二维形状，且边与坐标轴平行。
例如，获取兴趣面数据中每个兴趣面对应的兴趣面轮廓在平面坐标系中的四至点，然后根据四至点生成矩形多边形，以得到每个兴趣面对应的兴趣面轮廓的轮廓四至范围，其中，该轮廓四至范围即由该四至点包围形成的矩形多边形。
例如，可以根据预设栅格对兴趣面轮廓的轮廓四至范围进行打点，得到每个轮廓四至范围对应的多个位置点。例如，在实际应用中，为了降低核密度估计计算模块的计算负担，可能不会遍历平面地表空间中的每一个点，因此可以按固定大小的预设栅格(例如10m)进行打点，打点遍历的范围通常为矩形，例如，进行打点时可以按照预设栅格遍历兴趣面轮廓的轮廓四至范围，并记该兴趣面的地理位置标识id对应的四至点轮廓的四至点中的最小经度为Min_Lon、最大经度为Max_Lon、最小纬度为Min_Lat、最大纬度为Max_lat。其中，四至点轮廓的四至点包括左上经度、左上纬度、右下经度、右下纬度，具体的，需要根据该四至点轮廓的具体地理位置，来确定四至点中的最小经度Min_Lon、最大经度Max_Lon、最小纬度Min_Lat、最大纬度Max_lat。
例如，可以根据自定义参数相对该轮廓四至范围往外拓展，以形成拓展后的轮廓四至范围；可以根据预设栅格对拓展后的轮廓四至范围对应的进行打点，以得到每个拓展后的轮廓四至范围对应的多个位置点。例如，打点遍历的范围可以是在经度上的区间[Min_Lon–b,Max_Lon+b]以及纬度上的区间[Min_Lat–b,Max_Lat+b]，其中，b是自定义参数，表征了遍历范围相对轮廓四至范围往外拓展的距离。例如，b可以是外拓轮廓四至范围的5％至10％之间的任一值，比如b为外拓轮廓四至范围的5％，或者b为外拓轮廓四至范围的10％。
例如，可以遍历每个轮廓四至范围对应的多个位置点，从多个位置点中确定出需进行核密度估计的目标位置点，进而对每个目标位置点按如上的方式，计算目标位置点对于该兴趣面的核密度估计值。
步骤123，根据签到地理坐标集，计算目标位置点对应于兴趣面数据中每个兴趣面的核密度估计值。
可选的，如图5所示，步骤123可通过步骤1231至步骤1234来实现，具体为：
步骤1231，根据签到地理坐标集，确定兴趣面数据中每个兴趣面对应的签到地理坐标的目标数量。
步骤1232，获取兴趣面数据中每个兴趣面对应的签到地理坐标到目标位置点的目标距离。
步骤1233，获取目标核函数对应的目标带宽。
步骤1234，根据目标数量、目标距离、目标带宽与目标核函数，计算目标位置点对应于兴趣面数据中每个兴趣面的核密度估计值，核密度估计值用于表征对应目标位置点的签到行为的强度。
例如，对于每个兴趣面及其对应的签到地理坐标集，可按如下公式(1)，进行空间上的核密度估计，核密度估计值表示了签到行为的强度，可以反映该签到地理坐标集中的签到地理坐标在多大程度上是属于对应兴趣面的。具体方法为，对于空间的每一个目标位置点x，该目标位置点处的对应于兴趣面的核密度估计值为：
其中，n为该兴趣面对应的签到地理坐标的目标数量；r为签到地理坐标到目标位置点x的目标距离；K为目标带宽h对应下的目标核函数，其中，目标带宽h>0。
其中，可以根据签到地理坐标集来确定兴趣面数据中每个兴趣面对应的签到地理坐标的目标数量。
其中，影响核密度估计效果的主要因素是目标核函数K的数学形式以及目标带宽h，其中常用的目标核函数K可以包括均匀核函数(Uniform)、三角核函数(Triangle)、高斯核函数(Gaussian)、四次核函数(Epanechnikov)、余弦核函数(Cosine)等形式。
例如，在本申请实施例的一个实施例中，可以将目标核函数固定为四次核函数，而将带宽h设定为本申请实施例提出的模型的一个自定义可修改的超参数。四次核函数的公式可以表示为如下公式)(2)：
其中，函数K(u)对应上述公式(1)中的函数Kh，u表示上述公式中的r/h，其中-1≤u≤1。
其中，不同目标核函数K对核密度估计的渐进性影响极低，故目标带宽h的选择成为核密度估计的研究中所需关注的重点。大的带宽可能会导致过平滑(over-smooth)，掩盖数据的真实结构；小的带宽会产生尖刻多峰的密度估计(类似于三角形那种锋利的边缘)；因此，本申请实施例的目标是需找到一个最佳带宽作为目标带宽，使得采用确定的目标带宽计算得到的核密度估计值和真实的密度之间误差最小。
可选的，如图6所示，步骤1233可通过步骤12331至步骤12336来实现，具体为：
步骤12331，在第一预设区间内按照预设间隔搜索多个候选带宽；
步骤12332，基于每个候选带宽，计算目标位置点对应于兴趣面数据中每个兴趣面的第一核密度估计值；
步骤12333，生成第一核密度估计值的第一等值线，并根据第一等值线生成第一等值面；
步骤12334，根据第一等值面的空间投影面积与第一等值面对应的兴趣面轮廓的空间投影面积，确定第一目标等值面；
步骤12335，计算兴趣面数据中每个兴趣面对应的第一目标等值面的轮廓与兴趣面轮廓之间的第一交并比指标；
步骤12336，遍历多个候选带宽，将兴趣面数据中所有兴趣面的第一交并比指标的平均值中的最高值对应的候选带宽，确定为目标核函数对应的目标带宽。
其中，在图形轮廓检测的流程中，最大的不确定条件为核密度估计模块中的自定义参数带宽h，带宽h的不同选择会生成不同的核密度估计结果，从而生成不同的等值线与等值面，直接影响到各个兴趣面的误差评估。因此，需要选取最佳的带宽作为目标带宽来进行核密度估计。
例如，假设大部分兴趣面轮廓与目标等值面(比如最佳等值面)轮廓应当是比较相似的，即通过空间认知行为(比如LBS签到)挖掘得到的表征虚拟认知空间的目标等值面(比如最佳等值面)轮廓，与地理数据中的兴趣面轮廓，大多数情况下应该是比较接近的，即具备比较高的IOU指标。
因此，可以将使所有兴趣面的误差分析中的IOU指标的平均值最高作为带宽h参数的优化目标。例如，优化方法可以采用网格搜索法，即在一定的区间内按预设间隔搜寻最佳带宽h。其中，若搜寻到最佳带宽h，则停止迭代。例如，带宽的预设区间，可选100m-10000m内，为了降低计算成本，可选100m-2000m内。例如，带宽可以在预设区间100m-2000m内，按100m为预设间隔，进行搜索，比如搜索的多个候选带宽可以为100m、200m、300m、……、1800m、1900m、2000m。搜索间隔越小，搜索得到的最佳带宽越精细，但计算量也越大，因此可以权衡收益和成本，以选择合适的预设间隔。
例如，可以有两种搜寻方案：
1)所有兴趣面共用同一个带宽h参数，目标是使所有兴趣面的IOU指标的平均值最高。具体的，在第一预设区间内按照预设间隔搜索多个候选带宽，对于待处理的兴趣面数据中的所有兴趣面共用同一个带宽参数；基于每个候选带宽，计算目标位置点对应于兴趣面数据中每个兴趣面的第一核密度估计值，并生成第一核密度估计值的第一等值线，并根据第一等值线生成第一等值面，然后根据第一等值面的空间投影面积与第一等值面对应的兴趣面轮廓的空间投影面积，确定第一目标等值面，然后计算兴趣面数据中每个兴趣面对应的第一目标等值面的轮廓与兴趣面轮廓之间的第一交并比指标，然后遍历多个候选带宽，将兴趣面数据中所有兴趣面的第一交并比指标的平均值中的最高值对应的候选带宽，确定为目标核函数对应的目标带宽。
2)可以按不同类别(例如医院、学校、居住小区、商务楼宇、公共场所等)的兴趣面进行最优带宽h的搜寻，同一类别的兴趣面共用同一个带宽h参数，目标是使同一个类别下兴趣面的IOU指标的平均值最高，此处的假设是不同类型的兴趣面具备不同的地理空间认知规律。具体的，在第一预设区间内按照预设间隔搜索多个候选带宽，对于待处理的兴趣面数据中同一类别的兴趣面共用同一个带宽参数；基于每个候选带宽，计算目标位置点对应于兴趣面数据中同一类别下的每个兴趣面的第一核密度估计值，并生成第一核密度估计值的第一等值线，并根据第一等值线生成第一等值面，然后根据第一等值面的空间投影面积与第一等值面对应的兴趣面轮廓的空间投影面积，确定第一目标等值面，然后计算兴趣面数据中同一类别下的每个兴趣面对应的第一目标等值面的轮廓与兴趣面轮廓之间的第一交并比指标，然后遍历多个候选带宽，将兴趣面数据中同一类别下的所有兴趣面的第一交并比指标的平均值中的最高值对应的候选带宽，确定为该类别对应的目标核函数的目标带宽。遍历兴趣面数据中的所有类别，以得到不同类别对应的目标核函数的目标带宽。
例如，地理空间认知规律通常用于表达地理空间认知。地理空间认知是研究了解地球表面各种事物与现象的相互位置、空间分布、依存关系以及它们的变化规律的行为过程。地理空间认知是知觉、注意、表象、记忆、学习、思维、语言、概念形成、问题求解、情绪、个性差异等有机联系的信息处理过程。地理空间认知的介质通常是描述地理环境和现象的地图或图像(包括数字形式和模拟形式)，因此与地图空间认知紧密相关。地图空间认知又分为地图编辑与设计者的认知和地图使用者的认知。其中，制图者的认知强调对所表达事物和现象、表达内容表现形式的认知，从而建立客观世界的形象化、符号化的概括模型；地图使用者的认知是结合使用者的空间知识，根据地图间接地认知现实世界。例如，一般，用户A在离一个公园200m处选择签到时，可能选择签到的地理位置坐标为该公园，这意味着，在用户A的地理空间认知里，用户A目前所在的位置是可以用该公园代替的。例如，用户B可能只有在离一家便利店相当近的距离(例如数米)，才会选择签到的地理位置坐标为该便利店。以上就是不同类别的兴趣面(地理实体)的地理空间认知的不一样，直接影响签到数据的空间分布，也影响上述核密度估计计算出来的最佳带宽。因此，不同类别的兴趣面一般具有不同的最佳带宽。
步骤130，生成核密度估计值的等值线，并根据等值线生成多个等值面。
可选的，如图7所示，步骤130可通过步骤131至步骤132来实现，具体为：
步骤131，根据等值线生成算法，将核密度估计值中值相同的点连成曲线，以生成多个等值线，其中，每个等值线与轮廓四至范围的矩形边界组合成的空间轮廓为一个闭合的环线。
例如，在绘制核密度估计值对应的等值线时，对于某个兴趣面，基于上一步遍历生成的空间各个位置点的核密度估计值，按照等值线生成算法，生成该兴趣面对应的等值线轮廓。
其中，等值线是在表示连续现象(如高程、温度、降雨量、污染程度或大气压力)的栅格数据集中连接等值位置的线。这些线要素会将输入中具有同一常量值的像元连接在一起。等值线的分布可显示出值在整个表面的变化情况。值的变化量越小，线的间距就越大。值上升或下降得越快，线的间距就越小。
例如，等值线生成算法可以采用如下步骤实现：1)在数据网格中求出所有四个相邻的数据点构成的正方形；2)判断四个数据点数据与阈值之间的关系，生成01代码；3)由上步生成的代码按照下图的关系求出等值线与四个数据点之间的拓扑关系；4)由拓扑关系用线性插值方法求出等值线与正方形的交点；5)顺序连接等值线段，即得到等值线。
步骤132，将多个等值线中每个等值线对应的环线内部形成的闭合的多边形作为等值面，以得到多个等值面。
其中，等值线是空间上核密度估计值相等的点连成的曲线，可以按照不同的区间选取对应的核密度估计值的等值线，从而生成的等值线会有多个，每个等值线与上文的遍历范围矩形边界组合成的空间轮廓是一个闭合的环线(LinearRing)，环线其内部形成一个闭合的多边形，可称为等值面。
例如，地面的高度是连续的，但可以取不同的区间，例如100m的等高线、110m的等高线，由此，即可以10m为区间取得若干条等高线。等值线同理，等值线的值可以是不同的数值含义，例如在等高线里是海拔高度，在本申请实施例中，等值线中的值是核密度估计值，可以每隔0.1的区间取值，也可以每隔0.01的区间取值，具体区间的取值可以依据核密度估计值的范围来确定。可选的，可以根据核密度估计值最小值到最大值，取对数后，等距离切割为N段，N可以取20、50、100等。
步骤140，从多个等值面中确定出兴趣面数据中每个兴趣面对应的目标等值面。
可选的，从多个等值面中确定兴趣面数据中每个兴趣面对应的目标等值面，包括：根据等值面的空间投影面积与等值面对应的兴趣面轮廓的空间投影面积，确定兴趣面数据中每个兴趣面对应的目标等值面。
可选的，根据等值面的空间投影面积与等值面对应的兴趣面轮廓的空间投影面积，确定兴趣面数据中每个兴趣面对应的目标等值面，包括：
计算多个等值面的空间投影面积，以及多个等值面中每个等值面对应的兴趣面轮廓的空间投影面积；
选取多个等值面的空间投影面积中与对应的目标兴趣面的兴趣面轮廓的空间投影面积最接近的等值面，作为目标兴趣面对应的目标等值面。
例如，对于上一步生成的多个等值面的轮廓，依次计多个等值面中每个等值面的空间投影面积，并从多个等值面中选取空间投影面积与对应的兴趣面轮廓的空间投影面积最接近的等值面，作为最佳等值面，该确定的最佳等值面作为目标等值面。可以认为，通过LBS签到数据，最佳等值面反映了移动互联网的用户群体在地理空间认知中，对该兴趣面对应的地物的认知轮廓。
例如，空间投影面积，可以是基于地理坐标系(经纬度)进行投影转换得到的面积。例如，基于地理坐标系对等值面的轮廓进行高斯投影、或者阿尔伯斯投影(Albers)之类的等面积投影，得到等值面的空间投影面积。例如，基于地理坐标系对兴趣面轮廓进行高斯-克吕格投影(Gauss-Krugerprojection)、或者阿尔伯斯投影(Albers)之类的等面积投影，得到兴趣面轮廓的空间投影面积。
例如，高斯投影，即为高斯-克吕格投影(Gauss-Krugerprojection)，又名"等角横切椭圆柱投影”，是地球椭球面和平面间正形投影的一种。假想有一个椭圆柱面横套在地球椭球体外面，并与某一条子午线(此子午线称为中央子午线或轴子午线)相切，椭圆柱的中心轴通过椭球体中心，然后用一定投影方法，将中央子午线两侧各一定经差范围内的地区投影到椭圆柱面上，再将此柱面展开即成为投影面，此投影为高斯投影。
例如，阿尔伯斯投影，又名“正轴等积割圆锥投影”，“双标准纬线等积圆锥投影”，圆锥投影的一种。纬线为同心圆弧，经线为圆的半径，经线夹角与相应的经差成正比。两条割纬线投影后无任何变形。投影区域面积保持与实地相等。
步骤150，根据兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓。
可选的，如图8所示，步骤150可通过步骤151至步骤152来实现，具体为：
步骤151，计算兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的交并比指标。
可选的，计算兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的交并比指标，包括：
获取兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的相交算子；
获取兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的联合算子；
确定相交算子对应的第一面积算子，以及联合算子对应的第二面积算子；
根据第一面积算子与第二面积算子的比值，确定兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的交并比指标。
其中，GIS空间分析指的是在GIS(地理信息系统)里实现分析空间数据，即从空间数据中获取有关地理对象的空间位置、分布、形态、形成和演变等信息并进行分析。
Intersection是一种GIS空间分析算子，求两个轮廓的相交部分，如图9所示，输入为轮廓A和轮廓B，两个轮廓的相交部分为C，则输出为C。
Union是一种GIS空间分析算子，求两个轮廓的联合部分，如图10所示，输入为轮廓A和轮廓B，两个轮廓的联合部分为A+B，则输出为A+B。
例如，对于某个兴趣面的兴趣面轮廓和目标等值面(最佳等值面)的轮廓，可对它们的交并比(intersection-over-union，IOU)评价指标进行计算，其计算公式可以表示为如下公式(3)：
IOU＝Area(Intersection(AOI,CS))/Area(Union(AOI,CS))*100％ (3)；
其中，AOI表征兴趣面id对应的兴趣面(AOI)轮廓，CS表征选取的目标等值面(Contour Surface)的轮廓；Intersection(AOI,CS)是GIS空间分析中的相交算子，表示对兴趣面(AOI)轮廓与目标等值面(CS)的轮廓求相交部分，而Union(AOI,CS)是GIS空间分析中的联合算子，表示对兴趣面(AOI)轮廓与Contour Surface(CS)的轮廓求联合部分。Area(x)是GIS空间分析的面积算子，表示求轮廓x的面积，此处，各个轮廓的面积应当在同一个投影坐标系的定义下求得，在本申请实施例中，Area(Intersection(AOI,CS))表示求兴趣面(AOI)轮廓与Contour Surface(CS)的轮廓的相交部分对应的面积，Area(Union(AOI,CS))表示求兴趣面(AOI)轮廓与Contour Surface的(CS)轮廓的联合部分对应的面积。
其中，IOU指标的取值为0％到100％，一般的，IOU指标越高，代表两个轮廓差异越小，IOU＝100％代表两个轮廓完全一致，相反的，IOU指标越低，代表两个轮廓差异越大，IOU＝0％代表两个轮廓毫无重合之处。因此，以IOU指标作为误差分析的结果。
步骤152，将交并比指标由小到大进行排列，从兴趣面数据中顺序抽取排列后的交并比指标中排名前k％的数据对应的兴趣面轮廓，确定为异常兴趣面轮廓，其中k％为抽取比例。
按上一步搜寻得到的一个或多个目标带宽(最佳带宽h参数)，依次进行核密度估计、等值线生成、目标等值面(最佳等值面)选取及误差分析，最终可以得到各个兴趣面在其对应的目标带宽(最佳带宽参数)的基础上，计算得到用于进行误差评估分析的IOU指标。将各兴趣面对应的IOU指标由小到大排列，排名前k％的数据对应的兴趣面轮廓，确定为异常兴趣面轮廓，其中k％为抽取比例。例如，该k％可以为5％；可根据业务需求制定k％的具体取值，例如，若需要广泛的、大范围地筛查，则可以认为排在前5％的数据对应的兴趣面轮廓为异常兴趣面轮廓；例如，若需要小成本地、小范围地排查，也可以认为排在前面0.1％的数据对应的兴趣面轮廓为异常兴趣面轮廓。
本申请实施例通过核密度估计、等值线生成、等值面挖掘、最优等值面选取和误差分析、最优带宽选择等步骤，最终根据最佳等值面与兴趣面轮廓的IOU指标得到误差评估结果，表征误差情况的IOU指标由小到大排序，得到异常兴趣面轮廓的自动化初筛检测列表。
例如，图11是一个图形示意图，L形的轮廓1101为实际的兴趣面轮廓，底图中的灰色色阶背景1102为兴趣面对应的核密度估计的结果，淡灰色(如图中的1103)代表低的核密度估计值，深灰色(如图中的1104)代表高的核密度估计值，环线1105即为核密度估计的等值线，封闭的等值线内部可以组成等值面。图11中无论选取哪个等值面，与兴趣面轮廓的IOU指标总是较低的，可以反映出至少从空间认知的结果来看，该兴趣面存在轮廓过小的潜在问题。
可选的，如图12所示，步骤150之后还可以包括步骤160至步骤180，具体为：
步骤160，将异常兴趣面轮廓发送至目标终端；
步骤170，接收目标终端反馈的针对异常兴趣面轮廓的成因分析结果；
步骤180，根据成因分析结果更新兴趣面数据。
例如，可以处理器可以将异常兴趣面轮廓发送至目标终端，其中，发送异常兴趣面轮廓可以是包含有异常兴趣面轮廓的自动化初筛检测列表，以使得目标终端将异常兴趣面轮廓进行显示，并且目标终端会接收用户输入的针对异常兴趣面轮廓的成因分析结果；然后，处理器接收目标终端反馈的针对异常兴趣面轮廓的成因分析结果，并将成因分析结果发送至生成兴趣面数据的客户端，以使客户端根据成因分析结果更新兴趣面数据。
例如，异常兴趣面的成因可能包括：
a)兴趣面轮廓偏离；假设情景如下：山东青岛崂山风景区的兴趣面轮廓被错误地标记到了烟台，但移动互联网用户群体依然在青岛崂山风景区进行LBS签到行为，此时，兴趣面轮廓与最佳等值面轮廓不存在重合，IOU指标为0％，是典型的异常兴趣面。
b)兴趣面轮廓空间范围不正确；假设情景如下：某医院的兴趣面轮廓绘制过大，使医院附近的居民小区也被囊括入医院的兴趣面轮廓之内。但在LBS签到行为时，用户只会在医院附近签到，鲜有在居民小区内签到，因此签到地理坐标主要集中在医院处，兴趣面轮廓与最佳等值面轮廓重合度较低，计算得到的IOU指标较低。
c)空间认知不正确；即兴趣面轮廓本身无误，而是人群对该地点的空间认知有较大偏差，导致兴趣面轮廓与最佳等值面轮廓重合度较低。
其中，本申请实施例可以有效地从海量的兴趣面中筛选出潜在的异常对象，实现对异常兴趣面轮廓的识别，大大节省运营成本和加快异常兴趣面轮廓的挖掘与纠错速度。其中，在检测出异常兴趣面轮廓后，还需要将异常兴趣面轮廓发送至目标终端进行人工判别，即仍需要在异常兴趣面轮廓的自动化初筛检测列表的基础上，对以上三种异常情况进行人工判别，用户可以根据事实客观情况，分析异常兴趣面轮廓的成因。
上述所有的技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
本申请实施例通过获取兴趣面数据与签到数据，兴趣面数据中的每个兴趣面包含对应的兴趣面轮廓和地理位置标识，签到数据包含签到地理标识；根据地理位置标识与签到地理标识的对应关系，以及兴趣面数据与签到数据，计算目标位置点对应于兴趣面数据中每个兴趣面的核密度估计值；生成核密度估计值的等值线，并根据等值线生成多个等值面；从多个等值面中确定出兴趣面数据中每个兴趣面对应的目标等值面；根据兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓。本申请实施例通过基于兴趣面数据与签到数据计算每个兴趣面的核密度估计值，并计算核密度估计值的等值线和等值面，通过确定出的目标等值面的轮廓与兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓，可以实现初步自动化筛选，可以降低异常兴趣面轮廓检测的人工运营成本，加快数据优化效率，且提升异常兴趣面轮廓检测的准确率。
另外，本申请实施例还可以通过基于具有配色标注信息的样本数据训练得到的配色模型对原始图像进行自动配色，无需人工判定配色效果，提升了图形轮廓检测的效率，可以实现批量自动化生产。
为便于更好的实施本申请实施例的图形轮廓检测方法，本申请实施例还提供一种图形轮廓检测装置。请参阅图13，图13为本申请实施例提供的图形轮廓检测装置的第一结构示意图。其中，该图形轮廓检测装置200可以包括：
获取模块210，用于获取兴趣面数据与签到数据，兴趣面数据中的每个兴趣面包含对应的兴趣面轮廓和地理位置标识，签到数据包含签到地理标识；
计算模块220，用于根据地理位置标识与签到地理标识的对应关系，以及兴趣面数据与签到数据，计算目标位置点对应于兴趣面数据中每个兴趣面的核密度估计值；
生成模块230，用于生成核密度估计值的等值线，并根据等值线生成多个等值面；
确定模块240，用于从多个等值面中确定出兴趣面数据中每个兴趣面对应的目标等值面；
检测模块250，用于根据兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓。
可选的，计算模块220，包括：
关联单元，根据地理位置标识与签到地理标识的对应关系，将兴趣面数据与签到数据进行关联，得到兴趣面数据中每个兴趣面对应的签到地理坐标集；
第一确定单元，根据兴趣面数据中每个兴趣面对应的兴趣面轮廓，确定目标位置点；
第一计算单元，根据签到地理坐标集，计算目标位置点对应于兴趣面数据中每个兴趣面的核密度估计值。
可选的，第一计算单元，可以用于：根据签到地理坐标集，确定兴趣面数据中每个兴趣面对应的签到地理坐标的目标数量；获取兴趣面数据中每个兴趣面对应的签到地理坐标到目标位置点的目标距离；获取目标核函数对应的目标带宽；根据目标数量、目标距离、目标带宽与目标核函数，计算目标位置点对应于兴趣面数据中每个兴趣面的核密度估计值，核密度估计值用于表征对应目标位置点的签到行为的强度。
可选的，第一计算单元在获取目标核函数对应的目标带宽时，可以用于：在第一预设区间内按照预设间隔搜索多个候选带宽；基于每个候选带宽，计算目标位置点对应于兴趣面数据中每个兴趣面的第一核密度估计值；生成第一核密度估计值的第一等值线，并根据第一等值线生成第一等值面；根据第一等值面的空间投影面积与第一等值面对应的兴趣面轮廓的空间投影面积，确定第一目标等值面；计算兴趣面数据中每个兴趣面对应的第一目标等值面的轮廓与兴趣面轮廓之间的第一交并比指标；遍历多个候选带宽，将兴趣面数据中所有兴趣面的第一交并比指标的平均值中的最高值对应的候选带宽，确定为目标核函数对应的目标带宽。
可选的，第一确定单元，可以用于：获取兴趣面数据中每个兴趣面对应的兴趣面轮廓在平面坐标系中的四至点；根据四至点生成矩形多边形，以得到每个兴趣面对应的兴趣面轮廓的轮廓四至范围；根据预设栅格对轮廓四至范围进行打点，以得到每个轮廓四至范围对应的多个位置点；遍历每个轮廓四至范围对应的多个位置点，从多个位置点中确定出目标位置点。
可选的，生成模块230，包括：
第一生成单元，用于根据等值线生成算法，将核密度估计值中值相同的点连成曲线，以生成多个等值线，其中，每个等值线与轮廓四至范围的矩形边界组合成的空间轮廓为一个闭合的环线；
第二生成单元，用于将多个等值线中每个等值线对应的环线内部形成的闭合的多边形作为等值面，以得到多个等值面。
可选的，确定模块240，可以用于：根据等值面的空间投影面积与等值面对应的兴趣面轮廓的空间投影面积，确定兴趣面数据中每个兴趣面对应的目标等值面。
可选的，确定模块240在根据等值面的空间投影面积与等值面对应的兴趣面轮廓的空间投影面积，确定兴趣面数据中每个兴趣面对应的目标等值面时，可以用于：计算多个等值面的空间投影面积，以及多个等值面中每个等值面对应的兴趣面轮廓的空间投影面积；选取多个等值面的空间投影面积中与对应的目标兴趣面的兴趣面轮廓的空间投影面积最接近的等值面，作为目标兴趣面对应的目标等值面。
可选的，检测模块250，包括：
第二计算单元，用于计算兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的交并比指标；
第二确定单元，用于将交并比指标由小到大进行排列，从兴趣面数据中顺序抽取排列后的交并比指标中排名前k％的数据对应的兴趣面轮廓，确定为异常兴趣面轮廓，其中k％为抽取比例。
可选的，第二计算单元在计算兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的交并比指标时，具体用于：获取兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的相交算子；获取兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的联合算子；确定相交算子对应的第一面积算子，以及联合算子对应的第二面积算子；根据第一面积算子与第二面积算子的比值，确定兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的交并比指标。
可选的，该图形轮廓检测装置200还包括：
发送模块，用于将异常兴趣面轮廓发送至目标终端；
接收模块，用于接收目标终端反馈的针对异常兴趣面轮廓的成因分析结果；
更新模块，用于根据成因分析结果更新兴趣面数据。
上述图形轮廓检测装置中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各个单元可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行上述各个单元对应的操作。
图形轮廓检测装置200，可以集成在具备储存器并安装有处理器而具有运算能力的终端或服务器中，或者该图形轮廓检测装置200为该终端或服务器。
可选的，本申请还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
图14为本申请实施例提供的计算机设备的结构示意图，该计算机设备可以是图1所示的终端或服务器。如图14所示，该计算机设备300可以包括：通信接口301，存储器302，处理器303和通信总线304。通信接口301，存储器302，处理器303通过通信总线304实现相互间的通信。通信接口301用于装置700与外部设备进行数据通信。存储器302可用于存储软件程序以及模块，处理器303通过运行存储在存储器302的软件程序以及模块，例如前述方法实施例中的相应操作的软件程序。
可选的，该处理器303可以调用存储在存储器302的软件程序以及模块执行如下操作：获取兴趣面数据与签到数据，兴趣面数据中的每个兴趣面包含对应的兴趣面轮廓和地理位置标识，签到数据包含签到地理标识；根据地理位置标识与签到地理标识的对应关系，以及兴趣面数据与签到数据，计算目标位置点对应于兴趣面数据中每个兴趣面的核密度估计值；生成核密度估计值的等值线，并根据等值线生成多个等值面；从多个等值面中确定出兴趣面数据中每个兴趣面对应的目标等值面；根据兴趣面数据中每个兴趣面对应的目标等值面的轮廓与兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓。
本申请还提供了一种计算机可读存储介质，用于存储计算机程序。该计算机可读存储介质可应用于计算机设备，并且该计算机程序使得计算机设备执行本申请实施例中的图形轮廓检测方法中的相应流程，为了简洁，在此不再赘述。
本申请还提供了一种计算机程序产品，该计算机程序产品包括计算机指令，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，使得计算机设备执行本申请实施例中的图形轮廓检测方法中的相应流程，为了简洁，在此不再赘述。
本申请还提供了一种计算机程序，该计算机程序包括计算机指令，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，使得计算机设备执行本申请实施例中的图形轮廓检测方法中的相应流程，为了简洁，在此不再赘述。
应理解，本申请实施例的处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
可以理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解，上述存储器为示例性但不是限制性说明，例如，本申请实施例中的存储器还可以是静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)以及直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)等等。也就是说，本申请实施例中的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (15)
1.一种图形轮廓检测方法，其特征在于，所述方法包括：
获取兴趣面数据与签到数据，所述兴趣面数据中的每个兴趣面包含对应的兴趣面轮廓和地理位置标识，所述签到数据包含签到地理标识；
根据所述地理位置标识与所述签到地理标识的对应关系，以及所述兴趣面数据与所述签到数据，计算目标位置点对应于所述兴趣面数据中每个兴趣面的核密度估计值；
生成所述核密度估计值的等值线，并根据所述等值线生成多个等值面；
从所述多个等值面中确定出所述兴趣面数据中每个兴趣面对应的目标等值面；
根据所述兴趣面数据中每个兴趣面对应的所述目标等值面的轮廓与所述兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓。
2.如权利要求1所述的图形轮廓检测方法，其特征在于，所述签到数据还包含签到地理坐标，所述根据所述地理位置标识与所述签到地理标识的对应关系，以及所述兴趣面数据与所述签到数据，计算目标位置点对应于所述兴趣面数据中每个兴趣面的核密度估计值，包括：
根据所述地理位置标识与所述签到地理标识的对应关系，将所述兴趣面数据与所述签到数据进行关联，得到所述兴趣面数据中每个兴趣面对应的签到地理坐标集；
根据所述兴趣面数据中每个兴趣面对应的兴趣面轮廓，确定目标位置点；
根据所述签到地理坐标集，计算所述目标位置点对应于所述兴趣面数据中每个兴趣面的核密度估计值。
3.如权利要求2所述的图形轮廓检测方法，其特征在于，所述根据所述签到地理坐标集，计算所述目标位置点对应于所述兴趣面数据中每个兴趣面的核密度估计值，包括：
根据所述签到地理坐标集，确定所述兴趣面数据中每个兴趣面对应的签到地理坐标的目标数量；
获取所述兴趣面数据中每个兴趣面对应的签到地理坐标到所述目标位置点的目标距离；
获取目标核函数对应的目标带宽；
根据所述目标数量、所述目标距离、所述目标带宽与所述目标核函数，计算所述目标位置点对应于所述兴趣面数据中每个兴趣面的核密度估计值，所述核密度估计值用于表征对应所述目标位置点的签到行为的强度。
4.如权利要求3所述的图形轮廓检测方法，其特征在于，所述获取目标核函数对应的目标带宽，包括：
在第一预设区间内按照预设间隔搜索多个候选带宽；
基于每个所述候选带宽，计算所述目标位置点对应于所述兴趣面数据中每个兴趣面的第一核密度估计值；
生成所述第一核密度估计值的第一等值线，并根据所述第一等值线生成第一等值面；
根据所述第一等值面的空间投影面积与所述第一等值面对应的兴趣面轮廓的空间投影面积，确定第一目标等值面；
计算所述兴趣面数据中每个兴趣面对应的所述第一目标等值面的轮廓与所述兴趣面轮廓之间的第一交并比指标；
遍历所述多个候选带宽，将所述兴趣面数据中所有兴趣面的第一交并比指标的平均值中的最高值对应的候选带宽，确定为所述目标核函数对应的目标带宽。
5.如权利要2所述的图形轮廓检测方法，其特征在于，所述根据所述兴趣面数据中每个兴趣面对应的兴趣面轮廓，确定目标位置点，包括：
获取所述兴趣面数据中每个兴趣面对应的兴趣面轮廓在平面坐标系中的四至点；
根据所述四至点生成矩形多边形，以得到每个所述兴趣面对应的兴趣面轮廓的轮廓四至范围；
根据预设栅格对所述轮廓四至范围进行打点，以得到每个所述轮廓四至范围对应的多个位置点；
遍历每个所述轮廓四至范围对应的多个位置点，从所述多个位置点中确定出所述目标位置点。
6.如权利要求5所述的图形轮廓检测方法，其特征在于，所述生成所述核密度估计值的等值线，并根据所述等值线生成多个等值面，包括：
根据等值线生成算法，将所述核密度估计值中值相同的点连成曲线，以生成多个等值线，其中，每个所述等值线与所述轮廓四至范围的矩形边界组合成的空间轮廓为一个闭合的环线；
将所述多个等值线中每个所述等值线对应的所述环线内部形成的闭合的多边形作为等值面，以得到多个等值面。
7.如权利要求1所述的图形轮廓检测方法，其特征在于，所述从所述多个等值面中确定所述兴趣面数据中每个兴趣面对应的目标等值面，包括：
根据所述等值面的空间投影面积与所述等值面对应的兴趣面轮廓的空间投影面积，确定所述兴趣面数据中每个兴趣面对应的目标等值面。
8.如权利要求7所述的图形轮廓检测方法，其特征在于，所述根据所述等值面的空间投影面积与所述等值面对应的兴趣面轮廓的空间投影面积，确定所述兴趣面数据中每个兴趣面对应的目标等值面，包括：
计算所述多个等值面的空间投影面积，以及所述多个等值面中每个所述等值面对应的兴趣面轮廓的空间投影面积；
选取所述多个等值面的空间投影面积中与对应的目标兴趣面的兴趣面轮廓的空间投影面积最接近的等值面，作为所述目标兴趣面对应的目标等值面。
9.如权利要求1所述的图形轮廓检测方法，其特征在于，所述根据所述兴趣面数据中每个兴趣面对应的所述目标等值面的轮廓与所述兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓，包括：
计算所述兴趣面数据中每个兴趣面对应的所述目标等值面的轮廓与所述兴趣面轮廓之间的交并比指标；
将所述交并比指标由小到大进行排列，从所述兴趣面数据中顺序抽取排列后的交并比指标中排名前k％的数据对应的兴趣面轮廓，确定为异常兴趣面轮廓，其中所述k％为抽取比例。
10.如权利要求9所述的图形轮廓检测方法，其特征在于，所述计算所述兴趣面数据中每个兴趣面对应的所述目标等值面的轮廓与所述兴趣面轮廓之间的交并比指标，包括：
获取所述兴趣面数据中每个兴趣面对应的所述目标等值面的轮廓与所述兴趣面轮廓之间的相交算子；
获取所述兴趣面数据中每个兴趣面对应的所述目标等值面的轮廓与所述兴趣面轮廓之间的联合算子；
确定所述相交算子对应的第一面积算子，以及所述联合算子对应的第二面积算子；
根据所述第一面积算子与所述第二面积算子的比值，确定所述兴趣面数据中每个兴趣面对应的所述目标等值面的轮廓与所述兴趣面轮廓之间的交并比指标。
11.如权利要求1所述的图形轮廓检测方法，其特征在于，所述方法还包括：
将所述异常兴趣面轮廓发送至目标终端；
接收所述目标终端反馈的针对所述异常兴趣面轮廓的成因分析结果；
根据所述成因分析结果更新所述兴趣面数据。
12.一种图形轮廓检测装置，其特征在于，所述装置包括：
获取模块，用于获取兴趣面数据与签到数据，所述兴趣面数据中的每个兴趣面包含对应的兴趣面轮廓和地理位置标识，所述签到数据包含签到地理标识；
计算模块，用于根据所述地理位置标识与所述签到地理标识的对应关系，以及所述兴趣面数据与所述签到数据，计算目标位置点对应于所述兴趣面数据中每个兴趣面的核密度估计值；
生成模块，用于生成所述核密度估计值的等值线，并根据所述等值线生成多个等值面；
确定模块，用于从所述多个等值面中确定出所述兴趣面数据中每个兴趣面对应的目标等值面；
检测模块，用于根据所述兴趣面数据中每个兴趣面对应的所述目标等值面的轮廓与所述兴趣面轮廓之间的交并比指标，检测异常兴趣面轮廓。
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存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如权利要求1-11任一项所述的图形轮廓检测方法中的步骤。
14.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行权利要求1-11任一项所述的图形轮廓检测方法中的步骤。
15.一种计算机程序产品，包括计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-11任一项所述的图形轮廓检测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210302225.7A CN116843891A (zh) | 2022-03-24 | 2022-03-24 | 图形轮廓检测方法、装置、存储介质、设备及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210302225.7A CN116843891A (zh) | 2022-03-24 | 2022-03-24 | 图形轮廓检测方法、装置、存储介质、设备及程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116843891A true CN116843891A (zh) | 2023-10-03 |
Family
ID=88171223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210302225.7A Pending CN116843891A (zh) | 2022-03-24 | 2022-03-24 | 图形轮廓检测方法、装置、存储介质、设备及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116843891A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117079148A (zh) * | 2023-10-17 | 2023-11-17 | 腾讯科技（深圳）有限公司 | 城市功能区的识别方法、装置、设备和介质 |
-
2022
- 2022-03-24 CN CN202210302225.7A patent/CN116843891A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117079148A (zh) * | 2023-10-17 | 2023-11-17 | 腾讯科技（深圳）有限公司 | 城市功能区的识别方法、装置、设备和介质 |
| CN117079148B (zh) * | 2023-10-17 | 2024-01-05 | 腾讯科技（深圳）有限公司 | 城市功能区的识别方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110726418B (zh) | 兴趣点区域确定方法、装置、设备及存储介质 | |
| Fan et al. | Quality assessment for building footprints data on OpenStreetMap | |
| JP2016152044A (ja) | 目標位置を確定するための方法及び装置 | |
| CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
| EP2849117A1 (en) | Methods, apparatuses and computer program products for automatic, non-parametric, non-iterative three dimensional geographic modeling | |
| Ehrlich et al. | Extracting building stock information from optical satellite imagery for mapping earthquake exposure and its vulnerability | |
| US10115165B2 (en) | Management of tax information based on topographical information | |
| Zhao et al. | Mapping 3D visibility in an urban street environment from mobile LiDAR point clouds | |
| Bartie et al. | Incorporating vegetation into visual exposure modelling in urban environments | |
| CN112861972A (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
| CN114049462B (zh) | 一种三维模型单体化方法及装置 | |
| Klonner et al. | Updating digital elevation models via change detection and fusion of human and remote sensor data in urban environments | |
| CN110647607A (zh) | 一种基于图片识别的poi数据的验证方法和装置 | |
| Li et al. | A method based on an adaptive radius cylinder model for detecting pole-like objects in mobile laser scanning data | |
| CN114070760A (zh) | 一种网络空间资产的测绘方法、装置、网络空间资产数据库及计算机可读存储介质 | |
| Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
| Regnauld* et al. | Creating a hydrographic network from its cartographic representation: a case study using Ordnance Survey MasterMap data | |
| CN116843891A (zh) | 图形轮廓检测方法、装置、存储介质、设备及程序产品 | |
| Borisov et al. | An automated process of creating 3D city model for monitoring urban infrastructures | |
| CN117079148A (zh) | 城市功能区的识别方法、装置、设备和介质 | |
| CN112015937B (zh) | 一种图片地理定位方法及系统 | |
| CN117011692A (zh) | 一种道路识别的方法以及相关装置 | |
| Kong et al. | A graph-based neural network approach to integrate multi-source data for urban building function classification | |
| Thiemann et al. | An automatic approach for generalization of land-cover data from topographic data | |
| He et al. | The fractal or scaling perspective on progressively generated intra-urban clusters from street junctions |
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 |