CN117033817A - 路线确定方法和装置、存储介质及电子设备 - Google Patents
路线确定方法和装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117033817A CN117033817A CN202311297747.3A CN202311297747A CN117033817A CN 117033817 A CN117033817 A CN 117033817A CN 202311297747 A CN202311297747 A CN 202311297747A CN 117033817 A CN117033817 A CN 117033817A
- Authority
- CN
- China
- Prior art keywords
- route
- dimensional
- determining
- routes
- target object
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000005070 sampling Methods 0.000 claims description 190
- 230000000007 visual effect Effects 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 43
- 238000004088 simulation Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000012549 training Methods 0.000 description 19
- 238000013528 artificial neural network Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013441 quality evaluation Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 101150004367 Il4i1 gene Proteins 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了一种路线确定方法和装置、存储介质及电子设备,应用于地图、智能交通、数字孪生等场景。其中,该方法包括:在三维地形模型中显示N个景点标识和M条路线,其中,三维地形模型用于显示目标区域的三维地形,在目标对象沿M条路线中的每一条路线移动的情况下,对目标对象可见的景点包括N个景点中的至少一个景点;在M条路线所形成的各种路线组合中确定第一路线组合,其中,在M条路线中的各种路线组合中,在目标对象沿第一路线组合所形成的第一路线移动的情况下,在N个景点中对目标对象可见的景点的数量最多;在三维地形模型中显示被标记的第一路线。本申请解决了相关技术中在路线确定过程中出现的准确性较低的技术问题。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种路线确定方法和装置、存储介质及电子设备。
背景技术
随着人们物质生活水平的逐步提高,人们在闲暇之余经常进行观光旅游,其中,越来越多的观光目的地是郊区的村落或村庄这些较为原始的自然风光。但由于村落所在位置阡陌交通,面对这么多的生活、生产路线,观景的时候如何选择一条好的观景路线让观景者能够最大程度的沿途观赏最多的景点,显得很重要。
相关技术中,通常是通过线上查询景点的有关信息,根据查询到的历史观赏信息,确定选择哪条观景路线,例如,根据历史周期内观景者发表的游览心得、上传的观景图等,选择符合自己要求的观景路线。
然而,由于在很多情况下,线上信息是历史观景者的主观感受,在根据这些主观感受作为参考信息来确定观景路线的情况下,依赖于观景者的主观判断确定出的观景路线上的观景效果与实际观景效果之间存在较大偏差,因此,造成了路线确定过程中出现的准确性较低的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种路线确定方法和装置、存储介质及电子设备,以至少解决在路线确定过程中出现的准确性较低的技术问题。
根据本申请实施例的一个方面,提供了一种路线确定方法,包括:在三维地形模型中显示N个景点标识和M条路线,其中,三维地形模型用于显示目标区域的三维地形,N个景点标识用于标识目标区域中的N个景点的位置,在目标对象沿M条路线中的每一条路线移动的情况下,对目标对象可见的景点包括N个景点中的至少一个景点,N、M为大于或等于2的正整数;在M条路线所形成的各种路线组合中确定第一路线组合,其中,在M条路线中的各种路线组合中,在目标对象沿第一路线组合所形成的第一路线移动的情况下,在N个景点中对目标对象可见的景点的数量最多;在三维地形模型中显示被标记的第一路线。
可选地,上述在M条路线所形成的各种路线组合中确定第一路线组合,包括:在M条路线中的每条路线上设置有一组采样点的情况下,在三维地形模型中确定每个采样点的三维可视区域,其中,在目标对象位于第i个采样点时,第i个采样点的三维可视区域内的物体对目标对象可见,i为大于或等于1的正整数;在M条路线所形成的各种路线组合包括F种路线组合的情况下,将F种路线组合中的每种路线组合中的每条路线上的各个采样点的三维可视区域进行取并集操作,得到F个三维可视区域,其中,F为大于或等于2的正整数;在F个三维可视区域中的第j个三维可视区域中包括的N个景点中的景点的数量最多的情况下,将F种路线组合中与第j个三维可视区域对应的第j种路线组合确定为第一路线组合,其中,j为大于或等于1、且小于或等于F的正整数。
可选地,上述方法还包括:获取输入的Q个景点标识,其中,Q个景点标识用于标识N个景点中的Q个景点,Q为大于或等于1、且小于或等于N的正整数;在M条路线所形成的各种路线组合中确定第二路线组合,其中,在M条路线中的各种路线组合中,在目标对象沿第二路线组合所形成的第二路线移动的情况下,对目标对象可见的景点包括Q个景点;在三维地形模型中显示被标记的第二路线。
可选地,上述在M条路线所形成的各种路线组合中确定第二路线组合,包括:在M条路线中的每条路线上设置有一组采样点的情况下,在三维地形模型中确定每个采样点的三维可视区域,其中,在目标对象位于第i个采样点时,第i个采样点的三维可视区域内的物体对目标对象可见,i为大于或等于1的正整数;在M条路线所形成的各种路线组合包括F种路线组合的情况下,将F种路线组合中的每种路线组合中的每条路线上的各个采样点的三维可视区域进行取并集操作,得到F个三维可视区域,其中,F为大于或等于2的正整数;在F个三维可视区域中的第k个三维可视区域中包括Q个景点的情况下,将F种路线组合中与第k个三维可视区域对应的第k种路线组合确定为第二路线组合,其中,k为大于或等于1、且小于或等于F的正整数。
可选地,上述在F个三维可视区域中的第k个三维可视区域中包括Q个景点的情况下,将F种路线组合中与第k个三维可视区域对应的第k种路线组合确定为第二路线组合,包括:在F个三维可视区域中的R个三维可视区域均包括Q个景点的情况下,在R个三维可视区域对应的R种路线组合中确定路线长度最短的路线组合,并将路线长度最短的路线组合确定为第二路线组合,其中,R为大于或等于2、且小于或等于F的正整数,第k种路线组合为路线长度最短的路线组合;或者在F个三维可视区域中的R个三维可视区域均包括Q个景点的情况下,在R个三维可视区域中确定包括的N个景点中的景点的数量最多的三维可视区域,并将F种路线组合中与确定出的三维可视区域对应的路线组合确定为第二路线组合,其中,第k种路线组合为与确定出的三维可视区域对应的路线组合。
可选地,在M条路线所形成的各种路线组合中确定第一路线组合之后,上述方法还包括:在第一路线组合所形成的第一路线上设置有S个采样点的情况下,根据S个采样点中的每个采样点的三维可视区域,在S个采样点中确定T个采样点,其中,在目标对象沿第一路线移动的情况下,对目标对象可见的景点包括N个景点中的T个景点,S为大于或等于2的正整数,T为大于或等于1、且小于或等于S的正整数;在三维地形模型中显示被标记的T个采样点,其中,T个采样点中的第r个采样点用于标识目标对象对T个景点中的第r个景点进行拍照的位置,r为大于或等于1、且小于或等于T的正整数。
可选地,上述根据S个采样点中的每个采样点的三维可视区域,在S个采样点中确定T个采样点,包括:通过以下步骤确定T个采样点中的第r个采样点,其中,第r个采样点与第r个景点:在S个采样点中包括Hr个采样点、Hr个采样点中的每个采样点的三维可视区域包括第r个景点的情况下,生成与Hr个采样点对应的Hr个模拟图片,其中,Hr为大于或等于2的正整数,Hr个模拟图片是模拟在Hr个采样点上对第r个景点进行拍照所得到的模拟图片;在Hr个模拟图片中确定目标模拟图片,并将Hr个采样点中与目标模拟图片对应的采样点确定为第r个采样点。
可选地,上述生成与Hr个采样点对应的Hr个模拟图片,包括:获取第r个景点所在位置的天气信息;根据天气信息和Hr个采样点所在的三维位置坐标,生成与Hr个采样点对应的Hr个模拟图片。
可选地,上述在Hi个模拟图片中确定目标模拟图片,包括:将Hi个模拟图片输入到目标图片选择模型,通过目标图片选择模型确定Hi个模拟图片对应的Hi个评价参数;根据Hi个评价参数,在Hi个模拟图片中确定目标模拟图片,其中,在Hi个评价参数中,目标模拟图片对应的评价参数最大。
可选地,在Hi个模拟图片中确定目标模拟图片之后,上述方法还包括:根据目标模拟图片,在三维地形模型中显示被标记的第r个采样点以及第r个采样点所在位置的位置信息和角度信息,其中,位置信息用于标识目标对象对第r个景点进行拍照的位置,角度信息用于标识目标对象在第r个景点观景时的视线角度。
根据本申请实施例的又一方面,还提供了一种路线确定装置,包括:第一显示单元,用于在三维地形模型中显示N个景点标识和M条路线,其中,三维地形模型用于显示目标区域的三维地形,N个景点标识用于标识目标区域中的N个景点的位置,在目标对象沿M条路线中的每一条路线移动的情况下,对目标对象可见的景点包括N个景点中的至少一个景点,N、M为大于或等于2的正整数;第一处理单元,用于在M条路线所形成的各种路线组合中确定第一路线组合,其中,在M条路线中的各种路线组合中,在目标对象沿第一路线组合所形成的第一路线移动的情况下,在N个景点中对目标对象可见的景点的数量最多;第二处理单元,用于在三维地形模型中显示被标记的第一路线。
根据本申请实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述路线确定方法。
根据本申请实施例的又一方面,还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述方法的步骤。
根据本申请实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过计算机程序执行上述路线确定方法。
通过本申请提供的上述实施例,利用显示在三维地形模型上的N个景点标识和M条路线,确定由M条路线形成的各种路线组合,并从各种路线组合中确定对目标对象可见的景点的数量最多的第一路线,使得目标对象按照三维地形模型中显示的第一路线进行游览。换句话说,通过对M条路线所形成的各种路线组合中的每条路线组合所覆盖的景点数量进行对比,自动确定出覆盖景点数量最多的第一路线,避免了观景者的主观判断,提高了所确定路线的准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是根据本申请实施例的一种可选的路线确定方法的应用场景的示意图。
图2是根据本申请实施例的一种可选的路线确定方法的流程图。
图3是根据本申请实施例的一种可选的三维地形模型的示意图。
图4是根据本申请实施例的一种可选的各种路线组合的示意图。
图5是根据本申请实施例的一种可选的各条路线上添加的采样点的示意图。
图6是根据本申请实施例的一种可选的基于采样点确定的目标对象的可视区域的示意图。
图7是根据本申请实施例的一种可选的确定第r个采样点的示意图。
图8是根据本申请实施例的一种可选的图像质量评价流程图。
图9是根据本申请实施例的一种可选的携带有天气信息的模拟图片的示意图。
图10是根据本申请实施例的另一种可选的携带有天气信息的模拟图片的示意图。
图11是根据本申请实施例的一种可选的显示第一路线上每个景点的最佳观景位置和角度的示意图。
图12是根据本申请实施例的一种可选的景点的最佳观景角度的示意图。
图13是根据本申请实施例的一种可选的路网匹配的流程图。
图14是根据本申请实施例的一种可选的路线确定方法的整体流程图。
图15是根据本申请实施例的一种可选数据传输过程的流程图。
图16是根据本申请实施例的一种可选的虚拟对象的显示装置的结构示意图。
图17是根据本申请实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例中的技术方案在实施过程中会遵循法律规定,在按照实施例中的技术方案执行操作时,所使用的数据不会涉及用户隐私,在确保操作过程是合规合法的同时,保证了数据的安全性。
对以下名词分别进行解释。
可视域:是在栅格数据的表面,对于一个或者多个观察点,基于一定的相对高度,提取给定长度范围和方向范围内所能看到的区域。
据本申请实施例的一个方面,提供了一种路线确定方法。作为一种可选的实施方式,上述路线确定方法可以但不限于应用于如图1所示的应用场景。在如图1所示的应用场景中,终端设备102可以但不限于通过网络104与服务器106进行通信,服务器106可以但不限于对数据库108执行操作,例如,写数据操作或读数据操作。上述终端设备102可以但不限包括人机交互屏幕、处理器及存储器。上述人机交互屏幕可以但不限于用于显示在终端设备102上的N个景点标识、M条路线以及第一路线等。上述处理器可以但不限于用于响应上述人机交互操作,执行对应的操作,或者,生成对应的指令,并将生成的指令发送给服务器106。上述存储器用于存储相关处理数据,如第一路线组合、N个景点标识和M条路线等。
作为一种可选的方式,可以在服务器106上执行路线确定方法中的以下步骤:步骤S102,在三维地形模型中显示N个景点标识和M条路线,其中,三维地形模型用于显示目标区域的三维地形,N个景点标识用于标识目标区域中的N个景点的位置,在目标对象沿M条路线中的每一条路线移动的情况下,对目标对象可见的景点包括N个景点中的至少一个景点,N、M为大于或等于2的正整数;步骤S104,在M条路线所形成的各种路线组合中确定第一路线组合,其中,在M条路线中的各种路线组合中,在目标对象沿第一路线组合所形成的第一路线移动的情况下,在N个景点中对目标对象可见的景点的数量最多;步骤S106,在三维地形模型中显示被标记的第一路线。
上述技术方案可以但不限于应用于地图交通、智能交通及数字孪生等场景中,例如,按照上述方法,通过在信息交互页面上输入游览路线获取请求,在导航路线上显示如图4中(a)所示或如图4中(b)所示的目标游览路线。
其中,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。
智能车路协同系统(Intelligent Vehicle Infrastructure CooperativeSystems,IVICS),简称车路协同系统,是智能交通系统(ITS)的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统。
另外,上述技术方案还可以应用于云技术、大数据、辅助驾驶等各种场景。
采用上述方式,利用显示在三维地形模型上的N个景点标识和M条路线,确定由M条路线形成的各种路线组合,并从各种路线组合中确定对目标对象可见的景点的数量最多的第一路线,使得目标对象按照三维地形模型中显示的第一路线进行游览。换句话说,通过对M条路线所形成的各种路线组合中的每条路线组合所覆盖的景点数量进行对比,自动确定出覆盖景点数量最多的第一路线,避免了观景者的主观判断,提高了所确定路线的准确性。
为了解决上述路线确定过程中出现的准确性较低的问题,本申请实施例中提出了一种路线确定方法,图2是根据本申请实施例的路线确定方法的流程图,该流程包括如下步骤S202~步骤S206。
步骤S202,在三维地形模型中显示N个景点标识和M条路线,其中,三维地形模型用于显示目标区域的三维地形,N个景点标识用于标识目标区域中的N个景点的位置,在目标对象沿M条路线中的每一条路线移动的情况下,对目标对象可见的景点包括N个景点中的至少一个景点,N、M为大于或等于2的正整数。
步骤S204,在M条路线所形成的各种路线组合中确定第一路线组合,其中,在M条路线中的各种路线组合中,在目标对象沿第一路线组合所形成的第一路线移动的情况下,在N个景点中对目标对象可见的景点的数量最多。
步骤S206,在三维地形模型中显示被标记的第一路线。
本申请实施例中的技术方案可以但不限于应用于在村落或较为原始未开发的区域进行观景时的最佳观景路线的选择问题。
假设目标区域为目标景区所在的区域,首先采集该目标景区的地形数据,对采集到的地形数据进行预处理,根据预处理后的数据和建模软件构建如图3所示的三维地形模型,并在识别到的各条交通路线(C1、C2等)的道路上添加景点标识S1、S2和S3等。
根据图3所示的交通路线C1~C4,形成各种路线组合,例如,如图4中(a)所示的C1+C3路线组合、如图4中(b)所示的C1+C2路线组合、C2+C3路线组合等。
计算每条路线组合所覆盖的景点数量,例如,C1+C3路线组合覆盖了S3、S5、S6共计3个景点,C1+C2路线组合覆盖了S1、S2、S3共计3个景点、C2+C3路线组合覆盖了S1、S2、S5、S6共计4个景点,其中,每条路线组合所覆盖的景点可以但不限于是当目标对象处于该路线组合上进行观赏时能够看到的景点区域。
在游览过程中,通常希望制定一条能够观赏最多景点的路线作为最佳观景路线,因此,通过比较上述路线组合所覆盖的景点数量,将C2+C3路线组合确定为第一路线组合,并对该路线组合形成的第一路线进行标记,并将标记后的第一路线显示在如图4中(a)所示的三维地形模型中。
需要说明的是,根据采集到的地形数据确定三维地形模型后,还需要通过如图13所示的路网匹配流程识别出三维地形模型中的有效路线,例如,识别出交通路线C1~C4等。
其中,图13所示的路网匹配方法可以但不限于是基于BP神经网络算法的基础上实现的,BP神经网络的基本思想:学习过程由信号正向传播与误差的反向回传两部分组成;正向传播时,输入样本从输入层传入,经各隐层依次逐层处理,传向输出层,若输出层输出与期望不符,则将误差作为调整信号逐层反向回传,对神经元之间的连接权矩阵做出处理,使误差减小。经过反复学习,最终使误差减小到可接受的范围,具体步骤如S11~S15。
S11,从训练集中取出某一样本,把信息输入网络中。
S12,通过各节点间的连接情况正向逐层处理后,得到神经网络的实际输出。
S13,计算网络实际输出与期望输出的误差。
S14,将误差逐层反向回传至之前各层,并按一定原则将误差信号加载到连接权值上,使整个神经网络的连接权值向误差减小的方向转化。
S15,对训练集中每一个输入-输出样本对重复以上步骤,直到整个训练样本集的误差减小到符合要求为止。
在一个具体的实施例中,假设一局BP神经网络进行路网匹配的过程如图13所示,具体步骤如S1302~S1318。
S1302,初始化权值矩阵。
S1304,计算样本数据5个维度上的相似度特征值。
例如,长度相似度、方向相似度、形状相似度、距离相似度和拓扑相似度等5个维度上的相似度特征值。
S1306,利用上述5个维度上的相似度特征值,对待训练的BP神经网络进行训练。
S1308,判断训练的次数是否大于第一预设阈值,或者判断损失函数的损失值是否小于第二预设阈值e。
在满足上述两个条件中的任意一个条件的情况下,即停止训练,并执行步骤S1310和步骤S1312。
S1310,输出各层间的连接权值。
S1312,输出隐含层和输出层阈值。
S1314,寻找参考弧段的候选匹配弧段集合。
例如,对于如图3所示的三维地形模型中,预先识别出多条候选路线,然后将每条路线划分为至少一条弧段,得到候选匹配弧段集合。
将参考弧段作为满足有效路线的标准弧段,然后执行步骤S1316。
S1316,计算参考弧段与候选弧段的5个相似度特征值。
S1318,输入已训练好的BP神经网络中,根据输出结果确定是否为有效路线。
举例来说,假设从三维地形模型中初步识别到2条路线,其中,第1条路线被划分为3个弧段,第2条路线被划分为2条弧段,那么针对第1条路线中的3个弧段,分别计算每个弧段与参考弧段在上述5个维度上的特征相似度(长度相似度、方向相似度、形状相似度、距离相似度和拓扑相似度),并输入BP神经网络,得到3个弧段与参考弧段之间的3个误差值,在3个误差值均小于上述第二预设阈值的情况下,将第1条路线确定为有效路线,例如,图3所示的C1或者C2等。按照同样的方法,判断第2条路线是否为有效路线。
采用上述方式,利用显示在三维地形模型上的N个景点标识和M条路线,确定由M条路线形成的各种路线组合,并从各种路线组合中确定对目标对象可见的景点的数量最多的第一路线,使得目标对象按照三维地形模型中显示的第一路线进行游览。换句话说,通过对M条路线所形成的各种路线组合中的每条路线组合所覆盖的景点数量进行对比,自动确定出覆盖景点数量最多的第一路线,避免了观景者的主观判断,提高了所确定路线的准确性。
作为一种可选的实现方式,上述在M条路线所形成的各种路线组合中确定第一路线组合,包括:在M条路线中的每条路线上设置有一组采样点的情况下,在三维地形模型中确定每个采样点的三维可视区域,其中,在目标对象位于第i个采样点时,第i个采样点的三维可视区域内的物体对目标对象可见,i为大于或等于1的正整数;在M条路线所形成的各种路线组合包括F种路线组合的情况下,将F种路线组合中的每种路线组合中的每条路线上的各个采样点的三维可视区域进行取并集操作,得到F个三维可视区域,其中,F为大于或等于2的正整数;在F个三维可视区域中的第j个三维可视区域中包括的N个景点中的景点的数量最多的情况下,将F种路线组合中与第j个三维可视区域对应的第j种路线组合确定为第一路线组合,其中,j为大于或等于1、且小于或等于F的正整数。
在确定上述实施例中的第一路线组合之前,首先根据M条路线,确定目标区域内对于目标对象来说可见的区域范围,又可以被理解为三维可视区域。
确定三维可视区域的方式包括:在M条路线中的每条路线上设置一组采样点,例如,如图5所示,在C1路线上设置3个采样点L1、L2和L3。
显然,上述L1、L2和L3中的每个采样点的三维可视区域内的物体对于目标对象来说是可见的,但由于每个采样点所处的位置不同,目标对象能够看到的物体数量及角度也不同,例如,在L1采样点上,目标对象能够看到10棵树的正面、一座小屋的正面;在L2采样点上,目标对象能够看到9棵树(其中一棵树被遮挡)的正面、一座小屋的正面等。
在C2路线上设置2个采样点L4和L5,并得到每个采样点的三维可视区域,那么对L1、L2、L3、L4和L5中的每个采样点的三维可视区域进行取并集操作,得到C1+C2路线组合中的第1条路线上的1个三维可视区域。
按照同样的方法,确定C1+C3路线组合中的第2条路线的第2三维可视区域、C2+C3路线组合中的第3条路线的第3三维可视区域等,假设共得到F=10个三维可视区域。
其中,10个三维可视区域的并集即为目标区域内目标对象的整体可视区域,例如,如图6所示,带有浅色填充区域即为目标对象的整体可视区域。
分别计算10个三维可是区域中的每个三维可视区域中包括的N个景点中的景点的数量,并将包括景点数量最多的路线组合确定为第一路线组合,例如,图4中(b)所示的C1+C2路线组合为第一路线组合。
采用上述方式,通过对所有路线上采样视点的可视域分析计算,取每条线路组合中的每条线路上的各个采样点的三维可视区域的并集作为对应线路组合的三维可视区域,并计算出1条覆盖景点最多的线路组合作为第一路线组合。
作为一种可选的示例,上述方法还包括:获取输入的Q个景点标识,其中,Q个景点标识用于标识N个景点中的Q个景点,Q为大于或等于1、且小于或等于N的正整数;在M条路线所形成的各种路线组合中确定第二路线组合,其中,在M条路线中的各种路线组合中,在目标对象沿第二路线组合所形成的第二路线移动的情况下,对目标对象可见的景点包括Q个景点;在三维地形模型中显示被标记的第二路线。
采用上述方式所确定的第一路线是建立在系统默认的最佳观景路线为覆盖N个景点中的景点数量最多的线路的基础上,但在实际应用场景中,由于受到线路长度、道路行走难度等因素的情况,观景者可能会综合考虑,选择N个景点中的部分景点作为观赏景点,然后按照预设条件,对覆盖该部分景点的至少1条路线进行筛选,得到最佳观景路线。
具体地,假设用户输入指定的景点标识S1和S3,那么在M条路线所形成的的各种路线组合中确定第二路线组合,并将第二路线组合所形成的的第二路线确定为第二路线。
作为一种可选的实现方式,上述在M条路线所形成的各种路线组合中确定第二路线组合,包括:在M条路线中的每条路线上设置有一组采样点的情况下,在三维地形模型中确定每个采样点的三维可视区域,其中,在目标对象位于第i个采样点时,第i个采样点的三维可视区域内的物体对目标对象可见,i为大于或等于1的正整数;在M条路线所形成的各种路线组合包括F种路线组合的情况下,将F种路线组合中的每种路线组合中的每条路线上的各个采样点的三维可视区域进行取并集操作,得到F个三维可视区域,其中,F为大于或等于2的正整数;在F个三维可视区域中的第k个三维可视区域中包括Q个景点的情况下,将F种路线组合中与第k个三维可视区域对应的第k种路线组合确定为第二路线组合,其中,k为大于或等于1、且小于或等于F的正整数。
举例来说,如图4中(a)所示,假设根据C1~C4条路线进行各种组合,得到F=10种路线组合,例如,C1+C3、C1+C2、C2+C3等。
根据10种路线组合中的每种路线组合中的每条线路上的各个采样点,确定每种线路组合的三维可视区域,共计得到10个三维可视区域。从10个三维可视区域中确定包括用户指定的景点S1和S3的三维可视区域,从图4中(a)可以看出,包括景点S1和S3的路线组合包括C1+C2。
又例如,当用户输入的景点标识为S1和S2时,从图4中(a)可以看出,包括景点S1和S2的路线组合有C1+C2、C2+C3、C2+C4共计3种路线组合,那么需要从3种路线组合中确定出第二路线组合。
作为一种可选的实现方式,上述在F个三维可视区域中的第k个三维可视区域中包括Q个景点的情况下,将F种路线组合中与第k个三维可视区域对应的第k种路线组合确定为第二路线组合,包括:在F个三维可视区域中的R个三维可视区域均包括Q个景点的情况下,在R个三维可视区域对应的R种路线组合中确定路线长度最短的路线组合,并将路线长度最短的路线组合确定为第二路线组合,其中,R为大于或等于2、且小于或等于F的正整数,第k种路线组合为路线长度最短的路线组合;或者在F个三维可视区域中的R个三维可视区域均包括Q个景点的情况下,在R个三维可视区域中确定包括的N个景点中的景点的数量最多的三维可视区域,并将F种路线组合中与确定出的三维可视区域对应的路线组合确定为第二路线组合,其中,第k种路线组合为与确定出的三维可视区域对应的路线组合。
举例来说,假设在包括景点S1和S2的路线组合C1+C2、C2+C3、C2+C4中,C2+C4路线组合的路线长度最短,那么将C2+C4路线组合确定为第二路线组合。
又例如,在包括景点S1和S2的路线组合C1+C2、C2+C3、C2+C4中,C2+C3路线组合所对应的三维可视区域中包括的N个景点中的景点的数量最多,那么将C2+C3路线组合确定为第二路线组合。
通过上述方式,可以根据用户需求,选择满足不同需求的第二路线组合,提高了路线确定方法的灵活性。
作为一种可选的示例,在M条路线所形成的各种路线组合中确定第一路线组合之后,上述方法还包括:在第一路线组合所形成的第一路线上设置有S个采样点的情况下,根据S个采样点中的每个采样点的三维可视区域,在S个采样点中确定T个采样点,其中,在目标对象沿第一路线移动的情况下,对目标对象可见的景点包括N个景点中的T个景点,S为大于或等于2的正整数,T为大于或等于1、且小于或等于S的正整数;在三维地形模型中显示被标记的T个采样点,其中,T个采样点中的第r个采样点用于标识目标对象对T个景点中的第r个景点进行拍照的位置,r为大于或等于1、且小于或等于T的正整数。
如图7所示,假设在第一路线组合C1+C2所形成的的第一路线上设置S=4个采样点L1、L2、L3、L4,假设在沿第一路线移动时,观景者希望可见的景点为S1、S2、S3,那么根据S个采样点中的每个采样点的三维可视区域,确定T=3个采样点L1、L2、L3。
具体地,通过以下方式从S个采样点中确定T个采样点,包括:通过以下步骤确定T个采样点中的第r个采样点,其中,第r个采样点与第r个景点:在S个采样点中包括Hr个采样点、Hr个采样点中的每个采样点的三维可视区域包括第r个景点的情况下,生成与Hr个采样点对应的Hr个模拟图片,其中,Hr为大于或等于2的正整数,Hr个模拟图片是模拟在Hr个采样点上对第r个景点进行拍照所得到的模拟图片;在Hr个模拟图片中确定目标模拟图片,并将Hr个采样点中与目标模拟图片对应的采样点确定为第r个采样点。
如图7所示,假设从第一路线上的S个采样点中分别确定目标对象对景点S1、S2、S3进行拍照的位置,即确定3个采样点。
那么对于景点S3来说,采样点L1、L2、L3中的每个采样点的三维可视区域包括景点S3,那么将采样点L1、L2、L3作为候选拍摄位置,然后分别生成与采样点L1、L2、L3分别对应的模拟图片Fig1、Fig2和Fig3,从模拟图片Fig1、Fig2和Fig3中确定目标模拟图片,并将目标模拟图片对应的采样点确定为拍摄景点S3的最佳拍摄位置。
按照同样的方法,对于景点S2来说,采样点L2、L3中的每个采样点的三维可视区域包括景点S2,那么将采样点L2、L3作为候选拍摄位置,然后分别生成与采样点L2、L3分别对应的模拟图片Fig5和Fig6,从模拟图片Fig5和Fig6中确定目标模拟图片,并将目标模拟图片对应的采样点确定为拍摄景点S2的最佳拍摄位置。对于景点S1的最佳拍摄位置,可以参考上述实施例中的描述,此处不再赘述。
作为一种可选的示例,上述生成与Hr个采样点对应的Hr个模拟图片,包括:获取第r个景点所在位置的天气信息;根据天气信息和Hr个采样点所在的三维位置坐标,生成与Hr个采样点对应的Hr个模拟图片。
具体利用图8所示的流程图,模拟采样点在当前气象条件的观景效果图像,进行图像质量判断,基于并行卷积神经网络的图像质量评价,得到Hr个采样点对应的Hr个模拟图片。
具体步骤S802~S816,下面针对各个步骤进行解释说明。
S802,对输入数据进行平衡化处理。
对预训练数据集的每个样本进行裁剪和归一化,并对预训练数据集的样本数量进行平衡化处理。同时执行步骤S810所示的对输入数据进行预处理。
在执行步骤S802之前,首先采用并行卷积神经网络建立图像质量测试模型:测试模型包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层和第三全连接层;第五卷积层为包含口个分支的并行结构网络,1≤n≤10。
S804,模型的预训练。
具体是采用预训练数据集,对图像质量测试模型进行预训练学习,得到网络权值;预训练学习的具体方式为:用预训练数据集中每一种类别图像各自训练一个深度CNN网络,并且进行权值学习和提取。网络权值的提取如可参考步骤S806。
S806,网络权值的学习和提取。
具体实现过程如以下子步骤S806-1~S806-3。
S806-1,深度CNN网络权值初始化。
S806-2,对深度CNN网络进行迭代训练。
S806-3,提取每一个深度CNN网络第五卷积层学习得到的卷积核权值。
S808,初始化模型。
S810,对并行模型进行训练。
具体是初始化图像质量测试模型,基于预训练初始化后的图像质量测试模型,进行并行模型训练,得到已训练的图像质量评估模型。
S812,对输入数据进行预处理。
S814,利用已训练好的图像质量评估模型,对输入的Hr个模拟图片进行测试。
具体地,通过以下方式来实现:将Hi个模拟图片输入到目标图片选择模型,通过目标图片选择模型确定Hi个模拟图片对应的Hi个评价参数;根据Hi个评价参数,在Hi个模拟图片中确定目标模拟图片,其中,在Hi个评价参数中,目标模拟图片对应的评价参数最大。
需要说明的是, 对于第r个景点来说,预先在不同位置拍摄了Hi个图片,然后利用AI计算模块,得到携带有第r个景点所在位置的天气信息的Hi个模拟图片,例如,如图9中(a)所示,是从Hr个采样点中的第1个采样点拍摄得到的景点S1的原始图片,通过传感器收集到当前时刻景点S1所处位置的天气为雨天,通过AI计算模块得到增加天气因素后的模拟图片如图9中(b)所示。
又例如,如图10中(a)所示,假设从Hr个采样点中的第2个采样点拍摄得到的景点S1的原始图片,通过传感器收集到当前时刻景点S1所处位置的天气为下雪,通过AI计算模块得到增加天气因素后的模拟图片如图10中(b)所示。
当Hr=3的情况下,共得到景点S1的3个模拟图片,然后将3个模拟图片依次输入图8所示的图像质量评价模型,得到3个模拟图片分别对应的3个权重,并在显示界面上显示3个权重,具体可参考步骤S816。
然后根据显示的3个权重,确定目标模拟图片,例如,将权重值最大的模拟图片确定为目标模拟图片。
按照同样的方法,假设对于景点S2来说,在H2=4个采样点中的每个采样点的三维可视区域包括景点S2的情况下,生成与4个采样点对应的4个模拟图片,然后利用图像质量评价模型,得到与4个模拟图片分别对应的4个权重,并将权重值最大的模拟图片确定为目标模拟图片。依次类推,得到景点S3和景点S4所对应的目标模拟图片。
显然,上述实施例中的权重仅为评价参数的一种示例,并不对其进行限定。
S816,显示图像质量结果。
在确定与每个景点对应的目标模拟图片之后,上述方法还包括:根据目标模拟图片,在三维地形模型中显示被标记的第r个采样点以及第r个采样点所在位置的位置信息和角度信息,其中,位置信息用于标识目标对象对第r个景点进行拍照的位置,角度信息用于标识目标对象在第r个景点观景时的视线角度。
对于每个景点所对应的目标模拟图片来说,均隐含了在拍摄与目标模拟图片对应的原始图片时的拍摄位置(例如,第r个采样点所在的位置)和拍摄角度,根据拍摄角度,确定在第r个采样点观赏每个景点时的最佳观景角度信息。
具体地,如图11所示,假设按照上述方法,依次确定出与景点S1~S4中的每个景点对应的4个目标模拟图片,然后根据4个目标模拟图片中的每个目标模拟图片,确定C+C2的路线组合所形成的的最佳路线上每个景点的最佳观景位置及角度信息。
例如,根据与景点S1对应的第一目标模拟图片,确定采样点1和一组角度信息,例如,如图12所示的方位角a与俯仰角b,其中,当规定正北方向为0°时,方位角的取值范围可以但不限于是沿顺时针方向旋转的0~360°;俯仰角可以但不限于是在假设地平面为参考线0°时,仰视为正、俯视为负。
将采样点1所在位置的经度(x轴方向)、维度(y轴方向)、高程(z轴方向)作为景点S1的观景位置g(x1,y1,z1),将方位角a1和俯仰角b1作为观景角度,得到目标对象在景点S1时的最佳观景位置和最佳观景角度。
例如,如图11所示,目标对象在景点S1时的一组最佳观景位置和最佳观景角度信息g(1)=(x1,y1,z1,a1,b1),按照类似的方法,确定景点S2处的一组最佳观景位置和最佳观景角度g(2)=(x2,y2,z2,a2,b2)、景点S3处的一组最佳观景位置和最佳观景角度g(3)=(x3,y3,z3,a3,b3)、景点S4处的一组最佳观景位置和最佳观景角度g(4)=(x4,y4,z4,a4,b4)等。
同时,在导航路线图上标出C+C2的路线组合所形成的的最佳路线及该路线上各个景点的最佳观景位置和最佳观景角度信息,从而能够使观景者欣赏到每个景点最美的一面,提升了观景者的观景体验和观景质量。
为了更加清晰地理解上述路线确定方法,下面结合图14所示的整体流程题进一步进行描述,具体步骤S1402~S1432。
S1402,地形数据的采集。
在本申请实施例中,对目标区域的地形数据进行的采集的方式为对目标区域进行各个角度的拍摄,并将拍摄到的图片确定为地形数据。
S1404,数据预处理(数据清洗)。
数据清洗包括但不限于是对采集到的地形图片中的无效图片进行筛选,例如,将失真图片、未包含目标区域中的任何物体的图片都去除掉。
S1406,根据预处理后的地形数据,构建三维地形模型。
具体是通过建模软件和预处理后的地形数据,构建三维地形模型,其中,三维地形模型的具体形式可以参考图3。
S1408,在三维地形模型中标注出景点位置和道路。
例如,在图3所示的三维地形模型中标注出景点S1~S6、路线C1~C4,其中,关于路线C1~C4可以但不限于是利用图13所示的BP神经网络进行路网匹配得到的。
S1410,在每条路线上设置一组采样点。
S1412,对采样点基于视点的可视域分析。
例如,在三维地形模型中确定每个采样点的三维可视区域,并且每个采样点的三维可视区域内的物体对目标对象可见。
所谓可视区域,可以但不限于是在栅格数据的表面,对于一个或者多个观察点,基于一定的相对高度,提取给定长度范围和方向范围内所能看到的区域。
S1414,基于每条路线组合所形成的每条路线上视点的可视域分析,计算出每条组合路线的三维可视区域。
举例来说,对于线路组合C1+C2,路线C1上有3个采样点、路线C2上有2个采样点,那么将路线C1上的3个采样点所对应的3个三维可视区域与路线C2上的2个采样点所对应的2个三维可视区域进行取并集操作,得到组合线路C1+C2所对应的一个三维可视区域。按照同样的方法,确定出其他组合路线的三维可视区域。
S1416,判断用户是否输入了指定景点。
如果有,则执行步骤S1420;否则,执行步骤S1432。
S1420,计算出途径指定景点的最佳路线。
例如,假设有10种路线组合,其中,有2条路线组合途径用户指定的景点S1和S3,那么将路线长度最短的路线组合所形成的路线确定为最佳路线;或者将2条路线组合中路径景点数量最多的路线组合所形成的的路线确定为最佳路线。
S1422,模拟观景效果,进行拍照。
其中,主要对增加天气因素后的景点图片进行模拟,得到模拟图片,例如,如图9中(b)所示的对下雨天的景点图片进行模拟得到的模拟图片,或者如图10中(b)所示的对雾霾下的景点图片进行模拟的到的模拟图片。
在结合当前时刻的天气信息,得到模拟图片之前,还需要通过图15所示的硬件数据传输通道,获取每个景点所在位置的天气信息(雨、雪、雾)。
其中,利用硬件数据传输通道所实现的内容主要包括:天气(雨、雪、雾)信息的采集模块,将当前景区的天气信息实时的传送给数据分析服务中心;结合景点和观景采样点可视域分析,通过模拟观景效果,最终分析计算出最佳的观景的位置;整体数据传输,经过国密级算法加密,建立安全可信的数据传输通道。
下面结合图15,对本申请各实施例中的数据传输过程进行描述。
S1502,利用采集到的景区三维建模数据,模拟得到每个景点的观景效果图。
S1504,通过传感器采集当前景区的天气信息。
S1506,获取用户输入的指定景点。
例如,在显示界面上输入的指定景点S1和S3、或者S2和S3等。
将步骤S1502~S1506中的各项数据通过安全加密通道传输至图像存储位置,并通过在实验室中针对根据模拟观景效果图的判断学习,获取模型数据,得到AI学习模型。
S1508,根据上述步骤S1502~S1506中的各项图像数据,进行实时计算。
其中,AI计算服务主要包括:(1)路径的识别:根据长度相似度、方向相似度等5个空间特征的相似度指标,利用BP神经网络误差反向传播对先验知识进行调整的特点,构建基于BP神经网络的路网匹配算法,BP神经网络的训练是对网络各层的连接权值矩阵和阈值自主学习调整的过程;(2)模拟采样点在当前气象条件下的观景效果图像,进行图像质量判断,基于并行卷积神经网络的图像质量评价,具体可以参考上述实施例中对图8的描述,此处不再赘述。
S1510,计算出最佳的观景路线和观景位置及角度。
具体可以参考上述实施例中对图8部分的描述以及确定每个景点的最佳观景位置和最佳观景角度部分的描述,此处不再赘述。
S1424,模拟观景图片分析,评估观景效果。
主要是利用图8所示的流程图,确定三维可视区域包括指定景点的每个采样点对应的每个模拟图片的评价参数,并根据评价参数确定目标模拟图片。
S1426,基于各视点观景效果,综合比较。
利用图像质量评价模型,对每个景点多对应的一组模拟图片进行测试,得到与每个景点分别对应的一个目标模拟图片。
S1428,确定每个景点的最佳观景位置和最佳观景角度。
根据每个目标模拟图片,计算每个目标模拟图片所对应的采样点的三维坐标,确定每个景点的最佳观景位置,同时得到每个观景点的最佳观景角度,其中,观景角度包括但不限于图12所示的方位角和俯仰角。
S1430,可视化展示最佳路线、每个景点的最佳观景位置和最佳观景角度。
如图11所示,在导航线路图上标出最佳路线(C1+C2)、最佳路线上每个景点(S1~S4)的最佳观景位置和角度g(1)=(x1,y1,z1,a1,b1)、g(2)=(x2,y2,z2,a2,b2)等。
S1432,计算出途径景点最多的路径。
在用户输入指定景点的情况下,将途径景点数量最多的一条路线组合所形成的路线确定为最佳路线。
通过上述各实施例中的技术方案,不仅可以快速选择出最佳观景路线,而且还可以通过AI计算确定最佳观景路线上的每个景点的最佳观景位置和观景角度,提高了用户的观景体验,提高了路线确定的效率。
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优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
根据本申请实施例的另一个方面,还提供了如图16所示的一种路线确定装置,该装置包括:第一显示单元1602,用于在三维地形模型中显示N个景点标识和M条路线,其中,三维地形模型用于显示目标区域的三维地形,N个景点标识用于标识目标区域中的N个景点的位置,在目标对象沿M条路线中的每一条路线移动的情况下,对目标对象可见的景点包括N个景点中的至少一个景点,N、M为大于或等于2的正整数;第一处理单元1604,用于在M条路线所形成的各种路线组合中确定第一路线组合,其中,在M条路线中的各种路线组合中,在目标对象沿第一路线组合所形成的第一路线移动的情况下,在N个景点中对目标对象可见的景点的数量最多;第二处理单元1606,用于在三维地形模型中显示被标记的第一路线。
可选地,上述第一处理单元1604,包括:第一处理模块,用于在M条路线中的每条路线上设置有一组采样点的情况下,在三维地形模型中确定每个采样点的三维可视区域,其中,在目标对象位于第i个采样点时,第i个采样点的三维可视区域内的物体对目标对象可见,i为大于或等于1的正整数;第二处理模块,用于在M条路线所形成的各种路线组合包括F种路线组合的情况下,将F种路线组合中的每种路线组合中的每条路线上的各个采样点的三维可视区域进行取并集操作,得到F个三维可视区域,其中,F为大于或等于2的正整数;第三处理模块,用于在F个三维可视区域中的第j个三维可视区域中包括的N个景点中的景点的数量最多的情况下,将F种路线组合中与第j个三维可视区域对应的第j种路线组合确定为第一路线组合,其中,j为大于或等于1、且小于或等于F的正整数。
可选地,上述装置还包括:第一获取单元,用于获取输入的Q个景点标识,其中,Q个景点标识用于标识N个景点中的Q个景点,Q为大于或等于1、且小于或等于N的正整数;第三处理单元,用于在M条路线所形成的各种路线组合中确定第二路线组合,其中,在M条路线中的各种路线组合中,在目标对象沿第二路线组合所形成的第二路线移动的情况下,对目标对象可见的景点包括Q个景点;第二显示单元,用于在三维地形模型中显示被标记的第二路线。
可选地,上述第三处理单元,包括:第四处理模块,用于在M条路线中的每条路线上设置有一组采样点的情况下,在三维地形模型中确定每个采样点的三维可视区域,其中,在目标对象位于第i个采样点时,第i个采样点的三维可视区域内的物体对目标对象可见,i为大于或等于1的正整数;第五处理模块,用于在M条路线所形成的各种路线组合包括F种路线组合的情况下,将F种路线组合中的每种路线组合中的每条路线上的各个采样点的三维可视区域进行取并集操作,得到F个三维可视区域,其中,F为大于或等于2的正整数;第六处理模块,用于在F个三维可视区域中的第k个三维可视区域中包括Q个景点的情况下,将F种路线组合中与第k个三维可视区域对应的第k种路线组合确定为第二路线组合,其中,k为大于或等于1、且小于或等于F的正整数。
可选地,上述第六处理模块,包括:第一处理子模块,用于在F个三维可视区域中的R个三维可视区域均包括Q个景点的情况下,在R个三维可视区域对应的R种路线组合中确定路线长度最短的路线组合,并将路线长度最短的路线组合确定为第二路线组合,其中,R为大于或等于2、且小于或等于F的正整数,第k种路线组合为路线长度最短的路线组合;或者第二处理子模块,用于在F个三维可视区域中的R个三维可视区域均包括Q个景点的情况下,在R个三维可视区域中确定包括的N个景点中的景点的数量最多的三维可视区域,并将F种路线组合中与确定出的三维可视区域对应的路线组合确定为第二路线组合,其中,第k种路线组合为与确定出的三维可视区域对应的路线组合。
可选地,上述方法还包括:第四处理单元,用于在M条路线所形成的各种路线组合中确定第一路线组合之后,在第一路线组合所形成的第一路线上设置有S个采样点的情况下,根据S个采样点中的每个采样点的三维可视区域,在S个采样点中确定T个采样点,其中,在目标对象沿第一路线移动的情况下,对目标对象可见的景点包括N个景点中的T个景点,S为大于或等于2的正整数,T为大于或等于1、且小于或等于S的正整数;第三显示单元,在三维地形模型中显示被标记的T个采样点,其中,T个采样点中的第r个采样点用于标识目标对象对T个景点中的第r个景点进行拍照的位置,r为大于或等于1、且小于或等于T的正整数。
可选地,上述第四处理单元,包括:第七处理模块,用于通过以下步骤确定T个采样点中的第r个采样点,其中,第r个采样点与第r个景点:在S个采样点中包括Hr个采样点、Hr个采样点中的每个采样点的三维可视区域包括第r个景点的情况下,生成与Hr个采样点对应的Hr个模拟图片,其中,Hr为大于或等于2的正整数,Hr个模拟图片是模拟在Hr个采样点上对第r个景点进行拍照所得到的模拟图片;在Hr个模拟图片中确定目标模拟图片,并将Hr个采样点中与目标模拟图片对应的采样点确定为第r个采样点。
可选地,上述第七处理模块,包括:第一获取子模块,用于获取第r个景点所在位置的天气信息;第三处理子模块,用于根据天气信息和Hr个采样点所在的三维位置坐标,生成与Hr个采样点对应的Hr个模拟图片。
可选地,上述第七处理模块,包括:第四处理子模块,用于将Hi个模拟图片输入到目标图片选择模型,通过目标图片选择模型确定Hi个模拟图片对应的Hi个评价参数;第五处理子模块,用于根据Hi个评价参数,在Hi个模拟图片中确定目标模拟图片,其中,在Hi个评价参数中,目标模拟图片对应的评价参数最大。
可选地,上述第七处理模块,还包括:显示子模块,用于根据目标模拟图片,在三维地形模型中显示被标记的第r个采样点以及第r个采样点所在位置的位置信息和角度信息,其中,位置信息用于标识目标对象对第r个景点进行拍照的位置,角度信息用于标识目标对象在第r个景点观景时的视线角度。
通过将上述装置应用于利用显示在三维地形模型上的N个景点标识和M条路线,确定由M条路线形成的各种路线组合,并从各种路线组合中确定对目标对象可见的景点的数量最多的第一路线,使得目标对象按照三维地形模型中显示的第一路线进行游览。换句话说,通过对M条路线所形成的各种路线组合中的每条路线组合所覆盖的景点数量进行对比,自动确定出覆盖景点数量最多的第一路线,避免了观景者的主观判断,提高了所确定路线的准确性。
需要说明的是,这里的路线确定装置的实施例可以参考上述路线确定方法的实施例,这里不再赘述。
根据本申请实施例的又一个方面,还提供了一种用于实施上述路线确定方法的电子设备,该电子设备可以是图17所示的终端设备。本实施例以该电子设备为后台设备为例来说明。如图17所示,该电子设备包括存储器1702和处理器1704,该存储器1702中存储有计算机程序,该处理器1704被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤S1~S3。
S1,在三维地形模型中显示N个景点标识和M条路线,其中,三维地形模型用于显示目标区域的三维地形,N个景点标识用于标识目标区域中的N个景点的位置,在目标对象沿M条路线中的每一条路线移动的情况下,对目标对象可见的景点包括N个景点中的至少一个景点,N、M为大于或等于2的正整数。
S2,在M条路线所形成的各种路线组合中确定第一路线组合,其中,在M条路线中的各种路线组合中,在目标对象沿第一路线组合所形成的第一路线移动的情况下,在N个景点中对目标对象可见的景点的数量最多。
S3,在三维地形模型中显示被标记的第一路线。
可选地,本领域普通技术人员可以理解,图17所示的结构仅为示意,电子装置电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等目标终端。图17其并不对上述电子装置电子设备的结构造成限定。例如,电子装置电子设备还可包括比图17中所示更多或者更少的组件(如网络接口等),或者具有与图17所示不同的配置。
其中,存储器1702可用于存储软件程序以及模块,如本申请实施例中的路线确定方法和装置对应的程序指令/模块,处理器1704通过运行存储在存储器1702内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,即实现上述的路线确定方法或者虚拟对象的显示方法。存储器1702可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1702可进一步包括相对于处理器1704远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器1702具体可以但不限于用于存储N个景点标识、M条路线和第一路线组合等。作为一种示例,如图17所示,上述存储器1702中可以但不限于包括上述路线确定装置中的第一显示单元1602、第一处理单元1604和第二处理单元1606。此外,还可以包括但不限于上述路线确定装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置1706用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1706包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1706为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子设备还包括:显示器1708,用于显示上述目标声音的方位提示信息;和连接总线1710,用于连接上述电子设备中的各个模块部件。
在其他实施例中,上述目标终端或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
根据本申请的又一个方面,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服务器校验处理等方面各种可选实现方式中提供的路线确定方法,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序。
S1,在三维地形模型中显示N个景点标识和M条路线,其中,三维地形模型用于显示目标区域的三维地形,N个景点标识用于标识目标区域中的N个景点的位置,在目标对象沿M条路线中的每一条路线移动的情况下,对目标对象可见的景点包括N个景点中的至少一个景点,N、M为大于或等于2的正整数。
S2,在M条路线所形成的各种路线组合中确定第一路线组合,其中,在M条路线中的各种路线组合中,在目标对象沿第一路线组合所形成的第一路线移动的情况下,在N个景点中对目标对象可见的景点的数量最多。
S3,在三维地形模型中显示被标记的第一路线。
可选地,在本实施例中,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是可以通过程序来指令目标终端相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元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,可以存储在上述计算机可读取的存储介质中。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全部或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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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,在本申请各个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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (15)
1.一种路线确定方法,其特征在于,包括:
在三维地形模型中显示N个景点标识和M条路线,其中,所述三维地形模型用于显示目标区域的三维地形,所述N个景点标识用于标识所述目标区域中的N个景点的位置,在目标对象沿所述M条路线中的每一条路线移动的情况下,对所述目标对象可见的景点包括所述N个景点中的至少一个景点,N、M为大于或等于2的正整数;
在所述M条路线所形成的各种路线组合中确定第一路线组合,其中,在所述M条路线中的各种路线组合中,在所述目标对象沿所述第一路线组合所形成的第一路线移动的情况下,在所述N个景点中对所述目标对象可见的景点的数量最多;
在所述三维地形模型中显示被标记的所述第一路线。
2.根据权利要求1所述的方法,其特征在于,所述在所述M条路线所形成的各种路线组合中确定第一路线组合,包括:
在所述M条路线中的每条路线上设置有一组采样点的情况下,在所述三维地形模型中确定每个采样点的三维可视区域,其中,在所述目标对象位于第i个采样点时,所述第i个采样点的三维可视区域内的物体对所述目标对象可见,i为大于或等于1的正整数;
在所述M条路线所形成的各种路线组合包括F种路线组合的情况下,将所述F种路线组合中的每种路线组合中的每条路线上的各个采样点的三维可视区域进行取并集操作,得到F个三维可视区域,其中,F为大于或等于2的正整数;
在所述F个三维可视区域中的第j个三维可视区域中包括的所述N个景点中的景点的数量最多的情况下,将所述F种路线组合中与所述第j个三维可视区域对应的第j种路线组合确定为所述第一路线组合,其中,j为大于或等于1、且小于或等于F的正整数。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取输入的Q个景点标识,其中,所述Q个景点标识用于标识所述N个景点中的Q个景点,Q为大于或等于1、且小于或等于N的正整数;
在所述M条路线所形成的各种路线组合中确定第二路线组合,其中,在所述M条路线中的各种路线组合中,在所述目标对象沿所述第二路线组合所形成的第二路线移动的情况下,对所述目标对象可见的景点包括所述Q个景点;
在所述三维地形模型中显示被标记的所述第二路线。
4.根据权利要求3所述的方法,其特征在于,所述在所述M条路线所形成的各种路线组合中确定第二路线组合,包括:
在所述M条路线中的每条路线上设置有一组采样点的情况下,在所述三维地形模型中确定每个采样点的三维可视区域,其中,在所述目标对象位于第i个采样点时,所述第i个采样点的三维可视区域内的物体对所述目标对象可见,i为大于或等于1的正整数;
在所述M条路线所形成的各种路线组合包括F种路线组合的情况下,将所述F种路线组合中的每种路线组合中的每条路线上的各个采样点的三维可视区域进行取并集操作,得到F个三维可视区域,其中,F为大于或等于2的正整数;
在所述F个三维可视区域中的第k个三维可视区域中包括所述Q个景点的情况下,将所述F种路线组合中与所述第k个三维可视区域对应的第k种路线组合确定为所述第二路线组合,其中,k为大于或等于1、且小于或等于F的正整数。
5.根据权利要求4所述的方法,其特征在于,所述在所述F个三维可视区域中的第k个三维可视区域中包括所述Q个景点的情况下,将所述F种路线组合中与所述第k个三维可视区域对应的第k种路线组合确定为所述第二路线组合,包括:
在所述F个三维可视区域中的R个三维可视区域均包括所述Q个景点的情况下,在R个三维可视区域对应的R种路线组合中确定路线长度最短的路线组合,并将所述路线长度最短的路线组合确定为所述第二路线组合,其中,R为大于或等于2、且小于或等于F的正整数,所述第k种路线组合为所述路线长度最短的路线组合;或者
在所述F个三维可视区域中的R个三维可视区域均包括所述Q个景点的情况下,在所述R个三维可视区域中确定包括的所述N个景点中的景点的数量最多的三维可视区域,并将所述F种路线组合中与确定出的三维可视区域对应的路线组合确定为所述第二路线组合,其中,所述第k种路线组合为与确定出的三维可视区域对应的路线组合。
6.根据权利要求1所述的方法,其特征在于,所述在所述M条路线所形成的各种路线组合中确定第一路线组合之后,所述方法还包括:
在所述第一路线组合所形成的所述第一路线上设置有S个采样点的情况下,根据所述S个采样点中的每个采样点的三维可视区域,在所述S个采样点中确定T个采样点,其中,在所述目标对象沿所述第一路线移动的情况下,对所述目标对象可见的景点包括所述N个景点中的T个景点,S为大于或等于2的正整数,T为大于或等于1、且小于或等于S的正整数;
在所述三维地形模型中显示被标记的所述T个采样点,其中,所述T个采样点中的第r个采样点用于标识所述目标对象对所述T个景点中的第r个景点进行拍照的位置,r为大于或等于1、且小于或等于T的正整数。
7.根据权利要求6所述的方法,其特征在于,所述根据所述S个采样点中的每个采样点的三维可视区域,在所述S个采样点中确定T个采样点,包括:
通过以下步骤确定所述T个采样点中的所述第r个采样点,其中,所述第r个采样点与所述第r个景点:
在所述S个采样点中包括Hr个采样点、所述Hr个采样点中的每个采样点的三维可视区域包括所述第r个景点的情况下,生成与所述Hr个采样点对应的Hr个模拟图片,其中,Hr为大于或等于2的正整数,所述Hr个模拟图片是模拟在所述Hr个采样点上对所述第r个景点进行拍照所得到的模拟图片;
在所述Hr个模拟图片中确定目标模拟图片,并将所述Hr个采样点中与所述目标模拟图片对应的采样点确定为所述第r个采样点。
8.根据权利要求7所述的方法,其特征在于,所述生成与所述Hr个采样点对应的Hr个模拟图片,包括:
获取所述第r个景点所在位置的天气信息;
根据所述天气信息和所述Hr个采样点所在的三维位置坐标,生成与所述Hr个采样点对应的Hr个模拟图片。
9.根据权利要求7所述的方法,其特征在于,所述在所述Hi个模拟图片中确定目标模拟图片,包括:
将所述Hi个模拟图片输入到目标图片选择模型,通过所述目标图片选择模型确定所述Hi个模拟图片对应的Hi个评价参数;
根据所述Hi个评价参数,在所述Hi个模拟图片中确定所述目标模拟图片,其中,在所述Hi个评价参数中,所述目标模拟图片对应的评价参数最大。
10.根据权利要求9所述的方法,其特征在于,在所述Hi个模拟图片中确定目标模拟图片之后,所述方法还包括:
根据所述目标模拟图片,在所述三维地形模型中显示被标记的所述第r个采样点以及所述第r个采样点所在位置的位置信息和角度信息,其中,所述位置信息用于标识所述目标对象对所述第r个景点进行拍照的位置,所述角度信息用于标识所述目标对象在所述第r个景点观景时的视线角度。
11.一种路线确定装置,其特征在于,包括:
第一显示单元,用于在三维地形模型中显示N个景点标识和M条路线,其中,所述三维地形模型用于显示目标区域的三维地形,所述N个景点标识用于标识所述目标区域中的N个景点的位置,在目标对象沿所述M条路线中的每一条路线移动的情况下,对所述目标对象可见的景点包括所述N个景点中的至少一个景点,N、M为大于或等于2的正整数;
第一处理单元,用于在所述M条路线所形成的各种路线组合中确定第一路线组合,其中,在所述M条路线中的各种路线组合中,在所述目标对象沿所述第一路线组合所形成的第一路线移动的情况下,在所述N个景点中对所述目标对象可见的景点的数量最多;
第二处理单元,用于在所述三维地形模型中显示被标记的所述第一路线。
12.根据权利要求11所述的装置,其特征在于,所述第一处理单元,包括:
第一处理模块,用于在所述M条路线中的每条路线上设置有一组采样点的情况下,在所述三维地形模型中确定每个采样点的三维可视区域,其中,在所述目标对象位于第i个采样点时,所述第i个采样点的三维可视区域内的物体对所述目标对象可见,i为大于或等于1的正整数;
第二处理模块,用于在所述M条路线所形成的各种路线组合包括F种路线组合的情况下,将所述F种路线组合中的每种路线组合中的每条路线上的各个采样的三维可视区域进行取并集操作,得到F个三维可视区域,其中,F为大于或等于2的正整数;
第三处理模块,用于在所述F个三维可视区域中的第j个三维可视区域中包括的所述N个景点中的景点的数量最多的情况下,将所述F种路线组合中与所述第j个三维可视区域对应的第j种路线组合确定为所述第一路线组合,其中,j为大于或等于1、且小于或等于F的正整数。
13.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序可被终端设备或计算机运行时执行所述权利要求1至10任一项中所述的方法。
14.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至10任一项中所述方法的步骤。
15.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至10任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311297747.3A CN117033817B (zh) | 2023-10-09 | 2023-10-09 | 路线确定方法和装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311297747.3A CN117033817B (zh) | 2023-10-09 | 2023-10-09 | 路线确定方法和装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117033817A true CN117033817A (zh) | 2023-11-10 |
CN117033817B CN117033817B (zh) | 2024-02-09 |
Family
ID=88637572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311297747.3A Active CN117033817B (zh) | 2023-10-09 | 2023-10-09 | 路线确定方法和装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117033817B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5838330A (en) * | 1995-01-23 | 1998-11-17 | Matsushita Electric Industrial Co., Ltd. | Scenery displaying system for displaying a scenery from an arbitrary position |
CN106650983A (zh) * | 2016-09-09 | 2017-05-10 | 中国科学院新疆生态与地理研究所 | 空间多点分解路径规划方法 |
CN108198098A (zh) * | 2018-01-04 | 2018-06-22 | 深圳峰创优爱科技有限公司 | 一种自助旅游方法及移动终端 |
CN108446785A (zh) * | 2018-01-31 | 2018-08-24 | 南京师范大学 | 一种基于地形可视域的最优可视覆盖路径规划方法 |
WO2020098252A1 (zh) * | 2018-11-12 | 2020-05-22 | 平安科技(深圳)有限公司 | 一种路径规划方法、服务器及计算机存储介质 |
CN111504322A (zh) * | 2020-04-21 | 2020-08-07 | 南京师范大学 | 一种基于可视域的景点游览微路线规划方法 |
CN112966175A (zh) * | 2021-01-20 | 2021-06-15 | 安徽师范大学 | 一种旅游路线个性化推荐系统 |
CN113590966A (zh) * | 2021-08-05 | 2021-11-02 | 云南腾云信息产业有限公司 | 一种行驶路线推荐方法、装置及计算机设备 |
CN115907262A (zh) * | 2022-12-28 | 2023-04-04 | 深圳云天励飞技术股份有限公司 | 旅游线路规划方法、装置、电子设备及存储介质 |
-
2023
- 2023-10-09 CN CN202311297747.3A patent/CN117033817B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5838330A (en) * | 1995-01-23 | 1998-11-17 | Matsushita Electric Industrial Co., Ltd. | Scenery displaying system for displaying a scenery from an arbitrary position |
CN106650983A (zh) * | 2016-09-09 | 2017-05-10 | 中国科学院新疆生态与地理研究所 | 空间多点分解路径规划方法 |
CN108198098A (zh) * | 2018-01-04 | 2018-06-22 | 深圳峰创优爱科技有限公司 | 一种自助旅游方法及移动终端 |
CN108446785A (zh) * | 2018-01-31 | 2018-08-24 | 南京师范大学 | 一种基于地形可视域的最优可视覆盖路径规划方法 |
WO2020098252A1 (zh) * | 2018-11-12 | 2020-05-22 | 平安科技(深圳)有限公司 | 一种路径规划方法、服务器及计算机存储介质 |
CN111504322A (zh) * | 2020-04-21 | 2020-08-07 | 南京师范大学 | 一种基于可视域的景点游览微路线规划方法 |
CN112966175A (zh) * | 2021-01-20 | 2021-06-15 | 安徽师范大学 | 一种旅游路线个性化推荐系统 |
CN113590966A (zh) * | 2021-08-05 | 2021-11-02 | 云南腾云信息产业有限公司 | 一种行驶路线推荐方法、装置及计算机设备 |
CN115907262A (zh) * | 2022-12-28 | 2023-04-04 | 深圳云天励飞技术股份有限公司 | 旅游线路规划方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117033817B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Akbari et al. | Applications, databases and open computer vision research from drone videos and images: a survey | |
CN108401461B (zh) | 三维建图方法、装置、系统、云端平台、电子设备和计算机程序产品 | |
CN106682592B (zh) | 一种基于神经网络方法的图像自动识别系统及方法 | |
CN107133325B (zh) | 一种基于街景地图的互联网照片地理空间定位方法 | |
CN111127538B (zh) | 一种基于卷积循环编码-解码结构的多视影像三维重建方法 | |
CN114637026A (zh) | 一种基于三维仿真技术实现输电线路在线监测与智能巡检的方法 | |
CN106447585A (zh) | 城市地区和室内高精度视觉定位系统及方法 | |
CN106909886B (zh) | 一种基于深度学习的高精度交通标志检测方法及系统 | |
US20200035030A1 (en) | Augmented/virtual mapping system | |
CN107895378A (zh) | 目标检测方法和装置、存储介质、电子设备 | |
CN109033245A (zh) | 一种移动机器人视觉-雷达图像跨模态检索方法 | |
CN111599007B (zh) | 一种基于无人机航拍的智慧城市cim道路贴图方法 | |
CN108447042A (zh) | 城市景观影像数据的融合方法及系统 | |
CN114972646A (zh) | 一种实景三维模型独立地物的提取与修饰方法及系统 | |
Nedevschi | Semantic segmentation learning for autonomous uavs using simulators and real data | |
Galvin | Crime Scene Documentation: Preserving the Evidence and the Growing Role of 3D Laser Scanning | |
Szántó et al. | Introducing CrowdMapping: a novel system for generating autonomous driving aiding traffic network databases | |
Spicer et al. | Producing usable simulation terrain data from UAS-collected imagery | |
CN117033817B (zh) | 路线确定方法和装置、存储介质及电子设备 | |
Romano et al. | Drone testing for 3D reconstruction of massive mounted skeletons in museums: the case of Mammuthus meridionalis (Nesti 1825) from Madonna della Strada (Scoppito, L’Aquila, Italy) | |
McAlinden et al. | Procedural reconstruction of simulation terrain using drones | |
CN115690610A (zh) | 一种基于图像匹配的无人机导航方法 | |
Nedevschi | A Critical Evaluation of Aerial Datasets for Semantic Segmentation | |
CN114119757A (zh) | 图像处理方法、装置、设备、介质和计算机程序产品 | |
CN114299230A (zh) | 一种数据生成方法、装置、电子设备及存储介质 |
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 |