CN117274442A - 一种面向自然资源地图的动画生成方法和系统 - Google Patents

一种面向自然资源地图的动画生成方法和系统 Download PDF

Info

Publication number
CN117274442A
CN117274442A CN202311566904.6A CN202311566904A CN117274442A CN 117274442 A CN117274442 A CN 117274442A CN 202311566904 A CN202311566904 A CN 202311566904A CN 117274442 A CN117274442 A CN 117274442A
Authority
CN
China
Prior art keywords
map
natural resource
poi
similarity
training
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
Application number
CN202311566904.6A
Other languages
English (en)
Other versions
CN117274442B (zh
Inventor
郭毅轩
徐兆祥
李建虎
樊康
白飞
王海峰
王新晓
卢盼和
于宇
吴宇
张耀祖
张贺
马超
李彩莲
李吉双
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xinxing Keyao Information Technology Co ltd
Original Assignee
Beijing Xinxing Keyao Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Xinxing Keyao Information Technology Co ltd filed Critical Beijing Xinxing Keyao Information Technology Co ltd
Priority to CN202311566904.6A priority Critical patent/CN117274442B/zh
Publication of CN117274442A publication Critical patent/CN117274442A/zh
Application granted granted Critical
Publication of CN117274442B publication Critical patent/CN117274442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明属于图像处理技术领域，尤其涉及一种面向自然资源地图的动画生成方法和系统，通过获取自然资源地图库中相关自然资源虚拟图像与待生成动画的自然资源地图帧的相似度信息，根据相似度待生成动画的自然资源地图帧缝合模型获得待生成动画的自然资源地图帧规范的关系名称，针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别和关系分类，形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧，拼接构建待生成动画的自然资源地图帧虚拟动画。本发明可以有效处理自然资源地图帧，准确地对自然资源地图帧进行标准化处理，得到便于后续自然资源地图情况分析的处理结果。

Description

一种面向自然资源地图的动画生成方法和系统
技术领域
本发明属于图像处理技术领域，尤其涉及一种面向自然资源地图的动画生成方法和系统。
背景技术
国家自然资源库项目的建设要求遵循高内聚、松耦合的原则，建立综合信息定制产品库统一技术支撑平台，提供综合信息定制产品库应用系统的开发环境和运行支撑环境。自然资源综合信息定制产品库应用系统的建设，要求基于模型库和工作流程，提供方便的开发手段，实现快速的、便捷的构造各业务应用，从而有效地满足基于综合信息定制产品库的各行业的应用需求。
尽管现有的通用可视化动态表达方式多种多样，但是，当前通用可视化动态表达方式只能按照传统数据类型的划分方式，对每一类数据采用多种不同的表达方式；并不能针对自然资源与地理空间信息数据中不同类型数据的数据特点和业务特性，在采用合适的三维表达方式及表达内容来体现各类数据的特点方面存在明显不足。
现有的数据存储组织方式中，各类数据和通用的可视化动态表达方式之间缺少快速有效的信息构建和传递通道，不能满足对数据直接进行高性能可视化动态表达的要求。
发明内容
为了解决当前自然资源地图帧处理效率不高，准确率低的问题，本发明请求保护一种面向自然资源地图的动画生成方法和系统。
根据本发明第一方面，本发明请求保护一种面向自然资源地图的动画生成方法，包括：
获取自然资源地图库中相关自然资源虚拟图像与待生成动画的自然资源地图帧的相似度信息；
分析相似度中的相似度值和相似特征，根据所述与待生成动画的自然资源地图帧的相似度信息和地图POI数据进行待生成动画的自然资源地图帧的动画建模；
针对地图POI数据，对有冲突地图POI拼接的数据数组进行标准化；将包含第一相似度的两个地图POI拼接数据数组，分别通过数组名和标识ID，根据相似度待生成动画的自然资源地图帧缝合模型，进行各数组与处理类和关系的对应；将包含第二相似度的关系数组与两个地图POI拼接数据数组根据关键字段建立映射关系，根据相似度待生成动画的自然资源地图帧缝合模型，进行自动地图POI映射，获得待生成动画的自然资源地图帧规范的关系名称；
针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别；基于地图POI拼接位置特征的递归深度学习关系抽取方法进行地图功能POI拼接间的关系分类；形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧；
根据地图POI拼接关系抽取结果，拼接构建待生成动画的自然资源地图帧虚拟动画。
进一步地，所述分析相似度中的相似度值和相似特征，根据所述与待生成动画的自然资源地图帧的相似度信息和地图POI数据进行待生成动画的自然资源地图帧的动画建模，具体包括：
获取多个地图功能聚类图像，对所述地图功能聚类图像进行地图POI拼接聚类，得到自然资源地图聚类图像集合；
对所述自然资源地图聚类图像集合建立映射关系帧检测预处理，将相似帧进行去噪和数据增强操作，得到自然资源地图训练聚类图像集合；
将所述自然资源地图训练聚类图像集合输入相似度待生成动画的自然资源地图帧缝合模型中进行迭代训练，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型。
进一步地，所述将所述自然资源地图训练聚类图像集合输入相似度待生成动画的自然资源地图帧缝合模型中进行迭代训练，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型，具体包括：
采用聚类相似处理方法，将所述自然资源地图训练聚类图像集合中的每个地图POI分配到不同的对象聚类中，得到自然资源地图训练聚类相似处理地图POI集；
采取主模型mainmodel，将所述自然资源地图训练聚类相似处理地图POI集输入到校验窗以及相似预设分区中，其中，相似预设分区头结构对产生的所述校验窗进行修正，完成校验窗分类以及目标位置检测；
采用生成请求对象检测器，基于Octave递归模块和动态递归获取每个自然资源地图训练聚类相似处理地图POI集的特征，使用三个并行的动态回归边缘框，将不同分支的回归边缘框进行共享并相互利用高级地图POI特征；
采用聚类相似处理方法，将所述自然资源地图训练聚类图像集合中的每个地图POI分配到不同的对象聚类中，得到自然资源地图训练聚类相似处理地图POI集，具体包括：
将256×256大小的自然资源地图训练聚类图像输入第一相似偏移校准，获取第一自然资源地图训练聚类相似处理地图POI集，所述第一自然资源地图训练聚类相似处理地图POI集大小为128×128，包括自然资源地图训练聚类图像的底层自然资源地图动态资源中的流动属性参数；
将所述第一自然资源地图训练聚类相似处理地图POI集输入第二相似偏移校准，获取第二自然资源地图训练聚类相似处理地图POI集，所述第二自然资源地图训练聚类相似处理地图POI集大小为64×64，包括自然资源地图训练聚类图像的自然资源地图中的光线区域的标注突出显示；
将所述第二自然资源地图训练聚类相似处理地图POI集输入第三相似偏移校准和第四相似偏移校准，获取第三自然资源地图训练聚类相似处理地图POI集和第四自然资源地图训练聚类相似处理地图POI集，所述第三自然资源地图训练聚类相似处理地图POI集和第四自然资源地图训练聚类相似处理地图POI集的大小为32×32和16×16，包括自然资源地图训练聚类图像的自然资源地图中的高级地图POI特征目标标注地图POI建立映射关系处理区域；
neck使用空洞卷积，将所述第四相似偏移校准所生成的第四自然资源地图训练聚类相似处理地图POI集进行融合训练后，与所述第三相似偏移校准的第三自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，得到第五自然资源地图训练聚类相似处理地图POI集f5；
将f5进行融合训练，与第二相似偏移校准的第二自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，整合颜色、亮度特征，得到第六自然资源地图训练聚类相似处理地图POI集f6；
将f6进行融合训练，与第一相似偏移校准的第一自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，整合自然资源地图标注地图POI边界信息，得到第七自然资源地图训练聚类相似处理地图POI集f7；
提取所述第七自然资源地图训练聚类相似处理地图POI集的多个校验窗，初始化N个对比框，得到每个对比框与所述校验窗的重叠面积比例；
设置无效地图POI分离预设阈值，若所述重叠面积比例大于所述无效地图POI分离预设阈值，则所述校验窗的区域为有效地图POI，否则为无效地图POI；
将所述校验窗输入到相似预设分区中，并给定一个生成请求Qt，将Qt输入到Octave递归模块得到质量增强生成请求Qt *，将Qt *和所述校验窗作为定位点，在动态递归下修正特征，作为下一相似偏移校准的定位点指导，在相似处理头下生成第一标注地图POI的相似处理区域；
冲突给定生成请求并输入Octave递归模块的步骤，得到第二标注地图POI的相似处理区域和第三标注地图POI的相似处理区域；
对所述第一标注地图POI的相似处理区域、第二标注地图POI的相似处理区域和第三标注地图POI的相似处理区域进行融合，得到自然资源地图标注地图POI聚类相似处理结果；
依据所述自然资源地图标注地图POI聚类相似处理结果对所述相似度待生成动画的自然资源地图帧缝合模型进行偏移校准，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型。
进一步地，所述针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别；基于地图POI拼接位置特征的递归深度学习关系抽取方法进行地图功能POI拼接间的关系分类；形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧，具体包括：
将聚类地图功能POI数据的地图功能POI特征信息进行拼接、处理和特征提取，获取待处理地图功能POI特征信息；
基于所述待处理地图功能POI特征信息中的自然资源场景过渡开始时间和自然资源场景过渡结束时间，计算地图功能POI的自然资源场景开始存续时长并划分存续类别；
采用自然资源地图区域的唯一标识为标识ID，筛选满足多级地图功能POI数组条件的地图功能POI，融合组成上下文动画帧形式的单条地图功能POI数组，再连续筛选组成地图功能POI数组数据集；
对所述地图功能POI数组数据集的特征信息进行赋值。
根据本发明第二方面，本发明请求保护一种面向自然资源地图的动画生成系统，包括：
采集模块，获取自然资源地图库中相关自然资源虚拟图像与待生成动画的自然资源地图帧的相似度信息；
建模模块，分析相似度中的相似度值和相似特征，根据所述与待生成动画的自然资源地图帧的相似度信息和地图POI数据进行待生成动画的自然资源地图帧的动画建模；
范化模块，针对地图POI数据，对有冲突地图POI拼接的数据数组进行标准化；将包含第一相似度的两个地图POI拼接数据数组，分别通过数组名和标识ID，根据相似度待生成动画的自然资源地图帧缝合模型，进行各数组与处理类和关系的对应；将包含第二相似度的关系数组与两个地图POI拼接数据数组根据关键字段建立映射关系，根据相似度待生成动画的自然资源地图帧缝合模型，进行自动地图POI映射，获得待生成动画的自然资源地图帧规范的关系名称；
拼接模块，针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别；基于地图POI拼接位置特征的递归深度学习关系抽取方法进行地图功能POI拼接间的关系分类；形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧；
动画生成模块，根据地图POI拼接关系抽取结果，拼接构建待生成动画的自然资源地图帧虚拟动画。
进一步地，所述分析相似度中的相似度值和相似特征，根据所述与待生成动画的自然资源地图帧的相似度信息和地图POI数据进行待生成动画的自然资源地图帧的动画建模，具体包括：
获取多个地图功能聚类图像，对所述地图功能聚类图像进行地图POI拼接聚类，得到自然资源地图聚类图像集合；
对所述自然资源地图聚类图像集合建立映射关系帧检测预处理，将相似帧进行去噪和数据增强操作，得到自然资源地图训练聚类图像集合；
将所述自然资源地图训练聚类图像集合输入相似度待生成动画的自然资源地图帧缝合模型中进行迭代训练，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型。
进一步地，所述将所述自然资源地图训练聚类图像集合输入相似度待生成动画的自然资源地图帧缝合模型中进行迭代训练，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型，具体包括：
采用聚类相似处理方法，将所述自然资源地图训练聚类图像集合中的每个地图POI分配到不同的对象聚类中，得到自然资源地图训练聚类相似处理地图POI集；
采取主模型mainmodel，将所述自然资源地图训练聚类相似处理地图POI集输入到校验窗以及相似预设分区中，其中，相似预设分区头结构对产生的所述校验窗进行修正，完成校验窗分类以及目标位置检测；
采用生成请求对象检测器，基于Octave递归模块和动态递归获取每个自然资源地图训练聚类相似处理地图POI集的特征，使用三个并行的动态回归边缘框，将不同分支的回归边缘框进行共享并相互利用高级地图POI特征；
采用聚类相似处理方法，将所述自然资源地图训练聚类图像集合中的每个地图POI分配到不同的对象聚类中，得到自然资源地图训练聚类相似处理地图POI集，具体包括：
将256×256大小的自然资源地图训练聚类图像输入第一相似偏移校准，获取第一自然资源地图训练聚类相似处理地图POI集，所述第一自然资源地图训练聚类相似处理地图POI集大小为128×128，包括自然资源地图训练聚类图像的底层自然资源地图动态资源中的流动属性参数；
将所述第一自然资源地图训练聚类相似处理地图POI集输入第二相似偏移校准，获取第二自然资源地图训练聚类相似处理地图POI集，所述第二自然资源地图训练聚类相似处理地图POI集大小为64×64，包括自然资源地图训练聚类图像的自然资源地图中的光线区域的标注突出显示；
将所述第二自然资源地图训练聚类相似处理地图POI集输入第三相似偏移校准和第四相似偏移校准，获取第三自然资源地图训练聚类相似处理地图POI集和第四自然资源地图训练聚类相似处理地图POI集，所述第三自然资源地图训练聚类相似处理地图POI集和第四自然资源地图训练聚类相似处理地图POI集的大小为32×32和16×16，包括自然资源地图训练聚类图像的自然资源地图中的高级地图POI特征目标标注地图POI建立映射关系处理区域；
neck使用空洞卷积，将所述第四相似偏移校准所生成的第四自然资源地图训练聚类相似处理地图POI集进行融合训练后，与所述第三相似偏移校准的第三自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，得到第五自然资源地图训练聚类相似处理地图POI集f5；
将f5进行融合训练，与第二相似偏移校准的第二自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，整合颜色、亮度特征，得到第六自然资源地图训练聚类相似处理地图POI集f6；
将f6进行融合训练，与第一相似偏移校准的第一自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，整合自然资源地图标注地图POI边界信息，得到第七自然资源地图训练聚类相似处理地图POI集f7；
提取所述第七自然资源地图训练聚类相似处理地图POI集的多个校验窗，初始化N个对比框，得到每个对比框与所述校验窗的重叠面积比例；
设置无效地图POI分离预设阈值，若所述重叠面积比例大于所述无效地图POI分离预设阈值，则所述校验窗的区域为有效地图POI，否则为无效地图POI；
将所述校验窗输入到相似预设分区中，并给定一个生成请求Qt，将Qt输入到Octave递归模块得到质量增强生成请求Qt *，将Qt *和所述校验窗作为定位点，在动态递归下修正特征，作为下一相似偏移校准的定位点指导，在相似处理头下生成第一标注地图POI的相似处理区域；
冲突给定生成请求并输入Octave递归模块的步骤，得到第二标注地图POI的相似处理区域和第三标注地图POI的相似处理区域；
对所述第一标注地图POI的相似处理区域、第二标注地图POI的相似处理区域和第三标注地图POI的相似处理区域进行融合，得到自然资源地图标注地图POI聚类相似处理结果；
依据所述自然资源地图标注地图POI聚类相似处理结果对所述相似度待生成动画的自然资源地图帧缝合模型进行偏移校准，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型。
进一步地，所述针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别；基于地图POI拼接位置特征的递归深度学习关系抽取方法进行地图功能POI拼接间的关系分类；形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧，具体包括：
将聚类地图功能POI数据的地图功能POI特征信息进行拼接、处理和特征提取，获取待处理地图功能POI特征信息；
基于所述待处理地图功能POI特征信息中的自然资源场景过渡开始时间和自然资源场景过渡结束时间，计算地图功能POI的自然资源场景开始存续时长并划分存续类别；
采用自然资源地图区域的唯一标识为标识ID，筛选满足多级地图功能POI数组条件的地图功能POI，融合组成上下文动画帧形式的单条地图功能POI数组，再连续筛选组成地图功能POI数组数据集；
对所述地图功能POI数组数据集的特征信息进行赋值。
本发明请求保护一种面向自然资源地图的动画生成方法和系统，通过获取自然资源地图库中相关自然资源虚拟图像与待生成动画的自然资源地图帧的相似度信息，根据与待生成动画的自然资源地图帧的相似度信息和地图POI数据进行待生成动画的自然资源地图帧的动画建模，根据相似度待生成动画的自然资源地图帧缝合模型获得待生成动画的自然资源地图帧规范的关系名称，针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别，进行地图功能POI拼接间的关系分类，形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧，拼接构建待生成动画的自然资源地图帧虚拟动画。本发明可以有效处理自然资源地图帧，准确地对自然资源地图帧进行标准化处理，得到便于后续自然资源地图情况分析的处理结果。
附图说明
图1为本发明所涉及的一种面向自然资源地图的动画生成方法的工作流程图；
图2为本发明所涉及的一种面向自然资源地图的动画生成方法的第二工作流程图；
图3为本发明所涉及的一种面向自然资源地图的动画生成方法的第三工作流程图；
图4为本发明所涉及的一种面向自然资源地图的动画生成系统的结构模块图。
具体实施方式
根据本发明第一实施例，参照附图1，本发明请求保护一种面向自然资源地图的动画生成方法，包括：
获取自然资源地图库中相关自然资源虚拟图像与待生成动画的自然资源地图帧的相似度信息；
分析相似度中的相似度值和相似特征，根据所述与待生成动画的自然资源地图帧的相似度信息和地图POI数据进行待生成动画的自然资源地图帧的动画建模；
针对地图POI数据，对有冲突地图POI拼接的数据数组进行标准化；将包含第一相似度的两个地图POI拼接数据数组，分别通过数组名和标识ID，根据相似度待生成动画的自然资源地图帧缝合模型，进行各数组与处理类和关系的对应；将包含第二相似度的关系数组与两个地图POI拼接数据数组根据关键字段建立映射关系，根据相似度待生成动画的自然资源地图帧缝合模型，进行自动地图POI映射，获得待生成动画的自然资源地图帧规范的关系名称；
针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别；基于地图POI拼接位置特征的递归深度学习关系抽取方法进行地图功能POI拼接间的关系分类；形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧；
根据地图POI拼接关系抽取结果，拼接构建待生成动画的自然资源地图帧虚拟动画。
进一步地，参照附图2，所述分析相似度中的相似度值和相似特征，根据所述与待生成动画的自然资源地图帧的相似度信息和地图POI数据进行待生成动画的自然资源地图帧的动画建模，具体包括：
获取多个地图功能聚类图像，对所述地图功能聚类图像进行地图POI拼接聚类，得到自然资源地图聚类图像集合；
对所述自然资源地图聚类图像集合建立映射关系帧检测预处理，将相似帧进行去噪和数据增强操作，得到自然资源地图训练聚类图像集合；
将所述自然资源地图训练聚类图像集合输入相似度待生成动画的自然资源地图帧缝合模型中进行迭代训练，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型。
进一步地，所述将所述自然资源地图训练聚类图像集合输入相似度待生成动画的自然资源地图帧缝合模型中进行迭代训练，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型，具体包括：
采用聚类相似处理方法，将所述自然资源地图训练聚类图像集合中的每个地图POI分配到不同的对象聚类中，得到自然资源地图训练聚类相似处理地图POI集；
采取主模型mainmodel，将所述自然资源地图训练聚类相似处理地图POI集输入到校验窗以及相似预设分区中，其中，相似预设分区头结构对产生的所述校验窗进行修正，完成校验窗分类以及目标位置检测；
采用生成请求对象检测器，基于Octave递归模块和动态递归获取每个自然资源地图训练聚类相似处理地图POI集的特征，使用三个并行的动态回归边缘框，将不同分支的回归边缘框进行共享并相互利用高级地图POI特征；
采用聚类相似处理方法，将所述自然资源地图训练聚类图像集合中的每个地图POI分配到不同的对象聚类中，得到自然资源地图训练聚类相似处理地图POI集，具体包括：
将256×256大小的自然资源地图训练聚类图像输入第一相似偏移校准，获取第一自然资源地图训练聚类相似处理地图POI集，所述第一自然资源地图训练聚类相似处理地图POI集大小为128×128，包括自然资源地图训练聚类图像的底层自然资源地图动态资源中的流动属性参数；
将所述第一自然资源地图训练聚类相似处理地图POI集输入第二相似偏移校准，获取第二自然资源地图训练聚类相似处理地图POI集，所述第二自然资源地图训练聚类相似处理地图POI集大小为64×64，包括自然资源地图训练聚类图像的自然资源地图中的光线区域的标注突出显示；
将所述第二自然资源地图训练聚类相似处理地图POI集输入第三相似偏移校准和第四相似偏移校准，获取第三自然资源地图训练聚类相似处理地图POI集和第四自然资源地图训练聚类相似处理地图POI集，所述第三自然资源地图训练聚类相似处理地图POI集和第四自然资源地图训练聚类相似处理地图POI集的大小为32×32和16×16，包括自然资源地图训练聚类图像的自然资源地图中的高级地图POI特征目标标注地图POI建立映射关系处理区域；
neck使用空洞卷积，将所述第四相似偏移校准所生成的第四自然资源地图训练聚类相似处理地图POI集进行融合训练后，与所述第三相似偏移校准的第三自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，得到第五自然资源地图训练聚类相似处理地图POI集f5；
将f5进行融合训练，与第二相似偏移校准的第二自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，整合颜色、亮度特征，得到第六自然资源地图训练聚类相似处理地图POI集f6；
将f6进行融合训练，与第一相似偏移校准的第一自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，整合自然资源地图标注地图POI边界信息，得到第七自然资源地图训练聚类相似处理地图POI集f7；
提取所述第七自然资源地图训练聚类相似处理地图POI集的多个校验窗，初始化N个对比框，得到每个对比框与所述校验窗的重叠面积比例；
设置无效地图POI分离预设阈值，若所述重叠面积比例大于所述无效地图POI分离预设阈值，则所述校验窗的区域为有效地图POI，否则为无效地图POI；
将所述校验窗输入到相似预设分区中，并给定一个生成请求Qt，将Qt输入到Octave递归模块得到质量增强生成请求Qt *，将Qt *和所述校验窗作为定位点，在动态递归下修正特征，作为下一相似偏移校准的定位点指导，在相似处理头下生成第一标注地图POI的相似处理区域；
冲突给定生成请求并输入Octave递归模块的步骤，得到第二标注地图POI的相似处理区域和第三标注地图POI的相似处理区域；
对所述第一标注地图POI的相似处理区域、第二标注地图POI的相似处理区域和第三标注地图POI的相似处理区域进行融合，得到自然资源地图标注地图POI聚类相似处理结果；
依据所述自然资源地图标注地图POI聚类相似处理结果对所述相似度待生成动画的自然资源地图帧缝合模型进行偏移校准，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型。
进一步地，参照附图3，所述针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别；基于地图POI拼接位置特征的递归深度学习关系抽取方法进行地图功能POI拼接间的关系分类；形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧，具体包括：
将聚类地图功能POI数据的地图功能POI特征信息进行拼接、处理和特征提取，获取待处理地图功能POI特征信息；
基于所述待处理地图功能POI特征信息中的自然资源场景过渡开始时间和自然资源场景过渡结束时间，计算地图功能POI的自然资源场景开始存续时长并划分存续类别；
采用自然资源地图区域的唯一标识为标识ID，筛选满足多级地图功能POI数组条件的地图功能POI，融合组成上下文动画帧形式的单条地图功能POI数组，再连续筛选组成地图功能POI数组数据集；
对所述地图功能POI数组数据集的特征信息进行赋值。
根据本发明第二实施例，参照附图4，本发明请求保护一种面向自然资源地图的动画生成系统，包括：
采集模块，获取自然资源地图库中相关自然资源虚拟图像与待生成动画的自然资源地图帧的相似度信息；
建模模块，分析相似度中的相似度值和相似特征，根据所述与待生成动画的自然资源地图帧的相似度信息和地图POI数据进行待生成动画的自然资源地图帧的动画建模；
范化模块，针对地图POI数据，对有冲突地图POI拼接的数据数组进行标准化；将包含第一相似度的两个地图POI拼接数据数组，分别通过数组名和标识ID，根据相似度待生成动画的自然资源地图帧缝合模型，进行各数组与处理类和关系的对应；将包含第二相似度的关系数组与两个地图POI拼接数据数组根据关键字段建立映射关系，根据相似度待生成动画的自然资源地图帧缝合模型，进行自动地图POI映射，获得待生成动画的自然资源地图帧规范的关系名称；
拼接模块，针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别；基于地图POI拼接位置特征的递归深度学习关系抽取方法进行地图功能POI拼接间的关系分类；形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧；
动画生成模块，根据地图POI拼接关系抽取结果，拼接构建待生成动画的自然资源地图帧虚拟动画。
进一步地，所述分析相似度中的相似度值和相似特征，根据所述与待生成动画的自然资源地图帧的相似度信息和地图POI数据进行待生成动画的自然资源地图帧的动画建模，具体包括：
获取多个地图功能聚类图像，对所述地图功能聚类图像进行地图POI拼接聚类，得到自然资源地图聚类图像集合；
对所述自然资源地图聚类图像集合建立映射关系帧检测预处理，将相似帧进行去噪和数据增强操作，得到自然资源地图训练聚类图像集合；
将所述自然资源地图训练聚类图像集合输入相似度待生成动画的自然资源地图帧缝合模型中进行迭代训练，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型。
进一步地，所述将所述自然资源地图训练聚类图像集合输入相似度待生成动画的自然资源地图帧缝合模型中进行迭代训练，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型，具体包括：
采用聚类相似处理方法，将所述自然资源地图训练聚类图像集合中的每个地图POI分配到不同的对象聚类中，得到自然资源地图训练聚类相似处理地图POI集；
采取主模型mainmodel，将所述自然资源地图训练聚类相似处理地图POI集输入到校验窗以及相似预设分区中，其中，相似预设分区头结构对产生的所述校验窗进行修正，完成校验窗分类以及目标位置检测；
采用生成请求对象检测器，基于Octave递归模块和动态递归获取每个自然资源地图训练聚类相似处理地图POI集的特征，使用三个并行的动态回归边缘框，将不同分支的回归边缘框进行共享并相互利用高级地图POI特征；
采用聚类相似处理方法，将所述自然资源地图训练聚类图像集合中的每个地图POI分配到不同的对象聚类中，得到自然资源地图训练聚类相似处理地图POI集，具体包括：
将256×256大小的自然资源地图训练聚类图像输入第一相似偏移校准，获取第一自然资源地图训练聚类相似处理地图POI集，所述第一自然资源地图训练聚类相似处理地图POI集大小为128×128，包括自然资源地图训练聚类图像的底层自然资源地图动态资源中的流动属性参数；
将所述第一自然资源地图训练聚类相似处理地图POI集输入第二相似偏移校准，获取第二自然资源地图训练聚类相似处理地图POI集，所述第二自然资源地图训练聚类相似处理地图POI集大小为64×64，包括自然资源地图训练聚类图像的自然资源地图中的光线区域的标注突出显示；
将所述第二自然资源地图训练聚类相似处理地图POI集输入第三相似偏移校准和第四相似偏移校准，获取第三自然资源地图训练聚类相似处理地图POI集和第四自然资源地图训练聚类相似处理地图POI集，所述第三自然资源地图训练聚类相似处理地图POI集和第四自然资源地图训练聚类相似处理地图POI集的大小为32×32和16×16，包括自然资源地图训练聚类图像的自然资源地图中的高级地图POI特征目标标注地图POI建立映射关系处理区域；
neck使用空洞卷积，将所述第四相似偏移校准所生成的第四自然资源地图训练聚类相似处理地图POI集进行融合训练后，与所述第三相似偏移校准的第三自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，得到第五自然资源地图训练聚类相似处理地图POI集f5；
将f5进行融合训练，与第二相似偏移校准的第二自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，整合颜色、亮度特征，得到第六自然资源地图训练聚类相似处理地图POI集f6；
将f6进行融合训练，与第一相似偏移校准的第一自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，整合自然资源地图标注地图POI边界信息，得到第七自然资源地图训练聚类相似处理地图POI集f7；
提取所述第七自然资源地图训练聚类相似处理地图POI集的多个校验窗，初始化N个对比框，得到每个对比框与所述校验窗的重叠面积比例；
设置无效地图POI分离预设阈值，若所述重叠面积比例大于所述无效地图POI分离预设阈值，则所述校验窗的区域为有效地图POI，否则为无效地图POI；
将所述校验窗输入到相似预设分区中，并给定一个生成请求Qt，将Qt输入到Octave递归模块得到质量增强生成请求Qt *，将Qt *和所述校验窗作为定位点，在动态递归下修正特征，作为下一相似偏移校准的定位点指导，在相似处理头下生成第一标注地图POI的相似处理区域；
冲突给定生成请求并输入Octave递归模块的步骤，得到第二标注地图POI的相似处理区域和第三标注地图POI的相似处理区域；
对所述第一标注地图POI的相似处理区域、第二标注地图POI的相似处理区域和第三标注地图POI的相似处理区域进行融合，得到自然资源地图标注地图POI聚类相似处理结果；
依据所述自然资源地图标注地图POI聚类相似处理结果对所述相似度待生成动画的自然资源地图帧缝合模型进行偏移校准，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型。
进一步地，所述针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别；基于地图POI拼接位置特征的递归深度学习关系抽取方法进行地图功能POI拼接间的关系分类；形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧，具体包括：
将聚类地图功能POI数据的地图功能POI特征信息进行拼接、处理和特征提取，获取待处理地图功能POI特征信息；
基于所述待处理地图功能POI特征信息中的自然资源场景过渡开始时间和自然资源场景过渡结束时间，计算地图功能POI的自然资源场景开始存续时长并划分存续类别；
采用自然资源地图区域的唯一标识为标识ID，筛选满足多级地图功能POI数组条件的地图功能POI，融合组成上下文动画帧形式的单条地图功能POI数组，再连续筛选组成地图功能POI数组数据集；
对所述地图功能POI数组数据集的特征信息进行赋值。
本相似度技术人员能够理解，本公开所披露的内容可以出现多种变型和改进。例如，以上所描述的各种设备或组件可以通过硬件实现，也可以通过软件、固件、或者三者中的一些或全部的拼接实现。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是，前面或后面的步骤不一定按照顺序来精确的进行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中。
本相似度普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成，程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义，这里使用的所有术语具有与本公开所属相似度的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
以上是对本公开的说明，而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例，但本相似度技术人员将容易地理解，在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解，上面是对本公开的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本相似度的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.一种面向自然资源地图的动画生成方法，其特征在于，包括：
获取自然资源地图库中相关自然资源虚拟图像与待生成动画的自然资源地图帧的相似度信息；
分析相似度中的相似度值和相似特征，根据所述与待生成动画的自然资源地图帧的相似度信息和地图POI数据进行待生成动画的自然资源地图帧的动画建模；
针对地图POI数据，对有冲突地图POI拼接的数据数组进行标准化；将包含第一相似度的两个地图POI拼接数据数组，分别通过数组名和标识ID，根据相似度待生成动画的自然资源地图帧缝合模型，进行各数组与处理类和关系的对应；将包含第二相似度的关系数组与两个地图POI拼接数据数组根据关键字段建立映射关系，根据相似度待生成动画的自然资源地图帧缝合模型，进行自动地图POI映射，获得待生成动画的自然资源地图帧规范的关系名称；
针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别；基于地图POI拼接位置特征的递归深度学习关系抽取方法进行地图功能POI拼接间的关系分类；形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧；
根据地图POI拼接关系抽取结果，拼接构建待生成动画的自然资源地图帧虚拟动画。
2.如权利要求1所述的一种面向自然资源地图的动画生成方法，其特征在于，包括：
所述分析相似度中的相似度值和相似特征，根据所述与待生成动画的自然资源地图帧的相似度信息和地图POI数据进行待生成动画的自然资源地图帧的动画建模，具体包括：
获取多个地图功能聚类图像，对所述地图功能聚类图像进行地图POI拼接聚类，得到自然资源地图聚类图像集合；
对所述自然资源地图聚类图像集合建立映射关系帧检测预处理，将相似帧进行去噪和数据增强操作，得到自然资源地图训练聚类图像集合；
将所述自然资源地图训练聚类图像集合输入相似度待生成动画的自然资源地图帧缝合模型中进行迭代训练，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型。
3.如权利要求2所述的一种面向自然资源地图的动画生成方法，其特征在于，包括：
所述将所述自然资源地图训练聚类图像集合输入相似度待生成动画的自然资源地图帧缝合模型中进行迭代训练，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型，具体包括：
采用聚类相似处理方法，将所述自然资源地图训练聚类图像集合中的每个地图POI分配到不同的对象聚类中，得到自然资源地图训练聚类相似处理地图POI集；
采取主模型mainmodel，将所述自然资源地图训练聚类相似处理地图POI集输入到校验窗以及相似预设分区中，其中，相似预设分区头结构对产生的所述校验窗进行修正，完成校验窗分类以及目标位置检测；
采用生成请求对象检测器，基于Octave递归模块和动态递归获取每个自然资源地图训练聚类相似处理地图POI集的特征，使用三个并行的动态回归边缘框，将不同分支的回归边缘框进行共享并相互利用高级地图POI特征；
采用聚类相似处理方法，将所述自然资源地图训练聚类图像集合中的每个地图POI分配到不同的对象聚类中，得到自然资源地图训练聚类相似处理地图POI集，具体包括：
将256×256大小的自然资源地图训练聚类图像输入第一相似偏移校准，获取第一自然资源地图训练聚类相似处理地图POI集，所述第一自然资源地图训练聚类相似处理地图POI集大小为128×128，包括自然资源地图训练聚类图像的底层自然资源地图动态资源中的流动属性参数；
将所述第一自然资源地图训练聚类相似处理地图POI集输入第二相似偏移校准，获取第二自然资源地图训练聚类相似处理地图POI集，所述第二自然资源地图训练聚类相似处理地图POI集大小为64×64，包括自然资源地图训练聚类图像的自然资源地图中的光线区域的标注突出显示；
将所述第二自然资源地图训练聚类相似处理地图POI集输入第三相似偏移校准和第四相似偏移校准，获取第三自然资源地图训练聚类相似处理地图POI集和第四自然资源地图训练聚类相似处理地图POI集，所述第三自然资源地图训练聚类相似处理地图POI集和第四自然资源地图训练聚类相似处理地图POI集的大小为32×32和16×16，包括自然资源地图训练聚类图像的自然资源地图中的高级地图POI特征目标标注地图POI建立映射关系处理区域；
neck使用空洞卷积，将所述第四相似偏移校准所生成的第四自然资源地图训练聚类相似处理地图POI集进行融合训练后，与所述第三相似偏移校准的第三自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，得到第五自然资源地图训练聚类相似处理地图POI集f5；
将f5进行融合训练，与第二相似偏移校准的第二自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，整合颜色、亮度特征，得到第六自然资源地图训练聚类相似处理地图POI集f6；
将f6进行融合训练，与第一相似偏移校准的第一自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，整合自然资源地图标注地图POI边界信息，得到第七自然资源地图训练聚类相似处理地图POI集f7；
提取所述第七自然资源地图训练聚类相似处理地图POI集的多个校验窗，初始化N个对比框，得到每个对比框与所述校验窗的重叠面积比例；
设置无效地图POI分离预设阈值，若所述重叠面积比例大于所述无效地图POI分离预设阈值，则所述校验窗的区域为有效地图POI，否则为无效地图POI；
将所述校验窗输入到相似预设分区中，并给定一个生成请求Qt，将Qt输入到Octave递归模块得到质量增强生成请求Qt *，将Qt *和所述校验窗作为定位点，在动态递归下修正特征，作为下一相似偏移校准的定位点指导，在相似处理头下生成第一标注地图POI的相似处理区域；
冲突给定生成请求并输入Octave递归模块的步骤，得到第二标注地图POI的相似处理区域和第三标注地图POI的相似处理区域；
对所述第一标注地图POI的相似处理区域、第二标注地图POI的相似处理区域和第三标注地图POI的相似处理区域进行融合，得到自然资源地图标注地图POI聚类相似处理结果；
依据所述自然资源地图标注地图POI聚类相似处理结果对所述相似度待生成动画的自然资源地图帧缝合模型进行偏移校准，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型。
4.如权利要求2所述的一种面向自然资源地图的动画生成方法，其特征在于，包括：
所述针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别；基于地图POI拼接位置特征的递归深度学习关系抽取方法进行地图功能POI拼接间的关系分类；形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧，具体包括：
将聚类地图功能POI数据的地图功能POI特征信息进行拼接、处理和特征提取，获取待处理地图功能POI特征信息；
基于所述待处理地图功能POI特征信息中的自然资源场景过渡开始时间和自然资源场景过渡结束时间，计算地图功能POI的自然资源场景开始存续时长并划分存续类别；
采用自然资源地图区域的唯一标识为标识ID，筛选满足多级地图功能POI数组条件的地图功能POI，融合组成上下文动画帧形式的单条地图功能POI数组，再连续筛选组成地图功能POI数组数据集；
对所述地图功能POI数组数据集的特征信息进行赋值。
5.一种面向自然资源地图的动画生成系统，其特征在于，包括：
采集模块，获取自然资源地图库中相关自然资源虚拟图像与待生成动画的自然资源地图帧的相似度信息；
建模模块，分析相似度中的相似度值和相似特征，根据所述与待生成动画的自然资源地图帧的相似度信息和地图POI数据进行待生成动画的自然资源地图帧的动画建模；
范化模块，针对地图POI数据，对有冲突地图POI拼接的数据数组进行标准化；将包含第一相似度的两个地图POI拼接数据数组，分别通过数组名和标识ID，根据相似度待生成动画的自然资源地图帧缝合模型，进行各数组与处理类和关系的对应；将包含第二相似度的关系数组与两个地图POI拼接数据数组根据关键字段建立映射关系，根据相似度待生成动画的自然资源地图帧缝合模型，进行自动地图POI映射，获得待生成动画的自然资源地图帧规范的关系名称；
拼接模块，针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别；基于地图POI拼接位置特征的递归深度学习关系抽取方法进行地图功能POI拼接间的关系分类；形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧；
动画生成模块，根据地图POI拼接关系抽取结果，拼接构建待生成动画的自然资源地图帧虚拟动画。
6.如权利要求5所述的一种面向自然资源地图的动画生成系统，其特征在于，包括：
所述分析相似度中的相似度值和相似特征，根据所述与待生成动画的自然资源地图帧的相似度信息和地图POI数据进行待生成动画的自然资源地图帧的动画建模，具体包括：
获取多个地图功能聚类图像，对所述地图功能聚类图像进行地图POI拼接聚类，得到自然资源地图聚类图像集合；
对所述自然资源地图聚类图像集合建立映射关系帧检测预处理，将相似帧进行去噪和数据增强操作，得到自然资源地图训练聚类图像集合；
将所述自然资源地图训练聚类图像集合输入相似度待生成动画的自然资源地图帧缝合模型中进行迭代训练，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型。
7.如权利要求6所述的一种面向自然资源地图的动画生成系统，其特征在于，包括：
所述将所述自然资源地图训练聚类图像集合输入相似度待生成动画的自然资源地图帧缝合模型中进行迭代训练，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型，具体包括：
采用聚类相似处理方法，将所述自然资源地图训练聚类图像集合中的每个地图POI分配到不同的对象聚类中，得到自然资源地图训练聚类相似处理地图POI集；
采取主模型mainmodel，将所述自然资源地图训练聚类相似处理地图POI集输入到校验窗以及相似预设分区中，其中，相似预设分区头结构对产生的所述校验窗进行修正，完成校验窗分类以及目标位置检测；
采用生成请求对象检测器，基于Octave递归模块和动态递归获取每个自然资源地图训练聚类相似处理地图POI集的特征，使用三个并行的动态回归边缘框，将不同分支的回归边缘框进行共享并相互利用高级地图POI特征；
采用聚类相似处理方法，将所述自然资源地图训练聚类图像集合中的每个地图POI分配到不同的对象聚类中，得到自然资源地图训练聚类相似处理地图POI集，具体包括：
将256×256大小的自然资源地图训练聚类图像输入第一相似偏移校准，获取第一自然资源地图训练聚类相似处理地图POI集，所述第一自然资源地图训练聚类相似处理地图POI集大小为128×128，包括自然资源地图训练聚类图像的底层自然资源地图动态资源中的流动属性参数；
将所述第一自然资源地图训练聚类相似处理地图POI集输入第二相似偏移校准，获取第二自然资源地图训练聚类相似处理地图POI集，所述第二自然资源地图训练聚类相似处理地图POI集大小为64×64，包括自然资源地图训练聚类图像的自然资源地图中的光线区域的标注突出显示；
将所述第二自然资源地图训练聚类相似处理地图POI集输入第三相似偏移校准和第四相似偏移校准，获取第三自然资源地图训练聚类相似处理地图POI集和第四自然资源地图训练聚类相似处理地图POI集，所述第三自然资源地图训练聚类相似处理地图POI集和第四自然资源地图训练聚类相似处理地图POI集的大小为32×32和16×16，包括自然资源地图训练聚类图像的自然资源地图中的高级地图POI特征目标标注地图POI建立映射关系处理区域；
neck使用空洞卷积，将所述第四相似偏移校准所生成的第四自然资源地图训练聚类相似处理地图POI集进行融合训练后，与所述第三相似偏移校准的第三自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，得到第五自然资源地图训练聚类相似处理地图POI集f5；
将f5进行融合训练，与第二相似偏移校准的第二自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，整合颜色、亮度特征，得到第六自然资源地图训练聚类相似处理地图POI集f6；
将f6进行融合训练，与第一相似偏移校准的第一自然资源地图训练聚类相似处理地图POI集进行8×8递归标准化后进行元素装配，整合自然资源地图标注地图POI边界信息，得到第七自然资源地图训练聚类相似处理地图POI集f7；
提取所述第七自然资源地图训练聚类相似处理地图POI集的多个校验窗，初始化N个对比框，得到每个对比框与所述校验窗的重叠面积比例；
设置无效地图POI分离预设阈值，若所述重叠面积比例大于所述无效地图POI分离预设阈值，则所述校验窗的区域为有效地图POI，否则为无效地图POI；
将所述校验窗输入到相似预设分区中，并给定一个生成请求Qt，将Qt输入到Octave递归模块得到质量增强生成请求Qt *，将Qt *和所述校验窗作为定位点，在动态递归下修正特征，作为下一相似偏移校准的定位点指导，在相似处理头下生成第一标注地图POI的相似处理区域；
冲突给定生成请求并输入Octave递归模块的步骤，得到第二标注地图POI的相似处理区域和第三标注地图POI的相似处理区域；
对所述第一标注地图POI的相似处理区域、第二标注地图POI的相似处理区域和第三标注地图POI的相似处理区域进行融合，得到自然资源地图标注地图POI聚类相似处理结果；
依据所述自然资源地图标注地图POI聚类相似处理结果对所述相似度待生成动画的自然资源地图帧缝合模型进行偏移校准，得到偏移校准相似度待生成动画的自然资源地图帧缝合模型。
8.如权利要求7所述的一种面向自然资源地图的动画生成系统，其特征在于，包括：
所述针对相似度数据，基于自然资源动态场景的深度学习地图POI拼接识别方法进行地图功能POI拼接识别；基于地图POI拼接位置特征的递归深度学习关系抽取方法进行地图功能POI拼接间的关系分类；形成不同待生成动画的自然资源地图帧地图POI拼接之间的上下文动画帧，具体包括：
将聚类地图功能POI数据的地图功能POI特征信息进行拼接、处理和特征提取，获取待处理地图功能POI特征信息；
基于所述待处理地图功能POI特征信息中的自然资源场景过渡开始时间和自然资源场景过渡结束时间，计算地图功能POI的自然资源场景开始存续时长并划分存续类别；
采用自然资源地图区域的唯一标识为标识ID，筛选满足多级地图功能POI数组条件的地图功能POI，融合组成上下文动画帧形式的单条地图功能POI数组，再连续筛选组成地图功能POI数组数据集；
对所述地图功能POI数组数据集的特征信息进行赋值。
CN202311566904.6A 2023-11-23 2023-11-23 一种面向自然资源地图的动画生成方法和系统 Active CN117274442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311566904.6A CN117274442B (zh) 2023-11-23 2023-11-23 一种面向自然资源地图的动画生成方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311566904.6A CN117274442B (zh) 2023-11-23 2023-11-23 一种面向自然资源地图的动画生成方法和系统

Publications (2)

Publication Number Publication Date
CN117274442A true CN117274442A (zh) 2023-12-22
CN117274442B CN117274442B (zh) 2024-03-08

Family

ID=89208443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311566904.6A Active CN117274442B (zh) 2023-11-23 2023-11-23 一种面向自然资源地图的动画生成方法和系统

Country Status (1)

Country Link
CN (1) CN117274442B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069020A (zh) * 2015-07-14 2015-11-18 国家信息中心 自然资源数据三维可视化方法和系统
WO2016086862A1 (zh) * 2014-12-03 2016-06-09 高德软件有限公司 一种poi数据处理方法和装置
CN105677883A (zh) * 2016-01-14 2016-06-15 网易（杭州）网络有限公司 动画资源的优化方法和装置
WO2021083242A1 (zh) * 2019-10-31 2021-05-06 Oppo广东移动通信有限公司 地图构建方法、定位方法及系统、无线通信终端、计算机可读介质
US20230064454A1 (en) * 2021-08-31 2023-03-02 Satsure Analytics India Private Limited System and method for generating soil moisture data from satellite imagery using deep learning model
CN115937673A (zh) * 2022-11-24 2023-04-07 中国测绘科学研究院 一种基于移动终端照片的地理要素快速变化发现方法
CN116343103A (zh) * 2023-05-31 2023-06-27 江西省自然资源事业发展中心 一种基于三维gis场景与视频融合的自然资源监管方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016086862A1 (zh) * 2014-12-03 2016-06-09 高德软件有限公司 一种poi数据处理方法和装置
CN105069020A (zh) * 2015-07-14 2015-11-18 国家信息中心 自然资源数据三维可视化方法和系统
CN105677883A (zh) * 2016-01-14 2016-06-15 网易（杭州）网络有限公司 动画资源的优化方法和装置
WO2021083242A1 (zh) * 2019-10-31 2021-05-06 Oppo广东移动通信有限公司 地图构建方法、定位方法及系统、无线通信终端、计算机可读介质
US20230064454A1 (en) * 2021-08-31 2023-03-02 Satsure Analytics India Private Limited System and method for generating soil moisture data from satellite imagery using deep learning model
CN115937673A (zh) * 2022-11-24 2023-04-07 中国测绘科学研究院 一种基于移动终端照片的地理要素快速变化发现方法
CN116343103A (zh) * 2023-05-31 2023-06-27 江西省自然资源事业发展中心 一种基于三维gis场景与视频融合的自然资源监管方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NIKOS BOGDOS ET AL.: "A tool for simulation and geo-animation of wildfires with fuel editing and hotspot monitoring capabilities", 《ENVIRONMENTAL MODELLING & SOFTWARE》, vol. 46, 23 April 2013 (2013-04-23), XP028559817, DOI: 10.1016/j.envsoft.2013.03.009 *
官瑞芬;张娜;李樵民;王文龙;闫军;杨阳;: "基于高分卫星影像的自然资源专题图制作", 科技资讯, no. 24 *

Also Published As

Publication number Publication date
CN117274442B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
US10354392B2 (en) Image guided video semantic object segmentation method and apparatus
CN111144493B (zh) 一种自动识别算法指标测试的方法、存储介质及电子终端
CN108062377A (zh) 标签图片集的建立、标签的确定方法、装置、设备及介质
CN110852107A (zh) 一种关系提取方法、装置、及存储介质
CN114730486B (zh) 用于生成用于对象检测的训练数据的方法和系统
CN117611879A (zh) 缺陷检测方法、装置、设备及计算机可读介质
CN112084761A (zh) 一种水利工程信息管理方法及装置
CN113537026B (zh) 建筑平面图中的图元检测方法、装置、设备及介质
CN110532449A (zh) 一种业务文档的处理方法、装置、设备和存储介质
CN112949458B (zh) 目标跟踪分割模型的训练方法和目标跟踪分割方法及装置
Keyvanfar et al. Performance comparison analysis of 3D reconstruction modeling software in construction site visualization and mapping
CN117951009A (zh) 一种测试脚本生成方法、装置、计算设备及存储介质
US10275462B2 (en) Automatic translation of string collections
CN116126740B (zh) 模型在环测试方法、装置、计算机设备及存储介质
CN117274442B (zh) 一种面向自然资源地图的动画生成方法和系统
CN112749293A (zh) 一种图像分类方法、装置及存储介质
CN115631374A (zh) 控件操作方法、控件检测模型的训练方法、装置和设备
CN110413795A (zh) 一种数据驱动的专业知识图谱构建方法
CN113345101B (zh) 三维点云标注方法、装置、设备及存储介质
CN105741271B (zh) 一种深度图像中物体检测方法
CN118132143B (zh) 低代码组件识别模型的训练方法、映射方法及设备
CN114334092B (zh) 医用影像ai模型的管理方法及设备
CN117372510B (zh) 基于计算机视觉模型的地图注记识别方法、终端及介质
CN112232288B (zh) 一种基于深度学习的卫星图目标识别方法及系统
CN117437425B (zh) 语义分割方法、装置、计算机设备及计算机可读存储介质

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