CN117710558A - 建筑纹理模型生成方法、装置、计算机设备及存储介质 - Google Patents
建筑纹理模型生成方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117710558A CN117710558A CN202211074269.5A CN202211074269A CN117710558A CN 117710558 A CN117710558 A CN 117710558A CN 202211074269 A CN202211074269 A CN 202211074269A CN 117710558 A CN117710558 A CN 117710558A
- Authority
- CN
- China
- Prior art keywords
- building
- data
- top surface
- texture
- analyzed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 78
- 238000012549 training Methods 0.000 claims description 55
- 230000001131 transforming effect Effects 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 21
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006854 communication Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012015 optical character recognition Methods 0.000 description 3
- 230000007175 bidirectional communication Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本申请提供一种建筑纹理模型生成方法、装置、计算机设备及存储介质,方法包括:获取待分析建筑的卫星数据和街景数据;根据所述卫星数据确定所述待分析建筑的顶面纹理数据;根据所述街景数据确定所述待分析建筑的多个侧面纹理数据;根据所述顶面纹理数据和所述多个侧面纹理数据,确定所述待分析建筑的建筑纹理模型。采用本方法,可降低建筑全视角纹理数据获取的成本。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种建筑纹理模型生成方法、装置、计算机设备及存储介质。
背景技术
实景三维关系着智慧交通、智能房管、管线规划、环保监测等诸多民生领域,对提高人民生活水平大有助益。推进大规模实景三维重建,尤其是城市、省甚至国家级别的三维模型重建,需要基于大视野的卫星数据三维重建。现有技术通过尽可能多角度的卫星影像去获取侧面纹理,受限于当前商用卫星的分辨率(0.3-0.5m/pixel)和有限视角,成本高,时效差。由于卫星成像距离过远,低楼层侧面纹理缺失严重,无法完全获取建筑多个视角的清晰纹理,卫星三维重建结果的缺失纹理信息,无法重建实景三维Mesh。
发明内容
基于此,有必要针对上述技术问题,提供一种建筑纹理模型生成方法、装置、计算机设备及存储介质,可降低建筑全视角纹理数据获取的成本。
第一方面,本申请提供一种建筑纹理模型生成方法,包括:
获取待分析建筑的卫星数据和街景数据;
根据所述卫星数据确定所述待分析建筑的顶面纹理数据;
根据所述街景数据确定所述待分析建筑的多个侧面纹理数据;
根据所述顶面纹理数据和所述多个侧面纹理数据,确定所述待分析建筑的建筑纹理模型。
在本申请一些实施例中,所述根据所述卫星数据确定所述待分析建筑的顶面纹理数据,包括:
对所述卫星数据进行检测,确定所述待分析建筑的顶面矩形框和所述顶面矩形框围成的顶面图片;
根据所述顶面图片确定所述待分析建筑的四个顶面顶点;
对所述四个顶面顶点围成的图形进行变换,得到所述待分析建筑的所述顶面纹理数据。
在本申请一些实施例中,所述根据所述顶面图片确定所述待分析建筑的四个顶面顶点,包括:
根据所述卫星数据确定所述顶面图片内,各像素点的LAB像素值,并提取各像素点的L纹理信息;
根据所述各像素点的L纹理信息计算Harris算法子,得到建筑顶面角点;
根据所述建筑顶面角点和所述顶面矩形框的顶点的欧拉距离,确定所述待分析建筑的四个顶面顶点。
在本申请一些实施例中,所述对所述四个顶面顶点围成的图形进行变换,得到所述待分析建筑的所述顶面纹理数据,包括:
根据所述四个顶面顶点之间的距离,确定所述待分析建筑的顶面第一长度和顶面第二长度;
根据所述四个顶面顶点、所述顶面第一长度以及所述顶面第二长度,确定用于对所述顶面顶点进行变换的顶面仿射变换矩阵;
基于所述顶面仿射变换矩阵对所述顶面顶点围成的图片形进行变换,得到所述待分析建筑的所述顶面纹理数据。
在本申请一些实施例中,所述根据所述卫星数据确定所述待分析建筑的顶面纹理数据之前,包括:
获取顶面模型训练集、侧面模型训练集以及预设的初始检测模型,所述顶面模型训练集包括样本建筑的卫星数据和顶面纹理数据,所述侧面模型训练集包括样本建筑的街景星数据和侧面纹理数据;
根据所述顶面模型训练集训练所述初始检测模型,得到顶面检测模型;
根据所述侧面模型训练集训练所述初始检测模型,得到侧面检测模型;
所述根据所述卫星数据,确定所述待分析建筑的顶面纹理数据,包括:
将所述卫星数据输入所述顶面检测模型,得到所述待分析建筑的顶面纹理数据;
所述根据所述街景数据,确定所述待分析建筑的多个侧面纹理数据,包括:
将所述街景数据输入所述侧面检测模型,得到所述待分析建筑的多个侧面纹理数据。
在本申请一些实施例中,所述获取待分析建筑的卫星数据和街景数据,包括:
获取卫星建筑数据和街景建筑数据,所述卫星建筑数据和街景建筑数据均包含定位信息;
根据所述定位信息确定所述待分析建筑;
根据所述卫星建筑数据确定所述待分析建筑的卫星数据;
根据所述街景建筑数据确定所述待分析建筑的街景数据。
在本申请一些实施例中,所述根据所述顶面纹理数据和所述多个侧面纹理数据,确定所述待分析建筑的建筑纹理模型,包括:
根据所述定位信息确定所述顶面纹理数据的边缘与所述多个侧面纹理数据的顶边的对应关系;
根据所述对应关系,将所述多个侧面纹理数据的顶边缩放至与所述顶面纹理数据的对应的边缘重合,得到所述待分析建筑的建筑纹理模型。
第二方面,本申请提供一种建筑纹理模型生成装置,包括:
数据获取模块,用于获取待分析建筑的卫星数据和街景数据;
纹理分析模块,与所述数据获取模块通讯连接,用于根据所述卫星数据确定所述待分析建筑的顶面纹理数据;根据所述街景数据确定所述待分析建筑的多个侧面纹理数据;
模型生成模块,与所述纹理分析模块通讯连接,用于根据所述顶面纹理数据和所述多个侧面纹理数据,确定所述待分析建筑的建筑纹理模型。
在一些实施例中,纹理分析模块还用于对所述卫星数据进行检测,确定所述待分析建筑的顶面矩形框和所述顶面矩形框围成的顶面图片;根据所述顶面图片确定所述待分析建筑的四个顶面顶点;对所述四个顶面顶点围成的图形进行变换,得到所述待分析建筑的所述顶面纹理数据。
在一些实施例中,纹理分析模块还用于根据所述卫星数据确定所述顶面图片内,各像素点的LAB像素值,并提取各像素点的L纹理信息;根据所述各像素点的L纹理信息计算Harris算法子,得到建筑顶面角点;根据所述建筑顶面角点和所述顶面矩形框的顶点的欧拉距离,确定所述待分析建筑的四个顶面顶点。
在一些实施例中,纹理分析模块还用于根据所述四个顶面顶点之间的距离,确定所述待分析建筑的顶面第一长度和顶面第二长度;根据所述四个顶面顶点、所述顶面第一长度以及所述顶面第二长度,确定用于对所述顶面顶点进行变换的顶面仿射变换矩阵;基于所述顶面仿射变换矩阵对所述顶面顶点围成的图片形进行变换,得到所述待分析建筑的所述顶面纹理数据。
在一些实施例中,纹理分析模块还用于获取顶面模型训练集、侧面模型训练集以及预设的初始检测模型,所述顶面模型训练集包括样本建筑的卫星数据和顶面纹理数据,所述侧面模型训练集包括样本建筑的街景星数据和侧面纹理数据;根据所述顶面模型训练集训练所述初始检测模型,得到顶面检测模型;根据所述侧面模型训练集训练所述初始检测模型,得到侧面检测模型;将所述卫星数据输入所述顶面检测模型,得到所述待分析建筑的顶面纹理数据;将所述街景数据输入所述侧面检测模型,得到所述待分析建筑的多个侧面纹理数据。
在一些实施例中,数据获取模块还用于获取卫星建筑数据和街景建筑数据,所述卫星建筑数据和街景建筑数据均包含定位信息;根据所述定位信息确定所述待分析建筑;根据所述卫星建筑数据确定所述待分析建筑的卫星数据;根据所述街景建筑数据确定所述待分析建筑的街景数据。
在一些实施例中,模型生成模块还用于根据所述定位信息确定所述顶面纹理数据的边缘与所述多个侧面纹理数据的顶边的对应关系;根据所述对应关系,将所述多个侧面纹理数据的顶边缩放至与所述顶面纹理数据的对应的边缘重合,得到所述待分析建筑的建筑纹理模型。
第三方面,本申请还提供一种服务器,服务器包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中一个或多个应用程序被存储于存储器中,并配置为由处理器执行以实现的建筑纹理模型生成方法。
第四方面,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器进行加载,以执行的建筑纹理模型生成方法中的步骤。
上述建筑纹理模型生成方法、装置、计算机设备及存储介质,基于卫星数据确定待分析建筑的顶面纹理数据,基于街景数据确定待分析建筑的多个侧面纹理数据,两者结合得到全视角的建筑纹理模型,降低建筑全视角纹理数据获取的成本,提升建筑全视角纹理数据提取的生产效率。
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是本申请实施例中建筑纹理模型生成方法的场景示意图;
图2是本申请一实施例中建筑纹理模型生成方法的流程示意图;
图3是本申请另一实施例中建筑纹理模型生成方法的流程示意图;
图4是本申请实施例中顶面纹理数据A和侧面纹理数据B拼接示意图;
图5是本申请实施例中建筑纹理模型生成装置的结构示意图;
图6是本申请实施例中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做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。
在本申请的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
在本申请实施例中,建筑纹理模型生成方法主要涉及人工智能(ArtificialIntelligence,AI)中的计算机视觉技术(Computer Vision,CV)。其中,人工智能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。
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、跟踪和测量等机器视觉,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、光学字符识别(OpticalCharacter Recognition,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。
在本申请实施例中,需要说明的是,本申请提供的建筑纹理模型生成方法由于是在计算机设备中执行,各计算机设备的处理对象均以数据或信息的形式存在,例如时间,实质为时间信息,可以理解的是,后续实施例中若提及尺寸、数量、位置等,均为对应的数据存在,以便计算机设备进行处理,具体此处不作赘述。
在本申请实施例中,还需说明的是,本申请实施例提供的建筑纹理模型生成方法,可以应用于如图1所示的建筑纹理模型生成系统中。其中,该建筑纹理模型生成系统包括终端100和服务器200,终端100可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端100具体可以是台式终端或移动终端,终端100具体还可以是手机、平板电脑、笔记本电脑等中的一种,又或是安装于监控现场用于信息采集、存储、传输的摄像头。服务器200可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案一种应用场景,并不构成对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的计算机设备,例如图1中仅示出1个服务器200,可以理解的,该建筑纹理模型生成系统还可以包括一个或多个其他服务器,具体此处不作限定。另外,如图1所示,该建筑纹理模型生成系统还可以包括存储器,用于存储数据,如存储卫星数据和街景数据。
还需说明的是,图1所示建筑纹理模型生成系统的场景示意图仅仅是一个示例,本发明实施例描述的建筑纹理模型生成系统以及场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着建筑纹理模型生成系统的演变和新业务场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
参阅图2,本申请实施例提供了一种建筑纹理模型生成方法,主要以该方法应用于上述图1中的服务器200来举例说明,该方法包括步骤S201~S204,具体如下:
S201,获取待分析建筑的卫星数据和街景数据。
具体地,服务器200直接或间接通过其它终端接收卫星返回的数据,从中获取待分析建筑的卫星数据,由于卫星拍摄角度的原因,卫星数据包含的大多是各个建筑顶面的信息,包括建筑顶面图片、建筑顶面大小、分布位置以及纹理信息等。此外,通过各街拍设备采集各个建筑不同侧面的数据,从中获取待分析建筑的街景数据,街景数据包括建筑各个侧面图片、侧面大小、分布位置以及纹理信息等。
具体地,服务器200执行建筑纹理模型生成任务之前,用户可通过终端100向服务器200发送任务请求,任务请求携带需要进行分析的卫星数据和街景数据。服务器200在接收到任务请求之后,即可按照建筑纹理模型生成方法,对卫星数据和街景数据像进行检测分析。
在一个实施例中,本步骤之前包括:S301,获取卫星建筑数据和街景建筑数据,所述卫星建筑数据和街景建筑数据均包含定位信息;S302,根据所述定位信息确定所述待分析建筑;S303,根据所述卫星建筑数据确定所述待分析建筑的卫星数据;S304,根据所述街景建筑数据确定所述待分析建筑的街景数据。
具体地,上述实施例中的卫星数据和街景数据都是同一个待分析建筑的数据,服务器200首先获取的是包含若干建筑信息的卫星建筑数据和街景建筑数据,而卫星建筑数据和街景建筑数据均包含定位信息,因此基于定位信息确定属于同一建筑的卫星数据和街景数据,即能够确定每个待分析建筑的卫星数据和街景数据。
需要说明的是,可以在对待分析建筑的顶面和侧面的纹理分析之前,基于定位信息确定属于同一建筑的卫星数据和街景数据。也可以首先直接基于卫星建筑数据和街景建筑数据分析各个建筑的顶面纹理数据和侧面纹理数据,然后基于定位信息将属于同一建筑的顶面纹理数据和侧面纹理数据结合在一起得到各个建筑的建筑纹理模型。
S202,根据所述卫星数据确定所述待分析建筑的顶面纹理数据。
具体地,由于卫星拍摄角度的原因,卫星数据包含的大多是各个建筑顶面的信息,仅包含少量的侧面的信息,因此根据卫星数据确定待分析建筑的顶面纹理数据。其中,可以通过深度学习分析待分析建筑的顶面纹理数据,同时可以通过定位信息中的高度变化等识别出非顶面的数据,以得到准确的顶面纹理数据。
在一个实施例中,本步骤包括:S401,对所述卫星数据进行检测,确定所述待分析建筑的顶面矩形框和所述顶面矩形框围成的顶面图片;S402,根据所述顶面图片确定所述待分析建筑的四个顶面顶点;S403,对所述四个顶面顶点围成的图形进行变换,得到所述待分析建筑的所述顶面纹理数据。
具体地,首先对卫星数据进行检测,确定待分析建筑的顶面矩形框。例如,选用特征提取能力优秀的efficientnet作为主干网络,使用类似centernet的anchor free目标检测模型确定待分析建筑的顶面矩形框。对于每一栋待分析建筑分析得到对应的一个顶面矩形框,顶面矩形框为包含卫星数据中建筑顶面轮廓的矩形。
需要说明的是,对卫星数据进行检测可能得到多个顶面矩形候选框,但顶面矩形候选框都是包含卫星数据中建筑顶面轮廓的矩形,也就是说多个顶面矩形候选框是相互重叠的,因此可以通过NMS(Non-maximum suppression,非极大值抑制)进行筛选,NMS是one-stage和two-stage目标检测任务中常用的一种后处理方法,用来过滤无效重叠的顶面矩形候选框。NMS对所有的顶面矩形候选框进行循环过滤。首先对这些顶面矩形候选框按照概率降序排列,选中概率最大的框作为候选框,对于剩下的框,依次与候选框求IOU,如果IOU大于某个阈值(超参),则将这些框丢弃(置0),并标记保留最大概率框。以此类推,得到最终的顶面矩形候选框作为顶面矩形框。其中超参可以根据算法训练的精度进行灵活设置。
确定待分析建筑的顶面矩形框后,从卫星数据中截取该顶面矩形框围成的顶面图片,通过顶面图片内各像素点的像素值的变化确定待分析建筑的四个顶面顶点,由于得到的四个顶面顶点围成的图片可能不是规则矩形,因此对四个顶面顶点围成的图形进行变换,得到待分析建筑的顶面纹理数据。
需要说明的是,本实施例应用于外表面为规则矩形的待分析建筑,因此最终得到的待分析建筑的各个端面均为规则矩形,对于外表面为不规则矩形的待分析建筑,同样是基于不规则矩形的待分析建筑的卫星建筑数据和街景建筑数据将其各个端面转化为规则矩形,例如,如果某待分析建筑的外表面为梯形,基于本实施例的步骤对该待分析建筑的卫星建筑数据和街景建筑数据进行分析,最后得到的该待分析建筑的端面为规则矩形而不是梯形。
在一个实施例中,步骤S402,根据所述顶面矩形框围成的图片确定所述待分析建筑的四个顶面顶点,包括:S501,根据所述卫星数据确定所述顶面图片内,各像素点的LAB像素值,并提取各像素点的L纹理信息;S502,根据所述各像素点的L纹理信息计算Harris算法子,得到建筑顶面角点;S503,根据所述建筑顶面角点和所述顶面矩形框的顶点的欧拉距离,确定所述待分析建筑的四个顶面顶点。
具体地,顶面图片中包含有卫星数据中的建筑顶面的图片,但由于顶面矩形框为包含卫星数据中建筑顶面轮廓的矩形,因此顶面图片中可能包含非待分析建筑顶面信息的区域。而待分析建筑的顶面顶点处像素点的灰阶值突变,而LAB色彩空间下L纹理信息表示各个像素点的灰阶信息,因此根据卫星数据确定顶面图片内各像素点的LAB像素值,并提取各像素点的L纹理信息。其中,可以首先计算各像素点的RGB像素值,然后将其转化LAB像素值。
角点就是极值点,即在某方面属性特别突出的点,例如两条线的交叉处,或是位于相邻的两个主要方向不同的事物上的点。本实施例中的建筑顶面角点即为L纹理信息与相邻的像素点的LAB像素值差别较大的像素点。因此根据各像素点的L纹理信息计算Harris算法子得到建筑顶面角点,其中建筑顶面角点只是L纹理信息与相邻的像素点差别较大的像素点,确定的建筑顶面角点可能是待分析建筑的顶面顶点、顶面边缘的点,也可能是内部的点。因此,分别计算顶面矩形框的四个顶点到各个建筑顶面角点的欧拉距离,确定距离顶面矩形框的四个顶点最近的四个建筑顶面角点为待分析建筑的四个顶面顶点。
在一个实施例中,步骤S403,对所述四个顶面顶点围成的图形进行变换,得到所述待分析建筑的所述顶面纹理数据,包括:S601,根据所述四个顶面顶点之间的距离,确定所述待分析建筑的顶面第一长度和顶面第二长度;S602,根据所述四个顶面顶点、所述顶面第一长度以及所述顶面第二长度,确定用于对所述顶面顶点进行变换的顶面仿射变换矩阵;S603,基于所述顶面仿射变换矩阵对所述顶面顶点围成的图片形进行变换,得到所述待分析建筑的所述顶面纹理数据。
具体地,由于卫星数据中拍摄的图片的角度、检测分析得到的顶面图片存在的偏差等因素,四个顶面顶点围成的图片可能不是规则矩形,因此对四个顶面顶点围成的图形进行变换。
其中,首先确定待分析建筑顶面的两侧边延伸方向,可以确定顶面矩形框两侧边延伸方向为待分析建筑顶面的两侧边延伸方向,也可以根据卫星数据中的定位信息确定待分析建筑顶面的两侧边延伸方向。然后根据四个顶面顶点之间在待分析建筑顶面的两侧边延伸方向的距离,分别以在待分析建筑顶面的两侧边延伸方向上的最大距离为待分析建筑的顶面第一长度和顶面第二长度,顶面第一长度和顶面第二长度分别为待分析建筑顶面的两侧边的长度。
根据四个顶面顶点、顶面第一长度以及顶面第二长度,确定用于对顶面顶点进行变换的顶面仿射变换矩阵,顶面仿射变换矩阵用于将四个顶面顶点变换至顶面第一长度和顶面第二长度组成的矩形的四个顶点处,且四个顶面顶点围成的图片中的纹理信息也对应变换至第一长度和顶面第二长度组成的矩形中。其中,顶面第一长度和顶面第二长度组成的矩形为包括四个顶面顶点的最小矩形轮廓,变换时四个顶面顶点分别对应距离最近的矩形顶点。基于顶面仿射变换矩阵对顶面顶点围成的图片形进行变换,得到待分析建筑的顶面纹理数据。
S203,根据所述街景数据确定所述待分析建筑的多个侧面纹理数据。
具体地,由于街拍设备拍摄角度的原因,街景数据包含的大多是各个建筑侧面的信息,因此根据街景数据确定待分析建筑的多个侧面纹理数据。其中,可以通过深度学习分析待分析建筑的多个侧面纹理数据,此外,可以根据定位信息区分确定不同建筑或者不同建筑的侧面。
进一步的,根据所述街景数据确定所述待分析建筑的多个侧面纹理数据,包括,对街景数据进行检测,确定待分析建筑的侧面矩形框和侧面矩形框围成的侧面图片;根据侧面图片确定待分析建筑的四个侧面顶点;对四个侧面顶点围成的图形进行变换,得到待分析建筑的侧面纹理数据。
进一步地,根据侧面图片确定待分析建筑的四个侧面顶点,包括:根据卫星数据确定侧面图片内,各像素点的LAB像素值,并提取各像素点的L纹理信息;根据各像素点的L纹理信息计算Harris算法子,得到建筑侧面角点;根据建筑侧面角点和侧面矩形框的顶点的欧拉距离,确定待分析建筑的四个侧面顶点。
进一步地,对四个侧面顶点围成的图形进行变换,得到待分析建筑的侧面纹理数据,包括:根据四个侧面顶点之间的距离,确定待分析建筑的侧面第一长度和侧面第二长度;根据四个侧面顶点、侧面第一长度以及侧面第二长度,确定用于对侧面顶点进行变换的侧面仿射变换矩阵;基于侧面仿射变换矩阵对侧面顶点围成的图片形进行变换,得到待分析建筑的侧面纹理数据。
需要说明的是,上述根据所述街景数据确定所述待分析建筑的多个侧面纹理数据,与上述实施例中描述的根据卫星数据确定待分析建筑的顶面纹理数据的过程相同,因此不再进行一一赘述。
在一个实施例中,步骤S202,根据所述卫星数据确定所述待分析建筑的顶面纹理数据之前,包括:S701,获取顶面模型训练集、侧面模型训练集以及预设的初始检测模型,所述顶面模型训练集包括样本建筑的卫星数据和顶面纹理数据,所述侧面模型训练集包括样本建筑的街景星数据和侧面纹理数据;S702,根据所述顶面模型训练集训练所述初始检测模型,得到顶面检测模型;S703,根据所述侧面模型训练集训练所述初始检测模型,得到侧面检测模型;S704,将所述卫星数据输入所述顶面检测模型,得到所述待分析建筑的顶面纹理数据;S705,将所述街景数据输入所述侧面检测模型,得到所述待分析建筑的多个侧面纹理数据。
具体地,可以通过深度学习神经网络检测分析待分析建筑的顶面纹理数据和多个侧面纹理数据,而根据卫星数据确定待分析建筑的顶面纹理数据和根据街景数据确定待分析建筑的多个侧面纹理数据,其分析过程相同,仅仅是数据处理的对象不同,因此可以选取同一初始检测模型,分别通过不同的训练集对初始检测模型进行训练,进而得到分别用于分析顶面纹理数据和侧面纹理数据的检测模型。
其中,初始检测模型包括目标检测模块、角点检测模块以及仿射变换模块。目标检测模块用于对数据进行检测确定待分析建筑的待分析面的矩形框和矩形框围成的图片,角点检测模块用于根据矩形框围成的图片确定待分析面的四个顶点;仿射变换模块用于对四个顶点围成的图形进行变换,得到待分析面的纹理数据。此外,目标检测模块、角点检测模块以及仿射变换模块的具体实施方式与上述实施例相同,本实施例不再进行一一赘述。
其中,如图3所示,获取顶面模型训练集,顶面模型训练集包括样本建筑的卫星数据和顶面纹理数据,通过顶面模型训练集对初始检测模型进行训练得到顶面检测模型。得到的顶面检测模型包括顶面目标检测模块、顶面角点检测模块以及顶面仿射变换模块,其实施方式与上述的初始检测模型的流程相同,区别在于顶面检测模型的待分析面限定为待分析建筑的顶面。
获取侧面模型训练集,侧面模型训练集包括样本建筑的街景星数据和侧面纹理数据,通过侧面模型训练集对初始检测模型进行训练得到侧面检测模型。得到的侧面检测模型包括侧面目标检测模块、侧面角点检测模块以及侧面仿射变换模块,其实施方式与上述的初始检测模型的流程相同,区别在于顶面检测模型的待分析面限定为待分析建筑的侧面。
其中,在训练顶面检测模型和侧面检测模型的过程中,可以通过Random Crop(随机裁剪)、Dropblock块擦除、Mosaic马赛克等正则化方法进行数据增强,扩大样本数量,提高模型对目标建模能力。同时在训练过程中采用多尺度训练,减少模型过拟合风险。
此外,对于训练得到的顶面检测模型和侧面检测模型,如果基于顶面检测模型检测分析得到待分析建筑的顶面纹理数据,基于侧面检测模型检测分析得到待分析建筑的侧面纹理数据,则可以根据得到的顶面纹理数据和卫星数据再次对顶面检测模型进行训练更新,根据得到的侧面纹理数据和街景数据再次对侧面检测模型进行训练更新。需要说明的是,对于分析得到的顶面纹理数据和侧面纹理数据,可以通过审核之后确定顶面纹理数据和侧面纹理数据正确之后将其分别存储至顶面纹理库和侧面纹理库,然后通过顶面纹理库和侧面纹理库中的数据再对训练得到的顶面检测模型和侧面检测模型重新进行训练,以提高顶面检测模型和侧面检测模型的分析准确率。
S204,根据所述顶面纹理数据和所述多个侧面纹理数据,确定所述待分析建筑的建筑纹理模型。
具体地,如果之前基于定位信息确定属于同一建筑的卫星数据和街景数据,则直接将分析得到的顶面纹理数据和多个侧面纹理数据贴合拼接在一起,得到待分析建筑的建筑纹理模型。建筑纹理模型为包含待分析建筑外表面特征的三维模型,建筑纹理模型中顶面与各个侧面相贴合形成一个整体,且建筑纹理模型中顶面与各个侧面均包含待分析建筑外表面的纹理信息。
如果之前没有基于定位信息筛选卫星数据和街景数据,则基于定位信息确定属于同一的建筑的顶面纹理数据和多个侧面纹理数据,然后将其贴合拼接在一起,得到待分析建筑的建筑纹理模型。
在一个实施例中,本步骤包括:S801,根据所述定位信息确定所述顶面纹理数据的边缘与所述多个侧面纹理数据的顶边的对应关系;S802,根据所述对应关系,将所述多个侧面纹理数据的顶边缩放至与所述顶面纹理数据的对应的边缘重合,得到所述待分析建筑的建筑纹理模型。
具体地,根据定位信息确定顶面纹理数据的边缘与多个侧面纹理数据的顶边的对应关系,即确定各个侧面纹理数据相对于顶面纹理数据的位置关系。根据对应关系确定侧面纹理数据贴合的顶面纹理数据的边缘,然后基于顶面纹理数据的边缘的尺寸,将侧面纹理数据缩放至与顶面纹理数据的对应的边缘重合,得到待分析建筑的建筑纹理模型。如图4所示,顶面纹理数据A包含四个边缘A1、A2、A3以及A4,侧面纹理数据B包含四个边缘B1、B2、B3以及B4,根据对应关系确定顶面纹理数据A的边缘A3和侧面纹理数据B的边缘B1为待分析建筑的同一边缘,因此需要将边缘A3和边缘B1重合以将顶面纹理数据A和侧面纹理数据B贴合在一起,图4中边缘B1的长度大于边缘A3的长度,因此将边缘B1缩小至边缘A3的大小,侧面纹理数据B整体随边缘B1的缩小而调节,侧面纹理数据B的边缘B4调节后变为B4'。此外,如果边缘B1的长度小于边缘A3的长度,则放大侧面纹理数据B。需要说明的是,图4中的顶面纹理数据A和侧面纹理数据B用于说明两者边缘尺寸匹配适应,其中的纹理信息和空间位置关系(顶面纹理数据A和侧面纹理数据B实际并不在同一平面上)并没有示出。
需要说明的是,在待分析建筑的高度方向上,各个侧面纹理数据可能长度不一,为了使得最终得到的建筑纹理模型的纹理信息清晰,以其中最短的侧面纹理数据为标准,其它的侧面纹理数据最小或裁剪至同样尺寸。
本实施例中基于卫星数据确定待分析建筑的顶面纹理数据,基于街景数据确定待分析建筑的多个侧面纹理数据,两者结合得到全视角的建筑纹理模型,降低建筑全视角纹理数据获取的成本,提升建筑全视角纹理数据提取的生产效率,增强建筑全视角纹理提取算法的鲁棒性。
为了更好实施本申请实施例中的建筑纹理模型生成方法,在建筑纹理模型生成方法基础之上,本申请实施例中还提供一种建筑纹理模型生成装置,如图5所示,建筑纹理模型生成装置900包括:
数据获取模块910,用于获取待分析建筑的卫星数据和街景数据;
纹理分析模块920,与所述数据获取模块910通讯连接,用于根据所述卫星数据确定所述待分析建筑的顶面纹理数据;根据所述街景数据确定所述待分析建筑的多个侧面纹理数据;
模型生成模块930,与所述纹理分析模块920通讯连接,用于根据所述顶面纹理数据和所述多个侧面纹理数据,确定所述待分析建筑的建筑纹理模型。
在一些实施例中,纹理分析模块920还用于对所述卫星数据进行检测,确定所述待分析建筑的顶面矩形框和所述顶面矩形框围成的顶面图片;根据所述顶面图片确定所述待分析建筑的四个顶面顶点;对所述四个顶面顶点围成的图形进行变换,得到所述待分析建筑的所述顶面纹理数据。
在一些实施例中,纹理分析模块920还用于根据所述卫星数据确定所述顶面图片内,各像素点的LAB像素值,并提取各像素点的L纹理信息;根据所述各像素点的L纹理信息计算Harris算法子,得到建筑顶面角点;根据所述建筑顶面角点和所述顶面矩形框的顶点的欧拉距离,确定所述待分析建筑的四个顶面顶点。
在一些实施例中,纹理分析模块920还用于根据所述四个顶面顶点之间的距离,确定所述待分析建筑的顶面第一长度和顶面第二长度;根据所述四个顶面顶点、所述顶面第一长度以及所述顶面第二长度,确定用于对所述顶面顶点进行变换的顶面仿射变换矩阵;基于所述顶面仿射变换矩阵对所述顶面顶点围成的图片形进行变换,得到所述待分析建筑的所述顶面纹理数据。
在一些实施例中,纹理分析模块920还用于获取顶面模型训练集、侧面模型训练集以及预设的初始检测模型,所述顶面模型训练集包括样本建筑的卫星数据和顶面纹理数据,所述侧面模型训练集包括样本建筑的街景星数据和侧面纹理数据;根据所述顶面模型训练集训练所述初始检测模型,得到顶面检测模型;根据所述侧面模型训练集训练所述初始检测模型,得到侧面检测模型;将所述卫星数据输入所述顶面检测模型,得到所述待分析建筑的顶面纹理数据;将所述街景数据输入所述侧面检测模型,得到所述待分析建筑的多个侧面纹理数据。
在一些实施例中,数据获取模块910还用于获取卫星建筑数据和街景建筑数据,所述卫星建筑数据和街景建筑数据均包含定位信息;根据所述定位信息确定所述待分析建筑;根据所述卫星建筑数据确定所述待分析建筑的卫星数据;根据所述街景建筑数据确定所述待分析建筑的街景数据。
在一些实施例中,模型生成模块930还用于根据所述定位信息确定所述顶面纹理数据的边缘与所述多个侧面纹理数据的顶边的对应关系;
根据所述对应关系,将所述多个侧面纹理数据的顶边缩放至与所述顶面纹理数据的对应的边缘重合,得到所述待分析建筑的建筑纹理模型。
在上述实施例中,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。
在本申请一些实施例中,建筑纹理模型生成装置900可以实现为一种计算机程序的形式,计算机程序可在如图6所示的计算机设备上运行。计算机设备的存储器中可存储组成该建筑纹理模型生成装置900的各个程序模块,比如,图5所示的数据获取模块910、纹理分析模块920以及模型生成模块930。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的建筑纹理模型生成方法中的步骤。
例如,图6所示的计算机设备可以通过如图5所示的建筑纹理模型生成装置900中的数据获取模块910执行步骤S201。计算机设备可通过纹理分析模块920执行步骤S202和步骤S203。计算机设备可通过模型生成模块930执行步骤S204。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种建筑纹理模型生成方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请一些实施例中,提供了一种计算机设备,包括一个或多个处理器;存储器;以及一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行上述建筑纹理模型生成方法的步骤。此处建筑纹理模型生成方法的步骤可以是上述各个实施例的建筑纹理模型生成方法中的步骤。
在本申请一些实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器进行加载,使得处理器执行上述建筑纹理模型生成方法的步骤。此处建筑纹理模型生成方法的步骤可以是上述各个实施例的建筑纹理模型生成方法中的步骤。
本邻域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上对本申请实施例所提供的一种建筑纹理模型生成方法、装置、计算机设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种建筑纹理模型生成方法,其特征在于,包括:
获取待分析建筑的卫星数据和街景数据;
根据所述卫星数据确定所述待分析建筑的顶面纹理数据;
根据所述街景数据确定所述待分析建筑的多个侧面纹理数据;
根据所述顶面纹理数据和所述多个侧面纹理数据,确定所述待分析建筑的建筑纹理模型。
2.如权利要求1所述的建筑纹理模型生成方法,其特征在于,所述根据所述卫星数据确定所述待分析建筑的顶面纹理数据,包括:
对所述卫星数据进行检测,确定所述待分析建筑的顶面矩形框和所述顶面矩形框围成的顶面图片;
根据所述顶面图片确定所述待分析建筑的四个顶面顶点;
对所述四个顶面顶点围成的图形进行变换,得到所述待分析建筑的所述顶面纹理数据。
3.如权利要求2所述的建筑纹理模型生成方法,其特征在于,所述根据所述顶面图片确定所述待分析建筑的四个顶面顶点,包括:
根据所述卫星数据确定所述顶面图片内,各像素点的LAB像素值,并提取各像素点的L纹理信息;
根据所述各像素点的L纹理信息计算Harris算法子,得到建筑顶面角点;
根据所述建筑顶面角点和所述顶面矩形框的顶点的欧拉距离,确定所述待分析建筑的四个顶面顶点。
4.如权利要求2所述的建筑纹理模型生成方法,其特征在于,所述对所述四个顶面顶点围成的图形进行变换,得到所述待分析建筑的所述顶面纹理数据,包括:
根据所述四个顶面顶点之间的距离,确定所述待分析建筑的顶面第一长度和顶面第二长度;
根据所述四个顶面顶点、所述顶面第一长度以及所述顶面第二长度,确定用于对所述顶面顶点进行变换的顶面仿射变换矩阵;
基于所述顶面仿射变换矩阵对所述顶面顶点围成的图片形进行变换,得到所述待分析建筑的所述顶面纹理数据。
5.如权利要求1至4任意一项所述的建筑纹理模型生成方法,其特征在于,所述根据所述卫星数据确定所述待分析建筑的顶面纹理数据之前,包括:
获取顶面模型训练集、侧面模型训练集以及预设的初始检测模型,所述顶面模型训练集包括样本建筑的卫星数据和顶面纹理数据,所述侧面模型训练集包括样本建筑的街景星数据和侧面纹理数据;
根据所述顶面模型训练集训练所述初始检测模型,得到顶面检测模型;
根据所述侧面模型训练集训练所述初始检测模型,得到侧面检测模型;
所述根据所述卫星数据,确定所述待分析建筑的顶面纹理数据,包括:
将所述卫星数据输入所述顶面检测模型,得到所述待分析建筑的顶面纹理数据;
所述根据所述街景数据,确定所述待分析建筑的多个侧面纹理数据,包括:
将所述街景数据输入所述侧面检测模型,得到所述待分析建筑的多个侧面纹理数据。
6.如权利要求1所述的建筑纹理模型生成方法,其特征在于,所述获取待分析建筑的卫星数据和街景数据,包括:
获取卫星建筑数据和街景建筑数据,所述卫星建筑数据和街景建筑数据均包含定位信息;
根据所述定位信息确定所述待分析建筑;
根据所述卫星建筑数据确定所述待分析建筑的卫星数据;
根据所述街景建筑数据确定所述待分析建筑的街景数据。
7.如权利要求6所述的建筑纹理模型生成方法,其特征在于,所述根据所述顶面纹理数据和所述多个侧面纹理数据,确定所述待分析建筑的建筑纹理模型,包括:
根据所述定位信息确定所述顶面纹理数据的边缘与所述多个侧面纹理数据的顶边的对应关系;
根据所述对应关系,将所述多个侧面纹理数据的顶边缩放至与所述顶面纹理数据的对应的边缘重合,得到所述待分析建筑的建筑纹理模型。
8.一种建筑纹理模型生成装置,其特征在于,包括:
数据获取模块,用于获取待分析建筑的卫星数据和街景数据;
纹理分析模块,与所述数据获取模块通讯连接,用于根据所述卫星数据确定所述待分析建筑的顶面纹理数据;根据所述街景数据确定所述待分析建筑的多个侧面纹理数据;
模型生成模块,与所述纹理分析模块通讯连接,用于根据所述顶面纹理数据和所述多个侧面纹理数据,确定所述待分析建筑的建筑纹理模型。
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器;以及一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求1至7中任一项所述的建筑纹理模型生成方法。
10.一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器进行加载,以执行权利要求1至7中任一项所述的建筑纹理模型生成方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074269.5A CN117710558A (zh) | 2022-09-02 | 2022-09-02 | 建筑纹理模型生成方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074269.5A CN117710558A (zh) | 2022-09-02 | 2022-09-02 | 建筑纹理模型生成方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117710558A true CN117710558A (zh) | 2024-03-15 |
Family
ID=90161189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211074269.5A Pending CN117710558A (zh) | 2022-09-02 | 2022-09-02 | 建筑纹理模型生成方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710558A (zh) |
-
2022
- 2022-09-02 CN CN202211074269.5A patent/CN117710558A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348815B (zh) | 图像处理方法、图像处理装置以及非瞬时性存储介质 | |
EP3576017A1 (en) | Method, apparatus, and device for determining pose of object in image, and storage medium | |
CN108895981B (zh) | 一种三维测量方法、装置、服务器和存储介质 | |
CN109683699B (zh) | 基于深度学习实现增强现实的方法、装置及移动终端 | |
US10726599B2 (en) | Realistic augmentation of images and videos with graphics | |
CN111489396A (zh) | 利用临界边缘检测神经网络和几何模型确定相机参数 | |
US10235800B2 (en) | Smoothing 3D models of objects to mitigate artifacts | |
CN110490959B (zh) | 三维图像处理方法及装置、虚拟形象生成方法以及电子设备 | |
CN114511661A (zh) | 图像渲染方法、装置、电子设备及存储介质 | |
CN109766896B (zh) | 一种相似度度量方法、装置、设备和存储介质 | |
CN115439607A (zh) | 一种三维重建方法、装置、电子设备及存储介质 | |
CN113920309A (zh) | 图像检测方法、装置、医学图像处理设备及存储介质 | |
CN117197388A (zh) | 一种基于生成对抗神经网络和倾斜摄影的实景三维虚拟现实场景构建方法及系统 | |
CN114066999A (zh) | 基于三维建模的目标定位系统及方法 | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
CN113379748A (zh) | 一种点云全景分割方法和装置 | |
CN113570649B (zh) | 基于三维模型的重力方向确定方法、装置、计算机设备 | |
CN117710558A (zh) | 建筑纹理模型生成方法、装置、计算机设备及存储介质 | |
CN116048682A (zh) | 一种终端系统界面布局对比方法及电子设备 | |
CN116363656A (zh) | 包含多行文本的图像识别方法、装置及计算机设备 | |
CN113705304A (zh) | 一种图像处理方法、装置、存储介质及计算机设备 | |
CN114648568A (zh) | 对象尺寸识别方法、装置、计算机设备以及存储介质 | |
CN113763468A (zh) | 一种定位方法、装置、系统及存储介质 | |
CN110740256A (zh) | 门铃摄像头协作方法及相关产品 | |
CN112465692A (zh) | 图像处理方法、装置、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 |