CN117789085A - 地图检测方法、装置、电子设备及存储介质 - Google Patents
地图检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117789085A CN117789085A CN202311817691.XA CN202311817691A CN117789085A CN 117789085 A CN117789085 A CN 117789085A CN 202311817691 A CN202311817691 A CN 202311817691A CN 117789085 A CN117789085 A CN 117789085A
- Authority
- CN
- China
- Prior art keywords
- map
- point set
- fragment
- segment
- matching probability
- 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 45
- 239000012634 fragment Substances 0.000 claims description 149
- 238000000605 extraction Methods 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 52
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种地图检测方法、装置、电子设备及存储介质,涉及智能分析技术领域,具体技术方案包括:识别待检测图像中的地图区域,并获取地图区域中地图轮廓对应的坐标位置信息。然后对坐标位置信息进行特征提取,得到地图轮廓对应的特征信息,再将特征信息输入预先训练好的分类器,得到分类器输出的匹配概率,之后基于匹配概率确定地图是否为正确地图。如此,避免人工审核,提高了对地图的识别效率。
Description
技术领域
本发明涉及智能分析技术领域,特别是涉及地图检测方法、装置、电子设备及存储介质。
背景技术
在互联网中,经常会有用户上传地图,而边境问题是比较敏感的话题,因此需要识别出用户上传的边境线错误的地图。
在对地图的识别过程中,首先需要识别出包含地图的图像,然后人工审核该图像中的地图的边境线是否错误。而人工审核效率较低,导致对边境线错误的地图的识别效率低下。
发明内容
本申请实施例的目的在于提供一种地图检测方法、装置、电子设备及存储介质,以实现识别出用户上传的边境线错误的地图,具体技术方案如下:
第一方面,本申请提供一种地图检测方法,所述方法包括:
识别待检测图像中的地图区域;
获取所述地图区域中地图轮廓对应的坐标位置信息;
对所述坐标位置信息进行特征提取,得到所述地图轮廓对应的特征信息;
将所述特征信息输入预先训练好的分类器,得到所述分类器输出的匹配概率;
基于所述匹配概率确定所述地图是否为正确地图。
在一种可能的实现方式中,所述坐标位置信息为二维点集,所述二维点集包括所述地图轮廓上每个点的坐标位置;
所述对所述坐标位置信息进行特征提取,得到所述地图轮廓对应的特征信息,包括:
对所述二维点集进行特征提取,得到所述地图轮廓对应的整体特征信息;
所述将所述特征信息输入预先训练好的分类器,得到所述分类器输出的匹配概率,包括:
将所述整体特征信息输入所述分类器,得到所述分类器输出的整体匹配概率;
所述基于所述匹配概率确定所述地图是否为正确地图,包括:
若所述整体匹配概率大于等于第一预设概率阈值,则确定所述地图为正确地图;
若所述整体匹配概率小于所述第一预设概率阈值,则确定所述地图为错误地图。
在一种可能的实现方式中,所述坐标位置信息为二维点集,所述二维点集包括所述地图轮廓上每个点的坐标位置;
所述对所述坐标位置信息进行特征提取,得到所述地图轮廓对应的特征信息,包括:
对所述二维点集进行特征提取,得到所述地图轮廓对应的整体特征信息;
将所述二维点集切割为多个片段点集,对每个片段点集进行特征提取,得到每个片段点集对应的片段特征信息,每个片段点集中包括所述二维点集中多个连续的点的坐标位置;
所述将所述特征信息输入预先训练好的分类器,得到所述分类器输出的匹配概率,包括:
分别将所述整体特征信息和每个片段特征信息输入所述分类器,得到所述分类器输出的所述整体特征信息对应的整体匹配概率和每个片段特征信息对应的片段匹配概率;
所述基于所述匹配概率确定所述地图是否为正确地图,包括:
判断所述整体匹配概率是否大于等于第一预设概率阈值;
若否,则确定所述地图为错误地图;
若是,则判断每个片段特征信息对应的片段匹配概率是否大于等于第二概率阈值;
若各片段特征信息对应的片段匹配概率均大于等于所述第二概率阈值,则确定所述地图为正确地图;
若存在至少一个片段特征信息对应的片段匹配概率小于所述第二概率阈值,则确定所述地图为错误地图。
在一种可能的实现方式中,所述坐标位置信息为二维点集,所述二维点集包括所述地图轮廓上每个点的坐标位置;
所述对所述坐标位置信息进行特征提取,得到所述地图轮廓对应的特征信息,包括:
将所述二维点集切割为多个片段点集,对每个片段点集进行特征提取,得到每个片段点集对应的片段特征信息,每个片段点集中包括所述二维点集中多个连续的点的坐标位置;
所述将所述特征信息输入预先训练好的分类器,得到所述分类器输出的匹配概率,包括:
分别将每个片段特征信息输入所述分类器,得到所述分类器输出的每个片段特征信息对应的片段匹配概率;
所述基于所述匹配概率确定所述地图是否为正确地图,包括:
若各片段特征信息对应的片段匹配概率均大于等于第二概率阈值,则确定所述地图为正确地图;
若存在至少一个片段特征信息对应的片段匹配概率小于第二概率阈值,则确定所述地图为错误地图。
在一种可能的实现方式中,所述对每个片段点集进行特征提取,得到每个片段点集对应的片段特征信息,包括:
针对每个片段点集,根据该片段点集包括的点的坐标位置,在空白图像中查找相同坐标位置的点,将查找到的点的像素值设置为预设值,得到目标图像,对所述目标图像进行特征提取,得到该片段点集对应的片段特征信息;或者,
针对每个片段点集,利用特征提取算子对该片段点集进行特征提取,得到该片段点集对应的片段特征信息。
在一种可能的实现方式中,所述获取所述地图区域中地图轮廓对应的坐标位置信息,包括:
将所述地图区域输入实例分割模型,获取所述实例分割模型输出的所述地图区域的二维掩码,所述二维掩码用于区分所述地图区域中的地图部分和非地图部分;将所述地图区域中地图部分和非地图部分的分界线作为所述地图轮廓,得到二维点集,所述二维点集包括所述地图轮廓上每个点的坐标位置;或者,
对所述地图区域进行边缘增强处理,在边缘增强处理后的地图区域中确定面积最大的轮廓,将面积最大的轮廓作为所述地图轮廓,得到所述二维点集。
在一种可能的实现方式中,在所述将所述二维点集切割为多个片段点集之前,所述方法还包括:
分别计算所述二维点集包括的点的数量与第一预设值和/或第二预设值的比值,得到第一数量和第二数量,所述第一预设值用于表示片段点集的数量上限,所述第二预设值用于表示片段点集的数量下限;
所述将所述二维点集切割为多个片段点集,包括:
按照指定区间对所述二维点集进行切割,得到多个片段点集,每个片段点集包括的点的数量处于所述指定区间内;
其中,所述指定区间的上限为所述第一数量,下限为所述第二数量;或者,所述指定区间的上限为所述第一数量,下限为0;或者,所述指定区间的上限为所述二维点集包括的点的数量,下限为所述第二数量。
在一种可能的实现方式中,所述按照指定区间对所述二维点集进行切割,得到多个片段点集,包括:
在所述指定区间内随机选取第三数量,按照所述第三数量对所述二维点集进行切割,得到多个片段点集,所述每个片段点集中包括所述第三数量个点的坐标位置;或者,
在所述指定区间内随机选取一个数量,作为第四数量,按照所述第四数量对所述二维点集包括的部分连续点进行切割,得到第一预设数量个片段点集,所述第一预设数量个片段点集中每个片段点集包括所述第四数量个点的坐标位置;
在所述指定区间内重新随机选取一个数量,作为所述第四数量,返回所述按照所述第四数量对所述二维点集包括的部分连续点进行切割的步骤,直至完成对所述二维点集的切割。
第二方面,本申请提供一种地图检测装置,所述装置包括:
识别模块,用于识别待检测图像中的地图区域;
获取模块,用于获取所述识别模块识别的所述地图区域中地图轮廓对应的坐标位置信息;
提取模块,用于对所述获取模块获取的所述坐标位置信息进行特征提取,得到所述地图轮廓对应的特征信息;
分类模块,用于将所述提取模块提取的所述特征信息输入预先训练好的分类器,得到所述分类器输出的匹配概率;
确定模块,用于基于所述分类模块获得的所述匹配概率确定所述地图是否为正确地图。
在一种可能的实现方式中,所述坐标位置信息为二维点集,所述二维点集包括所述地图轮廓上每个点的坐标位置;
所述提取模块,具体用于:
对所述二维点集进行特征提取,得到所述地图轮廓对应的整体特征信息;
所述分类模块,具体用于:
将所述整体特征信息输入所述分类器,得到所述分类器输出的整体匹配概率;
所述确定模块,具体用于:
若所述整体匹配概率大于等于第一预设概率阈值,则确定所述地图为正确地图;
若所述整体匹配概率小于所述第一预设概率阈值,则确定所述地图为错误地图。
在一种可能的实现方式中,所述坐标位置信息为二维点集,所述二维点集包括所述地图轮廓上每个点的坐标位置;
所述提取模块,具体用于:
对所述二维点集进行特征提取,得到所述地图轮廓对应的整体特征信息;
将所述二维点集切割为多个片段点集,对每个片段点集进行特征提取,得到每个片段点集对应的片段特征信息,每个片段点集中包括所述二维点集中多个连续的点的坐标位置;
所述分类模块,具体用于:
分别将所述整体特征信息和每个片段特征信息输入所述分类器,得到所述分类器输出的所述整体特征信息对应的整体匹配概率和每个片段特征信息对应的片段匹配概率;
所述确定模块,具体用于:
判断所述整体匹配概率是否大于等于第一预设概率阈值;
若否,则确定所述地图为错误地图;
若是,则判断每个片段特征信息对应的片段匹配概率是否大于等于第二概率阈值;
若各片段特征信息对应的片段匹配概率均大于等于所述第二概率阈值,则确定所述地图为正确地图;
若存在至少一个片段特征信息对应的片段匹配概率小于所述第二概率阈值,则确定所述地图为错误地图。
在一种可能的实现方式中,所述坐标位置信息为二维点集,所述二维点集包括所述地图轮廓上每个点的坐标位置;
所述提取模块,具体用于:
将所述二维点集切割为多个片段点集,对每个片段点集进行特征提取,得到每个片段点集对应的片段特征信息,每个片段点集中包括所述二维点集中多个连续的点的坐标位置;
所述分类模块,具体用于:
分别将每个片段特征信息输入所述分类器,得到所述分类器输出的每个片段特征信息对应的片段匹配概率;
所述确定模块,具体用于:
若各片段特征信息对应的片段匹配概率均大于等于第二概率阈值,则确定所述地图为正确地图;
若存在至少一个片段特征信息对应的片段匹配概率小于第二概率阈值,则确定所述地图为错误地图。
在一种可能的实现方式中,所述提取模块,具体用于:
针对每个片段点集,根据该片段点集包括的点的坐标位置,在空白图像中查找相同坐标位置的点,将查找到的点的像素值设置为预设值,得到目标图像,对所述目标图像进行特征提取,得到该片段点集对应的片段特征信息;或者,
针对每个片段点集,利用特征提取算子对该片段点集进行特征提取,得到该片段点集对应的片段特征信息。
在一种可能的实现方式中,所述获取模块,具体用于:
将所述地图区域输入实例分割模型,获取所述实例分割模型输出的所述地图区域的二维掩码,所述二维掩码用于区分所述地图区域中的地图部分和非地图部分;将所述地图区域中地图部分和非地图部分的分界线作为所述地图轮廓,得到二维点集,所述二维点集包括所述地图轮廓上每个点的坐标位置;或者,
对所述地图区域进行边缘增强处理,在边缘增强处理后的地图区域中确定面积最大的轮廓,将面积最大的轮廓作为所述地图轮廓,得到所述二维点集。
在一种可能的实现方式中,所述装置还包括:
计算模块,用于在所述将所述二维点集切割为多个片段点集之前,分别计算所述二维点集包括的点的数量与第一预设值和/或第二预设值的比值,得到第一数量和第二数量,所述第一预设值用于表示片段点集的数量上限,所述第二预设值用于表示片段点集的数量下限;
所述提取模块,具体用于:
按照指定区间对所述二维点集进行切割,得到多个片段点集,每个片段点集包括的点的数量处于所述指定区间内;
其中,所述指定区间的上限为所述第一数量,下限为所述第二数量;或者,所述指定区间的上限为所述第一数量,下限为0;或者,所述指定区间的上限为所述二维点集包括的点的数量,下限为所述第二数量。
在一种可能的实现方式中,所述提取模块,具体用于:
在所述指定区间内随机选取第三数量,按照所述第三数量对所述二维点集进行切割,得到多个片段点集,所述每个片段点集中包括所述第三数量个点的坐标位置;或者,
在所述指定区间内随机选取一个数量,作为第四数量,按照所述第四数量对所述二维点集包括的部分连续点进行切割,得到第一预设数量个片段点集,所述第一预设数量个片段点集中每个片段点集包括所述第四数量个点的坐标位置;
在所述指定区间内重新随机选取一个数量,作为所述第四数量,返回所述按照所述第四数量对所述二维点集包括的部分连续点进行切割的步骤,直至完成对所述二维点集的切割。
第三方面,本申请提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的方法。
第五方面,本申请提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行第一方面所述的方法。
采用上述技术方案,首先识别待检测图像中的地图区域,并获取地图区域中地图轮廓对应的坐标位置信息。然后对坐标位置信息进行特征提取,得到地图轮廓对应的特征信息,再将特征信息输入预先训练好的分类器,得到分类器输出的匹配概率,之后基于匹配概率确定地图是否为正确地图。如此,可以快速准确的识别错误地图,避免了人工审核,提高了对地图的识别效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种地图检测方法的流程图;
图2为本申请实施例提供的点集切割的示例性示意图;
图3为本申请实施例提供的一种地图检测方法的示例性示意图;
图4为本申请实施例提供的一种地图检测装置的结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
目前利用人工审核地图边境线的方式效率过低,每人每天大约仅审核1200张地图,而且目前没有较为成熟的地图匹配算法,因此为了提高地图检测的效率,本申请实施例提供了一种地图检测方法。
本申请实施例提供的地图检测方法应用于电子设备,例如,电子设备可以是:服务器、台式电脑、笔记本电脑或者手机等具备图像处理能力的设备。如图1所示,该方法包括:
S101、识别待检测图像中的地图区域。
S102、获取地图区域中地图轮廓对应的坐标位置信息。
S103、对坐标位置信息进行特征提取,得到地图轮廓对应的特征信息。
S104、将特征信息输入预先训练好的分类器,得到分类器输出的匹配概率。
S105、基于匹配概率确定地图是否为正确地图。
采用上述方法,首先识别待检测图像中的地图区域,并获取地图区域中地图轮廓对应的坐标位置信息。然后对坐标位置信息进行特征提取,得到地图轮廓对应的特征信息,再将特征信息输入预先训练好的分类器,得到分类器输出的匹配概率,之后基于匹配概率确定地图是否为正确地图。如此,可以快速准确的识别错误地图,避免了人工审核,提高了对地图的识别效率。
针对上述S101,识别待检测图像中的地图区域。
可选的,待检测图像可以是用户上传地图,或者用户上传的包括地图的静态图像或动态图像,或者待审核的视频中包括地图的视频帧等,本申请实施例对待检测图像的来源不作具体限定。
待检测图像中的地图包括每个区域的边界即可,本申请实施例不限定待检测图像中的地图所属的类型以及覆盖的范围。
例如,待检测图像中的地图所属的类型可以是政治地图、物理地图、地形图或者时区图等。其中,政治地图包括每个区域的名称以及边界,物理图包括每个区域的边界以及区域内的土地和水域特征,地形图包括每个区域的边界以及区域内的高度特征,时区图包括每个区域的边界以及每个区域所属的时区。
例如,待检测图像中的地图覆盖的范围可以是:全球、某大洲、某国家、某省或某市等行政区。
示例性的,在视频评论区审核场景中,用户可以通过用户终端上传图像,电子设备需要判断用户上传的图像中是否存在地图,若存在地图,则采用本申请实施例提供地图检测方法,判断该图像中的地图是否为正确地图。若是,则在视频评论区内展示该图像,否则向用户反馈审核未通过信息。
或者在视频审核场景中,用户可以通过用户终端上传视频,电子设备检测该视频包括的每个视频帧中是否存在地图,若任一视频帧中存在地图,则采用本申请实施例提供地图检测方法,判断该视频帧中的地图是否为正确地图。若是,则展示该视频和/或向其他用户推送该视频,否则向用户反馈审核未通过信息。
在识别地图区域时,电子设备可以将待检测图像输入目标检测模型,得到目标检测模型输出的待检测图像中的地图区域的位置。
其中,目标检测模型为利用包含地图的样本图像对神经网络模型进行训练得到的。目标检测模型可以输出待检测图像中地图区域的位置,例如,地图区域为矩形区域,此时地图区域的位置具体可以用地图区域的左上角坐标和右下角坐标表示。作为示例,目标检测模型具体可以为:利用样本图像对快速区域卷积神经网络(Faster regions withConvolutional Neural Network,FasterRCNN)进行训练得到的目标检测模型,或者利用样本图像对你只看一次(You Only Look Once,YOLO)模型进行训练得到的目标检测模型等。其中,YOLO模型可以为你只看一次版本7(You Only Look Once version 7,YOLOv7)、YOLOv5或者YOLO系列的其他模型。FasterRCNN和YOLOv7是两种不同的目标检测算法。
在目标检测模型输出地图区域的位置后,电子设备可以按照地图区域的位置,对待检测图像中的地图区域进行截取,从而得到待检测图像中的地图区域。
上述S102获取地图区域中地图轮廓对应的坐标位置信息的方式,可以包括以下两种:
S102的实现方式1、将地图区域输入实例分割模型,获取实例分割模型输出的地图区域的二维掩码,其中二维掩码用于区分地图区域中的地图部分和非地图部分;之后将地图区域中地图部分和非地图部分的分界线作为地图轮廓,得到二维点集,其中二维点集包括地图轮廓上每个点的坐标位置。
其中,实例分割模型是利用包括地图的样本图像训练得到的。作为示例,实例分割模型可以为基于掩码区域卷积神经网络(Mask regions with Convolutional NeuralNetwork,MaskRCNN)的实例分割模型。实例分割模型输出的地图部分内各像素点的二维掩码的取值均为True,且非地图部分内各像素点的二维掩码的取值均为False。需要说明的是,上述二维掩码的取值仅作为示例,在实际应用场景中,像素点的二维掩码的取值不限于此。
可以理解的,由于S101获取的地图区域是待检测图像中包括地图的区域,例如包括地图的矩形区域,而地图部分的形状一般是不规则的,因此地图区域内除了地图部分以外,还包括非地图区域。例如,非地图区域可以包括:空白区域、公海等不属于任意组织管辖的区域、和/或不属于指定组织管辖的区域。例如,待检测图像为世界地图,待检测图像中的地图区域为包括某国家地图的最小外接矩形区域,地图区域的地图部分为该国家管辖的区域,非地图部分为不属于该国家管辖的区域。
在得到地图区域的二维掩码后,可以将地图部分中与非地图部分相邻的像素点构成的线,作为地图部分和非地图部分的分界线。
由于实例分割模型是利用包括地图的样本图像训练得到的,因此为保障和实例分割模型的处理准确度,可以在训练前,对每张包括地图的样本图像进行人工标注,即人工设置每张样本图像的地图区域的二维掩码,使得在训练过程中,实例分割模型可以学习到如何准确地区分地图区域中的地图部分和非地图部分,提高后续基于实例分割模型获取地图轮廓的准确性。
S102的实现方式2、对地图区域进行边缘增强处理,在边缘增强处理后的地图区域中确定面积最大的轮廓,将面积最大的轮廓作为地图轮廓,得到二维点集。
具体的,可以采用opencv库中的canny函数对地图区域进行边缘增强处理,然后采用opencv库中的查找轮廓(findContours)函数确定边缘增强处理后的地图区域中的最大的轮廓。其中,opencv库是一个开源的计算机视觉库,可以提供大量的图像处理和计算机视觉算法。
需要说明的是,上述采用opencv库计算得到二维点集的方法仅做示例,在实际实现中,确定二维点集的方法不限于此。
边缘增强处理可以针对图像中亮度值相差较大的相邻区域之间的边缘处加以突出强调。因此在对地图区域进行边缘增强处理后,可以使得地图区域中的地图轮廓更加明显,然后提取地图区域中的面积最大的轮廓,即面积最大的区域的最外围轮廓,如此,可以得到地图区域中的地图轮廓。在上述S102的实现方式2中,采用开源数据库中提供的算法即可实现上述获取地图轮廓的方法,使用方便。
由上述方案可以看出,地图区域中地图轮廓对应的坐标位置信息为二维点集,二维点集包括地图轮廓上每个点的坐标位置。
在本申请的一些实施例中,上述S103对坐标位置信息进行特征提取,得到地图轮廓对应的特征信息的方式,包括以下三种:
S103的实现方式一、对二维点集进行特征提取,得到地图轮廓对应的整体特征信息,并将二维点集切割为多个片段点集,对每个片段点集进行特征提取,得到每个片段点集对应的片段特征信息,其中每个片段点集中包括二维点集中多个连续的点的坐标位置。
例如,参见图2,假设图2的左图为地图轮廓的二维点集,即左图中的每个点均为地图轮廓上一个点,将该二维点集分割为四个片段点集,每个片段点集为图2的右图所示。图2的右图中A、B、C和D四个正方形区域中,每个正方形区域内包括的各个点组成一个片段点集。需要说明的是,图2仅用于举例表示二维点集与片段点集之间的关系,不用于限定实际的地图形状。
对二维点集整体进行特征提取的方式,与对每个片段点集进行特征提取的方式相同,以下以对每个片段点集进行特征提取为例,对特征提取的两种实现方式进行说明:
特征提取的实现方式A:针对每个片段点集,根据该片段点集包括的点的位置,在空白图像中查找相同坐标位置的点,将查找到的点的像素值设置为预设值,得到目标图像,对目标图像进行特征提取,得到该片段点集对应的片段特征信息。
其中,空白图像是电子设备预先生成的和待检测图像大小一致的图像。
为便于区分目标图像中的片段点集,可以设置取值为预设值的点的颜色与空白图像中各点的颜色相反。例如,空白图像中各点的像素值为255,即空白图像各点的颜色为白色,则预设值的取值为0,即取值为预设值的点的颜色为黑色。
可以采用特征提取网络对目标图像进行特征提取,其中,特征提取网络可以为卷积网络。
在本申请实施例中,由于特征提取网络一般要求输入数据的维度是固定的,因此为使用特征提取网络提取每个片段点集对应的片段特征信息,可以根据片段点集中的点的坐标位置,设置空白图像中相同坐标位置的点的像素值,如此,可以将该片段点集对应的轮廓映射到空白图像中,再使用特征提取网络对目标图像进行特征提取,使得每次输入特征提取网络的目标图像的维度是固定的,从而满足特征提取网络对输入图像的要求。而且,由于特征提取网络具有较高的提取准确度,因此本申请实施例可以得到较为准确的特征提取结果。
需要说明的是,特征提取的实现方式A中的特征提取网络,与上述S104中的分类器可以属于同一深度学习模型。这种情况下,可以将特征提取网络和分类器作为一个整体进行训练。即,该深度学习模型的输入为样本片段点集,深度学习模型的输出为该样本片段点集对应的轮廓为正确地图轮廓的概率。
特征提取的实现方式B:针对每个片段点集,利用特征提取算子对该片段点集进行特征提取,得到该片段点集对应的片段特征信息。
作为示例,特征提取算子可以为方向梯度直方图(histogram of orientedgradient,HOG)特征提取算子,采用HOG特征提取算子可以获取片段点集对应的片段特征信息。提高了获取片段点集对应的片段特征信息的效率。
S103的实现方式二、对二维点集进行特征提取,得到地图轮廓对应的整体特征信息。
方式二的具体实现方式可以参考方式一中的相关描述,此处不再赘述。
S103的实现方式三、将二维点集切割为多个片段点集,对每个片段点集进行特征提取,得到每个片段点集对应的片段特征信息,其中每个片段点集中包括二维点集中多个连续的点的坐标位置。
方式三的具体实现方式可以参考方式一中的相关描述,此处不再赘述。
在本申请的一些实施例中,上述S103的方式一或者方式三中在将二维点集切割为多个片段点集之前,电子设备还可以:分别计算二维点集包括的点的数量与第一预设值和/或第二预设值的比值,得到第一数量和第二数量。
其中,第一预设值用于表示片段点集的数量上限,第二预设值用于表示片段点集的数量下限。
第一预设值和第二预设值可以基于经验设置。作为示例,第一预设值为20,第二预设值为10,即最少可以将二维点集切割为10个片段点集,最多可以将二维点集切割为20个片段点集。假设二维点集中包括的点的数量为1000,则计算得到的第一数量为100,第二数量为50。即,单个片段点集中最少包括50个点,最多包括100个点。
在此基础上,方式一或者方式三中进行点集切割时,可以按照指定区间对二维点集进行切割,得到多个片段点集,每个片段点集包括的点的数量处于指定区间内。
其中,指定区间的上限为第一数量,下限为第二数量;或者,指定区间的上限为第一数量,下限为0;或者,指定区间的上限为二维点集包括的点的数量,下限为第二数量。
可选的,具体的切割方式包括以下两种:
切割方式1、在指定区间内随机选取第三数量,按照第三数量对二维点集进行切割,得到多个片段点集。其中,每个片段点集中包括第三数量个点的坐标位置。
可以理解的,可以在指定区间内随机选取一个第三数量,按照二维点集中各点的排列顺序,每次选择第三数量的点作为一个片段点集。若最后一次选择时,二维点集中剩余的点的数量小于第三数量,则将剩余的点作为一个片段点集。
作为示例,指定区间为50至100,二维点集中点的数量为750,假设随机选取的第三数量为100,则电子设备对该二维点集进行切割后,得到6个包括100个连续点的坐标位置的片段点集,且剩余50个连续点的坐标位置,可以将剩余50个连续点的坐标位置作为第7个片段点集。
切割方式2、在指定区间内随机选取一个数量,作为第四数量,按照第四数量对二维点集包括的部分连续点进行切割,得到第一预设数量个片段点集,其中第一预设数量个片段点集中每个片段点集包括第四数量个点的坐标位置。然后在指定区间内重新随机选取一个数量,作为第四数量,返回按照第四数量对二维点集包括的部分连续点进行切割的步骤,直至完成对二维点集的切割。
其中,第一预设数量是基于经验设置的。
若第一预设数量为1,则电子设备在按照第四数量对二维点集包括的部分连续点进行切割后,重新在指定区间内随机选择一个数量作为第四数量,对二维点集包括的部分连续点进行切割,以此类推,直至完成对二维点集的切割。这种情况下,相当于每次切割前随机选择下一个片段点集包括的点的数量。
或者,第一预设数量也可以多个,则电子设备按照第四数量对二维点集包括的部分连续点进行切割后,得到多个片段点集,然后重新在指定区间内随机选择一个数量作为第四数量,对二维点集包括的部分连续点进行切割,以此类推,直至完成对二维点集的切割。
需要说明的是,若最后一次切割选取的第四数量大于二维点集中剩余点的数量,则可以将二维点集中剩余点的作为一个片段点集。
作为示例,指定区间为50至100,二维点集中点的数量为750,假设第一次随机选取的第四数量为50,第一预设数量为6,则电子设备对该二维点集包括的部分连续点进行切割后,得到6个包括50个连续点的坐标位置的片段点集,且剩余350个连续点的坐标位置。第二次随机选取的第四数量为100,则电子设备对二维点集中剩余的350个连续点进行切割,当对剩余的点完成三次切割,得到三个片段点集后,二维点集中剩余点的数量为50,此时第四数量为100,则电子设备可以将剩余的50个连续点的坐标位置作为第10个片段点集。
采用上述两种方式中的任意一种对二维点集进行切割,均可以尽量避免切割得到的片段点集包括的点的数量过多或者过少。如果片段点集中点的数量过少,则后续可能无法提取片段点集有效的特征信息,如果片段点集中点的数量过多,则后续对该片段点集提取的特征信息可能过多,降低了判断该片段点集对应的轮廓是否为错误的轮廓的准确性。
在本申请的一些实施例中,当采用上述方式二获得地图轮廓对应的整体特征信息的情况下,上述S104将特征信息输入预先训练好的分类器,得到分类器输出的匹配概率的方式,可以实现为:将整体特征信息输入分类器,得到分类器输出的整体匹配概率。
其中,分类器是基于预设训练集训练得到的,预设训练集包括多个正样本和多个负样本,正样本为正确的地图轮廓对应的特征信息,负样本为错误的地图轮廓对应的特征信息。个样本具有对应的标签,标签表示样本实际上是否属于正确的地图轮廓,正样本的标签为100%,负样本的标签为0%。
在训练分类器时,可以将训练集中的正样本和负样本分别输入分类器,得到分类器输出的每个样本的整体匹配概率。然后将分类器输出的整体匹配概率和输入分类器的样本的标签,代入预设损失函数,计算得到损失值,例如预设损失函数为交叉熵损失函数或者平均绝对误差损失函数等。然后基于损失值判断分类器是否收敛,若收敛,则将当前的分类器作为训练好的分类器;若否,则使用损失值调整分类器的网络参数,并返回将训练集中的正样本和负样本分别输入分类器的步骤,以进入下一轮迭代。
可选的,可以判断本轮迭代计算的损失值是否小于预设损失值,若是,则确定分类器收敛,若否,则确定分类器未收敛。或者,可以判断本轮迭代计算的损失值与上一轮迭代计算的损失值之间的差值是否小于预设差值,若是,则确定分类器收敛,若否,则确定分类器未收敛。或者还可以通过其他方式判断分类器是否收敛,本申请实施例对此不作具体限定。
作为示例,分类器具体为二分类分类器,可以为resnet网络中的最后一层或transformer网络中的最后一层,也可以为支持向量机(Support Vector Machine,SVM),其中,resnet模型和transformer模型是深度学习模型。
在利用上述方式二获得整体匹配概率之后,上述S105基于匹配概率确定地图是否为正确地图的方式,可以实现为:若整体匹配概率大于等于第一预设概率阈值,则确定地图为正确地图;或者,若整体匹配概率小于第一预设概率阈值,则确定地图为错误地图。
整体匹配概率用于表示待检测图像中的地图为正确地图的概率。整体匹配概率越大,表示待检测图像中的地图为正确地图的可能性越高;反之整体匹配概率越小,表示待检测图像中的地图为正确地图的可能性越低。
预设阈值是基于经验设置的,例如,分类器输出的整体匹配概率的取值范围为[0%,100%]的情况下,第一预设概率阈值可以为50%。即,若整体匹配概率大于或等于50%,则确定待检测图像中的地图为正确地图,若匹配概率小于50%,则确定待检测图像中的地图为错误地图。
采用上述方法,由于分类器基于正确地图的地图轮廓的特征信息以及错误地图的地图轮廓的特征信息训练得到,使得分类器在训练过程中,可以学习到如何分辨正确地图和错误地图。因此本申请实施例利用预先训练好的分类器可以较为准确地基于地图轮廓对应的特征信息,判断地图是否为正确地图,与人工判断相比,降低了判断耗时,还避免了人工经验为判断结果带来的不稳定性,因此提高了判断效率和准确性。
当采用上述方式一获得地图轮廓对应的整体特征信息以及每个片段点集对应的片段特征信息的情况下,上述S104将特征信息输入预先训练好的分类器,得到分类器输出的匹配概率的方式,可以实现为:分别将整体特征信息和每个片段特征信息输入分类器,得到分类器输出的整体特征信息对应的整体匹配概率和每个片段特征信息对应的片段匹配概率。
可以将整体特征信息输入分类器,得到分类器输出的整体特征信息对应的整体匹配概率,并将每个片段特征信息输入分类器,得到分类器输出的每个片段特征信息对应的片段匹配概率。
这种情况下,训练分类器时使用的预设训练集中的第一正样本为:正确的地图轮廓对应的特征信息;预设训练集中的第二正样本为:对正确的地图轮廓的坐标位置信息进行切割后,得到的片段点集对应的片段特征信息;预设训练集中的第一负样本为:错误的地图轮廓对应的特征信息;预设训练集中的第二负样本为:对错误的地图轮廓的坐标位置信息进行切割后,得到的片段点集对应的片段特征信息。
或者,可以将整体特征信息输入第一分类器,得到第一分类器输出的整体特征信息对应的整体匹配概率,并将每个片段特征信息输入第二分类器,得到第二分类器输出的每个片段特征信息对应的片段匹配概率。
这种情况下,训练第一分类器时使用的预设训练集中的正样本为正确的地图轮廓对应的特征信息,负样本为错误的地图轮廓对应的特征信息。训练第二分类器时使用的预设训练集中的正样本为:对正确的地图轮廓的坐标位置信息进行切割后,得到的片段点集对应的片段特征信息;且预设训练集中的负样本为:对错误的地图轮廓的坐标位置信息进行切割后,得到的片段点集对应的片段特征信息。
分类器的具体训练方式可参考上述描述,此处不再赘述。
在得到整体匹配概率和各片段匹配概率之后,上述S105基于匹配概率确定地图是否为正确地图的方式,包括如下步骤:
步骤1、判断整体匹配概率是否大于等于第一预设概率阈值。若否,则执行步骤2;若是,则执行步骤3。
步骤2、确定待检测图像中的地图为错误地图。
若整体匹配概率小于第一预设概率阈值,说明待检测图像中的地图轮廓从整体上与正确地图轮廓相差较大,因此大概率是错误的地图轮廓,因此确定待检测图像中的地图为错误地图。
步骤3、判断每个片段特征信息对应的片段匹配概率是否大于等于第二概率阈值。若各片段特征信息对应的片段匹配概率均大于等于第二概率阈值,则执行步骤4;若存在至少一个片段特征信息对应的片段匹配概率小于第二概率阈值,则执行步骤5。
若整体匹配概率大于或等于第一预设概率阈值,说明待检测图像中的地图轮廓从整体上与正确地图轮廓相差较小,因此为保障检测准确度,可以进一步从细节上检测待检测图像中的地图是否为正确地图,即判断每个片段特征信息对应的片段匹配概率是否大于等于第二概率阈值。
第二预设概率阈值可以依据经验预先设置,例如在片段匹配概率的取值范围为[0%,100%]的情况下,第二预设概率阈值为80%。
步骤4、确定待检测图像中的地图为正确地图。
若各片段特征信息对应的片段匹配概率均大于或等于第二概率阈值,则说明待检测图像中的地图轮廓的每个轮廓片段均是正确地图的轮廓片段,因此可以确定待检测图像中的地图为正确地图。
步骤5、确定待检测图像中的地图为错误地图。
若存在至少一个片段特征信息对应的片段匹配概率小于第二概率阈值,则说明待检测图像中的地图轮廓中至少存在一个轮廓片段不是正确地图的轮廓片段,因此确定待检测图像中的地图为错误地图。
通过上述方法,本申请实施例可以先判断整体匹配概率是否大于等于第一预设概率阈值,即从整体上判断待检测图像中的地图是否为正确地图,若否直接确定该地图是错误地图,从而提高地图检测的效率。若判断结果为是,则可以进一步判断每个片段特征信息对应的片段匹配概率是否大于等于第二概率阈值,即从细节上判断该地图的每个轮廓片段是否为正确地图的轮廓片段,并在各片段特征信息对应的片段匹配概率均大于等于第二概率阈值时,确定待检测图像中的地图为正确地图;存在至少一个片段特征信息对应的片段匹配概率小于第二概率阈值时,确定待检测图像中的地图为错误地图,从而提高地图检测的准确度。
利用上述方式三获得每个片段点集对应的片段特征信息之后,上述S104将特征信息输入预先训练好的分类器,得到分类器输出的匹配概率的方式,可以实现为:分别将每个片段特征信息输入分类器,得到分类器输出的每个片段特征信息对应的片段匹配概率。
这种情况下,训练分类器时使用的预设训练集中的正样本为:对正确的地图轮廓的坐标位置信息进行切割后,得到的片段点集对应的片段特征信息;预设训练集中的负样本为:对错误的地图轮廓的坐标位置信息进行切割后,得到的片段点集对应的片段特征信息。
分类器的具体训练方式可参考上述描述,此处不再赘述。
在获得每个片段特征信息对应的片段匹配概率之后,上述S105基于匹配概率确定地图是否为正确地图的方式,可以实现为:若各片段特征信息对应的片段匹配概率均大于等于第二概率阈值,则确定待检测图像中的地图为正确地图;若存在至少一个片段特征信息对应的片段匹配概率小于第二概率阈值,则确定待检测图像中的地图为错误地图。
通过上述方法,本申请实施例判断每个片段特征信息对应的片段匹配概率是否大于等于第二概率阈值,即从细节上判断该地图的每个轮廓片段是否为正确地图的轮廓片段,并在各片段特征信息对应的片段匹配概率均大于等于第二概率阈值时,确定待检测图像中的地图为正确地图;存在至少一个片段特征信息对应的片段匹配概率小于第二概率阈值时,确定待检测图像中的地图为错误地图,从而提高地图检测的准确度。
在上述实施例的基础上,本申请实施例提供了一种地图检测方法的示例性示意图,如图3所示,该方法具体包括:
S301、获取包含地图的图像。其中,包含地图的图像即为上述待检测图像。
S302、利用目标检测模型对包含地图的图像进行检测。
S303、得到包含地图的图像中的地图区域。
S304、将地图区域输入实例分割模型。
S305、获取实例分割模型输出的地图区域的二维掩码。
S306、将地图区域中地图部分和非地图部分的分界线作为地图轮廓,得到二维点集。
S307、对二维点集进行多尺度分割,得到多个片段点集。
其中,多尺度切割即为上述实施例中的切割方式1或者切割方式2。
S308、对每个片段点集进行特征提取。
S309、分别将每个片段特征信息输入分类器,得到分类器输出的每个片段特征信息对应的片段匹配概率。
S310、根据分类器输出的各片段特征信息对应的片段匹配概率,确定地图是否为正确地图。
若存在至少一个片段特征信息对应的片段匹配概率小于第二概率阈值,则确定地图为错误地图。这种情况下,电子设备还可以不显示该图像,并提醒用户图像上传失败,避免错误的地图上传到网络中。
若各片段特征信息对应的片段匹配概率均大于等于第二概率阈值,则确定地图为正确地图。
需要说明的是,图3中各步骤的具体实现方式可以参考上述相关步骤中的描述,此处不再赘述。
采用上述方法,利用目标检测模型检测图像中的地图区域,然后利用实例分割模型输出地图区域的二维掩码,从而根据二维掩码确定地图部分和非地图部分的分界线,从而确定地图轮廓对应的二维点集。如此,利用目标检测模型和实例分割模型可以确定出待检测图像中的地图轮廓,便于后续判断待检测图像中的地图轮廓是否为正确的地图轮廓。将获取的二维点集进行切割,得到多个片段点集,利用每个片段点集对应的特征信息,判断该片段点集对应的轮廓片段是否为正确的轮廓片段。其中,每个片段点集对应的特征信息可以反映该片段点集对应轮廓片段的细节,因此后续利用分类器进行判定时,可以通过每个片段点集对应轮廓片段的细节,准确地判断该片段点集对应的轮廓片段是否属于正确的轮廓,即得到片段匹配概率,保证了地图检测的准确性。而且地图检测过程无需人工参与,因此检测效率大幅提升。
基于相同的发明构思,对应于上述方法实施例,本申请实施例还提供一种地图检测装置,如图4所示,该装置包括:识别模块401、获取模块402、提取模块403、分类模块404和确定模块405;
识别模块401,用于识别待检测图像中的地图区域;
获取模块402,用于获取识别模块401识别的地图区域中地图轮廓对应的坐标位置信息;
提取模块403,用于对获取模块402获取的坐标位置信息进行特征提取,得到地图轮廓对应的特征信息;
分类模块404,用于将提取模块403提取的特征信息输入预先训练好的分类器,得到分类器输出的匹配概率;
确定模块405,用于基于分类模块404获得的匹配概率确定地图是否为正确地图。
可选的,坐标位置信息为二维点集,二维点集包括地图轮廓上每个点的坐标位置;
提取模块403,具体用于:
对二维点集进行特征提取,得到地图轮廓对应的整体特征信息;
分类模块404,具体用于:
将整体特征信息输入分类器,得到分类器输出的整体匹配概率;
确定模块405,具体用于:
若整体匹配概率大于等于第一预设概率阈值,则确定地图为正确地图;
若整体匹配概率小于第一预设概率阈值,则确定地图为错误地图。
可选的,坐标位置信息为二维点集,二维点集包括地图轮廓上每个点的坐标位置;
提取模块403,具体用于:
对二维点集进行特征提取,得到地图轮廓对应的整体特征信息;
将二维点集切割为多个片段点集,对每个片段点集进行特征提取,得到每个片段点集对应的片段特征信息,每个片段点集中包括二维点集中多个连续的点的坐标位置;
分类模块404,具体用于:
分别将整体特征信息和每个片段特征信息输入分类器,得到分类器输出的整体特征信息对应的整体匹配概率和每个片段特征信息对应的片段匹配概率;
确定模块405,具体用于:
判断整体匹配概率是否大于等于第一预设概率阈值;
若否,则确定地图为错误地图;
若是,则判断每个片段特征信息对应的片段匹配概率是否大于等于第二概率阈值;
若各片段特征信息对应的片段匹配概率均大于等于第二概率阈值,则确定地图为正确地图;
若存在至少一个片段特征信息对应的片段匹配概率小于第二概率阈值,则确定地图为错误地图。
可选的,坐标位置信息为二维点集,二维点集包括地图轮廓上每个点的坐标位置;
提取模块403,具体用于:
将二维点集切割为多个片段点集,对每个片段点集进行特征提取,得到每个片段点集对应的片段特征信息,每个片段点集中包括二维点集中多个连续的点的坐标位置;
分类模块404,具体用于:
分别将每个片段特征信息输入分类器,得到分类器输出的每个片段特征信息对应的片段匹配概率;
确定模块405,具体用于:
若各片段特征信息对应的片段匹配概率均大于等于第二概率阈值,则确定地图为正确地图;
若存在至少一个片段特征信息对应的片段匹配概率小于第二概率阈值,则确定地图为错误地图。
可选的,提取模块403,具体用于:
针对每个片段点集,根据该片段点集包括的点的坐标位置,在空白图像中查找相同坐标位置的点,将查找到的点的像素值设置为预设值,得到目标图像,对目标图像进行特征提取,得到该片段点集对应的片段特征信息;或者,
针对每个片段点集,利用特征提取算子对该片段点集进行特征提取,得到该片段点集对应的片段特征信息。
可选的,获取模块402,具体用于:
将地图区域输入实例分割模型,获取实例分割模型输出的地图区域的二维掩码,二维掩码用于区分地图区域中的地图部分和非地图部分;将地图区域中地图部分和非地图部分的分界线作为地图轮廓,得到二维点集,二维点集包括地图轮廓上每个点的坐标位置;或者,
对地图区域进行边缘增强处理,在边缘增强处理后的地图区域中确定面积最大的轮廓,将面积最大的轮廓作为地图轮廓,得到二维点集。
可选的,该装置还包括:
计算模块,用于在将二维点集切割为多个片段点集之前,分别计算二维点集包括的点的数量与第一预设值和/或第二预设值的比值,得到第一数量和第二数量,第一预设值用于表示片段点集的数量上限,第二预设值用于表示片段点集的数量下限;
提取模块403,具体用于:
按照指定区间对二维点集进行切割,得到多个片段点集,每个片段点集包括的点的数量处于指定区间内;
其中,指定区间的上限为第一数量,下限为第二数量;或者,指定区间的上限为第一数量,下限为0;或者,指定区间的上限为二维点集包括的点的数量,下限为第二数量。
可选的,提取模块403,具体用于:
在指定区间内随机选取第三数量,按照第三数量对二维点集进行切割,得到多个片段点集,每个片段点集中包括第三数量个点的坐标位置;或者,
在指定区间内随机选取一个数量,作为第四数量,按照第四数量对二维点集包括的部分连续点进行切割,得到第一预设数量个片段点集,第一预设数量个片段点集中每个片段点集包括第四数量个点的坐标位置;
在指定区间内重新随机选取一个数量,作为第四数量,返回按照第四数量对二维点集包括的部分连续点进行切割的步骤,直至完成对二维点集的切割。
本发明实施例还提供了一种电子设备,如图5所示,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信,
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现上述地图检测方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中任一所述的地图检测方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的地图检测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (11)
1.一种地图检测方法,其特征在于,所述方法包括:
识别待检测图像中的地图区域;
获取所述地图区域中地图轮廓对应的坐标位置信息;
对所述坐标位置信息进行特征提取,得到所述地图轮廓对应的特征信息;
将所述特征信息输入预先训练好的分类器,得到所述分类器输出的匹配概率;
基于所述匹配概率确定所述地图是否为正确地图。
2.根据权利要求1所述的方法,其特征在于,所述坐标位置信息为二维点集,所述二维点集包括所述地图轮廓上每个点的坐标位置;
所述对所述坐标位置信息进行特征提取,得到所述地图轮廓对应的特征信息,包括:
对所述二维点集进行特征提取,得到所述地图轮廓对应的整体特征信息;
所述将所述特征信息输入预先训练好的分类器,得到所述分类器输出的匹配概率,包括:
将所述整体特征信息输入所述分类器,得到所述分类器输出的整体匹配概率;
所述基于所述匹配概率确定所述地图是否为正确地图,包括:
若所述整体匹配概率大于等于第一预设概率阈值,则确定所述地图为正确地图;
若所述整体匹配概率小于所述第一预设概率阈值,则确定所述地图为错误地图。
3.根据权利要求1所述的方法,其特征在于,所述坐标位置信息为二维点集,所述二维点集包括所述地图轮廓上每个点的坐标位置;
所述对所述坐标位置信息进行特征提取,得到所述地图轮廓对应的特征信息,包括:
对所述二维点集进行特征提取,得到所述地图轮廓对应的整体特征信息;
将所述二维点集切割为多个片段点集,对每个片段点集进行特征提取,得到每个片段点集对应的片段特征信息,每个片段点集中包括所述二维点集中多个连续的点的坐标位置;
所述将所述特征信息输入预先训练好的分类器,得到所述分类器输出的匹配概率,包括:
分别将所述整体特征信息和每个片段特征信息输入所述分类器,得到所述分类器输出的所述整体特征信息对应的整体匹配概率和每个片段特征信息对应的片段匹配概率;
所述基于所述匹配概率确定所述地图是否为正确地图,包括:
判断所述整体匹配概率是否大于等于第一预设概率阈值;
若否,则确定所述地图为错误地图;
若是,则判断每个片段特征信息对应的片段匹配概率是否大于等于第二概率阈值;
若各片段特征信息对应的片段匹配概率均大于等于所述第二概率阈值,则确定所述地图为正确地图;
若存在至少一个片段特征信息对应的片段匹配概率小于所述第二概率阈值,则确定所述地图为错误地图。
4.根据权利要求1所述的方法,其特征在于,所述坐标位置信息为二维点集,所述二维点集包括所述地图轮廓上每个点的坐标位置;
所述对所述坐标位置信息进行特征提取,得到所述地图轮廓对应的特征信息,包括:
将所述二维点集切割为多个片段点集,对每个片段点集进行特征提取,得到每个片段点集对应的片段特征信息,每个片段点集中包括所述二维点集中多个连续的点的坐标位置;
所述将所述特征信息输入预先训练好的分类器,得到所述分类器输出的匹配概率,包括:
分别将每个片段特征信息输入所述分类器,得到所述分类器输出的每个片段特征信息对应的片段匹配概率;
所述基于所述匹配概率确定所述地图是否为正确地图,包括:
若各片段特征信息对应的片段匹配概率均大于等于第二概率阈值,则确定所述地图为正确地图;
若存在至少一个片段特征信息对应的片段匹配概率小于第二概率阈值,则确定所述地图为错误地图。
5.根据权利要求3或4所述的方法,其特征在于,所述对每个片段点集进行特征提取,得到每个片段点集对应的片段特征信息,包括:
针对每个片段点集,根据该片段点集包括的点的坐标位置,在空白图像中查找相同坐标位置的点,将查找到的点的像素值设置为预设值,得到目标图像,对所述目标图像进行特征提取,得到该片段点集对应的片段特征信息;或者,
针对每个片段点集,利用特征提取算子对该片段点集进行特征提取,得到该片段点集对应的片段特征信息。
6.根据权利要求1所述的方法,其特征在于,所述获取所述地图区域中地图轮廓对应的坐标位置信息,包括:
将所述地图区域输入实例分割模型,获取所述实例分割模型输出的所述地图区域的二维掩码,所述二维掩码用于区分所述地图区域中的地图部分和非地图部分;将所述地图区域中地图部分和非地图部分的分界线作为所述地图轮廓,得到二维点集,所述二维点集包括所述地图轮廓上每个点的坐标位置;或者,
对所述地图区域进行边缘增强处理,在边缘增强处理后的地图区域中确定面积最大的轮廓,将面积最大的轮廓作为所述地图轮廓,得到所述二维点集。
7.根据权利要求3或4所述的方法,其特征在于,
在所述将所述二维点集切割为多个片段点集之前,所述方法还包括:
分别计算所述二维点集包括的点的数量与第一预设值和/或第二预设值的比值,得到第一数量和第二数量,所述第一预设值用于表示片段点集的数量上限,所述第二预设值用于表示片段点集的数量下限;
所述将所述二维点集切割为多个片段点集,包括:
按照指定区间对所述二维点集进行切割,得到多个片段点集,每个片段点集包括的点的数量处于所述指定区间内;
其中,所述指定区间的上限为所述第一数量,下限为所述第二数量;或者,所述指定区间的上限为所述第一数量,下限为0;或者,所述指定区间的上限为所述二维点集包括的点的数量,下限为所述第二数量。
8.根据权利要求7所述的方法,其特征在于,所述按照指定区间对所述二维点集进行切割,得到多个片段点集,包括:
在所述指定区间内随机选取第三数量,按照所述第三数量对所述二维点集进行切割,得到多个片段点集,所述每个片段点集中包括所述第三数量个点的坐标位置;或者,
在所述指定区间内随机选取一个数量,作为第四数量,按照所述第四数量对所述二维点集包括的部分连续点进行切割,得到第一预设数量个片段点集,所述第一预设数量个片段点集中每个片段点集包括所述第四数量个点的坐标位置;
在所述指定区间内重新随机选取一个数量,作为所述第四数量,返回所述按照所述第四数量对所述二维点集包括的部分连续点进行切割的步骤,直至完成对所述二维点集的切割。
9.一种地图检测装置,其特征在于,所述装置包括:
识别模块,用于识别待检测图像中的地图区域;
获取模块,用于获取所述识别模块识别的所述地图区域中地图轮廓对应的坐标位置信息;
提取模块,用于对所述获取模块获取的所述坐标位置信息进行特征提取,得到所述地图轮廓对应的特征信息;
分类模块,用于将所述提取模块提取的所述特征信息输入预先训练好的分类器,得到所述分类器输出的匹配概率;
确定模块,用于基于所述分类模块获得的所述匹配概率确定所述地图是否为正确地图。
10.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-8任一项所述的方法。
11.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311817691.XA CN117789085A (zh) | 2023-12-27 | 2023-12-27 | 地图检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311817691.XA CN117789085A (zh) | 2023-12-27 | 2023-12-27 | 地图检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117789085A true CN117789085A (zh) | 2024-03-29 |
Family
ID=90397688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311817691.XA Pending CN117789085A (zh) | 2023-12-27 | 2023-12-27 | 地图检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117789085A (zh) |
-
2023
- 2023-12-27 CN CN202311817691.XA patent/CN117789085A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726643B (zh) | 图像中表格信息的识别方法、装置、电子设备及存储介质 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
US9367766B2 (en) | Text line detection in images | |
CN109815770B (zh) | 二维码检测方法、装置及系统 | |
CN109343920B (zh) | 一种图像处理方法及其装置、设备和存储介质 | |
CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
CN109740606B (zh) | 一种图像识别方法及装置 | |
CN110619333B (zh) | 一种文本行分割方法、文本行分割装置及电子设备 | |
CN111583180B (zh) | 一种图像的篡改识别方法、装置、计算机设备及存储介质 | |
CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114038004A (zh) | 一种证件信息提取方法、装置、设备及存储介质 | |
CN116596875B (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN112580668A (zh) | 一种背景欺诈检测方法、装置及电子设备 | |
CN111382638B (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN112434640B (zh) | 确定文档图像的旋转角度方法、装置及存储介质 | |
CN113269752A (zh) | 一种图像检测方法、装置终端设备及存储介质 | |
CN116645719A (zh) | 一种瞳孔和虹膜定位方法、装置、电子设备及存储介质 | |
CN116246161A (zh) | 领域知识引导下的遥感图像目标精细类型识别方法及装置 | |
CN112766387B (zh) | 一种训练数据的纠错方法、装置、设备及存储介质 | |
CN115345895A (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
CN117789085A (zh) | 地图检测方法、装置、电子设备及存储介质 | |
CN113012189A (zh) | 图像识别方法、装置、计算机设备和存储介质 |
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 |