CN110503685A - 一种数据处理方法以及设备 - Google Patents
一种数据处理方法以及设备 Download PDFInfo
- Publication number
- CN110503685A CN110503685A CN201910750244.4A CN201910750244A CN110503685A CN 110503685 A CN110503685 A CN 110503685A CN 201910750244 A CN201910750244 A CN 201910750244A CN 110503685 A CN110503685 A CN 110503685A
- Authority
- CN
- China
- Prior art keywords
- picture
- coordinate
- data
- coordinate points
- acquisition
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例公开一种数据处理方法以及设备，其中方法包括如下步骤：获取携带有采集数据的第一图片，获取所述第一图片的标记数据；所述采集数据包括位置信息和方向角信息；根据所述位置信息从地图平台上获取第一图片对应的第二图片；根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点；根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数；将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标。采用本申请，可以提高POI坐标的采集效率，提高POI坐标的准确率，节省人力物力成本。
Description
技术领域
本申请涉及电子技术领域，尤其涉及一种数据处理方法以及设备。
背景技术
在兴趣点(Point of interest，POI)数据生产的过程中，POI坐标是非常关键的属性。针对一张拍摄图片，POI坐标即是图片中目标地点(可以是医院、商店、建筑物等)的坐标点，POI坐标的获取一般采用坐标还原的方式，坐标还原是根据拍摄上述图片的拍摄人所在的坐标推算拍摄POI所在位置的方法。在当前的POI生产环节中，POI坐标主要靠人工标注进行，例如，通过拍照的GPS点以及拍摄的图片，结合地图底图以及街景等信息人为标定POI在地图上的位置，现有的通过人工标定的方法的缺陷比较明显，人工作业成本较高，平均一天一个较熟练的作业人员标记的POI坐标数量大约在100-150之间，而全年需要采集的POI数量在千万级以上，采用人工进行标记需要花费大量的人力物力，且POI坐标的采集效率低下，准确度也不高，无法满足日益增长的需求。
发明内容
本申请实施例提供一种数据处理方法以及设备，可以提高POI坐标的采集效率，提高POI坐标的准确率，节省人力物力成本。
本申请实施例一方面提供了一种数据处理方法，可包括：
获取携带有采集数据的第一图片，获取所述第一图片的标记数据；所述采集数据包括位置信息和方向角信息；
根据所述位置信息从地图平台上获取第一图片对应的第二图片；
根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点；
根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数；
将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标。
其中，所述获取携带有采集数据的第一图片，获取所述第一图片的标记数据，包括：
获取携带有采集数据的第一图片，识别第一图片中兴趣点坐标对应的对象区域；
采用标记框对第一图片的对象区域进行标记，以生成所述第一图片对应的标记数据。
其中，所述根据所述位置信息从地图平台上获取第一图片对应的第二图片，包括：
根据所述第一图片的位置信息从所述地图平台上获取具有目标尺寸的待处理图片；所述待处理图片携带地图基本数据，所述地图基本数据包括路网数据、兴趣点数据、楼块数据和任务线数据；
根据颜色对应表，分别对所述待处理图片中的所述路网数据、所述兴趣点数据、所述楼块数据和所述任务线数据进行不同颜色标注，将包含颜色标注的待处理图片确定所述第二图片。
其中，所述根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点，包括：
根据所述第一图片的方向角信息，确定所述第二图片对应的坐标采集方位；
根据步长信息以及所述坐标采集方位对所述第二图片进行坐标采样，得到坐标点。
其中，所述根据步长信息以及所述坐标采集方位对所述第二图片进行坐标采样，得到坐标点，包括：
对所述第二图片进行区域划分，将任务线数据所在的目标尺寸区域确定为第一区域，将所述第二图片中除所述第一区域外的区域确定为第二区域；
根据第一步长信息以及所述坐标采集方位对所述第一区域进行坐标采集以获取第一坐标点，根据第二步长信息以及所述坐标采集方位对所述第二区域进行坐标采集以获取第二坐标点；
将所述第一坐标点和所述第二坐标点确定为所述第二图片的坐标点。
其中，所述根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数，包括：
将携带有所述标记数据的所述第一图片和携带有所述坐标点的所述第二图片输入目标网络模型；
采用所述目标网络模型提取所述第一图片中的标记数据，生成第一特征，采用所述目标网络模型以及基本数据的标注颜色提取所述第二图片中的所述路网数据、所述兴趣点数据、所述楼块数据和所述任务线数据，生成第二特征；
根据所述第一特征和所述第二特征生成所述坐标点针对所述第一图片中标记数据的评价指数。
其中，还包括：
从实景样本图片集合中获取第一训练图片，基于地图平台获取所述第一训练图片对应的第二训练图片；
根据所述第一训练图片和所述第二训练图片调整初始目标网络模型；
当调整后的初始目标网络模型满足目标收敛条件时，将包含调整后的模型参数的初始目标网络模型确定为所述目标网络模型；
所述目标网络模型用于生成第一图片对应的评价指数。
其中，所述根据所述第一训练图片和所述第二训练图片调整初始目标网络模型，包括：
获取所述第一训练图片的标记数据和评价指数，以及所述第二训练图片的坐标点；
采用所述初始目标网络模型，根据所述第一训练图片的标记数据和所述第二训练图片的坐标点生成预测评价指数；
根据所述预测评价指数和所述评价指数确定指数误差，并根据所述指数误差反向传播调整所述初始目标网络模型。
本申请实施例一方面提供了一种数据处理设备，可包括：
第一图片获取单元，用于获取携带有采集数据的第一图片，获取所述第一图片的标记数据；所述采集数据包括位置信息和方向角信息；
第二图片获取单元，用于根据所述位置信息从地图平台上获取第一图片对应的第二图片；
坐标点获取单元，用于根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点；
评价指数获取单元，用于根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数；
坐标确定单元，用于将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标。
其中，所述第一图片获取单元具体用于：
获取携带有采集数据的第一图片，识别第一图片中兴趣点坐标对应的对象区域；
采用标记框对第一图片的对象区域进行标记，以生成所述第一图片对应的标记数据。
其中，所述第二图片获取单元具体用于：
根据所述第一图片的位置信息从所述地图平台上获取具有目标尺寸的待处理图片；所述待处理图片携带地图基本数据，所述地图基本数据包括路网数据、兴趣点数据、楼块数据和任务线数据；
根据颜色对应表，分别对所述待处理图片中的所述路网数据、所述兴趣点数据、所述楼块数据和所述任务线数据进行不同颜色标注，将包含颜色标注的待处理图片确定所述第二图片。
其中，所述坐标点获取单元包括：
采集方位确定子单元，用于根据所述第一图片的方向角信息，确定所述第二图片对应的坐标采集方位；
坐标点获取子单元，用于根据步长信息以及所述坐标采集方位对所述第二图片进行坐标采样，得到坐标点。
其中，所述坐标点获取子单元具体用于：
对所述第二图片进行区域划分，将任务线数据所在的目标尺寸区域确定为第一区域，将所述第二图片中除所述第一区域外的区域确定为第二区域；
根据第一步长信息以及所述坐标采集方位对所述第一区域进行坐标采集以获取第一坐标点，根据第二步长信息以及所述坐标采集方位对所述第二区域进行坐标采集以获取第二坐标点；
将所述第一坐标点和所述第二坐标点确定为所述第二图片的坐标点。
其中，所述评价指数获取单元具体用于：
将携带有所述标记数据的所述第一图片和携带有所述坐标点的所述第二图片输入目标网络模型；
采用所述目标网络模型提取所述第一图片中的标记数据，生成第一特征，采用所述目标网络模型以及基本数据的标注颜色提取所述第二图片中的所述路网数据、所述兴趣点数据、所述楼块数据和所述任务线数据，生成第二特征；
根据所述第一特征和所述第二特征生成所述坐标点针对所述第一图片中标记数据的评价指数。
其中，还包括：
训练图片获取单元，用于从实景样本图片集合中获取第一训练图片，基于地图平台获取所述第一训练图片对应的第二训练图片；
模型调整单元，用于根据所述第一训练图片和所述第二训练图片调整初始目标网络模型；
模型确定单元，用于当调整后的初始目标网络模型满足目标收敛条件时，将包含调整后的模型参数的初始目标网络模型确定为所述目标网络模型；所述目标网络模型用于生成第一图片对应的评价指数。
其中，所述模型调整单元具体用于：
获取所述第一训练图片的标记数据和评价指数，以及所述第二训练图片的坐标点；
采用所述初始目标网络模型，根据所述第一训练图片的标记数据和所述第二训练图片的坐标点生成预测评价指数；
根据所述预测评价指数和所述评价指数确定指数误差，并根据所述指数误差反向传播调整所述初始目标网络模型。
本申请实施例一方面提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
本申请实施例一方面提供了一种数据处理设备，包括处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
在本申请实施例中，通过获取携带有采集数据的第一图片，获取所述第一图片的标记数据；所述采集数据包括位置信息和方向角信息；根据所述位置信息从地图平台上获取第一图片对应的第二图片；根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点；根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数；将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标。通过携带标记数据的第一图片和携带坐标点的第二图片确定所述第一图片的兴趣点坐标，避免了通过人工标记兴趣点坐标导致效率低下，以及仅仅通过第一图片的位置信息无法准确获取第一图片的兴趣点坐标的问题，提高了兴趣点坐标的采集效率，提高了兴趣点坐标的准确率，节省了人力物力成本。
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，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，对于本领域普通技术人员来讲，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1a是本申请实施例提供的一种数据处理的架构示意图；
图1b是本申请实施例提供的一种数据处理方法的举例示意图；
图1c是本申请实施例提供的一种数据处理方法的场景示意图；
图2是本申请实施例提供的一种数据处理方法的流程示意图；
图3是本申请实施例提供的一种数据处理方法的流程示意图；
图4是本申请实施例提供的一种数据处理方法的流程示意图；
图5是本申请实施例提供的一种数据处理设备的结构示意图；
图6是本申请实施例提供的一种数据处理设备的结构示意图。
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，都属于本申请保护的范围。
请参见图1a，是本发明实施例提供的一种数据处理的***架构图。服务器10f通过交换机10e和通信总线10d与用户终端集群建立连接，用户终端集群可包括：用户终端10a、用户终端10b、...、用户终端10c。数据库10g中存储了目标网络模型和实景样本图片集合，所述实景样本图片集合中包括多个第一训练图片，所述目标网络模型用于生成用户终端输入的第一图片的兴趣点坐标。服务器10f从数据库10g中提取出多个第一训练图片，根据地图平台获取所述第一训练图片对应的第二训练图片，以及第一训练图片的标记数据和第二训练图片中采集的每个坐标点的评价指数。服务器10f基于多个携带标记数据的第一训练图片和携带坐标点评价指数的第二训练图片，训练目标网络模型，并存储该目标网络模型。请参见图1b，是本发明实施例提供的一种数据处理方法的举例示意图。如图1b所示，服务器获取用户终端发送的携带标记数据的第一图片和携带坐标点的第二图片，基于训练好的目标网络模型，生成所述坐标点与所述第一图片之间的评价指数，服务器所述评价指数发送至用户终端。当然，也可以由服务器将训练好的目标网络模型发送至用户终端集群中各用户终端，由用户终端生成第二图片携带的坐标点与第一图片的评价指数。
本申请实施例涉及的数据处理设备可以是服务器，所述用户终端包括：平板电脑、智能手机、个人电脑(PC)、笔记本电脑、掌上电脑等终端设备。
下面将结合图1c，为本申请实施例提供的具体实施场景进行说明，如图1c所示。服务器获取携带有采集数据的第一图片，所述第一图片为用户终端上传，或者存储于本地存储空间中的图片，通过POI识别或者人工标记的方法获取第一图片中的POI框数据，POI框数据具体可以为红色矩形框，根据采集数据中的位置信息从地图平台上获取地图基本数据，地图基本数据包括路网，POI，节点，楼块等，并对地图基本数据进行底图制备，所述底图制备是对基本数据中每种元素使用不同颜色进行渲染，例如，可以将POI渲染为浅蓝色，将道路线渲染为黄色，楼块渲染为红色，任务线渲染为紫色，方向角渲染为浅灰色，不同颜色可以使目标网络模型获取到不同的特征，并对渲染后的图片进行归一化处理，将图片方向调整为固定方向，将归一化后的图片确定为第二图片，在第二图片上，进行可能的坐标点召回，生成召回数据，所述召回数据为第二图片上的坐标点，为了提高召回数据的准确性，通常根据区域划分，选择了不同的抽样间隔来进行抽样采集，在任务线附近区域进行更密集的采集频率，将携带有POI框数据的第一图片和携带有召回数据的第二图片输入离线模型，生成召回数据与所述第一图片之间的评价指数，所述评价指数用于评价召回数据是第一图片中POI的坐标的可能性大小，将最大的召回数据确定为第一图片中POI的POI坐标。所述离线模型为训练后的目标网络模型。
请参见图2，为本申请实施例提供了一种数据处理方法的流程示意图。如图2所示，本申请实施例的所述方法可以包括以下步骤S101-步骤S105。
S101，获取携带有采集数据的第一图片，获取所述第一图片的标记数据；所述采集数据包括位置信息和方向角信息；
具体的，数据处理设备获取携带有采集数据的第一图片，获取所述第一图片的标记数据；所述采集数据包括位置信息和方向角信息，可以理解的是，所述数据处理设备可以是图1a中的服务器10f，所述第一图片是携带有采集数据的图片，即所述第一图片的采集数据是已知的，所述第一图片具体可以为实景图片，所述采集数据包括位置信息和方向角信息，所述位置信息是拍摄所述第一图片的位置坐标，所述方向角信息是拍摄所述第一图片的方位信息，所述位置信息和所述方向角信息可以通过拍摄设备上的定位***获取第一图片的位置坐标和方向角信息，具体可以通过拍摄设备上的GPS进行定位，获取拍摄地点的位置信息和拍摄的方位信息，例如，采用手机拍摄第一图片，同时手机通过GPS获取拍摄第一图片时的位置信息和方向角信息，数据处理设备获取的第一图片携带有包括位置信息和方向角信息的采集数据，数据处理设备进一步获取所述第一图片的标记数据，所述标记数据为所述第一图片中的标记符号，具体可以为矩形框或者是下划线。
S102，根据所述位置信息从地图平台上获取第一图片对应的第二图片；
具体的，数据处理设备根据所述位置信息从地图平台上获取第一图片对应的第二图片，可以理解的是，数据处理设备根据所述位置信息从地图平台上获取拍摄所述第一图片的坐标信息，并在所述地图平台的地图上截取目标尺寸的地图作为第二图片，所述第一图片与第二图片为一一对应的关系，所述第一图片为实景图片，所述第二图片为地图平台上地图的一部分，所述第二图片的尺寸可以预先设置，所述第二图片的中心点坐标为所述第一图片的位置信息。
S103，根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点；
具体的，数据处理设备根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点，可以理解的是，数据处理设备根据所述方向角信息对所述第二图片进行归一化处理，所述归一化处理是将所述第二图片调整至固定方向，在归一化处理的第二图片上进行坐标点采集，归一化处理可以保证坐标采集从同一个方向开始，遍历整个第二图片，采集的坐标点包括至少一个坐标点，具体的，可以从第二图片的左上角开始逐行遍历每个像素点，每间隔固定数量的像素获取像素的坐标点，将遍历第二图片后获取的坐标点作为第二图片对应的坐标点。
S104，根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数；
具体的，数据处理设备根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数，可以理解的是，数据处理设备采用训练后的目标网络模型获取所述坐标点与所述第一图片之间的评价指数，所述目标网络模型具体可以是神经网络，数据处理设备将携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片作为目标网络模型的输入，目标网络模型提取所述第一图片和所述第二图片中的特征信息，根据所述特征信息生成评价指数，所述评价指数用于表征所述第二图片携带的坐标点与所述第一图片的标记数据对应的坐标之间的准确度，标记数据的取值范围为[0，1]，评价指数越大，所述坐标点为所述第一图片中标记数据对应的坐标的概率越大。
S105，将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标。
具体的，数据处理设备将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标，可以理解的是，数据处理设备将第二图片对应的每个坐标点均计算一个评价指数，若第二图片对应n个坐标点，则将上述步骤S104执行n次，每次输入目标网络模型的携带所述标记数据的所述第一图片均相同，所述第二图片携带的坐标点不相同，数据处理设备将多个所述评价指数中最高的坐标点确定为所述第一图片的兴趣点坐标。
在本申请实施例中，通过获取携带有采集数据的第一图片，获取所述第一图片的标记数据；所述采集数据包括位置信息和方向角信息；根据所述位置信息从地图平台上获取第一图片对应的第二图片；根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点；根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数；将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标。通过携带标记数据的第一图片和携带坐标点的第二图片确定所述第一图片的兴趣点坐标，避免了通过人工标记兴趣点坐标导致效率低下，以及仅仅通过第一图片的位置信息无法准确获取第一图片的兴趣点坐标的问题，提高了兴趣点坐标的采集效率，提高了兴趣点坐标的准确率，节省了人力物力成本。
请参见图3，为本申请实施例提供了一种数据处理方法的流程示意图。如图3所示，本申请实施例的所述方法可以包括以下步骤S201-步骤S209。
S201，获取携带有采集数据的第一图片，识别第一图片中兴趣点坐标对应的对象区域；采用标记框对第一图片的对象区域进行标记，以生成所述第一图片对应的标记数据。
具体的，数据处理设备获取携带有采集数据的第一图片，识别第一图片中兴趣点坐标对应的对象区域；采用标记框对第一图片的对象区域进行标记，以生成所述第一图片对应的标记数据，可以理解的是，所述第一图片是携带有采集数据的图片，所述第一图片具体可以为实景图片，所述采集数据包括位置信息和方向角信息，所述位置信息是拍摄所述第一图片的位置坐标，所述方向角信息是拍摄所述第一图片的方位信息，所述位置信息和所述方向角信息可以通过拍摄设备上的定位***获取第一图片的位置坐标和方向角信息，数据处理设备识别第一图片中兴趣点坐标对应的对象区域，所述兴趣点坐标为第一图片中所拍摄对象的坐标，所述对象区域为所拍摄对象标识信息，具体可以为第一图片中的文字信息，例如，可以是商店的名称或者是大楼的名称，对象区域的识别可以采用人工标记或者光学字符识别(Optical Character Recognition，OCR)，采用标记框对第一图片的对象区域进行标记，以生成所述第一图片对应的标记数据，所述标记数据为所述第一图片中的标记符号，具体可以为矩形框或者是下划线，例如，通过OCR识别第一图片中的文字，采用红色矩形框将文字进行标记。
S202，根据所述第一图片的位置信息从所述地图平台上获取具有目标尺寸的待处理图片；所述待处理图片携带地图基本数据，所述地图基本数据包括路网数据、兴趣点数据、楼块数据和任务线数据；根据颜色对应表，分别对所述待处理图片中的所述路网数据、所述兴趣点数据、所述楼块数据和所述任务线数据进行不同颜色标注，将包含颜色标注的待处理图片确定所述第二图片。
具体的，数据处理设备根据所述第一图片的位置信息从所述地图平台上获取具有目标尺寸的待处理图片；所述待处理图片携带地图基本数据，所述地图基本数据包括路网数据、兴趣点数据、楼块数据和任务线数据；根据颜色对应表，分别对所述待处理图片中的所述路网数据、所述兴趣点数据、所述楼块数据和所述任务线数据进行不同颜色标注，将包含颜色标注的待处理图片确定所述第二图片，可以理解的是，所述目标尺寸为预设的固定尺寸，所述待处理图片是地图平台的地图上截取的目标尺寸的地图，所述待处理图片携带地图基本数据，所述地图基本数据包括路网数据、兴趣点数据、楼块数据和任务线数据，路网数据为地图上的道路，兴趣点数据为地图上已知的兴趣点，楼块数据为地图上的建筑物，任务线数据为第一图片中兴趣点坐标的大概位置，数据处理设备根据颜色对应表，分别对所述待处理图片中的地图基本数据进行不同颜色标注，所述颜色对应表中存储了各种地图基本数据对应的颜色，将包含颜色标注的待处理图片确定所述第二图片。
S203，根据所述第一图片的方向角信息，确定所述第二图片对应的坐标采集方位；
具体的，数据处理设备根据所述第一图片的方向角信息，确定所述第二图片对应的坐标采集方位，可以理解的是，数据处理设备根据所述第一图片的方向角信息调整所述第二图片对应的坐标采集方位，具体的可以将方向角信息调整为正上方，所述坐标采集方位为预设的固定方向，可以保证坐标采集从同一个方向开始。
S204，根据步长信息以及所述坐标采集方位对所述第二图片进行坐标采样，得到坐标点。
具体的，数据处理设备根据步长信息以及所述坐标采集方位对所述第二图片进行坐标采样，得到坐标点，可以理解的是，数据处理设备根据采集方位遍历整个第二图片，具体的，可以从第二图片的左上角开始逐行遍历每个像素点，每间隔固定数量的像素获取像素的坐标点，将遍历第二图片后获取的坐标点作为第二图片对应的坐标点，需要说明的是，不同位置的坐标点生成的评价指数不同，处于任务线数据附近的坐标点评价指数相对较高，即处于任务线数据附近的坐标点是第一图片兴趣点坐标的概率更大，为了保证最终结果的准确性，可以在任务线数据附近的区域获取更多的坐标点，具体的坐标点获取方法如下所示：
数据处理设备对所述第二图片进行区域划分，将任务线数据所在的目标尺寸区域确定为第一区域，将所述第二图片中除所述第一区域外的区域确定为第二区域；根据第一步长信息以及所述坐标采集方位对所述第一区域进行坐标采集以获取第一坐标点，根据第二步长信息以及所述坐标采集方位对所述第二区域进行坐标采集以获取第二坐标点；将所述第一坐标点和所述第二坐标点确定为所述第二图片的坐标点。
可以理解的是，数据处理设备将所述第二图片进行区域划分，将任务线数据所在的目标尺寸区域确定为第一区域，所述目标尺寸为预先设置的固定尺寸与第二图片的尺寸不相同，具体的，可以将任务线两侧固定宽度的区域设定为第一区域，将所述第二图片中除所述第一区域外的区域确定为第二区域，根据第一步长信息以及所述坐标采集方位对所述第一区域进行坐标采集以获取第一坐标点，所述第一步长信息为坐标采集的频率，若所述第一步长信息为100像素，则遍历第一区域的像素点，每间隔100像素采集一次像素点的坐标，将第一区域中采集的坐标确定为第一坐标点，根据第二步长信息以及所述坐标采集方位对所述第二区域进行坐标采集以获取第二坐标点，所述第二步长信息为坐标采集的频率，且第二步长信息大于第一步长信息，若所述第二步长信息为200像素，则遍历第二区域的像素点，每间隔200像素采集一次像素点的坐标，将第二区域中采集的坐标确定为第二坐标点，将所述第一坐标点和所述第二坐标点确定为所述第二图片的坐标点。
S205，从实景样本图片集合中获取第一训练图片，基于地图平台获取所述第一训练图片对应的第二训练图片；
具体的，数据处理设备从实景样本图片集合中获取第一训练图片，基于地图平台获取所述第一训练图片对应的第二训练图片，可以理解的是，所述实景样本图片集合存储第一训练图片，所述第一训练图片用于训练初始目标网络模型，所述初始目标网络模型为为训练前的目标网络模型，基于地图平台获取所述第一训练图片对应的第二训练图片，具体的，所述第一训练图片中携带有采集数据，采集数据包括位置信息和方向角信息，根据所述位置信息从地图平台上获取第一训练图片对应的第二训练图片。
S206，根据所述第一训练图片和所述第二训练图片调整初始目标网络模型；
具体的，数据处理设备根据所述第一训练图片和所述第二训练图片调整初始目标网络模型，可以理解的是，根据携带有标记数据的所述第一训练图片和携带坐标点的所述第二训练图片，调整初始目标网络模型，具体的调整过程如下所述：
数据处理设备获取所述第一训练图片的标记数据和评价指数，以及所述第二训练图片的坐标点；采用所述初始目标网络模型，根据所述第一训练图片的标记数据和所述第二训练图片的坐标点生成预测评价指数；根据所述预测评价指数和所述评价指数确定指数误差，并根据所述指数误差反向传播调整所述初始目标网络模型。
可以理解的是，数据处理设备获取所述第一训练图片的标记数据和评价指数，以及所述第二训练图片的坐标点，所述标记数据可以采用人工标记或者光学字符识别OCR进行获取，根据所述第一训练图片的方向角信息，确定所述第二训练图片对应的坐标采集方位，根据步长信息以及所述坐标采集方位对所述第二训练图片进行坐标采样，得到第二训练图片的坐标点，以及每个坐标点对应的评价指数，所述评价指数的取值为0或者1，当所述第二训练图片的坐标点与第一训练图片的位置信息的实际距离在30米以内，并且不跨道路，则第二训练图片的坐标点的评价指数为1，否则为坐标点的评价指数为0，采用所述初始目标网络模型，根据所述第一训练图片的标记数据和所述第二训练图片的坐标点生成预测评价指数；根据所述预测评价指数和所述评价指数确定指数误差，并根据所述指数误差反向传播调整所述初始目标网络模型。
S207，当调整后的初始目标网络模型满足目标收敛条件时，将包含调整后的模型参数的初始目标网络模型确定为所述目标网络模型；所述目标网络模型用于生成第一图片对应的评价指数。
具体的，当调整后的初始目标网络模型满足目标收敛条件时，数据处理设备将包含调整后的模型参数的初始目标网络模型确定为所述目标网络模型；所述目标网络模型用于生成第一图片对应的评价指数，可以理解的是，所述目标收敛条件是指数误差小于误差阈值，或者调整次数大于次数阈值，即当调整后的初始目标网络模型的指数误差小于误差阈值，或者调整次数大于次数阈值时，将包含调整后的模型参数的初始目标网络模型确定为所述目标网络模型；所述目标网络模型用于生成第一图片对应的评价指数。
S208，将携带有所述标记数据的所述第一图片和携带有所述坐标点的所述第二图片输入目标网络模型；采用所述目标网络模型提取所述第一图片中的标记数据，生成第一特征，采用所述目标网络模型以及基本数据的标注颜色提取所述第二图片中的所述路网数据、所述兴趣点数据、所述楼块数据和所述任务线数据，生成第二特征；根据所述第一特征和所述第二特征生成所述坐标点针对所述第一图片中标记数据的评价指数。
具体的，数据处理设备将携带有所述标记数据的所述第一图片和携带有所述坐标点的所述第二图片输入目标网络模型；采用所述目标网络模型提取所述第一图片中的标记数据，生成第一特征，采用所述目标网络模型以及基本数据的标注颜色提取所述第二图片中的所述路网数据、所述兴趣点数据、所述楼块数据和所述任务线数据，生成第二特征；根据所述第一特征和所述第二特征生成所述坐标点针对所述第一图片中标记数据的评价指数，可以理解的是，携带有所述标记数据的所述第一图片和携带有所述坐标点的所述第二图片作为目标网络模型的输入，请参见图4，为本申请实施例提供了一种数据处理方法的流程示意图，如图4所示，所述目标网络模型中的卷积层提取所述第一图片中的标记数据，生成第一特征，采用所述目标网络模型中的卷积层以及基本数据的标注颜色提取所述第二图片中的所述路网数据、所述兴趣点数据、所述楼块数据和所述任务线数据，生成第二特征，将所述第一特征和所述第二特征通过拼接层进行拼接，经过卷积层和全连接层生成所述坐标点针对所述第一图片中标记数据的评价指数，所述评价指数用于表征所述第二图片携带的坐标点与所述第一图片的标记数据对应的坐标之间的准确度，标记数据的取值范围为[0，1]，评价指数越大，所述坐标点为所述第一图片中标记数据对应的坐标的概率越大。
S209，将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标。
具体的，数据处理设备将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标，可以理解的是，数据处理设备将第二图片对应的每个坐标点均计算一个评价指数，若第二图片对应n个坐标点，则将上述步骤S208执行n次，每次输入目标网络模型的携带所述标记数据的所述第一图片均相同，所述第二图片携带的坐标点不相同，数据处理设备将多个所述评价指数中最高的坐标点确定为所述第一图片的兴趣点坐标。
在本申请实施例中，通过获取携带有采集数据的第一图片，获取所述第一图片的标记数据；所述采集数据包括位置信息和方向角信息；根据所述位置信息从地图平台上获取第一图片对应的第二图片；根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点；根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数；将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标。通过携带标记数据的第一图片和携带坐标点的第二图片确定所述第一图片的兴趣点坐标，避免了通过人工标记兴趣点坐标导致效率低下，以及仅仅通过第一图片的位置信息无法准确获取第一图片的兴趣点坐标的问题，提高了兴趣点坐标的采集效率，提高了兴趣点坐标的准确率，节省了人力物力成本。
请参见图5，为本申请实施例提供了一种数据处理设备的结构示意图。如图5所示，本申请实施例的所述专网设备1可以包括：第一图片获取单元11、第二图片获取单元12、坐标点获取单元13、评价指数获取单元14、坐标确定单元15、训练图片获取单元16、模型调整单元17、模型确定单元18。
第一图片获取单元11，用于获取携带有采集数据的第一图片，获取所述第一图片的标记数据；所述采集数据包括位置信息和方向角信息；
具体的，第一图片获取单元11获取携带有采集数据的第一图片，获取所述第一图片的标记数据；所述采集数据包括位置信息和方向角信息，可以理解的是，所述第一图片是携带有采集数据的图片，即所述第一图片的采集数据是已知的，所述第一图片具体可以为实景图片，所述采集数据包括位置信息和方向角信息，所述位置信息是拍摄所述第一图片的位置坐标，所述方向角信息是拍摄所述第一图片的方位信息，所述位置信息和所述方向角信息可以通过拍摄设备上的定位***获取第一图片的位置坐标和方向角信息，具体可以通过拍摄设备上的GPS进行定位，获取拍摄地点的位置信息和拍摄的方位信息，例如，采用手机拍摄第一图片，同时手机通过GPS获取拍摄第一图片时的位置信息和方向角信息，第一图片获取单元11获取的第一图片携带有包括位置信息和方向角信息的采集数据，第一图片获取单元11进一步获取所述第一图片的标记数据，所述标记数据为所述第一图片中的标记符号，具体可以为矩形框或者是下划线。
第二图片获取单元12，用于根据所述位置信息从地图平台上获取第一图片对应的第二图片；
具体的，第二图片获取单元12根据所述位置信息从地图平台上获取第一图片对应的第二图片，可以理解的是，第二图片获取单元12根据所述位置信息从地图平台上获取拍摄所述第一图片的坐标信息，并在所述地图平台的地图上截取目标尺寸的地图作为第二图片，所述第一图片与第二图片为一一对应的关系，所述第一图片为实景图片，所述第二图片为地图平台上地图的一部分，所述第二图片的尺寸可以预先设置，所述第二图片的中心点坐标为所述第一图片的位置信息。
坐标点获取单元13，用于根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点；
具体的，坐标点获取单元13根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点，可以理解的是，坐标点获取单元13根据所述方向角信息对所述第二图片进行归一化处理，所述归一化处理是将所述第二图片调整至固定方向，在归一化处理的第二图片上进行坐标点采集，归一化处理可以保证坐标采集从同一个方向开始，遍历整个第二图片，采集的坐标点包括至少一个坐标点，具体的，可以从第二图片的左上角开始逐行遍历每个像素点，每间隔固定数量的像素获取像素的坐标点，将遍历第二图片后获取的坐标点作为第二图片对应的坐标点。
请参见图5，本申请实施例的所述坐标点获取单元13可以包括：采集方位确定子单元131、坐标点获取子单元132：
采集方位确定子单元131，用于根据所述第一图片的方向角信息，确定所述第二图片对应的坐标采集方位；
坐标点获取子单元132，用于根据步长信息以及所述坐标采集方位对所述第二图片进行坐标采样，得到坐标点。
训练图片获取单元16，用于从实景样本图片集合中获取第一训练图片，基于地图平台获取所述第一训练图片对应的第二训练图片；
模型调整单元17，用于根据所述第一训练图片和所述第二训练图片调整初始目标网络模型；
模型确定单元18，用于当调整后的初始目标网络模型满足目标收敛条件时，将包含调整后的模型参数的初始目标网络模型确定为所述目标网络模型；所述目标网络模型用于生成第一图片对应的评价指数。
评价指数获取单元14，用于根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数；
具体的，评价指数获取单元14根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数，可以理解的是，评价指数获取单元14采用训练后的目标网络模型获取所述坐标点与所述第一图片之间的评价指数，所述目标网络模型具体可以是神经网络，评价指数获取单元14将携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片作为目标网络模型的输入，目标网络模型提取所述第一图片和所述第二图片中的特征信息，根据所述特征信息生成评价指数，所述评价指数用于表征所述第二图片携带的坐标点与所述第一图片的标记数据对应的坐标之间的准确度，标记数据的取值范围为[0，1]，评价指数越大，所述坐标点为所述第一图片中标记数据对应的坐标的概率越大。
坐标确定单元15，用于将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标。
具体的，坐标确定单元15将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标，可以理解的是，坐标确定单元15将第二图片对应的每个坐标点均计算一个评价指数，若第二图片对应n个坐标点，则将上述评价指数获取单元14执行n次，每次输入目标网络模型的携带所述标记数据的所述第一图片均相同，所述第二图片携带的坐标点不相同，数据处理设备将多个所述评价指数中最高的坐标点确定为所述第一图片的兴趣点坐标。
在本申请实施例中，通过获取携带有采集数据的第一图片，获取所述第一图片的标记数据；所述采集数据包括位置信息和方向角信息；根据所述位置信息从地图平台上获取第一图片对应的第二图片；根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点；根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数；将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标。通过携带标记数据的第一图片和携带坐标点的第二图片确定所述第一图片的兴趣点坐标，避免了通过人工标记兴趣点坐标导致效率低下，以及仅仅通过第一图片的位置信息无法准确获取第一图片的兴趣点坐标的问题，提高了兴趣点坐标的采集效率，提高了兴趣点坐标的准确率，节省了人力物力成本。
请参见图6，为本申请实施例提供了一种数据处理设备的结构示意图。如图6所示，所述数据处理设备1000可以包括：至少一个处理器1001，例如CPU，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图6所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及数据处理应用程序。
在图6所示的数据处理设备1000中，网络接口1004可提供网络通讯功能，用户接口1003主要用于为用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的数据处理应用程序，以实现上述图1a-图4任一个所对应实施例中对所述数据处理方法的描述，在此不再赘述。
应当理解，本申请实施例中所描述的数据处理设备1000可执行前文图1a-图4任一个所对应实施例中对所述数据处理方法的描述，也可执行前文图5所对应实施例中对所述数据处理设备的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。
此外，这里需要指出的是：本申请实施例还提供了一种计算机可读存储介质，且所述计算机可读存储介质中存储有前文提及的数据处理设备所执行的计算机程序，且所述计算机程序包括程序指令，当所述处理器执行所述程序指令时，能够执行前文图1a-图4任一个所对应实施例中对所述数据处理方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。
本领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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
Claims (10)
1.一种数据处理方法，其特征在于，包括：
获取携带有采集数据的第一图片，获取所述第一图片的标记数据；所述采集数据包括位置信息和方向角信息；
根据所述位置信息从地图平台上获取第一图片对应的第二图片；
根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点；
根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数；
将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标。
2.根据权利要求1所述的方法，其特征在于，所述获取携带有采集数据的第一图片，获取所述第一图片的标记数据，包括：
获取携带有采集数据的第一图片，识别第一图片中兴趣点坐标对应的对象区域；
采用标记框对第一图片的对象区域进行标记，以生成所述第一图片对应的标记数据。
3.根据权利要求1所述的方法，其特征在于，所述根据所述位置信息从地图平台上获取第一图片对应的第二图片，包括：
根据所述第一图片的位置信息从所述地图平台上获取具有目标尺寸的待处理图片；所述待处理图片携带地图基本数据，所述地图基本数据包括路网数据、兴趣点数据、楼块数据和任务线数据；
根据颜色对应表，分别对所述待处理图片中的所述路网数据、所述兴趣点数据、所述楼块数据和所述任务线数据进行不同颜色标注，将包含颜色标注的待处理图片确定所述第二图片。
4.根据权利要求1所述的方法，其特征在于，所述根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点，包括：
根据所述第一图片的方向角信息，确定所述第二图片对应的坐标采集方位；
根据步长信息以及所述坐标采集方位对所述第二图片进行坐标采样，得到坐标点。
5.根据权利要求4所述的方法，其特征在于，所述根据步长信息以及所述坐标采集方位对所述第二图片进行坐标采样，得到坐标点，包括：
对所述第二图片进行区域划分，将任务线数据所在的目标尺寸区域确定为第一区域，将所述第二图片中除所述第一区域外的区域确定为第二区域；
根据第一步长信息以及所述坐标采集方位对所述第一区域进行坐标采集以获取第一坐标点，根据第二步长信息以及所述坐标采集方位对所述第二区域进行坐标采集以获取第二坐标点；
将所述第一坐标点和所述第二坐标点确定为所述第二图片的坐标点。
6.根据权利要求3所述的方法，其特征在于，所述根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数，包括：
将携带有所述标记数据的所述第一图片和携带有所述坐标点的所述第二图片输入目标网络模型；
采用所述目标网络模型提取所述第一图片中的标记数据，生成第一特征，采用所述目标网络模型以及基本数据的标注颜色提取所述第二图片中的所述路网数据、所述兴趣点数据、所述楼块数据和所述任务线数据，生成第二特征；
根据所述第一特征和所述第二特征生成所述坐标点针对所述第一图片中标记数据的评价指数。
7.根据权利要求6所述的方法，其特征在于，还包括：
从实景样本图片集合中获取第一训练图片，基于地图平台获取所述第一训练图片对应的第二训练图片；
根据所述第一训练图片和所述第二训练图片调整初始目标网络模型；
当调整后的初始目标网络模型满足目标收敛条件时，将包含调整后的模型参数的初始目标网络模型确定为所述目标网络模型；
所述目标网络模型用于生成第一图片对应的评价指数。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第一训练图片和所述第二训练图片调整初始目标网络模型，包括：
获取所述第一训练图片的标记数据和评价指数，以及所述第二训练图片的坐标点；
采用所述初始目标网络模型，根据所述第一训练图片的标记数据和所述第二训练图片的坐标点生成预测评价指数；
根据所述预测评价指数和所述评价指数确定指数误差，并根据所述指数误差反向传播调整所述初始目标网络模型。
9.一种数据处理设备，其特征在于，包括：
第一图片获取单元，用于获取携带有采集数据的第一图片，获取所述第一图片的标记数据；所述采集数据包括位置信息和方向角信息；
第二图片获取单元，用于根据所述位置信息从地图平台上获取第一图片对应的第二图片；
坐标点获取单元，用于根据所述方向角信息对所述第二图片进行坐标采样获取所述第二图片对应的坐标点；
评价指数获取单元，用于根据携带所述标记数据的所述第一图片和携带所述坐标点的所述第二图片，确定所述坐标点与所述第一图片之间的评价指数；
坐标确定单元，用于将所述评价指数最高的坐标点确定为所述第一图片的兴趣点坐标。
10.一种数据处理设备，其特征在于，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-8任意一项的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910750244.4A CN110503685B (zh) | 2019-08-14 | 2019-08-14 | 一种数据处理方法以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910750244.4A CN110503685B (zh) | 2019-08-14 | 2019-08-14 | 一种数据处理方法以及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110503685A true CN110503685A (zh) | 2019-11-26 |
| CN110503685B CN110503685B (zh) | 2022-04-15 |
Family
ID=68587469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910750244.4A Active CN110503685B (zh) | 2019-08-14 | 2019-08-14 | 一种数据处理方法以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110503685B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111858807A (zh) * | 2020-07-16 | 2020-10-30 | 北京百度网讯科技有限公司 | 一种任务处理方法、装置、设备以及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011027482A (ja) * | 2009-07-22 | 2011-02-10 | Navitime Japan Co Ltd | 地図表示システム、地図表示装置及び地図表示方法 |
| CN103842042A (zh) * | 2012-11-20 | 2014-06-04 | 齐麟致 | 一种信息处理方法和信息处理装置 |
| CN103971589A (zh) * | 2013-01-28 | 2014-08-06 | 腾讯科技（深圳）有限公司 | 将地图的兴趣点信息添加于街景图像中的处理方法及装置 |
| CN104330089A (zh) * | 2014-11-17 | 2015-02-04 | 东北大学 | 一种利用历史gps数据进行地图匹配的方法 |
| CN104596523A (zh) * | 2014-06-05 | 2015-05-06 | 腾讯科技（深圳）有限公司 | 一种街景目的地引导方法和设备 |
| CN105893632A (zh) * | 2016-06-02 | 2016-08-24 | 腾讯科技（深圳）有限公司 | 道路名称的数据编译方法、地图标注方法和装置 |
| CN109357683A (zh) * | 2018-10-26 | 2019-02-19 | 杭州睿琪软件有限公司 | 一种基于兴趣点的导航方法、装置、电子设备和存储介质 |
-
2019
- 2019-08-14 CN CN201910750244.4A patent/CN110503685B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011027482A (ja) * | 2009-07-22 | 2011-02-10 | Navitime Japan Co Ltd | 地図表示システム、地図表示装置及び地図表示方法 |
| CN103842042A (zh) * | 2012-11-20 | 2014-06-04 | 齐麟致 | 一种信息处理方法和信息处理装置 |
| CN103971589A (zh) * | 2013-01-28 | 2014-08-06 | 腾讯科技（深圳）有限公司 | 将地图的兴趣点信息添加于街景图像中的处理方法及装置 |
| CN104596523A (zh) * | 2014-06-05 | 2015-05-06 | 腾讯科技（深圳）有限公司 | 一种街景目的地引导方法和设备 |
| CN104330089A (zh) * | 2014-11-17 | 2015-02-04 | 东北大学 | 一种利用历史gps数据进行地图匹配的方法 |
| CN105893632A (zh) * | 2016-06-02 | 2016-08-24 | 腾讯科技（深圳）有限公司 | 道路名称的数据编译方法、地图标注方法和装置 |
| CN109357683A (zh) * | 2018-10-26 | 2019-02-19 | 杭州睿琪软件有限公司 | 一种基于兴趣点的导航方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| FLORIANO SCIOSCIA 等: "A Framework and a Tool for Semantic Annotation of POIs in OpenStreetMap", 《PROCEDIA - SOCIAL AND BEHAVIORAL SCIENCES》 * |
| 董正国 等: "基于卫星地图的街景兴趣点采集方法", 《测绘地理信息》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111858807A (zh) * | 2020-07-16 | 2020-10-30 | 北京百度网讯科技有限公司 | 一种任务处理方法、装置、设备以及存储介质 |
| CN111858807B (zh) * | 2020-07-16 | 2024-03-05 | 北京百度网讯科技有限公司 | 一种任务处理方法、装置、设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110503685B (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108197623A (zh) | 用于检测目标的方法和装置 | |
| CN108229575A (zh) | 用于检测目标的方法和装置 | |
| CN107644209A (zh) | 人脸检测方法和装置 | |
| CN110400363A (zh) | 基于激光点云的地图构建方法和装置 | |
| CN107633526A (zh) | 一种图像跟踪点获取方法及设备、存储介质 | |
| CN105426837B (zh) | 移动网络视觉雾霾检测*** | |
| CN109308490A (zh) | 用于生成信息的方法和装置 | |
| CN108228835B (zh) | 用于处理视频的方法和装置 | |
| CN105847310A (zh) | 一种确定位置的方法及装置 | |
| CN108197618A (zh) | 用于生成人脸检测模型的方法和装置 | |
| CN109115221A (zh) | 室内定位、导航方法及装置、计算机可读介质和电子设备 | |
| CN108876858A (zh) | 用于处理图像的方法和装置 | |
| EP3885980A1 (en) | Method and apparatus for processing information, device, medium and computer program product | |
| CN108133197A (zh) | 用于生成信息的方法和装置 | |
| CN110472460A (zh) | 人脸图像处理方法及装置 | |
| CN110769195A (zh) | 输电线路施工现场违章智能监控识别*** | |
| CN109508583A (zh) | 一种人群分布特征的获取方法和装置 | |
| CN109242801A (zh) | 图像处理方法和装置 | |
| CN110135609A (zh) | 一种基于大数据共建共享的智慧旅游***及方法 | |
| CN110399822A (zh) | 基于深度学习的举手动作识别方法、装置及存储介质 | |
| CN108573522A (zh) | 一种标志数据的展示方法及终端 | |
| CN106529456A (zh) | 信息匹配和信息收发方法、装置及目标对象找寻*** | |
| CN110084235A (zh) | 基于兴趣点的信息采集方法、装置和采集设备 | |
| CN110379340B (zh) | 基于iBeacon与GPS的室外定位旅游导览*** | |
| CN112183431A (zh) | 实时行人数量统计方法、装置、相机和服务器 |
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 |