CN112434648A - 一种墙体形状变化检测方法及*** - Google Patents
一种墙体形状变化检测方法及*** Download PDFInfo
- Publication number
- CN112434648A CN112434648A CN202011427207.9A CN202011427207A CN112434648A CN 112434648 A CN112434648 A CN 112434648A CN 202011427207 A CN202011427207 A CN 202011427207A CN 112434648 A CN112434648 A CN 112434648A
- Authority
- CN
- China
- Prior art keywords
- wall
- shape change
- wall shape
- information
- preset
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种墙体形状变化检测方法及***,通过在目标图像采集设备的更新采集策略所对应采集的墙体实时数据中获取预设墙体对象的墙体形状变化数据,获取预设墙体对象内墙体形状变化特征的墙体对象记录信息,并对墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出墙体对象记录信息对应的预设特征模板,根据墙体形状变化数据,对墙体形状变化数据中的墙体形状变化特征进行映射关联,将得到的墙体形状变化特征的映射关联信息保存对应的预设特征模板中,并根据预设特征模板对墙体形状变化特征进行特征学习。由此能够全面地对墙体形状变化特征进行特征学习,进而保证后续墙体形状变化检测的准确性。
Description
技术领域
本申请涉及建筑物检测技术领域,具体而言,涉及一种墙体形状变化检测方法及***。
背景技术
如何能够全面地对墙体形状变化特征进行特征学习,进而保证后续墙体形状变化检测的准确性,是本领域亟待解决的技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种墙体形状变化检测方法及***,能够全面地对墙体形状变化特征进行特征学习,进而保证后续墙体形状变化检测的准确性。
根据本申请的第一方面,提供一种墙体形状变化检测方法,应用于服务器,所述服务器与图像采集设备通信连接,所述方法包括:
在目标图像采集设备的更新采集策略所对应采集的墙体实时数据中获取预设墙体对象的墙体形状变化数据,所述墙体形状变化数据中包括墙体形状变化特征;
获取所述预设墙体对象内所述墙体形状变化特征的墙体对象记录信息,并对所述墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出所述墙体对象记录信息对应的预设特征模板,所述预设特征模板序列中保存有所述墙体形状变化特征的预设特征模板;
根据所述墙体形状变化数据,对所述墙体形状变化数据中的所述墙体形状变化特征进行映射关联,得到所述墙体形状变化特征的映射关联信息;
将所述映射关联信息保存在所述预设特征模板序列的所述墙体对象记录信息对应的预设特征模板中,并根据所述预设特征模板对所述墙体形状变化特征进行特征学习。
在第一方面的一种可能的实施方式中,所述获取所述预设墙体对象内所述墙体形状变化特征的墙体对象记录信息的步骤,包括:
根据所述墙体形状变化数据,确定出所述墙体形状变化数据中所述墙体形状变化特征的特征学习对象,对所述特征学习对象进行跟踪,得到所述墙体形状变化特征的墙体对象记录信息。
在第一方面的一种可能的实施方式中,当所述墙体形状变化数据中包括多个墙体形状变化特征时,所述根据所述墙体形状变化数据,确定出所述墙体形状变化数据中所述墙体形状变化特征的特征学习对象,对所述特征学习对象进行跟踪,得到所述墙体形状变化特征的墙体对象记录信息的步骤,包括:
根据所述墙体形状变化数据,确定出所述墙体形状变化数据中各个所述墙体形状变化特征的特征学习对象,并确定出各个特征学习对象在所述墙体形状变化数据中的方位信息;
分别对每一个特征学习对象进行跟踪,得到该特征学习对象对应的墙体形状变化特征的墙体对象记录信息,并将该特征学习对象的方位信息,作为该墙体对象记录信息的方位信息;
所述对所述墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出所述墙体对象记录信息对应的预设特征模板,包括:
对各个所述墙体对象记录信息分别进行特征识别,在预设特征模板序列中,确定出各个所述墙体对象记录信息分别对应的预设特征模板;
所述根据所述墙体形状变化数据,对所述墙体形状变化数据中的所述墙体形状变化特征进行映射关联,得到所述墙体形状变化特征的映射关联信息的步骤,包括:
根据所述墙体形状变化数据,对所述墙体形状变化数据中的各个所述墙体形状变化特征分别进行映射关联,得到各个所述墙体形状变化特征的映射关联信息,并且确定出各个所述墙体形状变化特征在所述墙体形状变化数据中的方位信息;
所述将所述映射关联信息保存在所述预设特征模板序列中所述墙体对象记录信息对应的预设特征模板中的步骤,包括:
针对每一个墙体形状变化特征,将该墙体形状变化特征的方位信息,分别与每一个墙体对象记录信息的方位信息逐个进行匹配;
当该墙体形状变化特征的方位信息与第一墙体对象记录信息的方位信息相匹配时,则将该墙体形状变化特征的映射关联信息,保存在所述预设特征模板序列中所述第一墙体对象记录信息对应的预设特征模板中。
在第一方面的一种可能的实施方式中,所述针对每一个墙体形状变化特征,将该墙体形状变化特征的方位信息,分别与每一个墙体对象记录信息的方位信息逐个进行匹配的步骤,包括:
针对每一个墙体形状变化特征,分别计算该墙体形状变化特征的方位信息与每一个墙体对象记录信息的方位信息的关联度;
当该墙体形状变化特征的方位信息与所述第一墙体对象记录信息的方位信息的关联度大于预设阈值时,该墙体形状变化特征的方位信息与所述第一墙体对象记录信息的方位信息相匹配。
在第一方面的一种可能的实施方式中,所述对所述墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出所述墙体对象记录信息对应的预设特征模板的步骤,包括:
根据所述墙体对象记录信息,建立所述墙体对象记录信息对应的映射关联矩阵;
将所述映射关联矩阵与预设特征模板序列中所保存的所述墙体形状变化特征的预设映射关联矩阵进行比对,确定出与所述映射关联矩阵相匹配的目标预设映射关联矩阵,所述预设特征模板序列保存有所述墙体形状变化特征的预设映射关联矩阵和预设特征模板;
将所述目标预设映射关联矩阵对应的预设特征模板,作为所述墙体对象记录信息对应的预设特征模板。
譬如,在第一方面的一种可能的实施方式中,所述目标图像采集设备的更新采集策略通过以下方式获得:
提取不同光谱条件所对应的多光谱图像模拟数据,所述多光谱图像模拟数据包括基于所述光谱条件提取出的建筑物变化特征信息以及每个建筑物变化特征信息所对应的建筑物变化标签,其中,所述建筑物变化特征信息包括该光谱条件的光谱反射变化特征,所述光谱反射变化特征包括在预设时间段内反射的光谱对象区域的反射特征信息以及该光谱条件对应的光谱条件特征,所述建筑物变化标签为虚拟变化标签中已剔除噪声标签后的剩余标签信息;
根据所述不同光谱条件所对应的多光谱图像模拟数据训练卷积神经网络模型,得到墙体形状变化检测模型;
当从每个图像采集设备中获取对应光谱条件的光谱图像在线数据时,根据所述墙体形状变化检测模型对每个光谱条件的光谱图像在线数据的建筑物变化标签进行预测,根据预测获得的每个光谱条件的建筑物变化标签对每个图像采集设备的采集策略进行更新。
譬如,在第一方面的一种可能实施方式中,所述提取不同光谱条件所对应的多光谱图像模拟数据的步骤,包括:
从所述光谱条件中获得光谱条件配置信息,并提取所述光谱条件配置信息中不同光谱条件项目所对应的光谱条件特征信息;
从所述光谱条件特征信息中查找在预设时间段内反射的光谱对象区域的反射特征信息以及该光谱条件对应的光谱条件特征;
根据所述不同光谱条件项目所对应的光谱条件特征信息进行虚拟渲染处理,得到虚拟变化标签,并将虚拟变化标签中剔除噪声标签后得到所述建筑物变化特征信息的建筑物变化标签。
譬如,在第一方面的一种可能实施方式中,所述根据所述不同光谱条件项目所对应的光谱条件特征信息进行虚拟渲染处理,得到虚拟变化标签的步骤,包括:
将所述不同光谱条件项目所对应的光谱条件特征信息输入到对应的光谱条件项目的虚拟渲染模型中,获取所述光谱条件特征信息对应的虚拟渲染特征信息;
确定所述虚拟渲染特征信息中每个虚拟渲染容器以及与所述虚拟渲染容器相关联的虚拟渲染容器组成的第一虚拟渲染单元,并确定所述第一虚拟渲染单元中所有虚拟渲染容器参数的全局参数;
确定第二虚拟渲染单元中所有虚拟渲染容器参数的全局参数,和第三虚拟渲染单元中所有虚拟渲染容器参数的全局参数;其中,所述第二虚拟渲染单元与所述第一虚拟渲染单元相关联且位于所述第一虚拟渲染单元的同一渲染服务,所述第三虚拟渲染单元与所述第一虚拟渲染单元相关联且位于所述第一虚拟渲染单元的不同渲染服务,所述第一虚拟渲染单元与所述第二虚拟渲染单元以及所述第三虚拟渲染单元包含相同个数的虚拟渲染容器;
计算所述第二虚拟渲染单元中所有虚拟渲染容器参数全局参数与所述第一虚拟渲染单元中所有虚拟渲染容器参数的全局参数的关联参数,以及计算所述第三虚拟渲染单元中所有虚拟渲染容器参数全局参数与所述第一虚拟渲染单元中所有虚拟渲染容器参数的全局参数的关联参数,并将计算得到的最大的关联参数作为所述虚拟渲染容器的目标关联参数;
根据所述虚拟渲染特征信息中每个虚拟渲染容器的目标关联参数,确定多个分簇虚拟渲染单元,并根据所述多个分簇虚拟渲染单元的虚拟渲染容器全局参数,得到所述虚拟变化标签。
譬如,在第一方面的一种可能实施方式中,所述根据所述不同光谱条件所对应的多光谱图像模拟数据训练卷积神经网络模型,得到墙体形状变化检测模型的步骤,包括:
将所述多光谱图像模拟数据输入所述卷积神经网络模型中,通过所述卷积神经网络模型预测每个光谱条件在光谱反射过程中的光谱反射变化信息,并根据所述每个光谱条件的光谱反射变化信息确定预设测试标签区间对应的标签光谱反射范围后,获取该标签光谱反射范围内的所有光谱反射标签,得到各光谱条件的光谱反射标签匹配序列;
根据各光谱条件的光谱反射标签匹配序列获取各光谱条件关联的标签分类信息,从所述每个光谱条件的标签分类信息中提取出标签分类特征信息,根据提取出来的所述标签分类特征信息在每个光谱条件标签分类信息中的匹配分类,得到每个标签分类特征信息所对应的逻辑回归网络,其中,所述标签分类特征信息包括建筑物变化标签;
记录从每个光谱条件所反馈的标签分类信息提取出来的标签分类特征信息以及标签分类特征信息的逻辑回归网络,构建各光谱条件的逻辑回归分析结果;
按照所述逻辑回归分析结果中层级级别从高到低的顺序,依次将标签分类特征信息与设定范围内的光谱反射标签匹配序列中的各个光谱反射标签进行匹配,直到逻辑回归分析结果中的任一标签分类特征信息与每个光谱条件的光谱反射标签匹配序列中的光谱反射标签匹配时,记录匹配结果;
根据所述匹配结果训练得到所述墙体形状变化检测模型。
譬如,在第一方面的一种可能实施方式中,所述根据所述匹配结果训练得到所述墙体形状变化检测模型的步骤,包括:
根据所述匹配结果中匹配到的标签分类特征信息与理论标签分类特征信息的差异,计算出该标签分类特征信息的更新差异参数,并根据所述更新差异参数确定每个标签分类特征信息的更新策略;
从确定的每个标签分类特征信息的更新策略中提取多个可选定的第一更新模式和每个所述第一更新模式的可选定更新内容;
从所述多个可选定的第一更新模式中筛选出多个与预设的第二更新模式相同的多个更新模式作为多个第三更新模式,所述第二更新模式为所述卷积神经网络模型中的多个逻辑回归分析树节点输出的标记更新模式,所述逻辑回归分析树节点包括:多个标记特征节点、多个更新内容和多个更新内容,所述更新内容为所述标记特征节点对应的更新内容,所述更新内容为所述标记特征节点对应的更新内容;
将所述多个第三更新模式的可选定更新内容和所述多个更新内容输入到每个光谱条件与所述标签分类特征信息的关联模型中进行计算,获得更新结果,并将所述更新策略的多个可选定的第一更新模式的模式参数与所述更新结果融合,获得每个标签分类特征信息的模型更新参数;
根据每个标签分类特征信息的模型更新参数更新所述卷积神经网络模型,训练得到所述墙体形状变化检测模型。
在第一方面的一种可能实施方式中,所述根据预测获得的每个光谱条件的建筑物变化标签对每个图像采集设备的采集策略进行更新的步骤,包括:
根据所述预测获得的每个光谱条件的建筑物变化标签确定针对每个当前图像采集设备的采集策略的更新模板集合;
按照所述更新模板集合中每个更新模板的更新方式和更新内容分别对所述采集策略进行更新。
在第一方面的一种可能实施方式中,所述按照所述更新模板集合中每个更新模板的更新方式和更新内容分别对所述采集策略进行更新的步骤,包括:
根据每个更新模板的更新内容对多个更新模板进行分簇,得到多个模板分簇,其中,每个模板分簇与一种更新方式相对应;
针对每一模板分簇,生成当前模板分簇下的各个更新模板对应的更新进程,并针对每一模板分簇,将在不同更新进程中具有相同更新行为和更新源的更新模板归为一类,当该类更新模板中的更新内容数量与当前模板分簇下的更新进程总数的比值超过第一阈值时,将该类更新模板中的每个更新进程在所属更新进程中的目标更新进程进行融合,获得第一目标更新进程;
或者,将在所属更新进程中只出现一次,且在不同更新进程中具有相同更新方式和目标更新进程的进程归为一类,当该类更新模板中的更新内容数量与当前模板分簇下的更新进程总数的比值超过第一阈值时,将该类更新模板中的每个进程在所属更新进程中的目标更新进程进行融合,获得第一目标更新进程;
或者,将在所述更新进程中只出现一次,且在不同更新进程中具有相同更新方式和目标更新进程的更新模板归为一类,当该类更新模板中的更新模板数量与当前模板分簇下的更新进程总数的比值超过第一阈值时,将该类更新模板中的每个更新模板在所述更新进程中的目标更新进程进行融合,获得第一目标更新进程;
根据所述第一目标更新进程确定当前模板分簇中的主更新进程,并将所述当前模板分簇中的其它更新模板确定为从更新进程;
根据所述当前模板分簇中的主更新进程和从更新进程的更新顺序分别对所述采集策略进行更新。
根据本申请的第二方面,提供一种墙体形状变化检测***,应用于服务器,所述服务器与图像采集设备的更新采集策略通信连接,所述***包括:
第一获取模块,用于在目标图像采集设备的更新采集策略所对应采集的墙体实时数据中获取预设墙体对象的墙体形状变化数据,所述墙体形状变化数据中包括墙体形状变化特征;
第二获取模块,用于获取所述预设墙体对象内所述墙体形状变化特征的墙体对象记录信息,并对所述墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出所述墙体对象记录信息对应的预设特征模板,所述预设特征模板序列中保存有所述墙体形状变化特征的预设特征模板;
映射关联模块,用于根据所述墙体形状变化数据,对所述墙体形状变化数据中的所述墙体形状变化特征进行映射关联,得到所述墙体形状变化特征的映射关联信息;
特征学习模块,用于将所述映射关联信息保存在所述预设特征模板序列的所述墙体对象记录信息对应的预设特征模板中,并根据所述预设特征模板对所述墙体形状变化特征进行特征学习。
根据本申请的第三方面,提供一种服务器,所述服务器包括包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该服务器实现前述的墙体形状变化检测方法。
根据本申请的第四方面,提供提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,当所述计算机可执行指令被执行时,实现前述的墙体形状变化检测方法。
基于上述任一方面,本申请通过在目标图像采集设备的更新采集策略所对应采集的墙体实时数据中获取预设墙体对象的墙体形状变化数据,获取预设墙体对象内墙体形状变化特征的墙体对象记录信息,并对墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出墙体对象记录信息对应的预设特征模板,根据墙体形状变化数据,对墙体形状变化数据中的墙体形状变化特征进行映射关联,将得到的墙体形状变化特征的映射关联信息保存对应的预设特征模板中,并根据预设特征模板对墙体形状变化特征进行特征学习。由此能够全面地对墙体形状变化特征进行特征学习,进而保证后续墙体形状变化检测的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的墙体形状变化检测方法的应用场景示意图;
图2示出了本申请实施例所提供的墙体形状变化检测方法的流程示意图;
图3示出了本申请实施例所提供的墙体形状变化检测***的功能模块示意图;
图4示出了本申请实施例所提供的用于实现上述的墙体形状变化检测方法的服务器的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其它操作,也可以从流程图中移除一个或多个操作。
另外,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本申请保护的范围。
图1示出了本申请实施例所提供的交互***10的应用场景示意图。本实施例中,交互***10可以包括服务器100以及与服务器100通信连接的图像采集设备200。在其它可行的实施例中,该交互***10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
在一些实施例中,服务器100可以是单个服务器,也可以是一个服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器100可以是分布式***)。在一些实施例中,服务器100相对于图像采集设备200,可以是本地的、也可以是远程的。例如,服务器100可以经由网络访问存储在图像采集设备200以及数据库、或其任意组合中的信息。作为另一示例,服务器100可以直接连接到图像采集设备200和数据库中的至少一个,以访问其中存储的信息和/或数据。在一些实施例中,服务器100可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。
在一些实施例中,服务器100可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。
前述的数据库可以存储数据和/或指令。在一些实施例中,数据库可以存储向图像采集设备200分配的数据。在一些实施例中,数据库可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中,数据库可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器等,或其任意组合。
在一些实施例中,数据库可以连接到网络以与交互***10(例如,服务器100,图像采集设备200等)中的一个或多个组件通信。交互***10中的一个或多个组件可以经由网络访问存储在数据库中的数据或指令。在一些实施例中,数据库可以直接连接到交互***10中的一个或多个组件(例如,服务器100,图像采集设备200等;或者,在一些实施例中,数据库也可以是服务器100的一部分。
图2示出了本申请实施例提供的墙体形状变化检测方法的流程示意图,本实施例中,该墙体形状变化检测方法可以由图1中所示的服务器执行。应当理解,在其它实施例中,本实施例的墙体形状变化检测方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。该墙体形状变化检测方法的详细步骤介绍如下。
步骤S110,在目标图像采集设备的更新采集策略所对应采集的墙体实时数据中获取预设墙体对象的墙体形状变化数据,墙体形状变化数据中包括墙体形状变化特征。
步骤S120,获取预设墙体对象内墙体形状变化特征的墙体对象记录信息,并对墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出墙体对象记录信息对应的预设特征模板,预设特征模板序列中保存有墙体形状变化特征的预设特征模板。
步骤S130,根据墙体形状变化数据,对墙体形状变化数据中的墙体形状变化特征进行映射关联,得到墙体形状变化特征的映射关联信息。
步骤S140,将映射关联信息保存在预设特征模板序列的墙体对象记录信息对应的预设特征模板中,并根据预设特征模板对墙体形状变化特征进行特征学习。
基于上述步骤,本实施例通过在目标图像采集设备的更新采集策略所对应采集的墙体实时数据中获取预设墙体对象的墙体形状变化数据,获取预设墙体对象内墙体形状变化特征的墙体对象记录信息,并对墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出墙体对象记录信息对应的预设特征模板,根据墙体形状变化数据,对墙体形状变化数据中的墙体形状变化特征进行映射关联,将得到的墙体形状变化特征的映射关联信息保存对应的预设特征模板中,并根据预设特征模板对墙体形状变化特征进行特征学习。由此能够全面地对墙体形状变化特征进行特征学习,进而保证后续墙体形状变化检测的准确性。
在一种可能的实施方式中,在步骤S110中,可以根据墙体形状变化数据,确定出墙体形状变化数据中墙体形状变化特征的特征学习对象,对特征学习对象进行跟踪,得到墙体形状变化特征的墙体对象记录信息。
在一种可能的实施方式中,当墙体形状变化数据中包括多个墙体形状变化特征时,可以根据墙体形状变化数据,确定出墙体形状变化数据中各个墙体形状变化特征的特征学习对象,并确定出各个特征学习对象在墙体形状变化数据中的方位信息。
然后,分别对每一个特征学习对象进行跟踪,得到该特征学习对象对应的墙体形状变化特征的墙体对象记录信息,并将该特征学习对象的方位信息,作为该墙体对象记录信息的方位信息。
进一步地,在对墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出墙体对象记录信息对应的预设特征模板的过程中,可以对各个墙体对象记录信息分别进行特征识别,在预设特征模板序列中,确定出各个墙体对象记录信息分别对应的预设特征模板。
进一步地,在根据墙体形状变化数据,对墙体形状变化数据中的墙体形状变化特征进行映射关联,得到墙体形状变化特征的映射关联信息的过程中,可以根据墙体形状变化数据,对墙体形状变化数据中的各个墙体形状变化特征分别进行映射关联,得到各个墙体形状变化特征的映射关联信息,并且确定出各个墙体形状变化特征在墙体形状变化数据中的方位信息。
进一步地,在将映射关联信息保存在预设特征模板序列中墙体对象记录信息对应的预设特征模板中的过程中,可以针对每一个墙体形状变化特征,将该墙体形状变化特征的方位信息,分别与每一个墙体对象记录信息的方位信息逐个进行匹配。当该墙体形状变化特征的方位信息与第一墙体对象记录信息的方位信息相匹配时,则将该墙体形状变化特征的映射关联信息,保存在预设特征模板序列中第一墙体对象记录信息对应的预设特征模板中。
进一步地,在针对每一个墙体形状变化特征,将该墙体形状变化特征的方位信息,分别与每一个墙体对象记录信息的方位信息逐个进行匹配的过程中,可以针对每一个墙体形状变化特征,分别计算该墙体形状变化特征的方位信息与每一个墙体对象记录信息的方位信息的关联度。当该墙体形状变化特征的方位信息与第一墙体对象记录信息的方位信息的关联度大于预设阈值时,该墙体形状变化特征的方位信息与第一墙体对象记录信息的方位信息相匹配。
进一步地,在对墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出墙体对象记录信息对应的预设特征模板的过程中,可以根据墙体对象记录信息,建立墙体对象记录信息对应的映射关联矩阵。
然后,将映射关联矩阵与预设特征模板序列中所保存的墙体形状变化特征的预设映射关联矩阵进行比对,确定出与映射关联矩阵相匹配的目标预设映射关联矩阵,预设特征模板序列保存有墙体形状变化特征的预设映射关联矩阵和预设特征模板。
由此,可以将目标预设映射关联矩阵对应的预设特征模板,作为墙体对象记录信息对应的预设特征模板。
在一种可能的实施方式中,目标图像采集设备的更新采集策略可以通过以下方式获得,详细的,步骤S110可以包括以下子步骤:
子步骤S111,提取不同光谱条件所对应的多光谱图像模拟数据,多光谱图像模拟数据包括基于光谱条件提取出的建筑物变化特征信息以及每个建筑物变化特征信息所对应的建筑物变化标签。
子步骤S112,根据不同光谱条件所对应的多光谱图像模拟数据训练卷积神经网络模型,得到遥感图像建筑区检测模型。
子步骤S113,当向每个图像采集设备200发送光谱条件时,根据遥感图像建筑区检测模型对每个光谱条件的光谱图像在线数据的建筑物变化标签进行预测,根据预测获得的每个光谱条件的建筑物变化标签对每个图像采集设备200的采集策略进行更新。
本实施例中,建筑物变化特征信息可以包括该光谱条件的光谱反射变化特征。例如,光谱反射变化特征可以包括在预设时间段内(比如最近一周内)访问的光谱对象区域的反射特征信息以及该光谱条件对应的光谱条件特征,如此,通过在模型训练过程中结合当前获取的光谱对象区域的反射特征信息,并且进一步考虑到全部的光谱条件特征以学习每次光谱条件的相似反射模式。
相应地,上述建筑物变化标签为虚拟变化标签中已剔除噪声标签后的剩余标签信息。
基于上述步骤,本实施例通过建立与采集策略信息对应的遥感图像建筑区检测模型,以对采集策略信息执行时的建筑区检测过程进行记录,得到采集策略信息在不同记录数据区下的建筑区检测分布信息,根据建筑区检测分布信息中的各建筑区检测分布对象信息进行特征提取,得到各建筑区检测分布对象信息的建筑区检测分布对象信息特征,根据各建筑区检测分布对象信息的建筑区检测分布对象信息特征及在建筑区检测分布信息上的分布标签对各建筑区检测分布对象信息进行分簇,对应得到包括有采集策略信息中各采集模板与各记录数据区之间的目标建筑区检测分布节点信息的拓扑图。如此,能够提高遥感图像建筑区检测的准确性,并且无需开发人员手动配置采集策略信息中各采集模板与各记录数据区之间的重定向映射。
在一种可能的实施方式中,针对步骤S111,该步骤S111可以通过以下子步骤实现:
子步骤S1111,从光谱条件中获得光谱条件配置信息,并提取光谱条件配置信息中不同光谱条件项目所对应的光谱条件特征信息。
子步骤S1112,从光谱条件特征信息中查找在预设时间段内反射的光谱对象区域的反射特征信息以及该光谱条件对应的光谱条件特征。
子步骤S1113,根据不同光谱条件项目所对应的光谱条件特征信息进行虚拟渲染处理,得到虚拟变化标签,并将虚拟变化标签中剔除噪声标签后得到建筑物变化特征信息的建筑物变化标签。
例如,为了准确确定建筑物变化特征信息的建筑物变化标签,本实施例可以将不同光谱条件项目所对应的光谱条件特征信息输入到对应的光谱条件项目的虚拟渲染模型中,获取光谱条件特征信息对应的虚拟渲染特征信息,然后确定虚拟渲染特征信息中每个虚拟渲染容器以及与虚拟渲染容器相关联的虚拟渲染容器组成的第一虚拟渲染单元,并确定第一虚拟渲染单元中所有虚拟渲染容器参数的全局参数。
同时,进一步确定第二虚拟渲染单元中所有虚拟渲染容器参数的全局参数,和第三虚拟渲染单元中所有虚拟渲染容器参数的全局参数。其中,第二虚拟渲染单元与第一虚拟渲染单元相关联且位于第一虚拟渲染单元的同一渲染服务,第三虚拟渲染单元与第一虚拟渲染单元相关联且位于第一虚拟渲染单元的不同渲染服务,第一虚拟渲染单元与第二虚拟渲染单元以及第三虚拟渲染单元包含相同个数的虚拟渲染容器。
然后,可以计算第二虚拟渲染单元中所有虚拟渲染容器参数全局参数与第一虚拟渲染单元中所有虚拟渲染容器参数的全局参数的关联参数,以及计算第三虚拟渲染单元中所有虚拟渲染容器参数全局参数与第一虚拟渲染单元中所有虚拟渲染容器参数的全局参数的关联参数,并将计算得到的最大的关联参数作为虚拟渲染容器的目标关联参数。由此,可以根据虚拟渲染特征信息中每个虚拟渲染容器的目标关联参数,确定多个分簇虚拟渲染单元,并根据多个分簇虚拟渲染单元的虚拟渲染容器全局参数,得到虚拟变化标签。
在一种可能的实施方式中,针对步骤S112,在训练得到遥感图像建筑区检测模型的过程中,可以采用卷积神经网络模型进行模型训练,以提高遥感图像建筑区检测模型的逻辑随机森林树模型计算精度。请结合参阅图4,步骤S112可以通过以下子步骤进一步实现:
子步骤S1121,将多光谱图像模拟数据输入卷积神经网络模型中,通过卷积神经网络模型预测每个光谱条件在光谱反射过程中的光谱反射变化信息,并根据每个光谱条件的光谱反射变化信息确定预设测试标签区间对应的标签光谱反射范围后,获取该标签光谱反射范围内的所有光谱反射标签,得到各光谱条件的光谱反射标签匹配序列。
子步骤S1122,根据各光谱条件的光谱反射标签匹配序列获取各光谱条件关联的标签分类信息,从每个光谱条件的标签分类信息中提取出标签分类特征信息,根据提取出来的标签分类特征信息在每个光谱条件标签分类信息中的匹配分类,得到每个标签分类特征信息所对应的逻辑回归网络。其中,标签分类特征信息包括前述预测得到的建筑物变化标签。
子步骤S1123,记录从每个光谱条件所反馈的标签分类信息提取出来的标签分类特征信息以及标签分类特征信息的逻辑回归网络,构建各光谱条件的逻辑随机森林树模型计算结果。
子步骤S1124,按照逻辑随机森林树模型计算结果中层级级别从高到低的顺序,依次将标签分类特征信息与设定范围内的光谱反射标签匹配序列中的各个光谱反射标签进行匹配,直到逻辑随机森林树模型计算结果中的任一标签分类特征信息与每个光谱条件的光谱反射标签匹配序列中的光谱反射标签匹配时,记录匹配结果。
子步骤S1125,根据匹配结果训练得到遥感图像建筑区检测模型。
例如,作为一种可能的示例,本实施例可以根据匹配结果中匹配到的标签分类特征信息与理论标签分类特征信息的差异,计算出该标签分类特征信息的更新差异参数,并根据更新差异参数确定每个标签分类特征信息的更新策略,然后从确定的每个标签分类特征信息的更新策略中提取多个可选定的第一更新模式和每个第一更新模式的可选定更新内容。
接着,可以从多个可选定的第一更新模式中筛选出多个与预设的第二更新模式相同的多个更新模式作为多个第三更新模式。
值得说明的是,第二更新模式为卷积神经网络模型中的多个逻辑随机森林树模型计算树节点输出的标记更新模式,逻辑随机森林树模型计算树节点可以包括:多个标记特征节点、多个更新内容和多个更新内容,更新内容为标记特征节点对应的更新内容,更新内容为标记特征节点对应的更新内容。
在此基础上,可以将多个第三更新模式的可选定更新内容和多个更新内容输入到每个光谱条件与标签分类特征信息的关联模型中进行计算,获得更新结果,并将更新策略的多个可选定的第一更新模式的模式参数乘以更新结果,获得每个标签分类特征信息的模型更新参数,由此根据每个标签分类特征信息的模型更新参数更新卷积神经网络模型,训练得到遥感图像建筑区检测模型。
在一种可能的实施方式中,针对步骤S113,为了提高动态规划的准确性和采集策略的更新效率,步骤S113可以通过以下子步骤实现:
子步骤S1131,根据预测获得的每个光谱条件的建筑物变化标签确定针对每个当前图像采集设备200的采集策略的更新模板集合。
子步骤S1132,按照更新模板集合中每个更新模板的更新方式和更新内容分别对采集策略进行更新。
例如,可以根据每个更新模板的更新内容对多个更新模板进行分簇,得到多个模板分簇,其中,每个模板分簇与一种更新方式相对应。
然后,针对每一模板分簇,生成当前模板分簇下的各个更新模板对应的更新进程,并针对每一模板分簇,将在不同更新进程中具有相同更新行为和更新源的更新模板归为一类,当该类更新模板中的更新内容数量与当前模板分簇下的更新进程总数的比值超过第一阈值时,将该类更新模板中的每个更新进程在所属更新进程中的目标更新进程进行融合,获得第一目标更新进程。
或者在另一种可能的示例中,可以将在所属更新进程中只出现一次,且在不同更新进程中具有相同更新方式和目标更新进程的进程归为一类,当该类更新模板中的更新内容数量与当前模板分簇下的更新进程总数的比值超过第一阈值时,将该类更新模板中的每个进程在所属更新进程中的目标更新进程进行融合,获得第一目标更新进程。
或者在另一种可能的示例中,可以将在更新进程中只出现一次,且在不同更新进程中具有相同更新方式和目标更新进程的更新模板归为一类,当该类更新模板中的更新模板数量与当前模板分簇下的更新进程总数的比值超过第一阈值时,将该类更新模板中的每个更新模板在更新进程中的目标更新进程进行融合,获得第一目标更新进程。
由此,可以根据上述任意一种可能的示例所确定的第一目标更新进程确定当前模板分簇中的主更新进程,并将当前模板分簇中的其它更新模板确定为从更新进程,从而可以根据当前模板分簇中的主更新进程和从更新进程的更新顺序分别对采集策略进行更新。
基于同一发明构思,请参阅图3,示出了本申请实施例提供的墙体形状变化检测***110的功能模块示意图,本实施例可以根据上述方法实施例对墙体形状变化检测***110进行功能模块的划分。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既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。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。比如,在采用对应各个功能划分各个功能模块的情况下,图3示出的墙体形状变化检测***110只是一种装置示意图。下面分别对该墙体形状变化检测***110的各个功能模块的功能进行详细阐述。
第一获取模块111,用于在目标图像采集设备的更新采集策略所对应采集的墙体实时数据中获取预设墙体对象的墙体形状变化数据,墙体形状变化数据中包括墙体形状变化特征。
第二获取模块112,用于获取预设墙体对象内墙体形状变化特征的墙体对象记录信息,并对墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出墙体对象记录信息对应的预设特征模板,预设特征模板序列中保存有墙体形状变化特征的预设特征模板。
映射关联模块113,用于根据墙体形状变化数据,对墙体形状变化数据中的墙体形状变化特征进行映射关联,得到墙体形状变化特征的映射关联信息。
特征学习模块114,用于将映射关联信息保存在预设特征模板序列的墙体对象记录信息对应的预设特征模板中,并根据预设特征模板对墙体形状变化特征进行特征学习。
在一种可能的实施方式中,获取预设墙体对象内墙体形状变化特征的墙体对象记录信息的方式,包括:
根据墙体形状变化数据,确定出墙体形状变化数据中墙体形状变化特征的特征学习对象,对特征学习对象进行跟踪,得到墙体形状变化特征的墙体对象记录信息。
在一种可能的实施方式中,当墙体形状变化数据中包括多个墙体形状变化特征时,根据墙体形状变化数据,确定出墙体形状变化数据中墙体形状变化特征的特征学习对象,对特征学习对象进行跟踪,得到墙体形状变化特征的墙体对象记录信息的方式,包括:
根据墙体形状变化数据,确定出墙体形状变化数据中各个墙体形状变化特征的特征学习对象,并确定出各个特征学习对象在墙体形状变化数据中的方位信息;
分别对每一个特征学习对象进行跟踪,得到该特征学习对象对应的墙体形状变化特征的墙体对象记录信息,并将该特征学习对象的方位信息,作为该墙体对象记录信息的方位信息;
对墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出墙体对象记录信息对应的预设特征模板,包括:
对各个墙体对象记录信息分别进行特征识别,在预设特征模板序列中,确定出各个墙体对象记录信息分别对应的预设特征模板;
根据墙体形状变化数据,对墙体形状变化数据中的墙体形状变化特征进行映射关联,得到墙体形状变化特征的映射关联信息的方式,包括:
根据墙体形状变化数据,对墙体形状变化数据中的各个墙体形状变化特征分别进行映射关联,得到各个墙体形状变化特征的映射关联信息,并且确定出各个墙体形状变化特征在墙体形状变化数据中的方位信息;
将映射关联信息保存在预设特征模板序列中墙体对象记录信息对应的预设特征模板中的方式,包括:
针对每一个墙体形状变化特征,将该墙体形状变化特征的方位信息,分别与每一个墙体对象记录信息的方位信息逐个进行匹配;
当该墙体形状变化特征的方位信息与第一墙体对象记录信息的方位信息相匹配时,则将该墙体形状变化特征的映射关联信息,保存在预设特征模板序列中第一墙体对象记录信息对应的预设特征模板中。
在一种可能的实施方式中,针对每一个墙体形状变化特征,将该墙体形状变化特征的方位信息,分别与每一个墙体对象记录信息的方位信息逐个进行匹配的方式,包括:
针对每一个墙体形状变化特征,分别计算该墙体形状变化特征的方位信息与每一个墙体对象记录信息的方位信息的关联度;
当该墙体形状变化特征的方位信息与第一墙体对象记录信息的方位信息的关联度大于预设阈值时,该墙体形状变化特征的方位信息与第一墙体对象记录信息的方位信息相匹配。
在一种可能的实施方式中,对墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出墙体对象记录信息对应的预设特征模板的方式,包括:
根据墙体对象记录信息,建立墙体对象记录信息对应的映射关联矩阵;
将映射关联矩阵与预设特征模板序列中所保存的墙体形状变化特征的预设映射关联矩阵进行比对,确定出与映射关联矩阵相匹配的目标预设映射关联矩阵,预设特征模板序列保存有墙体形状变化特征的预设映射关联矩阵和预设特征模板;
将目标预设映射关联矩阵对应的预设特征模板,作为墙体对象记录信息对应的预设特征模板。
基于同一发明构思,请参阅图4,示出了本申请实施例提供的用于执行上述墙体形状变化检测方法的服务器100的结构示意框图,该服务器100可以包括墙体形状变化检测组装置110、机器可读存储介质120和处理器130。
本实施例中,机器可读存储介质120与处理器130均位于服务器100中且二者分离设置。然而,应当理解的是,机器可读存储介质120也可以是独立于服务器100之外,且可以由处理器130通过总线接口来访问。可替换地,机器可读存储介质120也可以集成到处理器130中,例如,可以是高速缓存和/或通用寄存器。
处理器130是该服务器100的控制中心,利用各种接口和线路连接整个服务器100的各个部分,通过运行或执行存储在机器可读存储介质120内的软件程序和/或模块,以及调用存储在机器可读存储介质120内的数据,执行该服务器100的各种功能和处理数据,从而对服务器100进行整体监控。可选地,处理器130可包括一个或多个处理核心;例如,处理器130可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器中。
其中,处理器130可以是一个通用的中央处理器(Central Processing Unit,CPU),微处理器,特定应用集成电路(Application-Specific Integrated Circuit,ASIC),或一个或多个用于控制上述方法实施例提供的墙体形状变化检测方法的程序执行的集成电路。
机器可读存储介质120可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(Electrically Erasable Programmabler-Only MEMory,EEPROM)、只读光盘(Compactdisc Read-Only MEMory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。机器可读存储介质120可以是独立存在,通过通信总线与处理器130相连接。机器可读存储介质120也可以和处理器集成在一起。其中,机器可读存储介质120用于存储执行本申请方案的机器可执行指令。处理器130用于执行机器可读存储介质120中存储的机器可执行指令,以实现前述方法实施例提供的墙体形状变化检测方法。
墙体形状变化检测***110可以包括存储在机器可读存储介质120的软件功能模块,当处理器130执行墙体形状变化检测***110中的软件功能模块时,以实现前述方法实施例提供的墙体形状变化检测方法。
由于本申请实施例提供的服务器100是上述服务器100执行的方法实施例的另一种实现形式,且服务器100可用于执行上述方法实施例提供的墙体形状变化检测方法,因此其所能获得的技术效果可选定上述方法实施例,在此不再赘述。
进一步地,本申请实施例还提供一种包含计算机可执行指令的可读存储介质,计算机可执行指令在被执行时可以用于实现上述方法实施例提供的墙体形状变化检测方法。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本申请任意实施例所提供的墙体形状变化检测方法中的相关操作。
本申请实施例是参照根据本申请实施例的方法、设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
以上所述,仅为本申请的各种实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种墙体形状变化检测方法,其特征在于,应用于服务器,所述服务器与图像采集设备通信连接,所述方法包括:
在目标图像采集设备的更新采集策略所对应采集的墙体实时数据中获取预设墙体对象的墙体形状变化数据,所述墙体形状变化数据中包括墙体形状变化特征;
获取所述预设墙体对象内所述墙体形状变化特征的墙体对象记录信息,并对所述墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出所述墙体对象记录信息对应的预设特征模板,所述预设特征模板序列中保存有所述墙体形状变化特征的预设特征模板;
根据所述墙体形状变化数据,对所述墙体形状变化数据中的所述墙体形状变化特征进行映射关联,得到所述墙体形状变化特征的映射关联信息;
将所述映射关联信息保存在所述预设特征模板序列的所述墙体对象记录信息对应的预设特征模板中,并根据所述预设特征模板对所述墙体形状变化特征进行特征学习。
2.根据权利要求1所述的墙体形状变化检测方法,其特征在于,所述获取所述预设墙体对象内所述墙体形状变化特征的墙体对象记录信息的步骤,包括:
根据所述墙体形状变化数据,确定出所述墙体形状变化数据中所述墙体形状变化特征的特征学习对象,对所述特征学习对象进行跟踪,得到所述墙体形状变化特征的墙体对象记录信息。
3.根据权利要求2所述的墙体形状变化检测方法,其特征在于,当所述墙体形状变化数据中包括多个墙体形状变化特征时,所述根据所述墙体形状变化数据,确定出所述墙体形状变化数据中所述墙体形状变化特征的特征学习对象,对所述特征学习对象进行跟踪,得到所述墙体形状变化特征的墙体对象记录信息的步骤,包括:
根据所述墙体形状变化数据,确定出所述墙体形状变化数据中各个所述墙体形状变化特征的特征学习对象,并确定出各个特征学习对象在所述墙体形状变化数据中的方位信息;
分别对每一个特征学习对象进行跟踪,得到该特征学习对象对应的墙体形状变化特征的墙体对象记录信息,并将该特征学习对象的方位信息,作为该墙体对象记录信息的方位信息;
所述对所述墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出所述墙体对象记录信息对应的预设特征模板,包括:
对各个所述墙体对象记录信息分别进行特征识别,在预设特征模板序列中,确定出各个所述墙体对象记录信息分别对应的预设特征模板;
所述根据所述墙体形状变化数据,对所述墙体形状变化数据中的所述墙体形状变化特征进行映射关联,得到所述墙体形状变化特征的映射关联信息的步骤,包括:
根据所述墙体形状变化数据,对所述墙体形状变化数据中的各个所述墙体形状变化特征分别进行映射关联,得到各个所述墙体形状变化特征的映射关联信息,并且确定出各个所述墙体形状变化特征在所述墙体形状变化数据中的方位信息;
所述将所述映射关联信息保存在所述预设特征模板序列中所述墙体对象记录信息对应的预设特征模板中的步骤,包括:
针对每一个墙体形状变化特征,将该墙体形状变化特征的方位信息,分别与每一个墙体对象记录信息的方位信息逐个进行匹配;
当该墙体形状变化特征的方位信息与第一墙体对象记录信息的方位信息相匹配时,则将该墙体形状变化特征的映射关联信息,保存在所述预设特征模板序列中所述第一墙体对象记录信息对应的预设特征模板中。
4.根据权利要求3所述的墙体形状变化检测方法,其特征在于,所述针对每一个墙体形状变化特征,将该墙体形状变化特征的方位信息,分别与每一个墙体对象记录信息的方位信息逐个进行匹配的步骤,包括:
针对每一个墙体形状变化特征,分别计算该墙体形状变化特征的方位信息与每一个墙体对象记录信息的方位信息的关联度;
当该墙体形状变化特征的方位信息与所述第一墙体对象记录信息的方位信息的关联度大于预设阈值时,该墙体形状变化特征的方位信息与所述第一墙体对象记录信息的方位信息相匹配。
5.根据权利要求1所述的墙体形状变化检测方法,其特征在于,所述对所述墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出所述墙体对象记录信息对应的预设特征模板的步骤,包括:
根据所述墙体对象记录信息,建立所述墙体对象记录信息对应的映射关联矩阵;
将所述映射关联矩阵与预设特征模板序列中所保存的所述墙体形状变化特征的预设映射关联矩阵进行比对,确定出与所述映射关联矩阵相匹配的目标预设映射关联矩阵,所述预设特征模板序列保存有所述墙体形状变化特征的预设映射关联矩阵和预设特征模板;
将所述目标预设映射关联矩阵对应的预设特征模板,作为所述墙体对象记录信息对应的预设特征模板。
6.一种墙体形状变化检测***,其特征在于,应用于服务器,所述***包括:
第一获取模块,用于在目标图像采集设备的更新采集策略所对应采集的墙体实时数据中获取预设墙体对象的墙体形状变化数据,所述墙体形状变化数据中包括墙体形状变化特征;
第二获取模块,用于获取所述预设墙体对象内所述墙体形状变化特征的墙体对象记录信息,并对所述墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出所述墙体对象记录信息对应的预设特征模板,所述预设特征模板序列中保存有所述墙体形状变化特征的预设特征模板;
映射关联模块,用于根据所述墙体形状变化数据,对所述墙体形状变化数据中的所述墙体形状变化特征进行映射关联,得到所述墙体形状变化特征的映射关联信息;
特征学习模块,用于将所述映射关联信息保存在所述预设特征模板序列的所述墙体对象记录信息对应的预设特征模板中,并根据所述预设特征模板对所述墙体形状变化特征进行特征学习。
7.根据权利要求6所述的墙体形状变化检测***,其特征在于,所述获取所述预设墙体对象内所述墙体形状变化特征的墙体对象记录信息的方式,包括:
根据所述墙体形状变化数据,确定出所述墙体形状变化数据中所述墙体形状变化特征的特征学习对象,对所述特征学习对象进行跟踪,得到所述墙体形状变化特征的墙体对象记录信息。
8.根据权利要求7所述的墙体形状变化检测***,其特征在于,当所述墙体形状变化数据中包括多个墙体形状变化特征时,所述根据所述墙体形状变化数据,确定出所述墙体形状变化数据中所述墙体形状变化特征的特征学习对象,对所述特征学习对象进行跟踪,得到所述墙体形状变化特征的墙体对象记录信息的方式,包括:
根据所述墙体形状变化数据,确定出所述墙体形状变化数据中各个所述墙体形状变化特征的特征学习对象,并确定出各个特征学习对象在所述墙体形状变化数据中的方位信息;
分别对每一个特征学习对象进行跟踪,得到该特征学习对象对应的墙体形状变化特征的墙体对象记录信息,并将该特征学习对象的方位信息,作为该墙体对象记录信息的方位信息;
所述对所述墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出所述墙体对象记录信息对应的预设特征模板,包括:
对各个所述墙体对象记录信息分别进行特征识别,在预设特征模板序列中,确定出各个所述墙体对象记录信息分别对应的预设特征模板;
所述根据所述墙体形状变化数据,对所述墙体形状变化数据中的所述墙体形状变化特征进行映射关联,得到所述墙体形状变化特征的映射关联信息的方式,包括:
根据所述墙体形状变化数据,对所述墙体形状变化数据中的各个所述墙体形状变化特征分别进行映射关联,得到各个所述墙体形状变化特征的映射关联信息,并且确定出各个所述墙体形状变化特征在所述墙体形状变化数据中的方位信息;
所述将所述映射关联信息保存在所述预设特征模板序列中所述墙体对象记录信息对应的预设特征模板中的方式,包括:
针对每一个墙体形状变化特征,将该墙体形状变化特征的方位信息,分别与每一个墙体对象记录信息的方位信息逐个进行匹配;
当该墙体形状变化特征的方位信息与第一墙体对象记录信息的方位信息相匹配时,则将该墙体形状变化特征的映射关联信息,保存在所述预设特征模板序列中所述第一墙体对象记录信息对应的预设特征模板中。
9.根据权利要求8所述的墙体形状变化检测***,其特征在于,所述针对每一个墙体形状变化特征,将该墙体形状变化特征的方位信息,分别与每一个墙体对象记录信息的方位信息逐个进行匹配的方式,包括:
针对每一个墙体形状变化特征,分别计算该墙体形状变化特征的方位信息与每一个墙体对象记录信息的方位信息的关联度;
当该墙体形状变化特征的方位信息与所述第一墙体对象记录信息的方位信息的关联度大于预设阈值时,该墙体形状变化特征的方位信息与所述第一墙体对象记录信息的方位信息相匹配。
10.根据权利要求6所述的墙体形状变化检测***,其特征在于,所述对所述墙体对象记录信息进行特征识别,在预设特征模板序列中,确定出所述墙体对象记录信息对应的预设特征模板的方式,包括:
根据所述墙体对象记录信息,建立所述墙体对象记录信息对应的映射关联矩阵;
将所述映射关联矩阵与预设特征模板序列中所保存的所述墙体形状变化特征的预设映射关联矩阵进行比对,确定出与所述映射关联矩阵相匹配的目标预设映射关联矩阵,所述预设特征模板序列保存有所述墙体形状变化特征的预设映射关联矩阵和预设特征模板;
将所述目标预设映射关联矩阵对应的预设特征模板,作为所述墙体对象记录信息对应的预设特征模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011427207.9A CN112434648A (zh) | 2020-12-09 | 2020-12-09 | 一种墙体形状变化检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011427207.9A CN112434648A (zh) | 2020-12-09 | 2020-12-09 | 一种墙体形状变化检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112434648A true CN112434648A (zh) | 2021-03-02 |
Family
ID=74691508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011427207.9A Withdrawn CN112434648A (zh) | 2020-12-09 | 2020-12-09 | 一种墙体形状变化检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434648A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091497A (zh) * | 2023-04-07 | 2023-05-09 | 航天宏图信息技术股份有限公司 | 遥感变化检测方法、装置、电子设备和存储介质 |
-
2020
- 2020-12-09 CN CN202011427207.9A patent/CN112434648A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091497A (zh) * | 2023-04-07 | 2023-05-09 | 航天宏图信息技术股份有限公司 | 遥感变化检测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112446637A (zh) | 一种建筑施工质量安全在线风险检测方法及*** | |
CN106708738B (zh) | 一种软件测试缺陷预测方法及*** | |
CN104679818A (zh) | 一种视频关键帧提取方法及*** | |
CN112329816A (zh) | 数据分类方法、装置、电子设备和可读存储介质 | |
CN113222149B (zh) | 模型训练方法、装置、设备和存储介质 | |
CN113822366A (zh) | 业务指标异常检测方法及装置、电子设备、存储介质 | |
CN111494964A (zh) | 虚拟物品的推荐方法、模型的训练方法、装置及存储介质 | |
CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、***及介质 | |
CN111767192B (zh) | 基于人工智能的业务数据检测方法、装置、设备和介质 | |
CN113297044B (zh) | 一种运维风险预警方法及装置 | |
CN116359218A (zh) | 一种工业聚集区大气污染移动监测*** | |
CN110059069A (zh) | 用于检测和预测目标***的行为的***和方法 | |
CN115827816A (zh) | 一种基于区块链的bim构件数据存证确权方法及装置 | |
CN113609393B (zh) | 一种基于数据服务和数据管理的数字化平台 | |
CN114626886A (zh) | 一种调查问卷数据分析方法及*** | |
CN112925899B (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
CN112434648A (zh) | 一种墙体形状变化检测方法及*** | |
CN111090401B (zh) | 存储设备性能预测方法及装置 | |
CN112434653A (zh) | 一种遥感图像建筑区检测方法及*** | |
CN113253709A (zh) | 一种适用于轨道交通车辆健康诊断方法及装置 | |
CN112818028A (zh) | 数据指标筛选方法、装置、计算机设备及存储介质 | |
CN112434650A (zh) | 一种多光谱图像建筑物变化检测方法及*** | |
CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
CN115439928A (zh) | 一种操作行为识别方法及装置 | |
CN112434649A (zh) | 一种建筑物安全检测方法及*** |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210302 |