CN113112544A - 基于智能物联网与大数据的人员定位异常检测*** - Google Patents
基于智能物联网与大数据的人员定位异常检测*** Download PDFInfo
- Publication number
- CN113112544A CN113112544A CN202110381158.8A CN202110381158A CN113112544A CN 113112544 A CN113112544 A CN 113112544A CN 202110381158 A CN202110381158 A CN 202110381158A CN 113112544 A CN113112544 A CN 113112544A
- Authority
- CN
- China
- Prior art keywords
- building
- pixel
- point
- angle
- buildings
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 5
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 17
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G01S19/40—Correcting position, velocity or attitude
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/40—Transportation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/60—Positioning; Navigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Operations Research (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于智能物联网与大数据的人员定位异常检测***。包括:建筑物检测模块,用于检测全景图中建筑物的像素获取建筑物分割图,将建筑物切分出来得到建筑物切分图像。建筑物姿态获取模块,用于将建筑物切分图像还原并检测建筑物的顶边和角点,得到建筑物顶边对应的姿态角,并连接角点和拍摄点得到建筑物偏角。建筑物层次获取模块,用于分析建筑物切分图像得到ID序列,并得到建筑物的层次值和相对倾角,根据建筑物的相对倾角、层次值、偏角、姿态角得到第一环形空间描述向量。定位对比模块,在CIM中获得第二环形空间描述向量,对比第一环形空间描述向量与第二环形空间描述向量并判断是否定位异常。
Description
技术领域
本申请涉及定位技术领域,具体涉及一种基于智能物联网与大数据的人员定位异常检测***。
背景技术
如今网约车普及,成为大众流行的出行方式。司机接乘客时需要乘客手机的GPS定位信息,商业化运行的GPS信号提供10米精度的定位信息,改进后的GPS定位技术可以将定位精度提高到厘米级。然而,GPS信号在城市区域会经常出现由于高楼遮挡GPS信号造成接收卫星数量不足,或由于GPS信号多径效应等问题而不能给出定位信息。如果乘客处在GPS无法正常工作的条件下,GPS定位信息出现差错,乘客又因为不熟悉环境而无法通过周围的环境来描述自己所处位置,会导致司机接客不及时,耽误乘客时间。
现有技术一般是通过手机拍摄所在地周围的图像,将已有的街景数据库和拍摄的图像中特征进行对比来获取拍摄者的定位,所述特征往往是图像中的特征点或者显著的交通标志。特征点的选取比较随机,交通标志不是存在于任何地方的。选取的特征不具备普适性,定位***的鲁棒性不高。
发明内容
针对以上问题,本发明提出一种基于智能物联网与大数据的人员定位异常检测***。包括:建筑物检测模块,用于检测全景图中建筑物的像素获取建筑物分割图,将建筑物切分出来得到建筑物切分图像。建筑物姿态获取模块,用于将建筑物切分图像还原并检测建筑物的顶边和角点,得到建筑物顶边对应的姿态角,并连接角点和拍摄点得到建筑物偏角。建筑物层次获取模块,用于分析建筑物切分图像得到ID序列,并得到建筑物的层次值和相对倾角,根据建筑物的相对倾角、层次值、偏角、姿态角得到第一环形空间描述向量。定位对比模块,在CIM中获得第二环形空间描述向量,对比第一环形空间描述向量与第二环形空间描述向量并判断是否定位异常。
一种基于智能物联网与大数据的人员定位异常检测***,该***包括:
建筑物检测模块,用于获取全景图并检测各个建筑物的像素,获取建筑物分割图,将各个建筑物从建筑物分割图中切分出来得到建筑物切分图像;
建筑物姿态获取模块,用于将建筑物切分图像还原为正视图像,检测正视图像中建筑物的顶边和角点,并分析得到俯视视角下建筑物顶边对应的姿态角,根据各建筑物角点和拍摄点连线得到建筑物偏角;
建筑物层次获取模块,用于统计建筑物切分图像中每行像素的ID得到像素ID序列,对像素ID序列分析得到建筑物的层次值和相对倾角;
定位对比模块,根据建筑物的相对倾角、层次值、偏角、姿态角得到第一环形空间描述向量;根据GPS定位点在CIM中获得第二环形空间描述向量,对比第一环形空间描述向量与第二环形空间描述向量并判断是否定位异常。
所述将各个建筑物从全景图切分出来得到建筑物切分图像,具体包括:建筑物分割图的高度为g,获取建筑物分割图中各建筑物像素的横坐标,横坐标最大值和最小值的差值为k,对一个建筑物,切分包含该建筑物像素的所有列像素得到宽为k高为g的建筑物切分图像。
所述检测正视图像中建筑物的顶边和角点,并分析得到俯视视角下建筑物顶边对应的姿态角,具体包括:
若建筑物有两条顶边,则两条顶边的交点为角点,根据顶边还原出顶面俯视图,以角点在地面平面的投影为参考点,在俯视视角下连接参考点和拍摄点并得到直线l,以从参考点出发且经过拍摄点的射线为极轴、参考点为极点建立参考点极坐标系,以参考点极坐标系中极角最小的顶边投影为参考顶边投影,获得参考顶边投影与l所成的姿态角;
若检测出建筑物只有一条顶边,则顶边的两端为角点,以顶边的中点在地面平面的投影为参考点,在俯视视角下连接参考点和拍摄点,得到直线l,判定该建筑物的姿态角为90°。
所述根据各建筑物角点和拍摄点连线得到建筑物偏角,具体包括:将所有建筑物对应的l合并得到全局俯视图,从拍摄点出发作经过任选一个建筑物参考点的射线为极轴,以拍摄点为极点建立拍摄点极坐标系,根据各个建筑物的参考点对应全景图中的位置获得各个建筑物的偏角。
所述统计建筑物切分图像中每行像素的标注得到像素ID序列,具体包括:属于不同建筑物的像素ID不同,不属于建筑物的像素ID为0,每张建筑物切分图像对应一个建筑物的像素ID;以各行像素ID的众数作为该行的ID,将每行的ID按像素行的顺序排列得到像素ID序列。
所述对像素ID序列分析得到建筑物的层次值,具体包括:从下向上分析像素ID序列的非零ID,出现的第一类像素ID为层次值为1,之后出现的其他像素ID对应的层次值递增,得到每种像素ID的层次值。
所述建筑物的相对倾角的计算方法具体为:
统计每种建筑物的像素ID所占行数H,建筑物m层次值不为1时,相对倾角为 Hm、Hml为相邻层次建筑物对应的行数,m为像素ID序列对应建筑物切分图像中建筑物的像素ID,ml为层次值比建筑物m低一层的像素ID,f为相机的焦距。建筑物m层次值为1时,相对倾角γm=0°。
所述根据GPS定位点在CIM中获得第二环形空间描述向量,具体包括:
获得GPS定位点及定位点周围的CIM,获取在定位点视角下每一个建筑物的层次值;获取各个建筑物离GPS定位点最近的角点,将定位点分别与每个建筑物三维模型的最高点连接,计算各建筑物与低一层次建筑物的相对倾角。
在俯视视角下,选择各建筑物与定位点最近的角点在地面平面上的投影点分别与定位点连接得到多个线段l′,以从定位点出发,且经过最短l′的射线为极轴,以GPS定位点为极点,建立定位点极坐标系,以各个l′对应的极角为对应建筑物的偏角;对各个建筑物,以投影点为极点,l′从投影点出发经过GPS定位点的射线为极轴建立角点极坐标系,获得角点极坐标系中极角最小的顶边与l′所成的姿态角。
所述计算第一环形空间描述向量与第二环形空间描述向量的相似度判断是否定位异常,具体包括:
第一环形空间描述向量中建筑物数量为mu,共进行mu次匹配,每次匹配执行以下操作:
在第一环形空间描述向量中选取一个建筑物将对应的偏角设置为0°并适应性改变其他建筑物的偏角。
设置向量匹配度阈值β,若存在一次匹配结果为XP>β,判定匹配成功,GPS定位准确;若所有匹配结果都为XP≤β,判定匹配失败,GPS定位异常。
本发明和现有技术相比有如下有益效果:
(1)将全景图中建筑的层次信息和CIM中的建筑层次信息进行对比以确定GPS定位是否出现误差,考虑了乘客周围各个角度的信息和建筑物相对位置的信息,可以更准确地判断GPS定位是否出现误差。
(2)获取各建筑物和比其低一层的建筑的相对倾角特征,既考虑到了建筑物的层次信息,又考虑到了建筑物相对于拍摄点的位置信息,提高了定位误差判断的准确率。
(3)将全景图和CIM里建筑物的偏角θ和转角ω进行对比,考虑了建筑物的姿态信息和建筑物之间的相对位置信息,可以更准确地判断GPS定位是否出现误差。
附图说明
图1为***结构图。
图2为建筑物俯视图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一:
本发明的主要目的是根据手机拍摄的全景图判断GPS定位是否出现误差。
为了实现本发明所述内容,本发明设计了一种基于智能物联网与大数据的人员定位异常检测***,***结构图如图1所示。
本发明针对的是乘客在不熟悉的环境中,GPS定位出现误差的情况,为了验证GPS定位是否准确,本发明需要采集乘客周围的环境信息。所述环境信息通过乘客的手机来采集,乘客需要用手机拍摄周围的全景图像,天空以及乘客脚下的信息对判断乘客位置用处较小,所以本发明拍摄的全景图为柱面全景图像。对全景图像进行一定的预处理后,将全景图像输入建筑物检测网络检测建筑物,为后续获取建筑物特征做准备。
所述建筑物检测网络的训练方法为:以采集的若干张全景图像为数据集;人工对数据集进行标注,对全景图中像素标注ID,属于不同建筑物的像素标注不同的非零ID,非建筑物像素ID为0,生成标注数据;使用均方误差损失函数进行训练。
将全景图像输入训练好的建筑物检测模块中,检测全景图像中像素类别,并对像素标注ID,属于不同建筑物的像素标注不同的非零ID,非建筑物像素的ID为0,输出建筑物分割图。
建筑物分割图的高度为g,获取建筑物分割图中各建筑物像素的横坐标,横坐标最大值和最小值的差值为k,对一个建筑物,切分包含该建筑物像素的所有列像素,得到宽为k高为g的建筑物切分图像。需要说明的是,一个建筑物对应的切分图像中可能包含其他建筑物的像素。
将建筑物切分图像同时输入建筑物姿态获取模块和建筑物层次获取模块。
建筑物姿态获取模块,用于获取建筑物的姿态角和偏角。建筑物俯视图中姿态角和偏角如图2。
从建筑物分割图中无法准确地测得建筑物到拍摄点的距离,所以需要从图像中获得其他的描述信息来表征建筑物的特征。本发明通过建筑物的姿态角和偏角来表征建筑物的姿态和建筑物之间的角度关系。
将各个建筑物的切分图像还原为正视图像,根据全景图拼接时的单应性矩阵来将建筑物切分图像还原为无畸变的正视图像。
本发明通过顶边检测网络检测正视图像中建筑物的顶边,并根据顶边分析得到俯视视角下建筑物对应的姿态角和建筑物偏角。一般建筑物可以抽象为一个立方体,在俯视视角下可以看见建筑物的顶面,顶面的四个角都为直角,所以可以根据建筑物切分图像中相交两顶边的角度来获取建筑物顶面大致的俯视图。而建筑物的偏角是俯视视角下以拍摄点为极点的拍摄点极坐标中各个角点在地面平面的投影点对应的极角。
顶边检测网络的训练方法为:以若干张建筑物图像为数据集;对数据集进行标注,标注为建筑物的顶面的边,生成标注数据;采用均方误差损失函数进行训练。
将各建筑物切分图像输入训练好的顶边检测网络,检测对应建筑物的顶边。
根据顶边分析建筑物对应的姿态角和偏角。若检测出建筑物有两条顶边,则两条顶边的交点为角点,根据顶边还原出顶面俯视图,以角点在地面平面的投影为参考点,在俯视视角下连接参考点和拍摄点并得到直线l,以从参考点出发且经过拍摄点的射线为极轴、参考点为极点建立参考点极坐标系,检测两顶边在地面平面的投影,以参考点极坐标系中极角最小的顶边投影为参考顶边投影,获得参考顶边投影与l所成的姿态角。需要说明的是,本发明中建立的极坐标系,其正方向都是逆时针方向。
若检测出建筑物只有一条顶边,则顶边的两端为角点,以顶边的中点在地面平面的投影为参考点,在俯视视角下连接参考点和拍摄点,得到直线l,判定该建筑物的姿态角为90°。
将所有建筑物对应的l合并得到全局俯视图,从拍摄点出发作经过任选一个建筑物参考点的射线为极轴,以拍摄点为极点建立拍摄点极坐标系,根据各个建筑物的参考点对应全景图中的位置获得各个建筑物的偏角。由常理可知易获得参考点在建筑物切分图像中的像素,并进一步地获得参考点在全景图中对应的像素,全景图一周为360°。所以如果在全景图中设置一列像素对应的像素为参考列,对应0°。再设置正方向,即可根据像素在全景图中的列数得到该像素的角度,即参考点对应的偏角。
建筑物层次获取模块。用于获取建筑物的层次信息,建筑物与其周围的建筑物存在相对的层次信息,也即前后信息。对于同一个建筑物,从不同位置获取的层次信息不同,所以建筑物的层次信息可以有效地表征建筑物相对于人的位置。本发明通过建筑物层次获取模块获取建筑物的层次信息。
对于各个建筑物的切分图像进行处理,获取各个建筑物的层次值和相对倾角。具体步骤为:
统计建筑物切分图像中每一行像素的ID,得到该行的众数作为该行的ID。最后输出一个1×H的ID序列。例如本实施例得到的ID序列为:[22233311000]T。
从下向上分析像素ID序列的非零ID,出现的第一类像素ID为层次值为1,之后出现的其他像素ID对应的层次值递增,得到每种像素ID的层次值。
对于本实施例得到的ID序列,从下到上统计其中非零的ID类数,即不同建筑物的数量,对如上的序列,从下到上的非零ID依次为1、3、2,说明在该建筑物切分图像中,建筑物3的一部分被建筑物1遮挡住,建筑物2的一部分被建筑物3遮挡住,因此从该ID序列可得到:建筑物1的层次值为1、建筑物3的层次值为2、建筑物2的层次值为3。
同时根据ID序列得到建筑物的相对倾角,所述倾角为建筑物角点与拍摄点连线与地面所成角度,建筑物的相对倾角的计算方法具体为:
统计每种建筑物的像素ID所占行数H,建筑物m层次值不为1时,相对倾角为 Hm、Hml为相邻层次建筑物对应的行数,m为像素ID序列对应建筑物切分图像中建筑物的像素ID,ml为层次值比建筑物m低一层的像素ID,f为相机的焦距;
建筑物m层次值为1时,相对倾角γm=0°。
定位对比模块。
根据获得的建筑物的相对倾角、层次值、偏角、姿态角得到第一环形空间描述向量,环形空间描述向量为环形向量,其中每个建筑的像素ID中都包含建筑物的相对倾角、层次值、偏角、姿态角。
根据CIM获取建筑特征数字串、建筑窗户数字串、窗户比例特征数字串。CIM(城市信息模型)城市信息模型是以建筑信息模型(BIM)、地理信息***(GIS)、物联网(IoT)等技术为基础,整合城市地上地下、室内室外、历史现状未来多维多尺度信息模型数据和城市感知数据,构建起三维数字空间的城市信息有机综合体。
本发明利用CIM中建筑物的三维模型数据,来获取GPS定位地点周围的环境信息。具体方法为:获得GPS定位点及定位点周围的CIM,获取在定位点视角下每一个建筑与周围建筑的层次关系。
获取各个建筑物离GPS定位点最近的角点,将定位点分别与每个建筑物三维模型的最高点连接,计算各建筑物与低一层次建筑物的相对倾角。
在俯视视角下,选择各建筑物与定位点最近的角点在地面平面上的投影点分别与定位点连接得到多个线段l′,以从定位点出发,且经过最短l′的射线为极轴,以GPS定位点为极点,建立定位点极坐标系,以各个l′对应的极角为对应建筑物的偏角;对各个建筑物,以投影点为极点,l′从投影点出发经过GPS定位点的射线为极轴建立角点极坐标系,获得角点极坐标系中极角最小的顶边与l′所成的姿态角。
第二环形空间描述向量形式与第一环形空间描述向量相同,各个建筑中都包含其对应的相对倾角、层次值、偏角、姿态角。
对比第二环形空间描述向量形式与第一环形空间描述向量并计算相似度,环形空间描述向量中偏角值和极轴的设置有关,为了减小匹配的误差,本发明将调整不断调整第一环形空间描述向量中的极轴,进行多次匹配。第一环形空间描述向量中建筑物数量为mu,共进行mu次匹配,每次匹配执行以下操作:
在第一环形空间描述向量中选取一个建筑物将对应的偏角设置为0°并适应性改变其他建筑物的偏角。
设置向量匹配度阈值β,若存在一次匹配结果为XP>β,判定匹配成功,GPS定位准确;若所有匹配结果都为XP≤β,判定匹配失败,GPS定位异常。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于智能物联网与大数据的人员定位异常检测***,其特征在于,该***包括:
建筑物检测模块,用于获取全景图并检测各个建筑物的像素,获取建筑物分割图,将各个建筑物从建筑物分割图中切分出来得到建筑物切分图像;
建筑物姿态获取模块,用于将建筑物切分图像还原为正视图像,检测正视图像中建筑物的顶边和角点,并分析得到俯视视角下建筑物顶边对应的姿态角,根据各建筑物角点和拍摄点连线得到建筑物偏角;
建筑物层次获取模块,用于统计建筑物切分图像中每行像素的ID得到像素ID序列,对像素ID序列分析得到建筑物的层次值和相对倾角;
定位对比模块,根据建筑物的相对倾角、层次值、偏角、姿态角得到第一环形空间描述向量;根据GPS定位点在CIM中获得第二环形空间描述向量,对比第一环形空间描述向量与第二环形空间描述向量并判断是否定位异常。
2.如权利要求1所述的***,其特征在于,所述将各个建筑物从全景图切分出来得到建筑物切分图像,具体包括:
建筑物分割图的高度为g,获取建筑物分割图中各建筑物像素的横坐标,横坐标最大值和最小值的差值为k,对一个建筑物,切分包含该建筑物像素的所有列像素得到宽为k高为g的建筑物切分图像。
3.如权利要求1所述的***,其特征在于,所述检测正视图像中建筑物的顶边和角点,并分析得到俯视视角下建筑物顶边对应的姿态角,具体包括:
若建筑物有两条顶边,则两条顶边的交点为角点,根据顶边还原出顶面俯视图,以角点在地面平面的投影为参考点,在俯视视角下连接参考点和拍摄点并得到直线l,以从参考点出发且经过拍摄点的射线为极轴、参考点为极点建立参考点极坐标系,以参考点极坐标系中极角最小的顶边投影为参考顶边投影,获得参考顶边投影与l所成的姿态角;
若检测出建筑物只有一条顶边,则顶边的两端为角点,以顶边的中点在地面平面的投影为参考点,在俯视视角下连接参考点和拍摄点,得到直线l,判定该建筑物的姿态角为90°。
4.如权利要求3所述的***,其特征在于,所述根据各建筑物角点和拍摄点连线得到建筑物偏角,具体包括:
将所有建筑物对应的l合并得到全局俯视图,从拍摄点出发作经过任选一个建筑物参考点的射线为极轴,以拍摄点为极点建立拍摄点极坐标系,根据各个建筑物的参考点对应全景图中的位置获得各个建筑物的偏角。
5.如权利要求1所述的***,其特征在于,所述统计建筑物切分图像中每行像素的标注得到像素ID序列,具体包括:
属于不同建筑物的像素ID不同,不属于建筑物的像素ID为0,每张建筑物切分图像对应一个建筑物的像素ID;
以各行像素ID的众数作为该行的ID,将每行的ID按像素行的顺序排列得到像素ID序列。
6.如权利要求1所述的***,其特征在于,所述对像素ID序列分析得到建筑物的层次值,具体包括:
从下向上分析像素ID序列的非零ID,出现的第一类像素ID为层次值为1,之后出现的其他像素ID对应的层次值递增,得到每种像素ID的层次值。
8.如权利要求1所述的***,其特征在于,所述根据GPS定位点在CIM中获得第二环形空间描述向量,具体包括:
获得GPS定位点及定位点周围的CIM,获取在定位点视角下每一个建筑物的层次值;
获取各个建筑物离GPS定位点最近的角点,将定位点分别与每个建筑物三维模型的最高点连接,计算各建筑物与低一层次建筑物的相对倾角;
在俯视视角下,选择各建筑物与定位点最近的角点在地面平面上的投影点分别与定位点连接得到多个线段l′,以从定位点出发,且经过最短l′的射线为极轴,以GPS定位点为极点,建立定位点极坐标系,以各个l′对应的极角为对应建筑物的偏角;对各个建筑物,以投影点为极点,l′从投影点出发经过GPS定位点的射线为极轴建立角点极坐标系,获得角点极坐标系中极角最小的顶边与l′所成的姿态角。
9.如权利要求1所述的***,其特征在于,所述计算第一环形空间描述向量与第二环形空间描述向量的相似度判断是否定位异常,具体包括:
第一环形空间描述向量中建筑物数量为mu,共进行mu次匹配,每次匹配执行以下操作:
在第一环形空间描述向量中选取一个建筑物将对应的偏角设置为0°并适应性改变其他建筑物的偏角;
设置向量匹配度阈值β,若存在一次匹配结果为XP>β,判定匹配成功,GPS定位准确;若所有匹配结果都为XP≤β,判定匹配失败,GPS定位异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110381158.8A CN113112544B (zh) | 2021-04-09 | 2021-04-09 | 基于智能物联网与大数据的人员定位异常检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110381158.8A CN113112544B (zh) | 2021-04-09 | 2021-04-09 | 基于智能物联网与大数据的人员定位异常检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112544A true CN113112544A (zh) | 2021-07-13 |
CN113112544B CN113112544B (zh) | 2022-07-19 |
Family
ID=76715179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110381158.8A Active CN113112544B (zh) | 2021-04-09 | 2021-04-09 | 基于智能物联网与大数据的人员定位异常检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112544B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107449434A (zh) * | 2016-05-31 | 2017-12-08 | 法拉第未来公司 | 使用定位估计误差界限进行安全车辆导航 |
CN110675034A (zh) * | 2019-09-06 | 2020-01-10 | 河北省水利水电勘测设计研究院 | 一种基于cim和gis的生态清淤智慧管控***及方法 |
CN110749308A (zh) * | 2019-09-30 | 2020-02-04 | 浙江工业大学 | 使用消费级gps和2.5d建筑物模型的面向slam的室外定位方法 |
CN110926474A (zh) * | 2019-11-28 | 2020-03-27 | 南京航空航天大学 | 卫星/视觉/激光组合的城市峡谷环境uav定位导航方法 |
CN111189440A (zh) * | 2019-12-31 | 2020-05-22 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于空间信息模型与实时图像比对的定位导航方法 |
CN111612895A (zh) * | 2020-05-27 | 2020-09-01 | 魏寸新 | 抗树叶遮挡的检测共享单车异常停放的cim实时成像方法 |
CN111694879A (zh) * | 2020-05-22 | 2020-09-22 | 北京科技大学 | 一种多元时间序列异常模式预测方法及数据采集监控装置 |
CN111783676A (zh) * | 2020-07-03 | 2020-10-16 | 郑州迈拓信息技术有限公司 | 基于关键区域感知的智慧城市道路视频连续覆盖方法 |
CN112348887A (zh) * | 2019-08-09 | 2021-02-09 | 华为技术有限公司 | 终端位姿确定方法以及相关装置 |
WO2021027676A1 (zh) * | 2019-08-09 | 2021-02-18 | 华为技术有限公司 | 视觉定位方法、终端和服务器 |
-
2021
- 2021-04-09 CN CN202110381158.8A patent/CN113112544B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107449434A (zh) * | 2016-05-31 | 2017-12-08 | 法拉第未来公司 | 使用定位估计误差界限进行安全车辆导航 |
CN112348887A (zh) * | 2019-08-09 | 2021-02-09 | 华为技术有限公司 | 终端位姿确定方法以及相关装置 |
WO2021027676A1 (zh) * | 2019-08-09 | 2021-02-18 | 华为技术有限公司 | 视觉定位方法、终端和服务器 |
CN110675034A (zh) * | 2019-09-06 | 2020-01-10 | 河北省水利水电勘测设计研究院 | 一种基于cim和gis的生态清淤智慧管控***及方法 |
CN110749308A (zh) * | 2019-09-30 | 2020-02-04 | 浙江工业大学 | 使用消费级gps和2.5d建筑物模型的面向slam的室外定位方法 |
CN110926474A (zh) * | 2019-11-28 | 2020-03-27 | 南京航空航天大学 | 卫星/视觉/激光组合的城市峡谷环境uav定位导航方法 |
CN111189440A (zh) * | 2019-12-31 | 2020-05-22 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于空间信息模型与实时图像比对的定位导航方法 |
CN111694879A (zh) * | 2020-05-22 | 2020-09-22 | 北京科技大学 | 一种多元时间序列异常模式预测方法及数据采集监控装置 |
CN111612895A (zh) * | 2020-05-27 | 2020-09-01 | 魏寸新 | 抗树叶遮挡的检测共享单车异常停放的cim实时成像方法 |
CN111783676A (zh) * | 2020-07-03 | 2020-10-16 | 郑州迈拓信息技术有限公司 | 基于关键区域感知的智慧城市道路视频连续覆盖方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113112544B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112894832B (zh) | 三维建模方法、装置、电子设备和存储介质 | |
CN107067794B (zh) | 一种基于视频图像处理的室内车辆定位导航***及方法 | |
CN111209915B (zh) | 一种基于深度学习的三维图像同步识别和分割方法 | |
US10664708B2 (en) | Image location through large object detection | |
Duarte et al. | Towards a more efficient detection of earthquake induced facade damages using oblique UAV imagery | |
CN109816708B (zh) | 基于倾斜航空影像的建筑物纹理提取方法 | |
CN112667837A (zh) | 图像数据自动标注方法及装置 | |
CN107545538B (zh) | 一种基于无人机的全景图像拼接方法及装置 | |
CN111882612A (zh) | 一种基于三维激光检测车道线的车辆多尺度定位方法 | |
CN109446973B (zh) | 一种基于深度神经网络图像识别的车辆定位方法 | |
CN104077760A (zh) | 一种航空摄影测量的快速拼接***及其实现方法 | |
CN109596121B (zh) | 一种机动站自动目标检测与空间定位方法 | |
CN102034238A (zh) | 基于光学成像测头和视觉图结构的多摄像机***标定方法 | |
CN114004977A (zh) | 一种基于深度学习的航拍数据目标定位方法及*** | |
CN111477013B (zh) | 一种基于地图影像的车辆测量方法 | |
Xiao et al. | Geo-spatial aerial video processing for scene understanding and object tracking | |
David et al. | Orientation descriptors for localization in urban environments | |
CN112150358A (zh) | 一种抗大几何畸变的影像特征匹配方法 | |
CN110160503B (zh) | 一种顾及高程的无人机景观匹配定位方法 | |
Ogawa et al. | Deep learning approach for classifying the built year and structure of individual buildings by automatically linking street view images and GIS building data | |
EP2946366A1 (en) | Method and system for geo-referencing at least one sensor image | |
CN113112544B (zh) | 基于智能物联网与大数据的人员定位异常检测*** | |
CN111754388B (zh) | 一种建图方法及车载终端 | |
Chuanxiang et al. | Automatic detection of aerial survey ground control points based on Yolov5-OBB | |
CN111508067B (zh) | 一种基于垂直平面和垂直线的轻量级室内建模方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Personnel Localization Anomaly Detection System Based on Intelligent Internet of Things and Big Data Granted publication date: 20220719 Pledgee: Bank of China Limited Yixing branch Pledgor: Guoneng smart technology development (Jiangsu) Co.,Ltd. Registration number: Y2024980012078 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |