CN113344002A - 一种目标坐标去重方法、***、电子设备及可读存储介质 - Google Patents

一种目标坐标去重方法、***、电子设备及可读存储介质 Download PDF

Info

Publication number
CN113344002A
CN113344002A CN202110860925.3A CN202110860925A CN113344002A CN 113344002 A CN113344002 A CN 113344002A CN 202110860925 A CN202110860925 A CN 202110860925A CN 113344002 A CN113344002 A CN 113344002A
Authority
CN
China
Prior art keywords
target
coordinates
target coordinates
targets
same
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
Application number
CN202110860925.3A
Other languages
English (en)
Other versions
CN113344002B (zh
Inventor
李志轩
刘博�
唐东明
严超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Tuzhi Tianxia Technology Co ltd
Original Assignee
Beijing Tuzhi Tianxia Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Tuzhi Tianxia Technology Co ltd filed Critical Beijing Tuzhi Tianxia Technology Co ltd
Priority to CN202110860925.3A priority Critical patent/CN113344002B/zh
Publication of CN113344002A publication Critical patent/CN113344002A/zh
Application granted granted Critical
Publication of CN113344002B publication Critical patent/CN113344002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种目标坐标去重方法、***、电子设备及可读存储介质，涉及数据处理技术领域。该方法包括：获取特定区域范围内的所有目标的目标坐标、类型和数量；将特定区域范围划分为多个区域子阵；将所有目标坐标按区域子阵进行集合划分，同一区域子阵内的所有目标坐标为一集合；将同一集合内的所有目标坐标两两一组构建邻接矩阵；判断邻接矩阵中两个目标坐标之间的度量是否小于阈值；如果度量小于阈值，判断两个目标坐标对应的两个目标是否类型相同；如果两个目标的类型相同，判定两个目标坐标对应同一目标；去除重复的目标坐标。本发明的技术方案能够有效去除重复识别的目标坐标，提升识别结果的准确性。

Description

一种目标坐标去重方法、***、电子设备及可读存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种目标坐标去重方法、***、电子设备及可读存储介质。
背景技术
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。在实际生活/生产中，诸多领域需要应用图像识别技术来识别目标。例如，在光伏电站巡检过程中，需要利用图像识别技术识别缺陷，并进一步确定缺陷坐标，便于进行维护；在人脸识别过程中，需要利用图像识别技术识别人面部特征点及其坐标，进而比对是否与数据库中存储的头像归属于同一用户。
发明人发现，在图像识别过程中，为了防止遗漏，在获取图像的过程中，通常需要相邻两次获取图像的范围存在一定的交叠，但这将导致获取图像的数量增加，且图像中需要识别的目标的数量也增加，影响识别结果的准确性。
发明内容
本发明提供一种目标坐标去重方法、***、电子设备及可读存储介质，可以有效去除重复识别的目标坐标，提升识别结果的准确性。
第一方面，本发明提供一种目标坐标去重方法，采用如下技术方案：
所述目标坐标去重方法包括：
获取特定区域范围内的所有目标的目标坐标、类型和数量，所述所有目标通过对所述特定区域范围进行多次识别获得，相邻两次识别的区域范围存在交叠；
将所述特定区域范围划分为多个区域子阵，所述区域子阵的范围包括至少两次识别的区域范围；
将所有所述目标坐标按所述区域子阵进行集合划分，同一所述区域子阵内的所有目标坐标为一集合；
将同一集合内的所有目标坐标两两一组构建邻接矩阵；
判断所述邻接矩阵中两个目标坐标之间的度量是否小于阈值；
如果所述度量小于阈值，判断两个目标坐标对应的两个目标是否类型相同；
如果两个目标的类型相同，判定两个目标坐标对应同一目标；
去除重复的所述目标坐标。
可选地，获取特定区域范围内的所有目标的类型和数量包括：采集所述特定区域范围的多个红外图像，相邻两次采集的红外图像对应的区域范围存在交叠；对各所述红外图像进行识别，获取所述特定区域范围内目标的类型和数量。
可选地，所述目标坐标为世界地理坐标；所述获取特定区域范围内的所有目标的目标坐标包括：获取所述目标在所述红外图像坐标系中的坐标；在采集多个所述红外图像的同时，采集所述特定区域范围的多个广角图像；将所述红外图像映射到对应的所述广角图像上；将映射到所述广角图像上的所述目标在所述红外图像坐标系中的坐标转换到世界坐标系，得到所述目标坐标。
可选地，所述特定区域范围为光伏电站，所述目标为缺陷，无人机装载双光相机，定点悬停，同时采集所述红外图像和所述广角图像；将映射到所述广角图像上的所述目标在所述红外图像坐标系中的坐标转换到世界坐标系，得到所述目标坐标包括：
对所述广角图像进行空三运算，得到所述无人机采集所述广角图像时，相对于世界坐标系下的外姿态角；
结合所述双光相机的内参、所述外姿态角以及悬停位置信息，将映射到所述广角图像的所述目标在所述红外图像坐标系中的坐标转换到世界坐标系，得到所述目标坐标。
可选地，所述将同一集合内的所有目标坐标两两一组构建邻接矩阵包括：
同一集合内的目标坐标的数量为N；
N个目标坐标之间两两一组构建一个N×N的邻接矩阵A，邻接矩阵A中的第i行的N个数值依次为第i个目标坐标分别与第1到N个目标坐标之间的度量，i为1、2、……、N。
可选地，所述特定区域范围为光伏电站，所述目标为缺陷；所述光伏电站内设置有多个光伏组件，各所述光伏组件的尺寸相同，所述阈值Th与所述光伏组件的宽度W之间的大小关系为：W≤阈值Th≤2W。
可选地，所述去除重复的所述目标坐标包括：确定获取两个所述目标坐标的识别过程分别对应的区域范围的中心点；分别计算两个所述目标坐标所在位置到对应的区域范围中心点的距离；保留距离所述区域范围中心点较近的位置对应的所述目标坐标。
第二方面，本发明提供一种目标坐标去重***，采用如下技术方案：
所述目标坐标去重***包括：
获取模块，用于获取特定区域范围内的所有目标的目标坐标、类型和数量，所述所有目标通过对所述特定区域范围进行多次识别获得，相邻两次识别的区域范围存在交叠；
子阵划分模块，用于将所述特定区域范围划分为多个区域子阵，所述区域子阵的范围包括至少两次识别的区域范围；
集合划分模块，用于将所有所述目标坐标按所述区域子阵进行集合划分，同一所述区域子阵内的所有目标坐标为一集合；
矩阵构建模块，用于将同一集合内的所有目标坐标两两一组构建邻接矩阵；
第一判断模块，用于判断所述邻接矩阵中两个目标坐标之间的度量是否小于阈值；
第二判断模块，用于在所述度量小于阈值时，判断两个目标坐标对应的两个目标是否类型相同；
判定模块，用于在两个目标的类型相同时，判定两个目标坐标对应同一目标；
去重模块，用于去除重复的所述目标坐标。
第三方面，本发明提供一种电子设备，所述电子设备包括：存储器，所述存储器存储执行指令；以及处理器，所述处理器执行所述存储器存储的执行指令，使得所述处理器执行以上任一项所述的目标坐标去重方法。
第四方面，本发明提供一种可读存储介质，所述可读存储介质中存储有执行指令，所述执行指令被处理器执行时用于实现以上任一项所述的目标坐标去重方法。
本发明提供一种目标坐标去重方法、***、电子设备及可读存储介质，该目标坐标去重方法包括：获取特定区域范围内的所有目标的目标坐标、类型和数量，所有目标通过对特定区域范围进行多次识别获得，相邻两次识别的区域范围存在交叠；将特定区域范围划分为多个区域子阵，区域子阵的范围包括至少两次识别的区域范围；将所有目标坐标按区域子阵进行集合划分，同一区域子阵内的所有目标坐标为一集合；将同一集合内的所有目标坐标两两一组构建邻接矩阵；判断邻接矩阵中两个目标坐标之间的度量是否小于阈值；如果度量小于阈值，判断两个目标坐标对应的两个目标是否类型相同；如果两个目标的类型相同，判定两个目标坐标对应同一目标；去除重复的目标坐标。因此，通过本发明提供的目标坐标去重方法可以有效去除重复识别的目标坐标，提升识别结果的准确性。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的目标坐标去重方法的流程图；
图2为本发明实施例提供的相邻两次采集的红外图像的交叠关系图；
图3为本发明实施例提供的红外图像上标记位置的示意图；
图4为本发明实施例提供的广角图像上对应标记位置的示意图；
图5为本发明实施例提供的红外图像在广角图像上一一对应的示意图；
图6为本发明实施例提供的坐标转换过程示意图；
图7为本发明实施例提供的子步骤S142的具体流程图；
图8为本发明实施例提供的目标坐标去重***的模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下本发明实施例中的各技术特征均可以相互结合。
本发明实施例提供一种目标坐标去重方法，具体地，如图1所示，图1为本发明实施例提供的目标坐标去重方法的流程图，该目标坐标去重方法包括：
步骤S1、获取特定区域范围内的所有目标的目标坐标、类型和数量。
其中，所有目标通过对特定区域范围进行多次识别获得，相邻两次识别的区域范围存在交叠。由于相邻两次识别的区域范围存在交叠，整个识别过程中不会造成目标的遗漏，且最终输出的目标坐标的精确度更高，但相邻两次识别获得的目标可能会存在重复识别的目标，通过本发明实施例提供的以下步骤即可去除重复的目标坐标。
以上识别过程可以为直接识别区域范围内的目标，获取目标坐标、类型和数量；也可以先获取区域范围的图像，如红外图像、光学图像等，再通过识别该图像获取目标坐标、类型和数量。在上述识别过程中不仅识别特定区域范围内目标的数量，还识别目标的类型，不仅能够在输出结果时一并输出目标的类型，还能够避免将坐标接近但类型不同的目标误去除，能够进一步提升输出结果的准确性。本发明实施例中可选择先获取区域范围的图像，再通过识别该图像获取目标坐标、类型和数量。
可选地，本发明实施例中，获取特定区域范围内的所有目标的类型和数量包括：采集特定区域范围的多个红外图像，如图2所示，图2为本发明实施例提供的相邻两次采集的红外图像的交叠关系图，相邻两次采集的红外图像对应的区域范围（图中分别以实线框和虚线框表示）存在交叠；对各红外图像进行识别，获取特定区域范围内目标的类型和数量。其中，对各红外图像进行识别，获取特定区域范围内的目标的类型和数量的具体方式可以为：构建神经网络深度学习模型，将红外图像输入神经网络深度学习模型，进行目标检测，进而得到目标类型以及目标数量。
本发明实施例中并未对目标坐标适应的坐标系进行过多的限制，只要是量纲相同的坐标系均可，可以为图像中对应的坐标系，也可以为WGS84世界坐标系、UTM等世界坐标系，但不能是通过经纬度表示的坐标。针对不同的目标坐标种类，获取特定范围内的所有目标的目标坐标的具体方式可以根据实际需要进行选择。
在一个例子中，本发明实施例中的目标坐标为红外图像坐标系中的坐标，则直接通过识别获取的各红外图像即可获取目标坐标。
在又一个例子中，本发明实施例中的目标坐标为世界地理坐标，则获取特定区域范围内的所有目标的目标坐标包括：
子步骤S11、获取目标在红外图像坐标系中的坐标。
例如，构建神经网络深度学习模型，将红外图像输入神经网络深度学习模型，进行目标检测，进而获取目标在红外图像坐标系中的坐标，若目标尺寸较大，则以红外图像中目标所在范围框的中心位置的坐标作为目标在红外图像坐标系中的坐标。
子步骤S12、在采集多个红外图像的同时，采集特定区域范围的多个广角图像。
以特定区域范围为光伏电站，目标为缺陷为例，可以通过无人机装载双光相机，定点悬停，同时采集红外图像和广角图像。
子步骤S13、将红外图像映射到对应的广角图像上。
可选地，如图3、图4和图5所示，图3为本发明实施例提供的红外图像上标记位置的示意图，图4为本发明实施例提供的广角图像上对应标记位置的示意图，图5为本发明实施例提供的红外图像在广角图像上一一对应的示意图，将红外图像映射到广角图像包括：从红外图像上选择4个标记位置；将4个标记位置对应到广角图像，确定透视变换矩阵的参数；根据透视变换矩阵的参数进行透视变换，得到透视变换矩阵（此透视变换矩阵适用于识别过程中的所有红外图像和所有广角图像）；根据透视变换矩阵将红外图像映射到广角图像，进而实现红外图像到广角图像的映射。
在此过程中，目标在红外图像坐标系中的坐标也一并映射到广角图像上。
子步骤S14、将映射到广角图像上的目标在红外图像坐标系中的坐标转换到世界坐标系，得到目标坐标。
仍然以特定区域范围为光伏电站，目标为缺陷，无人机装载双光相机，定点悬停，同时采集红外图像和广角图像为例，如图6所示，图6为本发明实施例提供的坐标转换过程示意图，将映射到广角图像上的目标在红外图像坐标系中的坐标转换到世界坐标系，得到目标坐标包括：
子步骤S141、对广角图像进行空三运算，得到无人机采集广角图像时，相对于世界坐标系下的外姿态角。
子步骤S141具体可以包括：对广角图像进行空三运算，得出广角图像拍摄中心点的世界坐标系（例如WGS84世界坐标系）的地理坐标，高程信息X、Y、Z，以及外姿态角包括的绕空间坐标轴X、Y、Z三轴的旋转角
Figure 604209DEST_PATH_IMAGE001
。
子步骤S142、结合双光相机的内参、外姿态角以及悬停位置信息，将映射到广角图像上的目标在红外图像坐标系中的坐标转换到世界坐标系，得到目标坐标。
如图7所示，图7为本发明实施例提供的子步骤S142的具体流程图，子步骤S142具体可以包括：
子步骤a、获取采集广角图像时无人机悬停位置的经度、纬度、绝对高程，以及红外图像中心点在相应地理位置上对应的绝对高程信息。
子步骤b、结合双光相机的内参对广角图像的畸变进行校正。
可选地，结合双光相机的内参对广角图像的畸变进行校正包括：
设映射到广角图像上的目标在红外图像坐标系中的坐标为（x,y），双光相机的几何中心坐标为(x0,y0)，校正过程如下：
Figure 752294DEST_PATH_IMAGE002
；
Figure 573620DEST_PATH_IMAGE003
；
Figure 719430DEST_PATH_IMAGE004
Figure 891785DEST_PATH_IMAGE005
；
式中w0表示红外图像的宽度，d表示双光相机的单位像素长度，f表示双光相机的焦距，k1、k2、k3表示双光相机的径向畸变的泰勒展开系数，p1、p2表示双光相机的切向畸变的系数。
子步骤c、根据Y、Z、X轴旋转的顺序计算旋转矩阵。
可选地，根据Y、Z、X轴旋转的顺序计算旋转矩阵包括：
旋转矩阵如下：
Figure 781244DEST_PATH_IMAGE006
；
其中，
Figure 457076DEST_PATH_IMAGE007
；
Figure 304946DEST_PATH_IMAGE008
；
Figure 433439DEST_PATH_IMAGE009
；
Figure 392168DEST_PATH_IMAGE010
；
Figure 922507DEST_PATH_IMAGE011
；
Figure 675699DEST_PATH_IMAGE012
；
Figure 557067DEST_PATH_IMAGE013
；
Figure 254240DEST_PATH_IMAGE014
；
Figure 701402DEST_PATH_IMAGE015
；
子步骤d、根据旋转矩阵、广角图像拍摄中心点的世界坐标系的地理坐标，计算得到目标坐标。
可选地，根据旋转矩阵、广角图像拍摄中心点的世界坐标系的地理坐标，计算得到目标坐标包括：
Figure 563179DEST_PATH_IMAGE016
；
Figure 931843DEST_PATH_IMAGE017
；
（Xs,Ys）表示目标坐标，（Xc,Yc）表示广角图像拍摄中心点的世界坐标系的地理坐标，式中（x,y）选择以上校正后得到的最终值。
步骤S2、将特定区域范围划分为多个区域子阵，区域子阵的范围包括至少两次识别的区域范围。
可选地，步骤S2具体包括：根据特定区域范围的实际形状等因素，划分多个区域子阵。以特定区域范围为光伏电站为例，根据光伏电站的实际地形及无人机拍照的难易程度，将巡检范围划分为多个区域子阵。具体可以为：导出kml文件，kml文件包括光伏电站及各区域子阵的世界地理坐标范围；根据kml文件生成标记各区域子阵范围的tfw文件，确定各区域子阵所定义的区间及单位像素值大小。可便于在巡检报告生成过程中进行世界地理坐标和建站图像的图像坐标之间进行转换。
步骤S3、将所有目标坐标按区域子阵进行集合划分，同一区域子阵内的所有目标坐标为一集合。
以目标为光伏电站的缺陷为例，将所有目标坐标使用kml文件按区域子阵进行集合划分。
步骤S4、将同一集合内的所有目标坐标两两一组构建邻接矩阵。
可选地，将同一集合内的所有目标坐标两两一组构建邻接矩阵包括：
同一集合内的目标坐标的数量为N；
N个目标坐标之间两两一组构建一个N×N的邻接矩阵A，邻接矩阵A中的第i行的N个数值依次为第i个目标坐标分别与第1到N个目标坐标之间的度量，i为1、2、……、N。两个目标坐标，即目标坐标（x1,y1）和目标坐标（x2,y2）之间的度量a的计算方式为：
Figure 763533DEST_PATH_IMAGE018
以N为4为例，
Figure 534043DEST_PATH_IMAGE019
其中，邻接矩阵A中的第1行的4个数值分别为：第1个目标坐标和第1-4个目标坐标之间的度量a11，a12，a13，a14；第2行的4个数值分别为：第2个目标坐标和第1-4个目标坐标之间的度量a21，a22，a23，a24；第3行的4个数值分别为：第3个目标坐标和第1-4个目标坐标之间的度量a31，a32，a33，a34，第4行的4个数值分别为：第4个目标坐标和第1-4个目标坐标之间的度量a41，a42，a43，a44。
每个目标坐标与自身之间的度量值均为0，即a11、a22、a33和a44均为0，在邻接矩阵A 中可直接记录为“0”；且第1个目标坐标与第2个目标坐标之间的度量a12，与第2个目标坐标 与第1个目标坐标之间的度量a21相同，类似地，a13和a31相同，a14和a41相同，a23和a32相同，a24 和a42相同，a34和a43相同，则邻接矩阵A中以上相同数值只需计算一次即可，无需重复计算。 以上邻接矩阵A可以简化为
Figure 363459DEST_PATH_IMAGE020
，其中“-”表示无需计算。
需要说明的是，现有技术中虽然也有邻接矩阵的相关应用，例如通过邻接矩阵的 方式实现一个视频中前后两帧的行人的关联，邻接矩阵中的每个值分别表示不同帧视频间 各行人之间的关联程度，若该值小于阈值，则说明该关联成立，两帧视频中的行人为同一个 人。例如，第一帧视频中有行人1、行人2、行人3和行人4，第二帧视频中有行人a、行人b、行人 c和行人d，则构建的邻接矩阵B为
Figure 219419DEST_PATH_IMAGE021
，若a1a的值小于阈值，则第 一帧视频中的行人1和第二帧视频中的行人a为同一个人。在以上邻接矩阵的应用场景中， 主要用来判断相似度，邻接矩阵中的每一个值都需要计算，而本发明实施例中邻接矩阵的 应用场景新颖，且构建方式简单。
步骤S5、判断邻接矩阵中两个目标坐标之间的度量是否小于阈值。
其中，邻接矩阵中两个目标坐标之间的度量的阈值可以根据实际应用场景进行设置。以特定区域范围为光伏电站，目标为缺陷为例，光伏电站内设置有多个光伏组件，各光伏组件的尺寸相同，阈值Th与光伏组件的宽度W之间的大小关系可以为：W≤阈值Th≤2W。其中，光伏组件通常为矩形，光伏组件的宽度W指的是矩形中较短的边的尺寸。在该应用场景中，以上阈值Th大小的设置可以在兼顾较好的去重效果的同时，以及避免不当去重造成的目标坐标缺失。
判断过程可以为：遍历邻接矩阵A中的各数值，将各数值分别与阈值Th进行比较，例如，邻接矩阵A中a12的数值为0.1，阈值为0.2，则a12小于阈值，说明第1个目标坐标和第2个目标坐标之间的度量小于阈值。
若邻接矩阵A中两个目标坐标之间的度量小于阈值，则可能说明一个目标被识别2次，若邻接矩阵中三个目标坐标之间的度量小于阈值，则可能说明一个目标被识别3次。以此类推。
需要说明的是，在实际过程中，必然是需要判断邻接矩阵中任意两个目标坐标之间的度量是否小于阈值，只需要重复以上内容即可。
步骤S6、如果度量小于阈值，判断两个目标坐标对应的两个目标是否类型相同。
在步骤S1中已经获取了目标的类型，此处直接进行比对即可。以目标为光伏电站的缺陷为例，目标的类型可以为二极管故障、热斑、开路等。
步骤S7、如果两个目标的类型相同，判定两个目标坐标对应同一目标。
若两个目标的目标坐标之间的度量小于阈值，且类型相同，则判定两个目标坐标对应同一目标，也就是在识别过程中，同一个目标被重复识别。若两个目标的目标坐标之间的度量小于阈值，但类型不同，则表示两个目标为不同的目标，不存在重复识别的问题。
步骤S8、去除重复的目标坐标。
可选地，去除重复的目标坐标包括：确定获取两个目标坐标的识别过程分别对应 的区域范围的中心点；分别计算两个目标坐标所在位置到对应的区域范围中心点的距离； 保留距离区域范围中心点较近的位置对应的目标坐标。计算目标坐标（xA,yA）所在位置到对 应的区域范围中心点（xB,yB）的距离d的方式如下：
Figure 58062DEST_PATH_IMAGE022
。
若一个目标被重复识别2次，如目标坐标1和目标坐标2为重复识别同一个目标得到的2个目标坐标，在邻接矩阵中目标坐标1和目标坐标2之间的度量小于阈值，进一步判定目标1和目标2为相同类型时，根据步骤S8中的方式去除其中一个目标坐标即可。
若一个目标被识别3次，如目标坐标1、目标坐标2和目标坐标3为重复识别同一个目标得到的3个目标坐标，则在邻接矩阵中目标坐标1和目标坐标2之间的度量小于阈值，且目标坐标2和目标坐标3之间的度量小于阈值，且目标坐标1和目标坐标3之间的度量小于阈值，进一步判定目标1、目标2和目标3为相同类型时，根据步骤S8中的方式去除其中两个目标坐标即可。
在本发明实施例提供的目标坐标去重方法中，获取特定区域范围内的所有目标的目标坐标、类型和数量，所有目标通过对特定区域范围进行多次识别获得，相邻两次识别的区域范围存在交叠；将特定区域范围划分为多个区域子阵，区域子阵的范围包括至少两次识别的区域范围；将所有目标坐标按区域子阵进行集合划分，同一区域子阵内的所有目标坐标为一集合；将同一集合内的所有目标坐标两两一组构建邻接矩阵；判断邻接矩阵中两个目标坐标之间的度量是否小于阈值；度量小于阈值，判断两个目标坐标对应的两个目标是否类型相同；两个目标的类型相同，判定两个目标坐标对应同一目标；去除重复的目标坐标。因此，通过本发明提供的目标坐标去重方法可以有效去除重复识别的目标坐标，提升识别结果的准确性。
此外，本发明实施例提供一种目标坐标去重***，具体地，如图所示，图为本发明实施例提供的目标坐标去重***的模块图，该目标坐标去重***包括：
获取模块10，用于获取特定区域范围内的所有目标的目标坐标、类型和数量，所有目标通过对特定区域范围进行多次识别获得，相邻两次识别的区域范围存在交叠；
子阵划分模块20，用于将特定区域范围划分为多个区域子阵，区域子阵的范围包括至少两次识别的区域范围；
集合划分模块30，用于将所有目标坐标按区域子阵进行集合划分，同一区域子阵内的所有目标坐标为一集合；
矩阵构建模块40，用于将同一集合内的所有目标坐标两两一组构建邻接矩阵；
第一判断模块50，用于判断邻接矩阵中两个目标坐标之间的度量是否小于阈值；
第二判断模块60，用于在度量小于阈值时，判断两个目标坐标对应的两个目标是否类型相同；
判定模块70，用于在两个目标的类型相同时，判定两个目标坐标对应同一目标；
去重模块80，用于去除重复的目标坐标。
需要说明的是，之前所述的目标坐标去重方法的具体内容均适用于其对应的各个模块，此处不再进行赘述。
此外，本发明实施例还提供一种电子设备，电子设备包括：存储器，存储器存储执行指令；以及处理器，处理器执行存储器存储的执行指令，使得处理器执行以上任一项的目标坐标去重方法。
本发明实施例还提供一种可读存储介质，可读存储介质中存储有执行指令，执行指令被处理器执行时用于实现以上任一项的目标坐标去重方法。
本领域的技术人员应该明白，本发明的实施例可提供为方法、***或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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完成流程图和/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。
这些计算机程序指令也可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，是的存储在该计算机刻度存储器中的指令产生包括指令装置的制造品，该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种目标坐标去重方法，其特征在于，包括：
获取特定区域范围内的所有目标的目标坐标、类型和数量，所述所有目标通过对所述特定区域范围进行多次识别获得，相邻两次识别的区域范围存在交叠；
将所述特定区域范围划分为多个区域子阵，所述区域子阵的范围包括至少两次识别的区域范围；
将所有所述目标坐标按所述区域子阵进行集合划分，同一所述区域子阵内的所有目标坐标为一集合；
将同一集合内的所有目标坐标两两一组构建邻接矩阵；
判断所述邻接矩阵中两个目标坐标之间的度量是否小于阈值；
如果所述度量小于阈值，判断两个目标坐标对应的两个目标是否类型相同；
如果两个目标的类型相同，判定两个目标坐标对应同一目标；
去除重复的所述目标坐标。
2.根据权利要求1所述的目标坐标去重方法，其特征在于，获取特定区域范围内的所有目标的类型和数量包括：采集所述特定区域范围的多个红外图像，相邻两次采集的红外图像对应的区域范围存在交叠；对各所述红外图像进行识别，获取所述特定区域范围内目标的类型和数量。
3.根据权利要求2所述的目标坐标去重方法，其特征在于，所述目标坐标为世界地理坐标；所述获取特定区域范围内的所有目标的目标坐标包括：获取所述目标在所述红外图像坐标系中的坐标；在采集多个所述红外图像的同时，采集所述特定区域范围的多个广角图像；将所述红外图像映射到对应的所述广角图像上；将映射到所述广角图像上的所述目标在所述红外图像坐标系中的坐标转换到世界坐标系，得到所述目标坐标。
4.根据权利要求3所述的目标坐标去重方法，其特征在于，所述特定区域范围为光伏电站，所述目标为缺陷，无人机装载双光相机，定点悬停，同时采集所述红外图像和所述广角图像；将映射到所述广角图像上的所述目标在所述红外图像坐标系中的坐标转换到世界坐标系，得到所述目标坐标包括：
对所述广角图像进行空三运算，得到所述无人机采集所述广角图像时，相对于世界坐标系下的外姿态角；
结合所述双光相机的内参、所述外姿态角以及悬停位置信息，将映射到所述广角图像的所述目标在所述红外图像坐标系中的坐标转换到世界坐标系，得到所述目标坐标。
5.根据权利要求1所述的目标坐标去重方法，其特征在于，所述将同一集合内的所有目标坐标两两一组构建邻接矩阵包括：
同一集合内的目标坐标的数量为N；
N个目标坐标之间两两一组构建一个N×N的邻接矩阵A，邻接矩阵A中的第i行的N个数值依次为第i个目标坐标分别与第1到N个目标坐标之间的度量，i为1、2、……、N。
6.根据权利要求1所述的目标坐标去重方法，其特征在于，所述特定区域范围为光伏电站，所述目标为缺陷；所述光伏电站内设置有多个光伏组件，各所述光伏组件的尺寸相同，所述阈值Th与所述光伏组件的宽度W之间的大小关系为：W≤阈值Th≤2W。
7.根据权利要求1所述的目标坐标去重方法，其特征在于，所述去除重复的所述目标坐标包括：确定获取两个所述目标坐标的识别过程分别对应的区域范围的中心点；分别计算两个所述目标坐标所在位置到对应的区域范围中心点的距离；保留距离所述区域范围中心点较近的位置对应的所述目标坐标。
8.一种目标坐标去重***，其特征在于，包括：
获取模块，用于获取特定区域范围内的所有目标的目标坐标、类型和数量，所述所有目标通过对所述特定区域范围进行多次识别获得，相邻两次识别的区域范围存在交叠；
子阵划分模块，用于将所述特定区域范围划分为多个区域子阵，所述区域子阵的范围包括至少两次识别的区域范围；
集合划分模块，用于将所有所述目标坐标按所述区域子阵进行集合划分，同一所述区域子阵内的所有目标坐标为一集合；
矩阵构建模块，用于将同一集合内的所有目标坐标两两一组构建邻接矩阵；
第一判断模块，用于判断所述邻接矩阵中两个目标坐标之间的度量是否小于阈值；
第二判断模块，用于在所述度量小于阈值时，判断两个目标坐标对应的两个目标是否类型相同；
判定模块，用于两个目标的类型相同，判定两个目标坐标对应同一目标；
去重模块，用于去除重复的所述目标坐标。
9.一种电子设备，其特征在于，所述电子设备包括：存储器，所述存储器存储执行指令；以及处理器，所述处理器执行所述存储器存储的执行指令，使得所述处理器执行权利要求1~7任一项所述的目标坐标去重方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有执行指令，所述执行指令被处理器执行时用于实现权利要求1~7任一项所述的目标坐标去重方法。
CN202110860925.3A 2021-07-29 2021-07-29 一种目标坐标去重方法、***、电子设备及可读存储介质 Active CN113344002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110860925.3A CN113344002B (zh) 2021-07-29 2021-07-29 一种目标坐标去重方法、***、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110860925.3A CN113344002B (zh) 2021-07-29 2021-07-29 一种目标坐标去重方法、***、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113344002A true CN113344002A (zh) 2021-09-03
CN113344002B CN113344002B (zh) 2022-02-01

Family

ID=77480455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110860925.3A Active CN113344002B (zh) 2021-07-29 2021-07-29 一种目标坐标去重方法、***、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113344002B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850173A (zh) * 2021-09-17 2021-12-28 合肥阳光智维科技有限公司 针对故障光伏组件的消除重复定位的方法、装置及介质
CN117472069A (zh) * 2023-12-28 2024-01-30 烟台宇控软件有限公司 一种用于输电线路检测的机器人控制方法及***

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106847067A (zh) * 2017-01-19 2017-06-13 武汉联图时空信息科技有限公司 室内停车地图的自动几何校正方法
CN107015560A (zh) * 2017-03-02 2017-08-04 浙江大学 一种基于无人机的光伏阵列的巡检方法
CN108253971A (zh) * 2017-12-29 2018-07-06 深圳创动科技有限公司 一种巡检方法及***
CN109344746A (zh) * 2018-09-17 2019-02-15 曜科智能科技（上海）有限公司 行人计数方法、***、计算机设备和存储介质
CN110503679A (zh) * 2019-08-29 2019-11-26 四川轻化工大学 一种红外基准图制备与评价方法
CN111062991A (zh) * 2019-12-27 2020-04-24 西安因诺航空科技有限公司 一种光伏场景的巡检目标定位方法、设备及可读存储介质
EP3726729A1 (en) * 2017-12-14 2020-10-21 Acciona Energía, S.A. Automated photovoltaic plant inspection system and method
CN111862204A (zh) * 2019-12-18 2020-10-30 北京嘀嘀无限科技发展有限公司 图像的视觉特征点的提取方法及相关装置
CN112577472A (zh) * 2020-12-03 2021-03-30 上海振华重工电气有限公司 一种无人机光伏巡检定位***及方法
CN112633535A (zh) * 2021-01-14 2021-04-09 国网安徽省电力有限公司 一种基于无人机图像的光伏电站智能巡检方法及***
CN112634370A (zh) * 2020-12-31 2021-04-09 广州极飞科技有限公司 一种无人机打点方法、装置、设备及存储介质
CN112857246A (zh) * 2021-02-05 2021-05-28 中国矿业大学(北京) 一种利用地面三目视频匹配的露天矿边坡形变在线监测方法
CN112923928A (zh) * 2021-01-29 2021-06-08 江苏提米智能科技有限公司 一种基于图像识别的光伏板导航方法、装置、电子设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106847067A (zh) * 2017-01-19 2017-06-13 武汉联图时空信息科技有限公司 室内停车地图的自动几何校正方法
CN107015560A (zh) * 2017-03-02 2017-08-04 浙江大学 一种基于无人机的光伏阵列的巡检方法
EP3726729A1 (en) * 2017-12-14 2020-10-21 Acciona Energía, S.A. Automated photovoltaic plant inspection system and method
CN108253971A (zh) * 2017-12-29 2018-07-06 深圳创动科技有限公司 一种巡检方法及***
CN109344746A (zh) * 2018-09-17 2019-02-15 曜科智能科技（上海）有限公司 行人计数方法、***、计算机设备和存储介质
CN110503679A (zh) * 2019-08-29 2019-11-26 四川轻化工大学 一种红外基准图制备与评价方法
CN111862204A (zh) * 2019-12-18 2020-10-30 北京嘀嘀无限科技发展有限公司 图像的视觉特征点的提取方法及相关装置
CN111062991A (zh) * 2019-12-27 2020-04-24 西安因诺航空科技有限公司 一种光伏场景的巡检目标定位方法、设备及可读存储介质
CN112577472A (zh) * 2020-12-03 2021-03-30 上海振华重工电气有限公司 一种无人机光伏巡检定位***及方法
CN112634370A (zh) * 2020-12-31 2021-04-09 广州极飞科技有限公司 一种无人机打点方法、装置、设备及存储介质
CN112633535A (zh) * 2021-01-14 2021-04-09 国网安徽省电力有限公司 一种基于无人机图像的光伏电站智能巡检方法及***
CN112923928A (zh) * 2021-01-29 2021-06-08 江苏提米智能科技有限公司 一种基于图像识别的光伏板导航方法、装置、电子设备及存储介质
CN112857246A (zh) * 2021-02-05 2021-05-28 中国矿业大学(北京) 一种利用地面三目视频匹配的露天矿边坡形变在线监测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850173A (zh) * 2021-09-17 2021-12-28 合肥阳光智维科技有限公司 针对故障光伏组件的消除重复定位的方法、装置及介质
CN117472069A (zh) * 2023-12-28 2024-01-30 烟台宇控软件有限公司 一种用于输电线路检测的机器人控制方法及***
CN117472069B (zh) * 2023-12-28 2024-03-26 烟台宇控软件有限公司 一种用于输电线路检测的机器人控制方法及***

Also Published As

Publication number Publication date
CN113344002B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
Ukhwah et al. Asphalt pavement pothole detection using deep learning method based on YOLO neural network
CN111325713B (zh) 基于神经网络的木材缺陷检测方法、***及存储介质
CN109190508B (zh) 一种基于空间坐标系的多摄像头数据融合方法
CN113344002B (zh) 一种目标坐标去重方法、***、电子设备及可读存储介质
Akagic et al. Pothole detection: An efficient vision based method using rgb color space image segmentation
US20210056715A1 (en) Object tracking method, object tracking device, electronic device and storage medium
WO2020052678A1 (en) Method and system for generating synthetic point cloud data using a generative model
CN113286129B (zh) 一种光伏电站的巡检方法及***
CN111507976B (zh) 基于多角度成像的缺陷检测方法及***
TWI521448B (zh) Vehicle identification system and method
CN112446870B (zh) 管道损伤检测方法、装置、设备及存储介质
CN110853033A (zh) 基于帧间相似度的视频检测方法和装置
CN112329645B (zh) 图像检测方法、装置、电子设备及存储介质
CN112258507B (zh) 互联网数据中心的目标对象检测方法、装置和电子设备
CN115424155B (zh) 违建检测方法、违建检测装置以及计算机存储介质
CN114419028A (zh) 融合空间多视角的输电线路绝缘子缺陷去重方法及装置
CN104065863A (zh) 图像处理方法及处理装置
CN107948586A (zh) 基于视频拼接的跨区域运动目标检测方法和装置
CN113011435A (zh) 目标对象的图像处理方法、装置及电子设备
CN116342538A (zh) 一种跑冒滴漏检测方法、装置、智能设备和存储介质
CN115546223A (zh) 一种列车车下设备紧固螺栓的缺失检测方法和***
CN113012215A (zh) 一种空间定位的方法、***及设备
CN116258663A (zh) 螺栓缺陷识别方法、装置、计算机设备和存储介质
CN114463395A (zh) 一种监拍设备偏移检测方法、设备及介质
Zhang et al. DSA-Net: An Attention-Guided Network for Real-Time Defect Detection of Transmission Line Dampers Applied to UAV Inspections

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