CN115906637A - 基于ar与ai的户外光电设备调控选取方法、装置、设备 - Google Patents
基于ar与ai的户外光电设备调控选取方法、装置、设备 Download PDFInfo
- Publication number
- CN115906637A CN115906637A CN202211476106.XA CN202211476106A CN115906637A CN 115906637 A CN115906637 A CN 115906637A CN 202211476106 A CN202211476106 A CN 202211476106A CN 115906637 A CN115906637 A CN 115906637A
- Authority
- CN
- China
- Prior art keywords
- model
- equipment
- photoelectric
- matching
- outdoor
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000003066 decision tree Methods 0.000 claims description 81
- 230000005693 optoelectronics Effects 0.000 claims description 64
- 238000004422 calculation algorithm Methods 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000009616 inductively coupled plasma Methods 0.000 claims description 12
- 238000003064 k means clustering Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 35
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000004891 communication Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011045 prefiltration Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004040 coloring Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于AR与AI的户外光电设备调控选取方法，包括：基于目标区域的区域图像特征及区域空间位置信息构建增强特征匹配库，对目标户外光电设备进行空间建模，得到光电设备模型，对目标区域的实时视频流及增强特征匹配库进行空间特征匹配，得到目标区域的AR建模空间，将光电设备模型导入至AR建模空间，利用用户输入的光电设备调整指令调整光电设备模型，得到调整光电设备模型集合，根据调整光电设备模型集合中各模型运行稳定性值及设备稳定性值选取稳定性最高的模型作为标准光电设备。本发明还提出一种基于AR与AI的户外光电设备调控选取装置及设备。本发明可以提高对户外光电设备调控的准确性。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于AR与AI的户外光电设备调控选取方法、装置、电子设备及计算机可读存储介质。
背景技术
户外光电设备是指在地面、海洋和空中等环境中使用的，由光学、机械结构、电子(信息处理)、计算机硬件与软件(甚至人工智能)、控制***等部分组成的综合设备。其基本功能就是将接收到的光辐射转换为电信号，并利用它去达到某种实际应用的目的，例如，测定目标的光度量、辐射度量或各种表观温度；测定目标光辐射的空间分布及温度分布；测定目标所处三维空间的位置或图像等。因此，户外设备安装、运行时的稳定性至关重要，会严重影响设备测量的准确性，现有技术下，对光电设备的调控往往基于人工经验，并且会被户外环境所制约，使得不同设备难以进行准确调控。
发明内容
本发明提供一种基于AR与AI的户外光电设备调控选取方法、装置、电子设备及可读存储介质，其主要目的在于提高对户外光电设备调控的准确性。
为实现上述目的，本发明提供的一种基于AR与AI的户外光电设备调控选取方法，包括：
获取目标区域的区域空间图像集合及区域空间位置信息；
提取所述区域空间图像集合中的区域图像特征，并基于所述区域图像特征构建匹配特征决策树，根据所述匹配特征决策树及所述区域空间位置信息构建增强特征匹配库；
获取目标户外光电设备的设备运行图像集合，基于所述设备运行图像集合对所述目标户外光电设备进行空间建模，得到光电设备模型；
获取所述目标区域的实时视频流，基于联合匹配算法对所述实时视频流及增强特征匹配库进行空间特征匹配，匹配成功后得到所述目标区域的AR建模空间，将所述光电设备模型导入至所述AR建模空间；
接收用户输入的光电设备调整指令，利用所述光电设备调整指令调整所述AR建模空间中的光电设备模型，得到调整光电设备模型集合；
利用通过所述设备运行图像集合及历史户外光电设备运行图像集合训练的设备运行识别模型计算所述调整光电设备模型集合中各模型的运行稳定性值，以及根据所述调整光电设备模型集合中各模型的设备倾角计算各模型的设备稳定性值，并根据所述运行稳定性值及所述设备稳定性值从所述调整光电设备模型集合选取稳定性最高的模型作为标准光电设备。
可选地，所述提取所述区域空间图像集合中的区域图像特征，并基于所述区域图像特征构建匹配特征决策树，包括：
遍历所述区域空间图像集合中图像的像素点，并以遍历到的像素点为中心像素点，汇总所述中心像素点及所述中心像素点附近预设范围的边缘像素点为像素点子集合；
基于预设的状态公式确定所述像素点子集合中边缘像素点的边缘状态，并基于所述边缘状态计算***节点；
将所述***节点作为中心像素点，并返回所述汇总所述中心像素点及所述中心像素点附近预设范围的边缘像素点为像素点子集合的步骤，进行迭代***，得到像素决策树；
利用预设的决策损失函数计算所述像素决策树的损失值，直至所述损失值小于或等于预设的损失阈值时，停止迭代，得到所述匹配特征决策树。
可选地，所述根据所述匹配特征决策树及所述区域空间位置信息构建增强特征匹配库，包括：
对所述匹配特征决策树中各节点的像素点进行k-means聚类，得到预设个数的聚类集合，重复对所述聚类集合进行k-means聚类，直至聚类次数满足预设的聚类阈值，得到聚类结果，并基于TF-IDF算法计算所述聚类结果中特征的权重，基于所述权重及所述聚类结果构建词袋树模型；
汇总所述词袋树模型、所述匹配特征决策树及所述区域空间位置信息得到所述增强特征匹配库。
可选地，所述基于所述设备运行图像集合对所述目标户外光电设备进行空间建模，得到光电设备模型，包括：
获取所述目标户外光学设备的原始三维模型及替换结构模型，并利用预设的建模引擎基于所述设备运行图像集合构建设备运行坐标；
获取所述原始三维模型及替换结构模型的顶点坐标，利用所述顶点坐标及所述设备运行坐标生成设备图元；
对所述设备图元进行光栅化处理及几何转化处理，得到所述光电设备模型。
可选地，所述获取所述目标区域的实时视频流，基于联合匹配算法对所述实时视频流及增强特征匹配库进行空间特征匹配，匹配成功后得到所述目标区域的AR建模空间，包括：
利用预设的AR设备获取所述目标区域的实时位置信息及实时视频流；
利用所述实时位置信息及所述区域空间位置信息进行定位；
在定位成功时，逐帧读取所述实时视频流中的实时图像，利用所述匹配特征决策树提取所述实时图像中的图像特征，并基于所述图像特征构建查询词袋模型；
对所述查询词袋模型中的图像特征及所述词袋树模型中的图像特征进行特征匹配，基于GMS算法对特征匹配结果进行初始特征筛选，得到原始特征匹配结果，基于RANSAC算法对所述原始特征匹配结果进行外点删除，得到标准特征匹配结果；
基于所述AR设备构建坐标空间，利用ICP算法在所述空间坐标中对标所述准特征匹配结果进行位姿配准，得到所述AR建模空间。
可选地，所述利用所述光电设备调整指令调整所述AR建模空间中的光电设备模型，得到调整光电设备模型集合，利用通过所述设备运行图像集合及历史户外光电设备运行图像集合训练的设备运行识别模型计算所述光电设备模型集合中各模型的运行稳定性值，以及根据所述设备模型集合中各模型的设备倾角计算各模型的设备稳定性值，并根据所述运行稳定性值及所述设备稳定性值选取稳定性最高的模型作为标准光电设备，包括：
解析出所述光电设备调整指令中的设备替换指令及设备调整指令；
对所述设备替换指令及设备调整指令进行随机组合，得到多个随机组合指令，利用多个所述随机组合指令对所述光电设备模型进行设备调整，得到所述调整光电设备模型集合；
利用所述设备运行识别模型输出所述调整光电设备模型集合中各模型在运行时的预测运行标签，并将所述预测运行标签对应的运行量化值作为运行稳定性值；
计算所述调整光电设备模型集合中各模型与目标区域的设备倾角，确定所述设备倾角对应的倾角量化值为设备稳定性值；
对所述运行稳定性值及所述设备稳定性值进行加权计算，得到加权稳定性值，并确定所述调整光电设备模型集合中加权稳定性值最大的模型为标准光电设备。
可选地，通过下述公式计算***节点：
H(g)＝H(P)-H(d)-H(s)-H(b)
其中，H(g)表示***节点的信息熵，H(P)表示中心像素点的信息熵，H(d)表示边缘状态为更暗的边缘像素点的信息熵，H(s)表示边缘状态为相似的边缘像素点的信息熵，H(b)表示边缘状态为更亮的边缘像素点的信息熵。
可选的，利用下述决策损失函数计算所述像素决策树的损失值：
其中，L表示损失值，r表示区域空间图像集合中图像的像素点的重复率，N表示区域空间图像集合中图像的数量，di表示第i张区域空间图像的像素点个数，s表示像素决策树中节点个数，wr、wn及ws为预设固定参数。
为了解决上述问题，本发明还提供一种基于AR与AI的户外光电设备调控选取装置，所述装置包括：
特征匹配库构建模块，用于获取目标区域的区域空间图像集合及区域空间位置信息，提取所述区域空间图像集合中的区域图像特征，并基于所述区域图像特征构建匹配特征决策树，根据所述匹配特征决策树及所述区域空间位置信息构建增强特征匹配库；
设备建模模块，用于获取目标户外光电设备的设备运行图像集合，基于所述设备运行图像集合对所述目标户外光电设备进行空间建模，得到光电设备模型；
空间建模模块，用于获取所述目标区域的实时视频流，基于联合匹配算法对所述实时视频流及增强特征匹配库进行空间特征匹配，匹配成功后得到所述目标区域的AR建模空间，将所述光电设备模型导入至所述AR建模空间；
设备调整模块，用于接收用户输入的光电设备调整指令，利用所述光电设备调整指令调整所述AR建模空间中的光电设备模型，得到调整光电设备模型集合；
设备选取模块，用于利用通过所述设备运行图像集合及历史户外光电设备运行图像集合训练的设备运行识别模型计算所述调整光电设备模型集合中各模型的运行稳定性值，以及根据所述调整光电设备模型集合中各模型的设备倾角计算各模型的设备稳定性值，并根据所述运行稳定性值及所述设备稳定性值从所述调整光电设备模型集合选取稳定性最高的模型作为标准光电设备。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于AR与AI的户外光电设备调控选取方法。
本实施例通过提取目标区域的区域空间图像集合中的区域图像特征，并基于区域图像特征构建匹配特征决策树，根据匹配特征决策树及区域空间位置信息构建增强特征匹配库，在进行AR空间建模时，通过匹配特征决策树可以快速提取图像特征，并基于联合匹配算法对实时视频流及增强特征匹配库进行特征匹配，可以减少户外环境对AR建模的影响，提高建模的准确性。同时，基于设备运行图像集合对目标户外光电设备进行空间建模，得到光电设备模型，利用光电设备调整指令调整AR建模空间中的光电设备模型，可以对设备进行个性化调整，得到调整光电设备模型集合，通过设备运行识别模型计算各模型的运行稳定性值，以及设备倾角计算各模型的设备稳定性值，综合考虑了设备安装及设备运行时的稳定性，无需人工实地调控，降低了户外环境及人工主观经验的影响，提高了户外光电设备调控的准确性。因此本发明提出的基于AR与AI的户外光电设备调控选取方法、装置、电子设备及计算机可读存储介质，可以提高对户外光电设备调控的准确性。
附图说明
图1为本发明一实施例提供的基于AR与AI的户外光电设备调控选取方法的流程示意图；
图2为本发明一实施例提供的基于AR与AI的户外光电设备调控选取装置的功能模块图；
图3为本发明一实施例提供的实现所述基于AR与AI的户外光电设备调控选取方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于AR与AI的户外光电设备调控选取方法。所述基于AR与AI的户外光电设备调控选取方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于AR与AI的户外光电设备调控选取方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于AR与AI的户外光电设备调控选取方法的流程示意图。在本实施例中，所述基于AR与AI的户外光电设备调控选取方法包括：
S1、获取目标区域的区域空间图像集合及区域空间位置信息。
本发明实施例中，所述目标区域为待进行虚拟现实增强的区域，即在目标区域上绘制虚拟物体，并进行可视化操作，如在街道(目标区域)上构建户外测距光电设备虚拟模型。所述区域空间图像集合是指在所述目标区域拍摄的不同视角的图像，例如通过ZED相机拍摄的图像。所述区域空间位置信息是指利用GPS地位***测量的目标区域的空间位置信息。
S2、提取所述区域空间图像集合中的区域图像特征，并基于所述区域图像特征构建匹配特征决策树，根据所述匹配特征决策树及所述区域空间位置信息构建增强特征匹配库。
本发明实施例中，所述匹配特征决策树可以为ID3决策树。所述增强特征匹配库是一个先验的大场景增强目标数据库，这个数据库包括通过地理位置获取的空间位置信息，图像的特征点以及词袋模型，主要通过先以GPS信号进行局部地图坐标的转换，对当前位置周围可能出现的目标进行筛选，选择合适的词袋模型数据与合适的匹配特征决策树进行定位，从而实现与目标区域的空间匹配。
详细地，所述提取所述区域空间图像集合中的区域图像特征，并基于所述区域图像特征构建匹配特征决策树，包括：
遍历所述区域空间图像集合中图像的像素点，并以遍历到的像素点为中心像素点，汇总所述中心像素点及所述中心像素点附近预设范围的边缘像素点为像素点子集合；
基于预设的状态公式确定所述像素点子集合中边缘像素点的边缘状态，并基于所述边缘状态计算***节点；
将所述***节点作为中心像素点，并返回所述汇总所述中心像素点及所述中心像素点附近预设范围的边缘像素点为像素点子集合的步骤，进行迭代***，得到像素决策树；
利用预设的决策损失函数计算所述像素决策树的损失值，直至所述损失值小于或等于预设的损失阈值时，停止迭代，得到所述匹配特征决策树。
本发明一可选实施例中，例如，通过遍历区域空间图像集合中图像的像素点p，设置半径r(可以为3)，确定中心像素点p以r为半径的圆上16个像素点为边缘像素点，通过对比边缘像素点与中心像素点的像素灰度将边缘像素点划分为三种状态：更暗(d)、相似(s)、更亮(b)，选择信息增益最大的位置进行***，直至***的节点的损失值满足预设的损失阈值，得到匹配特征决策树。
详细的，所述预设的状态公式如下所述：
其中，Sx表示边缘像素点x的状态，daker表示边缘状态为更暗，simila表示边缘状态为相似，brighter表示边缘状态为更亮，Ip表示中心像素点p的像素灰度，Ix表示边缘像素点x的像素灰度，t表示预设的灰度参数。
本发明一可选实施例中，通过下述公式计算***节点：
H(g)＝H(P)-H(d)-H(s)-H(b)
其中，H(g)表示***节点的信息熵，H(P)表示中心像素点的信息熵，H(d)表示边缘状态为更暗的边缘像素点的信息熵，H(s)表示边缘状态为相似的边缘像素点的信息熵，H(b)表示边缘状态为更亮的边缘像素点的信息熵。
本发明一可选时实施例中，通过计算信息熵，并从信息熵最大的位置进行***，每一次***所选的节点都是拥有最大信息量的位置，可以提高特征匹配的准确率及速率。
具体地，本发明实施例中，利用下述决策损失函数计算所述像素决策树的损失值：
其中，L表示损失值，r表示区域空间图像集合中图像的像素点的重复率，N表示区域空间图像集合中图像的数量，di表示第i张区域空间图像的像素点个数，s表示像素决策树中节点个数，wr、wn及ws为预设固定参数。
进一步地，所述根据所述匹配特征决策树及所述区域空间位置信息构建增强特征匹配库，包括：
对所述匹配特征决策树中各节点的像素点进行k-means聚类，得到预设个数的聚类集合，重复对所述聚类集合进行k-means聚类，直至聚类次数满足预设的聚类阈值，得到聚类结果，并基于TF-IDF算法计算所述聚类结果中特征的权重，基于所述权重及所述聚类结果构建词袋树模型；
汇总所述词袋树模型、所述匹配特征决策树及所述区域空间位置信息得到所述增强特征匹配库。
本发明一可选实施例中，词袋树模型是AR进行回环检测的关键技术，通过将图像的特征当成视觉单词(word)对图像进行描述和进行大规模的图像检索。例如，对匹配特征决策树中的节点进行聚类成k个聚类集合，然后再对每个聚类集合进行k-means聚类又生成k个集合，反复此过程V次，最后生成kV个叶子节点，最后通过TF-IDF算法计算叶子节点的权重，得到所述词袋树模型。
S3、获取目标户外光电设备的设备运行图像集合，基于所述设备运行图像集合对所述目标户外光电设备进行空间建模，得到光电设备模型。
本发明实施例中，所述目标户外光电设备是指待安装在目标区域的光电设备，所述设备运行图像集合包括不同视角目标户外光电设备运行时的图像。
具体地，所述基于所述设备运行图像集合对所述目标户外光电设备进行空间建模，得到光电设备模型，包括：
获取所述目标户外光学设备的原始三维模型及替换结构模型，并利用预设的建模引擎基于所述设备运行图像集合构建设备运行坐标；
获取所述原始三维模型及替换结构模型的顶点坐标，利用所述顶点坐标及所述设备运行坐标生成设备图元；
对所述设备图元进行光栅化处理及几何转化处理，得到所述光电设备模型。
本发明一可选实施例中，可以采用SolidWorks和CAD等建模软件建立目标户外光学设备的原始三维模型及替换结构模型(如支架、底座等)，所述预设的建模引擎可以为虚拟现实软件3D-quest等。同时通过顶点着色器(由opengl es编写，由java以字符串的形式定义并传递顶点坐标)将顶点坐标转换生成一个个图元(即三角形)，从而将三维世界坐标转换成屏幕坐标，在图元生成完毕之后，给模型“上色”，通过片元着色器来改变模型的质地(颜色等)、灯光等，最后采用LOD模型(Levels of Detail，细节层次)进行几何转化得到所述光电设备模型。
S4、获取所述目标区域的实时视频流，基于联合匹配算法对所述实时视频流及增强特征匹配库进行空间特征匹配，匹配成功后得到所述目标区域的AR建模空间，将所述光电设备模型导入至所述AR建模空间。
本发明实施例中，所述联合匹配算法包括RANSAC(Random Sample Consensus，随机抽样一致算法)算法及GMS(Grid-based Motion Statistics)算法，其中，GMS算法用于对特征进行误匹配删除，即作为一种前置滤波器进行特征筛选匹配，RANSAC算法用于对筛选后的特征进行匹配，通过联合匹配算法可以提高特征匹配的速度。
详细地，所述获取所述目标区域的实时视频流，基于联合匹配算法对所述实时视频流及增强特征匹配库进行空间特征匹配，匹配成功后得到所述目标区域的AR建模空间，包括：
利用预设的AR设备获取所述目标区域的实时位置信息及实时视频流；
利用所述实时位置信息及所述区域空间位置信息进行定位；
在定位成功时，逐帧读取所述实时视频流中的实时图像，利用所述匹配特征决策树提取所述实时图像中的图像特征，并基于所述图像特征构建查询词袋模型；
对所述查询词袋模型中的图像特征及所述词袋树模型中的图像特征进行特征匹配，基于GMS算法对特征匹配结果进行初始特征筛选，得到原始特征匹配结果，基于RANSAC算法对所述原始特征匹配结果进行外点删除，得到标准特征匹配结果；
基于所述AR设备构建坐标空间，利用ICP算法在所述空间坐标中对标所述准特征匹配结果进行位姿配准，得到所述AR建模空间。
本发明一可选实施例中，通过当前实时位置信息与目标区域的区域空间位置信息进行定位，确定定位于目标区域附近时，再利用训练完成的匹配特征决策树进行特征提取，提高了特征提取的速率，同时基于词袋模型进行特征匹配，对于匹配的特征，先采用GMS算法进行误匹配删除，再利用RANSAC算法删除不相关的外点，得到最相关的标准特征匹配结果(即目标区域的区域空间图像集合与实时视频流中的最相关特征)。最后，使用ICP(Iterative Closest Point，迭代最近点)进行特征位姿融合，可以得到更加准确的AR建模空间。
本发明一可选实施例中，所述GMS算法、RANSAC算法及ICP算法为现有公知技术，在此不再赘述。
本发明实施例中，通过匹配特征决策树可以更加快速的提取图像特征，并基于词袋模型及联合匹配算法可以得到最相关的图像特征，避免户外环境中环境纹理较少时特征匹配的不准确，提高了AR建模的准确性。
S5、接收用户输入的光电设备调整指令，利用所述光电设备调整指令调整所述AR建模空间中的光电设备模型，得到调整光电设备模型集合。
本发明实施例中，所述光电设备调整指令是指调整、替换光电设备结构的指令，例如，调整支架高度、替换不同型号支架(液压式、机械式)等。
详细地，所述利用所述光电设备调整指令调整所述AR建模空间中的光电设备模型，得到调整光电设备模型集合，包括：
解析出所述光电设备调整指令中的设备替换指令及设备调整指令；
对所述设备替换指令及设备调整指令进行随机组合，得到多个随机组合指令，利用多个所述随机组合指令对所述光电设备模型进行设备调整，得到所述调整光电设备模型集合。
本发明一可选实施例中，所述光电设备调整指令包含设备替换指令及设备调整指令，其中，设备替换指令用于替换不同的结构模型，设备调整指令用于调整模型中各结构参数，例如，所述光电设备调整指令中包括两种不同替换支架，三种模型支架参数，则会生成六种调整光电设备模型。
S6、利用通过所述设备运行图像集合及历史户外光电设备运行图像集合训练的设备运行识别模型计算所述调整光电设备模型集合中各模型的运行稳定性值，以及根据所述调整光电设备模型集合中各模型的设备倾角计算各模型的设备稳定性值，并根据所述运行稳定性值及所述设备稳定性值从所述调整光电设备模型集合选取稳定性最高的模型作为标准光电设备。
所述历史户外光电设备运行图像集合是指人工拍摄的户外光电设备在不同环境下运行的视频及图像集合，并根据运行稳定性进行标注，例如“稳定”、“较稳定”、“不稳定”等。所述设备运行识别模型可以为2DCNN+LSTM模型、3DCNN等深度学习模型，例如，通过2DCNN逐帧提取视频图像特征，再输入LSTM模型进行预测，训练完成后设备运行识别模型会输出预测运行标签。
详细地，所述利用通过所述设备运行图像集合及历史户外光电设备运行图像集合训练的设备运行识别模型计算所述调整光电设备模型集合中各模型的运行稳定性值，以及根据所述调整光电设备模型集合中各模型的设备倾角计算各模型的设备稳定性值，并根据所述运行稳定性值及所述设备稳定性值从所述调整光电设备模型集合选取稳定性最高的模型作为标准光电设备，包括：
利用所述设备运行识别模型输出所述调整光电设备模型集合中各模型在运行时的预测运行标签，并将所述预测运行标签对应的运行量化值作为运行稳定性值；
计算所述调整光电设备模型集合中各模型与目标区域的设备倾角，确定所述设备倾角对应的倾角量化值为设备稳定性值；
对所述运行稳定性值及所述设备稳定性值进行加权计算，得到加权稳定性值，并确定所述调整光电设备模型集合中加权稳定性值最大的模型为标准光电设备。
本发明一可选实施例中，例如，通过设备运行识别模型输出六种调整光电设备模型在运行时的预测运行标签，得到每个预测运行标签量化的具体运行量化值(例如，“稳定”对应100、“较稳定”对应80、“不稳定”对应50等)作为运行稳定性值，再计算每个模型的设备倾角(支架与地面倾角、光电设备基准面与地面倾角等)，同样对不同设备倾角设置倾角量化值作为设备稳定性值，通过设置权重α、β(α+β＝1)来计算加权稳定性值表示稳定性，最后选择最稳定的光电设备，同时可以基于AR设备共享户外光电设备的调控，进一步提高了设备调控的准确性。
本实施例通过提取目标区域的区域空间图像集合中的区域图像特征，并基于区域图像特征构建匹配特征决策树，根据匹配特征决策树及区域空间位置信息构建增强特征匹配库，在进行AR空间建模时，通过匹配特征决策树可以快速提取图像特征，并基于联合匹配算法对实时视频流及增强特征匹配库进行特征匹配，可以减少户外环境对AR建模的影响，提高建模的准确性。同时，基于设备运行图像集合对目标户外光电设备进行空间建模，得到光电设备模型，利用光电设备调整指令调整AR建模空间中的光电设备模型，可以对设备进行个性化调整，得到调整光电设备模型集合，通过设备运行识别模型计算各模型的运行稳定性值，以及设备倾角计算各模型的设备稳定性值，综合考虑了设备安装及设备运行时的稳定性，无需人工实地调控，降低了户外环境及人工主观经验的影响，提高了户外光电设备调控的准确性。因此本发明提出的基于AR与AI的户外光电设备调控选取方法，可以提高对户外光电设备调控的准确性。
如图2所示，是本发明一实施例提供的基于AR与AI的户外光电设备调控选取装置的功能模块图。
本发明所述基于AR与AI的户外光电设备调控选取装置100可以安装于电子设备中。根据实现的功能，所述基于AR与AI的户外光电设备调控选取装置100可以包括特征匹配库构建模块101、设备建模模块102、空间建模模块103、设备调整模块104及设备选取模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述特征匹配库构建模块101，用于获取目标区域的区域空间图像集合及区域空间位置信息，提取所述区域空间图像集合中的区域图像特征，并基于所述区域图像特征构建匹配特征决策树，根据所述匹配特征决策树及所述区域空间位置信息构建增强特征匹配库；
所述设备建模模块102，用于获取目标户外光电设备的设备运行图像集合，基于所述设备运行图像集合对所述目标户外光电设备进行空间建模，得到光电设备模型；
所述空间建模模块103，用于获取所述目标区域的实时视频流，基于联合匹配算法对所述实时视频流及增强特征匹配库进行空间特征匹配，匹配成功后得到所述目标区域的AR建模空间，将所述光电设备模型导入至所述AR建模空间；
所述设备调整模块104，用于接收用户输入的光电设备调整指令，利用所述光电设备调整指令调整所述AR建模空间中的光电设备模型，得到调整光电设备模型集合；
所述设备选取模块105，用于利用通过所述设备运行图像集合及历史户外光电设备运行图像集合训练的设备运行识别模型计算所述调整光电设备模型集合中各模型的运行稳定性值，以及根据所述调整光电设备模型集合中各模型的设备倾角计算各模型的设备稳定性值，并根据所述运行稳定性值及所述设备稳定性值从所述调整光电设备模型集合选取稳定性最高的模型作为标准光电设备。
详细地，所述基于AR与AI的户外光电设备调控选取装置100各模块的具体实施方式如下：
步骤一、获取目标区域的区域空间图像集合及区域空间位置信息。
本发明实施例中，所述目标区域为待进行虚拟现实增强的区域，即在目标区域上绘制虚拟物体，并进行可视化操作，如在街道(目标区域)上构建户外测距光电设备虚拟模型。所述区域空间图像集合是指在所述目标区域拍摄的不同视角的图像，例如通过ZED相机拍摄的图像。所述区域空间位置信息是指利用GPS地位***测量的目标区域的空间位置信息。
步骤二、提取所述区域空间图像集合中的区域图像特征，并基于所述区域图像特征构建匹配特征决策树，根据所述匹配特征决策树及所述区域空间位置信息构建增强特征匹配库。
本发明实施例中，所述匹配特征决策树可以为ID3决策树。所述增强特征匹配库是一个先验的大场景增强目标数据库，这个数据库包括通过地理位置获取的空间位置信息，图像的特征点以及词袋模型，主要通过先以GPS信号进行局部地图坐标的转换，对当前位置周围可能出现的目标进行筛选，选择合适的词袋模型数据与合适的匹配特征决策树进行定位，从而实现与目标区域的空间匹配。
详细地，所述提取所述区域空间图像集合中的区域图像特征，并基于所述区域图像特征构建匹配特征决策树，包括：
遍历所述区域空间图像集合中图像的像素点，并以遍历到的像素点为中心像素点，汇总所述中心像素点及所述中心像素点附近预设范围的边缘像素点为像素点子集合；
基于预设的状态公式确定所述像素点子集合中边缘像素点的边缘状态，并基于所述边缘状态计算***节点；
将所述***节点作为中心像素点，并返回所述汇总所述中心像素点及所述中心像素点附近预设范围的边缘像素点为像素点子集合的步骤，进行迭代***，得到像素决策树；
利用预设的决策损失函数计算所述像素决策树的损失值，直至所述损失值小于或等于预设的损失阈值时，停止迭代，得到所述匹配特征决策树。
本发明一可选实施例中，例如，通过遍历区域空间图像集合中图像的像素点p，设置半径r(可以为3)，确定中心像素点p以r为半径的圆上16个像素点为边缘像素点，通过对比边缘像素点与中心像素点的像素灰度将边缘像素点划分为三种状态：更暗(d)、相似(s)、更亮(b)，选择信息增益最大的位置进行***，直至***的节点的损失值满足预设的损失阈值，得到匹配特征决策树。
详细的，所述预设的状态公式如下所述：
其中，Sx表示边缘像素点x的状态，daker表示边缘状态为更暗，simila表示边缘状态为相似，brighter表示边缘状态为更亮，Ip表示中心像素点p的像素灰度，Ix表示边缘像素点x的像素灰度，t表示预设的灰度参数。
本发明一可选实施例中，通过下述公式计算***节点：
H(g)＝H(P)-H(d)-H(s)-H(b)
其中，H(g)表示***节点的信息熵，H(P)表示中心像素点的信息熵，H(d)表示边缘状态为更暗的边缘像素点的信息熵，H(s)表示边缘状态为相似的边缘像素点的信息熵，H(b)表示边缘状态为更亮的边缘像素点的信息熵。
本发明一可选时实施例中，通过计算信息熵，并从信息熵最大的位置进行***，每一次***所选的节点都是拥有最大信息量的位置，可以提高特征匹配的准确率及速率。
具体地，本发明实施例中，利用下述决策损失函数计算所述像素决策树的损失值：
其中，L表示损失值，r表示区域空间图像集合中图像的像素点的重复率，N表示区域空间图像集合中图像的数量，di表示第i张区域空间图像的像素点个数，s表示像素决策树中节点个数，wr、wn及ws为预设固定参数。
进一步地，所述根据所述匹配特征决策树及所述区域空间位置信息构建增强特征匹配库，包括：
对所述匹配特征决策树中各节点的像素点进行k-means聚类，得到预设个数的聚类集合，重复对所述聚类集合进行k-means聚类，直至聚类次数满足预设的聚类阈值，得到聚类结果，并基于TF-IDF算法计算所述聚类结果中特征的权重，基于所述权重及所述聚类结果构建词袋树模型；
汇总所述词袋树模型、所述匹配特征决策树及所述区域空间位置信息得到所述增强特征匹配库。
本发明一可选实施例中，词袋树模型是AR进行回环检测的关键技术，通过将图像的特征当成视觉单词(word)对图像进行描述和进行大规模的图像检索。例如，对匹配特征决策树中的节点进行聚类成k个聚类集合，然后再对每个聚类集合进行k-means聚类又生成k个集合，反复此过程V次，最后生成kV个叶子节点，最后通过TF-IDF算法计算叶子节点的权重，得到所述词袋树模型。
步骤三、获取目标户外光电设备的设备运行图像集合，基于所述设备运行图像集合对所述目标户外光电设备进行空间建模，得到光电设备模型。
本发明实施例中，所述目标户外光电设备是指待安装在目标区域的光电设备，所述设备运行图像集合包括不同视角目标户外光电设备运行时的图像。
具体地，所述基于所述设备运行图像集合对所述目标户外光电设备进行空间建模，得到光电设备模型，包括：
获取所述目标户外光学设备的原始三维模型及替换结构模型，并利用预设的建模引擎基于所述设备运行图像集合构建设备运行坐标；
获取所述原始三维模型及替换结构模型的顶点坐标，利用所述顶点坐标及所述设备运行坐标生成设备图元；
对所述设备图元进行光栅化处理及几何转化处理，得到所述光电设备模型。
本发明一可选实施例中，可以采用SolidWorks和CAD等建模软件建立目标户外光学设备的原始三维模型及替换结构模型(如支架、底座等)，所述预设的建模引擎可以为虚拟现实软件3D-quest等。同时通过顶点着色器(由opengl es编写，由java以字符串的形式定义并传递顶点坐标)将顶点坐标转换生成一个个图元(即三角形)，从而将三维世界坐标转换成屏幕坐标，在图元生成完毕之后，给模型“上色”，通过片元着色器来改变模型的质地(颜色等)、灯光等，最后采用LOD模型(Levels of Detail，细节层次)进行几何转化得到所述光电设备模型。
步骤四、获取所述目标区域的实时视频流，基于联合匹配算法对所述实时视频流及增强特征匹配库进行空间特征匹配，匹配成功后得到所述目标区域的AR建模空间，将所述光电设备模型导入至所述AR建模空间。
本发明实施例中，所述联合匹配算法包括RANSAC(Random Sample Consensus，随机抽样一致算法)算法及GMS(Grid-based Motion Statistics)算法，其中，GMS算法用于对特征进行误匹配删除，即作为一种前置滤波器进行特征筛选匹配，RANSAC算法用于对筛选后的特征进行匹配，通过联合匹配算法可以提高特征匹配的速度。
详细地，所述获取所述目标区域的实时视频流，基于联合匹配算法对所述实时视频流及增强特征匹配库进行空间特征匹配，匹配成功后得到所述目标区域的AR建模空间，包括：
利用预设的AR设备获取所述目标区域的实时位置信息及实时视频流；
利用所述实时位置信息及所述区域空间位置信息进行定位；
在定位成功时，逐帧读取所述实时视频流中的实时图像，利用所述匹配特征决策树提取所述实时图像中的图像特征，并基于所述图像特征构建查询词袋模型；
对所述查询词袋模型中的图像特征及所述词袋树模型中的图像特征进行特征匹配，基于GMS算法对特征匹配结果进行初始特征筛选，得到原始特征匹配结果，基于RANSAC算法对所述原始特征匹配结果进行外点删除，得到标准特征匹配结果；
基于所述AR设备构建坐标空间，利用ICP算法在所述空间坐标中对标所述准特征匹配结果进行位姿配准，得到所述AR建模空间。
本发明一可选实施例中，通过当前实时位置信息与目标区域的区域空间位置信息进行定位，确定定位于目标区域附近时，再利用训练完成的匹配特征决策树进行特征提取，提高了特征提取的速率，同时基于词袋模型进行特征匹配，对于匹配的特征，先采用GMS算法进行误匹配删除，再利用RANSAC算法删除不相关的外点，得到最相关的标准特征匹配结果(即目标区域的区域空间图像集合与实时视频流中的最相关特征)。最后，使用ICP(Iterative Closest Point，迭代最近点)进行特征位姿融合，可以得到更加准确的AR建模空间。
本发明一可选实施例中，所述GMS算法、RANSAC算法及ICP算法为现有公知技术，在此不再赘述。
本发明实施例中，通过匹配特征决策树可以更加快速的提取图像特征，并基于词袋模型及联合匹配算法可以得到最相关的图像特征，避免户外环境中环境纹理较少时特征匹配的不准确，提高了AR建模的准确性。
步骤五、接收用户输入的光电设备调整指令，利用所述光电设备调整指令调整所述AR建模空间中的光电设备模型，得到调整光电设备模型集合。
本发明实施例中，所述光电设备调整指令是指调整、替换光电设备结构的指令，例如，调整支架高度、替换不同型号支架(液压式、机械式)等。
详细地，所述利用所述光电设备调整指令调整所述AR建模空间中的光电设备模型，得到调整光电设备模型集合，包括：
解析出所述光电设备调整指令中的设备替换指令及设备调整指令；
对所述设备替换指令及设备调整指令进行随机组合，得到多个随机组合指令，利用多个所述随机组合指令对所述光电设备模型进行设备调整，得到所述调整光电设备模型集合。
本发明一可选实施例中，所述光电设备调整指令包含设备替换指令及设备调整指令，其中，设备替换指令用于替换不同的结构模型，设备调整指令用于调整模型中各结构参数，例如，所述光电设备调整指令中包括两种不同替换支架，三种模型支架参数，则会生成六种调整光电设备模型。
步骤六、利用通过所述设备运行图像集合及历史户外光电设备运行图像集合训练的设备运行识别模型计算所述调整光电设备模型集合中各模型的运行稳定性值，以及根据所述调整光电设备模型集合中各模型的设备倾角计算各模型的设备稳定性值，并根据所述运行稳定性值及所述设备稳定性值从所述调整光电设备模型集合选取稳定性最高的模型作为标准光电设备。
所述历史户外光电设备运行图像集合是指人工拍摄的户外光电设备在不同环境下运行的视频及图像集合，并根据运行稳定性进行标注，例如“稳定”、“较稳定”、“不稳定”等。所述设备运行识别模型可以为2DCNN+LSTM模型、3DCNN等深度学习模型，例如，通过2DCNN逐帧提取视频图像特征，再输入LSTM模型进行预测，训练完成后设备运行识别模型会输出预测运行标签。
详细地，所述利用通过所述设备运行图像集合及历史户外光电设备运行图像集合训练的设备运行识别模型计算所述调整光电设备模型集合中各模型的运行稳定性值，以及根据所述调整光电设备模型集合中各模型的设备倾角计算各模型的设备稳定性值，并根据所述运行稳定性值及所述设备稳定性值从所述调整光电设备模型集合选取稳定性最高的模型作为标准光电设备，包括：
利用所述设备运行识别模型输出所述调整光电设备模型集合中各模型在运行时的预测运行标签，并将所述预测运行标签对应的运行量化值作为运行稳定性值；
计算所述调整光电设备模型集合中各模型与目标区域的设备倾角，确定所述设备倾角对应的倾角量化值为设备稳定性值；
对所述运行稳定性值及所述设备稳定性值进行加权计算，得到加权稳定性值，并确定所述调整光电设备模型集合中加权稳定性值最大的模型为标准光电设备。
本发明一可选实施例中，例如，通过设备运行识别模型输出六种调整光电设备模型在运行时的预测运行标签，得到每个预测运行标签量化的具体运行量化值(例如，“稳定”对应100、“较稳定”对应80、“不稳定”对应50等)作为运行稳定性值，再计算每个模型的设备倾角(支架与地面倾角、光电设备基准面与地面倾角等)，同样对不同设备倾角设置倾角量化值作为设备稳定性值，通过设置权重α、β(α+β＝1)来计算加权稳定性值表示稳定性，最后选择最稳定的光电设备，同时可以基于AR设备共享户外光电设备的调控，进一步提高了设备调控的准确性。
本实施例通过提取目标区域的区域空间图像集合中的区域图像特征，并基于区域图像特征构建匹配特征决策树，根据匹配特征决策树及区域空间位置信息构建增强特征匹配库，在进行AR空间建模时，通过匹配特征决策树可以快速提取图像特征，并基于联合匹配算法对实时视频流及增强特征匹配库进行特征匹配，可以减少户外环境对AR建模的影响，提高建模的准确性。同时，基于设备运行图像集合对目标户外光电设备进行空间建模，得到光电设备模型，利用光电设备调整指令调整AR建模空间中的光电设备模型，可以对设备进行个性化调整，得到调整光电设备模型集合，通过设备运行识别模型计算各模型的运行稳定性值，以及设备倾角计算各模型的设备稳定性值，综合考虑了设备安装及设备运行时的稳定性，无需人工实地调控，降低了户外环境及人工主观经验的影响，提高了户外光电设备调控的准确性。因此本发明提出的基于AR与AI的户外光电设备调控选取装置，可以提高对户外光电设备调控的准确性。
如图3所示，是本发明一实施例提供的实现所述基于AR与AI的户外光电设备调控选取方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于AR与AI的户外光电设备调控选取程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于AR与AI的户外光电设备调控选取程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于AR与AI的户外光电设备调控选取程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于AR与AI的户外光电设备调控选取程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取目标区域的区域空间图像集合及区域空间位置信息；
提取所述区域空间图像集合中的区域图像特征，并基于所述区域图像特征构建匹配特征决策树，根据所述匹配特征决策树及所述区域空间位置信息构建增强特征匹配库；
获取目标户外光电设备的设备运行图像集合，基于所述设备运行图像集合对所述目标户外光电设备进行空间建模，得到光电设备模型；
获取所述目标区域的实时视频流，基于联合匹配算法对所述实时视频流及增强特征匹配库进行空间特征匹配，匹配成功后得到所述目标区域的AR建模空间，将所述光电设备模型导入至所述AR建模空间；
接收用户输入的光电设备调整指令，利用所述光电设备调整指令调整所述AR建模空间中的光电设备模型，得到调整光电设备模型集合；
利用通过所述设备运行图像集合及历史户外光电设备运行图像集合训练的设备运行识别模型计算所述调整光电设备模型集合中各模型的运行稳定性值，以及根据所述调整光电设备模型集合中各模型的设备倾角计算各模型的设备稳定性值，并根据所述运行稳定性值及所述设备稳定性值从所述调整光电设备模型集合选取稳定性最高的模型作为标准光电设备。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取目标区域的区域空间图像集合及区域空间位置信息；
提取所述区域空间图像集合中的区域图像特征，并基于所述区域图像特征构建匹配特征决策树，根据所述匹配特征决策树及所述区域空间位置信息构建增强特征匹配库；
获取目标户外光电设备的设备运行图像集合，基于所述设备运行图像集合对所述目标户外光电设备进行空间建模，得到光电设备模型；
获取所述目标区域的实时视频流，基于联合匹配算法对所述实时视频流及增强特征匹配库进行空间特征匹配，匹配成功后得到所述目标区域的AR建模空间，将所述光电设备模型导入至所述AR建模空间；
接收用户输入的光电设备调整指令，利用所述光电设备调整指令调整所述AR建模空间中的光电设备模型，得到调整光电设备模型集合；
利用通过所述设备运行图像集合及历史户外光电设备运行图像集合训练的设备运行识别模型计算所述调整光电设备模型集合中各模型的运行稳定性值，以及根据所述调整光电设备模型集合中各模型的设备倾角计算各模型的设备稳定性值，并根据所述运行稳定性值及所述设备稳定性值从所述调整光电设备模型集合选取稳定性最高的模型作为标准光电设备。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于AR与AI的户外光电设备调控选取方法，其特征在于，所述方法包括：
获取目标区域的区域空间图像集合及区域空间位置信息；
提取所述区域空间图像集合中的区域图像特征，并基于所述区域图像特征构建匹配特征决策树，根据所述匹配特征决策树及所述区域空间位置信息构建增强特征匹配库；
获取目标户外光电设备的设备运行图像集合，基于所述设备运行图像集合对所述目标户外光电设备进行空间建模，得到光电设备模型；
获取所述目标区域的实时视频流，基于联合匹配算法对所述实时视频流及增强特征匹配库进行空间特征匹配，匹配成功后得到所述目标区域的AR建模空间，将所述光电设备模型导入至所述AR建模空间；
接收用户输入的光电设备调整指令，利用所述光电设备调整指令调整所述AR建模空间中的光电设备模型，得到调整光电设备模型集合；
利用通过所述设备运行图像集合及历史户外光电设备运行图像集合训练的设备运行识别模型计算所述调整光电设备模型集合中各模型的运行稳定性值，以及根据所述调整光电设备模型集合中各模型的设备倾角计算各模型的设备稳定性值，并根据所述运行稳定性值及所述设备稳定性值从所述调整光电设备模型集合选取稳定性最高的模型作为标准光电设备。
2.如权利要求1中所述的基于AR与AI的户外光电设备调控选取方法，其特征在于，所述提取所述区域空间图像集合中的区域图像特征，并基于所述区域图像特征构建匹配特征决策树，包括：
遍历所述区域空间图像集合中图像的像素点，并以遍历到的像素点为中心像素点，汇总所述中心像素点及所述中心像素点附近预设范围的边缘像素点为像素点子集合；
基于预设的状态公式确定所述像素点子集合中边缘像素点的边缘状态，并基于所述边缘状态计算***节点；
将所述***节点作为中心像素点，并返回所述汇总所述中心像素点及所述中心像素点附近预设范围的边缘像素点为像素点子集合的步骤，进行迭代***，得到像素决策树；
利用预设的决策损失函数计算所述像素决策树的损失值，直至所述损失值小于或等于预设的损失阈值时，停止迭代，得到所述匹配特征决策树。
3.如权利要求1所述的基于AR与AI的户外光电设备调控选取方法，其特征在于，所述根据所述匹配特征决策树及所述区域空间位置信息构建增强特征匹配库，包括：
对所述匹配特征决策树中各节点的像素点进行k-means聚类，得到预设个数的聚类集合，重复对所述聚类集合进行k-means聚类，直至聚类次数满足预设的聚类阈值，得到聚类结果，并基于TF-IDF算法计算所述聚类结果中特征的权重，基于所述权重及所述聚类结果构建词袋树模型；
汇总所述词袋树模型、所述匹配特征决策树及所述区域空间位置信息得到所述增强特征匹配库。
4.如权利要求1所述的基于AR与AI的户外光电设备调控选取方法，其特征在于，所述基于所述设备运行图像集合对所述目标户外光电设备进行空间建模，得到光电设备模型，包括：
获取所述目标户外光学设备的原始三维模型及替换结构模型，并利用预设的建模引擎基于所述设备运行图像集合构建设备运行坐标；
获取所述原始三维模型及替换结构模型的顶点坐标，利用所述顶点坐标及所述设备运行坐标生成设备图元；
对所述设备图元进行光栅化处理及几何转化处理，得到所述光电设备模型。
5.如权利要求1所述的基于AR与AI的户外光电设备调控选取方法，其特征在于，所述获取所述目标区域的实时视频流，基于联合匹配算法对所述实时视频流及增强特征匹配库进行空间特征匹配，匹配成功后得到所述目标区域的AR建模空间，包括：
利用预设的AR设备获取所述目标区域的实时位置信息及实时视频流；
利用所述实时位置信息及所述区域空间位置信息进行定位；
在定位成功时，逐帧读取所述实时视频流中的实时图像，利用所述匹配特征决策树提取所述实时图像中的图像特征，并基于所述图像特征构建查询词袋模型；
对所述查询词袋模型中的图像特征及所述词袋树模型中的图像特征进行特征匹配，基于GMS算法对特征匹配结果进行初始特征筛选，得到原始特征匹配结果，基于RANSAC算法对所述原始特征匹配结果进行外点删除，得到标准特征匹配结果；
基于所述AR设备构建坐标空间，利用ICP算法在所述空间坐标中对标所述准特征匹配结果进行位姿配准，得到所述AR建模空间。
6.如权利要求1所述的基于AR与AI的户外光电设备调控选取方法，其特征在于，所述利用通过所述设备运行图像集合及历史户外光电设备运行图像集合训练的设备运行识别模型计算所述调整光电设备模型集合中各模型的运行稳定性值，以及根据所述调整光电设备模型集合中各模型的设备倾角计算各模型的设备稳定性值，并根据所述运行稳定性值及所述设备稳定性值从所述调整光电设备模型集合选取稳定性最高的模型作为标准光电设备，包括：
利用所述设备运行识别模型输出所述调整光电设备模型集合中各模型在运行时的预测运行标签，并将所述预测运行标签对应的运行量化值作为运行稳定性值；
计算所述调整光电设备模型集合中各模型与目标区域的设备倾角，确定所述设备倾角对应的倾角量化值为设备稳定性值；
对所述运行稳定性值及所述设备稳定性值进行加权计算，得到加权稳定性值，并确定所述调整光电设备模型集合中加权稳定性值最大的模型为标准光电设备。
7.如权利要求2所述的基于AR与AI的户外光电设备调控选取方法，其特征在于，通过下述公式计算***节点：
H(g)＝H(P)-H(d)-H(s)-H(b)
其中，H(g)表示***节点的信息熵，H(P)表示中心像素点的信息熵，H(d)表示边缘状态为更暗的边缘像素点的信息熵，H(s)表示边缘状态为相似的边缘像素点的信息熵，H(b)表示边缘状态为更亮的边缘像素点的信息熵。
8.如权利要求2所述的基于AR与AI的户外光电设备调控选取方法，其特征在于，利用下述决策损失函数计算所述像素决策树的损失值：
其中，L表示损失值，r表示区域空间图像集合中图像的像素点的重复率，N表示区域空间图像集合中图像的数量，di表示第i张区域空间图像的像素点个数，s表示像素决策树中节点个数，wr、wn及ws为预设固定参数。
9.一种基于AR与AI的户外光电设备调控选取装置，其特征在于，所述装置包括：
特征匹配库构建模块，用于获取目标区域的区域空间图像集合及区域空间位置信息，提取所述区域空间图像集合中的区域图像特征，并基于所述区域图像特征构建匹配特征决策树，根据所述匹配特征决策树及所述区域空间位置信息构建增强特征匹配库；
设备建模模块，用于获取目标户外光电设备的设备运行图像集合，基于所述设备运行图像集合对所述目标户外光电设备进行空间建模，得到光电设备模型；
空间建模模块，用于获取所述目标区域的实时视频流，基于联合匹配算法对所述实时视频流及增强特征匹配库进行空间特征匹配，匹配成功后得到所述目标区域的AR建模空间，将所述光电设备模型导入至所述AR建模空间；
设备调整模块，用于接收用户输入的光电设备调整指令，利用所述光电设备调整指令调整所述AR建模空间中的光电设备模型，得到调整光电设备模型集合；
设备选取模块，用于利用通过所述设备运行图像集合及历史户外光电设备运行图像集合训练的设备运行识别模型计算所述调整光电设备模型集合中各模型的运行稳定性值，以及根据所述调整光电设备模型集合中各模型的设备倾角计算各模型的设备稳定性值，并根据所述运行稳定性值及所述设备稳定性值从所述调整光电设备模型集合选取稳定性最高的模型作为标准光电设备。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于AR与AI的户外光电设备调控选取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211476106.XA CN115906637B (zh) | 2022-11-23 | 2022-11-23 | 户外光电设备调控选取方法、装置、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211476106.XA CN115906637B (zh) | 2022-11-23 | 2022-11-23 | 户外光电设备调控选取方法、装置、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115906637A true CN115906637A (zh) | 2023-04-04 |
| CN115906637B CN115906637B (zh) | 2023-07-18 |
Family
ID=86487791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211476106.XA Active CN115906637B (zh) | 2022-11-23 | 2022-11-23 | 户外光电设备调控选取方法、装置、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115906637B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009732A (zh) * | 2019-04-11 | 2019-07-12 | 司岚光电科技(苏州)有限公司 | 基于gms特征匹配的面向复杂大尺度场景三维重建方法 |
| CN113657495A (zh) * | 2021-08-17 | 2021-11-16 | 平安科技（深圳）有限公司 | 基于概率预测模型的保险产品推荐方法、装置、设备 |
| CN115265545A (zh) * | 2022-08-02 | 2022-11-01 | 杭州视图智航科技有限公司 | 基于决策分析的地图匹配导航方法、装置、设备及存储介质 |
-
2022
- 2022-11-23 CN CN202211476106.XA patent/CN115906637B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009732A (zh) * | 2019-04-11 | 2019-07-12 | 司岚光电科技(苏州)有限公司 | 基于gms特征匹配的面向复杂大尺度场景三维重建方法 |
| CN113657495A (zh) * | 2021-08-17 | 2021-11-16 | 平安科技（深圳）有限公司 | 基于概率预测模型的保险产品推荐方法、装置、设备 |
| CN115265545A (zh) * | 2022-08-02 | 2022-11-01 | 杭州视图智航科技有限公司 | 基于决策分析的地图匹配导航方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 卢涛: "面向户外AR应用的视觉SLAM***研究与实现", 中国优秀硕士学位论文全文数据库 工程科技II辑》, pages 032 - 36 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115906637B (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10775174B2 (en) | Map feature extraction system for computer map visualizations | |
| CN105359190B (zh) | 根据单个图像估计深度 | |
| US20190377981A1 (en) | System and Method for Generating Simulated Scenes from Open Map Data for Machine Learning | |
| US10510187B2 (en) | Method and system for virtual sensor data generation with depth ground truth annotation | |
| AU2021203410A1 (en) | Multi-sync ensemble model for device localization | |
| CN108734120A (zh) | 标注图像的方法、装置、设备和计算机可读存储介质 | |
| CN114511661A (zh) | 图像渲染方法、装置、电子设备及存储介质 | |
| CN113705461A (zh) | 人脸清晰度检测方法、装置、设备及存储介质 | |
| CN113658292A (zh) | 气象数据色斑图生成方法、装置、设备及存储介质 | |
| CN115265545A (zh) | 基于决策分析的地图匹配导航方法、装置、设备及存储介质 | |
| CN117197388A (zh) | 一种基于生成对抗神经网络和倾斜摄影的实景三维虚拟现实场景构建方法及*** | |
| CN114241338A (zh) | 基于影像识别的建筑物测量方法、装置、设备及存储介质 | |
| CN115690615A (zh) | 一种面向视频流的深度学习目标识别方法及*** | |
| CN115359266A (zh) | 基于bim技术的建筑施工方法、装置及电子设备 | |
| CN117351521A (zh) | 基于数字孪生的输电线鸟类检测方法、***、介质及设备 | |
| CN115457451A (zh) | 基于物联网的恒温恒湿试验箱的监控方法及装置 | |
| CN117710446A (zh) | 口腔模型扫描的实时定位方法、装置、设备及存储介质 | |
| CN115906637B (zh) | 户外光电设备调控选取方法、装置、设备 | |
| CN115880448B (zh) | 基于双目成像的三维测量方法及装置 | |
| CN112528701B (zh) | 二维码检测方法、装置、电子设备及介质 | |
| CN115588082A (zh) | 空间数字模型实时展示方法、装置、设备及存储介质 | |
| CN115858843A (zh) | 一种街区形态的城市空间图谱信息平台及其构建方法 | |
| CN114769072A (zh) | 高速喷射阀控制方法、装置、电子设备及存储介质 | |
| CN113656918A (zh) | 一种应用于成品高架库场景的四旋翼仿真测试方法 | |
| CN116958476B (zh) | 一种基于bim数据的建筑物可视化建模方法及*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |