基于地理位置信息的影像智能分析方法与流程

本发明涉及影像智能分析方法，具体涉及基于地理位置信息的影像智能分析方法。

背景技术：

设备的识别，是指对于画面中的主体进行分类判定。其分类方式既可以是粗粒度的类别，也可以细粒度的类别。设备的检测，是指在画面中自动找出要巡视的设备或线路对象，并标出它们的轮廓。

现有图像识别技术已经比较成熟，但识别精度和效率有待提高，本发明在原有图像识别的技术上，加入了地理位置信息来提升影像识别效率。

技术实现要素：

本发明旨在提供基于地理位置信息的影像智能分析方法，以解决现有技术方案中的影像识别效率低的问题。

为了实现所述目的，本发明基于地理位置信息的影像智能分析方法，用于识别设备类型，包括如下步骤：

建立设备数据库，所述设备数据库中包括设备类型和设备位置信息；

获取摄像机的拍摄方向、摄像机的位置信息和摄像机拍摄的待分析影像；

根据摄像机的拍摄方向和摄像机的位置信息获取待分析影像的成像区域；

从设备数据库中获取位于成像区域内且距离摄像机最近的设备；并将该设备作为待比对设备；

根据待比对设备的设备类型、待比对设备的设备位置信息、摄像机的拍摄方向和摄像机的位置信息获取待分析影像中待比对设备的感兴趣区域；

根据待分析影像的感兴趣区域和待比对设备的设备类型获取待分析影像中设备的类型。

优选的，根据摄像机的拍摄方向和摄像机的位置信息获取待分析影像的成像区域包括：以扇形区域作为成像区域，其中，所述扇形以摄像机作为圆心，以预设值作为半径，以摄像机的水平视角角度作为圆心角，以摄像机的拍摄方向作为其圆心角角平分线的方向。

优选的，所述预设值为0.5km。

优选的，所述从设备数据库中获取位于成像区域内且距离摄像机最近的设备包括：获取设备数据库中各设备的位置信息，根据设备的位置信息计算设备与摄像机的距离,并将与摄像机距离小于预设值的设备作为第一预选设备；判断每个第一预选设备是否在成像区域中，将在成像区域中的第一预选设备作为第二预选设备；计算各个第二预选设备与摄像机之间的距离，获取与摄像机距离最短的第二预选设备作为对比设备。

优选的，所述设备数据库中包含各个设备的占地位置区域，所述判断每个第一预选设备是否在成像区域中包括：获取每个第一预选设备的占地位置区域，判断第一预选设备的占地位置区域是否均在成像区域内，如果第一预选设备的地位置区域在成像区域内，则该第一预选设备在成像区域中。

优选的，所述根据待比对设备的类型、待比对设备的位置信息、摄像机的拍摄方向和摄像机的位置信息获取待分析影像中待比对设备的感兴趣区域包括：根据待比对设备的类型获取待比对设备的最高高度和最大宽度，根据待比对设备的位置信息和摄像机的位置信息计算待比对设备与摄像机之间的距离，根据待比对设备的最高高度和最大宽度、待比对设备与摄像机之间的距离以及摄像机自身的像素获取比对设备在待分析影像的占用区域大小，根据摄像机拍摄方向、待比对设备的位置信息和待比对设备与摄像机之间的距离获得待比对设备的底部中心在待分析影像中的预测位置，根据待比对设备的底部中心在待分析影像中的预测位置和比对设备在待分析影像的占用区域大小获得待分析影像中待比对设备的感兴趣区域。

优选的，所述根据待分析影像的感兴趣区域和待比对设备的设备类型获取待分析影像中设备的类型包括：根据待分析影像感兴趣区域的影像信息识别感兴趣区域中是否存在与待比对设备类型相同的设备；如果影像信息识别感兴趣区域中存在与待比对设备类型相同的设备，则待分析影像中设备的类型为待比对设备类型。

优选的，如果待分析影像中设备的类型为待比对设备类型，则在感兴趣区域内或感兴趣区域周侧标识设备类型。

优选的，所述根据待分析影像感兴趣区域的影像信息识别感兴趣区域中是否存在与待比对设备类型相同的设备包括：建立设备类型库，设备类型库中保存多种不同方向、不同角度和不同时间段拍摄的待比对设备影像；将待分析影像感兴趣区域的影像信息与设备类型库中待比对设备类型的所有待比对设备影像一一比对，如果存在待比对设备影像与待比对设备类型相似度超过80％，则感兴趣区域中存在与待比对设备类型相同的设备。

优选的，方法还包括读取每个类型设备的设备图片库，为每个类型设备建立一个卷积神经网路模型，其中，所述卷积神经网路模型通过如下步骤建立：根据hog特征提取算法提取hog特征，构建卷积神经网路并利用hog特征对卷积神经网路进行训练，得到训练好的卷积神经网路模型；所述根据待分析影像感兴趣区域的影像信息识别感兴趣区域中是否存在与待比对设备类型相同的设备包括：获取待分析影像感兴趣区域的hog特征；获取待比对设备类型的卷积神经网路模型，根据hog特征和卷积神经网路模型得出待分析影像感兴趣区域是否存在与待比对设备类型相同的设备。

通过实施本发明可以取得以下有益技术效果：本发明通过摄像机拍摄方向、摄像机的位置信息、以及设备数据库中设备的位置信息和类型预判出待分析影像中设备的感兴趣区域和设备的类型，进而在图像识别时，只需识别待分析影像的感兴趣区域中是否存在预判类型的设备，相对于现有技术中对需要识别整个待分析影像中是否存在各个类型的设备，本发明的计算量要远远小于现有技术，使得识别速度要比现有技术中的更快，准确率要比现有技术中的也更高。

附图说明

图1为本发明的流程图；

图2为本发明中成像区域示意图；

图3为本发明中成像区域与设备的关系图；

图4为本发明中识别酒杯型铁塔时获取感兴趣区域的示意图；

图5为采用本发明识别酒杯型铁塔的示意图。

具体实施方式

为了便于本领域技术人员的理解，下面结合具体实施例对本发明作进一步的说明：

实施例一：

如图1所示，基于地理位置信息的影像智能分析方法，用于识别设备类型，包括：

步骤s1：建立设备数据库，设备数据库中包括设备类型和设备位置信息；

步骤s2：获取摄像机的拍摄方向、摄像机的位置信息和摄像机拍摄的待分析影像；

步骤s3：根据摄像机的拍摄方向和摄像机的位置信息获取待分析影像的成像区域；其中，待分析影像的成像区域指的是能被当前摄像机拍摄到的理论区域；

步骤s4：从设备数据库中获取位于成像区域内且距离摄像机最近的设备；并将该设备作为待比对设备；

步骤s5：根据待比对设备的设备类型、待比对设备的设备位置信息、摄像机的拍摄方向和摄像机的位置信息获取待分析影像中待比对设备的感兴趣区域；

步骤s6：根据待分析影像的感兴趣区域和待比对设备的设备类型获取待分析影像中设备的类型。

本发明通过摄像机拍摄方向、摄像机的位置信息、以及设备数据库中设备的位置信息和类型预判出待分析影像中设备的感兴趣区域和设备的类型，进而在图像识别时，只需识别待分析影像的感兴趣区域中是否存在预判类型的设备，相对于现有技术中对需要识别整个待分析影像中是否存在各个类型的设备，本发明的计算量要远远小于现有技术，使得识别速度要比现有技术中的更快，准确率要比现有技术中的也更高。

为了便于计算，摄像机水平拍摄，拍摄方向为摄像机在水平面上的方向，成像区域只考虑水平方向上的成像区域。

如图2所示，根据摄像机的拍摄方向和摄像机的位置信息获取待分析影像的成像区域包括：以扇形区域1作为成像区域，其中，扇形以摄像机2作为圆心，以预设值作为半径，以摄像机的水平视角角度θ作为圆心角，以摄像机的拍摄方向a作为其圆心角角平分线的方向。预设值可以根据摄像机的类型设置，本实施例中可以设置为0.5km。成像区域为摄像机能拍摄到的区域；

从设备数据库中获取位于成像区域内且距离摄像机最近的设备包括：获取设备数据库中各设备的位置信息，根据设备的位置信息计算设备与摄像机的距离,并将与摄像机距离小于预设值的设备作为第一预选设备；判断每个第一预选设备是否在成像区域中，将在成像区域中的第一预选设备作为第二预选设备；计算各个第二预选设备与摄像机之间的距离，获取与摄像机距离最短的第二预选设备作为对比设备。先计算与摄像机距离小于预设值的所有设备，再计算与摄像机距离小于预设值的所有设备中位于摄像机可拍摄范围内的所有设备，最后再获得其中最接近摄像机的设备，进而获得位于成像区域内且距离摄像机最近的设备，通过这种获取方法，相对于常规方法计算所花费的时间更短。同样的，预设值可以根据摄像机的类型设置，本实施例中可以设置为0.5km。如图3所示，如果扇形区域1中包含了第一设备01、第二设备02、第三设备03、第四设备04，那么最接近摄像头的第三设备03即位于成像区域内且距离摄像机最近的设备。而第四设备04由于一部分不在成像区域内，所以类似第四设备04这一类部分不在成像区域的设备不属于成像区域内的设备。

设备数据库中包含各个设备的占地位置区域，判断每个第一预选设备是否在成像区域中包括：获取每个第一预选设备的占地位置区域，判断第一预选设备的占地位置区域是否均在成像区域内，如果第一预选设备的地位置区域在成像区域内，则该第一预选设备在成像区域中。在这里，占地位置区域指的是设备在地面上的正投影的轮廓范围。如果第一预选设备在地面上的正投影都在成像区域内，那么第一预选设备的地位置区域在成像区域内。如图3所示，图中第一设备01对应圆圈的整个区域为第一设备01的占地位置区域，不同设备占地位置区域的轮廓不同，其不一定是圆形，也可能是其他形状。

根据待比对设备的类型、待比对设备的位置信息、摄像机的拍摄方向和摄像机的位置信息获取待分析影像中待比对设备的感兴趣区域包括：根据待比对设备的类型获取待比对设备的最高高度和最大宽度，根据待比对设备的位置信息和摄像机的位置信息计算待比对设备与摄像机之间的距离，根据待比对设备的最高高度和最大宽度、待比对设备与摄像机之间的距离以及摄像机自身的像素获取比对设备在待分析影像的占用区域大小，根据摄像机拍摄方向、待比对设备的位置信息和待比对设备与摄像机之间的距离获得待比对设备的底部中心在待分析影像中的预测位置，根据待比对设备的底部中心在待分析影像中的预测位置和比对设备在待分析影像的占用区域大小获得待分析影像中待比对设备的感兴趣区域。最高高度指的是设备最高处与最底处之间的距离，最大宽度指的是：设备水平面上的投影，其投影边界上的所有点中，存在两个点之间的距离是最大的，而这个最大距离即为最大宽度。该获取方法可以将待分析影像中待比对设备的感兴趣区域，也就是待比对设备在显示待分析影像中的感兴趣区域内。如图4所示，图中为识别铁塔时，获取的感兴趣区域，其中虚线框s内的区域即为感兴趣区域。

根据待分析影像的感兴趣区域和待比对设备的设备类型获取待分析影像中设备的类型包括：根据待分析影像感兴趣区域的影像信息识别感兴趣区域中是否存在与待比对设备类型相同的设备；如果影像信息识别感兴趣区域中存在与待比对设备类型相同的设备，则待分析影像中设备的类型为待比对设备类型。

为了进行对已识别的设备进行标识，如果待分析影像中设备的类型为待比对设备类型，则在感兴趣区域内或感兴趣区域周侧标识设备类型。在感兴趣区域内或感兴趣区域周侧标识设备类型可以在感兴趣区域的边界画框，并在框内或周侧显示设备类型。

根据待分析影像感兴趣区域的影像信息识别感兴趣区域中是否存在与待比对设备类型相同的设备包括：建立设备类型库，设备类型库中保存多种不同方向、不同角度和不同时间段拍摄的待比对设备影像；将待分析影像感兴趣区域的影像信息与设备类型库中待比对设备类型的所有待比对设备影像一一比对，如果存在待比对设备影像与待比对设备类型相似度超过80％，则感兴趣区域中存在与待比对设备类型相同的设备。这种一种通过图像识别的一种常用方法，本发明不再进行详细描述。

如图5所示，为通过本发明的方法对铁塔的识别结果，摄像机拍摄铁塔影像时，快速识别影像中的铁塔，并进行标识，图中即将识别出了设备为酒杯型铁塔。可以知道的，采用发明的方法用于识别其他设备的效果与识别铁塔相同。

实施例二：

与实施例一的区别在于：还包括读取每个类型设备的设备图片库，为每个类型设备建立一个卷积神经网路模型，其中，所述卷积神经网路模型通过如下步骤建立：根据hog特征提取算法提取hog特征，构建卷积神经网路并利用hog特征对卷积神经网路进行训练，得到训练好的卷积神经网路模型；所述根据待分析影像感兴趣区域的影像信息识别感兴趣区域中是否存在与待比对设备类型相同的设备包括：获取待分析影像感兴趣区域的hog特征；获取待比对设备类型的卷积神经网路模型，根据hog特征和卷积神经网路模型得出待分析影像感兴趣区域是否存在与待比对设备类型相同的设备。hog特征即方向梯度直方图；根据hog特征提取算法提取hog特征，构建卷积神经网路并利用hog特征对卷积神经网路进行训练，得到训练好的卷积神经网路模型，作为现有技术可以参考公开号为cn105631415a的专利，本发明不再进行详细描述。本方法基于方向梯度直方图和卷积神经网络识别能有效挖掘数据局部特征，为每个类型的设备建立卷积神经网路模型，通过地理位置实现预测设备类型，再通过待分析影像感兴趣区域的hog特征和卷积神经网路模型判断待分析影像感兴趣区域中的设备是否是该预测设备类型，进而使得卷积神经网络模型的输出项只需两个，即是该设备类型或不是该设备类型，使得卷积神经网络模型更为简化，进而提高识别效率。

以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。