基于遥感图像的区域识别方法、装置、设备及存储介质

本发明涉及图像处理，尤其涉及一种基于遥感图像的区域识别方法、装置、设备及存储介质。

背景技术：

1、在监控山林、牧场或者无人区时，由于监控区域较大，难以实现精度较高的监控，目前对于上述较大面积区域内的监控识别工作较为困难，主要是通过人工进行巡防或者高密度安装监控，以实现对于大面积区域的监控，效率较低且成本较高。

2、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本发明的主要目的在于提供一种基于遥感图像的区域识别方法、装置、设备及存储介质，旨在解决现有技术中监控大面积区域的精度较低的技术问题。

2、为实现上述目的，本发明提供了一种基于遥感图像的区域识别方法，所述方法包括以下步骤：

3、获取目标区域的至少两组边界图像和三维点云数据；

4、将各边界图像和所述三维点云数据通过训练好的数据融合网络模型进行数据融合，得到融合图像；

5、判断所述融合图像中是否存在活动迹象；

6、若存在，则通过训练好的目标跟踪模型确定活动迹象所处区域中的移动轨迹。

7、可选地，所述训练好的数据融合网络模型包括：特征提取单元、特征融合单元以及图像重建单元；

8、所述将各边界图像和所述三维点云数据通过训练好的数据融合网络模型进行数据融合，得到融合图像，包括：

9、对各边界图像进行小波分解，得到目标边界图像；

10、对所述三维点云数据进行下采样处理，得到目标三维点云数据；

11、通过所述特征提取单元提取所述目标边界图像对应的边界特征图像和所述目标三维点云数据对应的点云数据特征图像；

12、根据所述特征融合单元对所述边界特征图像和所述点云数据特征图像进行特征融合，得到目标特征图像；

13、根据所述图像重建单元对所述目标特征图像进行图像重建，得到融合图像。

14、可选地，所述对各边界图像进行小波分解，得到目标边界图像，包括：

15、基于预设分组规则对各边界图像进行分组，得到第一组边界图像和第二组边界图像；

16、对所述第一组边界图像进行分解，得到第一子图像集合；

17、对所述第二组边界图像进行分解，得到第二子图像集合；

18、将所述第一子图像集合中的低频子图像和所述第二子图像集合中的低频子图像通过预设低频算子进行融合，得到低频融合图像；

19、基于所述低频融合图像进行图像重构，得到目标边界图像。

20、可选地，所述根据所述特征融合单元对所述边界特征图像和所述点云数据特征图像进行特征融合，得到目标特征图像，包括：

21、确定所述边界特征图像中的第一采样点集合和所述点云数据特征图像中的第二采样点集合；

22、通过预设k值近邻算法模型确定所述第一采样点集合和所述第二采样点集合对应的映射关系；

23、根据所述映射关系将所述边界特征图像和所述点云数据特征图像进行透视拼接，得到目标特征图像。

24、可选地，所述将各边界图像和所述三维点云数据通过训练好的数据融合网络模型进行数据融合，得到融合图像之后，还包括：

25、计算所述融合图像的对应的图像颜色偏差以及峰值信噪比；

26、在所述图像颜色偏差和所述峰值信噪比中的至少一项满足预设融合条件时，判断所述融合图像中是否存在活动迹象；

27、相应地，所述判断所述融合图像中是否存在活动迹象，包括：

28、对所述融合图像进行图像分割，获得多个边界分割图像；

29、计算各边界分割图像的特征相似度；

30、在所述特征相似度小于预设相似度阈值时，判定存在活动迹象。

31、可选地，所述计算所述融合图像的对应的图像颜色偏差以及峰值信噪比，包括：

32、获取所述融合图像、各边界图像以及所述三维点云数据的图像数据，所述图像数据包括图像大小、光谱通道以及图像灰度；

33、根据所述图像大小、所述光谱通道以及所述图像灰度计算图像颜色偏差；

34、根据所述图像大小和所述图像灰度计算峰值信噪比。

35、可选地，所述训练好的数据融合网络模型包括特征提取单元、特征融合单元以及图像重建单元，所述特征融合单元包括小波融合支路和k值近邻支路，所述图像重建单元包括预设数量的卷积层。

36、此外，为实现上述目的，本发明还提出一种基于遥感图像的区域识别装置，所述基于遥感图像的区域识别装置包括：

37、获取模块，用于获取目标区域的至少两组边界图像和三维点云数据；

38、融合模块，用于将各边界图像和所述三维点云数据通过训练好的数据融合网络模型进行数据融合，得到融合图像；

39、判断模块，用于判断所述融合图像中是否存在活动迹象；

40、识别模块，用于若存在，则通过训练好的目标跟踪模型确定活动迹象所处区域中的移动轨迹。

41、此外，为实现上述目的，本发明还提出一种基于遥感图像的区域识别设备，所述基于遥感图像的区域识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于遥感图像的区域识别程序，所述基于遥感图像的区域识别程序配置为实现如上文所述的基于遥感图像的区域识别方法的步骤。

42、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于遥感图像的区域识别程序，所述基于遥感图像的区域识别程序被处理器执行时实现如上文所述的基于遥感图像的区域识别方法的步骤。

43、本发明公开了一种基于遥感图像的区域识别方法，所述基于遥感图像的区域识别方法包括：获取目标区域的至少两组边界图像和三维点云数据；将各边界图像和所述三维点云数据通过训练好的数据融合网络模型进行数据融合，得到融合图像；判断所述融合图像中是否存在活动迹象；若存在，则通过训练好的目标跟踪模型确定活动迹象所处区域中的移动轨迹，与现有技术相比，本发明通过获取目标区域的至少两组边界图像和三维点云数据，进而根据边界图像和三维点云数据提高大面积区域轨迹判断的精度，通过训练好的数据融合网络模型对边界图像和三维点云数据进行数据融合，得到融合图像，进而在融合图像中存在活动迹象时，可以通过训练好的目标跟踪模型确定活动迹象所处区域中的移动轨迹，提高监控大面积区域的精度，减少监控成本。

技术特征：

1.一种基于遥感图像的区域识别方法，其特征在于，所述基于遥感图像的区域识别方法包括：

2.如权利要求1所述的基于遥感图像的区域识别方法，其特征在于，所述训练好的数据融合网络模型包括：特征提取单元、特征融合单元以及图像重建单元；

3.如权利要求2所述的基于遥感图像的区域识别方法，其特征在于，所述对各边界图像进行小波分解，得到目标边界图像，包括：

4.如权利要求2所述的基于遥感图像的区域识别方法，其特征在于，所述根据所述特征融合单元对所述边界特征图像和所述点云数据特征图像进行特征融合，得到目标特征图像，包括：

5.如权利要求1-4中任一项所述的基于遥感图像的区域识别方法，其特征在于，所述将各边界图像和所述三维点云数据通过训练好的数据融合网络模型进行数据融合，得到融合图像之后，还包括：

6.如权利要求5所述的基于遥感图像的区域识别方法，其特征在于，所述计算所述融合图像的对应的图像颜色偏差以及峰值信噪比，包括：

7.如权利要求1所述的基于遥感图像的区域识别方法，其特征在于，所述训练好的数据融合网络模型包括特征提取单元、特征融合单元以及图像重建单元，所述特征融合单元包括小波融合支路和k值近邻支路，所述图像重建单元包括预设数量的卷积层。

8.一种基于遥感图像的区域识别装置，其特征在于，所述基于遥感图像的区域识别装置包括：

9.一种基于遥感图像的区域识别设备，其特征在于，所述基于遥感图像的区域识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于遥感图像的区域识别程序，所述基于遥感图像的区域识别程序配置为实现如权利要求1至7中任一项所述的基于遥感图像的区域识别方法。

10.一种存储介质，其特征在于，所述存储介质上存储有基于遥感图像的区域识别程序，所述基于遥感图像的区域识别程序被处理器执行时实现如权利要求1至7任一项所述的基于遥感图像的区域识别方法。

技术总结
本发明涉及图像处理技术领域，尤其涉及一种基于遥感图像的区域识别方法、装置、设备及存储介质，本发明通过获取目标区域的至少两组边界图像和三维点云数据，进而根据边界图像和三维点云数据提高大面积区域轨迹判断的精度，通过训练好的数据融合网络模型对边界图像和三维点云数据进行数据融合，得到融合图像，进而在融合图像中存在活动迹象时，可以通过训练好的目标跟踪模型确定活动迹象所处区域中的移动轨迹，提高监控大面积区域的精度，减少监控成本。

技术研发人员：刘吉磊
受保护的技术使用者：中国人民公安大学
技术研发日：
技术公布日：2024/4/17