建筑物建成时间或拆除时间的确定方法、装置及终端与流程

文档序号:32787781发布日期:2023-01-03 19:51阅读:64来源:国知局
建筑物建成时间或拆除时间的确定方法、装置及终端与流程

1.本技术涉及遥感技术领域,尤其涉及一种使用来自基础性地理国情检测数据中的建筑物多边形轮廓数据以及历年遥感影像数据,来检测其对应区域的建筑物的建成时间或拆除时间的方法。


背景技术:

2.遥感作为一门已经有数十年历史的高科技技术,对国防,农业,城镇规划,城市建设,房屋统计等领域有重要的价值。随着科技的发展,遥感卫星、无人机、有人机等遥感设备所获取的数据的精度越来越高,数据量越来越多。我国的高分卫星计划推动了大量亚米级分辨率卫星上天,获取了全球地表的海量数据。然而如何自动化解读和利用这些数据是当前最紧迫的事情。对遥感影像数据中特定类型物体进行自动化目标检测是一个很关键的应用领域。比如对于城市规划来说,面对海量的遥感影像数据,需要每个季度快速检测出建筑物的分布和数量以及对应的矢量信息。对于在大范围地理区域中快速找出新建或拆除的建筑物,统计数量及面积,给出精准的矢量信息等等都有很大实际意义。在最短的时间内精准且快速动态的了解建筑物的新建或拆除情况,这对于地理信息技术人员以及政府部门进行后续分析有重要的利用价值。
3.在我国的测绘系统中,基础性地理国情监测数据是一项重要的数据,它包含了建筑物的多边形轮廓数据,主要由人工实地测量获得。图1示出了地图软件中的建筑物多边形轮廓的示意图,这项数据的用途很广泛,如图1所示,地图中所显示的建筑物的多边形轮廓就来自于基础性地理国情监测数据。但由于人工实地测量的过程需要耗费很多人力、物力以及时间,并且只能对当前所存留的建筑物进行测量,每个建筑物的实际建成时间和拆除时间其实是一个空白。另外,基础性地理国情数据里的建筑物多边形轮廓数据并不能反映实际情况,可能该多边形轮廓中的建筑物是很久以前建成的,也可能其中的建筑物是先批后建或先建后批,等等,并且人工实地走访是滞后于日新月异的城乡建设发展的。因此,国家基础地理国情数据仍存在大量的错漏。
4.对于判断建筑物多边形轮廓数据的建设或拆除时间,相关技术中的解决方案是在测绘系统(比如基础性地理国情监测数据)中获取待检测的建筑物多边形轮廓,并获取该多边形轮廓对应的年度间隔或月度间隔的多张遥感影像,然后利用大量人工对遥感影像进行反复翻看比对,以判断该待检测的建筑物多边形轮廓对应建筑物的建成或拆除时间。人工判断出建成或拆除时间后,还需要填写相应的数据库或表格。而我国的测绘相关系统需要对省级别、甚至全国级别的大量待检测建筑物多边形轮廓进行快速判定建成或拆除时间,这无疑需要极大的人力物力。
5.综上所述,人工判断存在以下几个方面的问题和管理难度:1)需要耗费极大的人力;2)不同人员所做出的判断不同,因此判断结果的质量会出现参差不齐的情况,准确率难以保证,会有较大的人员管理难度。且人工判断结果的准确率越低,额外的校对和审核的工作量就会越大;3)部分历史年份的卫星遥感数据分辨率较低,各时间点影像分辨率未必相
同,质量层次不齐,导致多边形轮廓内的建筑物模糊不清,从而增加人工判断的难度。
6.针对上述相关技术中所存在的问题,本技术提出了一种建筑物建成时间或拆除时间的确定方法及装置、计算机存储介质及终端,以准确、快速且全面的掌握基础性地理国情监测数据里的建筑物多边形轮廓数据对应建筑物的建设时间和拆除时间。
7.需要说明的是,在上述背景技术部分公开的信息仅用于加强对本技术的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素:

8.根据本技术的第一个方面,本技术提出一种根据来自基础性地理国情监测数据中的建筑物多边形轮廓以及历年遥感影像数据,检测建筑物的建成时间或拆除时间的确定方法。所述方法包括:
9.使用来自基础性地理国情监测数据的建筑物多边形轮廓数据。
10.首先找到对应地理区域过去历年的遥感影像,遥感影像可以来自卫星或无人机有人机等,遥感影像数据的分辨率可以覆盖到0.1m到10m。
11.然后使用来自两个专利(专利号分别是201810411612.8,202011021453.4)的深度学习技术,对过去历年的n个遥感影像提取出建筑物。
12.最后综合使用来自基础性地理国情监测数据的建筑物多边形轮廓数据,和深度学习对过去历年的遥感影像提取的建筑物轮廓数据。通过基于规则的机器学习技术综合的考虑以上两者信息,对每一个来自基础性地理国情监测数据中的建筑物多边形轮廓数据,自动化比对其在过去历年时间点的遥感影像上的建筑物情况,从而确定其建成时间和拆除时间。
13.在具体处理流程中,对于每一个来自基础性地理国情监测数据的建筑物多边形轮廓数据,我们会关注该轮廓区域范围内,在历年的遥感影像上被提取为建筑物的面积。比如说,一个来自基础性地理国情监测数据的建筑物多边形轮廓数据本身的地理面积为s0=100平方米,在时间点i=1,2,3,4,5的历年的遥感影像上该建筑物多边形轮廓区域内检测到的建筑物面积分别是s1=0、s2=2、s3=80、s4=79、s5=83平方米,那么有极大可能在时间点3发生新建建筑物事件。
14.我们发现需要综合考虑变化的相对量和绝对量,才能对每一个来自基础性地理国情监测数据的建筑物多边形轮廓数据对应地理区域,准确的判定其是否发生建筑物新建或拆除事件,以及具体发生建筑物新建或拆除的时间点,这点体现在权利要求书里面。
15.通过上述流程,若最终检测到待检测的建筑物多边形轮廓数据对应的建筑物在历年遥感影像中始终不存在,我们会用文本标记此种情况为“该待检测建筑物多边形轮廓对应的区域在历年的n个时间点的影像上都不存在建筑物”;若最终检测到待检测的建筑物多边形轮廓数据对应的建筑物在历年遥感影像中始终存在,我们会用文本标记此种情况为“该待检测建筑物多边形轮廓对应的区域在历年的n个时间点的影像上始终存在建筑物,无新建或拆除事件发生”;若最终检测到待检测的建筑物多边形轮廓数据对应的建筑物在时间点i发生新建事件,我们会用文本标记此种情况为“该待检测建筑物多边形轮廓对应的建筑物在时间点i发生过新建事件”;若最终检测到待检测的建筑物多边形轮廓数据对应的建筑物在时间点i发生拆除事件,我们会用文本标记此种情况为“该待检测建筑物多边形轮廓
对应的建筑物在时间点i发生过拆除事件”。
16.根据本技术的第二个方面,提供一种建筑物建成时间或拆除时间的确定装置,上述装置包括:数据获取模块,第一确定模块,第二确定模块。数据获取模块,用于:使用来自基础性地理国情监测数据的建筑物多边形数据,并找到对应地理区域的历年的遥感影像,得到n个时间点对应的n个目标遥感影像,其中,n为正整数;第一确定模块,用于:用深度学习对历年的n个遥感影像提取出建筑物区域;第二确定模块,用于:对于每一个来自基础性地理国情监测数据的建筑物多边形数据,综合考虑这个建筑物多边形轮廓数据在历年遥感影像上存在建筑物的情况,判定出这个建筑物多边形数据对应建筑物区域发生建成或拆除事件的时间,具体是:对于待检测的建筑物多边形轮廓数据,设其地理面积为s0,再设在时间点i的历年遥感影像中该多边形区域内检测出建筑物的面积为si,设定比值vi=si/s0,综合判定该待检测的建筑物多边形轮廓数据对应区域的建筑物新建或拆除事件时间。
17.根据本技术的第三个方面,提供一种终端,包括:存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序,上述处理器执行上述计算机程序时实现上述第一个方面所述的建筑物建成时间或拆除时间的确定方法。
18.根据本技术的第四个方面,提供一种计算机可读存储介质,其上存储有计算机程序,上述计算机程序被处理器执行时实现上述第一个方面所述的建筑物建成时间或拆除时间的确定方法。
19.本技术的实施例所提供的建筑物建成时间或拆除时间的确定方法、装置及终端,具备以下技术效果:
20.通过综合使用来自基础性地理国情监测数据的建筑物多边形轮廓数据,和使用深度学习对历年遥感影像数据提取的建筑物,用基于规则的方法综合两者信息判定建筑物的新建或拆除事件发生的时间。本技术可以精确并快速地根据时间序列的遥感影像对地面建筑物的建成或拆除时间进行确定。本技术无需超级计算机,只需数千元的显卡,数小时内即可完成整个城市范围大小的检测。因此,本技术快速、精细、准确的预测结果,使得测绘地理相关工作者可以快速动态分析一块确定地区历年的建筑物新建拆除信息,可以提供动态的建筑物变化信息以供决策考量,并可以节省大量的人工成本。
附图说明
21.此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本技术的实施例,并与说明书一起用于解释本技术的原理。显而易见地,下面描述中的附图仅仅是本技术的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
22.图1是本技术实施例提供的一例基础性地理国情监测数据中的建筑物多边形轮廓数据的示意图;
23.图2是本技术实施例提供的一例建筑物建成时间或拆除时间的确定方法的示意性流程图;
24.图3是本技术实施例提供的一例时间序列的遥感影像及深度学习的提取结果的示意图;
25.图4是本技术实施例提供的一例n个比值vi(i=1,2,3

n)的示意图;
26.图5是本技术实施例提供的一例从n个时间点中确定目标多边形轮廓中建筑物的建成时间或拆除时间的示意性流程图;
27.图6a是本技术实施例提供的一例n个比值均小于第一预设值的情况下,深度学习所提取的结果的示意图;
28.图6b是本技术实施例提供的一例n个比值均小于第一预设值的示意图;
29.图7a是本技术实施例提供的一例n个比值均大于第二预设值的情况下,深度学习所提取的结果的示意图;
30.图7b是本技术实施例提供的一例n个比值均大于第二预设值的示意图;
31.图8a是本技术实施例提供的一例浙江省待检测建筑物遥感影像及深度学习的提取结果的示意图;
32.图8b是本技术实施例提供的一例浙江省待检测建筑物的比值vi(i=1,2,3

n)的示意图;
33.图9a是本技术实施例提供的一例吉林省待检测建筑物遥感影像及深度学习的提取结果的示意图;
34.图9b是本技术实施例提供的一例吉林省待检测建筑物的比值vi(i=1,2,3

n)的示意图;
35.图10a是本技术实施例提供的一例发生拆除事件的待检测建筑物遥感影像及深度学习的提取结果的示意图;
36.图10b是本技术实施例提供的一例发生建筑物拆除事件的比值vi(i=1,2,3

n)示意图;
37.图11是本技术实施例提供的一例建筑物建成时间或拆除时间的确定方法的示意性交互图;
38.图12是本技术实施例提供的一例建筑物建成时间或拆除时间的确定装置的示意性结构图;
39.图13是本技术实施例提供的一例终端的示意性框图。
具体实施方式
40.为使本技术的目的、技术方案和优点更加清楚,下面将结合附图对本技术实施例方式作进一步地详细描述。
41.下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
42.在本技术的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本技术中的具体含义。此外,在本技术的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,a和/或b,可以表示:单独存在a,同时存在a和b,单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
43.下面,将结合附图及实施例对本示例实施方式中的建筑物建成时间或拆除时间的确定方法的各个步骤进行更详细的说明。
44.其中,图2是本技术实施例提供的一例建筑物建成时间或拆除时间的确定方法的示意性流程图,以下对图2所示的实施例进行详细说明。
45.s210,使用来自基础性地理国情监测数据的建筑物多边形轮廓,使用包含待检测多边形轮廓区域范围的历年时间的n个遥感影像,其中,n为正整数。
46.在示例性的实施例中,对于待检测建筑物多边形轮廓,可以从基础性地理国情监测数据获取,也可以从我国测绘系统的其它数据库或是国外的测绘系统的数据库获取,或者也可以人工通过地理信息系统(geographic information system,gis)绘制待检测的目标多边形轮廓,等等。
47.在示例性的实施例中,参考图3所示的时间序列的遥感影像及深度学习的提取结果的示意图。示例性地,对于上述n个遥感影像,通常默认它们是按时间顺序排列好的。如图3所示,图中的矩形框即为所获取的待检测的多边形轮廓,第一行的图像为目标多边形轮廓所在区域对应的从2015至2020年第一季度(2020s1)共6个时间点的目标遥感影像。其中,遥感影像的来源可以为卫星、无人机、有人机等等,所获取的目标遥感影像可以为图3所示的年度间隔、月度间隔、或是年度和月度混合间隔等等,影像的分辨率可以为0.1m至10m,并能够适应于大规模的影像数据,每个时间点的遥感影像数据可以是1000gb级别。
48.s220,根据n个目标遥感影像,提取出所有的建筑物区域,对于待检测多边形轮廓,可以得到该多边形轮廓区域在n个时间点提取的建筑物。
49.在示例性的实施例中,对建筑物区域的提取结果是一个单通道二值化的栅格文件,即是从rgb遥感影像中提取出的建筑物掩膜。对于多边形轮廓的提取,可以采用专利号为201810411612.8和专利号为202011021453.4的两个专利所提供的深度学习技术来实现。如图3所示,第二行中的图像即为上述单通道二值化的栅格文件,1(白色)表示有建筑物存在,0(黑色)则表示没有建筑物存在。因此在图3中,从2015年至2018年,目标多边形轮廓中均无建筑物存在,而在2019年,目标多边形轮廓中有建筑物建成,2020年第一季度该建筑物仍有留存。
50.在示例性的实施例中,由于深度学习的提取结果对最终的判定结果的质量具有重要的影响,而不同来源的遥感影像数据的分辨率和清晰度都不相同,并且不同地理区域的地理风貌的差异很大,例如建筑物密集的城市和建筑物稀疏的乡村、中国东部地区和中国西北地区等等,因此,可以使用对于多种分辨率、多种地区的遥感影像均有很好的建筑物提取效果的深度学习提取建筑物的技术,以提高最终对建筑物建成时间或拆除时间的判断效果。
51.在示例性的实施例中,提取到i(i=1,2,3

n)个时间点的遥感影像中的建筑物后,可以得到待检测建筑物多边形轮廓区域范围内在每个时间点i含建筑物的面积si(i=1,2,3

n)。示例性地,如图3所示,计算2015至2020第一季度这6个时间点中,目标多边形轮廓中的白色部分的面积,即可得到6个目标面积。对于所提取的2019年(第5个时间点)的建筑物,计算目标多边形轮廓中的白色部分的面积,即可得到第5个时间点对应的第5个目标面积。
52.s230,把待检测多边形轮廓区域面积计作s0,对于待检测多边形轮廓,计算时间点
i时候多边形轮廓范围内用深度学习检测到的建筑物面积si(i=1,2,3

n)和多边形轮廓面积s0的比值vi=si/s0(i=1,2,3

n)。
53.在示例性的实施例中,计算待检测多边形轮廓区域本身的面积s0。计算待检测多边形轮廓在时间点i时候多边形轮廓范围内用深度学习检测到的建筑物面积si(i=1,2,3

n)。计算待检测多边形轮廓范围内深度学习检测出来的建筑物的面积占目标多边形轮廓的面积的比比值vi=si/s0(i=1,2,3

n)。其中,比值vi(i=1,2,3

n)是一个介于0和1之间的值,其意义是待检测多边形轮廓范围内深度学习检测出来的建筑物的面积占目标多边形轮廓的面积的比例。该比值越大,表示目标多边形轮廓中存在建筑物的可能性越高;该比值越小,表示目标多边形轮廓中存在建筑物的可能性越低。
54.示例性地,参考图4所示的n个比值vi(i=1,2,3

n)的示意图,图4中的比值根据图3中的所计算出的目标面积与其中目标多边形轮廓的面积相除而得到。可以看出,2015年至2018年,目标多边形轮廓区域中的建筑物比值均为0,而2019年的比值为0.74,2020年第一季度的比值为0.45。
55.对于每一个来自基础性地理国情监测数据的建筑物多边形轮廓数据,根据这n个比值vi(i=1,2,3

),从n个时间点中确定该待检测建筑物多边形轮廓中建筑物的建成时间或拆除时间。
56.在示例性的实施例中,参考图5所示的从n个时间点中确定待检测多边形轮廓中建筑物的建成时间或拆除时间的示意性流程图。在进行判断之前,可以设置第一个预设值,以区分大型建筑物和中小型建筑物分开来分别处理。示例性地,假设第一个预设值为2000平方米,则分别在目标多边形轮廓的面积小于2000平方米、和目标多边形轮廓的面积大于或等于2000平方米的情况下进行判断,这样可以提升判断结果的精度。可以理解的是,上述所提供的预设面积值的大小以及预设面积所设置的数量仅为示例,具体设置可根据实际情况而定,本实施例中不做限制。
57.在示例性的实施例中,下面以某一个来自基础性地理国情监测数据中的建筑物多边形轮廓为例子,进行说明,请参考图5所示的从n个时间点中确定目标多边形轮廓中建筑物的建成时间或拆除时间的示意性流程图。
58.s510,判断建筑物多边形轮廓数据面积是否小于第一预设值;若建筑物多边形轮廓数据面积小于第一预设值,则将建筑物作为中小型建筑物的各项预设值和流传处理;若建筑物多边形轮廓数据面积大于第一预设值,则将建筑物作为大型建筑物的各项预设值和流传处理。
59.在示例性的实施例中,对于一个具体的来自基础性地理国情监测数据中的建筑物多边形轮廓数据,若建筑物多边形轮廓的地理面积s0小于第一预设值,则将该建筑物视为中小型建筑物。若建筑物多边形轮廓的地理面积s0大于第一预设值,则将该建筑物视为大型建筑物。对于中小型建筑物和大型建筑物的各项预设值和流传处理请参考下述实施例。
60.s520,若建筑物多边形轮廓对应的n个比值vi(i=1,2,3

n)均小于第二预设值(对于中小型建筑物用第二预设值,对于大型建筑物用第八预设值),则确定该建筑物多边形轮廓数据区域始终不存在建筑物。
61.在示例性的实施例中,若各个时间点所对应的比值都小于某个非常小的第2预设值,例如0.05,那么就可以判定该目标多边形轮廓中没有建筑物存在,即建筑物的建成时间
或拆除时间为空值。
62.示例性地,参考图6a和图6b所示的n个比值(i=1,2,3

n)均小于第一预设值的示意图。可以看出,在2015至2020年间所对应的6个比值均小于0.05,因此,可以判断在2015至2020年间,目标多边形轮廓中没有建筑物存在。
63.在示例性的实施例中,在得到判定结果后,可以将结果以表格文件的形式进行输出,例如以excel表格的形式输出。示例性地,若目标多边形轮廓中没有建筑物存在时,可以将目标多边形轮廓的判断结果以文本标记为“该建筑物多边形轮廓区域在历年遥感影像中始终没有对应的建筑物存在”。
64.s530,若对应的n个比值vi(i=1,2,3

n)均大于第三预设值(对于中小型建筑物用第三预设值,对于大型建筑物用第九预设值),则确定待检测建筑物多边形轮廓始终存在建筑物,不存在建筑物新建或拆除现象。
65.在示例性的实施例中,若各个时间点所对应的比值都大于某个较大的第三预设值,例如0.3,那么就可以判定该目标多边形轮廓中始终有建筑物存在,但仅能判断建筑物的建成时间早于n个时间点中的最早的时间点。示例性地,可以将目标多边形轮廓的判断结果标记为“该待检测的建筑物多边形轮廓对应的建筑物始终存在,没有发生建筑物新建或拆除事件”。
66.示例性地,参考图7a和图7b所示的n个比值vi(i=1,2,3

n)均大于第二预设值的示意图。可以看出,在2015至2020年间所对应的6个比值均大于0.3,因此,可以判断在2015至2020年间,目标多边形轮廓中始终有建筑物存在,没有新建或拆除的情况,并且建筑物的建成时间早于第1个时间点2015年。
67.s540,若n个比值vi(i=1,2,3

n)中,第i+1个比值vi+1大于第i个比值vi,且第i+1个比值vi+1与第i个比值vi的差值大于第四预设值(对于中小型建筑物用第四预设值,对于大型建筑物用第十预设值),且第1个比值v1至第i-1个比值vi-1均小于第五预设值(对于中小型建筑物用第五预设值,对于大型建筑物用第十一预设值),则确定目标多边形轮廓中建筑物的建成时间为第i+1个时间点。
68.在示例性的实施例中,若所求得的n个比值vi(i=1,2,3

n)中,第i+1个比值大于第i个比值,且第i+1个比值与第i个比值的差值大于第四预设值,例如0.15,并且第1个比值至第i-1个比值均小于第五预设值,例如0.1,那么就可以判定目标多边形轮廓中建筑物的建成时间为第i+1个时间点。并可以将结果以表格的形式进行输出。示例性地,可以将目标多边形轮廓判断的结果标记为“该待检测的建筑物多边形轮廓对应的建筑物的建成时间对应第i+1个时间点”。
69.示例性地,参考图8a所示的浙江省待检测建筑物遥感影像及深度学习的提取结果的示意图,以及图8b所示的浙江省待检测建筑物的比值的示意图。如图8a所示,第一行为2014年至2020年第三季度(2020s3)9个时间点下的多边形轮廓对应的遥感影像,第二行为对应的深度学习的提取结果。可以看出,在2014年至2019年的时间点符合上述判断条件,即2019年(第6个时间点)对应的比值与2018年(第5个时间点)相比,差值大于第四预设值(假设第四预设值为0.3),且2014年至2017年的比值均小于第五预设值(假设第五预设值为0.1),由此可以判断该浙江省的待检测建筑物的建成时间为2019年,并可将判断结果以表格文件的形式输出。
70.示例性地,又如,图9a所示的吉林省待检测建筑物遥感影像及深度学习的提取结果的示意图,以及图9b所示的吉林省待检测建筑物的比值的示意图。如图9a所示,第一行为2014年至2020年第三季度(2020s3)9个时间点下的目标多边形轮廓对应的遥感影像,第二行为对应的深度学习的提取结果,将这9个时间点对应的目标面积与目标多边形轮廓的面积相除后,得到图9b中的9个比值。可以看出,在2014年至2018年的时间点符合上述判断条件,即2018年(第5个时间点)对应的比值与2017年(第4个时间点)相比,差值大于第四预设值(假设第四预设值为0.3),且2014年至2017年的比值均小于第五预设值(假设第五预设值为0.1),由此可以判断该吉林省的待检测建筑物的建成时间为2018年,并可将判断结果以表格文件的形式输出。
71.s550,若n个比值vi(i=1,2,3

n)中,若第i个比值vi减去第i+1个比值vi+1的值大于某预设值(对于中小型建筑物用第六预设值,对于大型建筑物用第十二预设值),且第i+1个比值vi+1至第n个比值vn均小于某预设值(对于中小型建筑物用第七预设值,对于大型建筑物用第十三预设值),则判定该待检测多边形轮廓对应的建筑物的拆除时间为第i+1个时间点。
72.在示例性的实施例中,若所求得的n个比值vi(i=1,2,3

n)中,第i个比值大于第i+1个比值,且第i个比值与第i+1个比值的差值大于第六预设值,例如0.15,并且第i+1个比值至第n个比值均小于第七预设值,例如0.1,那么就可以判定目标多边形轮廓中建筑物的拆除时间为第i+1个时间点。并可以将结果以表格的形式进行输出。示例性地,可以将目标多边形轮廓判断的结果标记为“该待检测的建筑物多边形轮廓对应的建筑物的拆除时间对应第i+1个时间点”。
73.在示例性的实施例中,若所求得的n个比值vi(i=1,2,3

n)中,第i+1个比值小于第i个比值,且第i+1个比值与第i个比值的差值大于第六预设值,例如0.15,并且第1个比值至第i-1个比值均大于第七预设值,例如0.4,那么就可以判定目标多边形轮廓中建筑物的拆除时间为第i+1个时间点。并可以将结果以表格的形式进行输出。示例性地,可以将目标多边形轮廓判断的结果标记为“该待检测的建筑物多边形轮廓对应的建筑物的拆除时间是在第i+1的时间”。
74.示例性地,参考图10a所示的发生拆除事件的待检测建筑物遥感影像及深度学习的提取结果的示意图,以及图10b所示的发生建筑物拆除事件的比值的示意图。可以看出,2016年对应的比值与2015年相比,差值大于第六预设值(假设第六预设值为0.3),且2014年至2015年的比值均大于第七预设值(假设第七预设值为0.4),由此可以判断该待检测的建筑物多边形轮廓对应建筑物的拆除时间为2016年,并可将判断结果以表格文件的形式输出。
75.在示例性的实施例中,上述第一预设值、第二预设值、第三预设值、第四预设值、第五预设值等的相关预设值的取值均为示例,具体取值可以根据实际情况而定,本实施例中不做限制。
76.在示例性的实施例中,可以理解的是,步骤s510是先决条件,把建筑物多边形轮廓数据分成大型件组屋和中小型建筑物分别讨论。图5所示实施例中的判断方法具有一定的优先级,判定来自基础性地理国情监测数据的建筑物多边形轮廓数据的建成或拆除事件,优先级依次是步骤s520,然后是步骤s530,然后是s540,s550的优先级最低。示例性地,若i
个比值同时满足步骤s510、步骤s520以及步骤s530的判断条件,那么应判断目标多边形轮廓中建筑物的情况归属于步骤s510。
77.在示例性的实施例中,若目标多边形轮廓的对应的n个比值vi(i=1,2,3

n)不符合步骤s510至步骤s540中的任何一种情况,则可以将目标多边形轮廓的判断结果标记为“不确定目标多边形轮廓中建筑物的建成时间或拆除时间”。
78.在示例性的实施例中,对于目标多边形轮廓的面积大于预设面积的情况,判断方法与上述实施例相同,具体内容请参考图5所示实施例即可,在此不再赘述。
79.参考图11所示的建筑物建成时间或拆除时间的确定方法的交互图。本技术所提供的建筑物建成时间或拆除时间的确定方法可以用于建立一个基于多重条件判断的机器学习模型,确定待检测建筑物的目标多边形轮廓以及对应的时间顺序下的遥感影像后,将目标多边形轮廓的面积,以及在每个时间点下(第1个时间,第2个时间
···
)深度学习所提取的遥感影像中待检测建筑物的目标面积与目标多边形轮廓的面积的比值输入至模型中,模型通过上述实施例所提供的判断方法对目标多边形轮廓中建筑物的情况进行判断,并形成输出结果,如待检测建筑物的建成或拆除时间为第xx时间。本技术可以以极快的速度和极低的成本对国土范围内的建筑物建成时间和拆除时间进行判断检测,并且由于是在高精度遥感影像上检测出来的建筑物建成时间,由此精度和稳定性以及解释性都很强,还可以直接将判断结果输出成excel表格文件,以便导入各类数据库从而进行后期的数据分析,能够使得国防、测绘、基础性地理国情监测数据、城市规划、房产局等政府部分在广大的地理范围内更快速地了解建筑物的动态信息。
80.下述为本技术装置实施例,可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节,请参照本技术方法实施例。
81.其中,图12示出了根据本技术一示例性的实施例中建筑物建成时间或拆除时间的确定装置的结构图。
82.本技术实施例中的建筑物建成时间或拆除时间的确定装置1200包括:数据获取模块1201,第一确定模块1202,以及第二确定模块1203,其中:
83.数据获取模块1201,用于:使用来自基础性地理国情监测数据的建筑物多边形数据,并找到对应地理区域的历年的遥感影像,得到n个时间点对应的n个目标遥感影像,其中,n为正整数。
84.第一确定模块1202,用于:用深度学习对历年的n个遥感影像提取出建筑物区域。
85.第二确定模块1203,用于:对于每一个来自基础性地理国情监测数据的建筑物多边形数据,综合考虑这个建筑物多边形轮廓数据在历年遥感影像上存在建筑物的情况,判定出这个建筑物多边形数据对应建筑物区域发生建成或拆除事件的时间,具体是:对于待检测的建筑物多边形轮廓数据,设其地理面积为s0,再设在时间点i的历年遥感影像中该多边形区域内检测出建筑物的面积为si,设定比值vi=si/s0,综合判定该待检测的建筑物多边形轮廓数据对应区域的建筑物新建或拆除事件时间。
86.本技术实施例还提供了一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述任一实施例方法的步骤。
87.图13示意性示出了根据本技术一示例性的实施例中终端的结构图。请参见图13所示,终端1300包括有:处理器1301和存储器1302。
88.本技术实施例中,处理器1301为计算机系统的控制中心,可以是实体机的处理器,也可以是虚拟机的处理器。处理器1301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1301可以采用数字信号处理(digital signal processing,dsp)、现场可编程门阵列(field-programmable gate array,fpga)、可编程逻辑阵列(programmable logic array,pla)中的至少一种硬件形式来实现。处理器1301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(central processing unit,cpu);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
89.在本技术实施例中,上述处理器1301具体用于:使用来自基础性地理国情监测数据中的建筑物多边形轮廓数据,找到其对应区域的过去历年的遥感影像;通过深度学习技术对过去历年时间点的遥感影像提取建筑物轮廓;综合使用来自基础性地理国情监测数据中的建筑物多边形轮廓数据,和深度学习对过去历年的遥感影像提取的建筑物轮廓,具体是:对每一个来自基础性地理国情监测数据中的建筑物多边形轮廓数据,自动化比对其在过去历年时间点的遥感影像上的建筑物情况,从而确定其建成时间和拆除时间。
90.进一步地,上述处理器1301具体用于:对于n个过去历年时间点的影像,把影像按照时间顺序正序排序,并设变量t为对应历年影像的时间变量,t=1,2,3

n;对于一个来自基础性地理国情监测数据中的建筑物多边形轮廓,把它的地理面积计作为s0,把该建筑物多边形轮廓在历年影像上对应地理区域内被深度学习检测出的的确是建筑物的面积计作为si(i=1,2,3

n),其中si的最大值不大于s0。
91.可选的,上述处理器1301具体用于:对于一个具体的来自基础性地理国情监测数据中的建筑物多边形轮廓数据,把在时间点i(i=1,2,3...n)的建筑物比值计作为vi=si/s0(i=1,2,3...n);该比值是介于0和1之间的数字,该比值越大,代表在时间点i时期该待检测的建筑物多边形轮廓范围内建筑物越多;该比值越小,代表在时间点i时期该待检测的建筑物多边形轮廓范围内建筑物越少。
92.可选的,上述处理器1301具体用于:设定一个第一预设值,对于一个具体的来自基础性地理国情监测数据中的建筑物多边形轮廓数据,对于其地理面积s0小于或大于第一预设值分情况处理;第一预设值是用来区分建筑物多边形轮廓大小的,分别处理大型建筑物和中小型建筑物的情况。
93.可选的,对于建筑物多边形轮廓数据地理面积s0小于第一预设值的情况下,上述处理器1301具体用于:若该建筑物多边形轮廓数据对应的n个比值vi(i=1,2,3...n)均小于第二预设值,则确定该建筑物多边形轮廓数据区域始终不存在建筑物;若该建筑物多边形轮廓数据对应的n个比值vi(i=1,2,3...n)均大于第三预设值,则确定该建筑物多边形轮廓数据区域始终存在建筑物。
94.可选的,对于建筑物多边形轮廓数据地理面积s0小于第一预设值的情况下,上述处理器1301具体用于:对于该建筑物多边形轮廓数据对应的n个比值vi(i=1,2,3...n),若第i+1个比值vi+1减去第i个比值vi的值大于第四预设值,且第1个比值v1至第i-1个比值vi-1均小于第五预设值,则确定该待检测多边形轮廓对应区域的建筑物的建成时间为第i+1个时间点;对于该建筑物多边形轮廓数据对应的n个比值vi(i=1,2,3...n),若第i个比值vi减去第i+1个比值vi+1的值大于第六预设值,且第i+1个比值vi+1至第n个比值vn均小于
第七预设值,则确定该待检测多边形轮廓对应区域的建筑物的拆除时间为第i+1个时间点。
95.可选的,对于建筑物多边形轮廓数据地理面积s0大于或等于第一预设值的情况下,上述处理器1301具体用于:若该建筑物多边形轮廓数据对应的n个比值vi(i=1,2,3...n)均小于第八预设值,则确定该建筑物多边形轮廓数据区域始终不存在建筑物;若该建筑物多边形轮廓数据对应的n个比值vi(i=1,2,3...n)均大于第九预设值,则确定该建筑物多边形轮廓数据区域始终存在建筑物。
96.可选的,对于建筑物多边形轮廓数据地理面积s0大于或等于第一预设值的情况下,上述处理器1301具体用于:对于该建筑物多边形轮廓数据对应的n个比值vi(i=1,2,3...n),若第i+1个比值vi+1减去第i个比值vi的值大于第十预设值,且第1个比值v1至第i-1个比值vi-1均小于第十一预设值,则确定该待检测多边形轮廓对应区域的建筑物的建成时间为第i+1个时间点;对于该建筑物多边形轮廓数据对应的n个比值vi(i=1,2,3...n),若第i个比值vi减去第i+1个比值vi+1的值大于第十二预设值,且第i+1个比值vi+1至第n个比值vn均小于第十三预设值,则确定该待检测多边形轮廓对应区域的建筑物的拆除时间为第i+1个时间点。
97.存储器1302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储终端、闪存存储终端。在本技术的一些实施例中,存储器1302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1301所执行以实现本技术实施例中的方法。
98.一些实施例中,终端1300还包括有:外围终端接口1303和至少一个外围终端。处理器1301、存储器1302和外围终端接口1303之间可以通过总线或信号线相连。各个外围终端可以通过总线、信号线或电路板与外围终端接口1303相连。具体地,外围终端包括:显示屏1304、摄像头1305和音频电路1306中的至少一种。
99.外围终端接口1303可被用于将输入/输出(input/output,i/o)相关的至少一个外围终端连接到处理器1301和存储器1302。在本技术的一些实施例中,处理器1301、存储器1302和外围终端接口1303被集成在同一芯片或电路板上;在本技术的一些其他实施例中,处理器1301、存储器1302和外围终端接口1303中的任意一个或两个可以在单独的芯片或电路板上实现。本技术实施例对此不作具体限定。
100.显示屏1304用于显示用户界面(user interface,ui)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1304是触摸显示屏时,显示屏1304还具有采集在显示屏1304的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1301进行处理。此时,显示屏1304还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在本技术的一些实施例中,显示屏1304可以为一个,设置终端1300的前面板;在本技术的另一些实施例中,显示屏1304可以为至少两个,分别设置在终端1300的不同表面或呈折叠设计;在本技术的再一些实施例中,显示屏1304可以是柔性显示屏,设置在终端1300的弯曲表面上或折叠面上。甚至,显示屏1304还可以设置成非矩形的不规则图形,也即异形屏。显示屏1304可以采用液晶显示屏(liquid crystal display,lcd)、有机发光二极管(organic light-emitting diode,oled)等材质制备。
101.摄像头1305用于采集图像或视频。可选地,摄像头1305包括前置摄像头和后置摄
像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及虚拟现实(virtual reality,vr)拍摄功能或者其它融合拍摄功能。在本技术的一些实施例中,摄像头1305还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
102.音频电路1306可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器1301进行处理。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端1300的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。
103.电源1307用于为终端1300中的各个组件进行供电。电源1307可以是交流电、直流电、一次性电池或可充电电池。当电源1307包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
104.本技术实施例中示出的终端结构框图并不构成对终端1300的限定,终端1300可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
105.本技术实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述任一实施例方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、dvd、cd-rom、微型驱动器以及磁光盘、rom、ram、eprom、eeprom、dram、vram、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器ic),或适合于存储指令和/或数据的任何类型的媒介或设备。
106.在本技术中,术语“第一”、“第二”等仅用于描述的目的,而不能理解为指示或暗示相对重要性或顺序;术语“多个”则指两个或两个以上,除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;“相连”可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本技术中的具体含义。
107.本技术的描述中,需要理解的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本技术和简化描述,而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作,因此,不能理解为对本技术的限制。
108.以上所述,仅为本技术的具体实施方式,但本技术的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本技术揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本技术的保护范围之内。因此,依本技术权利要求所作的等同变化,仍属本技术所涵盖的范围。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1