一种基于图像特征和GPS定位的城市建筑物识别方法技术

一种基于图像特征和GPS定位的城市建筑物识别方法，首先，智能设备系统开始初始化，图像预处理模块处理图像，并将位置信息储存至数据库，同时将图像信息传递至建筑物特征提取模块，对图像进行纹理和颜色特征提取并融合，通过计算机训练降维与分类模块中的极限学习机，然后，通过获取位置信息模块与降维与分类模块识别目标城市建筑物；使用户在导航结束后，能快速找到目标建筑物，解决了导航软件导航结束后，用户从小范围的建筑物群进入目标建筑物这一段距离的导航问题，提高办事效率，有效解决了现代化大都市出行难的问题。

A Method of Urban Building Recognition Based on Image Feature and GPS Positioning

【技术实现步骤摘要】
一种基于图像特征和GPS定位的城市建筑物识别方法
本专利技术涉及计算机视觉识别
，特别是涉及一种基于图像特征和GPS定位的城市建筑物识别方法。
技术介绍
用户想要到达陌生的目的地，其采用传统的导航方法就可以到达。但在城市里，用户到达目标建筑物附近后，导航就结束了，在小范围的建筑物群内，用户需要再次寻找目标建筑物，在高楼林立的市区和建筑物没有明显标志的情况下，用户较难辨别自己的目标建筑物，这种情况下，用户需要浪费很长的时间和精力去寻找目标建筑物，因此，会严重影响办事效率，有时由于时间超时，甚至带来很大的经济损失。目前，还没有一种比较简洁的方法，能够指引用户方便、快捷到达目标建筑物。
技术实现思路
本专利技术针对导航结束后，在小范围的建筑物群内，用户无法方便、快捷寻找到目标建筑物问题，构思了使用移动设备拍摄建筑物图像提取纹理和颜色特征，使用自编码器降维和极限学习机，识别出建筑物的名称，再通过GPS定位信息对识别结果进行确认识别过程，创造性提出了一种基于图像特征和GPS定位的城市建筑物识别方法，使用户在导航结束后，能快速找到目标建筑物，解决了导航软件导航结束后，用户从小范围的建筑物群进入目标建筑物这一段距离的导航问题。本专利技术采用的技术方案是：一种基于图像特征和GPS定位的城市建筑物识别方法，其特征是，它包括以下步骤：(1)系统参数初始化的过程：(1.1)使用智能设备获取城市建筑物中各建筑物的彩色图像，并将其导入智能设备中城市建筑物识别系统，对每一张输入该系统的彩色图像，按照w×h的固定尺寸进行图像缩放，缩放过程为：(1.1.1)城市建筑物识别系统接收到一个尺寸为m×n的彩色图像；(1.1.2)将每张图像的列缩小m/w倍，行缩小n/h倍，生成的w×h的彩色图像，将其传递给数据库模块中的数据库存储；(1.2)使用具有GPS功能的智能设备进行相应建筑物地理位置搜集，其经度和维度分别用度、分、秒的形式进行保存，与步骤(1.1)中采集的对应城市建筑物图像相结合，共同定义建筑物名称，将其放到数据库中存储，并传递给建筑物特征提取模块；(1.3)在建筑物特征提取模块中，将建筑物彩色样本图像统一尺寸为160×120，分别进行以下处理：(1.3.1)对每一张样本图像P，提取该图像P所含有的纹理特征，其过程为：(1.3.1.1)在存储系统中的彩色图像P水平和垂直方向上，分别使用[-1，0，1]和[-1，0，1]T两个梯度算子进行卷积操作，得到图像P在R、G、B三个通道上的水平和垂直方向上的梯度分量，用gradscalx表示R、G、B三个通道上的水平梯度分量，用gradscaly表示R、G、B三个通道上的垂直梯度分量；(1.3.1.2)根据彩色图像P的R、G、B三个通道水平和垂直梯度值，计算图像P中每个像素点(x，y)处梯度的幅值和方向，计算过程如下：由于输入图像P是三维彩色图像，因此需要对图像P的R、G、B三个通道共同计算，分别得到R、G、B三个通道上的梯度值，即一个三维矩阵，用maxgrad表示，然后从maxgrad中选出每一点上的R、G、B三个分量中梯度幅度最大的幅度值，组成的一个梯度值矩阵，maxgrad的计算方式如下：通过从maxgrad中选出每一点上的R、G、B三个分量中梯度幅度最大的幅度值，得到了一个彩色图像的梯度值矩阵，该矩阵是一个二维矩阵，矩阵中的每个点代表图像中该点的梯度幅值，梯度的方向需要通过二维的水平和垂直方向上的梯度分量计算得到，因此首先对三维水平和垂直梯度分量进行R、G、B三通道最大值筛选，计算出二维的水平梯度分量Gx和垂直梯度分量Gy，计算过程需要一个单层循环完成：forn＝1，2，3％每个点的RGB分量分别求梯度并取三者最大的值end通过上述操作得到的图像P的二维水平方向上的梯度分量Gx和垂直方向上的梯度分量Gy，计算出P中每个像素处的梯度角度θ：(1.3.1.3)根据图像P的长度和宽度，设置均匀分布于整个图像P的多个采样点，在每个采样点p处都会统计一个关于全局的梯度直方图特征向量，近邻敏感梯度方向直方图特征向量Hp计算如下：其中，m和n分别是图像的宽度和高度，通过q对图像P中的所有像素点进行遍历，α是敏感参数，θq表示像素点q所在位置的梯度角，Vb(θq，b)的计算公式如下：其中，|Gq|代表像素点q处计算的梯度的模，通过判断像素点q处的梯度角是否落在binb中，如果落在binb中，则将像素点q处的梯度的模累乘以α后累加到binb上，公式采用敏感参数α来控制像素q对Hp贡献度的大小，根据像素点与采样点之间距离的远近设置相应的权值，距离越远，对该点的贡献越小，权值也越小，通过这种方式，对每个采样点提取近邻敏感梯度方向直方图纹理特征，将多个采样点出的近邻敏感梯度方向直方图进行组合，共同组成图像P的纹理特征向量。(1.3.2)对每一张样本图像P，提取该图像P所含有的颜色特征，其过程为：(1.3.2.1)将彩色图像P进行颜色量化，量化到更少的颜色空间，首先，将像素点q(r，g，b)中的R、G、B三个分量的像素值转化成8位二进制数，然后根据三个分量设置的量化数量R_BITS、G_BITS、B_BITS进行右移，右移的二进制个数分别为(8-R_BITS、8-G_BITS、8-B_BITS)，量化颜色的过程如下：R1＝bitshift(R，-(8-R_BITS))；G1＝bitshift(G，-(8-G_BITS))；B1＝bitshift(B，-(8-B_BITS))；I＝R1+G1*2R_BITs+B1*2R_BITS*2G_BITS；使用(R1，G1，B1)表示转换后的十进制数，此时(r，g，b)像素点的三个分量取值范围从0～255的256个颜色，量化成新像素点(r1，g1，b1)的三个分量取值范围为0～2R1-1的2R1个颜色；然后通过公式I＝R1+G1*2R_BITS+B1*2R——ITS*2C_BITS将彩色图像P的像素值成功量化成新像素值I，最终将256个颜色量化为(C1，C2，...，Cn)共n个颜色的颜色空间；(1.3.2.2)由于使用的是颜色自相关图提取图像的颜色特征，颜色自相关图只考虑同一图像中相同颜色之间的空间分布关系，因此只需要对量化后的颜色进行数量统计。假设图像为P(x，y)，x、y为图像坐标，含有n个量化后的颜色(C1，C2，...，Cn)，取距离为d统计颜色自相关图的颜色对数量，做成统计直方图，直方图中的每个bin的大小都是在满足以下公式时进行计算。bin(Ci，Cj)＝∑x，y{||I(x，y，Ci)-I(x，y，Cj)||＝d}其中，||*||表示像素值为Ci，Cj的两个像素的空间距离，图像自相关图中的Ci＝Cj，在整个图像P中统计距离为d的像素对个数。(1.3.2.3)图像自相关图的本质是距离为d的像素对中每个颜色对所占有的概率，将步骤(1.3.2.2)中获得的相同颜色对的数量除以所有距离为d的像素对，获得最终的图像P自相关图的概率；(1.3.3)从图像P中提取出近邻敏感梯度方向直方图和颜色自相关图后，通过特征级融合的方式进行特征融合，其过程为：提取的近邻敏感梯度方向直方图的特征向量为(x1，x2，...，xn)，提取的颜色自相关图的特征向量为(y1，y2，...，本文档来自技高网...

【技术保护点】
1.一种基于图像特征和GPS定位的城市建筑物识别方法，其特征是，它包括以下步骤：(1)系统参数初始化的过程：(1.1)使用智能设备获取城市建筑物中各建筑物的彩色图像，并将其导入智能设备中城市建筑物识别系统，对每一张输入该系统的彩色图像，按照w×h的固定尺寸进行图像缩放，缩放过程为：(1.1.1)城市建筑物识别系统接收到一个尺寸为m×n的彩色图像；(1.1.2)将每张图像的列缩小m/w倍，行缩小n/h倍，生成的w×h的彩色图像，将其传递给数据库模块中的数据库存储；(1.2)使用具有GPS功能的智能设备进行相应建筑物地理位置搜集，其经度和维度分别用度、分、秒的形式进行保存，与步骤(1.1)中采集的对应城市建筑物图像相结合，共同定义建筑物名称，将其放到数据库中存储，并传递给建筑物特征提取模块；(1.3)在建筑物特征提取模块中，将建筑物彩色样本图像统一尺寸为160×120，分别进行以下处理：(1.3.1)对每一张样本图像P，提取该图像P所含有的纹理特征，其过程为：(1.3.1.1)在存储系统中的彩色图像P水平和垂直方向上，分别使用[‑1，0，1]和[‑1，0，1]

【技术特征摘要】
1.一种基于图像特征和GPS定位的城市建筑物识别方法，其特征是，它包括以下步骤：(1)系统参数初始化的过程：(1.1)使用智能设备获取城市建筑物中各建筑物的彩色图像，并将其导入智能设备中城市建筑物识别系统，对每一张输入该系统的彩色图像，按照w×h的固定尺寸进行图像缩放，缩放过程为：(1.1.1)城市建筑物识别系统接收到一个尺寸为m×n的彩色图像；(1.1.2)将每张图像的列缩小m/w倍，行缩小n/h倍，生成的w×h的彩色图像，将其传递给数据库模块中的数据库存储；(1.2)使用具有GPS功能的智能设备进行相应建筑物地理位置搜集，其经度和维度分别用度、分、秒的形式进行保存，与步骤(1.1)中采集的对应城市建筑物图像相结合，共同定义建筑物名称，将其放到数据库中存储，并传递给建筑物特征提取模块；(1.3)在建筑物特征提取模块中，将建筑物彩色样本图像统一尺寸为160×120，分别进行以下处理：(1.3.1)对每一张样本图像P，提取该图像P所含有的纹理特征，其过程为：(1.3.1.1)在存储系统中的彩色图像P水平和垂直方向上，分别使用[-1，0，1]和[-1，0，1]T两个梯度算子进行卷积操作，得到图像P在R、G、B三个通道上的水平和垂直方向上的梯度分量，用gradscalx表示R、G、B三个通道上的水平梯度分量，用gradscaly表示R、G、B三个通道上的垂直梯度分量；(1.3.1.2)根据彩色图像P的R、G、B三个通道水平和垂直梯度值，计算图像P中每个像素点(x，y)处梯度的幅值和方向，计算过程如下：由于输入图像P是三维彩色图像，因此需要对图像P的R、G、B三个通道共同计算，分别得到R、G、B三个通道上的梯度值，即一个三维矩阵，用maxgrad表示，然后从maxgrad中选出每一点上的R、G、B三个分量中梯度幅度最大的幅度值，组成的一个梯度值矩阵，maxgrad的计算方式如下：通过从maxgrad中选出每一点上的R、G、B三个分量中梯度幅度最大的幅度值，得到了一个彩色图像的梯度值矩阵，该矩阵是一个二维矩阵，矩阵中的每个点代表图像中该点的梯度幅值，梯度的方向需要通过二维的水平和垂直方向上的梯度分量计算得到，因此首先对三维水平和垂直梯度分量进行R、G、B三通道最大值筛选，计算出二维的水平梯度分量Gx和垂直梯度分量Gy，计算过程需要一个单层循环完成：forn＝1，2，3％每个点的RGB分量分别求梯度并取三者最大的值end通过上述操作得到的图像P的二维水平方向上的梯度分量Gx和垂直方向上的梯度分量Gy，计算出P中每个像素处的梯度角度θ：(1.3.1.3)根据图像P的长度和宽度，设置均匀分布于整个图像P的多个采样点，在每个采样点p处都会统计一个关于全局的梯度直方图特征向量，近邻敏感梯度方向直方图特征向量Hp计算如下：其中，m和n分别是图像的宽度和高度，通过q对图像P中的所有像素点进行遍历，α是敏感参数，θq表示像素点q所在位置的梯度角，Vb(θq，b)的计算公式如下：其中，|Gq|代表像素点q处计算的梯度的模，通过判断像素点q处的梯度角是否落在binb中，如果落在bin厶中，则将像素点q处的梯度的模累乘以α后累加到binb上，公式采用敏感参数α来控制像素q对Hp贡献度的大小，根据像素点与采样点之间距离的远近设置相应的权值，距离越远，对该点的贡献越小，权值也越小，通过这种方式，对每个采样点提取近邻敏感梯度方向直方图纹理特征，将多个采样点出的近邻敏感梯度方向直方图进行组合，共同组成图像P的纹理特征向量；(1.3.2)对每一张样本图像P，提取该图像P所含有的颜色特征，其过程为：(1.3.2.1)将彩色图像P进行颜色量化，量化到更少的颜色空间，首先，将像素点q(r，g，b)中的R、G、B三个分量的像素值转化成8位二进制数，然后根据三个分量设置的量化数量R_BITS、G_BITS、B_BITS进行右移，右移的二进制个数分别为(8-R_BITS、8-G_BITS、8-B_BITS)，量化颜色的过程如下：R1＝bitshift(R，-(8-R_BITS))；G1＝bitshift(G，-(8-G_BITS))；B1＝bitshift(B，-(8-B_BITS))；I＝R1+G1*2R_BITS+B1*2R_BITS*2G-BITS；使用(R1，G1，B1)表示转换后的十进制数，此时(r，g，b)像素点的三个分量取值范围从0～255的256个颜色，量化成新像素点(r1，g1，b1)的三个分量取值范围为0～2R1-1的2R1个颜色；然后通过公式I＝R1+G1*2R_BITS+B1*2R_BITS*2G_BITS将彩色图像P的像素值成功量化成新像素值I，最终将256个颜色量化为(C1，C2，...，Cn)共n个颜色的颜色空间；(1.3.2.2)由于使用的是颜色自相关图提取图像的颜色特征，颜色自相关图只考虑同一图像中相同颜色之间的空间分布关系，因此只需要对量化后的颜色进行数量统计。假设图像为P(x，y)，x、y为图像坐标，含有n个量化后的颜色(C1，C2，...，Cn)，取距离为d统计颜色自相关图的颜色对数量，做成统计直方图，直方图中的每个bin的大小都是在满足以下公式时进行计算。bin(Ci，Cj)＝∑x，y{||I(x，y，Ci)-I(x，y，Cj)||＝d}其中，||*||表示像素值为Ci，Cj的两个像素的空间距离，图像自相关图中的Ci＝Cj，在整个图像P中统计距离为d的像素对个数。(1.3.2.3)图像自相关图的本质是距离为d的像素对中每个颜色对所占有的概率，将步骤(1.3.2.2)中获得的相同颜色对的数量除以所有距离为d的像素对，获得最终的图像P自相关图的概率；(1.3.3)从图像P中提取出近邻敏感梯度方向直方图和颜色自相关图后，通过特征级融合的方式进行特征融合，其过程为：提取的近邻敏感梯度方向直方图的特征向量为(x1，x2，...，xn)，提取的颜色自相关图的特征向量为(y1，y2，...，ym)，两个特征向量通过特征级融合的方式进行组合，组合后的特征向量(x1，x2，...，xn，y1，y2，...，ym)作为图像P的特征，将两个特征向量通过特征级融合的方式拼接成一个代表图像P的特征向量，将该特征向量传递给降维和分类模块；(1.4)在计算机上完成降维和分类模块的初始化过程，在初始化的过程中，接收到从建筑物特征提取模块传递来的融合特征(x1，x2，...，xn，y1，y2，...，ym)，然后进行如下操作：(1.4.1)将高维的特征向量压缩成低维的特征向量，训练一个具有降维效果欠完备自编码器，通过编码器和解码器的共同协作，以尽量实现输出对输入的复现，使用这些特征对自编码器网络进行训练，并通过训练好的自编码器对这些特征进行降维处理，其过程为：(1.4.1.1)初始化一个单层的欠完备自编...

【专利技术属性】
技术研发人员：李斌，孙福强，张永涵，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：吉林,22