一种基于多特征图融合的建筑立面窗户检测系统技术方案

本发明专利技术公开了一种基于多特征图融合的建筑立面窗户检测系统，包括：特征图提取模块，用于依据输入的彩色建筑立面图像提取描述窗户顶点特征的关键点概率图、描述窗户顶点标签信息的关键点标签图、描述窗户中心点特征的中心点概率图；窗户生成模块，用于根据所述关键点概率图和所述关键点标签图对属于同一窗户的关键点进行聚类，依据属于同类的关键点生成多边形作为初步窗户检测结果；中心点验证模块，用于依据所述中心点概率图对所述初步窗户检测结果进行验证，以滤除掉不正确的初步窗户检测结果。该建筑立面窗户检测系统极大地提升了窗户检测的效果与鲁棒性。

A window detection system for building facade based on multi feature map fusion

【技术实现步骤摘要】
一种基于多特征图融合的建筑立面窗户检测系统
本专利技术属于建筑立面分析领域，具体涉及一种基于多特征图融合的建筑立面窗户检测系统。
技术介绍
近年来，建设智慧城市已经成为我国的重要发展方向之一。智慧城市集成城市的组成系统和服务来提升资源运用的效率，优化城市管理和服务，以及改善市民生活质量。当前，智慧城市的建设是信息技术、城市规划等领域的热点问题。在建设智慧城市的过程中，基于图像重建大规模三维虚拟城市是不可或缺的一环，在智能导航、交通管理、城市规划等方面具有广泛的应用前景。建筑立面分析则是三维虚拟城市重建中的核心基础部分，窗户作为建筑立面中最为主要的组成部分之一，高质量的窗户检测结果不仅能简化重建模型，还能使得模型更具有真实感。统计表明，4G移动网络中有超过80％的业务发生在室内。伴随着5G业务种类的持续增加、行业边界的不断扩展，业界预测未来更多的移动业务将发生在室内。由于5G业务对超大频谱带宽的要求，5G网络通常部署在C-Band和毫米波频段。然而5G室外基站的高频信号在穿透建筑外墙覆盖室内场景时，将会遇到极大的链路损耗，使得室外覆盖室内本文档来自技高网...

【技术保护点】
1.一种基于多特征图融合的建筑立面窗户检测系统，其特征在于，包括：/n特征图提取模块，用于依据输入的彩色建筑立面图像提取描述窗户顶点特征的关键点概率图、描述窗户顶点标签信息的关键点标签图、描述窗户中心点特征的中心点概率图；/n窗户生成模块，用于根据所述关键点概率图和所述关键点标签图对属于同一窗户的关键点进行聚类，依据属于同类的关键点生成多边形作为初步窗户检测结果；/n中心点验证模块，用于依据所述中心点概率图对所述初步窗户检测结果进行验证，以滤除掉不正确的初步窗户检测结果。/n

【技术特征摘要】
1.一种基于多特征图融合的建筑立面窗户检测系统，其特征在于，包括：
特征图提取模块，用于依据输入的彩色建筑立面图像提取描述窗户顶点特征的关键点概率图、描述窗户顶点标签信息的关键点标签图、描述窗户中心点特征的中心点概率图；
窗户生成模块，用于根据所述关键点概率图和所述关键点标签图对属于同一窗户的关键点进行聚类，依据属于同类的关键点生成多边形作为初步窗户检测结果；
中心点验证模块，用于依据所述中心点概率图对所述初步窗户检测结果进行验证，以滤除掉不正确的初步窗户检测结果。


2.如权利要求1所述的基于多特征图融合的建筑立面窗户检测系统，其特征在于，所述特征图提取模块采用卷积神经网络提取关键点概率图、关键点标签图以及中心点概率图。


3.如权利要求1所述的基于多特征图融合的建筑立面窗户检测系统，其特征在于，所述关键点标签图训练时，采用的损失函数Losstag为：
Losstag＝α*Losspush+β*Losspull
其中，Losspush为“推”损失函数，Losspull为“拉”损失函数，α与β为控制“推”损失函数与“拉”的损失函数的权重；
“推”损失函数为：



“拉”损失函数为：



其中，为窗户n的参考标签向量，Lk(x)代表在第k张关键点标签图中位置xnk的标签向量，xnk为窗户n的k类关键点的真实标注位置，n∈{1,...,N}，N为窗户总数，w(i,j)为损失函数权重，Δ为期望距离，max()为最大值函数，i、j为窗户的索引，|·|2为L2...

【专利技术属性】
技术研发人员：张宏鑫，李传康，刘嘉信，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33