【技术实现步骤摘要】
本申请涉及图形识别，特别是涉及一种基于卷积神经网络与支持弧的摄影测量编码标志识别方法、系统、终端及计算机可读存储介质。
技术介绍
1、复杂大场景下的精密工程测量需要毫米级精度，常规全站仪、三维激光扫描测量技术虽然能够满足精度需求，但是受到复杂场景通视条件的限制，不能实现大型工程的快速测量。摄影测量具有瞬时成像、分辨率高的特点，是一种高效、高精度的三维测量技术。精密摄影测量通常需要利用人工标志作为精确的特征测量，提高影像匹配精度。但是在室外大规模工程场中，摄影测量人工标志(简称摄影标靶)容易因为距离远、光照变化，造成靶标无法准确识别，导致测量精度受限。光照变化对测量结果的影响是不可控的，弱光照和遮挡直接影响摄影测量的数据质量。距离远近也造成了摄影测量影像的地面分辨率不同，从而影响摄影测量的精度。现有摄影测量标志的识别方法受到复杂场景的光照变化、远距离等测量限制。因此，为了实现复杂大场景下的精密摄影测量，首先需要研究适用于复杂光照和远距离情况的编码标志高精度测量与识别方法。
2、在现有技术中，识别摄影测量编码标志的方法主要分为基...
【技术保护点】
1.一种基于卷积神经网络与支持弧的摄影测量编码标志识别方法，其特征在于，包括：
2.根据权利要求1所述的基于卷积神经网络与支持弧的摄影测量编码标志识别方法，其特征在于，所述获取初始编码标志图像数据集，利用图像增强技术对所述初始编码标志图像数据集进行预处理，得到第一编码标志图像数据集，使用所述第一编码标志图像数据集对卷积神经网络模型进行训练，得到训练好的所述卷积神经网络模型，具体包括：
3.根据权利要求2所述的基于卷积神经网络与支持弧的摄影测量编码标志识别方法，其特征在于，所述图像标准化处理，具体包括：
4.根据权利要求1所述的基于卷...
【技术特征摘要】
1.一种基于卷积神经网络与支持弧的摄影测量编码标志识别方法，其特征在于，包括：
2.根据权利要求1所述的基于卷积神经网络与支持弧的摄影测量编码标志识别方法，其特征在于，所述获取初始编码标志图像数据集，利用图像增强技术对所述初始编码标志图像数据集进行预处理，得到第一编码标志图像数据集，使用所述第一编码标志图像数据集对卷积神经网络模型进行训练，得到训练好的所述卷积神经网络模型，具体包括：
3.根据权利要求2所述的基于卷积神经网络与支持弧的摄影测量编码标志识别方法，其特征在于，所述图像标准化处理，具体包括：
4.根据权利要求1所述的基于卷积神经网络与支持弧的摄影测量编码标志识别方法，其特征在于，所述获取待测目标编码标志图像，对所述待测目标编码标志图像进行灰度化处理，得到编码标志灰度图像，具体包括：
5.根据权利要求1所述的基于卷积神经网络与支持弧的摄影测量编码标志识别方法，其特征在于，所述使用弧支撑线段算法提取所述编码标志范围的椭圆和所述编码标志范围的中心，根据所述椭圆的形状对所述编码标志灰度图像进行仿射变换，根据所述编码标志范围对仿射变换后的所述编码标志灰度图像进行解码，得到解码信息，具体包括：
6.根据权利要求5所述的基于卷积神经网络与支持弧的摄影测量编码标志识别方法，...
【专利技术属性】
技术研发人员：陈智鹏，熊文，梁安邦，周宝定，张德津，李清泉，
申请(专利权)人：深圳大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。