(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210881111.2 (22)申请日 2022.07.26 (65)同一申请的已公布的文献号 申请公布号 CN 114943770 A (43)申请公布日 2022.08.26 (73)专利权人 江苏菲尔浦 物联网有限公司 地址 226200 江苏省南 通市启东市汇龙镇 华石路58 8号 (72)发明人 黄静　程荷娟　薛强　李金伟　 何鹏　 (74)专利代理 机构 杭州聚邦知识产权代理有限 公司 33269 专利代理师 周美锋 (51)Int.Cl. G06T 7/73(2017.01)G06T 7/11(2017.01) G06T 7/136(2017.01) G06T 7/187(2017.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (56)对比文件 US 201407838 8 A1,2014.0 3.20 CN 110276240 A,2019.09.24 审查员 叶旭庆 (54)发明名称 一种基于人工智能与建筑物信息的视觉定 位方法及系统 (57)摘要 本发明涉及人工智能技术领域， 具体涉及一 种基于人工智能与建筑物信息的视觉定位方法 及系统。 该方法通过多个全局阈值对环境图像中 的正视建筑物图像进分割， 获得多个第一阈值分 割图像。 根据第一阈值分割图像获得窗户连通 域， 根据窗户连通域构建倾角矩阵， 根据倾角 矩 阵中窗户连通域中心点间的横向倾角和纵向倾 角重新调整窗户连通域分布获得阵列形式， 通过 阵列形式的阵列度筛选出最优阈值分割图像。 通 过最优阈值分割图像中的阵列形式和窗户连通 域的大小获得窗户的分布特征， 根据分布特征获 得当前环 境位置。 本发明通过信息丰富的最优阈 值分割图像中的信息准确获得分布特征， 根据分 布特征可以快速简单的获得当前环境 位置。 权利要求书2页 说明书7页 附图3页 CN 114943770 B 2022.10.04 CN 114943770 B 1.一种基于人工智能与建筑物信息的视 觉定位方法， 其特 征在于， 所述方法包括： 获得环境图像； 提取所述环境图像中的正视程度最大的正视建筑物图像； 通过多个全 局阈值分割所述 正视建筑物图像， 获得多个第一阈值分割图像； 根据所述第 一阈值分割图像获得窗户连通域； 根据 所述窗户连通域的中心点构建倾角 矩阵； 所述倾角矩阵中每个元素为窗户连通域中心点间连线的角度； 根据所述倾角矩阵获 得所述窗户连通域中心 点间的横向倾角和纵向倾角； 根据所述横向倾角和纵向倾角重新调 整所述窗户连通域中心点的分布， 获得所述窗户连通域的阵列形式； 获得所述阵列形式的 阵列度； 以所述阵列度最大的所述阵列形式对应的所述第一阈值分割图像作为最优阈值分 割图像； 通过所述最优阈值分割图像中的所述阵列形式和所述窗户连通域的大小获得窗户的 分布特征； 根据所述分布特 征获得当前环境 位置。 2.根据权利要求1所述的一种基于人工智能与建筑物信息的视觉定位方法， 其特征在 于， 所述提取所述环境图像中的正视程度最大的正视建筑物图像包括： 将所述环境图像输入至预 先训练好的实例分割网络中， 输出多张建筑物图像； 将所述建筑物图像送入预先训练好的正视程度判别网络中， 输出每张所述建筑物图像 的正视程度， 获得 所述正视程度最大的所述建筑物图像作为所述 正视建筑物图像。 3.根据权利要求1所述的一种基于人工智能与建筑物信息的视觉定位方法， 其特征在 于， 所述根据所述第一阈值分割图像获得窗户连通 域包括： 获得所述第 一阈值分割图像中每列像素值之和， 将小于预设像素值阈值的所述像素值 之和设置为零； 根据所述像素值之和构建列像素和曲线； 所述列像素和曲线横坐标为列， 纵 坐标为每列对应的所述像素值之和； 根据所述列像素和曲线极值位置获得包含一列窗户的 窗户区域； 获得每 个所述窗户区域内的所述窗户连通 域。 4.根据权利要求3所述的一种基于人工智能与建筑物信息的视觉定位方法， 其特征在 于， 所述获得每 个所述窗户区域内的所述窗户连通 域还包括： 以每列最接近矩形的所述窗户连通域尺寸作为对应所述窗户连通域的滑窗尺寸构建 滑窗； 根据所述滑 窗内各位置与所述滑 窗中心点的距离设置位置权重， 所述距离越大则所 述位置权重越大； 根据所述滑窗处理所述 窗户连通域； 当所述滑窗内所述位置权重的均值大于预设权重 阈值时， 将所述滑窗内像素点的像素值设置为1； 否则设置为0 。 5.根据权利要求1所述的一种基于人工智能与建筑物信息的视觉定位方法， 其特征在 于， 所述根据所述 倾角矩阵获得 所述窗户连通 域中心点间的横向倾角和纵向倾角包括： 统计所述倾角矩阵内的元素值， 获得水平类直线和垂直类直线； 对所述水平类直线和 所述垂直类直线的所述角度进行聚类； 根据所述水平类直线的聚类中心获得所述横向倾角； 根据 所述垂直类直线的聚类中心 获得所述纵向倾角。 6.根据权利要求1所述的一种基于人工智能与建筑物信息的视觉定位方法， 其特征在 于， 所述根据所述横向倾角和纵向倾角重新调整所述窗户连通域中心点的分布， 获得所述 窗户连通 域的阵列形式包括： 以所述纵向倾角所在的纵向直线拟合每列 所述窗户连通域中心点； 以所述窗户连通域权　利　要　求　书 1/2 页 2 CN 114943770 B 2中心点与所述纵向直线的离心距离最小的所述纵向直线作为所述阵列形式的列直线； 将所 述窗户连通域中心点与所述列直线的距离小于距离阈值的所述窗户连通域中心点横向移 动至所述列直线上； 以所述横向倾角所在的横向直线拟合每行所述窗户连通域中心点； 以所述窗户连通域 中心点与所述横向直线的离心距离最小的所述横向直线作为所述阵列形式的行直线； 在所 述列直线的基础上， 将所述窗户连通域中心 点与所述行直线的距离小于距离阈值的所述窗 户连通域中心点纵向移动至所述行直线上， 获得 所述阵列形式。 7.根据权利要求6所述的一种基于人工智能与建筑物信息的视觉定位方法， 其特征在 于， 所述根据所述阵列形式获得 所述窗户连通 域的阵列度包括： 将所述列直线的数量和所述行直线的数量相乘， 获得 所述阵列形式的交点数量； 以所述阵列形式上的所述窗户连通域中心点数量与所述交点数量的比值作为所述阵 列度。 8.根据权利要求6所述的一种基于人工智能与建筑物信息的视觉定位方法， 其特征在 于， 所述以所述阵列度最大的所述阵列形式对应的所述第一阈值分割图像作为最优阈值分 割图像后还 包括： 以不在所述阵列形式上的所述 窗户连通域中心点作为附加点； 基于所述纵向倾角拟合 所述附加点， 获得附加列； 将所述附加列添加至所述阵列形式 中， 获得完整阵列形式。 9.根据权利要求8所述的一种基于人工智能与建筑物信息的视觉定位方法， 其特征在 于， 所述通过所述最优阈值分割图像中的所述阵列形式获得窗户的分布特 征包括： 以所述完整阵列形式中包含所述窗户连通域中心点最多的行作为参考行； 获得所述参 考行中每个所述窗户连通域中心 点之间的横向间隔和纵向间隔； 获得所述参考行中对应的 所述窗户连通域的长宽比； 根据所述横向间隔、 所述纵向间隔和所述长宽比获得所述分布 特征。 10.一种基于人工智能与建筑物信 息的视觉定位系统， 包括存储器、 处理器以及存储在 所述存储器中并可在所述处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述 计算机程序时实现如权利要求1~9任意一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114943770 B 3