(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211225438.0 (22)申请日 2022.10.09 (71)申请人 兰州市勘察测绘研究院 地址 730000 甘肃省兰州市城关区通渭路 127号 (72)发明人 王勇军　张剑峰　王鹏　薛道义　 梁晓鹤　张勇　李其顺　雒建艳　 康永泰　曾成强　张清彦　 (74)专利代理 机构 南通市集优专利代理事务所 (普通合伙) 32651 专利代理师 褚淑杰 (51)Int.Cl. G06T 17/10(2006.01) G06T 17/05(2011.01) G06F 30/13(2020.01)G06F 111/20(2020.01) (54)发明名称 一种实景三维城市中门牌号自动赋值的方 法 (57)摘要 本发明公开了一种实景三维城市中门牌号 自动赋值的方法， 该方法包括以下步骤： S1、 通过 移动终端获取建筑的近景照片、 远景照片及位置 信息； S2、 利用基于深度学习的门牌号识别模型 提取所述近景照片中门牌号； S3、 将所述位置信 息与三维城市模 型进行匹配， 确定对应的目标建 筑； S4、 将所述目标建筑的外立面图像与所述远 景照片进行纹理匹配； S5、 根据匹配结果确认是 否将所述门牌号对所述目标建筑自动赋值。 通过 构建基于智能移动终端的门牌号采集系统， 可在 对门牌号拍照时， 自动记录拍照地点的位置信 息， 实现一键、 批量、 自动完成门牌号字符识别， 并对识别的门牌号进行了二次校验， 保证了识别 的门牌号的可靠性， 实现自动赋值。 权利要求书3页 说明书9页 附图1页 CN 115482348 A 2022.12.16 CN 115482348 A 1.一种实景三维城市中门牌 号自动赋值的方法， 其特 征在于， 该 方法包括以下步骤： S1、 通过移动终端获取建筑的近景照片、 远景照片及位置信息， 其中将计次器T设置为 0； 步骤S1包括如下子步骤： S11、 使用移动终端在建筑正前方拍摄仅含有 单个门牌号的近景 照片； S12、 获取并保存所述近景照片拍摄位置的经纬度； S13、 获取并保存所述近景照片拍摄时的朝向， 记作真方位角； S14、 拍摄最大程度覆盖所述建筑外立 面的远景照片； 其中， 所述 位置信息包括经纬度与真方位角； S2、 利用基于深度学习的门牌 号识别模型提取 所述近景照片中门牌 号； S3、 将所述 位置信息与三维城市模型进行匹配， 确定对应的目标建筑； S4、 将所述目标建筑的外立面 图像与所述远景照片进行纹理匹配； 步骤S4包括以下步 骤： S41、 获取三维城市模型中所述目标建筑的外立 面图像； S42、 将所述外立面图像与所述远景图像均进行灰度处理， 并统一两者的灰度级与图像 尺寸， 分别得到 外立面灰度图像与远景 灰度图像； S43、 利用离散傅里叶变换将所述外立面灰度图像与所述远景灰度图像均分解为频域 组件； S44、 分别计算所述外立面灰度图像与所述远景灰度图像的灰度共生矩阵， 并计算两者 各自的特 征值； 其中， 步骤S4 4包括如下子步骤： S441、 所述外立面灰度图像与所述远景灰度图像的频域组件包括若干频谱图， 每个所 述频谱图均选取四个方向构建共生矩阵； S442、 分别计算每 个所述频谱图内每 个共生矩阵的纹 理参数； S443、 计算所有所述频谱图同一方向、 同一纹理参数的平均值代表所述频谱组件四个 方向的灰度共生矩阵， 并作为所述外立 面灰度图像与所述远景 灰度图像两者的特 征值； S45、 利用欧式距离计算所述外立面灰度图像的特征值与所述远景灰度图像的特征值 之间的相似度； S46、 将所述外立面灰度图像与所述远景灰度图像之间的相似度值与预设阈值进行对 比得到纹 理匹配结果； S5、 根据匹配结果确认是否将所述门牌号对所述目标建筑自动赋值， 其中包括以下步 骤： S51、 若匹配成功， 且将所述门牌号与所述目标建筑周边的建筑的门牌号进行标准校 验， 当校验成功后， 则将所述门牌号自动添加至所述 目标建筑属性列表； 若校验不成功， 则 将人工进 行检查并核实最 终的门牌号， 并将核实后的门牌号自动添加至所述目标建筑属性 列表； S52、 若匹配失败， 计次器T=T+1， 当T<3时， 返 回步骤S2； 当T=3时， 则通过人工进行检查， 手动进行门牌 号赋值， 并将所述门牌 号自动添加至所述目标建筑属性列表。 2.根据权利要求1所述的一种实景三维城市中门牌号自动赋值的方法， 其特征在于， 所 述利用基于深度学习的门牌 号识别模型提取 所述近景照片中门牌 号， 包括以下步骤： S21、 利用Haar级联分类器检测、 定位与提取出所述近景照片中门牌的位置， 并将所述权　利　要　求　书 1/3 页 2 CN 115482348 A 2近景照片裁 剪为门牌图像； S22、 对所述门牌图像进行 预处理得到高清的字符图像； S23、 将所述字符图像输入训练完成后的基于深度学习的门牌号识别模型中进行识别 与提取， 并输出字符格式的门牌 号。 3.根据权利要求2所述的一种实景三维城市中门牌号自动赋值的方法， 其特征在于， 所 述对所述门牌图像进行 预处理得到高清的字符图像， 包括以下步骤： S221、 将所述门牌图像进行 灰度处理得到灰度图像； S222、 利用均值自适应的二 值分割法对所述灰度图像进行阈值 化处理； S223、 将阈值 化处理后的所述灰度图像进行图像腐蚀， 去除图像中门牌的边框； S224、 将腐蚀后的所述灰度图像进行膨胀处 理， 得到字符图像。 4.根据权利要求3所述的一种实景三维城市中门牌号自动赋值的方法， 其特征在于， 所 述将所述 位置信息与三维城市模型进行匹配， 确定对应的目标建筑， 包括以下步骤： S31、 将所述经纬度的数值 转换为三维城市模型的坐标 数据； S32、 将所述真方位角转换为所述 三维城市模型坐标的北 方位角； S33、 以所述坐标数据为起点， 以所述北方位角为方向， 在所述三维城市模型中， 基于空 间相对位置关系搜索第一个相交的单体建筑， 作为目标建筑。 5.根据权利要求1所述的一种实景三维城市中门牌号自动赋值的方法， 其特征在于， 所 述分别计算每 个所述频谱图内每 个共生矩阵的纹 理参数， 包括以下步骤： S4421、 计算频谱图内单个方向共生矩阵的主对角线惯性矩， 公式为： 式中， 表示主对角线惯性矩； h、k分别表示共生矩阵M （ h，k） 的坐标值； 表示位于 （h，k） 的元素值； S4422、 计算频谱图内单个方向共生矩阵的角二阶矩， 公式为： 式中， 表示角二阶矩； S4423、 计算频谱图内单个方向共生矩阵的熵， 公式为： 式中， 表示熵； S4424、 计算频谱图内单个方向共生矩阵的相关性， 公式为： 式中， 表示相关性； 、 分别表示 、 的均值； 、 分别表示 、 的标准差；权　利　要　求　书 2/3 页 3 CN 115482348 A 3