楼层信息获取方法、装置、电子设备及存储介质与流程

1.本技术涉及楼层信息识别技术领域，具体涉及一种楼层信息获取方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.建筑楼层信息是建筑重要的属性之一，对于地图平台，建筑楼层信息可以辅助三维地图渲染；城市规划可以通过建筑楼层分析城市天际线的合理性；而快递物流企业也需要建筑楼层信息判断快递派件难度。
3.但是，现有地图的建筑楼层信息仅存在于部分大城市的中心区域，原因是必须通过实地进入建筑才能够获取建筑准确的楼层信息，数据获取成本较高。


技术实现要素：

4.本技术提供一种楼层信息获取方法、装置、电子设备及计算机可读存储介质，旨在解决建筑楼层信息的获取成本较高的问题。
5.第一方面，本技术提供一种楼层信息获取方法，所述方法包括：
6.获取待检测建筑物的状态图像；
7.对所述状态图像进行深层卷积特征提取，得到所述待检测建筑物的楼层关联特征；
8.根据所述楼层关联特征进行回归预测处理，得到所述待检测建筑物的楼层信息。
9.在本技术一种可能的实现方式中，所述楼层关联特征包括所述待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度中的至少一种信息，所述对所述状态图像进行深层卷积特征提取，得到所述待检测建筑物的楼层关联特征，包括：
10.对所述状态图像进行像素点特征提取，得到所述状态图像的像素点信息；
11.调用预先训练好的楼层预测网络，根据所述像素点信息进行深层卷积特征提取，得到所述待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度中的至少一种信息，其中，所述楼层预测网络包含多个全连接层。
12.在本技术一种可能的实现方式中，所述根据所述楼层关联特征进行回归预测处理，得到所述待检测建筑物的楼层信息，包括：
13.调用所述楼层预测网络，根据所述待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度中的至少一种信息进行回归预测处理，得到所述待检测建筑物的楼层信息。
14.在本技术一种可能的实现方式中，所述对所述状态图像进行深层卷积特征提取，得到所述待检测建筑物的楼层关联特征，之前还包括：
15.获取训练数据集，其中，所述训练数据集包括样本建筑物的样本卫星图像，所述样本卫星图像标注了所述样本建筑物的真实楼层信息；
16.根据所述训练数据集对预设的深层回归网络进行训练，得到所述楼层预测网络。
17.在本技术一种可能的实现方式中，所述根据所述训练数据集对预设的深层回归网络进行训练，得到所述楼层预测网络，包括：
18.调用所述深层回归网络，根据所述样本卫星图像进行深层卷积特征提取，得到所述样本卫星图像的样本特征；并根据所述样本特征进行回归得到所述样本建筑物的楼层预测信息；
19.根据所述真实楼层信息和所述楼层预测信息，确定所述所述深层回归网络的训练损失值；
20.根据所述训练损失值调整所述深层回归网络的模型参数，直至所述深层回归网络收敛，得到所述楼层预测网络。
21.在本技术一种可能的实现方式中，所述获取待检测建筑物的状态图像，之前还包括：
22.获取建筑物数据库，其中，建筑物数据库包括多个建筑物中每个建筑物的卫星图像、以及每个所述建筑物的中心点坐标，所述每个所述建筑物的卫星图像与每个所述建筑物的中心点坐标关联记录；
23.所述获取待检测建筑物的状态图像，包括：
24.获取待检测建筑物的目标中心点坐标；
25.从所述建筑物数据库中，获取与所述目标中心点坐标对应的卫星图像，以作为所述状态图像。
26.在本技术一种可能的实现方式中，所述根据所述楼层关联特征进行回归预测处理，得到所述待检测建筑物的楼层信息，之后还包括：
27.获取所述待检测建筑物的楼块轮廓以及识别标识；
28.根据所述识别标识，将所述楼块轮廓和所述楼层信息进行关联，得到所述待检测建筑物的目标楼块轮廓，其中，所述目标楼块轮廓用于构建地图。
29.第二方面，本技术提供一种楼层信息获取装置，所述楼层信息获取装置包括：
30.获取单元，用于获取待检测建筑物的状态图像；
31.提取单元，用于对所述状态图像进行深层卷积特征提取，得到所述待检测建筑物的楼层关联特征；
32.预测单元，用于根据所述楼层关联特征进行回归预测处理，得到所述待检测建筑物的楼层信息。
33.在本技术一种可能的实现方式中，所述楼层关联特征包括所述待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度中的至少一种信息，所述提取单元具体用于：
34.对所述状态图像进行像素点特征提取，得到所述状态图像的像素点信息；
35.调用预先训练好的楼层预测网络，根据所述像素点信息进行深层卷积特征提取，得到所述待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度中的至少一种信息，其中，所述楼层预测网络包含多个全连接层。
36.在本技术一种可能的实现方式中，所述预测单元具体用于：
37.调用所述楼层预测网络，根据所述待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度中的至少一种信息进行回归预测处理，得到所述待检测建筑
物的楼层信息。
38.在本技术一种可能的实现方式中，所述楼层信息获取装置还包括训练单元，在对所述状态图像进行深层卷积特征提取，得到所述待检测建筑物的楼层关联特征的步骤之前，所述训练单元具体用于：
39.获取训练数据集，其中，所述训练数据集包括样本建筑物的样本卫星图像，所述样本卫星图像标注了所述样本建筑物的真实楼层信息；
40.根据所述训练数据集对预设的深层回归网络进行训练，得到所述楼层预测网络。
41.在本技术一种可能的实现方式中，所述训练单元具体用于：
42.调用所述深层回归网络，根据所述样本卫星图像进行深层卷积特征提取，得到所述样本卫星图像的样本特征；并根据所述样本特征进行回归得到所述样本建筑物的楼层预测信息；
43.根据所述真实楼层信息和所述楼层预测信息，确定所述所述深层回归网络的训练损失值；
44.根据所述训练损失值调整所述深层回归网络的模型参数，直至所述深层回归网络收敛，得到所述楼层预测网络。
45.在本技术一种可能的实现方式中，所述获取单元具体用于：
46.获取建筑物数据库，其中，建筑物数据库包括多个建筑物中每个建筑物的卫星图像、以及每个所述建筑物的中心点坐标，所述每个所述建筑物的卫星图像与每个所述建筑物的中心点坐标关联记录；
47.获取待检测建筑物的目标中心点坐标；
48.从所述建筑物数据库中，获取与所述目标中心点坐标对应的卫星图像，以作为所述状态图像。
49.在本技术一种可能的实现方式中，所述楼层信息获取装置还包括关联单元，在根据所述楼层关联特征进行回归预测处理，得到所述待检测建筑物的楼层信息的步骤之后，所述关联单元具体用于：
50.获取所述待检测建筑物的楼块轮廓以及识别标识；
51.根据所述识别标识，将所述楼块轮廓和所述楼层信息进行关联，得到所述待检测建筑物的目标楼块轮廓，其中，所述目标楼块轮廓用于构建地图。
52.第三方面，本技术还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行本技术提供的任一种楼层信息获取方法中的步骤。
53.第四方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的楼层信息获取方法中的步骤。
54.本技术通过对待检测建筑物的状态图像进行深层卷积特征提取，得到能反映待检测建筑物的楼层信息的楼层关联特征；根据楼层关联特征进行回归预测处理，得到待检测建筑物的楼层信息；由于可以基于图像提取比如建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度等可以反映建筑物的楼层高度的楼层关联特征，因此可以准确地预测出建筑物的楼层信息，避免了由于需要通过实地进入建筑才能够获取建筑物准确的楼层信息，而导致数据获取成本较高的问题。
附图说明
55.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
56.图1是本技术实施例所提供的楼层信息获取系统的场景示意图；
57.图2是本技术实施例提供的楼层信息获取方法的一种流程示意图；
58.图3是本技术实施例中提供的步骤202的一个实施例流程示意图；
59.图4是本技术实施例提供的深层回归网络的功能结构的一个实施例示意图；
60.图5是本技术实施例提供的模型训练和楼层信息预测的流程示意图；
61.图6是是本技术实施例中提供的楼层信息获取装置的一个实施例结构示意图；
62.图7是本技术实施例中提供的电子设备的一个实施例结构示意图。
具体实施方式
63.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
64.在本技术实施例的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
65.为了使本领域任何技术人员能够实现和使用本技术，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本技术。在其它实例中，不会对公知的过程进行详细阐述，以避免不必要的细节使本技术实施例的描述变得晦涩。因此，本技术并非旨在限于所示的实施例，而是与符合本技术实施例所公开的原理和特征的最广范围相一致。
66.本技术实施例楼层信息获取方法的执行主体可以为本技术实施例提供的楼层信息获取装置，或者集成了该楼层信息获取装置的服务器设备、物理主机或者用户设备(user equipment，ue)等不同类型的电子设备，其中，楼层信息获取装置可以采用硬件或者软件的方式实现，ue具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(personal digital assistant，pda)等终端设备。
67.该电子设备可以采用单独运行的工作方式，或者也可以采用设备集群的工作方式，通过应用本技术实施例提供的楼层信息获取方法，可以准确地预测出建筑物的楼层信息，避免了由于需要通过实地进入建筑才能够获取建筑物准确的楼层信息，而导致数据获取成本较高的问题。
68.参见图1，图1是本技术实施例所提供的楼层信息获取系统的场景示意图。其中，该楼层信息获取系统可以包括电子设备100，电子设备100中集成有楼层信息获取装置。例如，该电子设备可以获取待检测建筑物的状态图像；对所述状态图像进行深层卷积特征提取，
得到所述待检测建筑物的楼层关联特征；根据所述楼层关联特征进行回归预测处理，得到所述待检测建筑物的楼层信息。
69.另外，如图1所示，该楼层信息获取系统还可以包括存储器200，用于存储数据，如存储图像数据、视频数据。
70.需要说明的是，图1所示的楼层信息获取系统的场景示意图仅仅是一个示例，本技术实施例描述的楼层信息获取系统以及场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着楼层信息获取系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
71.下面，开始介绍本技术实施例提供的楼层信息获取方法，本技术实施例中以电子设备作为执行主体，为了简化与便于描述，后续方法实施例中将省略该执行主体，该楼层信息获取方法包括：获取待检测建筑物的状态图像；对所述状态图像进行深层卷积特征提取，得到所述待检测建筑物的楼层关联特征；根据所述楼层关联特征进行回归预测处理，得到所述待检测建筑物的楼层信息。
72.参照图2，图2是本技术实施例提供的楼层信息获取方法的一种流程示意图。需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。该楼层信息获取方法包括步骤201～203，其中：
73.201、获取待检测建筑物的状态图像。
74.其中，状态图像是指待检测建筑物的图像。状态图像具体可以是待检测建筑物的全景图、俯拍图、仰拍图等。
75.在一些实施例中，可以通过摄像头航拍的方式拍摄待检测建筑的图像，以作为待检测建筑物的状态图像。此时，具体地，在实际应用中，应用本技术实施例提供的电子设备，在硬件上可直接包括摄像头(该摄像头主要用于航拍待检测建筑物的图像)，并在本地存储该摄像头拍摄得到的图像，可在电子设备内部直接读取；或者，电子设备也可与该摄像头建立网络连接，并根据该网络连接从该摄像头在线获取该摄像头得到的图像；或者，电子设备也可从存储有该摄像头拍摄得到的图像的相关存储介质，读取出该摄像头拍摄得到的图像，具体获取方式在此不做限定。
76.其中，摄像头可根据预设的拍摄方式拍摄图像，例如可设置拍摄高度、拍摄方向或者拍摄距离，其具体拍摄方式可根据摄像头本身进行调节，具体在此不做限定。摄像头拍摄得到的多帧图像，可通过时间线组成视频。
77.在一些实施例中，可以获取待检测建筑物的卫星图作为状态图像。具体地，在所述获取待检测建筑物的状态图像的步骤之前还包括：获取建筑物数据库，其中，建筑物数据库包括多个建筑物中每个建筑物的卫星图像、以及每个所述建筑物的中心点坐标，所述每个所述建筑物的卫星图像与每个所述建筑物的中心点坐标关联记录。
78.例如，可以对第三方平台提供的卫星图像(如google earth公开的亚米级卫星图片数据)按照每个建筑物进行切分，得到每个建筑物的卫星图像。并获取每个建筑物的空间投影(即建筑物垂直投影至地面)的中心点坐标，并将每个建筑物的卫星图像和每个建筑物的空间投影的中心点坐标关联记录，形成建筑物数据库。
79.此时，所述获取待检测建筑物的状态图像的步骤具体可以包括：获取待检测建筑
物的目标中心点坐标；从所述建筑物数据库中，获取与所述目标中心点坐标对应的卫星图像，以作为所述状态图像。
80.其中，目标中心点坐标是指待检测建筑物的空间投影的中心点坐标。
81.具体地，从建筑物数据库中，查找与目标中心点坐标相同的中心点坐标，并获取与该中心点坐标关联记录的卫星图像，以作为待检测建筑物的状态图像。
82.例如，建筑物数据库记录了如表1所示的建筑物的卫星图像。若目标中心点坐标为(10,10)，则可以获取卫星切图1作为待检测建筑物的状态图像。
[0083][0084][0085]
通过中心点坐标与卫星图像关联记录，可以快速查找到每个建筑物对应的卫星图像，并且在后续基于建筑物构建地图时，中心点坐标可以指示建筑物在地图中的位置。
[0086]
202、对所述状态图像进行深层卷积特征提取，得到所述待检测建筑物的楼层关联特征。
[0087]
其中，楼层关联特征是指可以反映楼层高度的信息，比如，地块建筑排布信息、建筑间距、建筑阴影面积、建筑斜面长度等。
[0088]
此处，地块建筑排布信息、建筑间距、建筑阴影面积、建筑斜面长度等仅为楼层关联特征的举例，具体地，步骤202对状态图像进行深层卷积特征提取后所得到的楼层关联特征不以此处为限，楼层关联特征可以比此处举例包括更多或更少的特征。
[0089]
地块建筑排布信息是指在同一感兴趣区域(area of interest，aoi)内的建筑物空间分布信息。通常aoi内部建筑的建筑高度相似或者满足南低北高的采光需求。
[0090]
建筑间距是指待检测建筑和周围建筑之间的空间距离。当不跨越道路时，建筑的高度和其与周围建筑的距离成正比。
[0091]
建筑阴影面积是指卫星影像成像时太阳光斜射造成的建筑阴影在空间坐标系中的面积大小。通过建筑空间坐标、影像成像时间可以反推出太阳高度角，从而计算建筑高度。
[0092]
建筑斜面长度是指卫星影像成像时由于非正射投影导致不在影像光轴位置的地物会随着地物的高度向光轴方向倾斜的长度。由于卫星影像成像时因非正射投影导致不在影像光轴位置的地物会随着地物的高度向光轴方向倾斜，因此通过影像的内方位元素可追溯计算建筑的高度。
[0093]
为了能根据建筑物的图像准确地预测出建筑物的楼层信息，因此需要从图像中提取能反映建筑物的楼层信息的特征信息。而能反映楼层信息的特征有多种，比如地块建筑排布信息、建筑间距、建筑阴影面积、建筑斜面长度等信息。为此，本技术实施例通过深层次的卷积神经网络(convolutional neural network，cnn)进行特征提取。
[0094]
在一些实施例中，楼层关联特征为隐藏的特征，可以通过深层的卷积神经网络自
动提取并表示。具体的提取过程在后文步骤301～302中将详细介绍，为简化描述，在此不再赘述。
[0095]
在一些实施例中，楼层关联特征为具体的特征，可以通过基于cnn的网络模型根据状态图像进行分类或回归预测得到。
[0096]
示例性地，第一方面，可以将地块建筑排布信息划分为几类，如a类排布、b类排布、c类排布，通过采集样本图像对用于划分地块建筑排布信息的第一分类网络进行训练，使得第一分类网络可以根据建筑物的图像进行卷积特征提取得到图像的卷积特征；并根据图像的卷积特征进行建筑物的地块建筑排布信息分类，确定建筑物为a类排布、b类排布或c类排布。
[0097]
第二方面，可以将建筑间距划分为几类，如极大间距、大间距、一般间距、小间距，通过采集样本图像对用于划分建筑间距的第二分类网络进行训练，使得第二分类网络可以根据建筑物的图像进行卷积特征提取得到图像的卷积特征；并根据图像的卷积特征进行建筑物的建筑间距分类，确定建筑物为极大间距、大间距、一般间距或小间距。
[0098]
第三方面，可以采集样本图像对用于预测建筑阴影面积的第一语义分割网络进行训练，使得第一语义分割网络可以根据建筑物的图像进行卷积特征提取得到图像的卷积特征；并根据图像的卷积特征进行建筑物的建筑阴影面积预测，确定建筑物的建筑阴影面积。
[0099]
第四方面，可以采集样本图像对用于预测建筑斜面长度的第二语义分割网络进行训练，使得第二语义分割网络可以根据建筑物的图像进行卷积特征提取得到图像的卷积特征；并根据图像的卷积特征进行建筑物的建筑顶面和斜面进行区分，从而确定建筑物的建筑斜面长度。
[0100]
然后，采用第一分类网络根据状态图像进行卷积特征提取得到状态图像的卷积特征；并根据状态图像的卷积特征进行分类，得到待检测建筑物的地块建筑排布信息；采用第二分类网络根据状态图像进行卷积特征提取得到状态图像的卷积特征；并根据状态图像的卷积特征进行分类，得到待检测建筑物的建筑间距；采用第一语义分割网络根据状态图像进行卷积特征提取得到状态图像的卷积特征；并根据状态图像的卷积特征进行回归，得到待检测建筑物的建筑阴影面积；采用第二语义分割网络根据状态图像进行卷积特征提取得到状态图像的卷积特征；并根据状态图像的卷积特征进行回归，得到待检测建筑物的建筑斜面长度。
[0101]
203、根据所述楼层关联特征进行回归预测处理，得到所述待检测建筑物的楼层信息。
[0102]
在一些实施例中，楼层关联特征为具体的特征，此时步骤203具体可以包括：对待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积、建筑斜面长度等信息通过具体的特征向量表示；并通过训练后的回归模型，根据表示地块建筑排布信息、建筑间距、建筑阴影面积、建筑斜面长度等信息的具体特征向量，回归出待检测建筑物的楼层信息。
[0103]
在一些实施例中，步骤202和步骤203可以通过训练后的楼层预测网络实现，楼层预测网络的具体实现如下文所描述。
[0104]
本技术实施例中，通过对待检测建筑物的状态图像进行深层卷积特征提取，得到能反映待检测建筑物的楼层信息的楼层关联特征；根据楼层关联特征进行回归预测处理，得到待检测建筑物的楼层信息；由于可以基于图像提取比如建筑物的地块建筑排布信息、
建筑间距、建筑阴影面积和建筑斜面长度等可以反映建筑物的楼层高度的楼层关联特征，因此可以准确地预测出建筑物的楼层信息，避免了由于需要通过实地进入建筑才能够获取建筑物准确的楼层信息，而导致数据获取成本较高的问题。
[0105]
如图3所示，步骤202具体可以包括步骤301～302：
[0106]
301、对所述状态图像进行像素点特征提取，得到所述状态图像的像素点信息。
[0107]
如图4所示，在一些实施例中，可以对状态图像中的每个像素点依次进行表征，得到状态图像的像素点信息。
[0108]
在一些实施例中，也可以通过二维卷积的方式对状态图像的像素点进行特征提取，得到用于表示状态图像的像素点空间特征的像素点信息。
[0109]
302、调用预先训练好的楼层预测网络，根据所述像素点信息进行深层卷积特征提取，得到所述待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度中的至少一种信息，其中，所述楼层预测网络包含多个全连接层。
[0110]
其中，楼层预测网络是具有深层次的卷积神经网络的回归模型。
[0111]
示例性地，可以调用下述步骤a～b、步骤b1～b3训练后得到楼层预测网络根据像素点信息进行深层卷积特征提取，得到待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度中的至少一种信息。其中，待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度等信息通过楼层预测网络的隐藏层提取得到，是反映建筑物高度的隐藏特征。
[0112]
步骤203具体可以包括：调用所述楼层预测网络，根据所述待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度中的至少一种信息进行回归预测处理，得到所述待检测建筑物的楼层信息。
[0113]
示例性地，如图4所示，为避免特征信息在特征维度剧烈下降而导致损失过大，本技术实施例中楼层预测网络使用连续的多个全连接层(如三个全连接层)逐次降低图像的特征维度，多个全连接层的最后一层的m个神经元分别输出一个标量，得到m个标量；m个标量全部连接到一个神经元上作为输出，最终输出建筑楼层信息。
[0114]
其中，每个标量分别用于表示不同的隐藏特征，如最后一层4个神经元输出4个标量，分别用于表示待检测建筑物的地块建筑排布信息、建筑间距、阴影面积和斜面长度。
[0115]
由于可以通过地块建筑排布信息、建筑间距、建筑阴影面积、建筑斜面长度等一系列隐藏特征反映建筑高度，并且卷积神经网络拥有出色的自动提取特征能力，因此通过深层回归网络中深层的卷积神经网络自动提取反映建筑高度的图像特征、再回归出楼层信息，可以提高楼层信息的预测准确度。
[0116]
在一些实施例中，可以获取建筑物的卫星图像作为样本数据训练深层回归网络，以得到楼层预测网络，楼层预测网络具体可通过如下步骤a～b训练得到：
[0117]
a、获取训练数据集，其中，所述训练数据集包括样本建筑物的样本卫星图像，所述样本卫星图像标注了所述样本建筑物的真实楼层信息。
[0118]
例如，地图素材的第三方提供平台中提供了各个建筑物的卫星图、以及各个建筑物的楼层信息，可以从已有的地图开发接口(即地图素材的第三方提供平台)中，获取各个建筑物的卫星图、各个建筑物的真实楼层信息。其中，将已知楼层信息的每个建筑物作为样本建筑物，样本建筑物的卫星图作为样本卫星图，并将样本建筑物的真实楼层信息作为样
本卫星图的标签数据。
[0119]
又如，地图素材第三方提供平台中提供了各个建筑物的卫星图，可以从已有的地图开发接口(即地图素材第三方提供平台)中，获取各个建筑物的卫星图。将每个建筑物作为样本建筑物，样本建筑物的卫星图作为样本卫星图。并通过建筑物实地考察的方式记录每个样本建筑物的真实楼层信息，以作为样本卫星图的标签数据。
[0120]
b、根据所述训练数据集对预设的深层回归网络进行训练，得到所述楼层预测网络。
[0121]
其中，深层回归网络是指具有深层次的卷积神经网络的回归模型。例如，深层回归网络具体可以是开源的resnet网络。
[0122]
由于深层神经网络存在梯度消失和梯度爆炸问题，难以训练出最优参数模型，进一步地，可以采用resnet网络作为深层回归网络。resnet网络是一种深层cnn网络架构，比其他模型架构的优势在于：普通的深层网络具有较高的训练误差，而resnet更容易优化，并且可以从显著增加的深度中获得准确性。
[0123]
为了避免特征信息在特征维度剧烈下降中损失过大，而导致楼层信息预测精度不高的问题，深层回归网络可以设置多个全连接层。例如，本技术实施例中使用连续三个全连接层逐次降低特征维度，最终输出建筑楼层信息。
[0124]
其中，步骤b具体可以包括b1～b3：
[0125]
b1、调用所述深层回归网络，根据所述样本卫星图像进行深层卷积特征提取，得到所述样本卫星图像的样本特征；并根据所述样本特征进行回归得到所述样本建筑物的楼层预测信息。
[0126]
其中，样本特征是指根据样本卫星图像进行提取的、可以反映楼层高度的信息，比如，地块建筑排布信息、建筑间距、建筑阴影面积、建筑斜面长度等。
[0127]
楼层预测信息是指根据样本卫星图像回归得到的样本建筑物的楼层信息。
[0128]
例如，如图4所示，图4是本技术实施例提供的深层回归网络的功能结构的一个实施例示意图，深层回归网络可以包括输入层、隐藏层、输出层。
[0129]
其中，输入层，用于对建筑物的图像进行像素点特征提取，输入图像各像素点信息。
[0130]
隐藏层，用于以逐层降低特征维度的方式，根据输入层的各像素点信息进行深层卷积特征提取，提取如地块建筑排布信息、建筑间距、建筑阴影面积、建筑斜面长度等反映建筑物高度的隐藏特征，得到图像特征。
[0131]
输出层，用于对接隐藏层，根据隐藏层提取的图像特征回归出建筑物的楼层信息。
[0132]
具体地，首先，深层回归网络的输入层对样本卫星图像进行像素点表征，得到样本卫星图像的像素点信息。然后，深层回归网络的隐藏层以逐层降低特征维度的方式，根据样本卫星图像的像素点信息进行深层卷积特征提取，提取如地块建筑排布信息、建筑间距、建筑阴影面积、建筑斜面长度等反映建筑物高度的隐藏特征，得到样本卫星图像的样本特征。最后，深层回归网络的输出层根据样本卫星图像的样本特征回归出样本建筑物的楼层信息，得到样本建筑物的楼层预测信息。
[0133]
b2、根据所述真实楼层信息和所述楼层预测信息，确定所述所述深层回归网络的训练损失值。
[0134]
其中，深层回归网络对应设置有损失函数，损失函数对应于深层回归网络输出的楼层预测信息进行设置。
[0135]
示例性地，损失函数可以为楼层预测信息和真实楼层信息之间的均方差。在训练过程中，通过损失函数计算深层回归网络的训练损失值，将楼层预测信息和真实楼层信息代入损失函数，即可得到对应深层回归网络的训练损失值。
[0136]
b3、根据所述训练损失值调整所述深层回归网络的模型参数，直至所述深层回归网络收敛，得到所述楼层预测网络。
[0137]
具体地，不断地根据每次训练的训练损失值对深层回归网络的模型参数进行调整，直至满足预设的停止训练条件时(即深层回归网络收敛时)，将参数更新后的深层回归网络作为训练好的楼层预测网络。此时，可将训练好的楼层预测网络应用于对建筑物的图像进行深层卷积特征提取，得到建筑物的楼层关联特征；并根据建筑物的楼层关联特征回归出建筑物的楼层信息。与深层回归网络的网络结构和功能类似，楼层预测网络也包含输入层、隐藏层和输出层，以实现根据建筑物的图像回归出建筑物的楼层信息。
[0138]
其中，预设的停止训练条件可以根据实际需求而设置。例如，可以是当训练损失值小于预设值时，或者是训练损失值基本不再变化时，即相邻多次训练对应的训练损失值的差值小于预设值；或者是深层回归网络训练的迭代次数达到最大迭代次数时。
[0139]
在另一个实施例中，可以获取建筑物的航拍图像作为样本数据训练深层回归网络，以得到楼层预测网络。具体训练过程可以参照上述步骤a～b、步骤b1～b3的说明。
[0140]
由以上内容可以看出，通过训练数据集对深层回归网络进行训练，得到训练后的楼层预测网络，使得楼层预测网络学习到地块建筑排布信息、建筑间距、建筑阴影面积、建筑斜面长度等反映建筑物高度的隐藏特征，进而准确地预测出建筑物的楼层信息。
[0141]
进一步地，为了便于后续构建存在楼层信息的地图，在得到待检测建筑物的楼层信息之后，还可以包括以下步骤：获取所述待检测建筑物的楼块轮廓以及识别标识；根据所述识别标识，将所述楼块轮廓和所述楼层信息进行关联，得到所述待检测建筑物的目标楼块轮廓，其中，所述目标楼块轮廓用于构建地图。
[0142]
作为一个实例，该楼层信息获取方法可用于获取某个商圈区域各建筑物的楼层信息，如图5所示，基于深度卷积神经网络模型对建筑物的卫星图片进行回归分析，得出建筑物的楼层信息，以下对四部分内容进行阐述：数据获取与预处理、模型架构与参数训练、楼层信息推断、数据后处理。
[0143]
(一)数据获取与预处理
[0144]
深度cnn回归模型需求大量图像以及图像对应的标签图像作为训练数据集，因此将建筑物的卫星图像和楼层信息预处理成为模型可用的训练数据集。以下步骤将建筑物的卫星图像和楼层信息转换为模型需要的训练数据集：
[0145]
1、采用google earth提供公开的亚米级卫星图像数据作为模型输入的训练数据，从已有的地图开发接口下载建筑物的楼块轮廓；其中，所下载的楼块轮廓带有建筑物在空间投影的中心点坐标，楼块轮廓的中心点坐标用于指示建筑物在地图中的位置。通过中心点坐标将属于同一建筑物的楼块轮廓和卫星图像进行关联记录。
[0146]
2、遍历有楼层信息的楼块轮廓，获取每一个楼块轮廓的中心点坐标，保存以该中心点坐标为中心的卫星图像，将该建筑物的楼层信息作为该卫星图像的标签数据。图像和
标签组成的数据集即为深度cnn回归模型所需的训练数据集。
[0147]
(二)模型架构与参数训练
[0148]
cnn拥有出色的自动提取特征能力，因此基于cnn的回归模型比传统的图像特征提取方法准确度高20％-30％。由于可以通过建筑物的地块建筑排布信息、建筑间距、建筑阴影面积、建筑斜面长度等一系列隐藏特征反映建筑高度，因此需要深层的cnn自动提取反映建筑高度的图像特征，但深层cnn存在梯度消失和梯度爆炸问题，难以训练出最优参数模型。因此，采用残差网络resnet作为待训练的深层回归模型。残差网络resnet是一种深层cnn网络架构，比其他模型架构的优势在于：普通的深层网络具有较高的训练误差，而resnet更容易优化，并且可以从显著增加的深度中获得准确性。
[0149]
为避免特征信息在特征维度剧烈下降中损失过大，残差网络resnet使用连续三个全连接层逐次降低特征维度，最终输出建筑物的楼层信息，损失函数为楼层预测信息和真实楼层信息之间的均方差，通过随机梯度下降对损失函数进行优化，得到最优化的深层回归模型，即得到楼层预测网络。
[0150]
(三)楼层信息推断
[0151]
分别以每个建筑物的中心点坐标处作为图像的中心，将某个商圈区域的卫星图像切分为统一尺寸的多个卫星图；其中，切分后的每个卫星图像用于指示一个建筑物。并通过(二)中训练好的楼层预测网络提取建筑物的楼层关联特征，得到该商圈区域中各卫星图像对应的建筑物的楼层信息。
[0152]
(四)数据后处理
[0153]
其中，建筑物数据库中存储了每个建筑物的中心点坐标、每个建筑物的楼块轮廓。
[0154]
最后，通过每个建筑物的识别标识(如id或中心点坐标)，将该商圈区域中的每个建筑物的楼层信息与楼块轮廓进行关联，并链接到对应的建筑物数据库中，以便于后续可以从建筑物数据库中获取每个建筑物的中心点坐标、楼块轮廓、楼层信息等地图属性要素构建地图。
[0155]
为了更好实施本技术实施例中楼层信息获取方法，在楼层信息获取方法基础之上，本技术实施例中还提供一种楼层信息获取装置，如图6所示，为本技术实施例中楼层信息获取装置的一个实施例结构示意图，该楼层信息获取装置600包括：
[0156]
获取单元601，用于获取待检测建筑物的状态图像；
[0157]
提取单元602，用于对所述状态图像进行深层卷积特征提取，得到所述待检测建筑物的楼层关联特征；
[0158]
预测单元603，用于根据所述楼层关联特征进行回归预测处理，得到所述待检测建筑物的楼层信息。
[0159]
在本技术的一些实施例中，所述楼层关联特征包括所述待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度中的至少一种信息，所述提取单元602具体用于：
[0160]
对所述状态图像进行像素点特征提取，得到所述状态图像的像素点信息；
[0161]
调用预先训练好的楼层预测网络，根据所述像素点信息进行深层卷积特征提取，得到所述待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度中的至少一种信息，其中，所述楼层预测网络包含多个全连接层。
[0162]
在本技术的一些实施例中，所述预测单元603具体用于：
[0163]
调用所述楼层预测网络，根据所述待检测建筑物的地块建筑排布信息、建筑间距、建筑阴影面积和建筑斜面长度中的至少一种信息进行回归预测处理，得到所述待检测建筑物的楼层信息。
[0164]
在本技术的一些实施例中，所述楼层信息获取装置600还包括训练单元(图中未示出)，在对所述状态图像进行深层卷积特征提取，得到所述待检测建筑物的楼层关联特征的步骤之前，所述训练单元具体用于：
[0165]
获取训练数据集，其中，所述训练数据集包括样本建筑物的样本卫星图像，所述样本卫星图像标注了所述样本建筑物的真实楼层信息；
[0166]
根据所述训练数据集对预设的深层回归网络进行训练，得到所述楼层预测网络。
[0167]
在本技术的一些实施例中，所述训练单元具体用于：
[0168]
调用所述深层回归网络，根据所述样本卫星图像进行深层卷积特征提取，得到所述样本卫星图像的样本特征；并根据所述样本特征进行回归得到所述样本建筑物的楼层预测信息；
[0169]
根据所述真实楼层信息和所述楼层预测信息，确定所述所述深层回归网络的训练损失值；
[0170]
根据所述训练损失值调整所述深层回归网络的模型参数，直至所述深层回归网络收敛，得到所述楼层预测网络。
[0171]
在本技术的一些实施例中，所述获取单元601具体用于：
[0172]
获取建筑物数据库，其中，建筑物数据库包括多个建筑物中每个建筑物的卫星图像、以及每个所述建筑物的中心点坐标，所述每个所述建筑物的卫星图像与每个所述建筑物的中心点坐标关联记录；
[0173]
获取待检测建筑物的目标中心点坐标；
[0174]
从所述建筑物数据库中，获取与所述目标中心点坐标对应的卫星图像，以作为所述状态图像。
[0175]
在本技术的一些实施例中，所述楼层信息获取装置600还包括关联单元(图中未示出)，在根据所述楼层关联特征进行回归预测处理，得到所述待检测建筑物的楼层信息的步骤之后，所述关联单元具体用于：
[0176]
获取所述待检测建筑物的楼块轮廓以及识别标识；
[0177]
根据所述识别标识，将所述楼块轮廓和所述楼层信息进行关联，得到所述待检测建筑物的目标楼块轮廓，其中，所述目标楼块轮廓用于构建地图。
[0178]
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
[0179]
由于该楼层信息获取装置可以执行本技术如图1至图5对应任意实施例中楼层信息获取方法中的步骤，因此，可以实现本技术如图1至图5对应任意实施例中楼层信息获取方法所能实现的有益效果，详见前面的说明，在此不再赘述。
[0180]
此外，为了更好实施本技术实施例中楼层信息获取方法，在楼层信息获取方法基础之上，本技术实施例还提供一种电子设备，参阅图7，图7示出了本技术实施例电子设备的
一种结构示意图，具体的，本技术实施例提供的电子设备包括处理器701，处理器701用于执行存储器702中存储的计算机程序时实现如图1至图5对应任意实施例中楼层信息获取方法的各步骤；或者，处理器701用于执行存储器702中存储的计算机程序时实现如图6对应实施例中各单元的功能。
[0181]
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器702中，并由处理器701执行，以完成本技术实施例。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
[0182]
电子设备可包括，但不仅限于处理器701、存储器702。本领域技术人员可以理解，示意仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子备还可以包括输入输出设备、网络接入设备、总线等，处理器701、存储器702、输入输出设备以及网络接入设备等通过总线相连。
[0183]
处理器701可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
[0184]
存储器702可用于存储计算机程序和/或模块，处理器701通过运行或执行存储在存储器702内的计算机程序和/或模块，以及调用存储在存储器702内的数据，实现计算机装置的各种功能。存储器702可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0185]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的楼层信息获取装置、电子设备及其相应单元的具体工作过程，可以参考如图1至图5对应任意实施例中楼层信息获取方法的说明，具体在此不再赘述。
[0186]
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
[0187]
为此，本技术实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本技术如图1至图5对应任意实施例中楼层信息获取方法中的步骤，具体操作可参考如图1至图5对应任意实施例中楼层信息获取方法的说明，在此不再赘述。
[0188]
其中，该计算机可读存储介质可以包括：只读存储器(rom，read only memory)、随机存取存储器(ram，random access memory)、磁盘或光盘等。
[0189]
由于该计算机可读存储介质中所存储的指令，可以执行本技术如图1至图5对应任
意实施例中楼层信息获取方法中的步骤，因此，可以实现本技术如图1至图5对应任意实施例中楼层信息获取方法所能实现的有益效果，详见前面的说明，在此不再赘述。
[0190]
以上对本技术实施例所提供的一种楼层信息获取方法、装置、电子设备及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。