核心功能

功能叙述

正射影像

对特定视频段按照地理坐标进行转化。（具体方法为：计算地面点坐标、计算像点坐标、灰度内插、灰度赋值，主要步骤包括校正控制点采集和区域网平差，利用摄像机等提供的一些姿态参数以及与地面系统相关的处理参数来进行粗校正，再结合卫星影像和DEM数据对影像做精细校正。）

全景处理

对特定视频段进行全景拼接。（具体方法为：特征点提取，特征点匹配，控制点生成，全景模型优化，接缝线提取，图像匀色。为了提高拼接的速度，首先需要从视频数据中抽取关键帧，关键帧之间有明显的旋转变化。对关键帧提取特征点和匹配，利用匹配的结果来生成控制点，然后基于全景模型来进行整体优化计算出每个关键帧的姿态，最后根据姿态来进行拼接。在拼接过程中，接缝线提取和匀色算法可以解决不同关键帧的色调不一致的问题）

违法图斑辅助核查

通过卫星影像传违法图斑的上传，自动检索出对应的摄像头，辅助查验违法事件。（具体方法为：针对违法图斑进行样本采集和深度学习模型训练，实现违法图斑在视频中的智能识别；并通过像地坐标系的转换，将违法图斑的位置、时间投射到相应视频或监控中，辅助违法图斑核查）

视频AI场景识别

目前ＡＩ识别样本场景有：施工行为识别（挖掘机开挖）、建房进度识别（违规建筑、建筑变化）、河湖监测（河道河滩修筑道路、河道河滩建设房屋、河道河滩种植树木、河道河滩挖沙取土、河道河滩乱堆垃圾、网箱养殖）、耕地监测（耕地变化检测）、人为破坏监测（人或者其他动物进入识别、倾倒垃圾、暴露垃圾、区域入侵、工程车监测）生态修复监测（黑臭水体、边坡种草）渣土监测（倾倒渣土），在样本的基础上，针对不同的地物进行深度学习模型训练算法，主要采用全卷积网络（CNN）与条件随机场（CRF）算法。在经过不断的模型研发和测试之后，构建较为稳健的应用模型。针对实际地物识别应用场景、进行相应的违法行为规则编制。

坐标双向转化

满足大地坐标转视频坐标，同时也满足视频坐标转大地坐标。