基于车辆的建筑物识别方法、装置、设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种基于车辆的建筑物识别方法、建筑物识别装置、计算机设备及计算机可读存储介质。

背景技术

在汽车实现导航辅助、交通流分析以及安全预警等功能时，通常需要获取当前所处环境的建筑物信息。传统方法主要是利用人工收集多媒体信息(电视、广播、报纸等播报的新闻)得到新增建筑物信息，从而给汽车的导航系统提供便利。

然而对于偏僻或刚开垦的区域，使用传统方法并不能及时有效地了解建筑物信息；进一步的，传统方式采用人工收集获取新增建筑物信息的方法也不够智能化。

发明内容

本申请提供了一种基于车辆的建筑物识别方法、建筑物识别装置、计算机设备及计算机可读存储介质，旨在将环境图像以及建筑信息模型数据进行结合，进而实现对建筑物的识别。

为实现上述目的，本申请提供一种基于车辆的建筑物识别方法，所述方法包括：

通过所述车辆的图像采集单元采集环境图像，其中，所述环境图像至少包括目标建筑物；

分别对所述环境图像以及所述目标建筑物对应的建筑信息模型数据进行特征提取操作，得到所述目标建筑物对应的第一特征信息以及第二特征信息；

将所述第一特征信息以及所述第二特征信息进行特征匹配操作，得到所述目标建筑物的匹配结果；

根据所述匹配结果对所述目标建筑物进行识别，得到所述目标建筑物的识别信息。

为实现上述目的，本申请还提供一种建筑物识别装置，包括：

采集模块，所述采集模块用于通过车辆的图像采集单元采集环境图像，其中，所述环境图像至少包括目标建筑物；

特征提取模块，所述特征提取模块用于分别对所述环境图像以及所述目标建筑物对应的建筑信息模型数据进行特征提取操作，得到所述目标建筑物对应的第一特征信息以及第二特征信息；

特征匹配模块，所述特征匹配模块用于将所述第一特征信息以及所述第二特征信息进行特征匹配操作，得到所述目标建筑物的匹配结果；

建筑物识别模块，所述建筑物识别模块用于根据所述匹配结果对所述目标建筑物进行识别，得到所述目标建筑物的识别信息。

此外，为实现上述目的，本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述的计算机程序并在执行所述的计算机程序时实现本申请实施例提供的任一项所述的基于车辆的建筑物识别方法的步骤。

此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现本申请实施例提供的任一项所述的基于车辆的建筑物识别方法的步骤。

本申请实施例公开的基于车辆的建筑物识别方法、建筑物识别装置、计算机设备及计算机可读存储介质，能够通过车辆的图像采集单元采集环境图像，其中，环境图像至少包括目标建筑物；进而分别对环境图像以及目标建筑物对应的建筑信息模型数据进行特征提取操作，得到目标建筑物对应的第一特征信息以及第二特征信息；并将第一特征信息以及第二特征信息进行特征匹配操作，得到目标建筑物的匹配结果；由此，能够根据匹配结果对目标建筑物进行识别，得到目标建筑物的识别信息。本申请旨在将环境图像以及建筑信息模型数据进行结合，将基于环境图像得到的特征信息以及基于建筑信息模型得到的特征信息进行匹配，得到目标建筑物的匹配结果，进而基于匹配结果实现对建筑物的识别。

附图说明

为了更清楚地说明本申请实施例技术方案，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，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，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。

图1是本申请实施例提供的一种基于车辆的建筑物识别方法的流程示意图；

图2是本申请实施例提供的一种得到目标建筑物的匹配结果的流程示意图；

图3是本申请实施例提供的一种得到目标建筑物的识别信息的流程示意图；

图4是本申请实施例提供的一种建筑物识别装置的示意性框图；

图5是本申请实施例提供的一种计算机设备的示意性框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。

在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1，图1是本申请实施例提供的一种基于车辆的建筑物识别方法的流程示意图。如图1所示，该基于车辆的建筑物识别方法包括步骤S11至步骤S14。

步骤S11：通过车辆的图像采集单元采集环境图像，其中，环境图像至少包括目标建筑物。

其中，图像采集单元为能够采集图像或视频的设备，例如车载摄像头、监控摄像头等，本申请对此不加以限定。

具体的，可通过车辆的图像采集单元采集当前车辆所处环境的环境图像，以得到包括目标建筑物的图像，以用于后续的特征提取等操作。

可选地，还可以对采集到的环境图像进行预处理操作，以用于提高后续特征提取等操作的精确性。

需要说明的是，图像的预处理操作是指优化图像的操作，以供后续图像的分析、识别和处理。其中，图像的预处理操作包括图像去噪操作、图像校正操作以及图像平滑操作等，本申请对此不加以限定。

进一步的，图像去噪能够通过中值滤波、高斯滤波等方法去除图像中的噪点和干扰，以提高图像质量；图像增强能够通过直方图均衡化、对比度拉伸等方法增强图像的对比度、亮度或颜色，以使图像更清晰和易于分析；图像平滑能够使用平滑滤波器降低图像中的高频噪声，以利于图像的检测和识别。

在本申请实施例中，可获取包括目标建筑物的环境图像，以用于后续的特征提取等操作。

步骤S12：分别对环境图像以及目标建筑物对应的建筑信息模型数据进行特征提取操作，得到目标建筑物对应的第一特征信息以及第二特征信息。

其中，第一特征信息为基于环境图像特征提取后的特征信息；第二特征信息为基于建筑信息模型数据提取后的特征信息。

需要说明的是，建筑信息模型数据(BIM，Building Information Modeling)数据是用于描述和管理建筑项目的各个方面的数据。其包含了建筑物的几何信息(如建筑物的物理形状、尺寸)、空间信息(如建筑物的空间布局)、材料信息、设备信息、工程信息和管理信息，以及与建筑项目相关的其他数据。

具体的，可对采集到的环境图像和与目标建筑物相关的建筑信息模型数据进行特征提取操作，以提取到第一特征信息以及第二特征信息，进而用于后续的分析和处理。

可选地，分别对环境图像以及目标建筑物对应的建筑信息模型数据进行特征提取操作，得到目标建筑物对应的第一特征信息以及第二特征信息，包括：通过尺度不变特征变换算法或加速稳健特征算法对环境图像进行特征提取操作，得到第一特征信息；以及，通过三维重建技术对建筑信息模型数据进行特征提取操作，得到第二特征信息。

需要说明的是，尺度不变特征变换算法(SIFT，Scale-Invariant FeatureTransform)一种用于从图像中提取关键点和描述符的算法。它能够在不同尺度和旋转下保持特征的不变性。在SIFT算法对环境图像进行特征提取的过程中，提取到的特征信息通常是图像中显著的、不受尺度和旋转变化影响的点，因此可以用于后续的匹配。

加速稳健特征算法是一种用于计算机视觉和图像处理领域的算法，旨在实现图像特征提取的同时，提高特征提取的速度和鲁棒性。加速稳健特征算法的主要目标是在处理大规模图像数据时能够快速而准确地提取有意义的特征点或描述符。

此外，三维重建技术为通过建筑信息模型数据来创建建筑物的三维模型的技术。包括使用点云数据、CAD模型或其他数据源来重建建筑物的三维形状和结构。然后，从重建后的三维模型中提取目标建筑物的特征信息，例如立面特征、结构特征、体积等。

因此，本申请可通过尺度不变特征变换算法或加速稳健特征算法实现环境图像的特征提取，以及通过三维重建技术实现建筑信息模型数据的特征提取。

步骤S13：将第一特征信息以及第二特征信息进行特征匹配操作，得到目标建筑物的匹配结果。

具体的，特征信息包括关键点的特征描述子。因此，可将从环境图像中提取到的关键点的特征描述子与从建筑信息模型数据中提取得到的关键点的特征描述子进行特征匹配，以得到目标建筑物的匹配结果。

需要说明的是，本申请对于特征匹配操作的方法不加以限定，例如包括最近邻匹配方法、最近邻搜索方法等，本申请以特征匹配操作的方法为最近邻匹配方法为例进行说明。

最近邻匹配方法是一种在数据分析和机器学习领域常用的方法，用于在两个或多个数据集之间寻找最接近的匹配样本或数据点。最近邻匹配方法的目标是将一个数据集中的每个数据点与另一个数据集中的最相似数据点进行匹配或配对。最近邻匹配法通常基于某种相似性度量来计算数据点之间的相似性。常见的相似性度量包括欧氏距离、曼哈顿距离、余弦相似度等，具体的选择取决于问题的性质和数据的特点。因此，本申请可通过最近邻匹配方法实现特征匹配。

可选地，还可以将多个视角(从不同位置或角度拍摄的)环境图像对应的关键点的特征描述子与从建筑信息模型数据中提取得到的关键点的特征描述子进行特征匹配，以提高匹配结果的鲁棒性和准确性。

可选地，匹配结果包括匹配对，将第一特征信息以及第二特征信息进行特征匹配操作，得到目标建筑物的匹配结果之后，还包括：通过几何约束算法或运动一致性算法验证匹配对的有效性；将无效的匹配对进行排除，并保留有效的匹配对。

需要说明的是，几何约束算法是用于从图像或多幅图像中的几何信息中推断出物体的位置、形状或相对关系的技术。几何约束算法能够通常利用几何学原理，如投影几何学，来建立图像中物体之间的空间关系。几何约束算法常用于物体识别、姿态估计、立体视觉和摄像机标定等任务。

运动一致性算法是用于分析视频序列中的物体或场景的运动的算法，可通过比较图像序列中不同帧之间的像素位移或光流来推断物体的运动信息，运动一致性算法的目标是估计物体的速度、方向和轨迹。

因此，可通过几何约束算法或运动一致性算法对匹配对中的特征描述子进行检测，判断其对应的位置、形状以及运动信息等是否一致。在上述信息一致时，则表示匹配对有效，此时可将匹配对进行保留，反之则可以进行排除。

可选地，考虑到在特征匹配中可能存在噪声、遮挡、光照变化等因素，还可以采用利用局部特征的统计信息或上下文信息进行匹配验证和筛选，以剔除不可靠的匹配。

在本申请实施例中，可将第一特征信息以及第二特征信息进行特征匹配操作，得到目标建筑物的匹配结果，以用于基于匹配结果实现后续的建筑物的识别。

步骤S14：根据匹配结果对目标建筑物进行识别，得到目标建筑物的识别信息。

具体的，可通过识别模型对匹配结果进行识别，得到目标建筑物的识别信息，例如包括建筑物的名称、类别、位置坐标、属性或其他相关信息。

需要说明的是，本申请对于识别模型不加以限定，例如识别模型包括循环神经网络、支持向量机、卷积神经网络以及图神经网络等。

进一步的，目标建筑物识别信息可以应用于自动化驾驶、建筑物管理、安全监控、交通流分析以及虚拟现实等各种领域，本申请对此不加以限定。

本申请实施例公开的基于车辆的建筑物识别方法，能够通过车辆的图像采集单元采集环境图像，其中，环境图像至少包括目标建筑物；进而分别对环境图像以及目标建筑物对应的建筑信息模型数据进行特征提取操作，得到目标建筑物对应的第一特征信息以及第二特征信息；并将第一特征信息以及第二特征信息进行特征匹配操作，得到目标建筑物的匹配结果；由此，能够根据匹配结果对目标建筑物进行识别，得到目标建筑物的识别信息。本申请旨在将环境图像以及建筑信息模型数据进行结合，将基于环境图像得到的特征信息以及基于建筑信息模型得到的特征信息进行匹配，得到目标建筑物的匹配结果，进而基于匹配结果实现对建筑物的识别。

请参阅图2，图2是本申请实施例提供的一种得到目标建筑物的匹配结果的流程示意图。如图2所示，第一特征信息包括第一目标特征描述子，第二特征信息包括第二目标特征描述子，由此可通过步骤S131至步骤S133实现得到目标建筑物的匹配结果。

步骤S131：通过尺度不变性算法或角点检测算法确定第一初始特征描述子的有效性。

步骤S132：将有效性大于预设阈值的第一初始特征描述子确定为第一目标特征描述子。

步骤S133：将第一目标特征描述子以及第二目标特征描述子进行特征匹配操作，得到目标建筑物的匹配结果。

其中，第一初始特征描述子为基于环境图像提取得到的特征描述子；第一目标特征描述子为对第一初始特征描述子筛选后的的特征描述子；第二目标特征描述子为基于建筑信息模型数据提取得的特征描述子。

具体的，在特征匹配之前，还可以通过尺度不变性算法或角点检测算法从第一初始特征描述子中确定具有良好特征，也即有效的第一目标特征描述子。进而将第一目标特征描述子以及第二目标特征描述子进行特征匹配操作，得到目标建筑物的匹配结果。

需要说明的是，本申请对应预设阈值不加以限定，例如预设阈值为80％、90％等，本申请以预设阈值为80％为例进行说明。也即，在第一初始特征描述子的有效性大于80％时，说明该第一初始特征描述子为有效的，具有良好特征的特征描述子。因此，可将有效性大于80％第一初始特征描述子确定为第一目标特征描述子，以用于后续的特征匹配。

进一步的，尺度不变性算法是一种用于在不同尺度下寻找和描述图像中特征点的技术。尺度不变性算法使特征点的检测和描述对于图像的缩放变化具有不变性，也即在不同尺度下找到的特征点应具有相似的描述。其通常用于图像匹配、物体识别、图像拼接和立体视觉等领域，用于判断特征点的特征性能。

角点检测算法是用于识别图像中的角点或具有突出边缘的位置的技术。角点通常是图像中的重要特征点，其标志着图像中的纹理变化或对象边缘的交汇点。由此，角点检测算法可对特征点的性能进行判断。

因此，可通过尺度不变性算法或角点检测算法确定特征描述子的有效性。

可选地，将第一目标特征描述子以及第二目标特征描述子进行特征匹配操作，得到目标建筑物的匹配结果，包括：确定第一目标特征描述子与第二目标特征描述子的相似度，得到相似度值；根据相似度值确定目标建筑物的匹配结果。

具体的，可通过欧氏距离、汉明距离或其他距离度量方法来评估第一目标特征描述子与第二目标特征描述子之间的相似度，进而将相似度值最相近的第一目标特征描述子与第二目标特征描述子确定为匹配对，并将其作为目标建筑物的匹配结果。

可选地，在得到匹配结果后，还可以通过RANSAC匹配、几何约束或运动一致性的方法验证匹配结果是否正确，以提高匹配结果的精确度，本申请以RANSAC匹配为例进行说明。

需要说明的是，在特征匹配中，RANSAC算法可用于识别和剔除错误的匹配对。它通过随机选择一组匹配对，并根据这些匹配对估计模型参数，然后根据模型与其他匹配对的一致性评估每个点的权重。最终，RANSAC算法选择具有最大一致性的模型参数作为最终的匹配结果。

在本申请实施例中，可确定特征描述子的有效性，进而将有效的特征描述子进行特征匹配，以提高匹配结果的精确性。

请参阅图3，图3是本申请实施例提供的一种得到目标建筑物的识别信息的流程示意图。如图3所示，可通过步骤S141至步骤S144实现得到目标建筑物的识别信息。

步骤S141：获取环境图像对应的第一坐标系以及建筑信息模型数据对应的第二坐标系。

步骤S142：确定第一坐标系与第二坐标系的坐标转换参数。

步骤S143：根据坐标转换参数，将匹配结果进行坐标转换。

步骤S144：根据坐标转换后的匹配结果对目标建筑物进行识别，得到目标建筑物的识别信息。

其中，第一坐标系为环境图像对应的坐标系；第二坐标系为建筑信息模型数据对应的坐标系。

由于环境图像和建筑信息模型数据分别位于不同的坐标系中，因此，为了将匹配结果中数据保持一致性，需要将匹配结果进行坐标转换，保证数据的准确对齐，进而使识别过程更加精确和可靠。

具体的，可第一坐标系与第二坐标系的坐标转换参数，其中，坐标转换参数可能包括平移、旋转和缩放等变换矩阵，用于对齐两个坐标系。进一步的，可根据坐标转换参数，将环境图像中的特征点或匹配结果从第一坐标系转换到第二坐标系，或者相反。由此，使得环境图像中的特征点与建筑信息模型中的相应部分对齐，也即得到对齐后的匹配结果，进而可用于识别目标建筑物，并得到目标建筑物的类别、位置或其他相关信息。

可选地，根据匹配结果对目标建筑物进行识别，得到目标建筑物的识别信息之后，还包括：利用路径规划算法基于识别信息进行路径规划，得到目标路径，其中，识别信息包括位置信息、形状信息和属性信息；控制车辆按照目标路径进行行驶。

其中，路径规划算法包括Dijkstra算法、RRT(Rapidly-Exploring Random Trees)等，本申请对此不加以限定。

具体的，可通过路径规划算法基于目标建筑物的识别信息，生成一条从当前车辆位置到目标建筑物的路径，由此，能够控制车辆按照生成的目标路径行驶，直到达到目标建筑物的位置。

在本申请实施例中，可将匹配结果进行坐标转换，以实现优化匹配结果，提高匹配的准确性。由此，可根据标转换后的匹配结果对目标建筑物进行识别，从而得到精确度较高的目标建筑物的识别信息。此外，还可以基于识别信息实现车辆的路径规划，以控制车辆按照目标路径进行行驶。

请参阅图4，图4是本申请实施例提供的一种建筑物识别装置的示意性框图。该建筑物识别装置可以配置于服务器中，用于执行前述的基于车辆的建筑物识别方法。

如图4所示，该建筑物识别装置200包括：采集模块201、特征提取模块202、特征匹配模块203以及建筑物识别模块204。

采集模块201，用于通过车辆的图像采集单元采集环境图像，其中，所述环境图像至少包括目标建筑物；

特征提取模块202，用于分别对所述环境图像以及所述目标建筑物对应的建筑信息模型数据进行特征提取操作，得到所述目标建筑物对应的第一特征信息以及第二特征信息；

特征匹配模块203，用于将所述第一特征信息以及所述第二特征信息进行特征匹配操作，得到所述目标建筑物的匹配结果；

建筑物识别模块204，用于根据所述匹配结果对所述目标建筑物进行识别，得到所述目标建筑物的识别信息。

特征提取模块202，还用于通过尺度不变特征变换算法或加速稳健特征算法对所述环境图像进行特征提取操作，得到所述第一特征信息；以及，通过三维重建技术对所述建筑信息模型数据进行特征提取操作，得到所述第二特征信息。

特征匹配模块203，还用于通过尺度不变性算法或角点检测算法确定第一初始特征描述子的有效性；将有效性大于预设阈值的第一初始特征描述子确定为所述第一目标特征描述子；将所述第一目标特征描述子以及所述第二目标特征描述子进行特征匹配操作，得到所述目标建筑物的匹配结果。

特征匹配模块203，还用于确定所述第一目标特征描述子与所述第二目标特征描述子的相似度，得到相似度值；根据所述相似度值确定所述目标建筑物的匹配结果。

特征匹配模块203，还用于通过几何约束算法或运动一致性算法验证所述匹配对的有效性；将无效的匹配对进行排除，并保留有效的匹配对。

建筑物识别模块204，还用于确定所述第一坐标系与所述第二坐标系的坐标转换参数；根据所述坐标转换参数，将所述匹配结果进行坐标转换；根据坐标转换后的匹配结果对所述目标建筑物进行识别，得到所述目标建筑物的识别信息。

建筑物识别模块204，还用于利用路径规划算法基于所述识别信息进行路径规划，得到目标路径，其中，所述识别信息包括位置信息、形状信息和属性信息；控制所述车辆按照所述目标路径进行行驶。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请的方法、装置可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费终端设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

示例性的，上述的方法、装置可以实现为一种计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。

请参阅图4，图4是本申请实施例提供的一种计算机设备的示意图。该计算机设备可以是服务器。

如图4所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括易失性存储介质、非易失性存储介质和内存储器。

非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于车辆的建筑物识别方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种基于车辆的建筑物识别方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，该计算机设备的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器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)、现场可编程门阵列(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。其中，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。

其中，在一些实施方式中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：通过所述车辆的图像采集单元采集环境图像，其中，所述环境图像至少包括目标建筑物；分别对所述环境图像以及所述目标建筑物对应的建筑信息模型数据进行特征提取操作，得到所述目标建筑物对应的第一特征信息以及第二特征信息；将所述第一特征信息以及所述第二特征信息进行特征匹配操作，得到所述目标建筑物的匹配结果；根据所述匹配结果对所述目标建筑物进行识别，得到所述目标建筑物的识别信息。

在一些实施方式中，所述处理器还用于通过尺度不变特征变换算法或加速稳健特征算法对所述环境图像进行特征提取操作，得到所述第一特征信息；以及，通过三维重建技术对所述建筑信息模型数据进行特征提取操作，得到所述第二特征信息。

在一些实施方式中，所述处理器还用于通过尺度不变性算法或角点检测算法确定第一初始特征描述子的有效性；将有效性大于预设阈值的第一初始特征描述子确定为所述第一目标特征描述子；将所述第一目标特征描述子以及所述第二目标特征描述子进行特征匹配操作，得到所述目标建筑物的匹配结果。

在一些实施方式中，所述处理器还用于确定所述第一目标特征描述子与所述第二目标特征描述子的相似度，得到相似度值；根据所述相似度值确定所述目标建筑物的匹配结果。

在一些实施方式中，所述处理器还用于通过几何约束算法或运动一致性算法验证所述匹配对的有效性；将无效的匹配对进行排除，并保留有效的匹配对。

在一些实施方式中，所述处理器还用于获取所述环境图像对应的第一坐标系以及所述建筑信息模型数据对应的第二坐标系；确定所述第一坐标系与所述第二坐标系的坐标转换参数；根据所述坐标转换参数，将所述匹配结果进行坐标转换；根据坐标转换后的匹配结果对所述目标建筑物进行识别，得到所述目标建筑物的识别信息。

在一些实施方式中，所述处理器还用于利用路径规划算法基于所述识别信息进行路径规划，得到目标路径，其中，所述识别信息包括位置信息、形状信息和属性信息；控制所述车辆按照所述目标路径进行行驶。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时实现本申请实施例提供的任一种基于车辆的建筑物识别方法。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

进一步地，所述计算机可读存储介质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等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。