CN112668461B - 一种具有野生动物识别的智能监管系统 - Google Patents
一种具有野生动物识别的智能监管系统 Download PDFInfo
- Publication number
- CN112668461B CN112668461B CN202011566041.9A CN202011566041A CN112668461B CN 112668461 B CN112668461 B CN 112668461B CN 202011566041 A CN202011566041 A CN 202011566041A CN 112668461 B CN112668461 B CN 112668461B
- Authority
- CN
- China
- Prior art keywords
- image
- wild animal
- integer
- wild
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
本发明涉及一种具有野生动物识别的智能监管系统,包括业务层、数据层、展示层,业务层包括用户系统、业务系统、算法系统三大系统组成,业务系统用于管理整个平台模块之间的业务,包括野生动物栖息地的遥感监测制图和野生动物图像采集;野生动物栖息地的遥感监测制图包括制图范围的选择与预处理;地理分划和绘制指北针、比例尺和图例。本发明的智能监管系统利用GIS技术和区域投影轮廓和笛卡尔投影剖面特征提取技术,更有效的对野生动物栖息地和野生动物本身进行识别。
Description
技术领域
本发明属于智能监管系统领域,特别涉及一种具有野生动物识别的智能监管系统。
背景技术
野生动物自然保护区,将湿地监测与生态保护、生态旅游结合开展试点,集生态、科研、教育、旅游等于一体的多元化综合性保护基地。利用大数据技术结合现代化设施全面提高对野生动物的保护研究水平,进行产学研合作,成立濒危动物保护专项课题与基金,开展野生动物申遗工作。
当前,大数据已成为国民经济和社会发展的基础性、战略性资源。随着信息采集技术的不断发展,区域资源环境本底数据、管理业务数据、监视监测数据等各类基础数据快速增长,逐步呈现大数据特征。各级管理部门对大数据的实时、直观展示和分析的需求日渐强烈。也对空间资源大数据的扩展、挖掘与运用提出了更全面、更迫切的要求。当前各类业务管理系统彼此独立、对信息资源缺乏整合和共享利用、“信息孤岛”现象严重、深层次的数据应用不充分、数据更新机制不完善等现象。
监测部门过卫星遥感成像对野生动物栖息地和野生动物进行监测和跟踪,由于一般遥感图像处理软件的制图功能有限,且不支持特定业务的处理,因此遥感图像处理软件主要用于面向业务的工作过程。这个会影响应急响应和决策支持的效率。随着越来越多的人学习和使用GIS,GIS产业得到了广泛的应用和长足的发展,尤其是在GIS地图功能与其他传统软件的制图功能相比,更是如此。GIS制图具有明显的优势。野生动物从泥地背景中识别出来是野生动物生态保护的重要环节,传统上,检测是由人力检验员进行的,基于图像的检测越来越受到关注。
作为数字物体的重要组成部分,三维模型的研究与应用已成为当代GIS及相关学科的研究热点。真实纹理的获取和映射是构建三维模型的重要步骤。特别是数字摄影测量技术的发展,在很大程度上促进了空间信息提取和现实世界物体的提取,进一步推动了数字物体的建设和发展。传统的航空摄影测量一般是在测区内进行近垂直摄影,实现立体测绘,提取各类地物的三维几何信息,是重建三维模型的基本手段之一,在纹理建模方面,应该注意到一些墙面的纹理在这些准垂直摄影图像上是看不见的。
发明内容
为了解决上述问题尤其是如何对野生动物栖息地和野生动物进行监测和跟踪,本发明利用GIS技术和区域投影轮廓和笛卡尔投影剖面特征提取技术,对野生动物栖息地进行识别并进一步对野生动物进行识别,具体方案如下:
一种具有野生动物识别的智能监管系统,包括业务层、数据层和展示层。
业务层包括用户系统、业务系统、算法系统三大系统组成,用户系统主要用来管理平台用户操作行为及信息管理;业务系统用于管理整个平台模块之间的业务,包括野生动物栖息地的遥感监测制图、建筑物倾斜影像的校正、野生动物栖息地植被模拟、野生动物图像采集;算法系统通过野生动物栖息地的遥感监测制图方法、建筑物倾斜影像的校正方法、野生动物栖息地植被模拟方法以及野生动物图像识别方法实现对监管地域、建筑物、野生动物栖息地植被以及野生动物的识别和监控。
数据层用于数据存储,分为数据中心、系统数据库、图像数据库,数据中心用于存储各种业务数据,包括野生动物识别的数量、日期、位置等;系统数据库存储系统模块之间的业务关系数据,包括地图、图像存放地址等;图像数据库存储所有野生动物的图像数据和遥感地图数据。
展示层通过WEB端输出各功能模块之间交互返回的结果,开放API接口调用方法开发者可通过相关开放接口地址按照提供的调用规则进行调用。
业务系统通过图像提取设备获取保护地的野生动物图像,算法系统作为后台系统通过野生动物图像识别方法实现野生动物图像识别。
其中,系统服务采用轻量级Flask Web应用框架,其WSGI工具箱采用Werkzeug,Flask拥有内置服务器和单元测试,适配RESTful,支持安全的cookies;机器深度学习算法Keras人工神经网络和Open CV机器学习视觉算法,实时捕捉动态图像进行识别;自动采集数据图像,实现准确智能识别。
其中,野生动物栖息地的遥感监测制图具体为:
遥感监测制图依赖于GIS引擎,针对遥感监测数据的特点,满足面向业务的工作和测绘的需要,在用户感兴趣的屏幕范围内自动绘制各种地图要素,实现地图输出以及以业务为导向的工作,GIS引擎的图形对象是视图对象,为了制图输出,视图对象具有修改类和对象。
遥感监测制图需要快速有效地处理,满足卫星遥感监测过程中方便快捷的测绘要求,保证信息发布的效率,对象制图和对象页面布局类似,显示图形元素,在对象地图的基础上,添加相应的图形信息,包括地图、地理坐标、标记、文字、图例、指北针和比例尺。
发明的关键问题是对象地图中的地图支持,它提供了对象和类、地图的地理比例、比例尺和图例有限公司以下是如何制图这些元素的详细信息,包括如下步骤;
步骤1、制图范围的选择与预处理
通过人际交互,用户手动拖动鼠标在屏幕上画出一个矩形框,每一个触发器事件都被临时记录在缓存中,当事件结束且矩形消失时,缓存会自动释放,每一次新的人机交互都暂时记录了用户感兴趣的范围,范围的记录是临时和随机的。当用户所画的范围超出了正常的长宽比,其形状太宽或太高,选择按照一定的比例修改制图范围,使制图范围符合视觉感知,将矩形的中心点作为长度和宽度的基准,应记录较低的值,并用于在一定的长宽比下重新计算较高值。
步骤2、地理分划
地图地理分划主要是按矩形框的范围画出水平和垂直线要素
步骤2.1,记录矩形框制图范围;
步骤2.2,判断坐标是否是地理坐标,是则进入步骤2.4;否则进入步骤2.3;
步骤2.3,坐标转换,转换为地理坐标;
步骤2.4,通过分段整数函数计算经线间距和纬线间距的整数值Interval_x,Interval_y,经和纬线都要画在准确完整的位置上,由于尺度的不同,矩形框范围内的经纬度区间是不同的;对于经线,记录矩形框范围的经度差IntervalX,设置一个数字n表示在矩形框的范围内显示多少条经线,经线间距值计算如下公式如下:
Interval_x是经度线的区间值,Interval_x可能不是整数,设置一个经度分段整数函数:/>计算得到的Interval_x的整数值。对于纬线,记录矩形框范围的纬度差IntervalY,设置一个数字m表示在矩形框的范围内显示多少条纬线,纬线间距值计算如下公式如下:
步骤2.5,找到第一个整数经度和纬度,分别增加Interval_x,Interval_y;找到矩形框范围内的第一条整数经度线和第一条整数纬度线,增加并绘制直线和注释元素,在第一条整数经度线和第一条整数纬度线的基础上,依次增减区间;
步骤2.6,判断是否超出范围,否则进入步骤2.7,是则进入步骤2.2;
步骤2.7,绘制经线和纬线;遥感监测数据的坐标系为WGS84坐标系,投影为墨卡托投射,计算经纬度和单位长度的换算、动态采集地图坐标信息。
步骤3、绘制指北针、比例尺和图例,
指北针以特征元素的形式存在,图例和比例尺通过元素的组合绘制,图例信息来自图层,其信息包括颜色和符号样式,根据特征进行动态搜索信息,比例尺的绘制是将两个点分别作为起点和终点,设置地图比例尺的分段编号,比例尺的分段校准是整数值,比例尺的端点被动态调整,其标尺的长度为整数。
本发明分析了监控部门和业务的应用需求。根据针对遥感数据监测的特点,结合GIS引擎制图技术,研究了不同于传统制图的方法,为野生动物栖息地的遥感监测提供了技术支持。
为了识别野生动物,在勘测过程中通过识别设备扫描环境,识别设备包括摄像机、红外传感器、超声波传感器、激光成像装置、飞行时间衍射图像装置,识别方法如下:
两种新的特征提取方法,分别基于正交轴特征的区域轮廓法和笛卡尔轮廓法,这两种方法可以很好地解决这一特殊问题,并具有将特征提取与分类器本身分离的优点。通过三个连续的阶段:预处理、特征提取、分类,其中使用了两种特征提取(区域投影轮廓和笛卡尔投影剖面)和三种分类器(支持向量机、朴素贝叶斯和决策树)对野生动物进行识别:
步骤S1、图像采集,使用识别设备在白天测量,光轴垂直于路面,图像均以4128×3096像素的JPEG格式拍摄保存;
步骤S2、图像预处理,具体为:
步骤S2.1、每幅图像都按其比例进行标准化;
步骤S2.2、4128×3096像素的JPEG格式缩放为2048×1536像素,裁剪不相关的图像区域,然后图像被回复原始大小;
步骤S2.3、图像被转换成灰度级强度范围从0到255的灰度图像;
步骤S2.4、使用工具箱检测纹路,生成二值图像Bi;
步骤S3、特征提取,具体为:
步骤S3.1、区域投影轮廓,
每个二值图像Bi,i∈I被划分成10×10个不重叠的网格,设Gijk(r,c)是一个m×n阶的(0,1)矩阵,表示图像Bi的第j行和第k列中的一个网格,区域投影轮廓Rijk由下式给出,
步骤S3.2、笛卡尔投影剖面,水平投影剖面Hi(r)和垂直投影剖面Vi(r)由下式给出
步骤S4、通过支持向量机、朴素贝叶斯或决策树对步骤3给出的区域投影轮廓和笛卡尔投影剖面进行分类匹配,判断该图像中是否具有野生动物以及野生动物的种类。
其中,对支持向量机、朴素贝叶斯和决策树分类器将进行评估,使用了三个评估分数:精确度(Precision)、召回率(Recall)和模糊度量(F-measure),精确度是正确分类的纹路数除以检测到的纹路数,召回率是正确分类的纹路数除以应该返回的纹路数,模糊度量是对精确度和召回率综合考量,根据正确分类的纹路数(TP)、没有分类的纹路数(FN)和错误分类的纹路数(FP)的数量进行定义:
通过上述三个评估分数来决定采用分类器的种类。
本发明的有益效果:
本发明在设计思想、系统架构、采用技术、选用平台上均要具有一定的先进性、前瞻性、扩充性。先进性是系统建设的主要目标之一,先进性主要体现在:在充分理解和把握信息技术的发展趋势,采用目前先进数据库技术的基础上,实现诸如分布式数据库之间数据交换、多源异构数据集成等技术,降低数据维护成本和提高数据管理效率,使系统能够在野生动物识别智能监管上有效的发挥作用。
本发明要充分考虑应用和维护的方便性、灵活性,提供简洁、方便的操作方式和可视化操作界面,使用户容易掌握和使用。许多软件系统往往在功能强大与容易使用之间有矛盾,即功能齐全而强大的软件往往因菜单太多而不易掌握;反之,容易使用的软件其功能又不够完善。本发明克服上述两种倾向,达到既容易使用,又功能强大。
本发明建设制定科学合理的数据标准,制定和完善相关数据操作技术规程,保证基础地理数据的兼容性和开放性,提高数据层面的互操作性,才能有效支持和拓展数据平台服务。
本发明具有灵活方便的二次开发接口,基于组件的可定制服务,以保证系统的可扩展能力。具体表现在:为了能够满足用户今后系统扩容和扩大应用范围的需求,系统应该充分考虑从系统结构、功能设计、管理对象等各方面的功能扩展;软件的升级:系统应充分考虑平台的可扩展性及负载平衡机制。系统具有灵活和平滑的扩展能力;系统将采用目前流行的技术设计开发,实现业务逻辑的模块封装,使系统具有优秀的可重构能力和可扩充能力。
本发明设计与开发遵循安全性、保密性和共享性的原则,处理好数据资源共享与数据安全保密的关系。项目数据库的设计充分考虑渔业生产安全环境保障信息化建设的总体设计和规划,保证安全、保密前提下与各相关部门、单位的数据共享。
本发明分析了监控部门和业务的应用需求,根据针对遥感数据监测的特点,为野生动物栖息地的遥感监测提供了技术支持,GIS数据的发布可以方便快捷地根据不同的大小、比例尺和比例尺设置地图投影和比例尺目的,地理信息系统符号和地图的大小可以在地图上保持一致,利用GIS的数字数据可以避免错误,提高制图精度,生成文本消息、指北针、比例尺、图例等不需要的地图元素,正在从最初的突发事件、事故监测向日常监控转变监控。本发明根据遥感监测信息的特点和面向业务的工作需要,遥感监测制图方法使监测部门更加重视有效的。
本发明通过三维模型投影的二维直线与提取到的二维特征线之间的精确配准。然后,利用发明方法得到了高精度的外方位参数。通过细化的外方位参数将三维模型投影到图像上,从而估计出正确的纹理扩展,然后通过图像重采样得到三维模型的真实纹理。物体二维边缘线段在三维线段投影线之间的配准是决定结果的未知参数精度的关键问题。本发明基于倾斜图像的三维模型纹理自动获取提出了一套有实用价值的方法。
在本发明中,本发明结合卫星资料、关系数据库系统及野生动物栖息地植被与环境指标的关系,建立了一个基于的野生动物栖息地植被预测模型。野生动物栖息地植被系统在中部和北部地区是高度敏感的。高分辨率或中等分辨率的遥感数据使生态系统方法得以应用于区域范围内任何特定现象的脆弱性评估。通过合并野生动物栖息地植被死亡率数据和现场观察,对这一模型的评估将变得更加有用。
附图说明
图1为本发明的野生动物栖息地的遥感监测制图的方法流程图;
图2为本发明的对倾斜影像的校正的方法流程图;
图3为本发明的对野生动物栖息地植被的模拟的方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步的说明。
本发明的实施例参考图1-3所示。
根据本发明具体实施例的一种具有野生动物识别的智能监管系统,包括业务层、数据层和展示层。
业务层包括用户系统、业务系统、算法系统三大系统组成,用户系统主要用来管理平台用户操作行为及信息管理;业务系统用于管理整个平台模块之间的业务,包括野生动物栖息地的遥感监测制图、建筑物倾斜影像的校正、野生动物栖息地植被模拟、野生动物图像采集;算法系统通过野生动物栖息地的遥感监测制图方法、建筑物倾斜影像的校正方法、野生动物栖息地植被模拟方法以及野生动物图像识别方法实现对监管地域、建筑物、野生动物栖息地植被以及野生动物的识别和监控。
数据层用于数据存储,分为数据中心、系统数据库、图像数据库,数据中心用于存储各种业务数据,包括野生动物识别的数量、日期、位置等;系统数据库存储系统模块之间的业务关系数据,包括地图、图像存放地址等;图像数据库存储所有野生动物的图像数据和遥感地图数据。
展示层通过WEB端输出各功能模块之间交互返回的结果,开放API接口调用方法开发者可通过相关开放接口地址按照提供的调用规则进行调用。
业务系统通过图像提取设备获取保护地的野生动物图像,算法系统作为后台系统通过野生动物图像识别方法实现野生动物图像识别。
其中,系统服务采用轻量级Flask Web应用框架,其WSGI工具箱采用Werkzeug,Flask拥有内置服务器和单元测试,适配RESTful,支持安全的cookies;机器深度学习算法Keras人工神经网络和Open CV机器学习视觉算法,实时捕捉动态图像进行识别;自动采集数据图像,实现准确智能识别。
其中,根据本发明具体实施例的野生动物栖息地的遥感监测制图具体为:
遥感监测制图依赖于GIS引擎,针对遥感监测数据的特点,满足面向业务的工作和测绘的需要,在用户感兴趣的屏幕范围内自动绘制各种地图要素,实现地图输出以及以业务为导向的工作,GIS引擎的图形对象是视图对象,为了制图输出,视图对象具有修改类和对象。遥感监测制图需要快速有效地处理,满足卫星遥感监测过程中方便快捷的测绘要求,保证信息发布的效率,对象制图和对象页面布局类似,显示图形元素,在对象地图的基础上,添加相应的图形信息,包括地图、地理坐标、标记、文字、图例、指北针和比例尺。
在这里值得注意的是,对象地图中的地图支持,本发明具体实施例提供对象和类、地图的地理比例、比例尺和图例的详细信息,包括如下步骤;
步骤1、制图范围的选择与预处理
通过人际交互,用户手动拖动鼠标在屏幕上画出一个矩形框,每一个触发器事件都被临时记录在缓存中,当事件结束且矩形消失时,缓存会自动释放,每一次新的人机交互都暂时记录了用户感兴趣的范围,范围的记录是临时和随机的。当用户所画的范围超出了正常的长宽比,其形状太宽或太高,选择按照一定的比例修改制图范围,使制图范围符合视觉感知,将矩形的中心点作为长度和宽度的基准,应记录较低的值,并用于在一定的长宽比下重新计算较高值。
步骤2、地理分划
地图地理分划主要是按矩形框的范围画出水平和垂直线要素;
步骤2.1、记录矩形框制图范围;
步骤2.2、判断坐标是否是地理坐标,是则进入步骤2.4;否则进入步骤2.3;
步骤2.3、坐标转换,转换为地理坐标;
步骤2.4、通过分段整数函数计算经线间距和纬线间距的整数值Interval_x,Interval_y,经线和纬线都要画在准确完整的位置上,由于尺度的不同,矩形框范围内的经纬度区间是不同的;对于经线,记录矩形框范围的经度差IntervalX,设置一个数字n表示在矩形框的范围内显示多少条经线,经线间距值计算如下公式如下:
Interval_x是经度线的区间值,Interval_x可能不是整数,设置一个经度分段整数函数:/>计算得到的Interval_x的整数值。对于纬线,记录矩形框范围的纬度差IntervalY,设置一个数字m表示在矩形框的范围内显示多少条纬线,纬线间距值计算如下公式如下:
步骤2.5,找到第一个整数经度和纬度,分别增加Interval_x,Intervaly;找到矩形框范围内的第一条整数经度线和第一条整数纬度线,增加并绘制直线和注释元素,在第一条整数经度线和第一条整数纬度线的基础上,依次增减区间;
步骤2.6,判断是否超出范围,否则进入步骤2.7,是则进入步骤2.2;步骤2.7,绘制经线和纬线;遥感监测数据的坐标系为WGS84坐标系,投影为墨卡托投射,计算经纬度和单位长度的换算、动态采集地图坐标信息。
步骤3、绘制指北针、比例尺和图例,指北针以特征元素的形式存在,图例和比例尺通过元素的组合绘制,图例信息来自图层,其信息包括颜色和符号样式,根据特征进行动态搜索信息,比例尺的绘制是将两个点分别作为起点和终点,设置地图比例尺的分段编号,比例尺的分段校准是整数值,比例尺的端点被动态调整,其标尺的长度为整数。
本发明分析了监控部门和业务的应用需求,根据针对遥感数据监测的特点,结合GIS引擎制图技术,研究了不同于传统制图的方法,为野生动物栖息地的遥感监测提供了技术支持。
根据本发明的另一具体实施例,在勘测过程中通过摄像机、红外传感器、超声波传感器、激光成像装置、飞行时间衍射图像装置等识别设备扫描环境进行识别,识别方法如下:
本发明使用两种新的特征提取方法,分别基于正交轴特征的区域轮廓法和笛卡尔轮廓法,这两种方法可以很好地解决这一特殊问题,并具有将特征提取与分类器本身分离的优点。实验结果表明,正交轴特征的笛卡儿轮廓与决策树匹配良好,区域轮廓与支持向量机匹配良好。方法包括三个连续的阶段:预处理、特征提取、分类,其中使用了两种特征提取(区域投影轮廓和笛卡尔投影剖面)和三种分类器(支持向量机、朴素贝叶斯和决策树):
步骤S1、图像采集,使用识别设备在白天测量,光轴垂直于路面,图像均以4128×3096像素的JPEG格式拍摄保存;
步骤S2、图像预处理,具体为:
步骤S2.1、每幅图像都按其比例进行标准化;
步骤S2.2、4128×3096像素的JPEG格式缩放为2048×1536像素,裁剪不相关的图像区域,然后图像被回复原始大小;
步骤S2.3、图像被转换成灰度级强度范围从0到255的灰度图像;
步骤S2.4、使用工具箱检测纹路,生成二值图像Bi;
步骤S3、特征提取,具体为:
步骤S3.1、区域投影轮廓,
每个二值图像Bi,i∈I被划分成10×10个不重叠的网格,设Gijk(r,c)是一个m×n阶的(0,1)矩阵,表示图像Bi的第j行和第k列中的一个网格,区域投影轮廓Rijk由下式给出,
步骤S3.2、笛卡尔投影剖面,水平投影剖面Hi(r)和垂直投影剖面Vi(r)由下式给出:
步骤S4、通过支持向量机、朴素贝叶斯或决策树对步骤3给出的区域投影轮廓和笛卡尔投影剖面进行分类匹配,判断该图像中是否具有野生动物以及野生动物的种类。
进一步的,本发明的具体实施例中对支持向量机、朴素贝叶斯和决策树分类器将进行评估,使用了三个评估分数:精确度(Precision)、召回率(Recall)和模糊度量(F-measure),精确度是正确分类的纹路数除以检测到的纹路数,召回率是正确分类的纹路数除以应该返回的纹路数,模糊度量是对精确度和召回率综合考量,根据正确分类的纹路数(TP)、没有分类的纹路数(FN)和错误分类的纹路数(FP)的数量进行定义:
进一步的,对倾斜影像的校正,具体为:
步骤A1、线性特征提取
边缘是图像中强度函数或强度函数的空间导数发生快速变化的区域,边缘承载着大量的信息,在高层次上分析、描述和理解图像具有重要意义。到目前为止,边缘提取一直是国内外学者研究的热点,在数字图像处理和计算机视觉的研究领域,多边缘算子是一种新的边缘检测算子,多边缘曾经提出过边缘检测结果的三个评价指标,即:判率低,即边缘点与非边缘点的误判率低;定位精度,即在灰度变化最大的像素上定位边缘点;抑制假边的出现;在二维图像空间中,多边缘算子可以通过比较好的边缘估计来产生梯度强度和方向信息,将其用于线性特征提取;
步骤A2、精确配准
配准是一个由粗到精的过程,该过程包括以下内容,建立描述物体顶部轮廓的线特征集,对线特征进行评价,以确定图像中的最佳候选线特征。
步骤A2.1、建立候选特征线集
三维模型的初始投影会偏离实际位置,与实际图像线特征相对应的三维模型线应在其局部区域显示主要特征,在优化策略下,利用可能的候选线特征集中的直线来确定图像中准确或接近于主线的特征,确定三维模型投影的候选线特征,确定的过程是一个以三维模型投影线为中心线,d缓冲宽度的矩形区域内多边缘算子提取直线特征的过程,以投影线为中心线,设置d=30~50为其缓冲宽度;
步骤A2.2、评价候选线特征集
由于每个三维模型线的投影线对应的线特征数目不同,建立判断标准,确定最佳候选线特征作为目标特征,细化外方位参数,用可靠性来评价线路特征。假设lp为三维模型线在图像中的投影,候选线特征集为li(i=1,2,...,n),为li的长度,/>为lp与li之间的夹角,/>为li与参考点P(x,y)之间的垂直距离,P(x,y)是三维模型中物体顶部线投影的几何中心,以下函数用于计算候选线特征的可靠性:
其中MAX(*)是关于候选线特征的*的最大值,Pj(j=1,2,3)是是不同几何特征对可靠性的贡献率,由于射影线与实际位置的偏差距离较大,先以候选线特征的长度作为主要判断标准,P1的贡献率为0.8,P2和P3的贡献率为0.1,当投影线在图像中接近其实际位置时,同时选择长度、角度和距离作为判断标准,P1的贡献率为0.4,P2和P3的贡献率为0.3,根据上述判断准则,通过评价确定最佳候选特征线;
步骤A3、外方位参数细化
提取出相应的最佳候选特征线后,利用共面性条件对外方位参数进行细化,要求是图像空间中的二维线段是三维模型上三维线段的共轭线,O(X0,Y0,Z0)为曝光中心,构成了线段的起点、A(X1,Y1,Z1)和B(X2,Y2,Z2)为线段端点,a(x1,y1)和b(x2,y2)为线段OA和OB所在平面的线段OA和OB面上的点的二维表示;O(X0,Y0,Z0)、a(x1,y1)、b(x2,y2)、A(X1,Y1,Z1)和B(X2,Y2,Z2)应位于同一平面上,由成像几何结构决定,即中心透视投影,共面条件为:
表示a(x1,y1)和b(x2,y2)分别与O(X0,Y0,Z0)的三维向量卷积,所有坐标同一在一个公共坐标系内,使用图像空间的三维坐标系,坐标系起源于曝光中心O(X0,Y0,Z0),共面性条件转换为限制条件F1和F2:
其中,a、b、c为常量,rij表示关联系数,上述非线性方程组需要用泰勒级数进行线性化,并通过迭代计算求解方位参数。线性化后,上述方程可表示为下式:
根据得到差异向量和误差向量细化后的参数后,将三维模型投影到图像中,评估所导出参数的准确性,使用协方差矩阵M,假设σ0的估计值为m0,Q为协方差矩阵,则
构建逼真的三维模型,获取真实感的纹理数据,三维模型数据是物体的三维坐标集合,采用线性插值法获得三维模型的目标坐标,利用共线方程计算像素在图像上的位置,采用间接校正的方法自动获取纹理,获得纹理图像,通过设置不同的重采样间隔,得到不同分辨率的纹理。
通过三维模型投影的二维直线与提取到的二维特征线之间的精确配准。然后,利用发明方法得到了高精度的外方位参数。通过细化的外方位参数将三维模型投影到图像上,从而估计出正确的纹理扩展,然后通过图像重采样得到三维模型的真实纹理。物体二维边缘线段在三维线段投影线之间的配准是决定结果的未知参数精度的关键问题。
进一步的,本发明具体实施例对野生动物栖息地植被模拟,包括如下步骤:
步骤B1、参数选择
温度、植被饱和状态、光合有效辐射、风速、水深和坡度对植被起着至关重要的作用,有关这些参数选择的信息如下;
A、温度
B、植被饱和状态
C、光合有效辐射
光合有效辐射表示从到达表面的太阳的400~700nm的光谱范围,这是植被光合作用过程中植被的所需要的,其中,光合有效辐射大于47瓦/平方米/天,植被生存的条件。
D、风速
其中,小于28米/秒的最大风速对植被造成轻微损害,但超过30米/秒的风速对近岸造成损害,大于40米/秒会对近水造成灾难性损害;
E、水深
水深测量被选为另一个参数,定义了植被生存的深度,植被存在于的某个深度,浅水植被栖息在50米深处,深水植被栖息在150米深处;
F、坡度
坡度是由水深测量数据导出的,定义了坡度,植被生存在坡度小于4度的地方;
步骤B2、数据处理方法
应用多标准决策分析分析的植被,包括以下步骤:
步骤B2.1、识别参数:在这个模型开发过程中使用的程序首先根据已知影响植被的先验知识选择参数。为层次分析法选择了六个参数,包括温度、光合有效辐射、植被饱和状态、风速、水深、坡度;
步骤B2.2、数据采集,所有层重新投影,提取观测区域的范围;
步骤B2.3、将步骤B1的六个参数被进一步用作重叠分析的输入,基于一组倒数参数矩阵中的比较来评估六个参数的性能,用于比较参数的标度为1到5,相关定义和说明如下表所示,形成比较矩阵:
表1标度的相关定义和说明
标度 | 定义 | 说明 |
1 | 相等重要 | 两个参数对目标的贡献相等。 |
2 | 等于适度 | 当需要1和3之间的折衷值时 |
3 | 适度重要 | 它稍微倾向于一个参数而不是另一个参数 |
4 | 中等偏强 | 当需要3到5之间的折衷值 |
5 | 强 | 强烈倾向于一个参数胜过另一个参数 |
在较矩阵形成后,计算归一化特征向量,通过将每列的和除以比较矩阵中的每个元素,对比较矩阵进行规范化,通过计算比较矩阵每行元素的平均值得到归一化特征向量;当一致性比(CR)小于0.10时,参数的合理一致性水平是可以接受的。如果超过0.10,则表示判断不可靠,需要重新考虑比较矩阵,一致性比计算如下:
其中,CR表示一致性比,CI表示一致性指数,RI表示随机性指数,n表示参数个数,λmax表示主特征值(特征向量各元素与倒数矩阵列之和的乘积之和),随机性指数(RI)与参数个数(n)对应如下表所示
表2随机性指数和参数个数对应表
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
RI | 0.0 | 0.0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 | 1.49 |
步骤B3、层次分析
使用步骤B1的六个参数来确定每个参数之间的优先顺序,如下表所示,从层次分析法中得到一个通用的量表,其中,温度是最重要的参数,其相对标准权重为0.436,光合有效辐射为0.159、风速为0.082、水深为0.082、植被饱和度为0.159,坡度为0.082,对这一判断的一致性进行检验,表示主特征值λmax=6.005,一致性指数CI=0.001,对于n=6,RI=1.24,一致性比CR=>0.0008(小于0.1,表明一致性是可行),如表3所示进行了比较,判断每个参数是否适合叠加;
表3所选参数的权重
步骤B4、权重叠加分析
根据先验知识确定野生动物栖息地的植被地点,采用光栅格式采集数据,重新分类,为每个组件提供比例值,使用1到5的刻度值,其中1代表最不敏感,3代表中度,5代表严重,经过加权叠加分析后,制作植被的敏感性图,进而实现对植被的模拟。
以上所述实施方式仅表达了本发明的一种实施方式,但并不能因此而理解为对本发明范围的限制。应当指出,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.一种具有野生动物识别的智能监管系统,其特征在于,包括业务层、数据层和展示层;
所述业务层包括用户系统、业务系统、算法系统三大系统,所述用户系统主要用来管理平台用户操作行为及信息管理;所述业务系统用于管理整个平台模块之间的业务,包括野生动物栖息地的遥感监测制图、建筑物倾斜影像的校正和野生动物图像采集;所述算法系统通过野生动物栖息地的遥感监测制图方法、建筑物倾斜影像的校正方法和野生动物图像识别方法实现对监管地域、建筑物以及野生动物的识别和监控;
所述数据层用于数据存储,分为数据中心、系统数据库和图像数据库,所述数据中心用于存储业务数据,包括野生动物识别的数量、日期和位置;所述系统数据库存储系统模块之间的业务关系数据,包括地图和图像存放地址;所述图像数据库存储所有野生动物的图像数据和遥感地图数据;
所述展示层通过WEB端输出各功能模块之间交互返回的结果,开放API接口调用方法开发者可通过相关开放接口地址按照提供的调用规则进行调用;
所述业务系统通过图像提取设备获取保护地的野生动物图像,所述算法系统作为后台系统通过野生动物图像识别方法实现野生动物图像识别;
其中,野生动物栖息地的遥感监测制图方法包括如下步骤:
步骤1、制图范围的选择与预处理;
步骤2、地理分划,地图地理分划主要是按矩形框的范围画出水平和垂直线要素;
步骤3、绘制指北针、比例尺和图例;
在上述步骤中通过识别设备对环境进行扫描,所述识别设备包括摄像机、红外传感器、超声波传感器、激光成像装置和飞行时间衍射图像装置;通过三个连续的阶段:预处理、特征提取和分类对野生动物进行识别。
2.根据权利要求1所述的一种具有野生动物识别的智能监管系统,其特征在于,所述步骤1具体为:通过人际交互,用户手动拖动鼠标在屏幕上画出一个矩形框,每一个触发器事件都被临时记录在缓存中,当事件结束且矩形消失时,缓存会自动释放,每一次新的人机交互都暂时记录了用户感兴趣的范围,范围的记录是临时和随机的;当用户所画的范围超出了正常的长宽比,其形状太宽或太高,选择按照一定的比例修改制图范围,使制图范围符合视觉感知,将矩形的中心点作为长度和宽度的基准,应记录较低的值,并用于在一定的长宽比下重新计算较高值。
3.根据权利要求1所述的一种具有野生动物识别的智能监管系统,其特征在于,所述步骤2具体为:
步骤2.1,记录矩形框制图范围;
步骤2.2,判断坐标是否是地理坐标,是则进入步骤2.4;否则进入步骤2.3;
步骤2.3,坐标转换,转换为地理坐标;
步骤2.4,通过分段整数函数计算经线间距和纬线间距的整数值Interval_x,Interval_y;经线和纬线都要画在准确完整的位置上,由于尺度的不同,矩形框范围内的经纬度区间是不同的;对于经线,记录矩形框范围的经度差IntervalX,设置一个数字n表示在矩形框的范围内显示多少条经线,经线间距值计算如下公式如下:
Interval_x是经度线的区间值,Interval_x可能不是整数,设置一个经度分段整数函数:计算得到的Interval_x的整数值;对于纬线,记录矩形框范围的纬度差IntervalY,设置一个数字m表示在矩形框的范围内显示多少条纬线,纬线间距值计算如下公式如下:
计算得到的Interval_y的整数值;
步骤2.5,找到第一个整数经度和纬度,分别增加Interval_x,Interval_y;
找到矩形框范围内的第一条整数经度线和第一条整数纬度线,增加并绘制直线和注释元素,在第一条整数经度线和第一条整数纬度线的基础上,依次增减区间;
步骤2.6,判断是否超出范围,否则进入步骤2.7,是则进入步骤2.2;
步骤2.7,绘制经线和纬线;遥感监测数据的坐标系为WGS84坐标系,投影为墨卡托投射,计算经纬度和单位长度的换算、动态采集地图坐标信息。
4.根据权利要求1所述的一种具有野生动物识别的智能监管系统,其特征在于,所述步骤4具体为:指北针以特征元素的形式存在,图例和比例尺通过元素的组合绘制,图例信息来自图层,其信息包括颜色和符号样式,根据特征进行动态搜索信息,比例尺的绘制是将两个点分别作为起点和终点,设置地图比例尺的分段编号,比例尺的分段校准是整数值,比例尺的端点被动态调整,其标尺的长度为整数。
5.根据权利要求1所述的一种具有野生动物识别的智能监管系统,其特征在于,所述野生动物识别具体为:
步骤S1、图像采集,使用识别设备在白天测量,光轴垂直于路面,图像均以4128×3096像素的JPEG格式拍摄保存;
步骤S2、图像预处理;
步骤S3、特征提取;
步骤S4、通过支持向量机、朴素贝叶斯或决策树对步骤3给出的区域投影轮廓和笛卡尔投影剖面进行分类匹配,判断该图像中是否具有野生动物以及野生动物的种类。
6.根据权利要求5所述的一种具有野生动物识别的智能监管系统,其特征在于,所述步骤S2具体为:
步骤S2.1、每幅图像都按其比例进行标准化;
步骤S2.2、4128×3096像素的JPEG格式缩放为2048×1536像素,裁剪不相关的图像区域,然后图像被回复原始大小;
步骤S2.3、图像被转换成灰度级强度范围从0到255的灰度图像;
步骤S2.4、使用工具箱检测纹路,生成二值图像Bi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011566041.9A CN112668461B (zh) | 2020-12-25 | 2020-12-25 | 一种具有野生动物识别的智能监管系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011566041.9A CN112668461B (zh) | 2020-12-25 | 2020-12-25 | 一种具有野生动物识别的智能监管系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668461A CN112668461A (zh) | 2021-04-16 |
CN112668461B true CN112668461B (zh) | 2023-05-23 |
Family
ID=75409436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011566041.9A Active CN112668461B (zh) | 2020-12-25 | 2020-12-25 | 一种具有野生动物识别的智能监管系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668461B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113178060A (zh) * | 2021-04-23 | 2021-07-27 | 知晓(北京)通信科技有限公司 | 一种野生动物ai检测方法及检测系统 |
CN114155447B (zh) * | 2021-12-02 | 2022-06-24 | 北京中科智易科技有限公司 | 人工智能大数据采集系统 |
CN114549259A (zh) * | 2022-02-23 | 2022-05-27 | 中科海慧(北京)科技有限公司 | 一种基于多源数据融合的智慧城市优化管理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
CN109409289A (zh) * | 2018-10-26 | 2019-03-01 | 国网四川省电力公司电力科学研究院 | 一种电力作业安全监督机器人安全作业识别方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1537550A2 (en) * | 2002-07-15 | 2005-06-08 | Magna B.S.P. Ltd. | Method and apparatus for implementing multipurpose monitoring system |
KR101533905B1 (ko) * | 2011-02-21 | 2015-07-03 | 스트라테크 시스템즈 리미티드 | 비행장 내의 이물질, 파편 또는 손상 검출 감시 시스템 및 방법 |
US9390331B2 (en) * | 2014-04-15 | 2016-07-12 | Open Range Consulting | System and method for assessing riparian habitats |
-
2020
- 2020-12-25 CN CN202011566041.9A patent/CN112668461B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
CN109409289A (zh) * | 2018-10-26 | 2019-03-01 | 国网四川省电力公司电力科学研究院 | 一种电力作业安全监督机器人安全作业识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112668461A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668461B (zh) | 一种具有野生动物识别的智能监管系统 | |
AU2019272032B2 (en) | Statistical point pattern matching technique | |
US8958603B2 (en) | Automated mapping of land cover using sequences of aerial imagery | |
Sisodia et al. | A comparative analysis of remote sensing image classification techniques | |
Kong et al. | K-plane-based classification of airborne LiDAR data for accurate building roof measurement | |
Axel et al. | Building damage assessment using airborne lidar | |
CN113916130B (zh) | 一种基于最小二乘法的建筑物位置测量方法 | |
Dong et al. | A framework for automated assessment of post-earthquake building damage using geospatial data | |
CN116843845A (zh) | 一种应用于数字孪生城市的空间数据集成方法及系统 | |
Mohamed et al. | Change detection techniques using optical remote sensing: a survey | |
Zhou et al. | Automated extraction of 3D vector topographic feature line from terrain point cloud | |
Dawod et al. | Assessing mangrove deforestation using pixel-based image: a machine learning approach | |
Pyka et al. | LiDAR-based method for analysing landmark visibility to pedestrians in cities: case study in Kraków, Poland | |
Tang et al. | A new method for extracting trees and buildings from sparse LiDAR data in urban areas | |
Lohani et al. | Effect of data density, scan angle, and flying height on the accuracy of building extraction using LiDAR data | |
Niccolai et al. | Decision rule-based approach to automatic tree crown detection and size classification | |
Kostensalo et al. | Recreating structurally realistic tree maps with airborne laser scanning and ground measurements | |
McKee et al. | Effect of Image Classification Accuracy on Dasymetric Population Estimation | |
Gavrilov et al. | Automated visual information processing using artificial intelligence | |
Mohammadi | Point cloud analysis for surface defects in civil structures | |
Trinder et al. | Airborne lidar as a tool for disaster monitoring and management | |
Chen et al. | Evaluation of landslide potential due to land use in the slope | |
Zhang et al. | Drone-Based Remote Sensing for Research onWind Erosion in Drylands: Possible Applications. Remote Sens. 2021, 13, 283 | |
Ma et al. | Urban land use classification using LiDAR geometric, spatial autocorrelation and lacunarity features combined with postclassification processing method | |
CN112686995B (zh) | 一种红树林智能监管系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |