CN117746259A - 一种基于地图引擎的耕地监管方法及系统 - Google Patents

Abstract

本发明公开了一种基于地图引擎的耕地监管方法及系统，涉及数据处理技术领域；该方法通过卫星遥感与预设检测区域的数据进行结合，得到只针对预设区域的地图引擎，从而可以更准确获取该区域的地理信息，并根据耕地铁塔获取视频数据进行智能识别发现是否存在违法违规行为，实现实时进行违法违规行为识别，提高违法违规行为的发现率；若存在违法违规行为则通过地图引擎对违法违规行为区域的第一数据属性进行标记，根据该标记再次通过卫星遥感对违法违规行为区域进行数据检测得到第二数据属性，通过第一数据属性和第二数据属性得到具体的违法违规行为结果，提高结果的准确性和可靠性，实现了实时进行违法违规行为识别。

Description

一种基于地图引擎的耕地监管方法及系统

技术领域

本发明属于数据处理技术领域，具体涉及一种基于地图引擎的耕地监管方法及系统。

背景技术

耕地监管是用于确保耕地资源的合理利用和保护。是为了保障粮食安全，维护农民权益，促进可持续发展，通过耕地监管，可以有效地遏制非法占用和破坏耕地现象，提高土地利用效率，确保粮食生产稳定。同时，也可以对耕地的保护、改良和提升进行规划和投入，以保障耕地的可持续利用和农业的可持续发展。

然而，部分地区也出现对耕地进行违法违规倾向，一些地方把农业结构调整简单理解为压减粮食生产，一些经营主体违规在永久基本农田、现有农田和规划农田上种树挖塘，一些工商资本大规模流转耕地改种非粮作物等严重破坏了永久农田、现有农田和规划农田的土壤环境，对粮食安全和农业可持续发展造成了威胁，目前对这些违法违规进行大多通过人为到现场进行识别，当出现违法违规行为时无法及时获取，从而无法及时采取措施进行制止和处理，导致违法违规行为持续发生，造成耕地永久性破坏，影响粮食安全和农业可持续发展。

发明内容

本发明的目的就在于解决当出现违法违规行为时无法及时获取，从而无法及时采取措施进行制止和处理，导致违法违规行为持续发生，造成耕地永久性破坏，影响粮食安全和农业可持续发展的问题，而提出一种基于地图引擎的耕地监管方法及系统。

在本发明实施的第一方面，首先提出一种基于地图引擎的耕地监管方法，所述方法包括:

通过卫星遥感获取预设检测区域的遥感图像，根据所述预设检测区域中耕地区域集对应的地理数据对所述遥感图像进行标注得到地图引擎；所述耕地区域集包括永久耕地区域、现有耕地区域和规划耕地区域；所述地理数据包括耕地现状数据、规划耕地管控数据和永久耕地数据；

针对耕地区域集里任意耕地区域，通过耕地铁塔获取该耕地区域的视频数据进行智能识别，得到识别结果；

若所述识别结果存在违法违规行为，则调度所述地图引擎中该耕地区域的第一数据属性进行标记得到目标标签；所述第一数据属性包括该区域作物种类、作物图像特征、作物区域面积、作物区域边界和作物区域位置；

通过卫星遥感获取所述目标标签对应的作物区域位置并进行数据检测得到该区域的第二数据属性；

将所述第一数据属性与所述第二数据属性进行比较得到违法违规行为结果，根据所述违法违规行为结果确定处理方案。

可选的，通过耕地铁塔获取该耕地区域的视频数据进行智能识别，得到识别结果包括：

根据所述耕地铁塔获取的视频监控画面，针对预先设定的关键目标进行目标识别；所述关键目标为预先设定的被智能识别系统关注和识别的对象和行为；

若所述目标识别为视频监控画面中存在该关键目标，则截取所述视频监控中该关键目标的出现时间和结束时间得到目标时间片；

通过低通滤波器对所述目标时间片上的图像进行平滑处理，并通过所述关键目标对所述目标时间片上的图像进行图像切割，得到只包含所述关键目标的目标图像集，对所述目标图像集进行特征提取得到目标特征；

根据所述目标特征与预设数据库进行比较得到识别结果；所述预设数据库为预先设定的识别对象在不同情况下产生的数据样本库。

可选的，对所述目标图像集进行特征提取得到目标特征包括：

对第一目标图像进行光流算法得到目标光流场；所述第一目标图像为所述目标图像集中任意图像；所述目标光流场为所述目标图像中每个像素的光流矢量；

计算所述目标光流场得到目标二维矢量矩阵，将所述目标二维矢量矩阵中光流矢量转换为极坐标得到所述目标图像中每个像素的极性直径；所述目标二维矢量矩阵为该像素在x轴和y轴方向的光流分量；

对每个像素的极性直径进行求和平均得到所述目标图像的运动矢量，将第一帧图像记为第一关键图像并进行关键图像标记，按时间顺序依次对比第一关键图像与第二目标图像的运动矢量，直到第一关键图像与第二目标图像的运动矢量超过阈值，则将该第二目标图像确定为关键图像并更新该第二目标图像为所述第一关键图像进行关键图像标记，直到最后一帧图像；

根据关键图像标记，得到在时间序列上相邻关键图像中的图像集，记为变化图像集，对所述变化图像集内的光流矢量进行求和得到相邻关键图像中的特征差异，获取所有相邻关键图像的特征差异得到目标特征。

可选的，对所述目标图像集进行特征提取得到目标特征还包括：

将所述目标图像集中各个图像，按时间序列进行图像叠加，得到融合图像；

对所述融合图像进行边界切割得到目标特征。

可选的，通过卫星遥感获取所述标记对应的作物区域位置并进行数据检测得到该区域的第二数据属性包括：

根据所述作物区域面积和所述作物区域边界对该区域的现实图像进行图像切割得到特征现实图像；

通过颜色直方图对所述特征现实图像进行颜色提取得到颜色分布图，并通过小波变换获取所述特征现实图像纹理特征，所述颜色分布图和所述纹理特征记为第二数据属性。

在本发明实施的第二方面，提出一种基于地图引擎的耕地监管系统，所述系统包括地图引擎确定模块、智能识别模块、属性标记模块、第二数据属性模块和处理方案确定模块：

所述地图引擎确定模块，用于通过卫星遥感获取预设检测区域的遥感图像，根据所述预设检测区域中耕地区域集对应的地理数据对所述遥感图像进行标注得到地图引擎；所述耕地区域集包括永久耕地区域、现有耕地区域和规划耕地区域；所述地理数据包括耕地现状数据、规划耕地管控数据和永久耕地数据；

所述智能识别模块，用于针对耕地区域集里任意耕地区域，通过耕地铁塔获取该耕地区域的视频数据进行智能识别，得到识别结果；

所述属性标记模块，用于若所述识别结果存在违法违规行为，则调度所述地图引擎中该耕地区域的第一数据属性进行标记得到目标标签；所述第一数据属性包括该区域作物种类、作物图像特征、作物区域面积、作物区域边界和作物区域位置；

所述第二数据属性模块，用于通过卫星遥感获取所述目标标签对应的作物区域位置并进行数据检测得到该区域的第二数据属性；

所述处理方案确定模块，用于将所述第一数据属性与所述第二数据属性进行比较得到违法违规行为结果，根据所述违法违规行为结果确定处理方案。

可选的，所述智能识别模块包括目标识别模块、目标时间片确定模块、目标图像集模块和识别结果模块：

所述目标识别模块，用于根据所述耕地铁塔获取的视频监控画面，针对预先设定的关键目标进行目标识别；所述关键目标为预先设定的被智能识别系统关注和识别的对象和行为；

所述目标时间片确定模块，用于若所述目标识别为视频监控画面中存在该关键目标，则截取所述视频监控中该关键目标的出现时间和结束时间得到目标时间片；

所述目标图像集模块，用于通过低通滤波器对所述目标时间片上的图像进行平滑处理，并通过所述关键目标对所述目标时间片上的图像进行图像切割，得到只包含所述关键目标的目标图像集，对所述目标图像集进行特征提取得到目标特征；

所述识别结果模块，用于根据所述目标特征与预设数据库进行比较得到识别结果；所述预设数据库为预先设定的识别对象在不同情况下产生的数据样本库。

可选的，所述目标图像集模块包括目标光流场模块、像素极性直径模块、关键图像标记模块和特征差异模块：

所述目标光流场模块，用于对第一目标图像进行光流算法得到目标光流场；所述第一目标图像为所述目标图像集中任意图像；所述目标光流场为所述目标图像中每个像素的光流矢量；

所述像素极性直径模块，用于计算所述目标光流场得到目标二维矢量矩阵，将所述目标二维矢量矩阵中光流矢量转换为极坐标得到所述目标图像中每个像素的极性直径；所述目标二维矢量矩阵为该像素在x轴和y轴方向的光流分量；

所述关键图像标记模块，用于对每个像素的极性直径进行求和平均得到所述目标图像的运动矢量，将第一帧图像记为第一关键图像并进行关键图像标记，按时间顺序依次对比第一关键图像与第二目标图像的运动矢量，直到第一关键图像与第二目标图像的运动矢量超过阈值，则将该第二目标图像确定为关键图像并更新该第二目标图像为所述第一关键图像进行关键图像标记，直到最后一帧图像；

所述特征差异模块，用于根据关键图像标记，得到在时间序列上相邻关键图像中的图像集，记为变化图像集，对所述变化图像集内的光流矢量进行求和得到相邻关键图像中的特征差异，获取所有相邻关键图像的特征差异得到目标特征。

可选的，所述目标图像集模块还包括融合图像模块和边界切割模块：

所述融合图像模块，用于将所述目标图像集中各个图像，按时间序列进行图像叠加，得到融合图像；

所述边界切割模块，用于对所述融合图像进行边界切割得到目标特征。

可选的，所述第二数据属性模块包括特征现实图像模块和第二数据属性提取模块：

所述特征现实图像模块，用于根据所述作物区域面积和所述作物区域边界对该区域的现实图像进行图像切割得到特征现实图像；

所述第二数据属性提取模块，用于通过颜色直方图对所述特征现实图像进行颜色提取得到颜色分布图，并通过小波变换获取所述特征现实图像纹理特征，所述颜色分布图和所述纹理特征记为第二数据属性。

本发明的有益效果：

本发明提出了一种基于地图引擎的耕地监管方法，通过卫星遥感与预设检测区域的数据进行结合，得到只针对预设区域的地图引擎，从而可以更准确获取该区域的地理信息，并根据耕地铁塔获取视频数据进行智能识别发现是否存在违法违规行为，可以实时进行违法违规行为识别，提高违法违规行为的发现率，并减少漏报和误报的情况；若存在违法违规行为则通过地图引擎对违法违规行为区域的第一数据属性进行标记，这有助于在地图引擎上准确地标注出存在问题的区域，为后续的处理提供依据；同时，这种标记功能还可以对违法违规行为进行跟踪和监测，及时掌握其变化情况；再次通过卫星遥感对违法违规行为区域进行数据检测得到第二数据属性，通过第一数据属性和第二数据属性得到具体的违法违规行为结果，提高结果的准确性和可靠性，实现了实时进行违法违规行为识别。

附图说明

下面结合附图对本发明作进一步的说明。

图1为本发明实施例提供了一种基于地图引擎的耕地监管方法的流程图；

图2为本发明实施例提供了一种基于地图引擎的耕地监管系统的框架图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明实施例提供了一种基于地图引擎的耕地监管方法。参见图1，图1为本发明实施例提供的一种基于地图引擎的耕地监管方法的流程图。该方法包括以下步骤:

S101，通过卫星遥感获取预设检测区域的遥感图像，根据预设检测区域中耕地区域集对应的地理数据对遥感图像进行标注得到地图引擎。

S102，针对耕地区域集里任意耕地区域，通过耕地铁塔获取该耕地区域的视频数据进行智能识别，得到识别结果。

S103，若识别结果存在违法违规行为，则调度地图引擎中该耕地区域的第一数据属性进行标记得到目标标签。

S104，通过卫星遥感获取目标标签对应的作物区域位置并进行数据检测得到该区域的第二数据属性。

S105，将第一数据属性与第二数据属性进行比较得到违法违规行为结果，根据违法违规行为结果确定处理方案。

其中，耕地区域集包括永久耕地区域、现有耕地区域和规划耕地区域；地理数据包括耕地现状数据、规划耕地管控数据和永久耕地数据；第一数据属性包括该区域作物种类、作物图像特征、作物区域面积、作物区域边界和作物区域位置。

基于本发明实施例提供的一种基于地图引擎的耕地监管方法，通过得到只针对预设区域的地图引擎，从而可以更准确获取该区域的地理信息，并根据耕地铁塔进行智能识别发现是否存在违法违规行为，可以实时进行违法违规行为识别，提高违法违规行为的发现率，并减少漏报和误报的情况；若存在违法违规行为则通过地图引擎对违法违规行为区域的第一数据属性进行标记，根据该标记再次通过卫星遥感对违法违规行为区域进行数据检测得到第二数据属性，通过第一数据属性和第二数据属性得到具体的违法违规行为结果，提高结果的准确性和可靠性，实现了实时进行违法违规行为识别。

一种实现方式中，卫星遥感还用于定期获取预设检测区域的遥感图像，可以实现对该区域的持续监测和数据更新，这种定期获取的方式可以确保数据的时效性和准确性，及时反映区域内的变化情况。

一种实现方式中，违法违规行包括进行不符合土地利用总体规划的建设活动，如在永久耕地、现有耕地和规划耕地中进行非农建设；擅自将耕地转为非耕地，如将耕地转为林地、园地等其它类型的农用地；非法占用耕地进行房地产开发或其他商业活动；在耕地上挖沙、采石、采矿等破坏性行为；破坏或占用耕地资源如乱倒垃圾、乱排污水等。

一种实现方式中，通过耕地铁塔进行智能识别，提高违法违规行为的发现率，并减少漏报和误报的情况。

在一个实施例中，步骤S102具体包括：

步骤一：根据耕地铁塔获取的视频监控画面，针对预先设定的关键目标进行目标识别。

步骤二：若目标识别为视频监控画面中存在该关键目标，则截取视频监控中该关键目标的出现时间和结束时间得到目标时间片。

步骤三：通过低通滤波器对目标时间片上的图像进行平滑处理，并通过关键目标对目标时间片上的图像进行图像切割，得到只包含关键目标的目标图像集，对目标图像集进行特征提取得到目标特征。

步骤四：根据目标特征与预设数据库进行比较得到识别结果；预设数据库为预先设定的识别对象在不同情况下产生的数据样本库。

其中，关键目标为预先设定的被智能识别系统关注和识别的对象和行为。

一种实现方式中，若视频监控画面中不存在关键目标，则不做任何处理。

一种实现方式中，通过低通滤波器可以消除由铁塔相机在拍摄时因光强度、阴影或抖动而产生的噪声，提高了后续图像处理的精准度。

在一个实施例中，对目标图像集进行特征提取得到目标特征包括如下步骤：

步骤一：对第一目标图像进行光流算法得到目标光流场；第一目标图像为目标图像集中任意图像；目标光流场为目标图像中每个像素的光流矢量；

步骤二：计算目标光流场得到目标二维矢量矩阵，将目标二维矢量矩阵中光流矢量转换为极坐标得到目标图像中每个像素的极性直径；目标二维矢量矩阵为该像素在x轴和y轴方向的光流分量；

步骤三：对每个像素的极性直径进行求和平均得到目标图像的运动矢量，将第一帧图像记为第一关键图像并进行关键图像标记，按时间顺序依次对比第一关键图像与第二目标图像的运动矢量，直到第一关键图像与第二目标图像的运动矢量超过阈值，则将该第二目标图像确定为关键图像并更新该第二目标图像为第一关键图像进行关键图像标记，直到最后一帧图像；

步骤四：根据关键图像标记，得到在时间序列上相邻关键图像中的图像集，记为变化图像集，对变化图像集内的光流矢量进行求和得到相邻关键图像中的特征差异，获取所有相邻关键图像的特征差异得到目标特征。

一种实现方式中，通过将第一帧图像记为第一关键图像并进行关键图像标记，按时间顺序依次对比第一关键图像与第二目标图像的运动矢量，从而进行关键图像提取，减少了后续图像数量的个数，提高了处理速度。

在一个实施例中，对目标图像集进行特征提取得到目标特征还包括如下步骤：

步骤一：将目标图像集中各个图像，按时间序列进行图像叠加，得到融合图像；

步骤二：对融合图像进行边界切割得到目标特征。

一种实现方式中，通过将目标图像集中各个图像进行图像叠加可以得到包含了目标在不同时间点的状态和变化，从而提供了一个综合、全面的视角。

一种实现方式中，通过将目标图像集中各个图像进行图像叠加得到二维图像，对该二维图像进行边界切割得到目标特征更加简单。

在一个实施例中，步骤S104具体包括：

步骤一：根据作物区域面积和作物区域边界对该区域的现实图像进行图像切割得到特征现实图像。

步骤二：通过颜色直方图对特征现实图像进行颜色提取得到颜色分布图，并通过小波变换获取特征现实图像纹理特征，颜色分布图和纹理特征记为第二数据属性。

一种实现方式中，通过作物区域面积和作物区域边界对该区域的现实图像进行图像切割确保了图像所在区域，去除了其它区域的数据干扰，提高了准确性。

基于相同的发明构思本发明实施例还提供一种基于地图引擎的耕地监管系统。参见图2，图2为本发明实施例提供的一种基于地图引擎的耕地监管系统的框架图，系统包括地图引擎确定模块、智能识别模块、属性标记模块、第二数据属性模块和处理方案确定模块：

地图引擎确定模块，用于通过卫星遥感获取预设检测区域的遥感图像，根据预设检测区域中耕地区域集对应的地理数据对遥感图像进行标注得到地图引擎；耕地区域集包括永久耕地区域、现有耕地区域和规划耕地区域；地理数据包括耕地现状数据、规划耕地管控数据和永久耕地数据；

智能识别模块，用于针对耕地区域集里任意耕地区域，通过耕地铁塔获取该耕地区域的视频数据进行智能识别，得到识别结果；

属性标记模块，用于若识别结果存在违法违规行为，则调度地图引擎中该耕地区域的第一数据属性进行标记得到目标标签；第一数据属性包括该区域作物种类、作物图像特征、作物区域面积、作物区域边界和作物区域位置；

第二数据属性模块，用于通过卫星遥感获取目标标签对应的作物区域位置并进行数据检测得到该区域的第二数据属性；

处理方案确定模块，用于将第一数据属性与第二数据属性进行比较得到违法违规行为结果，根据违法违规行为结果确定处理方案。

基于本发明实施例提供的一种基于地图引擎的耕地监管系统，通过得到只针对预设区域的地图引擎，从而可以更准确获取该区域的地理信息，并根据耕地铁塔进行智能识别发现是否存在违法违规行为，可以实时进行违法违规行为识别，提高违法违规行为的发现率，并减少漏报和误报的情况；若存在违法违规行为则通过地图引擎对违法违规行为区域的第一数据属性进行标记，根据该标记再次通过卫星遥感对违法违规行为区域进行数据检测得到第二数据属性，通过第一数据属性和第二数据属性得到具体的违法违规行为结果，提高结果的准确性和可靠性，实现了实时进行违法违规行为识别。

在一个实施例中，智能识别模块包括：

目标识别模块，用于根据耕地铁塔获取的视频监控画面，针对预先设定的关键目标进行目标识别；关键目标为预先设定的被智能识别系统关注和识别的对象和行为；

目标时间片确定模块，用于若目标识别为视频监控画面中存在该关键目标，则截取视频监控中该关键目标的出现时间和结束时间得到目标时间片；

目标图像集模块，用于通过低通滤波器对目标时间片上的图像进行平滑处理，并通过关键目标对目标时间片上的图像进行图像切割，得到只包含关键目标的目标图像集，对目标图像集进行特征提取得到目标特征；

识别结果模块，用于根据目标特征与预设数据库进行比较得到识别结果；预设数据库为预先设定的识别对象在不同情况下产生的数据样本库。

在一个实施例中，目标图像集模块：

目标光流场模块，用于对第一目标图像进行光流算法得到目标光流场；第一目标图像为目标图像集中任意图像；目标光流场为目标图像中每个像素的光流矢量；

像素极性直径模块，用于计算目标光流场得到目标二维矢量矩阵，将目标二维矢量矩阵中光流矢量转换为极坐标得到目标图像中每个像素的极性直径；目标二维矢量矩阵为该像素在x轴和y轴方向的光流分量；

关键图像标记模块，用于对每个像素的极性直径进行求和平均得到目标图像的运动矢量，将第一帧图像记为第一关键图像并进行关键图像标记，按时间顺序依次对比第一关键图像与第二目标图像的运动矢量，直到第一关键图像与第二目标图像的运动矢量超过阈值，则将该第二目标图像确定为关键图像并更新该第二目标图像为第一关键图像进行关键图像标记，直到最后一帧图像；

特征差异模块，用于根据关键图像标记，得到在时间序列上相邻关键图像中的图像集，记为变化图像集，对变化图像集内的光流矢量进行求和得到相邻关键图像中的特征差异，获取所有相邻关键图像的特征差异得到目标特征。

在一个实施例中，目标图像集模块还包括：

融合图像模块，用于将目标图像集中各个图像，按时间序列进行图像叠加，得到融合图像；

边界切割模块，用于对融合图像进行边界切割得到目标特征。

在一个实施例中，第二数据属性模块包括：

特征现实图像模块，用于根据作物区域面积和作物区域边界对该区域的现实图像进行图像切割得到特征现实图像；

第二数据属性提取模块，用于通过颜色直方图对特征现实图像进行颜色提取得到颜色分布图，并通过小波变换获取特征现实图像纹理特征，颜色分布图和纹理特征记为第二数据属性。

以上对本发明的一个实施例进行了详细说明，但内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (10)

1.一种基于地图引擎的耕地监管方法，其特征在于，所述方法包括:

通过卫星遥感获取预设检测区域的遥感图像，根据所述预设检测区域中耕地区域集对应的地理数据对所述遥感图像进行标注得到地图引擎；所述耕地区域集包括永久耕地区域、现有耕地区域和规划耕地区域；所述地理数据包括耕地现状数据、规划耕地管控数据和永久耕地数据；

针对耕地区域集里任意耕地区域，通过耕地铁塔获取该耕地区域的视频数据进行智能识别，得到识别结果；

若所述识别结果存在违法违规行为，则调度所述地图引擎中该耕地区域的第一数据属性进行标记得到目标标签；所述第一数据属性包括该区域作物种类、作物图像特征、作物区域面积、作物区域边界和作物区域位置；

通过卫星遥感获取所述目标标签对应的作物区域位置并进行数据检测得到该区域的第二数据属性；

将所述第一数据属性与所述第二数据属性进行比较得到违法违规行为结果，根据所述违法违规行为结果确定处理方案。

2.根据权利要求1所述的一种基于地图引擎的耕地监管方法，其特征在于，通过耕地铁塔获取该耕地区域的视频数据进行智能识别，得到识别结果包括：

根据所述耕地铁塔获取的视频监控画面，针对预先设定的关键目标进行目标识别；所述关键目标为预先设定的被智能识别系统关注和识别的对象和行为；

若所述目标识别为视频监控画面中存在该关键目标，则截取所述视频监控中该关键目标的出现时间和结束时间得到目标时间片；

通过低通滤波器对所述目标时间片上的图像进行平滑处理，并通过所述关键目标对所述目标时间片上的图像进行图像切割，得到只包含所述关键目标的目标图像集，对所述目标图像集进行特征提取得到目标特征；

根据所述目标特征与预设数据库进行比较得到识别结果；所述预设数据库为预先设定的识别对象在不同情况下产生的数据样本库。

3.根据权利要求2所述的一种基于地图引擎的耕地监管方法，其特征在于，对所述目标图像集进行特征提取得到目标特征包括：

对第一目标图像进行光流算法得到目标光流场；所述第一目标图像为所述目标图像集中任意图像；所述目标光流场为所述目标图像中每个像素的光流矢量；

计算所述目标光流场得到目标二维矢量矩阵，将所述目标二维矢量矩阵中光流矢量转换为极坐标得到所述目标图像中每个像素的极性直径；所述目标二维矢量矩阵为该像素在x轴和y轴方向的光流分量；

对每个像素的极性直径进行求和平均得到所述目标图像的运动矢量，将第一帧图像记为第一关键图像并进行关键图像标记，按时间顺序依次对比第一关键图像与第二目标图像的运动矢量，直到第一关键图像与第二目标图像的运动矢量超过阈值，则将该第二目标图像确定为关键图像并更新该第二目标图像为所述第一关键图像进行关键图像标记，直到最后一帧图像；

根据关键图像标记，得到在时间序列上相邻关键图像中的图像集，记为变化图像集，对所述变化图像集内的光流矢量进行求和得到相邻关键图像中的特征差异，获取所有相邻关键图像的特征差异得到目标特征。

4.根据权利要求2所述的一种基于地图引擎的耕地监管方法，其特征在于，对所述目标图像集进行特征提取得到目标特征还包括：

将所述目标图像集中各个图像，按时间序列进行图像叠加，得到融合图像；

对所述融合图像进行边界切割得到目标特征。

5.根据权利要求1所述的一种基于地图引擎的耕地监管方法，其特征在于，通过卫星遥感获取所述标记对应的作物区域位置并进行数据检测得到该区域的第二数据属性包括：

根据所述作物区域面积和所述作物区域边界对该区域的现实图像进行图像切割得到特征现实图像；

通过颜色直方图对所述特征现实图像进行颜色提取得到颜色分布图，并通过小波变换获取所述特征现实图像纹理特征，所述颜色分布图和所述纹理特征记为第二数据属性。

6.一种基于地图引擎的耕地监管系统，其特征在于，所述系统包括地图引擎确定模块、智能识别模块、属性标记模块、第二数据属性模块和处理方案确定模块：

所述地图引擎确定模块，用于通过卫星遥感获取预设检测区域的遥感图像，根据所述预设检测区域中耕地区域集对应的地理数据对所述遥感图像进行标注得到地图引擎；所述耕地区域集包括永久耕地区域、现有耕地区域和规划耕地区域；所述地理数据包括耕地现状数据、规划耕地管控数据和永久耕地数据；

所述智能识别模块，用于针对耕地区域集里任意耕地区域，通过耕地铁塔获取该耕地区域的视频数据进行智能识别，得到识别结果；

所述属性标记模块，用于若所述识别结果存在违法违规行为，则调度所述地图引擎中该耕地区域的第一数据属性进行标记得到目标标签；所述第一数据属性包括该区域作物种类、作物图像特征、作物区域面积、作物区域边界和作物区域位置；

所述第二数据属性模块，用于通过卫星遥感获取所述目标标签对应的作物区域位置并进行数据检测得到该区域的第二数据属性；

所述处理方案确定模块，用于将所述第一数据属性与所述第二数据属性进行比较得到违法违规行为结果，根据所述违法违规行为结果确定处理方案。

7.根据权利要求6所述的一种基于地图引擎的耕地监管系统，其特征在于，所述智能识别模块包括目标识别模块、目标时间片确定模块、目标图像集模块和识别结果模块：

所述目标识别模块，用于根据所述耕地铁塔获取的视频监控画面，针对预先设定的关键目标进行目标识别；所述关键目标为预先设定的被智能识别系统关注和识别的对象和行为；

所述目标时间片确定模块，用于若所述目标识别为视频监控画面中存在该关键目标，则截取所述视频监控中该关键目标的出现时间和结束时间得到目标时间片；

所述目标图像集模块，用于通过低通滤波器对所述目标时间片上的图像进行平滑处理，并通过所述关键目标对所述目标时间片上的图像进行图像切割，得到只包含所述关键目标的目标图像集，对所述目标图像集进行特征提取得到目标特征；

所述识别结果模块，用于根据所述目标特征与预设数据库进行比较得到识别结果；所述预设数据库为预先设定的识别对象在不同情况下产生的数据样本库。

8.根据权利要求6所述的一种基于地图引擎的耕地监管系统，其特征在于，所述目标图像集模块包括目标光流场模块、像素极性直径模块、关键图像标记模块和特征差异模块：

所述目标光流场模块，用于对第一目标图像进行光流算法得到目标光流场；所述第一目标图像为所述目标图像集中任意图像；所述目标光流场为所述目标图像中每个像素的光流矢量；

所述像素极性直径模块，用于计算所述目标光流场得到目标二维矢量矩阵，将所述目标二维矢量矩阵中光流矢量转换为极坐标得到所述目标图像中每个像素的极性直径；所述目标二维矢量矩阵为该像素在x轴和y轴方向的光流分量；

所述关键图像标记模块，用于对每个像素的极性直径进行求和平均得到所述目标图像的运动矢量，将第一帧图像记为第一关键图像并进行关键图像标记，按时间顺序依次对比第一关键图像与第二目标图像的运动矢量，直到第一关键图像与第二目标图像的运动矢量超过阈值，则将该第二目标图像确定为关键图像并更新该第二目标图像为所述第一关键图像进行关键图像标记，直到最后一帧图像；

所述特征差异模块，用于根据关键图像标记，得到在时间序列上相邻关键图像中的图像集，记为变化图像集，对所述变化图像集内的光流矢量进行求和得到相邻关键图像中的特征差异，获取所有相邻关键图像的特征差异得到目标特征。

9.根据权利要求6所述的一种基于地图引擎的耕地监管系统，其特征在于，所述目标图像集模块还包括融合图像模块和边界切割模块：

所述融合图像模块，用于将所述目标图像集中各个图像，按时间序列进行图像叠加，得到融合图像；

所述边界切割模块，用于对所述融合图像进行边界切割得到目标特征。

10.根据权利要求6所述的一种基于地图引擎的耕地监管系统，其特征在于，所述第二数据属性模块包括特征现实图像模块和第二数据属性提取模块：

所述特征现实图像模块，用于根据所述作物区域面积和所述作物区域边界对该区域的现实图像进行图像切割得到特征现实图像；

所述第二数据属性提取模块，用于通过颜色直方图对所述特征现实图像进行颜色提取得到颜色分布图，并通过小波变换获取所述特征现实图像纹理特征，所述颜色分布图和所述纹理特征记为第二数据属性。