杜娟 唐岱

摘 要： 傳統(tǒng)區(qū)域監(jiān)測方法不能根據(jù)山地城市綠色空間景觀生態(tài)破損區(qū)域的具體圖像情況進行實時監(jiān)測。為了有效解決此問題，建立新型基于圖像識別的山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r監(jiān)測模型。通過山地城市綠色空間景觀生態(tài)破損區(qū)域特征判斷、基于特征判斷的識別方法確定、卷積神經(jīng)網(wǎng)絡，完成山地城市綠色空間景觀生態(tài)破損區(qū)域的圖像識別。通過實時目標檢測、確定實時監(jiān)測區(qū)域、透視變換，完成基于圖像識別區(qū)域?qū)崟r監(jiān)測模型的搭建。設計對比實驗結(jié)果表明，新型區(qū)域監(jiān)測模型與傳統(tǒng)模型相比，充分提升了山地城市綠色空間景觀生態(tài)破損區(qū)域識別圖像的清晰度，并可對區(qū)域內(nèi)景觀進行實時監(jiān)測。

關鍵詞： 圖像識別; 山地城市; 綠色空間景觀; 生態(tài)破損區(qū)域; 區(qū)域監(jiān)測; 特征判斷; 卷積神經(jīng)網(wǎng)絡; 透視變換

中圖分類號： TN911.73?34; TP393 文獻標識碼： A 文章編號： 1004?373X（2018）12?0067?04

Abstract： As the real?time monitoring of ecological damage area cannot be performed according to its specific images for green space landscape of mountainous cities in the traditional area monitoring method， a new ecological damage area real?time monitoring model for green space landscape of mountainous cities is established based on image recognition. Ecological damage area image recognition for green space landscape of mountainous cities is accomplished by means of ecological damage area feature judgment for green space landscape of mountainous cities， recognition method determination based on feature judgment， and convolutional neural network. Establishment of image recognition based area real?time monitoring model is accomplished by means of real?time target monitoring， determination of real?time monitoring area， and perspective transformation. A comparison experiment was designed. The results show that in comparison with the traditional model， the new area monitoring model can fully improve the definition of ecological damage area recognition images for green space landscape of mountainous cities， and perform real?time monitoring of the landscape in the area.

Keywords： image recognition; mountainous city; green space landscape; ecological damage area; area monitoring; feature judgment; convolutional neural network; perspective transformation

0 引 言

傳統(tǒng)區(qū)域監(jiān)測模型利用人工智能理論，通過搭建人工神經(jīng)網(wǎng)絡、深層神經(jīng)網(wǎng)絡等方式，完成對區(qū)域內(nèi)景觀的監(jiān)測。這種方式雖然全面體現(xiàn)了神經(jīng)網(wǎng)絡算法的重要意義，但隨著科學技術手段的發(fā)展，傳統(tǒng)模型不能對區(qū)域內(nèi)景觀進行實時監(jiān)測的弊端開始逐漸顯露出來。對于山地城市綠色空間景觀生態(tài)破損區(qū)域來說，傳統(tǒng)區(qū)域檢測模型可以通過確定區(qū)域大小、簡單描畫區(qū)域特征的方式，生成基礎的識別圖像[1]。但通過此方法生成的識別圖像通常情況下灰度較高、清晰度較低，一些景觀生態(tài)破損嚴重區(qū)域的具體景觀特征不能表現(xiàn)得十分清晰。為有效解決此問題，通過卷積神經(jīng)網(wǎng)絡、透視變換原理等方法，對傳統(tǒng)模型進行了改進設計，搭建了一種基于圖像識別的新型山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r監(jiān)測模型[2]。新型模型保留了傳統(tǒng)模型的優(yōu)勢，繼續(xù)發(fā)揚神經(jīng)網(wǎng)絡算法的重要意義，也全面提升識別圖像的清晰度，充分體現(xiàn)監(jiān)測模型的實時性。對比實驗結(jié)果證明，新型模型與傳統(tǒng)模型相比，確實具備更高的實用性價值。

1 山地城市綠色空間景觀生態(tài)破損區(qū)域的圖像

識別

山地城市綠色空間景觀生態(tài)破損區(qū)域的圖像識別，是搭建新型監(jiān)測模型的第一步，其詳細識別過程可按如下步驟進行。

1.1 山地城市綠色空間景觀生態(tài)破損區(qū)域特征判斷

山地城市綠色空間景觀生態(tài)破損區(qū)域特征判斷可分為預測值獲得、隱含值獲得兩部分。判斷山地城市綠色空間景觀生態(tài)破損區(qū)域特征需要輸出層、隱含層、輸入層三個單元結(jié)構(gòu)共同完成[3?4]。若區(qū)域監(jiān)測實時模型共包含[m]個隱含層，第[m]層的輸入監(jiān)測數(shù)據(jù)為[h]，則該層的輸出監(jiān)測數(shù)據(jù)可表示為：

1.2 基于特征判斷的識別方法確定

上述步驟所確定的山地城市綠色空間景觀生態(tài)破損區(qū)域特征是完成識別方法選擇的關鍵步驟?；谔卣髋袛嗟膱D像識別方法與神經(jīng)網(wǎng)絡的數(shù)據(jù)識別過程類似[5]。假定已確定的區(qū)域特征用一個可自由移動的空心圓表示，則該圓形結(jié)構(gòu)從輸出層出發(fā)，分別向多個隱含層結(jié)構(gòu)傳遞所包含數(shù)據(jù)，再由隱含層逐漸向下傳遞[6]。最終，傳遞給輸入層，作為下一次圖像識別的原始數(shù)據(jù)，至此，完成一次圖像識別方法的確定。

1.3 利用卷積神經(jīng)網(wǎng)絡完成圖像識別

完成山地城市綠色空間景觀生態(tài)破損區(qū)域特征判斷，并在此基礎上確定基于特征判斷的識別方法，是利用卷積神經(jīng)網(wǎng)絡完成圖像識別的基礎[7?8]。卷積神經(jīng)網(wǎng)絡是一種利用CNN技術完成圖像識別網(wǎng)絡搭建的手段，該方法不僅實現(xiàn)了復雜圖像的簡單識別，也完成了識別圖像由低到高，各個層次的特征提取與組合。

2 基于圖像識別的區(qū)域?qū)崟r監(jiān)測模型搭建

2.1 基于圖像識別的實時目標監(jiān)測

根據(jù)上述步驟可知，完成山地城市綠色空間景觀生態(tài)破損區(qū)域的圖像識別后，可生成完整的圖像識別數(shù)據(jù)。為方便后續(xù)步驟的進行，認為該圖像識別數(shù)據(jù)為待監(jiān)測的實時目標[9?10]。首先對待檢測的實時目標進行背景差分法，分析該目標是在何種背景下完成的圖像識別。利用幀間差分法分析該目標圖像中，相連兩個像素幀間的距離大小;再利用光流法總結(jié)已完成識別圖像目標的實時監(jiān)測。詳細操作流程如圖1所示。

2.2 確定實時監(jiān)測區(qū)域

實時監(jiān)測模型是以整個山地城市綠色空間景觀生態(tài)破壞區(qū)域作為應用背景環(huán)境。為了方便模型的管理，通常情況下，將監(jiān)測區(qū)域抽象為規(guī)矩的矩形，以能囊括最大面積時的矩形邊長作為監(jiān)測區(qū)域的邊界[11]。所有超過邊界的區(qū)域都可用于填充不足邊界的區(qū)域。

2.3 利用透視變換完成區(qū)域?qū)崟r監(jiān)測模型的搭建

在確定待監(jiān)測的實時目標后，根據(jù)目標的具體情況確定監(jiān)測區(qū)域面積，完成基于圖像識別的山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r監(jiān)測模型的搭建。為保證該模型的正常使用，還需按照透視變換原理設置應用檢驗模塊。設監(jiān)測區(qū)域面積為[s]，待監(jiān)測實時目標為[k]，根據(jù)透視變換原理，模型使用穩(wěn)定性[q]可表示為：

3 實驗結(jié)果與分析

上述過程完成了基于圖像識別的山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r監(jiān)測模型的搭建。為了驗證該模型確實比傳統(tǒng)模型具備更高的實用性價值，以兩臺配置相同的計算機作為實驗對象。其中一臺搭載新模型，作為實驗組;另一臺搭載傳染模型，作為對照組。實驗開始前，按照表1完成實驗參數(shù)設置。

3.1 實驗參數(shù)設置

表1中參數(shù)依次代表監(jiān)測區(qū)域面積、景觀生態(tài)破損程度、監(jiān)測參數(shù)、預估圖像識別清晰度、監(jiān)測實時性、圖像識別系數(shù)。

3.2 識別圖像清晰度對比

令實驗組、對照組兩臺計算機同時完成山地城市綠色空間景觀生態(tài)破損區(qū)域識別圖像的繪制。詳細圖像清晰度情況如圖2、圖3所示。

圖中，黑點代表山地城市綠色空間景觀發(fā)生生態(tài)破損地區(qū)，黑點越密集，代表破損程度越嚴重。對比圖2、圖3可知，該區(qū)域中部生態(tài)破損情況較嚴重，周圍區(qū)域生態(tài)情況較良好。實驗組計算機，應用基于圖像識別的山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r監(jiān)測模型，繪制出的識別圖像，極為清晰，可反映該地區(qū)的生態(tài)破損情況。對照組計算機，應用傳統(tǒng)模型繪制出的識別圖像，也能反映出該地區(qū)的生態(tài)破損情況，但圖像清晰程度明顯低于實驗組。所以，可證明本文模型確實可以提升山地城市綠色空間景觀生態(tài)破損區(qū)域識別圖像的清晰度。

3.3 區(qū)域內(nèi)景觀監(jiān)測實時性對比

區(qū)域內(nèi)景觀監(jiān)測實時性與BSI指標保持反比變化關系。當BSI指標增大時，區(qū)域內(nèi)景觀監(jiān)測實時性減小，反之增大。應用特殊方法，記錄實驗組、對照組的BSI指標變化情況，如圖4、圖5所示。

對比圖4、圖5可知，實驗組BSI指標隨監(jiān)測區(qū)域面積的變化基本保持平穩(wěn)的變化趨勢，最大值僅為39.48%。實驗組監(jiān)測實時性曲線最大值為58.65%，最小值為41.73%，始終高于39.48%。對照組BSI指標隨監(jiān)測區(qū)域面積的變化呈現(xiàn)增加趨勢，最大值達到69.77%，最小值為43.58%。對照組監(jiān)測實時性曲線最大值僅為27.36%，恒小于對照組BSI指標。所以，可證明應用基于圖像識別的山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r監(jiān)測模型，確實可對區(qū)域內(nèi)景觀進行更好的實時監(jiān)測。

4 結(jié) 語

基于圖像識別山地城市綠色空間景觀生態(tài)破損區(qū)域?qū)崟r監(jiān)測模型的建立，為對區(qū)域內(nèi)景觀進行更好實時監(jiān)測、提升識別圖像清晰度，做出巨大貢獻。該模型與傳統(tǒng)模型相比，確實具備更高的實用性價值。

參考文獻

[1] 丁雨賝，馮長春，王利偉.山地區(qū)域土地生態(tài)紅線劃定方法與實證研究：以重慶市涪陵區(qū)義和鎮(zhèn)為例[J]. 地理科學進展，2016，35（7）：851?859.

DING Yuchen， FENG Changchun， WANG Liwei. Determination of ecological red line of mountainous areas： a case study of Yihe town in Chongqing municipality [J]. Progress in geography， 2016， 35（7）： 851?859.

[2] 原玥，王宏，原培新，等.一種改進的Hu不變矩算法在存儲介質(zhì)圖像識別中的應用[J].儀器儀表學報，2016，37（5）：1042?1048.

YUAN Yue， WANG Hong， YUAN Peixin， et al. An improved Hu invariant moment algorithm for storage medium image recognition [J]. Chinese journal of scientific instrument， 2016， 37（5）： 1042?1048.

[3] 劉龍，李建奇，魏光宇，等.基于圖像識別的自主尋跡智能小車設計[J].湖南文理學院學報（自然科學版），2016，28（3）：62?66.

LIU Long， LI Jianqi， WEI Guangyu， et al. Image?based autonomous tracking intelligent vehicle design [J]. Journal of Hunan University of Arts and Science （Natural science edition）， 2016， 28（3）： 62?66.

[4] 毛文濤，王文朋，蔣夢雪，等.基于局部特征過濾的快速火焰圖像識別方法[J].計算機應用，2016，36（10）：2907?2911.

MAO Wentao， WANG Wenming， JIANG Mengxue， et al. Fast flame recognition approach based on local feature filtering [J]. Journal of computer applications， 2016， 36（10）： 2907?2911.

[5] 熊勇，張俊麗，黃立文.基于GA?LPA算法的船舶圖像識別方法研究[J].廣西大學學報（自然科學版），2016，41（2）：554?561.

XIONG Yong， ZHANG Junli， HUANG Liwen. Study on ship image recognition based on GA?LPA algorithm [J]. Journal of Guangxi University （Natural science edition）， 2016， 41（2）： 554?561.

[6] 趙媛，孫夏，Aaron Fenster，等.一種基于深度學習的頸動脈斑塊超聲圖像識別方法[J].中國醫(yī)療器械信息，2017，23（9）：9?11.

ZHAO Yuan， SUN Xia， FENSTER A， et al. A novel deep learning based method for carotid plaque ultrasound images recognition [J]. China medical device information， 2017， 23（9）： 9?11.

[7] 王林惠，甘海明，岳學軍，等.基于圖像識別的無人機精準噴霧控制系統(tǒng)的研究[J].華南農(nóng)業(yè)大學學報，2016，37（6）：23?30.

WANG Linhui， GAN Haiming， YUE Xuejun， et al. Design of a precision spraying control system with unmanned aerial vehicle based on image recognition [J]. Journal of South China Agricultural University， 2016， 37（6）： 23?30.

[8] 王一丁，段強宇，徐林林.基于圖像質(zhì)量參數(shù)優(yōu)化的異質(zhì)手背靜脈圖像識別算法的研究[J].北方工業(yè)大學學報，2016，28（1）：1?6.

WANG Yiding， DUAN Qiangyu， XU Linlin. The research on heterogeneous dorsal hand vein image recognition based on image quality parameters optimization [J]. Journal of North China University of Technology， 2016， 28（1）： 1?6.

[9] 秦豐，劉東霞，孫炳達，等.基于深度學習和支持向量機的4種苜蓿葉部病害圖像識別[J].中國農(nóng)業(yè)大學學報，2017，22（7）：123?133.

QIN Feng， LIU Dongxia， SUN Bingda， et al. Image recognition of four different alfalfa leaf diseases based on deep learning and support vector machine [J]. Journal of China Agricultural University， 2017， 22（7）： 123?133.

[10] 韓豫，張涇杰，孫昊，等.基于圖像識別的建筑工人智能安全檢查系統(tǒng)設計與實現(xiàn)[J].中國安全生產(chǎn)科學技術，2016，12（10）：142?148.

HAN Yu， ZHANG Jingjie， SUN Hao， et al. Design and implementation of intelligent safety inspection system for construction workers based on image recognition [J]. Journal of safety science and technology， 2016， 12（10）： 142?148.

[11] LIANG H， CHEN D， ZHANG Q. Assessing urban green space distribution in a compact megacity by landscape metrics [J]. Journal of environmental engineering & landscape management， 2017， 25（1）： 64?74.