本发明涉及行道树识别，尤其涉及一种基于街景图像的行道树快速普查方法。
背景技术：
1、在城市管理和环境监测领域，对行道树的普查和监测是一项重要任务，行道树的生长状况、数量分布以及健康状况对城市生态环境和人们的生活质量都有着重要影响。
2、传统的基于街景图像的行道树普查方法通常仅考虑单一时刻的图像，缺乏对行道树在不同季节和天气条件下的变化情况的全面了解，且在处理街景图像时，常受到季节和天气条件的限制，如雨雪天气或植被茂密时难以获取清晰的图像，影响了行道树的识别和分析。
技术实现思路
1、基于上述目的，本发明提供了一种基于街景图像的行道树快速普查方法。
2、一种基于街景图像的行道树快速普查方法，包括以下步骤：
3、s1，获取街景图像：获取测算目的多张街景地图，这些街景地图是同一地理位置，在不同时间、不同角度的街景地图，涵盖不同季节和天气条件下的图像；
4、s2，时序信息考虑：对于同一地点的多张图像，利用时序信息，构建时间序列模型，更好理解行道树在不同时间点下的演变过程，进一步提高识别准确性；
5、s3，编号街景图像：为了方便后续的数据管理和图像识别，对每张街景图像进行编号；
6、s4，畸变矩阵计算和畸变系数分析：街景图像因为拍摄角度或者相机特性而存在畸变，通过计算畸变矩阵和分析畸变系数，对图像进行自动校正，确保其准确性和一致性；
7、s5，特征提取和分析：利用计算机视觉技术，对校正后的街景图像进行特征提取和分析，包括颜色、纹理、形状方面的特征，以识别出行道树的位置和形态；
8、s6，机器学习算法：引入机器学习算法对识别出的行道树进行分类和分割。
9、进一步的，所述获取街景图像具体包括以下步骤：
10、s11，街景图像数据库：利用公共街景图像数据库google street view和百度街景，获取同一地理位置在不同时间、不同角度下的街景图像；
11、s12，数据采集车辆：通过城市规划部门和地理信息公司配备的数据采集车辆，实时采集街道上的图像数据；
12、s13，人工采集：在需要测算的区域设置固定的摄像头，定期拍摄街道景观，安排人工摄影师在不同时间和不同天气条件下对同一地理位置进行拍摄，获取所需的街景图像；
13、s14，卫星图像：利用卫星遥感技术获取高分辨率的街景图像。
14、进一步的，所述时序信息考虑具体包括以下步骤：
15、s21，时序信息采集：图像获取阶段，记录图像采集的时间和日期信息，并识别图像所对应的季节和天气条件；
16、s22，时序图像存储：将时序信息与图像一起存储，建立时序图像数据集，形成同一地理位置在不同季节和天气条件下的时序图像序列；
17、s23，时序信息标注：对时序图像序列进行标注，标记每张图像所对应的季节和天气条件；
18、s24，时序信息的数据管理：数据管理阶段，根据季节和天气条件信息，组织和管理时序图像数据。
19、进一步的，所述编号街景图像具体包括以下步骤：
20、s31，选择哈希算法：选择常见的md5算法；
21、s32，读取图像文件：读取每张街景图像的文件内容；
22、s33，计算哈希值：对图像文件的内容进行哈希计算，生成一个唯一的哈希值；
23、s34，将哈希值转换为编号：将计算得到的哈希值转换为字符串形式，并作为图像的编号；
24、s35，为图像保存编号：将生成的编号与对应的图像关联，将编号存储在数据库中；
25、s36，重复步骤s32-s35：对每张街景图像重复上述步骤，直到所有图像生成唯一的哈希编码。
26、进一步的，所述畸变矩阵计算和畸变系数分析具体包括以下步骤：
27、s41，畸变类型分析：首先分析图像中存在的畸变类型，包括径向畸变和切向畸变；
28、s42，畸变矩阵计算：计算相应的畸变矩阵，针对径向畸变，使用opencv的鱼眼模型校正，针对切向畸变，通过仿射变换来进行校正；
29、opencv中的鱼眼模型适用于鱼眼镜头引起的畸变，其计算公式如下；
30、xc＝xd(1+k1r2+k2r4+k3r6+k4r8)；
31、yc＝yd(1+k1r2+k2r4+k3r6+k4r8)；
32、其中xc表示校正后图像中某个点的水平坐标，yc表示校正后图像中某个点的垂直坐标，k1,k2,k3,k4是径向畸变系数，r2＝xd2+yd2是径向畸变的半径平方；
33、切向畸变校正主要解决由于相机镜头安装不平行于图像平面而引起的畸变，仿射变换可以通过矩阵运算来实现；
34、仿射变换公式：
35、其中(xc,yc)是校正后的图像坐标，(xd,yd)是校正前的图像坐标，a,b,c,d,e,f是仿射变换矩阵的参数；
36、s43，校正效果评估：校正后的图像进行效果评估，确保校正的准确性和一致性。
37、进一步的，所述特征提取和分析具体包括以下步骤：
38、s51，特征提取：使用harris角点检测算法检测图像中的角点，角点通常代表图像中的重要特征点，利用canny边缘检测算法提取图像中的边缘信息，边缘通常可以表示物体的轮廓和结构，利用局部特征提取算法从图像中提取局部特征描述符，描述符可以描述图像中的局部纹理和结构信息，harris角点检测算法计算公式:r＝λ1λ2-k(λ1+λ2)2，harris角点检测算法基于图像局部灰度的变化情况，通过计算图像中每个像素点的角点响应函数r，来判断其是否为角点，其中λ1和λ2是图像中某像素点的两个特征值，k是一个经验参数，canny边缘检测算法公式:公式:θ＝arctan2(gy,gx)；
39、gradient表示图像中每个像素点的梯度幅值，它表示了图像在该点处的灰度变化程度，其中gx和gy分别是图像在水平和垂直方向的梯度；
40、s52，特征匹配：利用特征匹配算法对不同图像之间的特征进行匹配，通过匹配可以找到校正后的图像中对应的特征点，从而实现图像的配准和对齐；
41、s53，特征分析：基于匹配结果，进行特征点的分析和处理。
42、进一步的，所述机器学习算法具体包括以下步骤：
43、s61，数据准备：准备一个包含已标记行道树的街景图像数据库；
44、s62，特征提取：对于每个图像区域，需要提取一组特征作为输入特征向量；
45、s63，机器学习模型选择：选择卷积神经网络模型对特征进行分类；
46、s64，训练模型：利用准备好的街景图像数据库对所选的卷积神经网络学习模型进行训练，卷积神经网络计算公式表示为:
47、
48、其中i是输入图像，k是卷积核，b是偏置项，m和n是卷积核的尺寸，z是输出特征图的一个元素。
49、s65，模型评估：使用测试数据集对训练好的模型进行评估，评估模型的性能和准确率；
50、s66,图像分割：对于识别出的行道树区域，利用基于阈值的图像分割来进一步细化边界，使得行道树与周围环境的界限更清晰。
51、进一步的，所述时序信息标注具体包括以下步骤：
52、s231：从时序图像数据集中获取每张图像所对应的时间和日期信息；
53、s232：根据时间和日期信息，按照地区的季节分布规律判断图像所处的季节，根据月份划分为春、夏、秋、冬四个季节；
54、s233：根据图像拍摄的地理位置和时间信息，查询对应日期的天气情况，将天气条件分为晴天、阴天、多云、雨天。
55、进一步的，所述时序信息的数据管理具体包括以下步骤：
56、s241：根据标注的季节和天气条件信息，将时序图像数据进行分类和组织,按照季节将图像数据分为不同的季节集合；
57、s242：根据季节和天气条件建立索引，记录每张图像的相关信息，如文件路径、拍摄时间、季节、天气条件等。这样可以方便后续的数据检索和管理；
58、s243：大规模的时序图像数据，建立数据库进行管理，并根据季节和天气条件建立索引。
59、进一步的，所述特征匹配具体包括以下步骤：
60、s521：使用暴力匹配算法，根据描述符向量之间的距离度量找出最佳匹配，暴力匹配计算公式：
61、其中d(p,q)是两个描述符p和q之间的欧氏距离,pi和qi是描述符向量的组成部分；
62、s522:使用lowe'sratiotest方法提高匹配准确性，这个测试可以排除错误匹配；
63、lowe'sratiotest计算公式：
64、如果最近邻距离和次近邻距离的比值小于某个阈值(通常设为0.7或0.8)，则认为这个匹配是好的，如果ratio<0.8，则接受这个匹配。
65、本发明的有益效果：
66、本发明引入了时序信息的考虑，通过采集和标注不同时间、不同季节和天气条件下的街景图像，构建了时序图像序列。这样的处理方式有助于克服季节和天气条件的影响，确保普查数据的准确性和一致性，从而提高了行道树普查的可靠性和准确性。
67、本发明引入了特征匹配算法和时序信息分析，可以对同一地点不同时间拍摄的图像进行比对和分析。通过分析时序图像序列，可以全面评估行道树的生长状态和变化趋势，为城市规划、生态保护等领域提供重要参考，有助于制定更有效的管理策略和保护措施。
68、本发明利用计算机视觉技术和机器学习算法，结合时序信息对街景图像进行快速普查，自动识别和分类行道树的能力极大地减少了人力成本，提高了普查的效率，通过引入时序信息，普查结果更为全面和可靠，有助于为城市管理和环境监测提供更准确的数据支持，为决策提供重要依据。
1.一种基于街景图像的行道树快速普查方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于街景图像的行道树快速普查方法，其特征在于，所述获取街景图像具体包括以下步骤：
3.根据权利要求1所述的一种基于街景图像的行道树快速普查方法，其特征在于，所述时序信息考虑具体包括以下步骤：
4.根据权利要求1所述的一种基于街景图像的行道树快速普查方法，其特征在于，所述编号街景图像具体包括以下步骤：
5.根据权利要求1所述的一种基于街景图像的行道树快速普查方法，其特征在于，所述畸变矩阵计算和畸变系数分析具体包括以下步骤：
6.根据权利要求1所述的一种基于街景图像的行道树快速普查方法，其特征在于，所述特征提取和分析具体包括以下步骤：
7.根据权利要求1所述的一种基于街景图像的行道树快速普查方法，其特征在于，所述机器学习算法具体包括以下步骤：
8.根据权利要求3所述的一种基于街景图像的行道树快速普查方法，其特征在于，所述时序信息标注具体包括以下步骤：
9.根据权利要求3所述的一种基于街景图像的行道树快速普查方法，其特征在于，所述时序信息的数据管理具体包括以下步骤：
10.根据权利要求6所述的一种基于街景图像的行道树快速普查方法，其特征在于，所述特征匹配具体包括以下步骤：
