一种基于数字视频的病虫害区目标定位方法技术

本发明专利技术涉及摄影测量技术领域，具体公开了一种基于数字视频的病虫害区目标定位方法，包括松树林区数字视频采集、分割林区数字视频、林区图像帧预处理、重合区域图像配准、松材线虫病害林区目标识别、利用目标虫害区的深度信息获取目标的三维位置信息、二次判别以及识别信息传输；通过无人机携带的双目相机联合林区预设的地面监测双目相机，在利用无人机通过由松树弯曲度特征、树干颜色特征以及树冠颜色特征整合而成的松材线虫病害林区目标特征向量识别从松材线虫病害之后，利用地面双目相机确认目标区域内病害程度，为林区管理人员指示方向，解决了传统的林地目标定位方法定位信息识别度不高，且无法对松材线虫病害进行状态判断的问题。的问题。的问题。

【技术实现步骤摘要】
一种基于数字视频的病虫害区目标定位方法


[0001]本专利技术涉及摄影测量
，更具体地说，本专利技术涉及一种基于数字视频的病虫害区目标定位方法。

技术介绍

[0002]在林业管理中，林区病虫害管理对林区的健康至关重要，林区存在多种多样的病虫害，疾病感染的数目以及虫害侵袭的林区如果不通过数字视频及时识别和发现，并采取相应防治措施进行整治，会对林区其他树木造成不可逆转的损害，松材线虫病就是其中一种严重侵害林木的病害，主要是由松材线虫侵袭松树引起的，松材线虫通过在幼虫阶段侵入松树内部，吸食松树的树液和携带松材壳孢菌侵袭松树导管组织，导致松树失去水分和养分供应，松树被松材线虫病侵害的主要表现为松树的迅速枯死，针叶由绿色变为黄色，随后迅速褪绿、枯萎，最终变为褐色，树冠逐渐枯萎，在病害发展后期，整棵树的枯萎会迅速扩散，导管组织受到破坏后，树干会出现蓝色或黑色的树脱脂区，而现在对松树林区的摄像测量多采用双目摄像机采集数字视频，针对数字视频中发生松材线虫病害的林区，传统的林地目标定位方法定位信息识别度不高，且无法对松材线虫病害进行状态判断。为了解决上述问题，现提供一种技术方案。

技术实现思路

[0003]为了克服现有技术的上述缺陷，本专利技术提供了一种基于数字视频的病虫害区目标定位方法，通过无人机携带的双目相机联合林区预设的地面监测双目相机，在利用无人机通过由松树弯曲度特征、树干颜色特征以及树冠颜色特征整合而成的松材线虫病害林区目标特征向量识别从松材线虫病害之后，利用地面双目相机进一步确认目标区域内数目松材线虫病害的程度，并相对地面双目无人相机进行信息具象化，为林区管理人员指示方向，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于数字视频的病虫害区目标定位方法，包括如下步骤：步骤S1，松树林区数字视频采集：在无人机上安装双目相机，并利用双目相机采集检测林区的左目数字视频和右目数字视频；步骤S2，分割林区数字视频，取时序标记的左目图像帧和右目图像帧；步骤S3，林区图像帧预处理：对图像帧进行灰度化处理、几何变换和图像噪声过滤，进行图像增强处理和亮度均衡处理；步骤S4，重合区域图像配准：找到图像中的重合区域，计算它们之间的变换关系，经过图像变换模型将图像对齐，并进行匹配点筛选和匹配点对的深度计算；在步骤S4中的变换关系计算、图像对齐和深度计算是基于双目相机的图像处理和计算机视觉技术来实现的，具体详细内容为：变换关系计算：在重合区域图像配准之前，需要对左目图像和右目图像进行特征
提取，使用的特征提取方法为SIFT特征描述子特征提取方法；在左目图像和右目图像中提取的特征点被匹配成对，通过基于特征描述子的匹配算法找到相应的匹配点对；图像对齐：根据匹配点对计算出左目图像和右目图像之间的几何变换关系，使用的变换关系包括平移、旋转、缩放和透视变换；利用计算得到的变换关系，对右目图像进行变换，使其与左目图像在几何上对齐，通过仿射变换的图像变换模型来实现；深度计算：在图像对齐后，利用基于SIFT特征点的视差计算方法双目视差计算方法来计算匹配点对的深度信息，双目视差计算方法基于视差原理，即左目图像和右目图像中的匹配点对之间的视差（即像素位移）与物体的深度之间存在一定的关系；通过计算匹配点对的视差，计算出目标虫害区的深度信息，这些深度信息用于生成目标虫害区的基于深度的描述子，进而获取目标虫害区的位置、面积大小和虫害状态信息；步骤S5，松材线虫病害林区目标识别：利用历史图像中松材线虫病害林区树木的特征，构建由松树弯曲度特征、树干颜色特征以及树冠颜色特征整合而成的松材线虫病害林区目标特征向量，识别图像中与松材线虫病害林区目标特征向量相似度高的林区，并将图像中与松材线虫病害林区目标特征向量相似度高的林区标记为目标虫害区；步骤S6，利用目标虫害区的深度信息获取目标的三维位置信息，生成目标虫害区的基于深度的描述子，获取目标虫害区的位置、面积大小和虫害状态信息。
[0005]作为本专利技术进一步的方案，在步骤S5中，采集已知松材线虫病害林区的历史图像，对每张历史图像进行预处理，使用曲率计算方法获取每张历史图像中目标树木的弯曲度特征提取，对松材线虫病害的数目弯曲度特异性识别区域，基于松材线虫病害识别值进行识别，识别过程如下：准备带有标签的训练样本：准备一组已知的松材线虫病害树木和健康树木的图像弯曲度特征，分别对训练样本中的树干区域进行等距分割，分割距离为0.8cm；训练分类器区分松材线虫病害树木：对分类器中的初始识别函数设置为松材线虫病害识别值公式，获取松材线虫病害识别值的识别阈值区间，松材线虫病害识别值为发生病害的分割点数量与特异性病害位置曲率之和的乘积减去发生病害位置的最大外凸值，并引入修正因子，松材线虫病害识别值的公式为：；式中，为松材线虫病害识别值，为发生病害的分割点数量，为发生病害区域树干外轮廓分割点的序号，为发生病害区域连续出现的最大树干外轮廓分割点数目，为发生病害区域连续出现的第个分割点对应的曲率，为发生病害位置的最大外凸值，和均为修正因子，且满足和的取值均在[0,1]之间；分类器的验证和优化：选择测试样本集，获取测试样本集中的松材线虫病害识别值，并将松材线虫病害识别值作为分类器的输入，并根据输出结果进行识别结果的准确度判断，不断更新和的数值，直至分类器的识别准确度最高。
[0006]作为本专利技术进一步的方案，在步骤S5中，识别松材线虫病害林区树干颜色特征的过程包括如下步骤：采集历史图像：获取松材线虫病害树干的图像，对图像进行预处理；树干轮廓提取：使用阈值分割法将图像中松树树干区域从背景中分离；
统计树干区域颜色矩，构建树干颜色特征向量：提取树干区域颜色的平均值、标准差、偏度和峰值，获取树干颜色矩，构建四维颜色矩特征向量；松材线虫病害树干颜色识别：准备包括松材线虫病害树干和健康树干四维颜色矩特征向量的训练样本，利用机器学习算法进行识别，将新的树干四维颜色矩特征向量输入分类器进行识别，并利用验证样本去验证训练模型的识别精度，优化更新模型中的参数；输出具有识别特异性的树干四维颜色矩特征向量。
[0007]作为本专利技术进一步的方案，在步骤S5中，识别松材线虫病害林区树冠颜色特征的具体过程为：采集历史图像：获取松材现成病害树冠图像，对图像进行预处理；树冠区域提取：使用区域生长方法，将图像中树冠区域从背景图像分离；颜色直方图计算：使用颜色空间将图像中的像素映射到相应的颜色通道上，提取树冠区域颜色分布信息，计算每个颜色通道的直方图；树冠颜色特征向量构建：将颜色直方图的统计信息组合成树冠颜色特征向量；松材线虫病害树冠颜色识别：准备带有标签的训练样本，样本包括松材线虫病害树冠和健康树冠的树冠颜色特征，使用训练样本利用支持向量机方法训练分类器，利用测试样本测试训练好的分类器识别精度，优化分类器的参数；输出具有识别特异性的树冠颜色特征向量。
[0008]作为本专利技术进一步的方案，在步骤S6中，由载有双目相机的无人机拍摄抓取符合松材线虫识别的树冠颜色特征向量的林区图像，并对病害林区进行标定，利用立体视觉进行深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字视频的病虫害区目标定位方法，其特征在于，包括如下步骤：步骤S1，松树林区数字视频采集：在无人机上安装双目相机，并利用双目相机采集检测林区的左目数字视频和右目数字视频；步骤S2，分割林区数字视频，取时序标记的左目图像帧和右目图像帧；步骤S3，林区图像帧预处理：对图像帧进行灰度化处理、几何变换和图像噪声过滤，进行图像增强处理和亮度均衡处理；步骤S4，重合区域图像配准：找到图像中的重合区域，计算它们之间的变换关系，经过图像变换模型将图像对齐，并进行匹配点筛选和匹配点对的深度计算；步骤S5，松材线虫病害林区目标识别：利用历史图像中松材线虫病害林区树木的特征，构建由松树弯曲度特征、树干颜色特征以及树冠颜色特征整合而成的松材线虫病害林区目标特征向量，识别图像中与松材线虫病害林区目标特征向量相似度高的林区，并将图像中与松材线虫病害林区目标特征向量相似度高的林区标记为目标虫害区；步骤S6，利用目标虫害区的深度信息获取目标的三维位置信息，生成目标虫害区的基于深度的描述子，获取目标虫害区的位置、面积大小和虫害状态信息。2.根据权利要求1所述的一种基于数字视频的病虫害区目标定位方法，其特征在于，在步骤S5中，采集已知松材线虫病害林区的历史图像，对每张历史图像进行预处理，使用曲率计算方法获取每张历史图像中目标树木的弯曲度特征提取，对松材线虫病害的数目弯曲度特异性识别区域，基于松材线虫病害识别值进行识别，识别过程如下：准备带有标签的训练样本：准备一组已知的松材线虫病害树木和健康树木的图像弯曲度特征，分别对训练样本中的树干区域进行等距分割，分割距离为0.8cm；训练分类器区分松材线虫病害树木：对分类器中的初始识别函数设置为松材线虫病害识别值公式，获取松材线虫病害识别值的识别阈值区间，松材线虫病害识别值为发生病害的分割点数量与特异性病害位置曲率之和的乘积减去发生病害位置的最大外凸值，并引入修正因子，松材线虫病害识别值的公式为：；式中，为松材线虫病害识别值，为发生病害的分割点数量，为发生病害区域树干外轮廓分割点的序号，为发生病害区域连续出现的最大树干外轮廓分割点数目，为发生病害区域连续出现的第个分割点对应的曲率，为发生病害位置的最大外凸值，和均为修正因子，且满足和的取值均在[0,1]之间；分类器的验证和优化：选择测试样本集，获取测试样本集中的松材线虫病害识别值，并将松材线虫病害识别值作为分类器的输入，并根据输出结果进行识别结果的准确度判断，不断更新和的数值，直至分类器的识别准确度最高。3.根据权利要求1所述的一种基于数字视频的病虫害区目标定位方法，其特征在于，在步骤S5中，识别松材线虫病害林区树干颜色特征的过程包括如下步骤：采集历史图像：获取松材线虫病害树干的图像，对图像进行预处理；树干轮廓提取：使用阈值分割法将图像中松树树干区域从背景中分离；统计树干区域颜色矩，构建树干颜色特征向量：提取树干区域颜色的平均值、标准差、
偏度和峰值，获取树干颜色矩，构建四维颜色矩特征向量；松材线虫病害树干颜色识别：准备包括松材线虫病害树干和健康树干四维颜色矩特征向量的训练样本，利用机器学习算法进行识别，将新的树干四维颜色矩特征向量输入分类器进行识别，并利用验证样本去验证训练模型的识别精度，优化更新模型中的参数；输出具有识别特异性的树干四维颜色矩特征向量。4.根据权利要求1所述的一种基于数字视频的病虫害区目标定位方法，其特征在于，在步骤S5中，识别...

【专利技术属性】
技术研发人员：徐方彤，
申请(专利权)人：山东艺术学院，
类型：发明
国别省市：