基于需求导向的高精度地图体育营地信息自动识别方法

宋英 曾友美

摘要： 为了提高对高精度地图体育营地信息的识别精度，文章提出了基于需求导向的高精度地图体育营地信息自动识别方法，对体育营地图像进行分割，基于需求导向确定地图资源划分区域，为实现高精度地图体育营地信息自动识别奠定基础。通过设计对比实验，实验结果表明该研究方法识别精度较高、实用性较强。

关键词：需求导向；高精度地图；体育营地；识别方法

中图分类号：G642文献标志码：A

0 引言

随着全球化的推进，体育旅游成为一种时尚的生活方式^[1]。传统的地图和导航系统在体育营地信息的识别上存在精度不高、实时性不强等问题，无法满足游客的需求^[2-3]。

近年来，国外学者对体育营地信息识别技术的研究主要集中在体育营地的规划和管理方面。国内学者的研究主要集中在体育营地的资源开发、市场营销等方面。本文基于需求导向提出高精度地图体育营地信息自动识别方法，有助于为游客提供更加优质的服务体验。

1 基于需求导向的高精度地图体育营地信息自动识别方法设计

1.1 体育营地图像分割处理

在分割过程中采样点的数量与其他参数间存在关系，利用核密度函数将分割样本点划分为不同的空间区域。

对于d维运动图像，提供n个采样点x_j，x是分割向量的参数。基本形式的分割向量为：

其中，S_h是一个高维球形区域，其直径为h，且该区域中有k个采样点。为区分图像的不同特征，确定分割点的权重因子^[4]。权重因子按以下方式计算：

其中，G是核心单元函数。

在进行图像分割时，本文采用一种基于区域生长的算法，根据像素的灰度值和空间位置关系，将体育营地的图像划分为若干个区域^[5]。在分割图像中，采样点的数量与其他参数之间存在以下关系：

通过概率密度函数确定阈值，根据所得合适的阈值，使每个区域内的像素具有相似的特征，实现对体育营地图像的分割。在体育营地中，采样点的概率密度函数为：

其中，w（x_j）是采样点的加权因子，K是径向基函数（Radial Basis Function，RBF）。核函数变量模型如图1所示。

1.2 基于需求导向确定地图资源区划区域

根据客户需求信息和营地的实际情况，本文制定了合适的区域划分方案，确保划分区域具有独立性和完整性，以便于系统管理和运营。本文基于需求导向提取体育营地的纹理特征，使用圣维南方程表示为：

其中，q为体育营地的信息情况，B为占地面积，Z为使用率，?为体育营地的规划时间，Q是单位实际使用面积参数。

在式（6）中引入调整的参数a。当实际使用面积发生变化时，引入该参数来确定体育营地的实际利用信息。修改后的参数可以根据阻比参数进行控制，如式（7）所示。

其中，n为体育营地区域的数量，A_i为第i号体育营地的使用可能性，K_i为模块参数。在计算不稳定流的二维方法基础上，根据体育营地的需求导向使用过程，将所有体育营地划分为二维映射系统。体育营地的利用过程为：

其中，U为x轴上的绘制方向，V为y轴上的规划方向，h为绘制区域，y为纹理参数。将提取的特征转换为基于数量关系划分的不同尺度的纹理特征。在分布过程中，纹理系数的计算式为：

其中，C是Chezy系数，g是重力加速度，H是糙率系数。为获得的纹理属性，本文构建闭合参数，并自动捕获使用的运动轨迹。锁定参数F为：

其中，ξ为当地体育营地的使用参数。

1.3 体育营地信息自动识别实现

以识别区域的纹理特征作为识别算法构建的基础，本文利用多光谱图像中的纹理特征模拟区域中的高分辨率全色图像。为恢复纹理属性和图像间的关系，在协调过程中利用纹理特征，该过程的表达式为：

其中，λ_b是结构特征的贡献率，ρ为区域间权重的观测噪声参数。该过程利用分类器，对预处理提取出的纹理特征进行分类和识别，确定各区域所代表的体育营地信息，使用每个纹理参数的平均值作为识别算法参数。纹理参数的平均值为：

其中，N为一组高分辨率数据点，M为一组纹理特征，i为体育营地在x轴上的位置，j为体育营地在y轴上的位置，F（i，j）为纹理特征的灰度值。根据平均值计算结果，所构建的体育营地梯度函数为：

其中，G为使用区域中的平均指标，确定纹理函数使用区域之间的光谱校正参数C表示，并使用该相关参数来确定平均值与梯度之间的转换。频谱校正参数的计算方式如下：

本文采用多尺度融合的方法，将不同尺度下的纹理特征进行融合。额定光谱参数可以与高分辨率区域中的纹理特征相结合，用于计算识别参数和表达识别参数，如式（15）所示。

其中，B是识别参数，P（i，j）是核纹理的尺度上限。综上所述，本文利用以上处理过程实现高精度地图体育营地信息自动识别。

2 实验论证

2.1 实验准备

在选定的实验区域内，实验筛选出具备相同参数的计算机处理设备，确保实验结果的准确性和可比性。计算机参数如表1所示。

由表1可知，将田径营地、足球营地、篮球营地、网球营地、滑雪营地和水上营地作为识别对象，分别使用传统方法1、传统方法2的自动识别方法和本文设计研究的自动识别方法对各个识别对象进行多次识别，并将平均识别精度作为最终识别精度结果。

2.2 对比实验

3种识别方法的识别精度结果如表2所示。

由表2可知：传统自动识别方法的识别精度为75%～85%；本文自动识别方法的识别精度在95%以上。这说明本文设计的自动识别方法识别精度更高，实用性更强。

3 结语

本文提出了一种基于需求导向的高精度地图体育营地信息自动识别方法。所提方法不仅提高了体育营地信息的获取效率和精度，还为游客提供更加优质的服务体验。通过综合运用各种技术手段，所提方案实现了对体育营地信息的全面覆盖，满足了游客高精度的需求。

参考文献

[1]田云，赵娅，叶波，等.水力发电站智能巡检机械设备缺陷自动识别方法[J].自动化与仪表，2023（12）：70-73，84.

[2]刘利军.基于改进粒子群算法的低压配电网故障自动识别方法[J].自动化应用，2023（22）：50-51，54.

[3]陈千懿，陈绍南，肖静，等.基于强化学习的配电网巡检缺陷自动识别方法[J].自动化技术与应用，2023（10）：54-58.

[4]李方，姜文东，付守海，等.高压输电线路巡线机器人目标自动识别跟踪方法[J].微型电脑应用，2023（4）：183-186.

[5]邵长超，刘复员，原晨冉.基于深度学习的植保无人机作业地块自动识别方法研究[J].河南科技学院学报（自然科学版），2023（2）：77-84.

（编辑 沈 强编辑）

Demand-oriented automatic identification method of high-precision map sports camp information

Song  Ying¹， Zeng  Youmei²

（1.College of humanities，Wuhan University of Engineering Science， Wuhan 430200， China;

2.Guangdong Dance and Drama College， Guangzhou 510000， China）

Abstract：  In order to improve the identification accuracy of sports camp information in high-precision map， an automatic recognition method of sports camp information in high-precision map based on demand-oriented is proposed. This paper divides the sports camp image， determines the map resource zoning area based on demand orientation， and achieves high-precision automatic identification of sports camp information on the map. By designing the comparative experiments， the experimental results show that the research method has the higher recognition accuracy and the stronger practicality.

Key words： demand-oriented; high-precision map; sports camp; identification method