线性文化遗产勘探方法、系统、存储介质和电子设备

摘要

本发明的实施例公开了一种线性文化遗产勘探方法、系统、存储介质和电子设备。该线性文化遗产勘探方法包括：接收路面图片，所述路面图片由带有摄像装置的行进设备沿勘探路线行进时以预设时间或预设距离拍摄；根据所述路面图片识别古道；以及将识别的勘探路线上的古道标识在GIS地图上。

说明书

技术领域

本发明涉及线性文化遗产研究领域，更具体地，涉及一种线性文化遗产勘探方法、勘探系统、展示方法、存储介质和计算设备。

背景技术

从文化遗产的视角，对古代交通遗产进行研究和保护，是近几年的发展趋势。线性文化遗产是一类具有显著形态分布特征的文化遗产类型，是由人工营造的线状遗存串联起来，或沿自然形成的线形边界排列起来的点状遗产所组成。

然而，随着现代化进程的推进和人类活动对于地形地貌的改变，线性文化遗产面临的威胁也日益增大，古道路面和相关遗存不断消失。对线性文化遗产进行勘探和保护至关重要。相关技术中，一般采用对线性文化遗产进行文献阅读、田野踏查等方式，基于田野踏查数据，对古道进行识别和分级，全部通过人工的手段，对于人力成本要求较高，对于一些极端环境，甚至存在人身危险。

发明内容

本发明第一方面提供一种线性文化遗产勘探方法，包括：

接收路面图片，所述路面图片由带有摄像装置的行进设备沿勘探路线行进时以预设时间或预设距离拍摄；

根据所述路面图片识别古道；以及

将识别的勘探路线上的古道标识在GIS地图上。

在一个具体实施例中，所述根据所述路面图片识别古道，包括：

利用卷积神经网络对拍摄的各路面图片进行特征提取，得到第一特征序列向量；

利用条件随机场模型接收各路面图片的第一特征序列向量，识别出所述各路面图片对应的路面是否为古道。

在一个具体实施例中，所述方法还包括：

获取待识别的路面图片对应的拍摄点的地理位置；

根据所述地理位置，获取对应的地理位置信息，其中所述地理位置信息为历史文献中关于所述地理位置的古代交通线路及其相关历史遗存的信息；

利用所述卷积神经网络对地理位置信息进行特征提取，得到第二特征序列向量；

所述利用条件随机场模型接收各路面图片的第一特征序列向量，识别出所述各路面图片对应的路面是否为古道，包括：

结合第一特征序列向量和第二特征序列向量，识别所述路面图片对应的路面是否为古道。

在一个具体实施例中，在识别出所述路面图片对应的路面为古道时，所述方法还包括：

利用所述条件随机场模型识别所述古道的级别；

将识别的勘探路线上的古道的级别标识在GIS地图上；

和/或

拍摄所述古道照片和/或古道的周围预定范围的周边照片；

利用所述卷积神经网络对拍摄的古道照片和/或周边图片进行特征提取，得到第三特征序列向量；

利用所述条件随机场模型接收所述第三特征序列向量，识别出是否存在历史遗存；

将识别的历史遗存标识在GIS地图上。

在一个具体实施例中，所述方法还包括：

将所述古道和/或历史遗存的遗存时期标识在所述GIS地图上。

在一个具体实施例中，所述方法还包括：

在所述GIS地图上呈现时间轴；

响应于对所述时间轴上时间点或时间段的选择操作指令，所述GIS地图上仅呈现所述时间点或时间段对应的遗存时期的古道和/或历史遗存。

在一个具体实施例中，当条件随机场模型识别当前拍摄点为非古道时，所述方法还包括：

将从历史文献中获得的所述当前拍摄点和勘探终点间的历史遗存数据、河流数据和高程数据输入在GIS软件中构建的成本函数Cost=aN+bW+cH，计算所述当前拍摄点和勘探终点间的前k个最低成本路线，其中，N表示历史遗存的数量、W表示河流的宽度、H表示勘探路线的高程，a、b和c为对应的权重，k为大于等于2的自然数。

在一个具体实施例中，所述方法还包括：

向所述行进设备发送控制指令，使得所述行进设备沿所述k个最低成本路线中第一个最低成本路线行进；或者

将所述k个最低成本路线呈现在所述GIS地图上；

响应于勘探人员选择操作指令，选择其中一个最低成本路线，使得所述行进设备沿所选择的勘探路线行进，或者，响应于勘探人员的新建操作指令，在所述GIS地图上新建勘探路线，使得所述行进设备沿新建勘探路线行进。

在一个具体实施例中，

在具有人机交互界面的显示器上呈现所述GIS地图和新建路线功能键；

响应于勘探人员对呈现的所述k个最低成本路线中一个的点击操作指令，向所述行进设备发送控制指令，使得所述行进设备沿所选择的勘探路线行进；或者响应于勘探人员对呈现的新建路线功能键的点击操作指令，所述GIS地图呈现输入模式，响应于勘探人员在GIS地图上画线操作，新建勘探路线；

或者

在AR眼镜上呈现所述GIS地图；

响应于勘探人员的不同手势动作，选择呈现的所述k个最低成本路线中一个，向所述行进设备发送控制指令，使得所述行进设备沿所选择的勘探路线行进。

在一个具体实施例中，当条件随机场模型识别当前拍摄点为非古道时，所述方法还包括：

将从历史文献中获得的所述当前拍摄点和勘探终点间的历史遗存数据、河流数据和高程数据输入在GIS软件中构建的成本函数Cost=aN+bW+cH，计算所述当前拍摄点和勘探终点间的前k个最低成本路线，其中，N表示历史遗存的数量、W表示河流的宽度、H表示勘探路线的高程，a、b和c为对应的权重，k为大于等于2的自然数；

通过强化学习模型确定所述k个最低成本路线中累积奖赏最大的路线；

将所述累积奖赏最大的路线作为推荐勘探路线。

在一个具体实施例中，所述方法还包括：

向所述行进设备发送控制指令，使得所述行进设备沿所述推荐勘探路线行进；或者

将所述推荐勘探路线呈现在所述GIS地图上；

响应于勘探人员对所述推荐勘探路线的选择，使得所述行进设备沿所述推荐勘探路线行进，或者，响应于勘探人员的新建操作指令，在所述GIS地图上新建勘探路线，使得所述行进设备沿新建勘探路线行进。

在一个具体实施例中，

在具有人机交互界面的显示器上呈现所述GIS地图和新建路线功能键；

响应于勘探人员对呈现的所述推荐勘探路线的点击操作指令，向所述行进设备发送控制指令，使得所述行进设备沿所述推荐勘探路线行进；或者响应于勘探人员对呈现的新建路线功能键的点击操作指令，所述GIS地图呈现输入模式，响应于勘探人员在GIS地图上画线操作，新建勘探路线；

或者

在AR眼镜上呈现所述GIS地图；

响应于勘探人员的不同手势动作，选择呈现的所述推荐勘探路线，向所述行进设备发送控制指令，使得所述行进设备沿所选择的勘探路线行进。

在一个具体实施例中，所述方法还包括：

在将识别的勘探路线上的古道标识在GIS地图上时显示被标识的古道对应的路面图片。

在一个具体实施例中，所述方法还包括：

在所述GIS地图上标识所述古道的同时显示对应的路面图片；

响应于勘探人员对显示的路面图片人工判断为非古道，指令所述行进设备退回到上一个拍摄点；

响应于勘探人员在所述GIS地图上从所述上一个拍摄点开始的画线操作指令，在所述GIS地图上呈现规划勘探线路；

向所述行进设备发送控制指令，使得所述行进设备沿所述规划勘探线路行进。

在一个具体实施例中，所述方法还包括：

将获得的路面图片和古道数据输入GIS软件中进行视域分析和地形分析，以辅助研究人员复原关键历史事件的地理信息。

在一个具体实施例中，所述方法还包括：

对条件随机场模型进行建模的步骤，其中所述条件随机场模型的特征函数被构建为包括：

关于所述地理位置信息的特征函数；

关于所述古建筑遗存的特征函数。

在一个具体实施例中，所述条件随机场模型被构建为：

对第n个路面图片进行识别时，根据如下之一或多个的组合进行识别：

第（n-2）个路面图片的特征序列向量、第（n-1）个路面图片的特征序列向量、第n个路面图片的特征序列向量、第（n+1）个路面图片的特征序列向量以及第（n+2）个路面图片的特征序列向量；

第（n-2）个路面图片的特征序列向量和第（n-1）个路面图片的特征序列向量的组合、第（n-1）个路面图片的特征序列向量和第n个路面图片的特征序列向量的组合、第n个路面图片的特征序列向量和第（n+1）个路面图片的特征序列向量的组合以及第（n+1）个路面图片的特征序列向量和第（n+2）个路面图片的特征序列向量的组合；和

拍摄第n个路面图片的给预定拍摄时间窗口内的连续图像的特征序列向量的组合。

本发明第二方面提供一种存储介质，存储有程序，所述程序被执行时实现第一方面所述的方法。

本发明第三方面提供一种电子设备，包括处理器和存储有程序的存储介质，其特征在于，所述程序被处理器执行时实现第一方面所述的方法。

本发明第四方面提供一种线性文化遗产勘探系统，包括：

行进设备；

根据第三方面所述的电子设备；

显示设备，用于显示所述GIS地图。

在一个具体实施例中，所述显示设备包括：

具有人机交互功能的显示屏或AR眼镜，所述勘探人员能够通过所述显示屏或AR眼镜选择系统提供的备选勘探路线或新建勘探路线，并指令所述行进设备沿选择的勘探路线行进。

在一个具体实施例中，所述行进设备包括：

无人机；

无人车，当勘探人员识别到无人机在行进中遇到路面被遮挡而无法拍摄到满足要求的路面图片时，通过所述显示设备向无人车发送控制指令使得所述无人车行进到被遮挡的拍摄点进行拍摄；

漂浮舱，被设置在所述水面上，当勘探人员识别到无人机在行进中遇到水面而无法拍摄到满足要求的路面图片时，通过所述显示设备向所述漂浮舱发送控制指令使得所述漂浮舱进行拍摄。

在一个具体实施例中，所述无人车还包括：机械臂，用于在所述勘探人员监视下对路面进行挖掘。

本发明第五方面提供一种线性文化遗产展示方法，应用于辅助游览，包括：

将通过第一方面所述的方法获得的古道输入GIS软件进行视域分析，得到古道的3D视图；

利用虚拟增强现实对3D视图中古道的周围历史遗存进行虚拟建模复原；

响应于感测到所述游客沿古道行进的位置，在AR眼镜上呈现所述位置对应的古道和/或历史遗存；

响应于游客的手势动作，播放所述古道/或历史遗存对应的历史事件。

本发明第六方面提供一种线性文化遗产展示方法，应用于陈列展示，包括：

将通过第一方面所述的方法获得的古道输入GIS软件进行视域分析，得到古道的3D视图；

利用虚拟增强现实对3D视图中古道的周围历史遗存进行虚拟建模复原；

利用全息投影在展示空间呈现所述古道和/或历史遗存；

响应于观看者对所呈现的古道和/或历史遗存的选择，播放所述古道/或历史遗存对应的历史事件。

本发明的有益效果如下：

通过本申请的线性文化遗产勘探方法和系统，能够辅助或者至少部分替代考古工作人员的人工工作，大大减少了其工作量，提高了工作效率，降低了工作难度，特别是对于一些极端自然环境的情况下。相比于全人工执行的方式，本申请更加方便和智能，相比于全自动的执行方式，本申请由于借助人机协同的处理方式，能够具有更高的准确度和人为自由选择度，用户体验更好，也更符合实际需要，更科学。另外，通过本申请的线性文化遗产的展示方法，能够大大提高文化遗产宣传的趣味性，从而提高人们的接收程度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出根据本发明一个实施例的线性文化遗产勘探系统。

图2示出根据本发明一个实施例的线性文化遗产勘探方法。

图3示出根据本发明一个实施例在GIS地图上预设勘探路线的示意图。

图4示出根据本发明一个实施例的GIS地图上的勘探路线的经纬度坐标。

图5示出根据本发明一个实施例的用于识别古道的模型。

图6示出根据本发明一个实施例的线性文化遗产知可视化界面示意图。

图7示出根据本发明一个实施例在GIS地图上标识古道及其级别的示意图。

图8示出根据本发明一个实施例的GIS地图显示区示意图。

图9示出根据本发明一个实施例的用于提供勘探路线的模型。

图10示出根据本发明一个实施例的电子设备示意图。

具体实施方式

为使本发明的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

发明人在前的专利申请202011287833.2公开了一种线性文化遗产知识图谱构建方法，然而，该专利申请的技术方案侧重于知识图谱的构建，在该专利申请中，仍然是采用人工实地走访探查的方式进行数据采集，并且采用深度学习模型进行图像识别，使用CRF(条件随机场)等知识抽取模型进行实体抽取。

本申请的方案并不在于知识图谱的构建，而在于在此基础上进一步给出了数据获取及处理方面的改进方案。

为此，本发明一方面提供一种线性文化遗产勘探方法和系统。

图1示出根据本发明一个实施例的线性文化遗产勘探系统，该系统包括行进设备10、电子设备12和显示设备14，各设备之间通过网络建立通信连接，网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等。

其中，行进设备10在图中的示例中为无人机，具有摄像装置100，用于在线性文化遗产勘探过程中进行拍照并把图片数据发送给电子设备12。

电子设备12，例如为服务器，基于获取的数据进行运算并发送给显示设备14，进行可视化呈现。

在一个具体示例中，显示设备具体可以是台式终端或移动终端，移动终端具体可以是手机、平板电脑、笔记本电脑等中的至少一种。在另一个具体示例中，显示设备可以为AR眼镜，这会在之后进行说明。

需要说明的是，图1中的网络、电子设备、显示设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络和计算设备。例如服务器12可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

为了解决背景技术中所提及的技术问题，在本发明的一个实施例中，提供一种线性文化遗产勘探方法。本实施例以该方法应用于上述图1中的电子设备12来举例说明。如图2所示，该方法具体包括如下步骤：

S10、接收路面图片，所述路面图片由带有摄像装置的行进设备沿勘探路线行进时以预设时间或预设距离拍摄。

在一个实际的应用场景下，勘探人员计划勘探玉溪市通海县城（通海古城所在地）到红河州建水市（建水古城所在地）之间的线性文化遗产的分布情况。勘探人员首先在GIS（地理信息系统）软件（例如ArcGIS平台 ）上从玉溪市通海县城（A点）规划一条到达红河州建水市（D点）的初始行进路线，如图3所示。

其中GIS软件可以安装在电子设备12中，也可以安装在其它计算机上。电子设备12通过GIS软件的API接口，获取该初始行进路线的经纬度坐标，如图4所示，并将该数据发送给无人机。图4的经纬度坐标仅仅示出了A、B、C和D点的经纬度，然而，本领域技术人员能够理解，这仅仅是示例，实际获取的行进路线上的经纬度数据有更多，在图4中以点省略表示。具体采集经纬度数据的多少以能够使得无人机沿路线行进为标准。

在另外的示例中，电子设备12具有存储器，可以预先存储有初始行进路线。

这样，勘探人员在A点放置无人机10，无人机按着该初始行进路线，每向前行驶预设时间和/或预设距离，则对古道路面拍摄一张照片。例如，无人机每飞行1min，则拍摄一张照片，和/或，每飞行100m则拍摄一张照片。

通常情况下，勘探人员会选择确定为古道的位置作为起始位置，然而这并不作为本申请的限定。

无人机的拍摄装置100与电子设备进行通信，无人机将拍摄的图片发送给电子设备12。

当遇到地形比较复杂的位置，例如比较蜿蜒的道路，可能包含了更多的鉴别信息，勘探人员可以人工控制无人机调整图像采集的高度，以保证图像拍摄的完整、清晰，可以更好的反应图像特征。例如，还可以在不同的高度对同一位置采集多次图像，结合多个图像对该位置是否为古道进行鉴别。例如，还可以调整无人机的姿态，在同一位置以不同的角度进行拍摄，得到多张图像。

在一些树木比较多的位置，无人机可能无法很好地对当地的图像进行获取，即图像质量不高，会大大影响识别结果的准确度。在这种情况下，行进设备还可以包括无人车，其上可以设置拍摄装置，例如摄像头。通过摄像头对当处的地形地貌进行拍摄，替代无人机发送给电子设备进行处理和识别。

同样的，无人车可以与无人机实时通信，通过无人机控制无人车的行驶，以保证两者的同步，即无人机拍摄的地点正是无人车当前到达的位置。也可以在无人机到达树木较多的位置后，通知电子设备，由电子设备通知无人车出发，到达无人机拍摄的位置。

在一些实施方式中，也可以由勘探人员驾驶车辆实施以上方案。

在树木等遮挡物较多的地段，还可以在无人机上设置红外成像仪，与可见光相机同步拍摄，用于辅助拍摄隐蔽的特征。

有时候，由于年代的更迭，原来有古道的位置可能已经被水覆盖变成了河流，而导致无法勘探，在一些实施方式中，行进设备还可以包括设置有摄像装置的漂浮舱，当无人机在行进过程中拍摄到前方是水路时，通过电子设备通知勘探人员，勘探人员携带漂浮舱到达现场，将漂浮舱放置在水面上，使得漂浮舱对水底的路形、路况进行拍照，将拍摄的图像发送给电子设备进行处理，以辅助进行判断。

对于途径可能遇到的高建筑，例如古代塔、高台等，无人机需要小心飞行，以免发生碰撞。为此，往往需要在高建筑表面布置发射标靶，使得无人机在接收到反射标靶的反射信号时，调高飞行高度。另一方面，对于出现高建筑的位置，往往大概率存在古道的情况，无人机可以据此来对该拍摄点以不同的角度进行拍摄，得到多张图像。

S20、根据所述路面图片识别古道。

在一个具体示例中，无人机在由A飞到D的过程中，一共在N个点采集了N张照片，这N张图片构成一具有先后顺序的图像序列发送到电子设备。

如图5所示，步骤S20具体包括：

S200、将这N张图片分别输入至卷积神经网络（CNN）模型中，进行特征提取，得到图像的特征序列向量[x1,x2……xn]。

也可以使用其他方式将图像进行向量表示。

本领域技术人员能够理解，该方法在S200之前还可以包括对卷积神经网络模型进行训练的过程，例如勘探人员利用其它地域的古道已经打过标签的样本进行训练。

S205、利用条件随机场（CRF）模型接收各路面图片的特征序列向量，识别出所述各路面图片对应的路面是否为古道。

将各图像的特征向量分别输入至训练好的 CRF模型中，即可输出该图像所对应的路面是否为古道。

在一些实施方式中，无人机也可以边前进边识别，例如，在B点拍摄图像后进行识别，当识别为古道时，再继续前进。当无法利用当前时刻的下一时刻的图像信息时，可以认为其为0。对于古道的识别，如在前申请202011287833.2所教导的那样，可以使用深度学习模型识别，但是根据线性文化遗产空间分布的特点，CRF模型能够同时考虑到当前位置的路面与前后相邻位置的路面图像特征，因此准确度更高，例如，对于连续拍摄的距离较近的3张图片r1、r2、r3，当识别r1和r3为古道时，那么r2也极有可能是古道，此时CRF模型在识别r2时，会考虑r1和r3的特征，因此将r2识别的准确度会高一些，而深度学习模型仅是针对每张图片独立识别，则准确度较低。

为此，方法还包括对所使用的CRF模型进行建模和训练的过程。在将CRF模型引入到线性文化遗产勘探的场景中，CRF模型的特征函数的设计是关键。设p（y|x）为条件随机场，则

其中，Z(x)为归一化因子，t

在本方案中，优选地，为了对当前图片（例如第n个路面图片）识别时考虑前后图片的情况，将特征函数设计为根据如下之一或多个的组合进行识别：

第（n-2）个路面图片的特征序列向量、第（n-1）个路面图片的特征序列向量、第n个路面图片的特征序列向量、第（n+1）个路面图片的特征序列向量以及第（n+2）个路面图片的特征序列向量；

第（n-2）个路面图片的特征序列向量和第（n-1）个路面图片的特征序列向量的组合、第（n-1）个路面图片的特征序列向量和第n个路面图片的特征序列向量的组合、第n个路面图片的特征序列向量和第（n+1）个路面图片的特征序列向量的组合以及第（n+1）个路面图片的特征序列向量和第（n+2）个路面图片的特征序列向量的组合；和

拍摄第n个路面图片的给预定拍摄时间窗口内的连续图像的特征序列向量的组合。

对在一段路线上依次拍摄的多张图片进行标注，一般是否为古道可以由专家进行判断后标注，将标注好的图像序列输入至CNN网络中进行特征提取后再输入至CRF模型中进行训练。

通过标记数据对CRF模型进行训练，每一张标记图像输入到以上多个特征函数中，可以得到多个特征值。

例如使用LBFGS函数进行迭代训练，最终可以训练出特征的权重λk和ul，得到最优的权重分配，完成训练。

在一些优选实施方式中，所述方法还包括：

S201、获取待识别的路面图片对应的拍摄点的地理位置。

在一个具体示例中，行进设备例如无人机还包括定位装置，例如GPS或北斗定位装置，在拍照的同时，通过定位装置进行定位，获取此时古道路面所处的地理位置。无人机与电子设备进行通信，将识别的地理位置发送给电子设备。

S202、根据所述地理位置，获取对应的地理位置信息，其中所述地理位置信息为历史文献中关于所述地理位置的古代交通线路及其相关历史遗存的信息。

线性文化遗产的构成应当包括两部分要素，其一是作为核心的传统意义上的道路遗存，包括路面路基、古道经行的古桥梁、古渡口、驿铺建筑等；其二是位于道路沿线或邻近地区的其他遗存，如古墓葬、其他非直接相关的古建筑（如寺庙）以及古城镇、摩崖石刻等，它们也是遗产本体的重要组成部分，是界定不同年代线路具体走向的重要参照，是研究与保护的对象。古代交通线路的遗产本体由各单体遗存有机构成，但其整体的遗产价值却并不等于——而是远远大于各个部分价值的总和。如邕州道的价值便不只于现存的路面、路基和推测的路径覆盖的部分，也不只于沿线的马店、商铺、寺观、城镇遗存，它的价值体现在所有这些元素有机构成的整体性的遗产系统，体现在这个系统背后所反映的特定的茶马商贸背景，以及更深层次的宋朝政治军事原因。

可见，存在历史遗存的位置出现古道的概率会更高。为此，在本优选实施例中，除了采集古道的照片，还采集拍摄点处的历史遗存信息。

相关信息来源：包括已知的考古遗存，文字资料和图像资料。其中文字资料主要包括正史与方志、诗文笔记和已有的研究著述；图像资料主要包括古籍插图和近现代地图（测绘图）。

第一，本方案涉及到的历史文献材料主要包括正史与方志、诗文笔记和已有的研究著述。其中，利用正史和方志中的地理志、地理文献专考和地方志中关于道路本身、城镇、墓葬、古迹等的记录，结合纪传中关于筑路和相关活动的记载，就可以搭建一个较为整体的研究框架。另有几种不同情况下对于取用路线的详细记录：战争行军，官员调派，使团往来等。

第二，利用已有的考古学材料（如全国第三次文物普查数据库中的相关材料），将已知的遗存标注于图上，观察不同时期遗存点的分布特征，同时与历史文献进行比对；并在此基础上，对云南地区古代交通的发展进行分期研究。选取的遗存点主要包括：古道路面、古桥梁、古城址、古建筑、古墓葬、古碑刻等。这张地图同时也是实地踏查时使用的“底图”。

基于对于古代文献的梳理总结之上得到上述历史遗存信息。

在一个具体示例中，在电子设备12的存储器中预先存储有这些信息，当确定了当前拍摄图片的地理位置后，去存储器中搜索当前位置的历史遗存信息。当然，本领域技术人员能够理解，这些信息不必存储在电子设备中，例如可以存储在另外的数据库中，只要电子设备12需要时能够获取即可。

S203、利用所述卷积神经网络对地理位置信息进行特征提取，得到第二特征序列向量。

在考虑了地理位置信息时，步骤S205包括：

结合第一特征序列向量和第二特征序列向量，识别所述路面图片对应的路面是否为古道。

在进行图片识别的过程中，可以结合地理位置信息。电子设备在进行图片识别的过程中，可以结合拍摄地点附近的更多的信息，以使识别的结果更加准确。

在一些实施方式中，为了让CRF模型考虑相关历史遗存这样的要素，在上述CRF模型建模过程中，也可以在CRF模型的特征函数设计时，加入地理位置特征f1。

例如当前位置是否被记载为古道本身、古迹、墓葬、城镇等。则此时f1表征的是根据古籍资料记载的此处是否为古道。又例如，地理位置信息包括当前拍摄位置的经度和纬度，以此来确定其在地球上所处的位置，再根据古籍资料记载，来查阅此地理位置条件下是否更容易形成古道，例如当定位在纬度较低的地方、热带、南北极等极端环境条件的位置，则更不易形成古道。

在另外的优选实施例中，在识别出所述路面图片对应的路面为古道时，所述方法还包括：利用所述条件随机场模型识别所述古道的级别。

根据行业的定义，有保存完好的古道定义为一级古道、有路面不存路路基保存完好的古道定义为二级古道；有路面路基不存，但根据相关遗存可以推知具体路线的古道定义为三级古道。

在这种情况下，可以在CRF模型训练的过程中将分级信息加入到训练数据标签中，例如训练数据的标签记为0（非古道）、1（一级古道）、2（二级古道）、3（三级古道）。训练样本集需要专家根据分级的具体标准进行人工标注。

由于古道沿途的历史遗存也是线性文化遗产，为此，在识别出所述路面图片对应的路面为古道时，所述方法还包括：

拍摄所述古道照片和/或古道的周围预定范围的周边照片；

利用所述卷积神经网络对拍摄的古道照片和/或周边图片进行特征提取，得到第三特征序列向量；

利用所述条件随机场模型接收所述第三特征序列向量，识别出是否存在历史遗存。

S30、将识别的勘探路线上的古道标识在GIS地图上。

如图6所示，本发明方法在显示设备上显示具有GIS地图的人机交互界面，电子设备根据获得的古道经纬度数据在GIS地图上将识别为古道的图像位置标识出来（图中圆点），进一步，可以将所有识别为古道的点连接起来，就可以得到一段连续的古道。最终，展现的是全线图像。

在一个示例中，可以通过与现有GIS软件的API接口通信调用GIS地图。

在一个优选示例中，还可以将识别的勘探路线上的古道的级别标识在GIS地图上，如图7所示。

在另一个优选示例中，还可以将识别的历史遗存标识在GIS地图上。例如使用不同于圆点的标记来标识，例如三角形。进一步，还可以对不同类别的历史遗存以不同的标记标识，例如对于古城用三角形，对于墓碑用矩形。或者，可以用不同的颜色加以区分。

在另一个优选示例中，还可以将所述古道和/或历史遗存的遗存时期标识在所述GIS地图上。在这个示例中，仅需要在CRF模型训练的过程中，对训练样本集进行标注时，增加“遗存时期”这一标签特征。

在一个优选实施例中，如图6所示，在所述GIS地图上（确切来说，在GIS地图显示区）还呈现时间轴。

响应于对所述时间轴上时间点或时间段的选择操作指令，例如拖动时间轴上所示的标签到某一位置（时间点），或将标签首先拖动到第一位置，之后，在该标签上进行双击操作，此时再拖到标签到另一个位置，系统将理解需要展示的为标签前后两次之间的时间段，所述GIS地图上仅呈现所述时间点或时间段对应的遗存时期的古道和/或历史遗存。

通过设置时间轴，可以将全部构成要素分类分级显示、区分古道的可见和不可见、可拉动时间轴动态显示时间年代等可视化展示方式，实现了历史和现存信息的最大化空间呈现，可为科研、管理、利用提供最直观高效的基础信息支撑。

如图6所示，人机交互界面还可以提供查询的功能。查询主要分为关键词查询（即图中的“输入查询”框）和点击查询，前者可根据用户输入的古道名称，利用SQL语句在存储于电子设备的存储器中的数据库中检索，并返回给前端检索的结果；后者可根据用户在界面上对要素（例如图中的圆点）进行点选的情况， 例如基于Geo工具的WMS服务返回查询结果。

此外，还可以提供对数据库的编辑功能，除了在后台系统，可通过PostGreSQL软件对数据进行增减外，还可以在网页端，基于Geoserver软件的WFS功能，对界面上的点要素进行编辑绘制。比如增加标记，删减标记等，对地图中要素不全的内容进行补充。

通过本发明的上述方法和系统，能够自动完成对规划路线例如从玉溪市通海县城（A点）到达红河州建水市（D点）沿路线性文化遗产的勘探工作，相比于全人工执行的方式，本申请更加方便和智能，大大减少了勘探人员的工作量，提高了工作效率，降低了工作难度。

然而，上述方法使用的是机器学习来进行预测的逻辑，对于初级勘探人员来说可能很适用，然而，对于一些经验丰富的勘探人员，仅仅希望其仅仅是一个辅助手段，实际上，从技术上讲，机器学习的预测并不能完全替代人工审核的过程。

为此，本发明的方法和系统还赋予了勘探人员随时介入的权限，这个权限可以对所有勘探人员开放，也可以对有经验的勘探人员开放。

具体地，本发明的方法还包括：

S300、响应于勘探人员对显示的路面图片人工判断为非古道，指令所述行进设备退回到上一个拍摄点。

在一个示例中，在飞行器拍摄路面图片时，同步在如图6所示的交互界面上进行显示（左图）。勘探人员根据经验判断出该图片对应的路面不是古道，而机器学习的方法判断为古道，则勘探人员通过显示设备指令飞行器退回到上一个拍摄点。

S301、响应于勘探人员在所述GIS地图上从所述上一个拍摄点开始的画线操作指令，在所述GIS地图上呈现规划勘探线路。

在一个示例中，勘探人员在交互界面上点击“新建路线”按键，下方的GIS地图变为可编辑状态，勘探人员从上一个拍摄点开始画出新的行进路线，具体来说，可以挪动之前规划的新进路线上的如图3所示的节点来调整路线。

S302、向所述行进设备发送控制指令，使得所述行进设备沿所述规划勘探线路行进。

在调整完毕后，例如再次点击“新建路线”按键，指示系统调整完毕，向飞行器发送控制指令，使得飞行器沿新规划的勘探路线行进。

在此过程中，若再次出现勘探人员发现机器学习误判的情况，可以重复上述步骤。

另一方面，当勘探人员对图像识别结果存疑，即怀疑其结果的准确性但又不能非常确定的情况下，可以通过无人车协助判断。无人车的处理器与显示设备（显示器或AR眼镜）通信，勘探人员可通过显示器或AR眼镜向无人车发送指令，无人车具有与显示器或AR眼镜通信的处理器，无人车的处理器在接收到采集指令时，可通过控制器控制机械臂对当前位置进行挖掘操作，例如挖一个探沟，探沟的深度可根据实际地理位置进行设置，具体的数值可以由专家在现场做出判断后通过终端显示器进行输入。在挖掘的过程中，专家需要在现场进行监督和指导，以避免在挖掘的过程中损坏相关遗存、破坏底层关系，因此，专家随时可以通过终端显示器改变机械臂的挖掘方向/深度/暂停等，对其进行控制，例如还可以通过语音进行控制。

在挖掘的过程中，可根据土质夯实情况判断是否为古道，例如，不同年代的古道所在的地层不同，则可根据地层情况进行区分。区分的过程可以通过电子设备12进行判别，也可以通过现场的专家根据经验做出判断。无人车可以是通过显示器或AR眼镜控制到达指定当前位置，也可以是通过无人机来控制无人车到达指定位置。在判断该地段是否为古道后，可以将该判断结果发送至显示器或AR眼镜，供勘探人员参考和做出决策。

本领域技术人员能够明了，这种方式需要勘探人员全程跟随，时间成本大。当然，勘探人员可以在整个勘探路线被行进完成后，事后点击右图的古道点或历史遗存，则在左侧照片显示区显示对应的图片，若勘探人员根据图片判断某个图片不是古道，再重新调整线路，重新指令飞行器重飞。在这种情况下，虽然可以不用勘探人员实时监控，但也是占用了大量的复查时间，仍旧存在时间成本大的问题。

为此，接下来，本申请引入非人工的方式来至少部分缓解这一问题。

当在沿原有线路A到D行进的过程中，条件随机场模型识别当前拍摄点为非古道时(如图8中B点被判断为非古道)，所述方法还包括：

S210、通过GIS软件构建GIS模型，具体来说是构建成本函数。

其中，考虑到线性文化遗产分布的特点，即导致古道形成的因素构建成本函数。

成本数据与路线选择成反相关，成本数据越低则代表人更容易迁移活动，也就是说成为路径的可能性越大。例如，历史遗存越多的位置存在古道的概率越大，即形成古道的成本越小；海拔越高，越会阻止人类活动的扩展，所以海拔越高，存在古道的概率越小，即形成古道的成本越大；河流越宽出现古道的概率越小，即形成古道的成本越大。

基于此，构建成本函数Cost=aN+bW+cH，其中，N表示历史遗存的数量、W表示河流的宽度、H表示勘探路线的高程，a、b和c为对应的权重。成本越低，则代表人类行走的成本越低，则越容易形成古道。

其中，权重可以通过对该成本函数的训练得到。

训练GIS模型训练方法大致如下：

利用已知的样本数据输入该成本函数，设定参数变量，建立空间异向性的多变量空间模拟计算模型，对历史地理空间信息进行计算，进而得到累积成本最低线路，并追踪分析成本面生成过程，在数字层面模拟该设定下的最佳路径。通过调整变量组合和参数赋值，获得不同设定下的模拟最佳路径。

将多次模拟计算所得的最佳路径与实际路径进行比对拟合，由此推知决定实际交通路线的关键变量以及其影响力权重。

S211、将从历史文献中获得的所述当前拍摄点和勘探终点间的历史遗存数据、河流数据和高程数据输入Cost=aN+bW+cH，计算所述当前拍摄点和勘探终点间的前k个最低成本路线，其中，k为大于等于2的自然数（可以按照成本依次增高取前三名）。

在一个具体示例中，A到D点间的历史遗存数据、河流数据和高程数据提前存储在了电子设备的存储器中。如图9所示，电子设备从存储器中获得该数据输入到GIS模型中。

在此基础上，在一个可选示例中，所述方法还包括：电子设备自动向所述无人机发送控制指令，使得所述无人机沿所述k个最低成本路线中成本最低的第一个最低成本路线行进，无人机行进到下一个拍摄点，拍摄路面图片，经过CNN网络和CRF网络进行古道识别。若再次遇到识别为非古道的情况，重复上述的步骤，不断构建新的行进路线不断识别。

在另一个可选示例中，加入了人工介入。具体地，所述方法包括：

将所述k个最低成本路线呈现在所述GIS地图上，如图8所示，GIS模型推荐了三条最小成本路线，一条为初始的行进路线（A-B-C-D），另外两条为虚线和点划线所示。

响应于勘探人员选择操作指令，选择其中一个最低成本路线，使得所述行进设备沿所选择的勘探路线行进。例如点击图8中的选择路线按钮，此时，显示区的被处于编辑状态，勘探人员在其中一条上进行点击，再点击一次选择路线按钮，完成选择。

在另一个示例中，勘探人员根据经验对于GIS模型推荐的路线均不满意，可以自行建立新的行进路线。

响应于勘探人员点击新建路线得到的新建操作指令，在所述GIS地图上新建勘探路线，画出一条从B到D点的新建路线，再次点击新建路线按键完成新建动作，随后使得所述行进设备沿新建勘探路线行进。

以上示例是以在能够实现人机交互功能的显示屏上进行路线选择或新建的示例。在另外的示例中，还可以在AR眼镜上呈现所述GIS地图；响应于勘探人员的不同手势动作，选择呈现的所述k个最低成本路线中一个，向所述行进设备发送控制指令，使得所述行进设备沿所选择的勘探路线行进。

具体地，例如，当前路线为路径2（实线表示的），用户向右挥手，则切换至下一个路线路径3（点划线表示的）。例如，用户向前摆手两次，则将当前时刻的图像放大，以更细致的观察通过人工确认其是否为古道。当确认路线被切换后，AR眼镜的微处理器将结果发送至电子设备12，电子设备通知无人机控制器控制无人机更改线路。

上述实施例通过引入GIS模型来规划路线，利用CRF模型来判定古道，进一步降低了全程人工干预的工作量，兼顾了效率和准确性，可以视为一种半自动的勘探方法。相比于全人工执行的方式，本申请更加方便和智能，相比于全自动的执行方式，本申请由于借助人机协同的处理方式，能够具有更高的准确度和人为自由选择度，用户体验更好，也更符合实际需要，更科学。

然而，本领域技术人员能够看到，GIS模型的成本函数仅能考虑待勘测的路线上影响古道的因素，然而，古道的形成因素可能有多种，仅仅依据待勘测路线的历史遗存等情况可能存在缺陷，例如关于该路线上的历史数据等欠缺不全，该处没有遗存等等情况。

为此，在图8所示模型的基础上，发明人将强化学习模型引入本申请中，以进一步增强预测的准确性。

在应用强化学习算法进行线性文化遗产鉴别路线决策时，无人机即为智能体，无人机所处位置的图像为状态（或者通过CNN提取的图像特征为状态），下一步沿哪个路线继续行进是需要做出的决策，当做出飞行的action后，则迁移到下一个状态，同时，得到奖励r。当无人机处于当前拍摄点时，无人机处于状态s0，执行动作a0，即选择策略飞往s1，则状态迁移为s1，同时获得奖励r0。此后对s1执行a1动作将状态迁移到s2且获得奖励r1，依此类推。

无人机通常选择长期累积奖赏最优的路线作为行进策略。为最大化长期累积奖赏，定义当前时刻后的累积奖赏为回报(Return)：

其中, R

强化学习的目标时学习到一个策略来最大化期望，即希望无人机执行飞行动作后获得尽可能多的平均回报。为评估一个策略（不同的飞行路线）的期望回报，需要定义值函数：

其中,

该值函数表示在状态s下执行动作a后获得的期望回报。

当前状态的值函数可以通过下一个状态的值函数来计算，公式如下：

为此，本发明的方法还包括：

当条件随机场模型识别当前拍摄点为非古道时，通过成本函数确定k个最低成本线路，通过强化学习模型判断这k个最低成本线路中累积回报最大的一个，作为推荐勘探路线。例如，通过训练强化学习模型，能够得到值函数Q总的各个训练参数。在实际应用需要该模型做出决策时，可以根据状态s和动作a分别计算出每一个最低成本线路的Q值，并将Q值最大的路线作为推荐勘探路线。强化学习模型的训练过程如下：

使得行进设备从起始拍摄点依次沿p条路线中的每一个开始行进（动作a），拍摄m个拍摄点的路面图片，当拍摄到达终点时，在终点处会根据专家意见给出一个奖赏（回报）RT作为标记值，而根据每条路线的每个拍摄点的状态s和动作a，可以根据Q 函数计算出各个拍摄点的Q值（Q函数初始化值为随机选定），该Q 值作为预测值。对于终点位置，将该位置的预测值与标记值作比较，通过反向传播，更新Q函数中的参数。根据上述迭代公式，当终点的Q值标记完成，则可以倒推倒数第二个拍摄点的标记Q 值，依次类推，可以得到起始点的标记Q值。通过不断的反向传播和迭代，使Q函数中的参数收敛，则训练完毕。在一些实施方式中，当专家认为该条路线为古道路线时，令RT=1，否则，RT=0。在一些实施方式中，可以通过CRF模型分别对m个拍摄点进行识别，得出该点是否为古道的结论，进一步的，根据m个拍摄点中古道的比例确定RT的值。例如，当路线1的拍摄点中有80%被CRF识别为古道，路线2的拍摄点中有20%被CRF识别为古道，则可令路线1的RT=0.8，路线2的RT=0.2。

当确定了推荐勘探路线后，无人机继续沿该勘探路线行进，并继续使用CRF模型对各个拍摄点的图像进行判断是否为古道。

可见，在本方案中，将CNN网络的输出作为强化学习模型中的状态，通过强化学习模型从GIS模型提供的多个路线中决策行动路线， GIS模型、强化学习模型、CRF模型相互结合，使得最终推荐的路线的准确性非常高。

在一些实施方式中，当勘探路线存在分岔路口时，也可以通过上述强化学习模型进行决策，以使值函数最优的路线作为推荐勘探路线。

类似于仅有GIS模型的方案，在GIS+强化学习模型的方案中，在一个可选示例中，所述方法还包括：电子设备自动向所述无人机发送控制指令，使得所述无人机沿述推荐勘探路线行进，无人机行进到下一个拍摄点，拍摄路面图片，经过CNN网络和CRF网络进行古道识别。若再次遇到识别为非古道的情况，重复上述的步骤，不断构建新的行进路线不断识别。

在另一个可选示例中，加入了人工介入。具体地，所述方法包括：

将所述推荐路线呈现在所述GIS地图上。

响应于勘探人员选择操作指令，使得所述行进设备沿所述推荐路线行进。例如点击图8中的选择路线按钮，此时，显示区的被处于编辑状态，勘探人员在推荐路线上进行点击，再点击一次选择路线按钮，完成选择。

在另一个示例中，勘探人员根据经验对于强化学习模型推荐的路线不满意，可以自行建立新的行进路线。

响应于勘探人员点击新建路线得到的新建操作指令，在所述GIS地图上新建勘探路线，画出一条从B到D点的新建路线，再次点击新建路线按键完成新建动作，随后使得所述行进设备沿新建勘探路线行进。

以上示例是以在能够实现人机交互功能的显示屏上进行路线选择或新建的示例。在另外的示例中，还可以在AR眼镜上呈现所述GIS地图；响应于勘探人员的手势动作，选择所述推荐路线，向所述行进设备发送控制指令，使得所述行进设备沿所选择的勘探路线行进。

在一个可选实施方式中，本发明的方法还包括：

将获得的路面图片和古道数据输入GIS软件中进行视域分析和地形分析，以辅助研究人员复原关键历史事件的地理信息。

具体地，通过视域分析和地形分析可以量化古代交通线路的选线原则，帮助认知不同朝代和其它国家的关系等，例如，可以量化明清时期滇缅交通路线的选线原则，帮助认知明清两代与缅甸阿瓦、东吁王朝之间的关系，认知中央王朝对于云南边地土司的统治策略，进而挖掘明清两代对于云南边地实际控制区域退缩的原因。例如，还可以进一步通过厘清线路具体经行地点，综合考虑沿线城镇、建筑、矿冶等遗存的地理信息，可以进一步探讨城镇分布、关卡设立、商品产销和交通选线之间的空间关系，为该时空框架下的文化、经济交流和民族、军事等研究提供基础。

具体地，以下面两个示例进行说明。

利用GIS的视域分析、地形分析等功能，复原以下关键历史事件的地理信息：1.明代腾越八关中的上四关的设立依据、使用情况和控制范围；2.清乾隆年间，缅甸摩诃达摩亚扎迪博底王时期缅甸赴中国使团的经行线路及选线依据。

1. 明代腾越八关中的上四关的设立依据、使用情况和控制范围

明万历年间修筑腾越八关之后，滇缅通道全部经由八关，其中又以神护关、天马关、汉龙关和铁壁关取用最多。明腾越八关一直沿用至清代，从清代的记载来看，铜壁关的重要性日益凸显，道光《云南志钞》中便记载出铜壁关为通缅主道。由此可见，明清两代对于八关的使用有主次之别，并伴随时间的推移有所变化。爬梳历史文献，使用MARKUS文本标记功能提取关键地理信息，考察滇缅通道在不同年代使用关隘的线路偏好及使用情况。

明腾越八关中的上四关（铜壁关、万仞关、神护关、巨石关）在今天的云南省境内，可以确知其具体GPS定位及周边地形地貌。将其地理信息录入GIS系统后，使用视域分析功能，同时设定SPOT、OFFSETA、RADIUS参数，以模拟历史情境下决定视域的影响因素，观测各关隘的视域范围。启用空间分析中的提取分析功能，对视域范围内的线路遗存进行统计，考察线路分布与关隘实际控制范围之间的关系；并根据历史文献及遗存分布，在GIS中录入明清时期土司控制区域范围和邻近城镇村寨的分布密度，结合视域范围分析，反推各关隘的设立依据。

2. 清乾隆年间，缅甸摩诃达摩亚扎迪博底王时期缅甸赴中国使团的经行线路及选线依据

清乾隆十五年十二月至十六年六月（1751年），清人（茂隆银厂主导人）吴尚贤陪同缅使赴京入贡，这是两国往来的重要历史节点，中断两百年的宗藩关系由此重新建立。根据对于缅使手稿的翻译整理，其通行路线经滚弄至清缅边境的茂隆银厂，与吴尚贤汇合后，再由耿马至大理，而后沿迤西大道至昆明城。这条路线的大理以西部分并没有沿当时的主干道路，按传统分析手段仅能根据对关键节点、地名的考证，连点成线。

运用前述步骤获知的影响明清滇缅边境道路选线的关键变量和影响力权重，建立多变量空间异向性模拟计算模型，并使用成本面分析，得到累积成本最低线路。再根据缅使手稿中确定出现的地点、记录的沿途风俗所指向的特定民族聚居区等关键节点进行校正，得到最后的模拟计算线路。考虑到滇缅边境区域自然地形的相似性和人文背景的一致性，该模拟计算所得的线路与实际缅使团通行线路具有较高的拟合优度。

本发明另一方面提供一种电子设备，如图10所示。

图10示出了本申请的另一个实施例提供的一种计算机设备的结构示意图。图 10显示的计算机设备 120（也即图1中的计算设备10）仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。如图10所示，计算机设备 120以通用计算设备的形式表现。计算机设备 120 的组件可以包括但不限于：一个或者多个处理器或者处理单元 1201，系统存储器 1202，连接不同系统组件(包括系统存储器 1202和处理单元 1201)的总线1203。

总线 1203 表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型 ISA 总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。 计算机设备 120 典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备 120 访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器 1202 可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM) 和/或高速缓存存储器1204。计算机设备120 可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统 1205可以用于读写不可移动的、非易失性磁介质(图10未显示，通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如 CD-ROM，DVD-ROM 或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线1203相连。存储器 1202 可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行实施例一的功能。

具有一组(至少一个)程序模块1206 的程序/实用工具 1207，可以存储在例如存储器1202 中，这样的程序模块1206包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块 1206 通常执行本申请所描述的实施例中的功能和/或方法。

计算机设备 120也可以与一个或多个外部设备1208 (例如键盘、指向设备、显示器等)通信，还可与一个或者多个使得用户能与该计算机设备 120交互的设备通信，和/或与使得该计算机设备 120 能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口 1209进行。并且，计算机设备120 还可以通过网络适配器 1210 与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图10 所示，网络适配器1210 通过总线1203 与计算机设备 120 的其它模块通信。应当明白，尽管图10中未示出，可以结合计算机设备120 使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID 系统、磁带驱动器以及数据备份存储系统等。

处理器单元 1201 通过运行存储在系统存储器 1202 中的程序，从而执行各种功能应用以及数据处理，例如实现本申请第一方面的勘探方法。

本申请的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面所提供的勘探方法。在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF 等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如 Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本申请提供的线性文化遗产勘探系统和方法的基础上，本申请还提供了两个应用场景。

第一个应用场景是旅游行业，为此，本发明提供一种线性文化遗产展示方法，应用于辅助游览，包括：

S400、将上述勘探方法获得的古道输入GIS软件进行视域分析，得到古道的3D视图。

例如利用ArcGIS 平台对识别的古道进行视域分析后，模拟人视高可视范围，设计辅助游览路线。

S402、利用虚拟增强现实对3D视图中古道的周围历史遗存进行虚拟建模复原；

例如对古道周边的古城、古墓等等进行虚拟复原。

S404、响应于感测到所述游客沿古道行进的位置，在AR眼镜上呈现所述位置对应的古道和/或历史遗存。

游客带着AR眼镜，经AR眼镜的提示沿辅助游览路线行进。系统通过AR眼镜的定位模块检测游客走到了什么位置，根据该位置，在AR眼镜上呈现所述位置对应的古道和/或历史遗存。在一个示例中，有的古道和/或历史遗存已经被部分破坏或完全破坏，那么在AR眼镜上呈现虚拟建模复原的古道/或历史遗存。

S406、响应于游客的手势动作，播放所述古道/或历史遗存对应的历史事件。

在AR眼镜的存储器或系统的存储器中存储有对应的历史事件，当游客执行预定的手势动作，例如挥动手臂，则在AR眼镜上播放该历史事件的视频影像。

在本实施中，通过结合AR技术，还可以在古道上设置不同的用户倾向的景观，提升用户体验。

第二个应用场景是博物馆展出或教学行业，应用增强现实技术对周围景观进行虚拟建模复原，在小博物馆内展陈设计的虚拟现实制作。利用上述成果，在实用层面，可以构建不同历史事件的可视化展示系统，在博物馆和相关教育机构进行集中展示。

为此，本发明提供一种线性文化遗产展示方法，应用于陈列展示，包括：

S500、将通过上述勘探方法获得的古道输入GIS软件进行视域分析，得到古道的3D视图；

S502、利用虚拟增强现实对3D视图中古道的周围历史遗存进行虚拟建模复原；

S504、利用全息投影在展示空间呈现所述古道和/或历史遗存；

S506、响应于观看者对所呈现的古道和/或历史遗存的选择，播放所述古道/或历史遗存对应的历史事件。

在本发明的描述中，需要说明的是，在本发明的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。