CN102436656A - 基于计算机视觉的动物多样性监测方法 - Google Patents

Abstract

本发明涉及一种基于计算机视觉的动物多样性监测方法，用于城市绿地的动物多样性测量领域。针对城市绿地的动物多样性人工测量费时费力，而且无法做到常年全天候监测的问题，本发明将计算机视觉技术应用于城市绿地的动物多样性监测，通过构建计算机视觉监控***，对绿地出现的动物先又用运动检测算法获取动物图像，再利用模糊C均值聚类进行图像分割，然后对分割后的图像利用数学形态学运算去除噪声，并利用BLOB分析过滤掉形态学算子不能去除的块以及获取动物的形状及图像，然后统计动物大小、颜色、形状、纹理等识别特征，计算其出现的时间、种类、数量、频次，实现全天候、无人值守的监测，为城市的动物多样性测量提供技术手段，具有广阔的应用前景。

Description

基于计算机视觉的动物多样性监测方法

技术领域

本发明属于动物多样性监测领域，具体涉及一种基于计算机视觉的动物多性样监测方法。

背景技术

随着城市建设的不断推进，作为生物多样性载体的绿地***遭到破坏，人类赖以生存的生物多样性受到了严重的威胁，一些国际公约，如《生物多样性公约》和《二十一世纪议程》等，要求缔约国对其生物多样性进行监测和保护。保护生物多样性，是一项事关城市可持续发展的重要任务，而生物多样性监测是生物多样性保护和资源管理的首要任务

生物多样性监测是生物多样性保护和资源管理的基本步骤，生物多样性评价是一种最普通的生态***监测，物种丰富及均匀性测度(香农多样性指数)是最能反映某一地方环境整体健康程度的指标[1]。动物多样性测量通常是依赖于重复的、高强度的地面调查来完成，例如利用计点数法来监测鸟类。由于大范围的野外调查受成本等因素限制，人工测量方法在空间范围和采样频率方面都是比较有限的。利用声学技术可以实现对动物的无侵犯监控，在动物有规律发出声音的地方，声学传感器可大规模安置于测量点，并通过程序设定一天中的特定时刻来记录动物叫声，对获取的声音再进一步处理以实现监控识别，如动物移动跟踪[2,3]，自动物种识别[4]等；尽管这种声学传感器网络可极大提高数据获取效率，但对于采集的数据还需进一步通过训练有素的生态研究人员或物种声音识别软件来鉴别。已研究的软件仅适合几类物种[5]，如果要扩展到所有物种，对每个地方的每个生态***都要重新开发声音识别软件，并且需要大量该区域该物种的声音资料。除了生学传感器技术之外，遥感技术也是陆地动物分布及多样性研究的重要方法[6], 但利用这种方法直接监测动物前仍存在一定的应用局限。首先，受物种大小与传感器分辨率关系、物种自然属性等因素限制，遥感直接监测的能力显得不够的；其次，大多数的研究集中在开阔的研究区域内对大型哺乳动物或迁移鸟群等进行监测，监测对象局限在个体较大或数量丰富的动植物上；再者，高光谱、高空间分辨率遥感影像的高额费用也在一定程度上阻碍了其发展[7,8]；此外，由于动物种的移动性和隐蔽性特点，遥感很难直接研究动物物种的多样性[9]，而且不适合对特定动物的监测。

综上，声学传感器由于需要专业人士或专用识别软件来识别采集的声音；而遥感技术适合大的区域对大的或数量丰富的动物进行监测且费用昂贵，因而这两种技术在城市绿地的生物多样性监控应用中均受到了限制。对于城市绿地，动物多样性监测多以人工野外调查数据结合统计模型来估算动物多样性。城市绿地的动物多样性测量，靠人工测量不仅费时费力，而且无法做到常年全天候监测。随着图像处理技术的不断发展，计算机视觉技术已获得广泛应用。将计算机视觉技术应用于城市绿地的动物多样性监测，这种方法不但可以克服人工调查费时、费力的缺点，而且具有连续、自动、全天候监测的优点，为城市绿地的动物多样性监控提供技术手段，具有广阔的应用前景。

参考文献

[1] A. Zerger, R.A.Viscarra Rossel, D.L. Swain, et al. Environmental sensor networks for vegetation, animal and soil sciences. International Journal of Applied Earth Observation and Geoinformation, 2010,12: 303–316。

[2] Hammer, O., Barrett, N. Techniques for studying the spatio-temporal distribution of animal vocalizations in tropical wet forests. Bioacoustics ,2001,12：21–35。

[3] Mennill, D.J., Burt, J.M., Fristrup, K.M., Vehrencamp, S.L. Accuracy of an acoustic location system for monitoring the position of duetting songbirds in tropical forest. Journal of the Acoustical Society of America , 2006,119: 2832–2839。

[4] Villanueva-Rivera, L.J. Digital recorders increase detection of Eleutherodacty-lus frogs. Herpetological Review, 2007,38:59–63。

[5] Trifa, V.M., Kirschel, A.N.G., Taylor, C.E. Automated species recognition of antbirds in a Mexican rainforest using hidden Markov models. Journal of the Acoustical Society of America 2008,123: 2424–2431。

[6] Euridice Leyequien，Jochem Verrelst, Martijn Slot et al．Capturing the fugitive: Applying remote sensing to terrestrial animal distribution and diversity．International Journal of Applied Earth Observation and Geoinformation,2007,9(1): 1-20。

[7] Strand H, Hoft R, Strittholt J, et al．Sourcebook on remote sensing and biodiversity indicators．Secretariat of the Convention on Biological Diversity，2007:203。

[8] John R, Chen J, Lu N, et a1．Predicting plant diversity based on remote sensing products in the semi-arid region of Inner Mongolia.Remote Sensing of Enviroment,2008,112(5)：2018-2032。

[9]徐文婷，吴炳芳.遥感应用于森林生物多样性监测的进展.生态学报. 2005,25(5):1199-1204。

发明内容

本发明的目的是通过构建计算机视觉监控平台，对绿地出现的动物，统计其出现的时间、种类、数量、频次，实现全天候、无人值守的基于计算机视觉的动物多样性监测方法。

本发明提出的基于计算机视觉的动物多样性监测方法，具体步骤如下：

(1)当视觉***利用运动检测算法检测到有动物时，获取动物图像，对获取的动物图像进行图像预处理；

(2) 确定图像分割数目，利用模糊C均值聚类算法进行图像分割；

(3)分割后的二值图像存在大量噪声，利用数学形态学运算去除噪声；

(4)利用BLOB分析抽取动物图像，对抽取的动物图像进行存储，计算其纹理、形状、尺寸和颜色等特征，利用得到的这些特征进行识别，并统计出现的时间、频率、数量、种类的等相关信息，建立特征库，实现动物多样性监测。

本发明中，步骤(1)中所述运动检测算法具体为，计算机视觉***连续的对场景进行监控，当监测到有动物出现时，就拍下其照片以获取图像进行处理；运动检测是计算机视觉信息提取的一个关键步骤，利用背景减除方法判断动物是否出现。背景减除的方法是，对于当前帧图像                                                

和背景图像在坐标处（x,y）的灰度值之差大于给定阈值T，就认为该点是运动的点，即，

对一帧图像，统计上式中非零像素点的个数，当其值超过一定数值时就认为目标出现，即检测到运动物体，此时获取图像进行处理。

本发明中，步骤(2)中所述确定图像分割数目是利用主分量变换将图像RGB数据进行变换，利用尺度空间滤波器对主分量直方图进行分析以确定其直方图峰的个数，据此得出图像的区域分割数。图像分割本质是数据分类，不论是无监督的数据聚类方法，还是有监督的神经元网络方法，都需要事先确定分类数目。监控场景中可能会同时出现不同动物，而且一个动物身上颜色可能变化比较大，因此确定分类数是一个首要问题。

本发明中，图像分割主要是对彩色图像进行分割，图像分割是图像分析和模式识别的首要问题，也是图像处理的经典难题之一，它是图像分析和模式识别***的重要组成部分，并决定图像的最终分析质量和模式识别的判别结果。利用模糊C均值聚类算法(Fuzzy C-Means clustering ，FCM)方法对彩色图像进行分割具有直观、易于实现的特点,并且能够把三个彩色分量作为一个整体进行考虑，分割效果较好。

本发明中，步骤(2)中图像分割是指利用FCM算法实现彩色图像的分割，直接利用图像像素点的RGB数值进行聚类，但是距离的计算则采用CIE(Luv)空间中的欧式距离得出的，因为CIE是一中均匀彩色空间，能够直接用彩色空间几何距离比较不同色彩,有效地用于测量小的色差。针对FCM算法存在计算量大的问题，利用CUDA（Compute Unified Device Architecture，统一计算设备架构）进行FCM算法的运算，以提高运算速度。CUDA是由NVIDIA（英伟达）推出的旨在提高显卡图像处理能力且适合于并行计算的软硬件解决方案，通过利用GPU（图像处理单元）的处理能力，可大幅提升计算性能。基于英伟达CUDA的GPU(显卡)销量已达数以百万计，软件开发商、科学家以及研究人员正在各个领域中运用英伟达CUDA，包括图像与视频处理、计算生物学和化学、流体力学模拟等。因此利用CUDA来提高FCM算法的运算速度，成本低廉容易推广。

本发明中，步骤(3)中所述分割后去除噪声，图像经过FCM算法后可得到一个二值图像，由于监控的是绿地，背景可能出现与动物颜色接近的像素点，为此必需进行滤波，消除不必要的噪声。本发明采用数学形态学来滤波和提取动物边缘轮廓。数学形态学的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的，基本运算包含腐蚀、膨胀、开、闭运算。

开运算作为数学形态学算子可以用于平滑目标边界和去除小的目标（即噪声）。图像X利用结构元素B进行开运算可表示为，

                      

其中：X为分割后的二值图像，B为结构元素，开运算其实是先利用结构元素对图像进行腐蚀运算后在进行膨胀运算，腐蚀和膨胀都是数学形态学算子。

腐蚀运算表示为，

   

膨胀运算表示为，

本发明中，步骤(4)中所述BLOB分析，在计算机视觉与图像处理中，BLOB的概念是指具有相似图像特征(如颜色、纹理等)，而且在空间上是连通的像素组成的块。分割出目标图像后，可能含有一个或多个动物，且种类可能不一样。本发明利用两次扫描法对数学形态学滤波后的图像进行标记，对标记后的图像，一方面可过滤掉比较大的噪音区块；另一方面可获取各个目标的图像用于特征提取。

本发明中，步骤（4）特征提取。不同动物特征差异很大，设计合理的特征进行识别和分类显得尤为重要。本发明综合动物的形状、大小、颜色、纹理等特征，设计特征向量进行识别。颜色特征可考虑利用平均颜色反映其基本颜色、颜色方差反映其颜色变化；利用矩形度、细长度、紧致度等反映其形态特征。矩形度定义如下，

A为目标面积， a,b分别为外界矩形的长和宽。

紧致度定义为

紧致度=

，L为周长，A为面积。

细长度用目标区域外键矩形的长宽比来表示。

最后，利用获取的特征进行动物分类、频次统计及特征库建立。

本发明基于计算机时间的动物多样性监测技术，通过构建计算机视觉技术监控平台，对动物进行监控，具有无人值守、全体侯测量、对动物无侵犯等优点，避免人工监测费时费力的问题，而且成本低，容易实现。

附图说明

图1是本发明的动物多样性监测视觉***结构图。

图2是本发明的动物多样性图像处理流程图。

图3是本发明的动物图像处理过程示例。其中：(a)原图，(b)二值图像，(c)开运算，(d)Blob处理，(e)边界，(f)抽取动物图像。

图中标号：1为摄像机，2为图像采集卡，3为带有CUDA功能显卡的计算机。

具体实施方式

为了更好理解本发明，下面结合附图对本发明进行详细说明,其中：

如图1所示，本发明视觉***包含摄像机1、图像采集卡2、带有CUDA功能显卡的计算机3组成，摄像机1用于获取视频信号；图像采集卡2用于把视频信号转换成数字图像；计算机3用于图像处理和特征库建立，部分耗时的图像处理算法可由具有CUDA功能的显卡完成。

下面结合图2，图3说明本发明的基于计算机视觉的动物多样性监测方法。

首先，进行运动检测，利用前述背景减除法监测到动物时，就获取图像进行处理（图3a）；

其次，利用模糊C均值聚类算法进行图像分割，其方法为：将数据集分为类，中任意样本

对类的隶属度为，分类结果可以用一个模糊隶属度矩阵

表示，满足

                         （公式1）

模糊C－均值聚类是通过最小化关于隶属度矩阵

和聚类中心

的目标函数

来实现的，

　　　　 　  (公式2)

式中，

为满足条件(公式1)的隶属度矩阵，

           （公式3）

为个聚类中心点集，定义为

              （公式4）

为加权指数，当

，模糊聚类就退化为硬Ｃ－均值聚类；通常为比较理想的取值。

第

个样本到第

类中心的距离定义为，

    (公式6)

为的正定矩阵，当时，

为欧氏距离，本文聚类算法采用欧式距离。FCM是通过反复迭代优化目标函数(公式2),直到算法收敛。

具体步骤如下，

⑴初始化聚类中心；

⑵根据

式计算隶属度矩阵，

；

⑶根据

式更新聚类中心；

⑷重复步骤⑵，⑶直至式⑸收敛。

对图3(a)利用模糊C均值聚类算法分割的图像如图3(b)所示，FCM算法中距离计算由CUDA硬件平台来完成，运算速度获得很大提高；

如图3(b)所示，图像分割后噪音比较多，利用3次开运算进行形态学滤波，去除噪声，如图3(c)所示；

接着，利用BLOB分析标记图像，对标记后的图像去除大的区块（噪声）如图3(d)所示，并抽取图像的轮廓如图3(e)所示，获取的动物图像如图3(f)所示。

最后，对获取的图像，根据形状、大小、颜色、纹理等设计并计算特征向量，根据获得的特征量，与已有的动物特征库比较，如果特征不存在，更新特征库，并存储图像；若存在，则更新动物出现的时间、数量、频次，实现动物多样性测量。

Claims (7)

1.一种基于计算机视觉的动物多样性监测方法，其特征在于具体步骤如下：

(1)当视觉***利用运动检测算法检测到有动物时，获取动物图像，对获取的动物图像进行图像预处理；

(2) 确定图像分割数目，利用模糊C均值聚类算法进行图像分割；

(3)分割后的二值图像存在大量噪声，利用数学形态学运算去除噪声；

(4)利用BLOB分析抽取动物图像，对抽取的动物图像进行存储，计算其纹理、形状、尺寸和颜色特征，利用得到的这些特征进行识别，并统计出现的时间、频率、数量、种类的等相关信息，建立特征库，实现动物多样性监测。

2.根据权利要求1所述的监测方法，其特征在于步骤(1)中所述运动检测算法具体为，计算机视觉***连续的对场景进行监控，当监测到有动物出现时，就拍下其照片以获取图像进行处理；运动检测利用背景减除方法判断动物是否出现；背景减除的方法是，对于当前帧图像                                               

和背景图像

在坐标处（x,y）的灰度值之差大于给定阈值T，就认为该点是运动的点，即，

对一帧图像，统计上式中非零像素点的个数，当其值超过一定数值时就认为目标出现，即检测到运动物体，此时获取图像进行处理。

3.根据权利要求1所述的监测方法，其特征在于步骤(2)中所述确定图像分割数目是利用主分量变换将图像RGB数据进行变换，利用尺度空间滤波器对主分量直方图进行分析以确定其直方图峰的个数，据此得出图像的区域分割数。

4.根据权利要求1所述的监测方法，其特征在于图像分割主要是对彩色图像进行分割，步骤(2)中图像分割是指利用FCM算法实现彩色图像的分割，直接利用图像像素点的RGB数值进行聚类，距离的计算则采用CIE空间中的欧式距离得出的，通过利用英伟达CUDA的图像处理单元来提高FCM算法的运算速度。

5.根据权利要求1所述的监测方法，其特征在于步骤(3)中所述分割后去除噪声，图像经过FCM算法后得到一个二值图像，背景可能出现与动物颜色接近的像素点，采用数学形态学来滤波和提取动物边缘轮廓，数学形态学的基本运算包含腐蚀、膨胀、开运算和闭运算；

开运算作为数学形态学算子可以用于平滑目标边界和去除小的目标，即噪声，图像X利用结构元素B进行开运算表示为，

                   

其中：X为分割后的二值图像，B为结构元素，开运算其实是先利用结构元素对图像进行腐蚀运算后在进行膨胀运算，腐蚀和膨胀都是数学形态学算子；

腐蚀运算表示为，

     

膨胀运算表示为，

。

6.根据权利要求1所述的监测方法，其特征在于步骤(4)中所述BLOB分析利用两次扫描法对数学形态学滤波后的图像进行标记，对标记后的图像，滤掉比较大的噪音区块和获取各个目标的图像用于特征提取。

7.根据权利要求1所述的监测方法，其特征在于步骤特征提取综合动物的形状、大小、颜色和纹理特征，设计特征向量进行识别，颜色特征利用平均颜色反映其基本颜色、颜色方差反映其颜色变化；利用矩形度、细长度和紧致度反映其形态特征；矩形度定义如下，

A为目标面积， a,b分别为外界矩形的长和宽；

紧致度定义为

紧致度=

，L为周长，A为面积；

细长度用目标区域外键矩形的长宽比来表示。

Images