CN110751675A - 基于图像识别的城市宠物活动轨迹监测方法及相关设备 - Google Patents

基于图像识别的城市宠物活动轨迹监测方法及相关设备 Download PDF

Info

Publication number
CN110751675A
CN110751675A CN201910829499.XA CN201910829499A CN110751675A CN 110751675 A CN110751675 A CN 110751675A CN 201910829499 A CN201910829499 A CN 201910829499A CN 110751675 A CN110751675 A CN 110751675A
Authority
CN
China
Prior art keywords
pet
probability
image
category
acquisition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910829499.XA
Other languages
English (en)
Other versions
CN110751675B (zh
Inventor
金晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910829499.XA priority Critical patent/CN110751675B/zh
Publication of CN110751675A publication Critical patent/CN110751675A/zh
Priority to PCT/CN2020/111880 priority patent/WO2021043074A1/zh
Application granted granted Critical
Publication of CN110751675B publication Critical patent/CN110751675B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/292—Multi-camera tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于图像识别的城市宠物活动轨迹监测方法，包括：初始化宠物类别的类别概率；获取宠物图像及图像采集设备的地理位置、设备标识号及采集时间；识别宠物的标识信息并与宠物图像关联存储；当地理位置、设备标识号及采集时间均相同时，采用第一修正模型对类别概率进行修正；当地理位置及设备标识号相同，但采集时间不同时，采用第二修正模型对所述类别概率进行修正；当采集时间相同，但地理位置及设备标识号均不相同时，采用第三修正模型对类别概率进行修正；基于修正后的类别概率确定宠物的活动轨迹。本发明还提供一种基于图像识别的城市宠物活动轨迹监测装置、终端及存储介质。本发明能够基于概率对城市中的宠物的活动轨迹进行监测。

Description

基于图像识别的城市宠物活动轨迹监测方法及相关设备
技术领域
本发明涉及视频监控技术领域，具体涉及一种基于图像识别的城市宠物活动轨迹监测方法、装置、终端及存储介质。
背景技术
近年来，随着人们生活水平的提高，城区居民饲养宠物日渐增多，人类在享受宠物带来的物质和精神满足时，也应当善待宠物，促进人与宠物之间的和谐共处，也契合构建智慧城市的理念。
现有技术中，对城市宠物的活动轨迹的跟踪，主要是通过视频监控进行分析来识别移动目标，从而将目标的移动过程记录下来，便于跟踪与分析。但是，宠物大多是猫和狗，这些宠物比较好动，跑动速度比较快，而使用视频监控分析多个摄像头采集到的数据，得到的是静态画面，不具有时间上的连续性。每个摄像头保存至今监控到的视频数据，随着监控目标的移动，活动轨迹在不同摄像头的监控范围内出现，这就导致监控目标活动轨迹的数据记录在不同的摄像头文件中，给目标跟踪与分析带了很大的困难，影响了后期对宠物活动轨迹的跟踪与分析。
因此，有必要提供一种新的方案，对城市宠物的活动区域进行监测。
发明内容
鉴于以上内容，有必要提出一种基于图像识别的城市宠物活动轨迹监测方法、装置、终端及存储介质，能够基于概率对城市中的宠物的活动轨迹进行监测。
本发明的第一方面提供一种基于图像识别的城市宠物活动轨迹监测方法，所述方法包括：
初始化每一个宠物类别的类别概率；
获取图像采集设备采集的宠物图像及采集信息，所述采集信息包括所述图像采集设备的地理位置、设备标识号及采集时间；
识别所述宠物图像中的宠物的标识信息并将所述标识信息与所述宠物图像及所述采集信息关联存储；
判断任意两个宠物图像的采集信息是否相同；
当所述地理位置、设备标识号及采集时间均相同时，采用第一修正模型对所述类别概率进行修正得到第一类别概率；
当所述地理位置及设备标识号相同，但采集时间不同时，采用第二修正模型对所述类别概率进行修正得到第二类别概率；
当所述采集时间相同，但地理位置及设备标识号均不相同时，采用第三修正模型对所述类别概率进行修正得到第三类别概率；
基于修正后的类别概率确定所述宠物的活动轨迹。
在一个可选的实施例中，所述采用第一修正模型对所述类别概率进行修正得到第一类别概率包括：
采用如下公式对所述类别概率进行修正；
Figure BDA0002190191070000021
采用如下公式对修正后的类别概率进行归一化后得到第一类别概率；
Figure BDA0002190191070000022
其中，γ为修正因子系数，和
Figure BDA0002190191070000024
分别为同一个图像采集设备在同一时刻采集到两个宠物的初始类别概率，
Figure BDA0002190191070000025
为所述第一类别概率。
在一个可选的实施例中，所述采用第二修正模型对所述类别概率进行修正得到第二类别概率如下所示：
采用如下公式对所述类别概率进行修正；
Figure BDA0002190191070000031
采用如下公式对修正后的类别概率进行归一化后得到第二类别概率；
Figure BDA0002190191070000032
其中，
Figure BDA0002190191070000033
为处罚因子，γ为修正因子系数，t为时间，
Figure BDA0002190191070000034
和
Figure BDA0002190191070000035
分别为同一个图像采集设备在不同时刻采集到两个宠物的初始类别概率，
Figure BDA0002190191070000036
为所述第二类别概率。
在一个可选的实施例中，所述采用第三修正模型对所述类别概率进行修正得到第三类别概率如下：
采用如下公式对所述类别概率进行修正；
Figure BDA0002190191070000037
采用如下公式对修正后的类别概率进行归一化后得到第三类别概率；
其中，
Figure BDA0002190191070000039
为处罚因子，γ为修正因子系数，
Figure BDA00021901910700000310
Figure BDA00021901910700000311
l为距离，
Figure BDA00021901910700000312
和分别为不同图像采集设备在同一时刻采集到两个宠物的初始类别概率，
Figure BDA00021901910700000314
和
Figure BDA00021901910700000315
分别为不同图像采集设备在同一时刻采集到两个宠物的初始类别概率，
Figure BDA00021901910700000316
为所述第三类别概率。
在一个可选的实施例中，所述识别所述宠物图像中的宠物的标识信息并将所述标识信息与所述宠物图像及所述采集信息关联存储包括：
将所述宠物图像输入预先训练好的宠物标识识别模型中；
获取所述宠物标识识别模型的识别结果；
根据所述识别结果确定所述宠物的标识信息。
在一个可选的实施例中，所述将所述宠物图像输入预先训练好的宠物标识识别模型中包括：
检测出所述宠物图像中的目标区域。
对所述宠物图像中的所述目标区域进行裁剪；
将裁剪出的所述目标区域作为输入图像输入预先训练好的姿态识别模型中。
在一个可选的实施例中，所述基于修正后的类别概率确定所述宠物的活动轨迹包括：
获取每个宠物图像对应的所有修正后的类别概率；
从所述所有修正后的类别概率中筛选出最大的类别概率作为所述宠物图像的目标类别概率；
获取具有相同目标类别概率的宠物图像对应的采集信息；
根据所述采集信息确定所述宠物的活动轨迹。
本发明的第二方面提供一种基于图像识别的城市宠物活动轨迹监测装置，所述装置包括：
概率初始模块，用于初始化每一个宠物类别的类别概率；
信息获取模块，用于获取图像采集设备采集的宠物图像及采集信息，所述采集信息包括所述图像采集设备的地理位置、设备标识号及采集时间；
标识识别模块，用于识别所述宠物图像中的宠物的标识信息并将所述标识信息与所述宠物图像及所述采集信息关联存储；
信息判断模块，用于判断任意两个宠物图像的采集信息是否相同；
第一修正模块，用于当所述地理位置、设备标识号及采集时间均相同时，采用第一修正模型对所述类别概率进行修正得到第一类别概率；
第二修正模块，用于当所述地理位置及设备标识号相同，但采集时间不同时，采用第二修正模型对所述类别概率进行修正得到第二类别概率；
第三修正模块，用于当所述采集时间相同，但地理位置及设备标识号均不相同时，采用第三修正模型对所述类别概率进行修正得到第三类别概率；
轨迹确定模块，用于基于修正后的类别概率确定所述宠物的活动轨迹。
本发明的第三方面提供一种终端，所述终端包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述基于图像识别的城市宠物活动轨迹监测方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于图像识别的城市宠物活动轨迹监测方法。
综上所述，本发明所述的基于图像识别的城市宠物活动轨迹监测方法、装置、终端及存储介质，通过采集信息中的多个参数信息对初始化的类别概率进行修正，使得宠物图像中的宠物越来越接近真实的宠物类别，尤其是对于出现在不同图像采集设备中的宠物的类别概率进行了修正，最后基于修正后的类别概率关联宠物图像、标识信息和采集信息，并基于关联后的信息确定宠物的活动轨迹。整个过程无需识别出宠物的具体类别，能够避免传统算法提取宠物图像的特征向量不准确的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1是本发明实施例一提供的基于图像识别的城市宠物活动轨迹监测方法的流程图。
图2是本发明实施例二提供的基于图像识别的城市宠物活动轨迹监测装置的结构图。
图3是本发明实施例三提供的终端的结构示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一
图1是本发明实施例一提供的基于图像识别的城市宠物活动轨迹监测方法的流程图。
在本实施例中，对于需要进行基于图像识别的城市宠物活动轨迹监测的终端，可以直接在终端上集成本发明的方法所提供的基于图像识别的城市宠物活动轨迹监测的功能，或者以软件开发工具包(Software Development Kit，SKD)的形式运行在终端中。
如图1所示，所述基于图像识别的城市宠物活动轨迹监测方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
S11，初始化每一个宠物类别的类别概率。
本实施例中，所述类别概率是指某个宠物属于某个类别的几率，先对类别概率进行初始化，对于所有的宠物类别的类别概率赋予相同的初始值，假设某个宠物属于每个类别的初始类别概率一样。
可以对城市中可能出现的宠物的种类进行枚举，然后基于枚举出来的种类初始化类别概率，使得每个类别概率相同且总和为1。
示例性的，假设城市中可能出现的宠物为：金毛、萨摩耶、哈士奇、德牧、马犬等，则可以对应设置5个类别，每个类别的类别概率均为1/5。类别概率可以根据实际需求进行初始化或修改。
初始化每个类别的类别概率之后，存储所述类别概率及每个类别的标识信息。
S12，获取图像采集设备采集的宠物图像及采集信息，所述采集信息包括所述图像采集设备的地理位置、设备标识号及采集时间。
本实施例中，可以根据相关政策规定或者实际的场景需求，预先设置多个高清数字图像采集设备，以采集宠物的图像。
所述预先设置多个图像采集设备包括预先设置所述多个图像采集设备的位置及图像采集设备的高度。示例性的，假设公园禁止宠物进入，那么可以在公园的出入口或者开阔的地方安装图像采集设备。当确定了图像采集设备的安装位置，再确定图像采集设备的安装高度，使得图像采集设备采集的宠物图像无遮挡，便于提高宠物图像的识别精度。
本实施例中，还可以为每一个高清数字图像采集设备对应设置一个唯一的设备标识号，用于表示高清数字图像采集设备的身份。
所述采集信息是指所述图像采集设备采集所述宠物图像时的信息，可以包括：图像采集设备的地理位置，图像采集设备的设备标识号，采集所述宠物图像时的时间(下文简称为采集时间)。所述地理位置可以用经纬度坐标表示，所述设备标识号可以用C+数字表示，所述采集时间可以用年-月-日-时-分-秒表示。
S13，识别所述宠物图像中的宠物的标识信息并将所述标识信息与所述宠物图像及所述采集信息关联存储。
有不同的标识信息，即标识信息与宠物具有一一对应的关系，例如，金毛对应标识信息a1，萨摩耶对应标识信息a2，哈士奇对应标识信息a3。
所述宠物图像中的宠物对应的标识信息被识别出之后，可以与宠物图像及图像采集设备的地理位置、图像采集设备的设备标识号、采集所述宠物图像时的时间进行关联存储于预设数据库中。
示例性的，假设在某个时间T(time)，位于某个地理位置L(location)的图像采集设备C(camera)拍摄到了一只哈士奇，通过上述步骤S11-S13比对出这只哈士奇的标识信息为a3，则可以组成一条记录(a3，T，L，C)进行关联存储。便于后续根据任意一个参数关联获取得到其他多个参数信息。例如，可以根据设备标识号这个参数，关联获取得到具有相同设备标识号的宠物图像、标识信息、图像采集设备的地理位置、采集所述宠物图像时的时间等多个参数。
在一个可选的实施例中，所述识别所述宠物图像中的宠物的标识信息并将所述标识信息与所述宠物图像及所述采集信息关联存储包括：
将所述宠物图像输入预先训练好的宠物标识识别模型中；
获取所述宠物标识识别模型的识别结果；
根据所述识别结果确定所述宠物的标识信息。
本实施例中，所述宠物标识识别模型是预先训练好的，其训练过程可以包括：预先获取多个宠物图像；将多个宠物图像及标识信息分为第一比例的训练集和第二比例的测试集，其中，第一比例远大于第二比例；将所述训练集输入预先设置的深度神经网络中进行有监督的学习和训练，得到宠物标识识别模型；将所述测试集输入所述宠物标识识别模型中进行测试，得到测试通过率；当所述测试通过率大于或者等于预设通过率阈值，结束所述宠物标识识别模型的训练，当所述测试通过率小于所述预设通过率阈值，则重新划分训练集和测试集，并基于新的训练集学习和训练宠物标识识别模型，基于新的测试集测试新训练得到的宠物标识识别模型的通过率。由于宠物标识识别模型并不是本发明的重点，因此关于训练宠物标识识别模型的具体过程，本文在此不再详细阐述。
在一个可选的实施例中，所述将所述宠物图像输入预先训练好的宠物标识识别模型中包括：
检测出所述宠物图像中的目标区域。
对所述宠物图像中的所述目标区域进行裁剪；
将裁剪出的所述目标区域作为输入图像输入预先训练好的姿态识别模型中。
本实施例中，可以采用YOLO目标检测算法将所述宠物图像中宠物所在的区域用检测框框选出来，检测框框选的区域即为目标区域，由于目标区域的像素数量远小于整幅宠物图像的像素数量，且目标区域几乎只包含了宠物这一目标对象，而无其他非目标对象，因此将目标区域裁剪出来作为宠物标识识别模型的输入图像，不仅有助于提高宠物标识识别模型识别宠物标识信息的效率，而且目标区域中不存在非目标对象的干扰，还能提高宠物标识识别模型识别宠物标识信息的精度。
S14，判断任意两个宠物图像的采集信息是否相同。
本实施例中，可以从预设数据库中获取任意两个宠物图像，并基于两个宠物图像关联的标识信息和采集信息判断这两个宠物图像中的宠物是否为同一个类别，同时根据标识信息和采集信息修正初始化的类别概率。使得某个宠物属于某个类别的类别概率大，属于其他类别的类别概率小。后续可以基于修正后的类别概率分析不同类别的宠物的活动轨迹及活动区域。
S15，当所述地理位置、设备标识号及采集时间均相同时，采用第一修正模型对所述类别概率进行修正得到第一类别概率。
本实施例中，所获取的任意两个宠物图像对应的采集信息相同，即地理位置、设备标识号和采集时间完全相同，表明这两个宠物图像是由同一个图像采集设备在同一时刻采集的。
假设，图像采集设备用c表示，地理位置用l表示，种群用p表示，宠物标识用a表示，a属于种群p记为a∈p，a∈p的概率为ρ
某个摄像头c在某一时刻t采集到两个宠物i1和i2，那么有
Figure BDA0002190191070000091
和
Figure BDA0002190191070000092
以及对应的类别概率为
Figure BDA0002190191070000093
和
Figure BDA0002190191070000094
在一个可选的实施例中，所述采用第一修正模型对所述类别概率进行修正得到第一类别概率包括：
采用如下公式对所述类别概率进行修正；
Figure BDA0002190191070000101
采用如下公式对修正后的类别概率进行归一化后得到第一类别概率；
Figure BDA0002190191070000102
其中，γ为修正因子系数，
Figure BDA0002190191070000103
和
Figure BDA0002190191070000104
分别为同一个图像采集设备在同一时刻采集到两个宠物的初始类别概率，为所述第一类别概率。
上述实施例为基于单个图像采集设备同一时刻的类别概率修正算法，同时出现在一个场景内的宠物对相同种群因子加一个权值γ。
S16，当所述地理位置及设备标识号相同，但采集时间不同时，采用第二修正模型对所述类别概率进行修正得到第二类别概率。
本实施例中，所获取的任意两个宠物图像对应的地理位置和设备标识号相同，采集时间不同，表明这两个宠物图像是由同一个图像采集设备在不同时刻采集的。
某个摄像头c在不同时刻t1和t2采集到两个不同的宠物i1和i2，那么有
Figure BDA0002190191070000106
和
Figure BDA0002190191070000107
在一个可选的实施例中，所述采用第二修正模型对所述类别概率进行修正得到第二类别概率如下所示：
采用如下公式对所述类别概率进行修正；
采用如下公式对修正后的类别概率进行归一化后得到第二类别概率；
Figure BDA0002190191070000109
其中，
Figure BDA0002190191070000111
为处罚因子，γ为修正因子系数，t为时间，
Figure BDA0002190191070000112
和
Figure BDA0002190191070000113
分别为同一个图像采集设备在不同时刻采集到两个宠物的初始类别概率，
Figure BDA0002190191070000114
为所述第二类别概率。
上述实施例是基于单个图像采集设备不同时刻的类别概率修正算法，短时间内先后出现在同一场景的宠物，根据时间间隔给一个处罚因子βt，对相同种群因子加一个权值为βt*γ，即对修正因子系数γ加上一个处罚因子βt，βt和时间t的间隔相关。
S17，当所述采集时间相同，但地理位置及设备标识号均不相同时，采用第三修正模型对所述类别概率进行修正得到第三类别概率。
本实施例中，所获取的任意两个宠物图像对应的地理位置和设备标识号均不相同，但采集时间相同时，表明这两个宠物图像是由两个不同的图像采集设备在同一时刻采集的。
摄像头c1和c2在同一时刻t分别采集到宠物i1、i2和i3，i4
于是有
Figure BDA0002190191070000115
和
Figure BDA0002190191070000116
在一个可选的实施例中，所述采用第三修正模型对所述类别概率进行修正得到第三类别概率如下：
采用如下公式对所述类别概率进行修正；
Figure BDA0002190191070000117
采用如下公式对修正后的类别概率进行归一化后得到第三类别概率；
Figure BDA0002190191070000118
其中，为处罚因子，γ为修正因子系数，
Figure BDA0002190191070000122
Figure BDA0002190191070000123
l为距离，
Figure BDA0002190191070000124
和
Figure BDA0002190191070000125
分别为不同图像采集设备在同一时刻采集到两个宠物的初始类别概率，
Figure BDA0002190191070000126
和分别为不同图像采集设备在同一时刻采集到两个宠物的初始类别概率，
Figure BDA0002190191070000128
为所述第三类别概率。
上述实施例是基于多个图像采集设备同一时刻的类别概率修正算法，其中i1和i3经过匹配算法匹配为同一个宠物(但对于距离比较远的两个摄像头i1和i3不可能是同一宠物)，因此此时的修正因子βl和距离远近l相关。
S18，基于修正后的类别概率确定所述宠物的活动轨迹。
本实施例中，根据采集信息对任意两个宠物的类别概率进行了修正之后，可以将修正后的类别概率、宠物图像、采集信息和标识信息关联存储，并基于关联存储的信息得到同一类别的宠物的活动轨迹，根据所述活动轨迹确定所述宠物的活动区域。
在一个可选的实施例中，所述基于修正后的类别概率确定所述宠物的活动轨迹包括：
获取每个宠物图像对应的所有修正后的类别概率；
从所述所有修正后的类别概率中筛选出最大的类别概率作为所述宠物图像的目标类别概率；
获取具有相同目标类别概率的宠物图像对应的采集信息；
根据所述采集信息确定所述宠物的活动轨迹。
示例性的，假如t1时刻a1对应金毛、萨摩耶、哈士奇、德牧、马犬的修正后的类别概率分别为0.9、0.1、0、0、0，t2时刻a1对应金毛、萨摩耶、哈士奇、德牧、马犬的修正后的类别概率分别为0.9、0、0.1、0、0，t2时刻a1对应金毛、萨摩耶、哈士奇、德牧、马犬的修正后的类别概率分别为0.8、0.1、0.1、0、0，则类别概率0.9作为a1的目标类别概率，表明a1属于金毛。此时将a1对应的所有宠物图像的采集信息提取出来，并进而根据提取出的采集信息确定a1的活动轨迹。具体的，根据采集信息中的图像采集设备的位置及机号、对应的采集时间确定出这只小狗在何时出现在了何地。
还可以以地图的形式显示宠物的活动轨迹。
需要说明的是，上述基于图像识别的城市宠物种群数量监测方法，不仅可以应用于寻找丢失的宠物，还可以应用于对流浪宠物的救助、禁止宠物进入特定地区的执法依据等。
综上所述，本发明所述的基于图像识别的城市宠物活动轨迹监测方法，初始化每一个宠物类别的类别概率，获取图像采集设备发送的宠物图像及采集信息，所述采集信息包括所述图像采集设备的地理位置及设备标识号、采集时间，识别所述宠物图像中的宠物的标识信息并将所述标识信息与所述宠物图像及所述采集信息关联存储，判断任意两个宠物图像的采集信息是否相同，当所述采集信息中的地理位置、设备标识号及采集时间均相同时，采用第一修正模型对所述类别概率进行更新得到第一类别概率，当所述采集信息中的地理位置及设备标识号相同，但采集时间不同时，采用第二修正模型对所述类别概率进行更新得到第二类别概率，当所述采集信息中的采集时间相同，但地理位置及设备标识号均不相同时，采用第三修正模型对所述类别概率进行更新得到第三类别概率，基于修正后的类别概率确定所述宠物的活动轨迹。本发明通过采集信息中的多个参数信息对初始化的类别概率进行修正，使得宠物图像中的宠物越来越接近真实的宠物类别，尤其是对于出现在不同图像采集设备中的宠物的类别概率进行了修正，最后基于修正后的类别概率关联宠物图像、标识信息和采集信息，并基于关联后的信息确定宠物的活动轨迹。整个过程无需识别出宠物的具体类别，能够避免传统算法提取宠物图像的特征向量不准确的问题。
实施例二
图2是本发明实施例二提供的基于图像识别的城市宠物活动轨迹监测装置的结构图。
在一些实施例中，所述基于图像识别的城市宠物活动轨迹监测装置20可以包括多个由程序代码段所组成的功能模块。所述基于图像识别的城市宠物活动轨迹监测装置20中的各个程序段的程序代码可以存储于终端的存储器中，并由所述至少一个处理器所执行，以基于图像识别执行(详见图1描述)对城市宠物活动轨迹的监测。
本实施例中，所述基于图像识别的城市宠物活动轨迹监测装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：概率初始模块201、信息获取模块202、标识识别模块203、信息判断模块204、第一修正模块205、第二修正模块206、第三修正模块207及轨迹确定模块208。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
概率初始模块201，用于初始化每一个宠物类别的类别概率。
本实施例中，所述类别概率是指某个宠物属于某个类别的几率，先对类别概率进行初始化，对于所有的宠物类别的类别概率赋予相同的初始值，假设某个宠物属于每个类别的初始类别概率一样。
可以对城市中可能出现的宠物的种类进行枚举，然后基于枚举出来的种类初始化类别概率，使得每个类别概率相同且总和为1。
示例性的，假设城市中可能出现的宠物为：金毛、萨摩耶、哈士奇、德牧、马犬等，则可以对应设置5个类别，每个类别的类别概率均为1/5。类别概率可以根据实际需求进行初始化或修改。
初始化每个类别的类别概率之后，存储所述类别概率及每个类别的标识信息。
信息获取模块202，用于获取图像采集设备采集的宠物图像及采集信息，所述采集信息包括所述图像采集设备的地理位置、设备标识号及采集时间。
本实施例中，可以根据相关政策规定或者实际的场景需求，预先设置多个高清数字图像采集设备，以采集宠物的图像。
所述预先设置多个图像采集设备包括预先设置所述多个图像采集设备的位置及图像采集设备的高度。示例性的，假设公园禁止宠物进入，那么可以在公园的出入口或者开阔的地方安装图像采集设备。当确定了图像采集设备的安装位置，再确定图像采集设备的安装高度，使得图像采集设备采集的宠物图像无遮挡，便于提高宠物图像的识别精度。
本实施例中，还可以为每一个高清数字图像采集设备对应设置一个唯一的设备标识号，用于表示高清数字图像采集设备的身份。
所述采集信息是指所述图像采集设备采集所述宠物图像时的信息，可以包括：图像采集设备的地理位置，图像采集设备的设备标识号，采集所述宠物图像时的时间(下文简称为采集时间)。所述地理位置可以用经纬度坐标表示，所述设备标识号可以用C+数字表示，所述采集时间可以用年-月-日-时-分-秒表示。
标识识别模块203，用于识别所述宠物图像中的宠物的标识信息并将所述标识信息与所述宠物图像及所述采集信息关联存储。
有不同的标识信息，即标识信息与宠物具有一一对应的关系，例如，金毛对应标识信息a1，萨摩耶对应标识信息a2，哈士奇对应标识信息a3。
所述宠物图像中的宠物对应的标识信息被识别出之后，可以与宠物图像及图像采集设备的地理位置、图像采集设备的设备标识号、采集所述宠物图像时的时间进行关联存储于预设数据库中。
示例性的，假设在某个时间T(time)，位于某个地理位置L(location)的图像采集设备C(camera)拍摄到了一只哈士奇，通过上述步骤S11-S13比对出这只哈士奇的标识信息为a3，则可以组成一条记录(a3，T，L，C)进行关联存储。便于后续根据任意一个参数关联获取得到其他多个参数信息。例如，可以根据设备标识号这个参数，关联获取得到具有相同设备标识号的宠物图像、标识信息、图像采集设备的地理位置、采集所述宠物图像时的时间等多个参数。
在一个可选的实施例中，所述标识识别模块203识别所述宠物图像中的宠物的标识信息并将所述标识信息与所述宠物图像及所述采集信息关联存储包括：
将所述宠物图像输入预先训练好的宠物标识识别模型中；
获取所述宠物标识识别模型的识别结果；
根据所述识别结果确定所述宠物的标识信息。
本实施例中，所述宠物标识识别模型是预先训练好的，其训练过程可以包括：预先获取多个宠物图像；将多个宠物图像及标识信息分为第一比例的训练集和第二比例的测试集，其中，第一比例远大于第二比例；将所述训练集输入预先设置的深度神经网络中进行有监督的学习和训练，得到宠物标识识别模型；将所述测试集输入所述宠物标识识别模型中进行测试，得到测试通过率；当所述测试通过率大于或者等于预设通过率阈值，结束所述宠物标识识别模型的训练，当所述测试通过率小于所述预设通过率阈值，则重新划分训练集和测试集，并基于新的训练集学习和训练宠物标识识别模型，基于新的测试集测试新训练得到的宠物标识识别模型的通过率。由于宠物标识识别模型并不是本发明的重点，因此关于训练宠物标识识别模型的具体过程，本文在此不再详细阐述。
在一个可选的实施例中，所述将所述宠物图像输入预先训练好的宠物标识识别模型中包括：
检测出所述宠物图像中的目标区域。
对所述宠物图像中的所述目标区域进行裁剪；
将裁剪出的所述目标区域作为输入图像输入预先训练好的姿态识别模型中。
本实施例中，可以采用YOLO目标检测算法将所述宠物图像中宠物所在的区域用检测框框选出来，检测框框选的区域即为目标区域，由于目标区域的像素数量远小于整幅宠物图像的像素数量，且目标区域几乎只包含了宠物这一目标对象，而无其他非目标对象，因此将目标区域裁剪出来作为宠物标识识别模型的输入图像，不仅有助于提高宠物标识识别模型识别宠物标识信息的效率，而且目标区域中不存在非目标对象的干扰，还能提高宠物标识识别模型识别宠物标识信息的精度。
信息判断模块204，用于判断任意两个宠物图像的采集信息是否相同。
本实施例中，可以从预设数据库中获取任意两个宠物图像，并基于两个宠物图像关联的标识信息和采集信息判断这两个宠物图像中的宠物是否为同一个类别，同时根据标识信息和采集信息修正初始化的类别概率。使得某个宠物属于某个类别的类别概率大，属于其他类别的类别概率小。后续可以基于修正后的类别概率分析不同类别的宠物的活动轨迹及活动区域。
第一修正模块205，用于当所述地理位置、设备标识号及采集时间均相同时，采用第一修正模型对所述类别概率进行修正得到第一类别概率。
本实施例中，所获取的任意两个宠物图像对应的采集信息相同，即地理位置、设备标识号和采集时间完全相同，表明这两个宠物图像是由同一个图像采集设备在同一时刻采集的。
假设，图像采集设备用c表示，地理位置用l表示，种群用p表示，宠物标识用a表示，a属于种群p记为a∈p，a∈p的概率为ρ
某个摄像头c在某一时刻t采集到两个宠物i1和i2，那么有
Figure BDA0002190191070000179
和
Figure BDA0002190191070000178
以及对应的类别概率为
Figure BDA0002190191070000176
和
Figure BDA0002190191070000177
在一个可选的实施例中，所述第一修正模块205采用第一修正模型对所述类别概率进行修正得到第一类别概率包括：
采用如下公式对所述类别概率进行修正；
Figure BDA0002190191070000171
采用如下公式对修正后的类别概率进行归一化后得到第一类别概率；
Figure BDA0002190191070000172
其中，γ为修正因子系数，
Figure BDA0002190191070000173
和
Figure BDA0002190191070000174
分别为同一个图像采集设备在同一时刻采集到两个宠物的初始类别概率，为所述第一类别概率。
上述实施例为基于单个图像采集设备同一时刻的类别概率修正算法，同时出现在一个场景内的宠物对相同种群因子加一个权值γ。
第二修正模块206，用于当所述地理位置及设备标识号相同，但采集时间不同时，采用第二修正模型对所述类别概率进行修正得到第二类别概率。
本实施例中，所获取的任意两个宠物图像对应的地理位置和设备标识号相同，采集时间不同，表明这两个宠物图像是由同一个图像采集设备在不同时刻采集的。
某个摄像头c在不同时刻t1和t2采集到两个不同的宠物i1和i2，那么有
Figure BDA0002190191070000181
和
在一个可选的实施例中，所述第二修正模块206采用第二修正模型对所述类别概率进行修正得到第二类别概率如下所示：
采用如下公式对所述类别概率进行修正；
Figure BDA0002190191070000183
采用如下公式对修正后的类别概率进行归一化后得到第二类别概率；
Figure BDA0002190191070000184
其中，
Figure BDA0002190191070000185
为处罚因子，γ为修正因子系数，t为时间，
Figure BDA0002190191070000186
和
Figure BDA0002190191070000187
分别为同一个图像采集设备在不同时刻采集到两个宠物的初始类别概率，
Figure BDA0002190191070000188
为所述第二类别概率。
上述实施例是基于单个图像采集设备不同时刻的类别概率修正算法，短时间内先后出现在同一场景的宠物，根据时间间隔给一个处罚因子βt，对相同种群因子加一个权值为βt*γ，即对修正因子系数γ加上一个处罚因子βt，βt和时间t的间隔相关。
第三修正模块207，用于当所述采集时间相同，但地理位置及设备标识号均不相同时，采用第三修正模型对所述类别概率进行修正得到第三类别概率。
本实施例中，所获取的任意两个宠物图像对应的地理位置和设备标识号均不相同，但采集时间相同时，表明这两个宠物图像是由两个不同的图像采集设备在同一时刻采集的。
摄像头c1和c2在同一时刻t分别采集到宠物i1、i2和i3，i4
于是有
Figure BDA0002190191070000191
和
Figure BDA0002190191070000192
在一个可选的实施例中，所述第三修正模块207采用第三修正模型对所述类别概率进行修正得到第三类别概率如下：
采用如下公式对所述类别概率进行修正；
采用如下公式对修正后的类别概率进行归一化后得到第三类别概率；
Figure BDA0002190191070000194
其中，
Figure BDA0002190191070000195
为处罚因子，γ为修正因子系数，
Figure BDA0002190191070000196
l为距离，
Figure BDA0002190191070000198
和
Figure BDA0002190191070000199
分别为不同图像采集设备在同一时刻采集到两个宠物的初始类别概率，
Figure BDA00021901910700001910
和
Figure BDA00021901910700001911
分别为不同图像采集设备在同一时刻采集到两个宠物的初始类别概率，
Figure BDA00021901910700001912
为所述第三类别概率。
上述实施例是基于多个图像采集设备同一时刻的类别概率修正算法，其中i1和i3经过匹配算法匹配为同一个宠物(但对于距离比较远的两个摄像头i1和i3不可能是同一宠物)，因此此时的修正因子βl和距离远近l相关。
轨迹确定模块208，用于基于修正后的类别概率确定所述宠物的活动轨迹。
本实施例中，根据采集信息对任意两个宠物的类别概率进行了修正之后，可以将修正后的类别概率、宠物图像、采集信息和标识信息关联存储，并基于关联存储的信息得到同一类别的宠物的活动轨迹，根据所述活动轨迹确定所述宠物的活动区域。
在一个可选的实施例中，所述轨迹确定模块208基于修正后的类别概率确定所述宠物的活动轨迹包括：
获取每个宠物图像对应的所有修正后的类别概率；
从所述所有修正后的类别概率中筛选出最大的类别概率作为所述宠物图像的目标类别概率；
获取具有相同目标类别概率的宠物图像对应的采集信息；
根据所述采集信息确定所述宠物的活动轨迹。
示例性的，假如t1时刻a1对应金毛、萨摩耶、哈士奇、德牧、马犬的修正后的类别概率分别为0.9、0.1、0、0、0，t2时刻a1对应金毛、萨摩耶、哈士奇、德牧、马犬的修正后的类别概率分别为0.9、0、0.1、0、0，t2时刻a1对应金毛、萨摩耶、哈士奇、德牧、马犬的修正后的类别概率分别为0.8、0.1、0.1、0、0，则类别概率0.9作为a1的目标类别概率，表明a1属于金毛。此时将a1对应的所有宠物图像的采集信息提取出来，并进而根据提取出的采集信息确定a1的活动轨迹。具体的，根据采集信息中的图像采集设备的位置及机号、对应的采集时间确定出这只小狗在何时出现在了何地。
还可以以地图的形式显示宠物的活动轨迹。
需要说明的是，上述基于图像识别的城市宠物种群数量监测方法，不仅可以应用于寻找丢失的宠物，还可以应用于对流浪宠物的救助、禁止宠物进入特定地区的执法依据等。
综上所述，本发明所述的基于图像识别的城市宠物活动轨迹监测装置，初始化每一个宠物类别的类别概率，获取图像采集设备发送的宠物图像及采集信息，所述采集信息包括所述图像采集设备的地理位置及设备标识号、采集时间，识别所述宠物图像中的宠物的标识信息并将所述标识信息与所述宠物图像及所述采集信息关联存储，判断任意两个宠物图像的采集信息是否相同，当所述采集信息中的地理位置、设备标识号及采集时间均相同时，采用第一修正模型对所述类别概率进行更新得到第一类别概率，当所述采集信息中的地理位置及设备标识号相同，但采集时间不同时，采用第二修正模型对所述类别概率进行更新得到第二类别概率，当所述采集信息中的采集时间相同，但地理位置及设备标识号均不相同时，采用第三修正模型对所述类别概率进行更新得到第三类别概率，基于修正后的类别概率确定所述宠物的活动轨迹。本发明通过采集信息中的多个参数信息对初始化的类别概率进行修正，使得宠物图像中的宠物越来越接近真实的宠物类别，尤其是对于出现在不同图像采集设备中的宠物的类别概率进行了修正，最后基于修正后的类别概率关联宠物图像、标识信息和采集信息，并基于关联后的信息确定宠物的活动轨迹。整个过程无需识别出宠物的具体类别，能够避免传统算法提取宠物图像的特征向量不准确的问题。
实施例三
参阅图3所示，为本发明实施例三提供的终端的结构示意图。在本发明较佳实施例中，所述终端3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解，图3示出的终端的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述终端3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述终端3包括一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述终端3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是，所述终端3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述终端3中的装置，并在终端3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(ProgrammableRead-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述终端3的控制核心(Control Unit)，利用各种接口和线路连接整个终端3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行终端3的各种功能和处理数据。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述终端3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述终端3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述终端3的操作装置以及安装的各类应用程序、程序代码等，例如，上述的各个模块。
所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能。
在本发明的一个实施例中，所述存储器31存储多个指令，所述多个指令被所述至少一个处理器32所执行以实现本发明所述的方法中的全部或者部分步骤。
具体地，所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于图像识别的城市宠物活动轨迹监测方法，其特征在于，所述方法包括：
初始化每一个宠物类别的类别概率；
获取图像采集设备采集的宠物图像及采集信息，所述采集信息包括所述图像采集设备的地理位置、设备标识号及采集时间；
识别所述宠物图像中的宠物的标识信息并将所述标识信息与所述宠物图像及所述采集信息关联存储；
判断任意两个宠物图像的采集信息是否相同；
当所述地理位置、设备标识号及采集时间均相同时，采用第一修正模型对所述类别概率进行修正得到第一类别概率；
当所述地理位置及设备标识号相同，但采集时间不同时，采用第二修正模型对所述类别概率进行修正得到第二类别概率；
当所述采集时间相同，但地理位置及设备标识号均不相同时，采用第三修正模型对所述类别概率进行修正得到第三类别概率；
基于修正后的类别概率确定所述宠物的活动轨迹。
2.根据权利要求1所述的方法，其特征在于，所述采用第一修正模型对所述类别概率进行修正得到第一类别概率包括：
采用如下公式对所述类别概率进行修正；
Figure FDA0002190191060000011
采用如下公式对修正后的类别概率进行归一化后得到第一类别概率；
Figure FDA0002190191060000012
其中，γ为修正因子系数，和
Figure FDA0002190191060000014
分别为同一个图像采集设备在同一时刻采集到两个宠物的初始类别概率，
Figure FDA0002190191060000015
为所述第一类别概率。
3.根据权利要求1所述的方法，其特征在于，所述采用第二修正模型对所述类别概率进行修正得到第二类别概率如下所示：
采用如下公式对所述类别概率进行修正；
Figure FDA0002190191060000021
采用如下公式对修正后的类别概率进行归一化后得到第二类别概率；
Figure FDA0002190191060000022
其中，
Figure FDA0002190191060000023
为处罚因子，γ为修正因子系数，t为时间，
Figure FDA0002190191060000024
和
Figure FDA0002190191060000025
分别为同一个图像采集设备在不同时刻采集到两个宠物的初始类别概率，
Figure FDA0002190191060000026
为所述第二类别概率。
4.根据权利要求1所述的方法，其特征在于，所述采用第三修正模型对所述类别概率进行修正得到第三类别概率如下：
采用如下公式对所述类别概率进行修正；
Figure FDA0002190191060000027
采用如下公式对修正后的类别概率进行归一化后得到第三类别概率；
Figure FDA0002190191060000028
其中，
Figure FDA0002190191060000029
为处罚因子，γ为修正因子系数，
Figure FDA00021901910600000210
Figure FDA00021901910600000211
l为距离，和分别为不同图像采集设备在同一时刻采集到两个宠物的初始类别概率，
Figure FDA00021901910600000214
和
Figure FDA00021901910600000215
分别为不同图像采集设备在同一时刻采集到两个宠物的初始类别概率，
Figure FDA00021901910600000216
为所述第三类别概率。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述识别所述宠物图像中的宠物的标识信息并将所述标识信息与所述宠物图像及所述采集信息关联存储包括：
将所述宠物图像输入预先训练好的宠物标识识别模型中；
获取所述宠物标识识别模型的识别结果；
根据所述识别结果确定所述宠物的标识信息。
6.根据权利要求1至4中任意一项所述的方法，其特征在于，所述将所述宠物图像输入预先训练好的宠物标识识别模型中包括：
检测出所述宠物图像中的目标区域。
对所述宠物图像中的所述目标区域进行裁剪；
将裁剪出的所述目标区域作为输入图像输入预先训练好的姿态识别模型中。
7.根据权利要求1至4中任意一项所述的方法，其特征在于，所述基于修正后的类别概率确定所述宠物的活动轨迹包括：
获取每个宠物图像对应的所有修正后的类别概率；
从所述所有修正后的类别概率中筛选出最大的类别概率作为所述宠物图像的目标类别概率；
获取具有相同目标类别概率的宠物图像对应的采集信息；
根据所述采集信息确定所述宠物的活动轨迹。
8.一种基于图像识别的城市宠物活动轨迹监测装置，其特征在于，所述装置包括：
概率初始模块，用于初始化每一个宠物类别的类别概率；
信息获取模块，用于获取图像采集设备采集的宠物图像及采集信息，所述采集信息包括所述图像采集设备的地理位置、设备标识号及采集时间；
标识识别模块，用于识别所述宠物图像中的宠物的标识信息并将所述标识信息与所述宠物图像及所述采集信息关联存储；
信息判断模块，用于判断任意两个宠物图像的采集信息是否相同；
第一修正模块，用于当所述地理位置、设备标识号及采集时间均相同时，采用第一修正模型对所述类别概率进行修正得到第一类别概率；
第二修正模块，用于当所述地理位置及设备标识号相同，但采集时间不同时，采用第二修正模型对所述类别概率进行修正得到第二类别概率；
第三修正模块，用于当所述采集时间相同，但地理位置及设备标识号均不相同时，采用第三修正模型对所述类别概率进行修正得到第三类别概率；
轨迹确定模块，用于基于修正后的类别概率确定所述宠物的活动轨迹。
9.一种终端，其特征在于，所述终端包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现根据权利要求1至7中任意一项所述基于图像识别的城市宠物活动轨迹监测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1至7中任意一项所述基于图像识别的城市宠物活动轨迹监测方法。
CN201910829499.XA 2019-09-03 2019-09-03 基于图像识别的城市宠物活动轨迹监测方法及相关设备 Active CN110751675B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910829499.XA CN110751675B (zh) 2019-09-03 2019-09-03 基于图像识别的城市宠物活动轨迹监测方法及相关设备
PCT/CN2020/111880 WO2021043074A1 (zh) 2019-09-03 2020-08-27 基于图像识别的城市宠物活动轨迹监测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910829499.XA CN110751675B (zh) 2019-09-03 2019-09-03 基于图像识别的城市宠物活动轨迹监测方法及相关设备

Publications (2)

Publication Number Publication Date
CN110751675A true CN110751675A (zh) 2020-02-04
CN110751675B CN110751675B (zh) 2023-08-11

Family

ID=69276012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910829499.XA Active CN110751675B (zh) 2019-09-03 2019-09-03 基于图像识别的城市宠物活动轨迹监测方法及相关设备

Country Status (2)

Country Link
CN (1) CN110751675B (zh)
WO (1) WO2021043074A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111354024A (zh) * 2020-04-10 2020-06-30 深圳市五元科技有限公司 关键目标的行为预测方法、ai服务器及存储介质
WO2021043074A1 (zh) * 2019-09-03 2021-03-11 平安科技（深圳）有限公司 基于图像识别的城市宠物活动轨迹监测方法及相关设备
CN112529020A (zh) * 2020-12-24 2021-03-19 携程旅游信息技术（上海）有限公司 基于神经网络的动物识别方法、***、设备及存储介质
CN112904778A (zh) * 2021-02-02 2021-06-04 东北林业大学 一种基于多维信息融合的野生动物智能监测方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550490B (zh) * 2022-02-22 2023-12-22 北京信路威科技股份有限公司 停车场的车位统计方法、***、计算机设备和存储介质
CN117692767B (zh) * 2024-02-02 2024-06-11 深圳市积加创新技术有限公司 一种基于场景自适应动态分时策略的低功耗监控***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180089515A1 (en) * 2016-09-12 2018-03-29 Kennesaw State University Research And Service Foundation, Inc. Identification and classification of traffic conflicts using live video images
CN109376786A (zh) * 2018-10-31 2019-02-22 中国科学院深圳先进技术研究院 一种图像分类方法、装置、终端设备及可读存储介质
CN109934293A (zh) * 2019-03-15 2019-06-25 苏州大学 图像识别方法、装置、介质及混淆感知卷积神经网络
CN109934176A (zh) * 2019-03-15 2019-06-25 艾特城信息科技有限公司 行人识别***、识别方法及计算机可读存储介质
CN110163301A (zh) * 2019-05-31 2019-08-23 北京金山云网络技术有限公司 一种图像的分类方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9256807B1 (en) * 2012-09-27 2016-02-09 Google Inc. Generating labeled images
CN110751675B (zh) * 2019-09-03 2023-08-11 平安科技（深圳）有限公司 基于图像识别的城市宠物活动轨迹监测方法及相关设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180089515A1 (en) * 2016-09-12 2018-03-29 Kennesaw State University Research And Service Foundation, Inc. Identification and classification of traffic conflicts using live video images
CN109376786A (zh) * 2018-10-31 2019-02-22 中国科学院深圳先进技术研究院 一种图像分类方法、装置、终端设备及可读存储介质
CN109934293A (zh) * 2019-03-15 2019-06-25 苏州大学 图像识别方法、装置、介质及混淆感知卷积神经网络
CN109934176A (zh) * 2019-03-15 2019-06-25 艾特城信息科技有限公司 行人识别***、识别方法及计算机可读存储介质
CN110163301A (zh) * 2019-05-31 2019-08-23 北京金山云网络技术有限公司 一种图像的分类方法及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021043074A1 (zh) * 2019-09-03 2021-03-11 平安科技（深圳）有限公司 基于图像识别的城市宠物活动轨迹监测方法及相关设备
CN111354024A (zh) * 2020-04-10 2020-06-30 深圳市五元科技有限公司 关键目标的行为预测方法、ai服务器及存储介质
CN111354024B (zh) * 2020-04-10 2023-04-21 深圳市五元科技有限公司 关键目标的行为预测方法、ai服务器及存储介质
CN112529020A (zh) * 2020-12-24 2021-03-19 携程旅游信息技术（上海）有限公司 基于神经网络的动物识别方法、***、设备及存储介质
CN112529020B (zh) * 2020-12-24 2024-05-24 携程旅游信息技术（上海）有限公司 基于神经网络的动物识别方法、***、设备及存储介质
CN112904778A (zh) * 2021-02-02 2021-06-04 东北林业大学 一种基于多维信息融合的野生动物智能监测方法
CN112904778B (zh) * 2021-02-02 2022-04-15 东北林业大学 一种基于多维信息融合的野生动物智能监测方法

Also Published As

Publication number Publication date
CN110751675B (zh) 2023-08-11
WO2021043074A1 (zh) 2021-03-11

Similar Documents

Publication Publication Date Title
CN110751022B (zh) 基于图像识别的城市宠物活动轨迹监测方法及相关设备
CN110751675A (zh) 基于图像识别的城市宠物活动轨迹监测方法及相关设备
CN108990831B (zh) 一种牲畜健康监控方法和***
CN109711370B (zh) 一种基于wifi探测和人脸聚类的数据融合方法
CN111507989A (zh) 语义分割模型的训练生成方法、车辆外观检测方法、装置
CN110874583A (zh) 一种客流统计的方法、装置、存储介质及电子设备
CN102999951A (zh) 基于无线网络接收信号强度的人员智能考勤方法
CN107833328B (zh) 基于人脸识别的门禁验证方法及装置、计算设备
CN111985452B (zh) 一种人员活动轨迹及落脚点的自动生成方法及***
CN112257660B (zh) 无效客流的去除方法、***、设备及计算机可读存储介质
CN105844659A (zh) 运动部件的跟踪方法和装置
CN110969215A (zh) 聚类处理方法和装置、存储介质及电子装置
CN112770265B (zh) 一种行人身份信息获取方法、***、服务器和存储介质
CN110096606B (zh) 一种外籍人员管理方法、装置和电子设备
CN112836683A (zh) 用于便携式摄像设备的车牌识别方法、装置、设备和介质
CN111586367A (zh) 空间区域内人员实时定位追踪方法、***及终端设备
CN111914657B (zh) 一种宠物行为检测方法、装置、电子设备及存储介质
CN113903068A (zh) 基于人脸特征的陌生人监控方法、装置、设备及存储介质
CN113269903A (zh) 人脸识别课堂考勤***
CN111476685A (zh) 行为分析方法、装置及设备
CN114581990A (zh) 一种跑步智能测试方法以及装置
CN113077018A (zh) 一种目标对象识别方法、装置、存储介质及电子装置
CN109801394B (zh) 一种工作人员考勤方法及装置、电子设备和可读存储介质
CN113780173B (zh) 一种面部识别***及识别方法
CN113822367B (zh) 一种基于人脸的区域行为分析方法、***及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant