CN115761802A - 一种动态鸟类识别方法和*** - Google Patents
一种动态鸟类识别方法和*** Download PDFInfo
- Publication number
- CN115761802A CN115761802A CN202211472994.8A CN202211472994A CN115761802A CN 115761802 A CN115761802 A CN 115761802A CN 202211472994 A CN202211472994 A CN 202211472994A CN 115761802 A CN115761802 A CN 115761802A
- Authority
- CN
- China
- Prior art keywords
- bird
- algorithm
- target
- module
- algorithm module
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种动态鸟类识别方法，包括步骤：S100，获取现场环境视频信息；S200，通过视频流媒体技术分析视频中的图像帧；S300，通过AI检测算法分析图像帧中是否有鸟类目标；若发现鸟类目标，则通过目标跟踪算法进行鸟类目标的跟踪；S400，跟踪过程中，通过目标择优算法选择效果最优的N张鸟类图片；S500，将选中的N张鸟类图片通过鸟类分类识别算法进行分类识别其种类。本发明可以大大提升鸟类识别算法的适用场景和提高分析结果的准确性。使得鸟类动态识别可以使用在更多的场景中，产生较大的实用价值。
Description
技术领域
本发明涉及鸟类识别技术领域，尤其涉及一种动态鸟类识别方法和***。
背景技术
随着社会的进步和发展，人们对生态自然的保护越来越重视，针对需要重点保护的鸟类及研究鸟类的迁徙，大多数需要长期的人工观察和记录，不能实现难以达到精准的拍摄和记录，也难以快速地把各类鸟进行分类识别，不但成本高，而且效率较为低下；如果同时同地出现多种鸟类，但依靠人工判断更不能将其准确快速地识别，存在较大的监测和管理的问题。
发明内容
为解决上述背景技术中提出的技术问题，本发明提供一种能够实时和准确地将动态鸟类快速识别的动态鸟类识别方法和***。具体技术方案如下：
一方面，本发明提供一种动态鸟类识别方法，包括步骤：
S100，获取现场环境视频信息；
S200，通过视频流媒体技术分析视频中的图像帧；
S300，通过AI检测算法分析图像帧中是否有鸟类目标；
若发现鸟类目标，则通过目标跟踪算法进行鸟类目标的跟踪；
S400，跟踪过程中，通过目标择优算法选择效果最优的N张鸟类图片；
S500，将选中的N张鸟类图片通过鸟类分类识别算法进行分类识别其种类。
进一步地，还包括步骤：
S600，将分析结果输出。
进一步地，当将选中的N张鸟类图片通过鸟类分类识别算法进行分类识别其种类时，还包括步骤：
S510，鸟类识别算法将鸟类按照目-科-种进行分析和归类。
进一步地，当将分析结果输出后，还包括步骤：
S610，进行AI算法呈现，进行叠加AI分析数据的实时视频展现；或通过移动端进行数据查看和使用管理。
另一方面，本发明还提供一种动态鸟类识别***，其特征在于，包括检测***，
所述检测***包括视频采集处理模块、图像抽帧算法模块、AI算法模块；
所述视频采集处理模块，用于采集现场环境视频信息；
所述图像抽帧算法模块，用于分析视频中的图像帧；
所述AI算法模块，用于预先学习鸟类的特性，并分析特定区域内是否有鸟类。
进一步地，所述AI算法模块包括，
鸟类检测算法模块和鸟类跟踪算法模块；
所述鸟类检测算法模块，用于分析图像帧中是否有鸟类目标；
所述鸟类跟踪算法模块，用于发现鸟类目标时，进行鸟类目标跟踪。
进一步地，所述AI算法模块还包括
鸟类择优算法模块、鸟类分类算法模块；
所述鸟类择优算法模块，用于选择效果最优的N张鸟类图片；
所述鸟类分类算法模块，用于将选中的N 张鸟类图片进行分类识别其种类。
进一步地，还包括
结果输出模块，用于将分析结果输出。
进一步地，还包括
终端管理模块，用于进行AI算法呈现，进行叠加AI分析数据的实时视频展现；和通过移动端进行数据查看和使用管理。
第三方面，本发明还提供一种计算机可读存储介质，所述计算机可读介质存储有计算机指令，所述计算机指令用于执行上述任一项所述的动态鸟类识别方法。
本发明的有益效果是：通过视频流媒体技术和结合多种鸟类识别AI算法混合使用，如鸟类检测算法、鸟类跟踪算法、鸟类择优算法、鸟类分类算法的混合使用。本发明可以大大提升鸟类识别算法的适用场景和提高分析结果的准确性。使得鸟类动态识别可以使用在更多的场景中，产生较大的实用价值。
附图说明
图1为本发明一种动态鸟类识别方法的流程图。
图2为本发明一种动态鸟类识别方法的另一流程图。
图3为本发明一种动态鸟类识别方法的又一流程图。
图4为本发明一种动态鸟类识别方法的再一流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。
参见图1至图4，一方面，本发明提供一种动态鸟类识别方法，包括步骤：
S100，获取现场环境视频信息；
S200，通过视频流媒体技术分析视频中的图像帧；
S300，通过AI检测算法分析图像帧中是否有鸟类目标；
若发现鸟类目标，则通过目标跟踪算法进行鸟类目标的跟踪；
S400，跟踪过程中，通过目标择优算法选择效果最优的N张鸟类图片；
S500，将选中的N张鸟类图片通过鸟类分类识别算法进行分类识别其种类。
在本实施例中，通过光学摄像机获取现场景象，并分析视频中是否有鸟类该标志物，并采用摄像机实时观测鸟类标志物所在的区域；若发现鸟类目标，则通过目标算法对鸟类进行分析和跟踪。具体的鸟类识别算法属于现有技术，可以参考利用卷积神经网络进行鸟类识别，卷积神经网络（Convolutional Neural Network，CNN）是根据大脑神经元而设计的，是一种前馈多层网络。其信息流动只有一个方向，即从输入到输出，每个层使用一组卷积核执行多个转换。卷积神经网络模型主要包括卷积层、池化层和全连接层。本次算法使用了TFLearn。TFLearn是一个建立在TensorFlow顶部的模块化的深度学习库，它为TensorFlow提供更加高级的API，以便于快速实验，同时保持完全透明和兼容。本算法设计的卷积神经网络结构包括了3个卷积层，2个最大池化层和2个全连接层。待识别图片可以通过卷积层和池化层来提取图片中的特征，而全连接层则把二维的特征图变为一维的特征向量。
标择优算法，通过根据拍摄图片的像素大小、目标在图片中的位置是否居中、拍摄的目标是否拍摄全面整体入镜、目标的正面或者侧面等因素，依次将图片的质量进行排序，进而选出质量最高的几张图片。通过AI算法将鸟类按照目-科-种进行分析和归类。
优选的，还包括步骤：
S600，将分析结果输出。
优选的，当将选中的N张鸟类图片通过鸟类分类识别算法进行分类识别其种类时，还包括步骤：
S510，鸟类识别算法将鸟类按照目-科-种进行分析和归类。
优选的，当将分析结果输出后，还包括步骤：
S610，进行AI算法呈现，进行叠加AI分析数据的实时视频展现；或通过移动端进行数据查看和使用管理。
第二方面，基于同一发明构思，本发明提供一种动态鸟类识别***，包括检测***，
所述检测***包括视频采集处理模块、图像抽帧算法模块、AI算法模块；
所述视频采集处理模块，用于采集现场环境视频信息；
所述图像抽帧算法模块，用于分析视频中的图像帧；
所述AI算法模块，用于预先学习鸟类的特性，并分析特定区域内是否有鸟类。
在本实施例中，该***的检测方法步骤如下：步骤1， AI算法模块预先学习标志物特性。步骤2，将该标志物安置到山体区域。步骤3，视频采集处理模块实时观测该标志物所在区域。步骤4，AI算法模块通过AI算法分析特定区域内是否有该标志物。步骤5，AI算法模块将分析结果发送到中央处理模块。
优选的，所述AI算法模块包括，
鸟类检测算法模块和鸟类跟踪算法模块；
所述鸟类检测算法模块，用于分析图像帧中是否有鸟类目标；
所述鸟类跟踪算法模块，用于发现鸟类目标时，进行鸟类目标跟踪。
优选的，所述AI算法模块还包括
鸟类择优算法模块、鸟类分类算法模块；
所述鸟类择优算法模块，用于选择效果最优的N张鸟类图片；
所述鸟类分类算法模块，用于将选中的N 张鸟类图片进行分类识别其种类。
在本实施例中，鸟类分类识别算法，可采用现有技术细粒度图像分类算法：使用通用DCNN（Deep Convolutional Neural Network，深度卷积神经网络）进行细粒度分类，该方法难以捕获有区别性的局部细节；基于定位-识别的方法：先找到有区分度的局部，然后进行特征提取和分类，该方法又可分为强监督和弱监督两种；基于网络集成的方法：使用多个DCNN对细粒度识别中的相似特征进行判别；卷积特征的高阶编码方法：将cnn特征进行高阶转换然后进行分类，主要有fisher vector、双线性模型、核融合等。
优选的，还包括结果输出模块，用于将分析结果输出。
优选的，还包括终端管理模块，用于进行AI算法呈现，进行叠加AI分析数据的实时视频展现；和通过移动端进行数据查看和使用管理。
在本实施例中，终端管理模块为电脑、手机或平板等移动设备。
第三方面，基于同一发明构思，本发明还提供一种计算机可读存储介质，所述计算机可读介质存储有计算机指令，所述计算机指令用于执行上述任一项所述的动态鸟类识别方法。
在本实施例中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(SolidState Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种动态鸟类识别方法，其特征在于，包括步骤：
S100，获取现场环境视频信息；
S200，通过视频流媒体技术分析视频中的图像帧；
S300，通过AI检测算法分析图像帧中是否有鸟类目标；
若发现鸟类目标，则通过目标跟踪算法进行鸟类目标的跟踪；
S400，跟踪过程中，通过目标择优算法选择效果最优的N张鸟类图片；
S500，将选中的N张鸟类图片通过鸟类分类识别算法进行分类识别其种类。
2.根据权利要求1所述的动态鸟类识别方法，其特征在于，还包括步骤：
S600，将分析结果输出。
3.根据权利要求1所述的动态鸟类识别方法，其特征在于，当将选中的N张鸟类图片通过鸟类分类识别算法进行分类识别其种类时，还包括步骤：
S510，鸟类识别算法将鸟类按照目-科-种进行分析和归类。
4.根据权利要求1所述的动态鸟类识别方法，其特征在于，当将分析结果输出后，还包括步骤：
S610，进行AI算法呈现，进行叠加AI分析数据的实时视频展现；或通过移动端进行数据查看和使用管理。
5.一种动态鸟类识别***，其特征在于，包括检测***，
所述检测***包括视频采集处理模块、图像抽帧算法模块、AI算法模块；
所述视频采集处理模块，用于采集现场环境视频信息；
所述图像抽帧算法模块，用于分析视频中的图像帧；
所述AI算法模块，用于预先学习鸟类的特性，并分析特定区域内是否有鸟类。
6.根据权利要求5所述的动态鸟类识别***，其特征在于，所述AI算法模块包括，
鸟类检测算法模块和鸟类跟踪算法模块；
所述鸟类检测算法模块，用于分析图像帧中是否有鸟类目标；
所述鸟类跟踪算法模块，用于发现鸟类目标时，进行鸟类目标跟踪。
7.根据权利要求5所述的动态鸟类识别***，其特征在于，所述AI算法模块还包括
鸟类择优算法模块、鸟类分类算法模块；
所述鸟类择优算法模块，用于选择效果最优的N张鸟类图片；
所述鸟类分类算法模块，用于将选中的N 张鸟类图片进行分类识别其种类。
8.根据权利要求5所述的鸟类识别***，其特征在于，还包括
结果输出模块，用于将分析结果输出。
9.根据权利要求5所述的鸟类识别***，其特征在于，还包括
终端管理模块，用于进行AI算法呈现，进行叠加AI分析数据的实时视频展现；和通过移动端进行数据查看和使用管理。
10.一种计算机可读存储介质，其特征在于，所述计算机可读介质存储有计算机指令，所述计算机指令用于执行权利要求1至4任一项所述的动态鸟类识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211472994.8A CN115761802A (zh) | 2022-11-21 | 2022-11-21 | 一种动态鸟类识别方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211472994.8A CN115761802A (zh) | 2022-11-21 | 2022-11-21 | 一种动态鸟类识别方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115761802A true CN115761802A (zh) | 2023-03-07 |
Family
ID=85335809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211472994.8A Pending CN115761802A (zh) | 2022-11-21 | 2022-11-21 | 一种动态鸟类识别方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115761802A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116229518A (zh) * | 2023-03-17 | 2023-06-06 | 百鸟数据科技(北京)有限责任公司 | 一种基于机器学习的鸟类物种观测方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109246397A (zh) * | 2018-11-02 | 2019-01-18 | 上海交通大学 | 多路摄像机智能跟踪拍摄鸟群种类样本方法和*** |
| CN113076861A (zh) * | 2021-03-30 | 2021-07-06 | 南京大学环境规划设计研究院集团股份公司 | 一种基于二阶特征的鸟类细粒度识别方法 |
| CN114387499A (zh) * | 2022-01-19 | 2022-04-22 | 国家海洋环境监测中心 | 一种海岛滨海湿地水鸟识别方法、分布查询***及介质 |
-
2022
- 2022-11-21 CN CN202211472994.8A patent/CN115761802A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109246397A (zh) * | 2018-11-02 | 2019-01-18 | 上海交通大学 | 多路摄像机智能跟踪拍摄鸟群种类样本方法和*** |
| CN113076861A (zh) * | 2021-03-30 | 2021-07-06 | 南京大学环境规划设计研究院集团股份公司 | 一种基于二阶特征的鸟类细粒度识别方法 |
| CN114387499A (zh) * | 2022-01-19 | 2022-04-22 | 国家海洋环境监测中心 | 一种海岛滨海湿地水鸟识别方法、分布查询***及介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116229518A (zh) * | 2023-03-17 | 2023-06-06 | 百鸟数据科技(北京)有限责任公司 | 一种基于机器学习的鸟类物种观测方法及*** |
| CN116229518B (zh) * | 2023-03-17 | 2024-01-16 | 百鸟数据科技(北京)有限责任公司 | 一种基于机器学习的鸟类物种观测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108334848B (zh) | 一种基于生成对抗网络的微小人脸识别方法 | |
| CN114202672A (zh) | 一种基于注意力机制的小目标检测方法 | |
| CN111311475A (zh) | 检测模型训练方法、装置、存储介质和计算机设备 | |
| CN110619638A (zh) | 一种基于卷积块注意模块的多模态融合显著性检测方法 | |
| CN110176024B (zh) | 在视频中对目标进行检测的方法、装置、设备和存储介质 | |
| CN113435269A (zh) | 一种基于YOLOv3改进的水面漂浮物检测与识别方法及*** | |
| Osterrieder et al. | Whisker spot patterns: a noninvasive method of individual identification of Australian sea lions (Neophoca cinerea) | |
| CN112597920A (zh) | 基于YOLOv3剪枝网络的实时物体检测*** | |
| CN108363771B (zh) | 一种面向公安侦查应用的图像检索方法 | |
| CN107948586A (zh) | 基于视频拼接的跨区域运动目标检测方法和装置 | |
| CN115761627A (zh) | 一种火灾烟雾火焰图像识别方法 | |
| CN113470076A (zh) | 一种平养鸡舍黄羽鸡多目标跟踪方法 | |
| CN111368775A (zh) | 一种基于局部上下文感知的复杂场景密集目标检测方法 | |
| CN115761802A (zh) | 一种动态鸟类识别方法和*** | |
| CN116935310A (zh) | 基于深度学习的实时视频监控鸟类密度估计方法及*** | |
| CN111507416A (zh) | 一种基于深度学习的吸烟行为实时检测方法 | |
| KR20190071452A (ko) | 객체 검출 장치 및 방법 | |
| WO2022205329A1 (zh) | 对象检测方法、对象检测装置及对象检测*** | |
| CN113011359A (zh) | 一种基于图像的同时检测平面结构和生成平面描述的方法及应用 | |
| CN112329550A (zh) | 基于弱监督学习的受灾建筑快速定位评估方法及装置 | |
| CN112149528A (zh) | 一种全景图目标检测方法、***、介质及设备 | |
| CN116824641A (zh) | 姿态分类方法、装置、设备和计算机存储介质 | |
| CN116311218A (zh) | 基于自注意力特征融合的带噪植株点云语义分割方法及*** | |
| CN110796650A (zh) | 图像质量的评估方法及装置、电子设备、存储介质 | |
| CN115965613A (zh) | 基于空洞卷积的跨层连接的施工场景人群计数方法 |
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 |