CN116385965A - 流浪动物识别方法、设备及计算机可读存储介质 - Google Patents
流浪动物识别方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116385965A CN116385965A CN202310301580.7A CN202310301580A CN116385965A CN 116385965 A CN116385965 A CN 116385965A CN 202310301580 A CN202310301580 A CN 202310301580A CN 116385965 A CN116385965 A CN 116385965A
- Authority
- CN
- China
- Prior art keywords
- animal
- target
- image
- wandering
- probability
- 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
- 241001465754 Metazoa Species 0.000 title claims abstract description 380
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 65
- 238000013145 classification model Methods 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 44
- 238000003066 decision tree Methods 0.000 claims description 32
- 230000003993 interaction Effects 0.000 claims description 27
- 230000036626 alertness Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 230000003749 cleanliness Effects 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 244000025254 Cannabis sativa Species 0.000 claims description 6
- 101100449439 Drosophila melanogaster grass gene Proteins 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 2
- 239000012530 fluid Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 241000282472 Canis lupus familiaris Species 0.000 description 9
- 241000282326 Felis catus Species 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 241000282412 Homo Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001954 sterilising effect Effects 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本申请公开了一种流浪动物识别方法、设备及计算机可读存储介质,该方法包括:将包含有动物的监控图像作为目标图像;提取目标图像中目标动物的各预设宠物化特征;基于各预设宠物化特征判断目标动物是否为流浪动物;若判定目标动物为流浪动物,则将目标图像标记并保存。即从包含有动物的监控图像中提取目标动物的宠物化特征,通过宠物化特征的提取情况判断目标动物是否为流浪动物,若为流浪动物,则对该图像进行标记和保存。保存的标记图像,可以向流浪动物的管理人员提供流浪动物的行径线索。本申请通过监控和图像识别技术快速发现流浪动物行径信息并稳定的提供给管理人员,可大幅度提高行径信息的获取速度。
Description
技术领域
本申请涉及图像识别领域,尤其涉及一种流浪动物识别方法、设备及计算机可读存储介质。
背景技术
在现代化城市管理中,如何处理流浪猫狗是个颇具争议的问题。管理人员随意捕杀流浪猫狗容易引起争论和舆论问题,而没有经过绝育处理的流浪动物很容易繁衍过度,使得流浪动物数量越来越多。无论是靠管理人员抓捕还是靠社区居民的爱心领养都难以彻底解决流浪动物问题。近年来,爱心人士对于如何处理流浪动物、提高动物福利有了进一步的解决方案:通过捕捉流浪动物进行免费绝育手术,术后寻找领养等,这样的人性化处理在一定程度上可以有效控制流浪动物数量。目前,对于流浪动物的捕捉主要依靠人工发现、人工提供信息、人工捕捉,例如在社区或者小区内,通常是由居民发现流浪动物后,再向物业管理人员提供线索,再由物业管理人员捕捉,此过程,由人工获取流浪动物行径的信息获取速率较慢,而且是否提供相关信息也取决于居民的主观意愿,从而进一步降低了信息获取效率,这对上述流浪动物的捕捉方案实施进度造成影响。
上述内容仅用于辅助理解本申请的技术方案,并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种流浪动物识别方法、装置、设备及计算机可读存储介质,旨在解决由人工获取流浪动物行径的信息获取速率较慢的技术问题。
将包含有动物的监控图像作为目标图像;
提取所述目标图像中目标动物的各预设宠物化特征;
基于各所述预设宠物化特征判断所述目标动物是否为流浪动物;
若判定所述目标动物为流浪动物,则将所述目标图像标记并保存。
进一步的,所述预设宠物化特征为所述目标动物的牵绳概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤包括:
获取所述目标图像中所述目标动物的轮廓区域,以及提取所述目标图像中的人员信息;
提取所述轮廓区域的颜色聚合向量特征;
将所述颜色聚合向量特征、所述人员信息中的人员数量和所述人员信息中人员与所述目标动物的最近距离输入至预设第一贝叶斯分类模型得到所述牵绳概率。
进一步的,所述预设宠物化特征为所述目标动物的服饰佩戴概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
基于所述目标图像确定所述目标动物的动物种类;
提取所述轮廓区域的第一颜色直方图特征;
提取所述轮廓区域的图像纹理特征;
将所述动物种类、所述第一颜色直方图特征和所述图像纹理特征输入至预设第二贝叶斯分类模型得到所述服饰佩戴概率。
进一步的,所述预设宠物化特征为所述目标动物的警觉概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
基于所述目标图像的相邻图像帧计算所述目标动物的移动速度;
将所述人员数量、所述动物种类以及所述移动速度输入至预设第三贝叶斯分类模型得到所述警觉概率。
进一步的,所述预设宠物化特征为所述目标动物的草地互动概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
提取所述目标图像的第二颜色直方图特征;
将所述人员信息、所述动物种类以及所述第二颜色直方图特征输入至预设第四贝叶斯分类模型得到所述草地互动概率。
进一步的,所述预设宠物化特征为所述目标动物的毛发干净概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
将所述第一颜色直方图特征和所述图像纹理特征输入至预设第四贝叶斯分类模型得到所述毛发干净概率。
进一步的,所述宠物化特征还包括所述目标图像的获取时刻,所述基于所述预设宠物化特征判断所述目标动物是否为流浪动物的步骤包括:
将所述牵绳概率、所述服饰佩戴概率、所述警觉概率、所述毛发干净概率、所述草地互动和所述目标图像的获取时刻输入至预设决策树分类模型,以判断目标动物是否为流浪动物,其中,所述预设决策树分类模型的训练样本的标签为流浪动物或宠物,所述训练样本为提取了各所述宠物化特征的动物图像。
进一步的,在所述将所述牵绳概率、所述服饰佩戴概率、所述警觉概率、所述毛发干净概率、所述草地互动和所述目标图像的获取时刻输入至预设决策树分类模型的步骤之前,所述方法还包括:
基于包含有所述训练样本的训练集对所述预设决策树分类模型进行训练,其中,所述预设决策树分类模型中各节点的属性基于节点属相信息增益率选取,所述属性包括牵绳、服饰佩戴、警觉、毛发干净、草丛互动以及获取时刻中的任意一种,且各节点的划分点基于划分点信息增益选取。
此外,为实现上述目的,本申请还提供一种流浪动物识别设备,所述流浪动物识别设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的流浪动物识别程序,所述流浪动物识别程序被所述处理器执行时实现如上述的流浪动物识别方法的步骤。
此外,为实现上述目的,本申请还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流浪动物识别程序,所述流浪动物识别程序被处理器执行时实现如上述的流浪动物识别方法的步骤。
本申请实施例提出的一种流浪动物识别方法、设备及计算机可读存储介质,在本申请中,将包含有动物的监控图像作为目标图像;提取所述目标图像中目标动物的各预设宠物化特征;基于各所述预设宠物化特征判断所述目标动物是否为流浪动物;若判定所述目标动物为流浪动物,则将所述目标图像标记并保存。即本申请会从包含有动物的监控图像中提取目标动物相关的预设宠物化特征,通过预设宠物化特征的提取情况判断目标动物是否为流浪动物,若判定目标动物为流浪动物,则对该图像进行标记和保存。而保存的标记图像,则可以向流浪动物的管理人员提供流浪动物的行径线索。可以理解的是,通过监控和图像识别技术可快速发现流浪动物的行径信息并稳定的提供给管理人员,可大幅度提高行径信息的获取速度,加快流浪动物捕捉方案的实施进度。
附图说明
图1是本申请实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本申请流浪动物识别方法的第一实施例的流程示意图;
图3为本申请流浪动物识别方法的第二实施例的流程示意图;
图4为本申请流浪动物识别方法中第三实施例的流程示意图;
图5为本申请流浪动物识别方法中第四实施例的流程示意图;
图6为本申请流浪动物识别方法中第五实施例的流程示意图;
图7为本申请流浪动物识别方法中第六实施例的流程示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,图1是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请实施例设备可以是监控器,也可以是服务器、智能手机、PC、平板电脑、便携计算机等电子终端设备。
如图1所示,该设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,设备还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的设备结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及流浪动物识别程序。
在图1所示的设备中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的流浪动物识别程序,并执行以下操作:
将包含有动物的监控图像作为目标图像;
提取所述目标图像中目标动物的各预设宠物化特征;
基于各所述预设宠物化特征判断所述目标动物是否为流浪动物;
若判定所述目标动物为流浪动物,则将所述目标图像标记并保存。
进一步地,处理器1001可以调用存储器1005中存储的流浪动物识别程序,还执行以下操作:
所述预设宠物化特征为所述目标动物的牵绳概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤包括:
获取所述目标图像中所述目标动物的轮廓区域,以及提取所述目标图像中的人员信息;
提取所述轮廓区域的颜色聚合向量特征;
将所述颜色聚合向量特征、所述人员信息中的人员数量和所述人员信息中人员与所述目标动物的最近距离输入至预设第一贝叶斯分类模型得到所述牵绳概率。
进一步地,处理器1001可以调用存储器1005中存储的流浪动物识别程序,还执行以下操作:
所述预设宠物化特征为所述目标动物的服饰佩戴概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
基于所述目标图像确定所述目标动物的动物种类;
提取所述轮廓区域的第一颜色直方图特征;
提取所述轮廓区域的图像纹理特征;
将所述动物种类、所述第一颜色直方图特征和所述图像纹理特征输入至预设第二贝叶斯分类模型得到所述服饰佩戴概率。
进一步地,处理器1001可以调用存储器1005中存储的流浪动物识别程序,还执行以下操作:
所述预设宠物化特征为所述目标动物的警觉概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
基于所述目标图像的相邻图像帧计算所述目标动物的移动速度;
将所述人员数量、所述动物种类以及所述移动速度输入至预设第三贝叶斯分类模型得到所述警觉概率。
进一步地,处理器1001可以调用存储器1005中存储的流浪动物识别程序,还执行以下操作:
所述预设宠物化特征为所述目标动物的草地互动概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
提取所述目标图像的第二颜色直方图特征;
将所述人员信息、所述动物种类以及所述第二颜色直方图特征输入至预设第四贝叶斯分类模型得到所述草地互动概率。
进一步地,处理器1001可以调用存储器1005中存储的流浪动物识别程序,还执行以下操作:
所述预设宠物化特征为所述目标动物的毛发干净概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
将所述第一颜色直方图特征和所述图像纹理特征输入至预设第四贝叶斯分类模型得到所述毛发干净概率。
进一步地,处理器1001可以调用存储器1005中存储的流浪动物识别程序,还执行以下操作:
所述宠物化特征还包括所述目标图像的获取时刻,所述基于所述预设宠物化特征判断所述目标动物是否为流浪动物的步骤包括:
将所述牵绳概率、所述服饰佩戴概率、所述警觉概率、所述毛发干净概率、所述草地互动和所述目标图像的获取时刻输入至预设决策树分类模型,以判断目标动物是否为流浪动物,其中,所述预设决策树分类模型的训练样本的标签为流浪动物或宠物,所述训练样本为提取了各所述宠物化特征的动物图像。
进一步地,处理器1001可以调用存储器1005中存储的流浪动物识别程序,还执行以下操作:
在所述将所述牵绳概率、所述服饰佩戴概率、所述警觉概率、所述毛发干净概率、所述草地互动和所述目标图像的获取时刻输入至预设决策树分类模型的步骤之前,所述方法还包括:
基于包含有所述训练样本的训练集对所述预设决策树分类模型进行训练,其中,所述预设决策树分类模型中各节点的属性基于节点属相信息增益率选取,所述属性包括牵绳、服饰佩戴、警觉、毛发干净、草丛互动以及获取时刻中的任意一种,且各节点的划分点基于划分点信息增益选取。
参照图2,本申请流浪动物识别方法的第一实施例,所述流浪动物识别方法包括:
步骤S10,将包含有动物的监控图像作为目标图像;
可以理解的是,目前随着城市现代化的发展,摄像头在小区、公园等场地越来越普及,可以形成一个相对全面的监控***。本申请主要依靠视频监控以及人工智能技术识别流浪动物,从而来提高信息的获取效率,同时利用现有的硬件设置也可节约方案实施的成本。故本申请的流浪动物识别方法可应用于小区流浪动物的管理,可应用于公园流浪动物的管理,也可推广至整这个城市流浪动物的管理。
进一步的,在所述将包含有动物的监控图像作为目标图像的步骤之前,所述方法包括:
步骤S110,通过设置至于监控区域的监控设备对所述监控区域进行运动目标跟踪监测,得到所述监控区域内运动目标的跟踪监测框;
步骤S120,基于所述跟踪监测框的大小和所述跟踪监测框的长宽比判断所述运动目标是否为动物;
步骤S130,若判定所述运动目标为动物,则从所述跟踪监测框持续时段下的监控数据中获取所述监控图像。
具体的,在本实施例中,通过安装在监控区域的监控设备对监控区域进行运动目标跟踪监测,其中,监控区域可以是小区的公共场所,也可以是公园区域等,运动目标跟踪监测可基于目前常规目标跟踪算法实现,此处不再赘述。需要说明的是,对于大多目标跟踪算法,其跟踪的结果为包含有运动目标的矩形框即上述跟踪监测框。为避免对视频数据中每帧图像进行动物图像识别。本实施例将基于踪监测框的大小和跟踪监测框的长宽比来判断跟踪监测框中运动目标是否为动物。可以理解的是,通常情况下在城市地区,流浪或野生动物通常为猫和狗,其体型要远小于人类以及人类所使用的交通工具,故形成的跟踪监测框大小(面积)存在有较大区别。且该类动物的行走方式为四肢行走,人类为直立行走,故两者所形成的跟踪监测框的形状也不同。因此,通过踪监测框的大小和所述跟踪监测框的长宽比可判断运动目标是否为动物。如踪监测框的面积小于阈值且跟踪监测框的长宽比满足预设长宽比条件,则判定运动目标为动物。也可以将跟踪监测框的大小和跟踪监测框的长宽比作为运动目标特征,再结合相关训练好的分类模型完成判断。具体的判断方式可由技术人员各更具上述两个特征进行设置,此处不再赘述。
当判定运动目标为动物时,则从所述跟踪监测框持续时段下的监控数据中获取监控图像。其中,监控图像为所述跟踪监测框持续时段下的监控数据中跟踪监测框面积最大时的图像。
可以理解的是,跟踪监测框的大小和长宽比可能会随着运动目标的移动而变动,且监控设备在不同距离不同角度下对同一个运动目标所产生的跟踪监测框大小可能是不同的。针对上述情况,所述基于所述跟踪监测框的大小和所述跟踪监测框的长宽比判断所述运动目标是否为动物的步骤包括:
提取所述跟踪监测框在持续时段中的目标面积,所述目标面积为跟踪监测框持续时段中面积最大监测框的面积;
提取所述跟踪监测框在持续时段中的目标长宽比,所述目标长宽比为持续时长占比最高的跟踪监测框的长宽比;
若所述目标面积小于预设面积和/或所述目标长宽比大于预设长宽比,则将所述运动目标判断为动物,其中,所述预设面积为根据所述监控设备的历史面积分布数据生成。如将历史面积分布数据中占比小于预设占比且小于占比最大面积的面积作为上述预设面积。
具体的,本实施例将包含有的动物的监控图像作为目标图像,以进行下一步识别是否为流浪动物。但需要说明的是,上述通过监测框可有效的对运动目标是否为动物进行筛选,为保证筛选结果的准确性,可对筛选结果图像进行进一步的识别,如可通过动物图像识别模型对筛选出来的监控图像进行识别,判断该监控图像中是包含有动物,若包含有动物,再将该监控图像作为目标图像。目前在城市中,相对普遍的流浪动物是流浪猫和流浪狗,故上述动物图像识别模型可以是猫和狗的图像识别模型(可以理解的是,目前仅需识别出图像中是否包含有动物或者是否包含有猫和狗,故可使用现有深度学习算法,如训练好的卷积神经网络图像识别模型,具体训练过程或者识别模型可参考现有方案,此处不再赘述),将包含有猫或/和狗的图像作为目标图像。
步骤S20,提取所述目标图像中目标动物的各预设宠物化特征;
具体的,目标图像中动物的即为目标动物,基于目标图像提取目标动物的预设宠物化特征,预设宠物化特征为流浪动物与宠物动物之间的区别,如是否有配饰、体态等。其中,流浪动物可以是野生动物,也可以是被弃养的宠物。
进一步的,述预设宠物化特征为所述目标动物的牵绳概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤包括:
步骤S211,获取所述目标图像中所述目标动物的轮廓区域,以及提取所述目标图像中的人员信息;
步骤S212,提取所述轮廓区域的颜色聚合向量特征;
步骤S213,将所述颜色聚合向量特征、所述人员信息中的人员数量和所述人员信息中人员与所述目标动物的最近距离输入至预设第一贝叶斯分类模型得到所述牵绳概率。
具体的,预设宠物化特征可以是目标动物的牵绳概率,通常情况下,如果该目标动物被牵绳时,该动物大概率为非流浪动物(即宠物),故将牵绳概率作为判断目标动物是否为流浪动物的特征之一。进一步的,基于目标图像判断该目标动物的牵绳概率,从目标图像中提取目标动物的轮廓区域,以及目标图像中的人员信息。其中,轮廓区域可在识别该监控图像中是否包含有动物时同步提取,人员信息可以包含有人员数量,以及人员与目标动物的最近距离,而人员数量和人员与目标动物的最近距离的识别也可参考现有图像识别方案(如可通过深度相机的拍摄图片,以及基于该深度相机的相机模型获取到图像中各像素点之间的距离),此处不再赘述。提取轮廓区域的颜色聚合向量特征,颜色聚合向量特征可以描述轮廓区域的聚合像素和非聚合像素的情况,若某颜色像素所占的连续区域面积大于给定的阈值,则该区域内像素则称为聚合像素,反之则为非聚合像素。可以理解的是,若该目标动物被牵绳,则在该目标动物的颈部或者背部将会存在有项圈或者背带绳索,通常情况下,该项圈或者背带绳索的颜色会和动物的本体颜色存在有差异,该特点反应到颜色聚合向量特征,即为某个聚合的颜色像素点区域会占据整个动物轮廓范围一定比例,且该比例通常是较小的,并在一定范围内波动。将所述人员数量、最近距离以及颜色聚合特征向量输入至预设第一贝叶斯分类模型得到该牵绳概率。其中,预设第一贝叶斯分类模型为提前训练好的识别模型,其中,该模型的训练数据为动物图像样本,对应的,该动物图像样本的标签为牵绳或者非牵绳,特征为动物图像中人员数量、最近距离以及颜色聚合特征向量。其中,动物图像样本中人员数量、最近距离以及颜色聚合特征向量的提取方式与目标图像中该类特征的提取方式相同,以保证预测效果。而第一贝叶斯分类模型预测的牵绳概率实际为,标签为牵绳的动物图像样本中具有与目标图像相同或者类似特征的样本所占比例,例如,对于人员数量特征可按照例零或者大于零进行划分,对于最近距离和颜色聚合特征向量可划分出多个取值范围,假设目标图像的人员数量为1,则计算标签为牵绳的图像样本中人员数大于零的样本数量占比(设P1),对于最近距离,则计算标签为牵绳的图像样本中和目标图像的最近距离处于相同取值范围内样本数量占比(设P2),同样的方式计算颜色聚合特征向量(设P3),再计算P1、P2和P3三者的乘积(设Pa),可以理解的是,可以直接将Pa作为牵绳概率,也进行预设归一化处理后的结果作为牵绳概率,具体为,再基于标签为非牵绳的图像样本分别计算与目标图像各特征相同或者相似样本数量在总的非牵绳的图像样本数量的占比,计算各特征的占比的乘积(设Pb),此过程与上述步骤类似,仅是将标签为牵绳的图像样本更换为非牵绳的图像样本,故不再赘述,归一化处理后的牵绳概率=Pa/(Pa+Pb)。上述过程为基于预设第一贝叶斯分类模型得到牵绳概率的一种实施例方式,各特征的取值范围可根据实际情况进行划分。
可以理解的是,在图像识别中,由于牵绳自身的特点(在图像中可能不是十分明显),直接识别牵绳较为困难,且误识别概率较大,而若动物处于被牵绳状态,则动物主人大概率会该动物的附近,故本实施例在识别牵绳时,加入了人员信息的参与到牵绳识别中,从而提高识别的准确性。
进一步的,所述预设宠物化特征为所述目标动物的服饰佩戴概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
步骤S221,基于所述目标图像确定所述目标动物的动物种类;
步骤S222,提取所述轮廓区域的第一颜色直方图特征;
步骤S223,提取所述轮廓区域的图像纹理特征;
步骤S224,将所述动物种类、所述第一颜色直方图特征和所述图像纹理特征输入至预设第二贝叶斯分类模型得到所述服饰佩戴概率。
具体的,为提高判断目标动物是否为流浪动物的准确性,本实施例中的预设宠物化特征也可以是服饰佩戴概率。对于所述目标动物的种类同样可以在识别监控图像中是否包含有动物的同时识别,例如识别目标动物是猫还是狗,可理解的是,不同动物的服饰特点不一样,为提高识别动物佩戴服饰概率的准确,将动物种类作为特征在之一。此外,还将从而轮廓区域中提取第一颜色直方图特征以及图像纹理特征。其中,颜色直方图特征是指各像素所占的比例,通常动物服饰的颜色会与动物本体的颜色存在有一定的区别,且一些服饰的颜色是动物本体所没有的,例如,对于猫和狗而言几乎没有红色、绿色、蓝色等颜色的皮毛,故通过颜色直方图在一定程度上可反应出动物是否佩戴服饰。而图像纹理特征是应于心理学角度上纹理特征的属性,可包括图像粗糙度、图像对比度、图像方向度、图像线像度、图像规整度和图像粗略度,即动物本身的皮毛和人为制作出来的服饰其纹理特征是存在有区别,故将图像问纹理特征也作为判断目标动物是否佩戴服饰的特征之一。将得到动物种类、第一颜色直方图特征和图像纹理特征输入到预设第二贝叶斯分类模型得到目标动物的服饰佩戴概率。可以理解的是,对于离散型特征(如动物种类,第一颜色直方图特征也作为离散型特征,如第一颜色直方图特征是否含有红色、绿色、蓝色等颜色),从训练样本集中选择具有相同特征样本数量计算该特征对应的占比,而对于离散型特征则可划分取值范围,基于处于相同取值范围内样本数量计算该特征占比,具体的预测得到服饰佩戴概率的过程可参考上述内容,此处不再赘述。
步骤S30,基于各所述预设宠物化特征判断所述目标动物是否为流浪动物;
具体的,对于通过预设宠物化特征判断目标动物是否为流浪动物,同样可将各预设宠物化特征输入到预设分类模型中,以判断目标动物是否为流浪动物,目前分类模型类型较多,可根据实际需求来选择。此外,该分类模型的训练样本可以是上述各贝叶斯分类模型的训练样本。例如,预设宠物化特征有牵绳概率和服饰佩戴概率,则需要进行训练的模型包括有,预设第一贝叶斯分类模型、预设第二贝叶斯分类模型以及上述预设分类模型,为满足每个模型的训练需求,则训练样本需要标记是否牵绳、是否佩戴服饰以及是否为流浪动物的标签。最终由训练好的分类模型基于各预设宠物化特征判断目标动物是否为流浪动物。
步骤S40,若判定所述目标动物为流浪动物,则将所述目标图像标记并保存。
具体的,当判定目标动物是流浪动物后,则对该目标图像进行标记,或者,目标图像中的目标动物进行标记,并将该目标图像保存下来,用于获取目标动物的行径信息。例如,对于小区的流浪动物管理,在确定目标图像的中的目标动物为流浪动物时,对该目标图像中的目标动物进行标记并保存下来,从而向小区的物业管理人员提供流浪动物的行径线索,提高行径获取效率。
在本实施例中,将包含有动物的监控图像作为目标图像;提取所述目标图像中目标动物的各预设宠物化特征;基于各所述预设宠物化特征判断所述目标动物是否为流浪动物;若判定所述目标动物为流浪动物,则将所述目标图像标记并保存。即本申请会从包含有动物的监控图像中提取目标动物相关的预设宠物化特征,通过预设宠物化特征的提取情况判断目标动物是否为流浪动物,若判定目标动物为流浪动物,则对该图像进行标记和保存。而保存的标记图像,则可以向流浪动物的管理人员提供流浪动物的行径线索。可以理解的是,通过监控和图像识别技术可快速发现流浪动物的行径信息并稳定的提供给管理人员,可大幅度提高行径信息的获取速度,加快流浪动物捕捉方案的实施进度。
进一步的,参照图3,基于本申请流浪动物识别方法的第一实施例提出本申请流浪动物识别方法的第二实施例。本实施例中与上述实施例相同部分可参考上文内容,此处不再赘述。所述预设宠物化特征为所述目标动物的警觉概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
步骤S231,基于所述目标图像的相邻图像帧计算所述目标动物的移动速度;
步骤S232,将所述人员数量、所述动物种类以及所述移动速度输入至预设第三贝叶斯分类模型得到所述警觉概率。
本实施例中,预设宠物化特征还可以目标动物的警觉概率,即就动物的状态而言,流浪动物相比于宠物会更加警觉,故本申请中将目标动物的警觉概率作为判断目标动物是否为流浪动物的特征之一。
具体的,通过目标图像的相邻图像帧计算目标动物的移动速度,例如获取目标动物在两帧图像(目标图和目标图像的相邻图像帧)之间的位置变化,在基于两帧图像之间的时间差,即可确定目标动物的移动速度,可以理解的是动物在警觉的状态下,收到惊吓后会快速跑快,故移动速度在一定程度上可反应出动物状态。而流浪动物在大多情况下与人并不亲近,因此,当有人靠近时,通常动物的表现为跑开,故将人员信息也作为判断动物警觉概率的特征之一。而不同动物警觉的敏感度不同,故动物种类也可作为两帧图像警觉概率的特征。再将人员数量、动物种类以及移动速度输入至预设第三贝叶斯分类模型得到警觉概率(针对预设第三贝叶斯分类模型,训练样本可增加是否警觉的标签),预测模型预测得到警觉概率的过程可参考上述实施例,此处不再赘述。此外,对于生成警觉概率的特征,也可加入动物数量,即动物数量可能影响到单个动物的行为,例如落单的动物可能会更加谨慎和敏感,反之则更加放松。可以理解的是,动物数量同样可以在识别监控图像中是否包含有动物时识别得到,此处,不再赘述。可以理解的是,本实施例中加入目标动物的警觉概率,可提高判断目标动物是否为流浪动物的准确率。
进一步的,参照图4,基于本申请流浪动物识别方法的第二实施例提出本申请流浪动物识别方法的第三实施例。本实施例中与上述实施例相同部分可参考上文内容,此处不再赘述。所述预设宠物化特征为所述目标动物的草地互动概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
步骤S241,提取所述目标图像的第二颜色直方图特征;
步骤S242,将所述人员信息、所述动物种类以及所述第二颜色直方图特征输入至预设第四贝叶斯分类模型得到所述草地互动概率。
具体的,在动物处于草地的场景,通常情况下对于宠物来说,是由宠物主人带着在草地上互动,即很少有宠物单独出现在草地上。故本申请针对动物在草地上的活动场景,将目标动物的草地互动概率作为判断目标动物是否为流浪动物的特征之一。对于草地互动概率,本实施例又将人员信息、动物种类以及第二颜色直方图特征作为其生成的依据。其中,人员信息可表示目标动物附近是否有人的存在有,若存在则该目标动物大概率为宠物。同样的,对于不同种类的动物,其活动区域的喜好也不同。此外,上述第二颜色直方图特征则是基于整个目标图像提取得到(第一颜色直方图特征仅基于轮廓范围获取),通过第二颜色直方图特征可反应出目标动物是否处于草地场景。将得到人员信息、动物种类以及第二颜色直方图特征输入至预设第四贝叶斯分类模型(针对预设第四贝叶斯分类模型,则可在训练样本上增加是否为草地互动的表情)得到草地互动概率。
可以理解的是,本实施例针对流浪动物和宠物在草地上活动情况不同,将草地互动概率作加入至判断目标动物是否为流浪动物的特征中,从而提高识别流浪动物的准确性。
进一步的,参照图5,基于本申请流浪动物识别方法的第三实施例提出本申请流浪动物识别方法的第四实施例。本实施例中与上述实施例相同部分可参考上文内容,此处不再赘述。所述预设宠物化特征为所述目标动物的毛发干净概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
步骤S251,将所述第一颜色直方图特征和所述图像纹理特征输入至预设第四贝叶斯分类模型得到所述毛发干净概率。
具体的,可以理解的,宠物通常要比流浪动物干净,故针对于动物的毛发,本实施例中预设宠物化特征还可以是毛发干净概率。而第一颜色直方图和图像纹理特征在一定程度上可以反映出目标动物的毛发是否干净,故将第一颜色直方图和图像纹理特征作为得到毛发干净概率的特征。将第一颜色直方图特征和图像纹理特征输入至预设第四贝叶斯分类模型(针对预设第四贝叶斯分类模型,则在训练样本中增加毛发是否干净的标签)即可得到毛发干净概率。
进一步的,参照图6,基于本申请流浪动物识别方法的第四实施例提出本申请流浪动物识别方法的第五实施例。本实施例中与上述实施例相同部分可参考上文内容,此处不再赘述。所述宠物化特征还包括所述目标图像的获取时刻,所述基于所述预设宠物化特征判断所述目标动物是否为流浪动物的步骤包括:
步骤S310,将所述牵绳概率、所述服饰佩戴概率、所述警觉概率、所述毛发干净概率、所述草地互动和所述目标图像的获取时刻输入至预设决策树分类模型,以判断目标动物是否为流浪动物,其中,所述预设决策树分类模型的训练样本的标签为流浪动物或宠物,所述训练样本为提取了各所述宠物化特征的动物图像。
在本实施例中,宠物化特征还包括所述目标图像的获取时刻,可以理解的是,获取时刻可表示目标动物被拍到的时刻,而宠物的户外活动时间通常会与人的活动时间保持一致,例如,若获取时刻是在夜晚,则此时目标动物则具有更大可能是流浪动物。
具体的,将牵绳概率、服饰佩戴概率、警觉概率、毛发干净概率、草地互动概率和目标图像的获取时刻输入至预设决策树分类模型,通过决策树分类模型来判断目标动物是否为流浪动物。可以理解的是,本实施例中,输入至预设决策树分类模型的特征均为连续性特征,故该决策树分类模型可以采用C4.5决策树算法。本实施例中,预设决策树分类模型的训练样本为提取了各所述宠物化特征的动物图像,且各训练样本的标签可以是流浪动物或宠物。可以理解的是,上述实施例中的预设第一贝叶斯分类模型至预设第五贝叶斯分类模型,以及上述预设决策树分类模型均可以采用同批训练样本,仅需将每个训练样本标记上对应模型所需要的标签即可。可以理解的是,在本实施例中,输入至决策树分类模型的特征均为连续性特征,相比于采用离散型特征(如是否牵绳、是否佩戴服饰、是否警觉、毛发是否干净以及是否是草地互动等特征),连续性特征可包含更多的信息(如具有具体的概率值),从而可以提高最终判断目标动物是否为流浪动物的准确性。
进一步的,参照图7,基于本申请流浪动物识别方法的第五实施例提出本申请流浪动物识别方法的第六实施例。本实施例中与上述实施例相同部分可参考上文内容,此处不再赘述。在所述将所述牵绳概率、所述服饰佩戴概率、所述警觉概率、所述毛发干净概率、所述草地互动和所述目标图像的获取时刻输入至预设决策树分类模型的步骤之前,所述方法还包括:
步骤S01,基于包含有所述训练样本的训练集对所述预设决策树分类模型进行训练,其中,所述预设决策树分类模型中各节点的属性基于节点属相信息增益率选取,所述属性包括牵绳、服饰佩戴、警觉、毛发干净、草丛互动以及获取时刻中的任意一种,且各节点的划分点基于划分点信息增益选取。
具体的,基于包含有上述训练样本的训练集对预设决策树分类模型进行训练,该训练过程实际也是确定模型中各节点的属性,以及各节点的划分点。假设一节点的属性为牵绳,每个训练样本(图像样本),通过上述预设第一贝叶斯分类模型得到每个训练样本的牵绳概率(即使是该训练样本标记了是否牵绳的标签),设训练样本集为D,得到各训练样本的牵绳概率a属于D,假设在D中有n各不同的a,按照从到大顺序即为{a1、a2、a3、......、an},设划分点t可以将D划分为Dt -和Dt +,其中,Dt -包含有D中a取值不大于t的样本,Dt +包含有D中a取值大于t的样本,t为任意ax和ax+1的中值,且t实际也为该节点中可选划分点,再计算每个t的信息增益。其中,信息增益的计算方式可参考C4.5决策树算法此处不再赘述。选取信息增益最大的t作为该节点的划分点。而对于节点的属性,则可通过选择该属性作为节点时的信息增益率来确定。信息增益率计算公式如下:
式中,Gain_ratio(D,a)为在样本集D中选取属性a为节点的信息增益率,Gain(D,a)为在样本集D中选取属性a为节点的信息增益,TV(a)为a的属性熵。本实施例中选取信息增益率大的属性作为上述预设决策树分类模型的节点。通过上述方式可使得预设决策树分类模型具有判断目标动物是否为流浪动物的能力。
此外,为实现上述目的,本申请还提供一种流浪动物识别方法设备,所述流浪动物识别方法设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的流浪动物识别程序,所述流浪动物识别程序被所述处理器执行时实现如上述的流浪动物识别方法的步骤。
本申请流浪动物识别方法设备的具体实施方式与上述流浪动物识别方法各实施例基本相同,在此不再赘述。
此外,为实现上述目的,本申请还提供一种计算机介质,所述计算机介质上存储有流浪动物识别程序,所述流浪动物识别程序被处理器执行时实现如上述的流浪动物识别方法的步骤。
本申请计算机介质具体实施方式与上述流浪动物识别方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,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***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***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,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种流浪动物识别方法,其特征在于,所述流浪动物识别方法包括以下步骤:
将包含有动物的监控图像作为目标图像;
提取所述目标图像中目标动物的各预设宠物化特征;
基于各所述预设宠物化特征判断所述目标动物是否为流浪动物;
若判定所述目标动物为流浪动物,则将所述目标图像标记并保存。
2.如权利要求1所述的流浪动物识别方法,其特征在于,所述预设宠物化特征为所述目标动物的牵绳概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤包括:
获取所述目标图像中所述目标动物的轮廓区域,以及提取所述目标图像中的人员信息;
提取所述轮廓区域的颜色聚合向量特征;
将所述颜色聚合向量特征、所述人员信息中的人员数量和所述人员信息中人员与所述目标动物的最近距离输入至预设第一贝叶斯分类模型得到所述牵绳概率。
3.如权利要求2所述的流浪动物识别方法,其特征在于,所述预设宠物化特征为所述目标动物的服饰佩戴概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
基于所述目标图像确定所述目标动物的动物种类;
提取所述轮廓区域的第一颜色直方图特征;
提取所述轮廓区域的图像纹理特征;
将所述动物种类、所述第一颜色直方图特征和所述图像纹理特征输入至预设第二贝叶斯分类模型得到所述服饰佩戴概率。
4.如权利要求3所述的流浪动物识别方法,其特征在于,所述预设宠物化特征为所述目标动物的警觉概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
基于所述目标图像的相邻图像帧计算所述目标动物的移动速度;
将所述人员数量、所述动物种类以及所述移动速度输入至预设第三贝叶斯分类模型得到所述警觉概率。
5.如权利要求4所述的流浪动物识别方法,其特征在于,所述预设宠物化特征为所述目标动物的草地互动概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
提取所述目标图像的第二颜色直方图特征;
将所述人员信息、所述动物种类以及所述第二颜色直方图特征输入至预设第四贝叶斯分类模型得到所述草地互动概率。
6.如权利要求5所述的流浪动物识别方法,其特征在于,所述预设宠物化特征为所述目标动物的毛发干净概率,所述提取所述目标图像中目标动物的各预设宠物化特征的步骤还包括:
将所述第一颜色直方图特征和所述图像纹理特征输入至预设第四贝叶斯分类模型得到所述毛发干净概率。
7.如权利要求6所述的流浪动物识别方法,其特征在于,所述宠物化特征还包括所述目标图像的获取时刻,所述基于所述预设宠物化特征判断所述目标动物是否为流浪动物的步骤包括:
将所述牵绳概率、所述服饰佩戴概率、所述警觉概率、所述毛发干净概率、所述草地互动和所述目标图像的获取时刻输入至预设决策树分类模型,以判断目标动物是否为流浪动物,其中,所述预设决策树分类模型的训练样本的标签为流浪动物或宠物,所述训练样本为提取了各所述宠物化特征的动物图像。
8.如权利要求7所述的流浪动物识别方法,其特征在于,在所述将所述牵绳概率、所述服饰佩戴概率、所述警觉概率、所述毛发干净概率、所述草地互动和所述目标图像的获取时刻输入至预设决策树分类模型的步骤之前,所述方法还包括:
基于包含有所述训练样本的训练集对所述预设决策树分类模型进行训练,其中,所述预设决策树分类模型中各节点的属性基于节点属相信息增益率选取,所述属性包括牵绳、服饰佩戴、警觉、毛发干净、草丛互动以及获取时刻中的任意一种,且各节点的划分点基于划分点信息增益选取。
9.一种流浪动物识别测设备,其特征在于,所述流浪动物识别测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的流浪动物识别程序,所述流浪动物识别程序被所述处理器执行时实现如权利要求1至8中任一项所述的流浪动物识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有流浪动物识别程序,所述流浪动物识别程序被处理器执行时实现如权利要求1至8中任一项所述的流浪动物识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310301580.7A CN116385965A (zh) | 2023-03-17 | 2023-03-17 | 流浪动物识别方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310301580.7A CN116385965A (zh) | 2023-03-17 | 2023-03-17 | 流浪动物识别方法、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116385965A true CN116385965A (zh) | 2023-07-04 |
Family
ID=86978035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310301580.7A Pending CN116385965A (zh) | 2023-03-17 | 2023-03-17 | 流浪动物识别方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385965A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315594A (zh) * | 2023-11-28 | 2023-12-29 | 深圳市迪沃视讯数字技术有限公司 | 一种基于物联网的智能安防视频监控*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107783959A (zh) * | 2017-09-02 | 2018-03-09 | 南京中孚信息技术有限公司 | 一种基于贝叶斯预测的处警、接警信息评分方法 |
CN111291641A (zh) * | 2020-01-20 | 2020-06-16 | 上海依图网络科技有限公司 | 图像识别方法及其装置、计算机可读介质和*** |
WO2021022427A1 (zh) * | 2019-08-02 | 2021-02-11 | 唐山哈船科技有限公司 | 一种社区流浪动物监测***及监测方法 |
CN113232674A (zh) * | 2021-05-28 | 2021-08-10 | 南京航空航天大学 | 基于决策树和贝叶斯网络的车辆控制方法和装置 |
CN113597614A (zh) * | 2020-12-31 | 2021-11-02 | 商汤国际私人有限公司 | 图像处理方法和装置、电子设备及存储介质 |
CN114494965A (zh) * | 2022-01-25 | 2022-05-13 | 盛视科技股份有限公司 | 一种基于视觉的流浪宠物的检测方法及*** |
CN114982663A (zh) * | 2022-06-02 | 2022-09-02 | 新瑞鹏宠物医疗集团有限公司 | 一种流浪宠物管理方法及装置 |
CN115063751A (zh) * | 2022-07-27 | 2022-09-16 | 深圳市海清视讯科技有限公司 | 宠物牵绳检测方法、设备及存储介质 |
CN115527158A (zh) * | 2022-08-11 | 2022-12-27 | 北京市燃气集团有限责任公司 | 一种基于视频监控的人员异常行为检测方法及装置 |
CN115631214A (zh) * | 2022-09-29 | 2023-01-20 | 深圳市中钞信达金融科技有限公司 | 一种基于运动信息和语义信息的多目标跟踪方法及*** |
-
2023
- 2023-03-17 CN CN202310301580.7A patent/CN116385965A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107783959A (zh) * | 2017-09-02 | 2018-03-09 | 南京中孚信息技术有限公司 | 一种基于贝叶斯预测的处警、接警信息评分方法 |
WO2021022427A1 (zh) * | 2019-08-02 | 2021-02-11 | 唐山哈船科技有限公司 | 一种社区流浪动物监测***及监测方法 |
CN111291641A (zh) * | 2020-01-20 | 2020-06-16 | 上海依图网络科技有限公司 | 图像识别方法及其装置、计算机可读介质和*** |
CN113597614A (zh) * | 2020-12-31 | 2021-11-02 | 商汤国际私人有限公司 | 图像处理方法和装置、电子设备及存储介质 |
CN113232674A (zh) * | 2021-05-28 | 2021-08-10 | 南京航空航天大学 | 基于决策树和贝叶斯网络的车辆控制方法和装置 |
CN114494965A (zh) * | 2022-01-25 | 2022-05-13 | 盛视科技股份有限公司 | 一种基于视觉的流浪宠物的检测方法及*** |
CN114982663A (zh) * | 2022-06-02 | 2022-09-02 | 新瑞鹏宠物医疗集团有限公司 | 一种流浪宠物管理方法及装置 |
CN115063751A (zh) * | 2022-07-27 | 2022-09-16 | 深圳市海清视讯科技有限公司 | 宠物牵绳检测方法、设备及存储介质 |
CN115527158A (zh) * | 2022-08-11 | 2022-12-27 | 北京市燃气集团有限责任公司 | 一种基于视频监控的人员异常行为检测方法及装置 |
CN115631214A (zh) * | 2022-09-29 | 2023-01-20 | 深圳市中钞信达金融科技有限公司 | 一种基于运动信息和语义信息的多目标跟踪方法及*** |
Non-Patent Citations (2)
Title |
---|
朱诺: "《行人交通安全 基于视频监测和元胞自动机的人群疏散机理研究》", 31 October 2017, 哈尔滨:东北林业大学出版社, pages: 55 - 56 * |
李倩;: "基于计算机图像处理的智能监控技术研究", 安阳师范学院学报, no. 05, pages 44 - 48 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315594A (zh) * | 2023-11-28 | 2023-12-29 | 深圳市迪沃视讯数字技术有限公司 | 一种基于物联网的智能安防视频监控*** |
CN117315594B (zh) * | 2023-11-28 | 2024-03-15 | 深圳市迪沃视讯数字技术有限公司 | 一种基于物联网的智能安防视频监控*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Automatic recognition of sow nursing behaviour using deep learning-based segmentation and spatial and temporal features | |
US20210153479A1 (en) | Monitoring livestock in an agricultural pen | |
AU2017233723B2 (en) | System and method for training object classifier by machine learning | |
CN110555481B (zh) | 一种人像风格识别方法、装置和计算机可读存储介质 | |
US20150327518A1 (en) | Method of monitoring infectious disease, system using the same, and recording medium for performing the same | |
US20130069978A1 (en) | Detection device, display control device and imaging control device provided with the detection device, body detection method, and recording medium | |
US11109586B2 (en) | System and methods for automated wildlife detection, monitoring and control | |
CN116385965A (zh) | 流浪动物识别方法、设备及计算机可读存储介质 | |
Noe et al. | Automatic detection and tracking of mounting behavior in cattle using a deep learning-based instance segmentation model | |
JP2009140264A (ja) | 犯罪防止装置及び犯罪防止プログラム | |
Chen et al. | Monitoring the behaviours of pet cat based on YOLO model and raspberry Pi | |
CN115885313A (zh) | 宠物状态评估***、宠物相机、服务器、宠物状态评估方法和程序 | |
US12014541B2 (en) | Device for managing environment of breeding farm | |
Hubalde et al. | A yolo-based approach for Aedes aegypti larvae classification and detection | |
KR20190143518A (ko) | 이상 개체 판단 장치 및 방법 | |
KR20200139616A (ko) | 이상 개체 검출 장치 및 방법 | |
KR20200009530A (ko) | 이상 개체 검출 시스템 및 방법 | |
Duraiswami et al. | Cattle breed detection and categorization using image processing and machine learning | |
Ko et al. | Embedded imagers: Detecting, localizing, and recognizing objects and events in natural habitats | |
Gu et al. | A two-stage recognition method based on deep learning for sheep behavior | |
Naveenkumar et al. | DenseNet201 for Animal detection and repellent system | |
Patel et al. | Smart Crop Protection Against Animal Encroachment using Deep Learning | |
CN114677614A (zh) | 基于计算机视觉的单次母猪哺乳时长计算方法 | |
KR102464539B1 (ko) | 영역별 개체 모니터링을 위한 유저 인터페이스 장치 | |
KR20210062238A (ko) | 영상정보 분석 기반 방역 시스템 및 그 이용 방법 |
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 |