CN116740646A - 监测候鸟栖息地的群体识别方法及*** - Google Patents
监测候鸟栖息地的群体识别方法及*** Download PDFInfo
- Publication number
- CN116740646A CN116740646A CN202310830942.1A CN202310830942A CN116740646A CN 116740646 A CN116740646 A CN 116740646A CN 202310830942 A CN202310830942 A CN 202310830942A CN 116740646 A CN116740646 A CN 116740646A
- Authority
- CN
- China
- Prior art keywords
- waiting
- bird
- target
- image
- images
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 7
- 241000894007 species Species 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 241000269799 Perca fluviatilis Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06V10/20—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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出监测候鸟栖息地的群体识别方法及***,该方法包括:将候鸟监测图像分割成预设份数的小图像;将小图像输入到训练好的候鸟目标识别模型中,以根据目标识别结果对小图像中的每个目标区域分别进行首次标记;根据重叠区域的轮廓坐标判断重叠区域内是否存在重复的目标区域;若重叠区域内存在重复的目标区域,则将任意相邻两份小图像中所包含的其中一个存在重复的目标区域删除;将待识别图像输入到训练好的候鸟细粒度识别模型中,得到每个目标区域分别包括的每个候鸟目标分别对应的种类;对每个目标区域分别包括的每个候鸟目标进行二次标记,并汇总所有待识别图像中的二次标记结果。本发明能够精确识别出每个目标区域中包含的每个候鸟目标的种类,进而精确计算出目标栖息地中每种候鸟种类的总数量。
Description
技术领域
本发明涉及生物识别技术领域,特别涉及一种监测候鸟栖息地的群体识别方法及***。
背景技术
目前,随着人类社会的进步与发展,人类对自然生态环境保护意识不断增强,鸟类作为人类的朋友已经被列为保护对象,因此对鸟类的研究有着重大意义。
候鸟迁徙是对环境因素周期性变化的一种适应性行为,对种群繁衍、进化与生物多样性维持具有重要的意义,传统方法主要有两种,一种是通过人工观察,但是通过人工观察以实现对珍稀候鸟的识别与监测方式,存在效率低、成本高等问题。另一种是结合深度学***台视频监控截取最实时准确的候鸟样本需耗费大量人力,且受候鸟迁徙时间和候鸟活动影响,识别精度仍未达到理想效果。
发明内容
基于此,本发明的目的是提出一种监测候鸟栖息地的群体识别方法及***,旨在解决传统监测识别候鸟的方式存在的精确度较低的问题。
根据本发明提出的一种监测候鸟栖息地的群体识别方法,应用于候鸟监测管理平台,所述方法包括:
每隔第一预设时间获取目标栖息地的候鸟监测图像,并将所述候鸟监测图像分割成预设份数的小图像,任意两份相邻所述小图像均有重叠部分;
将所述小图像输入到训练好的候鸟目标识别模型中,以根据目标识别结果对所述小图像中的每个目标区域分别进行首次标记,每个所述目标区域至少包括一个候鸟目标;
获取任意相邻两份所述小图像之间的重叠区域的轮廓坐标,并根据所述重叠区域的轮廓坐标判断所述重叠区域内是否存在重复的目标区域;
若所述重叠区域内存在重复的目标区域,则将任意相邻两份所述小图像中所包含的其中一个存在重复的目标区域删除,得到删除存在重复的目标区域后的待识别图像;
将与每份所述小图像分别对应的所述待识别图像输入到训练好的候鸟细粒度识别模型中,以使所述候鸟细粒度识别模型对所述待识别图像中每个首次标记的目标区域进行识别,得到每个所述目标区域分别包括的每个候鸟目标分别对应的种类;
根据每个所述目标区域分别包括的每个候鸟目标分别对应的种类对每个所述目标区域分别包括的每个候鸟目标进行二次标记,并汇总所有所述待识别图像中的二次标记结果,得到每种候鸟种类分别对应的总数量。
综上,根据上述的监测候鸟栖息地的群体识别方法,通过对超大内存的候鸟监测图像首先进行目标区域锁定,而后再对每个目标区域进行针对性的目标种类识别,从而精确识别出每个目标区域中包含的每个候鸟目标的种类,进而精确计算出目标栖息地中每种候鸟种类的总数量。具体为,首先实时监测目标栖息地的候鸟监测图像,并将该候鸟监测图像分割成多份小图像,同时确保相邻的小图像均存在重叠,而后将小图像进行目标区域识别,再对识别出来的目标区域进行首次标记,而后判断任意的重叠区域是否存在重复的目标区域,如果存在,则只保留一个目标区域,再将经过删除重复目标区域的待识别图像输入到候鸟细粒度识别模型,进而识别出每个目标区域中包含的每个候鸟目标的种类,从而精确得到每个候鸟种类的总数量。
进一步地,所述每隔第一预设时间获取目标栖息地的候鸟监测图像,并将所述候鸟监测图像分割成预设份数的小图像,任意两份相邻所述小图像均有重叠部分的步骤包括:
获取所述候鸟监测图像的尺寸信息,并根据所述尺寸信息和第一预设间距值获取所有第一切割线的位置坐标,并根据所述第一切割线的位置坐标和第二预设值获取获取所有第二切割线的位置坐标,所述第一切割线和所述第二切割线构成多个重叠区域;
根据所有所述第一切割线的位置坐标和所有所述第二切割线的位置坐标将所述候鸟监测图像分割成多份所述小图像。
进一步地,所述将所述小图像输入到训练好的候鸟目标识别模型中,以根据目标识别结果对所述小图像中的每个目标区域分别进行首次标记,每个所述目标区域至少包括一个候鸟目标的步骤包括:
获取多份历史候鸟图像,并根据所述历史候鸟图像获取每份历史候鸟图像中包含的所有已知目标区域的位置信息;
根据所述每份历史候鸟图像中包含的所有已知目标区域的位置信息对每份历史候鸟图像进行标注,并根据标注后的历史候鸟图像对所述候鸟目标识别模型进行训练。
进一步地,所述获取任意相邻两份所述小图像之间的重叠区域的轮廓坐标,并根据所述重叠区域的轮廓坐标判断所述重叠区域内是否存在重复的目标区域的步骤包括:
获取首次标记的每个目标区域的轮廓坐标,并根据所述重叠区域的轮廓坐标和所述每个目标区域的轮廓坐标遍历所有的目标区域,以判断所述重叠区域内是否存在目标区域。
进一步地,所述将与每份所述小图像分别对应的所述待识别图像输入到训练好的候鸟细粒度识别模型中,以使所述候鸟细粒度识别模型对所述待识别图像中每个首次标记的目标区域进行识别,得到每个所述目标区域分别包括的每个候鸟目标分别对应的种类的步骤包括:
获取已知候鸟类型的候鸟图像,所述候鸟图像中的每个候鸟目标均对应一种候鸟类型,并对所述候鸟图像中的每个候鸟目标进行特征提取,得到与每个候鸟目标对应的头部特征信息、颈部特征信息、躯干特征信息以及腿部特征信息;
根据与每个候鸟目标对应的头部特征信息、颈部特征信息、躯干特征信息、腿部特征信息以及与每个候鸟目标对应的候鸟类型对所述候鸟细粒度识别模型进行训练;
训练好的候鸟细粒度识别模型根据所述头部特征信息、所述颈部特征信息、所述躯干特征信息以及所述腿部特征信息对所述待识别图像中的每个目标区域进行识别。
本发明另一方面还提供一种监测候鸟栖息地的群体识别***,所述***包括:
图像分割模块,用于每隔第一预设时间获取目标栖息地的候鸟监测图像,并将所述候鸟监测图像分割成预设份数的小图像,任意两份相邻所述小图像均有重叠部分;
首次标记模块,用于将所述小图像输入到训练好的候鸟目标识别模型中,以根据目标识别结果对所述小图像中的每个目标区域分别进行首次标记,每个所述目标区域至少包括一个候鸟目标;
重复区域检测模块,用于获取任意相邻两份所述小图像之间的重叠区域的轮廓坐标,并根据所述重叠区域的轮廓坐标判断所述重叠区域内是否存在重复的目标区域;
重复区域删除模块,用于若所述重叠区域内存在重复的目标区域,则将任意相邻两份所述小图像中所包含的其中一个存在重复的目标区域删除,得到删除存在重复的目标区域后的待识别图像;
候鸟种类识别模块,用于将与每份所述小图像分别对应的所述待识别图像输入到训练好的候鸟细粒度识别模型中,以使所述候鸟细粒度识别模型对所述待识别图像中每个首次标记的目标区域进行识别,得到每个所述目标区域分别包括的每个候鸟目标分别对应的种类;
二次标记模块,用于根据每个所述目标区域分别包括的每个候鸟目标分别对应的种类对每个所述目标区域分别包括的每个候鸟目标进行二次标记,并汇总所有所述待识别图像中的二次标记结果,得到每种候鸟种类分别对应的总数量。
进一步地,所述图像分割模块还包括:
切割线获取单元,用于获取所述候鸟监测图像的尺寸信息,并根据所述尺寸信息和第一预设间距值获取所有第一切割线的位置坐标,并根据所述第一切割线的位置坐标和第二预设值获取获取所有第二切割线的位置坐标,所述第一切割线和所述第二切割线构成多个重叠区域;
切割执行单元,用于根据所有所述第一切割线的位置坐标和所有所述第二切割线的位置坐标将所述候鸟监测图像分割成多份所述小图像。
进一步地,所述首次标记模块还包括:
历史候鸟图像获取单元,用于获取多份历史候鸟图像,并根据所述历史候鸟图像获取每份历史候鸟图像中包含的所有已知目标区域的位置信息;
历史候鸟图像标注单元,用于根据所述每份历史候鸟图像中包含的所有已知目标区域的位置信息对每份历史候鸟图像进行标注,并根据标注后的历史候鸟图像对所述候鸟目标识别模型进行训练。
进一步地,所述重复区域检测模块还包括:
轮廓坐标获取单元,用于获取首次标记的每个目标区域的轮廓坐标,并根据所述重叠区域的轮廓坐标和所述每个目标区域的轮廓坐标遍历所有的目标区域,以判断所述重叠区域内是否存在目标区域
进一步地,所述候鸟种类识别模块还包括:
特征提取单元,用于获取已知候鸟类型的候鸟图像,所述候鸟图像中的每个候鸟目标均对应一种候鸟类型,并对所述候鸟图像中的每个候鸟目标进行特征提取,得到与每个候鸟目标对应的头部特征信息、颈部特征信息、躯干特征信息以及腿部特征信息;
细粒度识别模型训练单元,用于根据与每个候鸟目标对应的头部特征信息、颈部特征信息、躯干特征信息、腿部特征信息以及与每个候鸟目标对应的候鸟类型对所述候鸟细粒度识别模型进行训练;
候鸟种类识别执行单元,用于训练好的候鸟细粒度识别模型根据所述头部特征信息、所述颈部特征信息、所述躯干特征信息以及所述腿部特征信息对所述待识别图像中的每个目标区域进行识别。
本发明另一方面还提供一种存储介质,包括所述存储介质存储一个或多个程序,该程序被执行时实现如上述的监测候鸟栖息地的群体识别方法。
本发明另一方面还提供一种计算机设备,所述计算机设备包括存储器和处理器,其中:
所述存储器用于存放计算机程序;
所述处理器用于执行所述存储器上所存放的计算机程序时,实现如上述的监测候鸟栖息地的群体识别方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实施例了解到。
附图说明
图1为本发明第一实施例提出的监测候鸟栖息地的群体识别方法的流程图;
图2为本发明第一实施例中的候鸟目标识别示意图;
图3为本发明第一实施例中的候鸟种类识别结果示意图;
图4为本发明第二实施例提出的监测候鸟栖息地的群体识别***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
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干个实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
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。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1,所示为本发明第一实施例中的监测候鸟栖息地的群体识别方法方法的流程图,该方法包括步骤S01至步骤S06,其中:
步骤S01:每隔第一预设时间获取目标栖息地的候鸟监测图像,并将所述候鸟监测图像分割成预设份数的小图像,任意两份相邻所述小图像均有重叠部分;
需要说明的是,目标栖息地一般为湖畔、湿地等候鸟容易栖息的地方,候鸟监测图像由安装在栖息地附近的摄像头拍摄得到,同时由于目标栖息地一般占地空间较大,因此拍摄得到的候鸟监测图像一般情况下是超大内存的图像,为了提高识别效率和识别精确度,首先会将候鸟监测图像分割成多份小图像,同时为了避免数据丢失以及计数重复,在分割过程中需确保每份小图像均存在重叠部分。
在本发明一些是实例中,为了实现对候鸟监测图像的分割,首先会获取所述候鸟监测图像的尺寸信息,并根据所述尺寸信息和第一预设间距值获取所有第一切割线的位置坐标,并根据所述第一切割线的位置坐标和第二预设值获取获取所有第二切割线的位置坐标,所述第一切割线和所述第二切割线构成多个重叠区域,需要说明的是,在横向和纵向均存在多条第一切割线和第二切割线,同时相邻的第一切割线和第二切割线之间的区域即为重叠部分。
而后,根据所有所述第一切割线的位置坐标和所有所述第二切割线的位置坐标将所述候鸟监测图像分割成多份所述小图像。若分割时不存在重叠部分,则容易导致数据丢失影响识别种类的准确率,同时若相同的候鸟目标被分割成两部分,不易排除掉重复的候鸟目标。
设置第一预设时间为了实时持续地监测目标栖息地,一般情况下,第一预设时间设置为一天或一周,即一天或一周监测目标栖息地一次。
步骤S02:将所述小图像输入到训练好的候鸟目标识别模型中,以根据目标识别结果对所述小图像中的每个目标区域分别进行首次标记,每个所述目标区域至少包括一个候鸟目标;
在本步骤中,为了构建训练好的候鸟目标识别模型,首先需要获取多份历史候鸟图像,并根据所述历史候鸟图像获取每份历史候鸟图像中包含的所有已知目标区域的位置信息,而后再根据所述每份历史候鸟图像中包含的所有已知目标区域的位置信息对每份历史候鸟图像进行标注,并根据标注后的历史候鸟图像对所述候鸟目标识别模型进行训练。
请参阅图2,所示为候鸟目标识别示意图,由图2可知,根据训练好的候鸟目标识别模型得以识别出的图像中所有存在候鸟目标的区域,而后再采用方形框将识别到的区域进行首次标记。
进一步地,还需说明的是,由于在实际识别过程中,可能会出现因为拍摄角度问题而导致多个紧挨着的候鸟被认定位一个候鸟目标,如此则会影响种类计数的准确率,基于此,本实施例首先采用候鸟目标识别模型精确判断出每个存在候鸟目标的目标区域,而后再对每个存在候鸟目标的目标区域进行精确种类识别,从而极大地提高了识别准确率。
步骤S03:获取任意相邻两份所述小图像之间的重叠区域的轮廓坐标,并根据所述重叠区域的轮廓坐标判断所述重叠区域内是否存在重复的目标区域;
需要说明的是,为了避免重叠部分导致计数重复,需要精准获取首次标记的每个目标区域的轮廓坐标,也就是首次标记每个标记框的轮廓坐标,并根据所述重叠区域的轮廓坐标和所述每个目标区域的轮廓坐标遍历所有的目标区域,以判断所述重叠区域内是否存在目标区域,其中重叠区域的轮廓坐标由构成该重叠区域的第一切割线和第二切割线的位置坐标得到。
步骤S04:若所述重叠区域内存在重复的目标区域,则将任意相邻两份所述小图像中所包含的其中一个存在重复的目标区域删除,得到删除存在重复的目标区域后的待识别图像;
可以理解的是,当识别到重叠区域存在重复的目标区域,则对应只保留其中一个,以免后续的种类识别过程中被重复识别。
步骤S05:将与每份所述小图像分别对应的所述待识别图像输入到训练好的候鸟细粒度识别模型中,以使所述候鸟细粒度识别模型对所述待识别图像中每个首次标记的目标区域进行识别,得到每个所述目标区域分别包括的每个候鸟目标分别对应的种类;
需要说明的是,为了精确识别待识别图像中的每个候鸟目标的种类,获取已知候鸟类型的候鸟图像,所述候鸟图像中的每个候鸟目标均对应一种候鸟类型,并对所述候鸟图像中的每个候鸟目标进行特征提取,得到与每个候鸟目标对应的头部特征信息、颈部特征信息、躯干特征信息以及腿部特征信息;
根据与每个候鸟目标对应的头部特征信息、颈部特征信息、躯干特征信息、腿部特征信息以及与每个候鸟目标对应的候鸟类型对所述候鸟细粒度识别模型进行训练;通过将候鸟的头部特征信息、颈部特征信息、躯干特征信息以及腿部特征信息均融入种类识别中,可以极大地提高候鸟的种类识别准确率。
最后再利用训练好的候鸟细粒度识别模型根据所述头部特征信息、所述颈部特征信息、所述躯干特征信息以及所述腿部特征信息对所述待识别图像中的每个目标区域进行识别。
步骤S06:根据每个所述目标区域分别包括的每个候鸟目标分别对应的种类对每个所述目标区域分别包括的每个候鸟目标进行二次标记,并汇总所有所述待识别图像中的二次标记结果,得到每种候鸟种类分别对应的总数量。
需要指出的是,在本步骤中,请参阅图3,所示为候鸟种类识别结果示意图,由于二次标记的对象为每个候鸟目标,标记结果为识别出的每个候鸟目标的候鸟种类,因此只需汇总所有的二次标记框以及二次标记框所对应的候鸟种类,即可得到每种候鸟种类的总数量。
综上,根据上述的监测候鸟栖息地的群体识别方法,通过对超大内存的候鸟监测图像首先进行目标区域锁定,而后再对每个目标区域进行针对性的目标种类识别,从而精确识别出每个目标区域中包含的每个候鸟目标的种类,进而精确计算出目标栖息地中每种候鸟种类的总数量。具体为,首先实时监测目标栖息地的候鸟监测图像,并将该候鸟监测图像分割成多份小图像,同时确保相邻的小图像均存在重叠,而后将小图像进行目标区域识别,再对识别出来的目标区域进行首次标记,而后判断任意的重叠区域是否存在重复的目标区域,如果存在,则只保留一个目标区域,再将经过删除重复目标区域的待识别图像输入到候鸟细粒度识别模型,进而识别出每个目标区域中包含的每个候鸟目标的种类,从而精确得到每个候鸟种类的总数量。
请参阅图4,所示为本发明第二实施例中的一种监测候鸟栖息地的群体识别***的结构示意图,该***包括:
图像分割模块10,用于每隔第一预设时间获取目标栖息地的候鸟监测图像,并将所述候鸟监测图像分割成预设份数的小图像,任意两份相邻所述小图像均有重叠部分;
进一步地,所述图像分割模块10还包括:
切割线获取单元,用于获取所述候鸟监测图像的尺寸信息,并根据所述尺寸信息和第一预设间距值获取所有第一切割线的位置坐标,并根据所述第一切割线的位置坐标和第二预设值获取获取所有第二切割线的位置坐标,所述第一切割线和所述第二切割线构成多个重叠区域;
切割执行单元,用于根据所有所述第一切割线的位置坐标和所有所述第二切割线的位置坐标将所述候鸟监测图像分割成多份所述小图像。
首次标记模块20,用于将所述小图像输入到训练好的候鸟目标识别模型中,以根据目标识别结果对所述小图像中的每个目标区域分别进行首次标记,每个所述目标区域至少包括一个候鸟目标;
进一步地,所述首次标记模块20还包括:
历史候鸟图像获取单元,用于获取多份历史候鸟图像,并根据所述历史候鸟图像获取每份历史候鸟图像中包含的所有已知目标区域的位置信息;
历史候鸟图像标注单元,用于根据所述每份历史候鸟图像中包含的所有已知目标区域的位置信息对每份历史候鸟图像进行标注,并根据标注后的历史候鸟图像对所述候鸟目标识别模型进行训练。
重复区域检测模块30,用于获取任意相邻两份所述小图像之间的重叠区域的轮廓坐标,并根据所述重叠区域的轮廓坐标判断所述重叠区域内是否存在重复的目标区域;
进一步地,所述重复区域检测模块30还包括:
轮廓坐标获取单元,用于获取首次标记的每个目标区域的轮廓坐标,并根据所述重叠区域的轮廓坐标和所述每个目标区域的轮廓坐标遍历所有的目标区域,以判断所述重叠区域内是否存在目标区域。
重复区域删除模块40,用于若所述重叠区域内存在重复的目标区域,则将任意相邻两份所述小图像中所包含的其中一个存在重复的目标区域删除,得到删除存在重复的目标区域后的待识别图像;
候鸟种类识别模块50,用于将与每份所述小图像分别对应的所述待识别图像输入到训练好的候鸟细粒度识别模型中,以使所述候鸟细粒度识别模型对所述待识别图像中每个首次标记的目标区域进行识别,得到每个所述目标区域分别包括的每个候鸟目标分别对应的种类;
进一步地,所述候鸟种类识别模块50还包括:
特征提取单元,用于获取已知候鸟类型的候鸟图像,所述候鸟图像中的每个候鸟目标均对应一种候鸟类型,并对所述候鸟图像中的每个候鸟目标进行特征提取,得到与每个候鸟目标对应的头部特征信息、颈部特征信息、躯干特征信息以及腿部特征信息;
细粒度识别模型训练单元,用于根据与每个候鸟目标对应的头部特征信息、颈部特征信息、躯干特征信息、腿部特征信息以及与每个候鸟目标对应的候鸟类型对所述候鸟细粒度识别模型进行训练;
候鸟种类识别执行单元,用于训练好的候鸟细粒度识别模型根据所述头部特征信息、所述颈部特征信息、所述躯干特征信息以及所述腿部特征信息对所述待识别图像中的每个目标区域进行识别。
二次标记模块60,用于根据每个所述目标区域分别包括的每个候鸟目标分别对应的种类对每个所述目标区域分别包括的每个候鸟目标进行二次标记,并汇总所有所述待识别图像中的二次标记结果,得到每种候鸟种类分别对应的总数量。
本发明另一方面还提出存储介质,其上存储有一个或多个程序,该程序给处理器执行时实现上述的监测候鸟栖息地的群体识别方法。
本发明另一方面还提出一种计算机设备,包括存储器和处理器,其中存储器用于存放计算机程序,处理器用于执行存储器上所存放的计算机程序,以实现上述的监测候鸟栖息地的群体识别方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (10)
1.一种监测候鸟栖息地的群体识别方法,应用于候鸟监测管理平台,其特征在于,所述方法包括:
每隔第一预设时间获取目标栖息地的候鸟监测图像,并将所述候鸟监测图像分割成预设份数的小图像,任意两份相邻所述小图像均有重叠部分;
将所述小图像输入到训练好的候鸟目标识别模型中,以根据目标识别结果对所述小图像中的每个目标区域分别进行首次标记,每个所述目标区域至少包括一个候鸟目标;
获取任意相邻两份所述小图像之间的重叠区域的轮廓坐标,并根据所述重叠区域的轮廓坐标判断所述重叠区域内是否存在重复的目标区域;
若所述重叠区域内存在重复的目标区域,则将任意相邻两份所述小图像中所包含的其中一个存在重复的目标区域删除,得到删除存在重复的目标区域后的待识别图像;
将与每份所述小图像分别对应的所述待识别图像输入到训练好的候鸟细粒度识别模型中,以使所述候鸟细粒度识别模型对所述待识别图像中每个首次标记的目标区域进行识别,得到每个所述目标区域分别包括的每个候鸟目标分别对应的种类;
根据每个所述目标区域分别包括的每个候鸟目标分别对应的种类对每个所述目标区域分别包括的每个候鸟目标进行二次标记,并汇总所有所述待识别图像中的二次标记结果,得到每种候鸟种类分别对应的总数量。
2.根据权利要求1所述的监测候鸟栖息地的群体识别方法,其特征在于,所述每隔第一预设时间获取目标栖息地的候鸟监测图像,并将所述候鸟监测图像分割成预设份数的小图像,任意两份相邻所述小图像均有重叠部分的步骤包括:
获取所述候鸟监测图像的尺寸信息,并根据所述尺寸信息和第一预设间距值获取所有第一切割线的位置坐标,并根据所述第一切割线的位置坐标和第二预设值获取获取所有第二切割线的位置坐标,所述第一切割线和所述第二切割线构成多个重叠区域;
根据所有所述第一切割线的位置坐标和所有所述第二切割线的位置坐标将所述候鸟监测图像分割成多份所述小图像。
3.根据权利要求1所述的监测候鸟栖息地的群体识别方法,其特征在于,所述将所述小图像输入到训练好的候鸟目标识别模型中,以根据目标识别结果对所述小图像中的每个目标区域分别进行首次标记,每个所述目标区域至少包括一个候鸟目标的步骤包括:
获取多份历史候鸟图像,并根据所述历史候鸟图像获取每份历史候鸟图像中包含的所有已知目标区域的位置信息;
根据所述每份历史候鸟图像中包含的所有已知目标区域的位置信息对每份历史候鸟图像进行标注,并根据标注后的历史候鸟图像对所述候鸟目标识别模型进行训练。
4.根据权利要求2所述的监测候鸟栖息地的群体识别方法,其特征在于,所述获取任意相邻两份所述小图像之间的重叠区域的轮廓坐标,并根据所述重叠区域的轮廓坐标判断所述重叠区域内是否存在重复的目标区域的步骤包括:
获取首次标记的每个目标区域的轮廓坐标,并根据所述重叠区域的轮廓坐标和所述每个目标区域的轮廓坐标遍历所有的目标区域,以判断所述重叠区域内是否存在目标区域。
5.根据权利要求1所述的监测候鸟栖息地的群体识别方法,其特征在于,所述将与每份所述小图像分别对应的所述待识别图像输入到训练好的候鸟细粒度识别模型中,以使所述候鸟细粒度识别模型对所述待识别图像中每个首次标记的目标区域进行识别,得到每个所述目标区域分别包括的每个候鸟目标分别对应的种类的步骤包括:
获取已知候鸟类型的候鸟图像,所述候鸟图像中的每个候鸟目标均对应一种候鸟类型,并对所述候鸟图像中的每个候鸟目标进行特征提取,得到与每个候鸟目标对应的头部特征信息、颈部特征信息、躯干特征信息以及腿部特征信息;
根据与每个候鸟目标对应的头部特征信息、颈部特征信息、躯干特征信息、腿部特征信息以及与每个候鸟目标对应的候鸟类型对所述候鸟细粒度识别模型进行训练;
训练好的候鸟细粒度识别模型根据所述头部特征信息、所述颈部特征信息、所述躯干特征信息以及所述腿部特征信息对所述待识别图像中的每个目标区域进行识别。
6.一种监测候鸟栖息地的群体识别***,其特征在于,所述***包括:
图像分割模块,用于每隔第一预设时间获取目标栖息地的候鸟监测图像,并将所述候鸟监测图像分割成预设份数的小图像,任意两份相邻所述小图像均有重叠部分;
首次标记模块,用于将所述小图像输入到训练好的候鸟目标识别模型中,以根据目标识别结果对所述小图像中的每个目标区域分别进行首次标记,每个所述目标区域至少包括一个候鸟目标;
重复区域检测模块,用于获取任意相邻两份所述小图像之间的重叠区域的轮廓坐标,并根据所述重叠区域的轮廓坐标判断所述重叠区域内是否存在重复的目标区域;
重复区域删除模块,用于若所述重叠区域内存在重复的目标区域,则将任意相邻两份所述小图像中所包含的其中一个存在重复的目标区域删除,得到删除存在重复的目标区域后的待识别图像;
候鸟种类识别模块,用于将与每份所述小图像分别对应的所述待识别图像输入到训练好的候鸟细粒度识别模型中,以使所述候鸟细粒度识别模型对所述待识别图像中每个首次标记的目标区域进行识别,得到每个所述目标区域分别包括的每个候鸟目标分别对应的种类;
二次标记模块,用于根据每个所述目标区域分别包括的每个候鸟目标分别对应的种类对每个所述目标区域分别包括的每个候鸟目标进行二次标记,并汇总所有所述待识别图像中的二次标记结果,得到每种候鸟种类分别对应的总数量。
7.根据权利要求6所述的监测候鸟栖息地的群体识别***,其特征在于,所述图像分割模块还包括:
切割线获取单元,用于获取所述候鸟监测图像的尺寸信息,并根据所述尺寸信息和第一预设间距值获取所有第一切割线的位置坐标,并根据所述第一切割线的位置坐标和第二预设值获取获取所有第二切割线的位置坐标,所述第一切割线和所述第二切割线构成多个重叠区域;
切割执行单元,用于根据所有所述第一切割线的位置坐标和所有所述第二切割线的位置坐标将所述候鸟监测图像分割成多份所述小图像。
8.根据权利要求6所述的监测候鸟栖息地的群体识别***,其特征在于,所述首次标记模块还包括:
历史候鸟图像获取单元,用于获取多份历史候鸟图像,并根据所述历史候鸟图像获取每份历史候鸟图像中包含的所有已知目标区域的位置信息;
历史候鸟图像标注单元,用于根据所述每份历史候鸟图像中包含的所有已知目标区域的位置信息对每份历史候鸟图像进行标注,并根据标注后的历史候鸟图像对所述候鸟目标识别模型进行训练。
9.根据权利要求7所述的监测候鸟栖息地的群体识别***,其特征在于,所述重复区域检测模块还包括:
轮廓坐标获取单元,用于获取首次标记的每个目标区域的轮廓坐标,并根据所述重叠区域的轮廓坐标和所述每个目标区域的轮廓坐标遍历所有的目标区域,以判断所述重叠区域内是否存在目标区域。
10.根据权利要求6所述的监测候鸟栖息地的群体识别***,其特征在于,所述候鸟种类识别模块还包括:
特征提取单元,用于获取已知候鸟类型的候鸟图像,所述候鸟图像中的每个候鸟目标均对应一种候鸟类型,并对所述候鸟图像中的每个候鸟目标进行特征提取,得到与每个候鸟目标对应的头部特征信息、颈部特征信息、躯干特征信息以及腿部特征信息;
细粒度识别模型训练单元,用于根据与每个候鸟目标对应的头部特征信息、颈部特征信息、躯干特征信息、腿部特征信息以及与每个候鸟目标对应的候鸟类型对所述候鸟细粒度识别模型进行训练;
候鸟种类识别执行单元,用于训练好的候鸟细粒度识别模型根据所述头部特征信息、所述颈部特征信息、所述躯干特征信息以及所述腿部特征信息对所述待识别图像中的每个目标区域进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310830942.1A CN116740646A (zh) | 2023-07-07 | 2023-07-07 | 监测候鸟栖息地的群体识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310830942.1A CN116740646A (zh) | 2023-07-07 | 2023-07-07 | 监测候鸟栖息地的群体识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116740646A true CN116740646A (zh) | 2023-09-12 |
Family
ID=87913376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310830942.1A Pending CN116740646A (zh) | 2023-07-07 | 2023-07-07 | 监测候鸟栖息地的群体识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740646A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611885A (zh) * | 2023-11-17 | 2024-02-27 | 贵州省生物研究所 | 一种基于Canny边缘检测的候鸟生态调控方法 |
-
2023
- 2023-07-07 CN CN202310830942.1A patent/CN116740646A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611885A (zh) * | 2023-11-17 | 2024-02-27 | 贵州省生物研究所 | 一种基于Canny边缘检测的候鸟生态调控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109801260B (zh) | 牲畜个数的识别方法、装置、控制装置及可读存储介质 | |
CN106373426B (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN105144239B (zh) | 图像处理装置、图像处理方法 | |
EP3739513A1 (en) | Surface defect identification method and apparatus | |
CN110705405B (zh) | 目标标注的方法及装置 | |
CN109871730A (zh) | 一种目标识别方法、装置及监控设备 | |
EP3617938B1 (en) | Lane line processing method and device | |
CN109377694A (zh) | 社区车辆的监控方法及*** | |
US20230177796A1 (en) | Methods and systems for video processing | |
CN116740646A (zh) | 监测候鸟栖息地的群体识别方法及*** | |
CN109325492B (zh) | 字符切割方法、装置、计算机设备及存储介质 | |
CN110956100A (zh) | 一种高精度地图生成方法、装置、电子设备和存储介质 | |
CN111161265A (zh) | 一种动物计数、图像处理方法和装置 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN115830025B (zh) | 白细胞分类计数方法、***、存储介质及计算机设备 | |
CN111126460A (zh) | 基于人工智能的路面病害自动巡检方法、介质、设备及装置 | |
CN112001406A (zh) | 一种文本区域检测方法及装置 | |
CN113095441A (zh) | 一种猪群扎堆检测方法、装置、设备及可读存储介质 | |
CN112541372A (zh) | 一种困难样本筛选方法及装置 | |
CN115830399B (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN111199087A (zh) | 场景识别方法和装置 | |
CN116863711B (zh) | 基于公路监控的车道流量检测方法、装置、设备及介质 | |
CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 | |
CN116912881A (zh) | 一种动物物种识别方法、计算机设备以及识别*** | |
CN110555344B (zh) | 车道线识别方法、装置、电子设备、存储介质 |
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 |