一种基于深度学习的动物图像识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的动物图像识别方法及系统，通过获取待识别的动物连续图像，计算图像前后帧差分值大小进而调整前后帧距离，利用灰度处理和经验容差处理获得第二差分图，将原图像与第二差分图混合获得用以深度学习识别的目标图，对目标图进行识别预测，缩小目标图到指定大小进行重复识别预测，对获得的所有预测值进行筛选保留。相比于传统动物识别采用的使用拍摄原图进行动物识别训练与预测，本发明专利技术采用目标图进行训练预测，排除背景干扰，强化动物图特征，提高了识别精度与效率。旨在解决现有技术中存在的缺乏一种高精度与高效率的基于图像分析的动物园区内的动物识别方法的技术问题。识别方法的技术问题。识别方法的技术问题。

【技术实现步骤摘要】
一种基于深度学习的动物图像识别方法及系统


[0001]本专利技术涉及动物智能识别
，尤其涉及一种基于深度学习的动物图像识别方法及系统。

技术介绍

[0002]动物园是搜集饲养各种动物，进行科学研究和迁地保护，供公众观赏并进行科学普及和宣传保护教育的场所。动物园有两个基本特点：一是饲养管理着野生动物，二是向公众开放。符合这两个基本特点的场所即是广义上的动物园，包括水族馆、专类动物园等类型。动物园的基本功能是对野生动物的综合保护和对公众的保护教育。
[0003]在动物园区内，往往需要对动物的活动区域与途径进行追踪来对动物的身体状态进行诊断分析，而现有的动物追踪方法是对获取的庞大的监控视频进行人工查询，在大量的视频中分析动物出现的区域范围，进而根据时间线获得动物活动途径，工作量庞大，同时根据时间线整理分析出的区域范围的工作繁琐，易出错；另外，在兽笼的门锁处以及动物园区的门禁处，必须有人值守来判断工作人员或游客的进出是否有动物跟随，人工成本高，在长时间工作情况下，判断效率与精度得不到保障。如何，实现提供一种高精度与高效率的基于图像分析的动物园区内的动物识别方法是一个亟需解决的技术问题。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0005]本专利技术的主要目的在于提供一种基于深度学习的动物图像识别方法及系统，旨在解决现有技术中存在的缺乏一种高精度与高效率的基于图像分析的动物园区内的动物识别方法的技术问题。
[0006]为实现上述目的，本专利技术的第一方面，提供一种基于深度学习的动物图像识别方法，所述动物识别方法包括如下步骤：
[0007]获取待识别的动物连续图像；
[0008]通过计算图像前后帧差分值大小调整前后帧距离，区分动物图像中背景部分和前景部分；
[0009]利用灰度处理计算的前后帧差分值大小获得第一差分图，对第一差分图进行二值化处理；利用经验容差处理获得第二差分图，将原图像与第二差分图混合获得用以深度学习识别的目标图；
[0010]将目标图划分为S
×
S的网格，预测每个网格的M个条件类别概率P(Class[i]|Object)和N个bounding box和置信度；将获得的条件类别概率与bounding box置信度相乘，得到每个 bounding box属于特定类别的confidence score，并预测获得最终预测值；
[0011]缩小目标图到指定大小，重复上述对目标图进行预测过程，对获得的所有预测值进行筛选保留。
[0012]优选的，一种基于深度学习的动物图像识别方法，所述获取待识别的动物连续图像通过调取或导入监控视频，对监控视频中动物出现的连续画面帧进行提取。
[0013]优选的，一种基于深度学习的动物图像识别方法，所述调整前后帧距离具体为：根据计算的前后帧差分值大小进行动态调整，将差分值大于预设值的前后帧间距离缩小，将差分值小于预设值的前后帧间距离扩大。
[0014]优选的，一种基于深度学习的动物图像识别方法，所述第一差分图为前后帧计算所得的差分值表达的灰度图，所述灰度图中将相同部分置0，完全不同部分置255。
[0015]优选的，一种基于深度学习的动物图像识别方法，所述第二差分图为对第一差分图进行二值化处理后的经验容差值差分图，所述经验容差值差分图将图中小于预设容差值部分置0，大于预设容差值部分置1。
[0016]优选的，一种基于深度学习的动物图像识别方法，所述目标图的构造方法为：原图与第二差分图混合，第二差分图为1的部分对应的原图RGB值不变，将第二差分图为0的部分对应的原图RGB值置(0,0,0)。
[0017]优选的，一种基于深度学习的动物图像识别方法，所述S
×
S的网格中，每个网格负责预测目标中心落在其中的目标，若目标中心落在多个网格边界，通过非极大值抑制算法筛选获得对应网格来进行预测。
[0018]优选的，一种基于深度学习的动物图像识别方法，所述置信度表示为：优选的，一种基于深度学习的动物图像识别方法，所述置信度表示为：若包含目标，则confidence＝0，如果含有目标，则
[0019]优选的，一种基于深度学习的动物图像识别方法，所述每个bounding box包括5个预测值：x,y,w,h及置信度；其中：x,y表示bounding box中心坐标，w,h为bounding box大小。
[0020]本专利技术的第二方面，提供一种基于深度学习的动物图像识别系统，所述的动物图像识别系统包括如下单元：
[0021]图像获取单元：获取待识别的动物连续图像；
[0022]前后帧调整单元：通过计算图像前后帧差分值大小调整前后帧距离，区分动物图像中背景部分和前景部分；
[0023]目标图获取单元：利用灰度处理计算的前后帧差分值大小获得第一差分图，对第一差分图进行二值化处理；利用经验容差处理获得第二差分图，将原图像与第二差分图混合获得用以深度学习识别的目标图；
[0024]目标图训练与预测单元：将目标图划分为S
×
S的网格，预测每个网格的M个条件类别概率P(Class[i]|Object)和N个bounding box和置信度；将获得的条件类别概率与bounding box 置信度相乘，得到每个bounding box属于特定类别的confidence score，并预测获得最终预测值；
[0025]目标图重复预测单元：缩小目标图到指定大小，重复上述对目标图进行预测过程，对获得的所有预测值进行筛选保留。
[0026]本专利技术中，通过获取待识别的动物连续图像，计算图像前后帧差分值大小进而调整前后帧距离，利用灰度处理和经验容差处理获得第二差分图，将原图像与第二差分图混合获得用以深度学习识别的目标图，对目标图进行识别预测，缩小目标图到指定大小进行
重复识别预测，对获得的所有预测值进行筛选保留。相比于传统动物识别采用的使用拍摄原图进行动物识别训练与预测，本专利技术采用目标图进行训练预测，排除背景干扰，强化动物图特征，提高了识别精度与效率。旨在解决现有技术中存在的缺乏一种高精度与高效率的基于图像分析的动物园区内的动物识别方法的技术问题。
附图说明
[0027]为了更清楚地说明本专利技术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专利技术的一些实施例，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，还可以根据这些附图示出的结构获得其他的附图。
[0028]图1为本专利技术提出的一种基于深度学习的动物图像识别方法的流程步骤示意图。图2为本专利技术提出的一种基于深度学习的动物图像识别系统的结构原理示意图。
[0029]本专利技术目的的实现、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
[0030]应当理解，此处所描述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的动物图像识别方法，其特征在于，所述动物识别方法包括如下步骤：获取待识别的动物连续图像；通过计算图像前后帧差分值大小调整前后帧距离，区分动物图像中背景部分和前景部分；利用灰度处理计算的前后帧差分值大小获得第一差分图，对第一差分图进行二值化处理；利用经验容差处理获得第二差分图，将原图像与第二差分图混合获得用以深度学习识别的目标图；将目标图划分为S
×
S的网格，预测每个网格的M个条件类别概率P(Class[i]|Object)和N个bounding box和置信度；将获得的条件类别概率与bounding box置信度相乘，得到每个bounding box属于特定类别的confidence score，并预测获得最终预测值；缩小目标图到指定大小，重复上述对目标图进行预测过程，对获得的所有预测值进行筛选保留。2.如权利要求1所述的一种基于深度学习的动物图像识别方法，其特征在于，所述获取待识别的动物连续图像通过调取或导入监控视频，对监控视频中动物出现的连续画面帧进行提取。3.如权利要求1所述的一种基于深度学习的动物图像识别方法，其特征在于，所述调整前后帧距离具体为：根据计算的前后帧差分值大小进行动态调整，将差分值大于预设值的前后帧间距离缩小，将差分值小于预设值的前后帧间距离扩大。4.如权利要求1所述的一种基于深度学习的动物图像识别方法，其特征在于，所述第一差分图为前后帧计算所得的差分值表达的灰度图，所述灰度图中将相同部分置0，完全不同部分置255。5.如权利要求4所述的一种基于深度学习的动物图像识别方法，其特征在于，所述第二差分图为对第一差分图进行二值化处理后的经验容差值差分图，所述经验容差值差分图将图中小于预设容差值部分置0，大于预设容差值部分置1。6.如权利要求5所述的一种基于深度学习的动物图像识别方法，其特征在于，所述目标图的构造方法为：原...

【专利技术属性】
技术研发人员：王楠，黄祺，程川，
申请(专利权)人：成都摘果子科技有限公司，
类型：发明
国别省市：