基于CornerNet算法的生态生物识别方法技术

本发明专利技术公开了基于CornerNet算法的生态生物识别方法，包括如下步骤：收集生态生物特征，将收集的生态特征进行分类，并建立生态特征数据库；发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像；对采集的生物图像进行整理，将整理后的原始图像进行存储；通过CornerNet算法对整理后的原始生物图像进行目标检测；将检测后的生物图像特征与生态特征数据库中的特征数据进行对比识别。本发明专利技术通过设置CornerNet算法，能够通过检测目标框的左上角和右下角两个关键点得到预测框，整个检测网络的训练是从头开始的，不基于预训练的分类模型，使得用户能够自由设计特征提取网络，不用受预训练模型的限制，提高了生物识别率。提高了生物识别率。提高了生物识别率。

Ecological biometric method based on cornernet algorithm

【技术实现步骤摘要】
基于CornerNet算法的生态生物识别方法


[0001]本专利技术涉及生物识别
，尤其涉及基于CornerNet算法的生态生物识别方法。

技术介绍

[0002]水生物是判断河水是否受到污染的有效参照物。河水中不同化学物质的分布和浓度，将决定河中水生物的类型构成。一些水生物在某种河流条件下可以繁殖很快，在另一环境下则可能死亡，这是由河水中的不同成分决定的。因此，只要分析河流中水生物的类型构成，就可对某一河段中存在什么样的化学物质做出判断。然而，现有的生物识别目标检测比较繁琐，目标的识别率较差，生物目标识别精度不高。

技术实现思路

[0003]基于
技术介绍
存在的技术问题，本专利技术提出了基于CornerNet算法的生态生物识别方法。
[0004]本专利技术提出的基于CornerNet算法的生态生物识别方法，包括如下步骤：
[0005]S1收集生态生物特征，将收集的生态特征进行分类，并建立生态特征数据库；
[0006]S2发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像；
[0007]S3对采集的生物图像进行整理，将整理后的原始图像进行存储；
[0008]S4通过CornerNet算法对整理后的原始生物图像进行目标检测；
[0009]S41首先1个7
×
7的卷积层将输入的原始生物图像尺寸缩小为原来的1/4；
[0010]S42然后经过特征提取网络提取特征，该网络采用hourglass network，该网络通过串联多个hourglass module组成，每个hourglass module都是先通过一系列的降采样操作缩小输入图像的大小，然后通过上采样恢复到输入图像大小；
[0011]S43 hourglass module后会有两个输出分支模块，分别表示左上角点预测分支和右下角点预测分支，每个分支模块包含一个corner pooling层和3个输出：heatmaps、embeddings和offsets；
[0012]S5将检测后的生物图像特征与生态特征数据库中的特征数据进行对比识别。
[0013]优选的，所述heatmaps是输出预测角点信息，可以用维度为CHW的特征图表示，其中C表示目标的类别，该特征图的每个通道都是一个mask，mask的每个值表示该点是角点的分数。
[0014]优选的，所述embeddings用来对预测的corner点做group，找到属于同一个目标的左上角角点和右下角角点。
[0015]优选的，所述offsets用来对预测框做微调，从输入图像中的点映射到特征图时有量化误差，offsets用来输出这些误差信息。
[0016]优选的，所述特征提取网络为backbone network。
[0017]优选的，所述步骤S2采集生物图像通过对像进行降维处理，降维处理有效去除冗
余信息，提取有用特征。
[0018]优选的，所述步骤S3生物图像进行降噪处理，并调节水流图像的图像质量。
[0019]优选的，所述步骤S5将识别成功结果进行提示信息并展示，且生物图像特征存储至生态特征数据库中。
[0020]本专利技术中，所述基于CornerNet算法的生态生物识别方法，通过设置CornerNet算法，能够通过检测目标框的左上角和右下角两个关键点得到预测框，整个检测网络的训练是从头开始的，不基于预训练的分类模型，使得用户能够自由设计特征提取网络，不用受预训练模型的限制，提高了生物识别率。
附图说明
[0021]图1为本专利技术提出的基于CornerNet算法的生态生物识别方法的流程图；
[0022]图2为本专利技术提出的基于CornerNet算法的生态生物识别方法的目标检测流程图。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。
[0024]参照图1
‑
2，基于CornerNet算法的生态生物识别方法，包括如下步骤：
[0025]S1收集生态生物特征，将收集的生态特征进行分类，并建立生态特征数据库；
[0026]S2发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像；
[0027]S3对采集的生物图像进行整理，将整理后的原始图像进行存储；
[0028]S4通过CornerNet算法对整理后的原始生物图像进行目标检测；
[0029]S41首先1个7
×
7的卷积层将输入的原始生物图像尺寸缩小为原来的1/4；
[0030]S42然后经过特征提取网络提取特征，该网络采用hourglass network，该网络通过串联多个hourglass module组成，每个hourglass module都是先通过一系列的降采样操作缩小输入图像的大小，然后通过上采样恢复到输入图像大小；
[0031]S43 hourglass module后会有两个输出分支模块，分别表示左上角点预测分支和右下角点预测分支，每个分支模块包含一个corner pooling层和3个输出：heatmaps、embeddings和offsets；
[0032]S5将检测后的生物图像特征与生态特征数据库中的特征数据进行对比识别。
[0033]本专利技术中，heatmaps是输出预测角点信息，可以用维度为CHW的特征图表示，其中C表示目标的类别，该特征图的每个通道都是一个mask，mask的每个值表示该点是角点的分数。
[0034]本专利技术中，embeddings用来对预测的corner点做group，找到属于同一个目标的左上角角点和右下角角点。
[0035]本专利技术中，offsets用来对预测框做微调，从输入图像中的点映射到特征图时有量化误差，offsets用来输出这些误差信息。
[0036]本专利技术中，特征提取网络为backbone network。
[0037]本专利技术中，步骤S2采集生物图像通过对像进行降维处理，降维处理有效去除冗余信息，提取有用特征。
[0038]本专利技术中，步骤S3生物图像进行降噪处理，并调节水流图像的图像质量。
[0039]本专利技术中，步骤S5将识别成功结果进行提示信息并展示，且生物图像特征存储至生态特征数据库中。
[0040]本专利技术：收集生态生物特征，将收集的生态特征进行分类，并建立生态特征数据库；发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像；对采集的生物图像进行整理，将整理后的原始图像进行存储；通过CornerNet算法对整理后的原始生物图像进行目标检测；首先1个7
×
7的卷积层将输入的原始生物图像尺寸缩小为原来的1/4；然后经过特征提取网络提取特征，该网络采用hourglass network，该网络通过串联多个hou本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CornerNet算法的生态生物识别方法，其特征在于，包括如下步骤：S1收集生态生物特征，将收集的生态特征进行分类，并建立生态特征数据库；S2发起生态生物识别请求，根据请求在生态环境中通过采集器采集生物图像；S3对采集的生物图像进行整理，将整理后的原始图像进行存储；S4通过CornerNet算法对整理后的原始生物图像进行目标检测；S41首先1个7
×
7的卷积层将输入的原始生物图像尺寸缩小为原来的1/4；S42然后经过特征提取网络提取特征，该网络采用hourglass network，该网络通过串联多个hourglass module组成，每个hourglass module都是先通过一系列的降采样操作缩小输入图像的大小，然后通过上采样恢复到输入图像大小；S43 hourglass module后会有两个输出分支模块，分别表示左上角点预测分支和右下角点预测分支，每个分支模块包含一个corner pooling层和3个输出：heatmaps、embeddings和offsets；S5将检测后的生物图像特征与生态特征数据库中的特征数据进行对比识别。2.根据权利要求1所述的基于CornerNet算法的生态生物识别方法，其特征在于，所述heatmaps是输出预测角点信息，可以用维度为C...

【专利技术属性】
技术研发人员：杨志峰，沈永明，张远，蔡宴朋，
申请(专利权)人：澜途集思生态科技集团有限公司，
类型：发明
国别省市：