[發(fā)明專利]基于多預置點的深度鳥類識別算法

有效

• 申請?zhí)枺?/td>: 201910327366.2
• 申請日: 2019-04-23
• 公開（公告）號: CN110059641B
• 公開（公告）日: 2023-02-03
• 發(fā)明（設計）人: 唐燦;曹曉莉;唐亮貴
• 申請（專利權）人: 重慶工商大學
• 主分類號: G06V20/60
• 分類號: G06V20/60;G06N3/006;G06N20/00
• 代理公司: 重慶為信知識產(chǎn)權代理事務所(普通合伙) 50216
• 代理人: 余錦曦

1.一種基于多預置點的深度鳥類識別算法，用于鳥類識別系統(tǒng)，所述鳥類識別系統(tǒng)包括至少兩個可編程的攝像頭，攝像頭連接有AI服務器，其特征在于，包括如下步驟：

步驟A：為每一個攝像頭建立預置點；預置點設置有對應的時間點；預置點對應的視界不相交；

步驟B：處理所有攝像頭的預置點以及視界，如果兩個攝像頭的預置點在同一時間點的視界相交，刪除其中一個攝像頭的相交的視界及其對應的預置點；

步驟C：根據(jù)步驟B處理后的攝像頭的預置點、時間點和視界，啟動攝像頭運行到預置點拍攝鳥類照片；

步驟D：采用深度識別算法識別鳥類照片中鳥類的種群及其對應數(shù)量；

步驟E：對深度識別算法獲取的鳥類的種群及其數(shù)量進行統(tǒng)計；

所述步驟A包括：

步驟A1：建立攝像頭組成的攝像頭集合，攝像頭集合用C表示，C＝(C1,C2,…,Ci,…Cn)，i＝1～n，其中Ci表示攝像頭集合C中的第i個攝像頭；

建立對應的預置點總集合，預置點總集合用P表示，P＝(P_C1,P_C2,…,P_Ci,…P_Cn)；其中P_Ci表示攝像頭Ci對應的預置點分集合；

建立對應的時間點總集合，時間點總集合用T₀表示，T₀＝(T_C1,T_C2,…,T_Ci,…T_Cn)，其中T_Ci表示攝像頭C_i對應的時間點分集合；

建立對應的視界總集合，視界總集合用V表示，V＝(V_C1,V_C2,…,V_Ci,…V_Cn)，其中V_Ci表示攝像頭Ci對應的視界分集合；

步驟A2：按如下方法為攝像頭Ci設置預置點及預置點對應的視界；

為攝像頭Ci設置a個預置點，用P_Citm表示其中的一個預置點，用t_m表示預置點P_Citm對應的時間點，1≤m≤a，用V_Citm表示預置點P_Citm對應的視界；攝像頭Ci的所有預置點P_Citm的視界V_Citm互不相交；將預置點P_Citm存入該攝像頭Ci對應的預置點分集合P_Ci中，將視界V_Citm存入該攝像頭Ci對應的視界分集合V_Ci；將時間點tm存入該攝像頭C_i對應的時間點分集合T_Ci中；

所述步驟B包括：

步驟B1:將時間點總集合T₀中的時間點排序，去掉重復的時間點；得到時間點新集合，時間點新集合用T表示，T＝(T₁,T₂,…,Tp,…Ts)；Tp表示時間點新集合T中的其中一個時間點；p＝1～s；Ts表示時間點新集合T中的第s個時間點；時間點新集合T中共有s個時間點；

步驟B2:按如下方法處理視界總集合V和預置點總集合P，依次從時間點新集合T中取出時間點T_p，依次獲取攝像頭Ci，i＝1～n；再獲取攝像頭Cj；攝像頭Cj表示攝像頭集合C中的第j個攝像頭，j＝1～n且j≠i；分別查找攝像頭Ci和攝像頭Cj在時間點T_p的視界V_CiTp和視界V_CjTp；如果視界V_CiTp和視界V_CjTp都存在且有相交，則刪除視界V_CjTp,并刪除其對應的預置點P_CjTp；

所述步驟A2通過如下的方法使攝像頭Ci的所有預置點P_Citm的視界V_Citm互不相交；

步驟A21：按照設定的視角為攝像頭Ci設置b個預置點；

步驟A22：判斷第二個預置點P_Cit2的視界V_Cit2與第一個預置點P_Cit1的視界V_Cit1是否相交；如果相交，將第二個預置點P_Cit2的視界V_Cit2向遠離第一個預置點P_Cit1的視界V_Cit1的方向每次轉(zhuǎn)動Z度，Z由用戶設定，直到不相交為止；

按照上述方法調(diào)攝像頭Ci的所有預置點P_Citm的視界V_Citm；

步驟A23：判斷第b個預置點P_Citb的視界V_Citb與預置點P_Cit1的視界V_Cit1是否相交；如果不相交，則a等于b，如果相交，刪除第b個預置點P_Citb及其對應的視界V_Citb；則a等于b-1；

采用機器學習算法判斷攝像頭Ci的第二個預置點P_Cit2的視界V_Cit2與第一個預置點P_Cit1的視界V_Cit1是否相交；

該機器學習算法包括如下步驟：

步驟A221：使用AKAZE算法對視界V_Cit2、視界V_Cit1獲取的照片提取特征點，取得特征點的方向、位置和大小信息；

步驟A222：使用SVD降維算法對特征點的方向、位置和大小信息進行投影降維處理；

步驟A223：使用FLANN based Matcher算法計算視界V_Cit2、視界V_Cit1的照片的特征點降維處理后的匹配個數(shù)和不匹配個數(shù)；

步驟A224：如果不匹配個數(shù)大于等于N倍匹配個數(shù)，N由經(jīng)驗值確定，則認為不匹配；否則，認為匹配；旋轉(zhuǎn)此視界V_Cit2；

關于視界相關的處理過程，使用了機器學習算法來實現(xiàn)，其步驟如下：

步驟3：輸入兩個相交或不相交的視界照片，輸出是否相交；

步驟3.1對兩張圖片，我們分別使用AKAZE算法提取特征點；AKAZE算法利用非線性擴散濾波的優(yōu)勢獲取低計算要求的特征，引入快速顯示擴散數(shù)學框架FED來快速求解偏微分方程，并同時引入一個高效的改進局部差分二進制描述符M-LDB；其輸出為一個六元組：

[angle,class_id,octave,pt,response,size]

其中：

angle：角度，表示關鍵點的方向；

class_id：當要對圖片進行分類時使用；

octave：代表是從金字塔哪一層提取得到的數(shù)據(jù)；

pt：關鍵點的坐標；

response：響應程度，代表著該關鍵點是該點角點的程度；

size：該點直徑的大小；

步驟3.2：取得多個特征點的方向、位置和大小信息；由于可能存在特征維度過大的問題，為加快速度，我們使用了SVD降維算法：

標準的SVD降維算法公式表示如下：

M＝UΣV^T

假設M∈R^m×n,則U∈R^m×k,Σ∈R^k×k,V∈R^n×k、M∈R^m×n,其中k＝min(m,n)，U、V^k＝min(m,n)，U、V是正交單位矩陣,Σ是對角矩陣；采用相同的特征矩陣，對它們進行投影降維；

步驟3.3：然后，使用FLANN based Matcher來進行特征點匹配算法；用下面的方式定義最近鄰搜索NNS問題：在一個度量空間X給定一組點Pt＝pt1,pt2,…,ptn，這些點必須通過以下方式進行預處理，給第一個新的查詢點q屬于X，快速在P中找到距離q最近的點，即最近鄰搜索問題；

步驟3.4：結果篩選：過濾掉0.75以下的匹配值，這個數(shù)值是對多張風景區(qū)照片對比后的合適值；并給出對應的不匹配特征點；

如果不匹配點數(shù)大于等于8倍匹配點數(shù)，則認為不匹配；否則，認為匹配，放棄或旋轉(zhuǎn)此視界。