[發明專利]一種基于深度學習的動物圖像識別方法及系統

在審

• 申請號: 202011257048.2
• 申請日: 2020-11-11
• 公開（公告）號: CN112380962A
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 王楠;黃祺;程川
• 申請（專利權）人: 成都摘果子科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 成都金英專利代理事務所(普通合伙) 51218
• 代理人: 袁英

1.一種基于深度學習的動物圖像識別方法，其特征在于，所述動物識別方法包括如下步驟：

獲取待識別的動物連續圖像；

通過計算圖像前后幀差分值大小調整前后幀距離，區分動物圖像中背景部分和前景部分；

利用灰度處理計算的前后幀差分值大小獲得第一差分圖，對第一差分圖進行二值化處理；利用經驗容差處理獲得第二差分圖，將原圖像與第二差分圖混合獲得用以深度學習識別的目標圖；

將目標圖劃分為S×S的網格，預測每個網格的M個條件類別概率P(Class[i]|Object)和N個bounding box和置信度；將獲得的條件類別概率與bounding box置信度相乘，得到每個bounding box屬于特定類別的confidence score，并預測獲得最終預測值；

縮小目標圖到指定大小，重復上述對目標圖進行預測過程，對獲得的所有預測值進行篩選保留。

2.如權利要求1所述的一種基于深度學習的動物圖像識別方法，其特征在于，所述獲取待識別的動物連續圖像通過調取或導入監控視頻，對監控視頻中動物出現的連續畫面幀進行提取。

3.如權利要求1所述的一種基于深度學習的動物圖像識別方法，其特征在于，所述調整前后幀距離具體為：根據計算的前后幀差分值大小進行動態調整，將差分值大于預設值的前后幀間距離縮小，將差分值小于預設值的前后幀間距離擴大。

4.如權利要求1所述的一種基于深度學習的動物圖像識別方法，其特征在于，所述第一差分圖為前后幀計算所得的差分值表達的灰度圖，所述灰度圖中將相同部分置0，完全不同部分置255。

5.如權利要求4所述的一種基于深度學習的動物圖像識別方法，其特征在于，所述第二差分圖為對第一差分圖進行二值化處理后的經驗容差值差分圖，所述經驗容差值差分圖將圖中小于預設容差值部分置0，大于預設容差值部分置1。

6.如權利要求5所述的一種基于深度學習的動物圖像識別方法，其特征在于，所述目標圖的構造方法為：原圖與第二差分圖混合，第二差分圖為1的部分對應的原圖RGB值不變，將第二差分圖為0的部分對應的原圖RGB值置(0,0,0)。

7.如權利要求1所述的一種基于深度學習的動物圖像識別方法，其特征在于，所述S×S的網格中，每個網格負責預測目標中心落在其中的目標，若目標中心落在多個網格邊界，通過非極大值抑制算法篩選獲得對應網格來進行預測。

8.如權利要求7所述的一種基于深度學習的動物圖像識別方法，其特征在于，所述置信度表示為：若包含目標，則confidence＝0，如果含有目標，則

9.如權利要求8所述的一種基于深度學習的動物圖像識別方法，其特征在于，所述每個bounding box包括5個預測值：x,y,w,h及置信度；其中：x,y表示bounding box中心坐標，w,h為bounding box大小。

10.一種基于深度學習的動物圖像識別系統，其特征在于，所述的動物圖像識別系統包括如下單元：

圖像獲取單元：獲取待識別的動物連續圖像；

前后幀調整單元：通過計算圖像前后幀差分值大小調整前后幀距離，區分動物圖像中背景部分和前景部分；

目標圖獲取單元：利用灰度處理計算的前后幀差分值大小獲得第一差分圖，對第一差分圖進行二值化處理；利用經驗容差處理獲得第二差分圖，將原圖像與第二差分圖混合獲得用以深度學習識別的目標圖；

目標圖訓練與預測單元：將目標圖劃分為S×S的網格，預測每個網格的M個條件類別概率P(Class[i]|Object)和N個bounding box和置信度；將獲得的條件類別概率與boundingbox置信度相乘，得到每個bounding box屬于特定類別的confidence score，并預測獲得最終預測值；

目標圖重復預測單元：縮小目標圖到指定大小，重復上述對目標圖進行預測過程，對獲得的所有預測值進行篩選保留。