[發明專利]基于DeepID-Net算法的生態生物識別方法

在審

• 申請號: 202210264471.8
• 申請日: 2022-03-17
• 公開（公告）號: CN114581936A
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 楊志峰;沈永明;張遠;蔡宴朋
• 申請（專利權）人: 瀾途集思（深圳）數字科技有限公司
• 主分類號: G06V40/00
• 分類號: G06V40/00;G06K9/62;G06N3/04;G06N3/08;G06V10/764;G06V10/26;G06V10/74;G06V10/82
• 代理公司: 北京市京師律師事務所 11665
• 代理人: 黃熊

本發明公開了基于DeepID?Net算法的生態生物識別方法，包括如下步驟：發起生態生物識別請求，根據請求在生態環境中采集生物圖像數據；采用圖像歸一法和圖像增強法對采集的生物圖像數據進行預處理，得到預處理后的生物圖像數據；通過DeepID?Net算法對預處理后的生物圖像數據進行目標檢測；將檢測后的生物圖像數據進行生態生物識別。本發明通過設置DeepID?Net算法，使得檢測分類會更加準確，不會因為局部紋理而被誤導，能夠有效的提高生物識別的精度。

技術領域

本發明涉及生物識別技術領域，尤其涉及基于DeepID-Net算法的生態生物識別方法。

背景技術

生物識別技術隨著計算機技術的不斷發展而得到了廣泛應用，其中，生物識別技術是指，通過計算機與光學、聲學、生物傳感器以及生物統計學原理等手段相結合，利用生物固有的生理特性和行為特征來進行生物身份驗證的技術。現有的生態生物在進行識別時，容易因為局部紋理而被誤導，容易造成識別錯誤，識別精準度不高，具有局限性。

發明內容

基于背景技術存在的技術問題，本發明提出了基于DeepID-Net算法的生態生物識別方法。

本發明提出的基于DeepID-Net算法的生態生物識別方法，包括如下步驟：

S1發起生態生物識別請求，根據請求在生態環境中采集生物圖像數據；

S2采用圖像歸一法和圖像增強法對采集的生物圖像數據進行預處理，得到預處理后的生物圖像數據；

S3通過DeepID-Net算法對預處理后的生物圖像數據進行目標檢測；

S31選擇性搜索；

S32邊界框拒絕；

S33使用對象級注釋進行預訓練；

S34形變約束池化層；

S35場景建模；

S36模型平均；

S37邊界框回歸；

S4將檢測后的生物圖像數據進行生態生物識別。

優選的，所述步驟S31首先，顏色相似性、紋理相似性、區域大小和區域填充被用作非基于對象的分割，獲得許多小的分割區域，然后，使用自下而上的方法將小的分割區域合并在一起，以形成更大的分段區域，生成大約2K個區域提議。

優選的，所述步驟S32的邊界框拒絕通過R-CNN拒絕最有可能是背景的邊界框。

優選的，所述步驟S33預訓練是在對象級注釋上進行的，預訓練是基于圖像層次的注釋。

優選的，所述步驟S34形變約束池化層的形變約束方程式為：

對于形變約束路徑，conv5的輸出經過卷積層，然后經過形變約束層，然后有一個最大池化層，形變約束池層學習具有不同大小和語義含義的對象部分的變形，通過訓練這個形變約束池層，如果待檢測對象的對象部分靠近它們的錨點，則在形變約束池層之后將給出高的激活值，這個輸出將連接到200個類別分數以改進。

優選的，所述步驟S35場景建模用于對1000個類別對象進行分類和本地化，通過分類網絡獲得的1000個類分數用于細化200級分數。

優選的，所述步驟S35使用多個模型來提高精度，并對所有模型的結果進行平均。

優選的，所述步驟S36邊界框回歸用于微調已在R-CNN中使用的邊界框位置。