申请/专利权人：绵阳职业技术学院

申请日：2021-08-26

公开（公告）日：2021-12-07

公开（公告）号：CN113435425B

主分类号：G06K9/00(20060101)

分类号：G06K9/00(20060101);G06K9/62(20060101);G06N3/04(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.12.07#授权;2021.10.15#实质审查的生效;2021.09.24#公开

摘要：本发明公开一种基于递归多特征融合的野生动物出没检测方法，利用自然保护区内设置的摄像头采集视频并对视频进行抽帧处理获取到大量图片，将图片作为样本数据集，对样本数据集中样本图片的每个动物进行类别标注；建立融合递归Re‑BiFPN结构的CascadeR‑CNN目标检测模型；利用样本数据集对所建立的目标检测模型进行训练，获得野生动物出没检测模型；将自然保护区摄像头采集到的视频图片输入野生动物出没检测模型进行野生动物检测。本发明能够有效提升网络的特征提取能力，提高野生动物目标检测的准确率，可以在动物被遮挡、光线条件不好等不良视频采集情况下有效识别出野生动物。

主权项：1.一种基于递归多特征融合的野生动物出没检测方法，其特征在于，包括步骤：步骤1：利用自然保护区内设置的摄像头采集视频并对视频进行抽帧处理获取到大量图片，将图片作为样本数据集，对样本数据集中样本图片的每个动物进行类别标注；先对样本数据集进行预处理，包括：由于存在喜欢夜间活动的动物种类，样本数据集中还包括不同光线条件下的数据；将样本图片进行随机的亮度处理，丰富不同光线条件下的数据样本；将样本图片进行不同角度的旋转，模拟摄像头不同角度的拍摄效果；将样本图片进行随机的马赛克遮挡，模拟动物被遮挡的情况；然后使用LabelMe工具对样本图片中的动物个体进行标注；步骤2：建立融合递归Re-BiFPN结构的CascadeR-CNN目标检测模型，在所述的CascadeR-CNN目标检测模型主干网络输出层连接递归Re-BiFPN结构，所述递归Re-BiFPN结构的输出进入CascadeR-CNN目标检测模型的后续预测层；所述递归Re-BiFPN结构包括第一BiFPN结构和第二BiFPN结构，所述第一BiFPN结构和第二BiFPN结构折叠并列连接；所述第一BiFPN结构的输入端连接主干网络，所述第一BiFPN结构的输出端返回主干网络，主干网络再次连接第二BiFPN结构，经过第一BiFPN结构和第二BiFPN结构的输出结果进行融合后作为最终输出结果，从而形成融合递归Re-BiFPN结构的CascadeR-CNN目标检测模型；所述第一BiFPN结构和第二BiFPN结构的结构相同，包括依次设置的自顶向下的中间特征层和自底向上的输出特征层；自顶向下的中间特征层分别连接主干网络输出层，且输出给自底向上的输出特征层；自底向上的输出特征层连接自顶向下的中间特征层和主干网络输出层，并由自底向上的输出特征层输出结果；在所述自顶向下的中间特征层和自底向上的输出特征层中均包含了多个节点，在每个节点处的处理过程包括步骤：步骤2.1：对输入的矩阵特征进行快速归一化融合； Ii是同层前一节点向本节点输入的矩阵特征，wi是同层前一节点向本节点输入的权重，wj本节点所有输入的权重，ε＝0.0001避免数值的不稳定，防止分母为零；步骤2.2：设代表自顶向下的中间特征层的第k层节点输出，那么该层中节点特征输出为： 其中，wk是第k层中由主干网络输入该节点的特征矩阵的权重，wk+1是第k+1层中间特征层输入该节点的特征矩阵的权重，是第k+1层的由主干网络节点或中间特征层输出的特征矩阵，利用函数是获取特征矩阵的大小，是第k层的由主干网络节点输出的特征矩阵，in代表主干网络输出层，td代表中间特征层；步骤2.3：设代表自底向上的输出特征层的第k层节点输出，那么该层中节点特征输出为： 其中，w′k1是第k层中由主干网络输入该输出特征层节点的特征矩阵的权重，w′k2是第k层中由中间特征层输入该输出特征层节点的特征矩阵的权重，w′k-1是第k-1层输出特征层输入该节点的特征矩阵的权重；是第k+1层由中间特征层节点输出的特征矩阵，是设定特征矩阵的大小；是第k-1层由中间特征层节点输出的特征矩阵，利用函数是获取特征矩阵的大小；是第k层由主干网络节点输出的特征矩阵，是第k层由中间特征层节点输出的特征矩阵，in代表主干网络输出层，td代表中间特征层；将第一BiFPN结构作为递归Re-BiFPN的中间层特征层，第二BiFPN结构作为递归Re-BiFPN的输出层特征层；通过ASPP模块连接第一BiFPN结构和第二BiFPN结构，用于实现Re-BiFPN结构中的连接，并令Rk为ASPP模块的转换参数；同时，设置融合模块将第一BiFPN结构输出和第二BiFPN结构输出进行融合后作为最终输出结果；在所述递归Re-BiFPN中：获得递归Re-BiFPN的中间层特征层节点特征输出为： 获得递归Re-BiFPN的输出层特征层节点特征输出为： 最后通过融合模块将和融合起来，得到最终输出结果；步骤3：利用样本数据集对所建立的目标检测模型进行训练，获得野生动物出没检测模型；步骤4：将自然保护区摄像头采集到的视频图片输入野生动物出没检测模型进行野生动物检测；步骤5：根据检测结果的置信度将包含野生动物的视频保存到相应的文件夹中；若输入的视频中有野生动物目标，且该段视频抽帧的所有图片中检测结果的置信度不小于0.75的数量大于85％，则将该视频中存在动物目标的视频片段保存在该动物类别的文件夹中；若检测结果的置信度不小于0.75的数量小于85％，则将该视频保存在需人工辨别的文件夹中；若输入视频中没有野生动物目标，则不保存该视频。

全文数据：

权利要求：

百度查询： 绵阳职业技术学院 一种基于递归多特征融合的野生动物出没检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD