CN108074224A - 一种陆生哺乳动物与鸟类的监测方法及其监测装置 - Google Patents
一种陆生哺乳动物与鸟类的监测方法及其监测装置 Download PDFInfo
- Publication number
- CN108074224A CN108074224A CN201610987505.0A CN201610987505A CN108074224A CN 108074224 A CN108074224 A CN 108074224A CN 201610987505 A CN201610987505 A CN 201610987505A CN 108074224 A CN108074224 A CN 108074224A
- Authority
- CN
- China
- Prior art keywords
- birds
- terrestrial
- mammal
- terrestrial mammal
- infrared image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明涉及生物监测领域,公开了一种陆生哺乳动物与鸟类的监测方法及其监测装置。本发明中的陆生哺乳动物与鸟类的监测方法,其特征在于,包括:监测预定栖息地区域;夜间自动连续监测;在监测到有生物进入预定区域时,获取一组连续红外影像,连续红外影像包含多帧画面;分析连续红外影像;若连续红外影像中包含陆生哺乳动物与鸟类,则从每帧画面中提取陆生哺乳动物与鸟类的个体特征;根据个性特征,在每帧画面中标识陆生哺乳动物与鸟类个体;跟踪每帧画面中的陆生哺乳动物与鸟类个体,获取对应每个陆生哺乳动物与鸟类个体的行为特征;根据行为特征和预设的物种识别模型,识别陆生哺乳动物或鸟类个体对应的种类。
Description
技术领域
本发明涉及生物多样性判别领域,特别涉及一种陆生哺乳动物与鸟类的监测方法及其监测装置。
背景技术
中国是世界上生物多样性最为丰富的国家之一。拥有森林、灌丛、草甸、草原、荒漠、湿地等地球陆地生态系统,以及黄海、东海、南海、黑潮流域大海洋生态系统;拥有高等植物35000多种,仅次于巴西和哥伦比亚,居世界第三位;拥有脊椎动物6347种,约占世界总数的14%,其中,陆生哺乳动物611种;鸟类1244,是世界上鸟类种数最多的国家之一;鱼类3862种,占世界总种数的20.3%。
通常,生物多样性可以用丰富度和多度来表示。丰富度是指一个群落或生境内生物种类的数目,多度是指一个群落或生境内一类物种的个体数目。由于生境丧失和片段化、环境污染、对生物资源的过度开发利用、外来物种的引进和入侵、气候变化等原因,我国的生物资源锐减,生物多样性面临严重威胁。
开展物种监测是掌握生物多样性动态变化趋势的重要手段。而且,陆生哺乳动物与鸟类在夜间的活动更需要被监测,近年来,红外触发式相机陷阱技术(简称红外相机)在野生动物种群监测、多样性调查、种群密度评估等方面得到广泛应用。红外相机优势在于可以无干扰地在野外持续拍摄,在固定的监测区域内合理安装红外相机,经过一定时间的监测后,可基本获得当地的陆生哺乳动物及部分鸟类的物种构成及活动频次。合理布置的相机集群在规定的监测时间内完成数据获取并对红外影像数据进行分析,得出物种的丰富度、多度等指标。结合传统调查方法加以比对可得到相对准确的结论。
本发明人发现,现有的红外相机在野生动物的图像采集上易产生大量无效数据,需要人工剔除;加之缺乏物种识别技术,需用大量人工识别,数据分析处理速度慢和效率低,在客观上导致监测任务实施难度较大。
发明内容
本发明的目的在于提供一种陆生哺乳动物与鸟类的监测方法及其监测装置,使得陆生哺乳动物与鸟类的监测识别更为自动化,减少识别过程中的人力成本,提高识别效率。
为解决上述技术问题,本发明的实施方式提供了一种陆生哺乳动物与鸟类的监测方法,包括:监测预定区域;在监测到有生物进入所述预定区域时,获取一组连续红外影像,所述连续红外影像包含多帧画面;分析所述连续红外影像;从每帧画面中提取所述陆生哺乳动物与鸟类的个体特征;根据所述个性特征,在每帧画面中标识陆生哺乳动物与鸟类个体;跟踪每帧画面中的陆生哺乳动物与鸟类个体,获取对应每个所述陆生哺乳动物与鸟类个体的行为特征;根据所述行为特征和预设的陆生哺乳动物与鸟类识别模型,识别所述陆生哺乳动物与鸟类个体对应的种类;其中,所述预设的陆生哺乳动物与鸟类识别模型根据已知陆生哺乳动物与鸟类和对应的行为特征获得。
本发明提供了一种陆生哺乳动物与鸟类的监测装置,包括:红外摄像模组和处理器;所述红外摄像模组,用于监测预定区域;用于在监测到有生物进入所述预定区域时,获取一组连续红外影像,所述连续红外影像包含多帧画面;所述处理器,用于分析所述连续红外影像,在所述连续红外影像中包含陆生哺乳动物与鸟类时,从每帧画面中提取所述陆生哺乳动物与鸟类的个体特征;所述处理器,用于根据所述个性特征,在每帧画面中标识陆生哺乳动物与鸟类个体;所述处理器,用于跟踪每帧画面中的陆生哺乳动物与鸟类个体,获得对应每个陆生哺乳动物与鸟类个体的行为特征;所述处理器,还用于根据所述行为特征和预设的陆生哺乳动物与鸟类识别模型,识别所述陆生哺乳动物与鸟类个体对应的种类;其中,所述预设的陆生哺乳动物与鸟类识别模型根据已知陆生哺乳动物与鸟类和对应的行为特征获得。
本发明实施方式相对于现有技术而言,主要区别及其效果表现在监测野外的预定区域时,将现有获取不连贯的陆生哺乳动物与鸟类个体照片改为获取连续红外影像,通过红外影像进一步识别陆生哺乳动物与鸟类个体的行为特征。再根据行为特征获知对应的陆生哺乳动物与鸟类的种类。本发明利用行为特征构建陆生哺乳动物与鸟类识别模型,能够快速、有效识别陆生哺乳动物与鸟类的种类,为获取生物多样性数据提供便利。
作为进一步改进,所述利用红外摄像头监测预定区域,具体为:利用所述红外摄像头周期性转动,监测所述预定区域。利用红外摄像头的周期运动可以扩大红外摄像头的监测视角,增加每个红外摄像头的监测范围。
作为进一步改进,所述在监测到有生物进入所述预定区域时,获取一组连续红外影像,具体为:在监测到有生物进入所述预定区域时,控制所述红外摄像头停止转动并启动录制功能,获取一组连续红外影像。进一步限定,红外摄像头在监测到有生物时,停止转动,使得拍摄到生物本体的连续红外影像的几率更高。
作为进一步改进,所述在监测到有生物进入所述预定区域时,获取一组连续红外影像,具体为:在监测到有生物进入所述预定区域时,记录监测到生物时的红外摄像头所处的方向;在所述红外摄像头每次转动至所述方向时,均获取红外影像。进一步限定红外摄像头在周期性转动时获得红外影像,无需改变红外摄像头的运动轨迹,简化红外摄像头转动的控制方法和硬件。
作为进一步改进,所述连续红外影像为视频红外影像。进一步限定连续红外影像为视频红外影像,使得红外影像的连贯性更好,在后续获取行为特征时,提升准确度。
作为进一步改进,利用以下方法判断所述红外影像中是否存在所述生物:提取所述红外影像中的轮廓,利用轨迹跟踪法判断所述红外影像中是否存在所述生物。利用轨迹跟踪法判定生物的存在准确度高,可实现性好。
附图说明
图1是根据本发明第一实施方式中的陆生哺乳动物与鸟类的监测方法流程图;
图2是根据本发明第二实施方式中的陆生哺乳动物与鸟类的监测方法流程图;
图3是根据本发明第三实施方式中的陆生哺乳动物与鸟类的监测装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请各权利要求所要求保护的技术方案。
本发明的第一实施方式涉及一种陆生哺乳动物与鸟类的监测方法。其流程如图1所示,具体如下:
步骤101,监测预定区域。
具体的说,本实施方式中以监测装置为红外摄像头为例,利用红外摄像头监测预定区域。实际应用中,在设置红外摄像头(如红外红外摄像头)时,将其对准待监测区域(即:预定区域),调整红外摄像头的拍摄视角,使拍摄视角和预定区域重合。
更具体的说,本实施方式中的红外摄像头在监测过程中周期性转动,也就是说,利用红外摄像头周期性转动,监测预定区域。利用红外摄像头的周期运动可以扩大红外摄像头的视角,增加每个红外摄像头的监测范围。
步骤102,在监测到有生物进入预定区域时,获取一组连续红外影像,连续红外影像包含多帧画面。
具体的说,本步骤具体是:提取红外影像中的轮廓,利用轨迹跟踪法判断红外影像中是否存在生物,若监控画面中存在生物,则获取一组连续红外影像,其中的连续红外影像可以是视频或者连拍的照片等。
更具体的说,本实施方式中可以在监测到有生物进入预定区域时,控制红外摄像头停止转动并启动录制功能,获取一组连续红外影像。在周期性转动进行监测的过程中,红外摄像头实际没有拍摄红外影像,直到监测到有生物进入时,才获取红外影像,这样有利于降低监测过程中的功耗。
步骤103,分析连续红外影像。
具体的说,本步骤分析步骤102中获取到的连续红外影像,在实际应用中,分析过程中可以提取红外影像中包含的图形、颜色、纹理和温度等特征。
步骤104,判断连续红外影像中是否包含陆生哺乳动物与鸟类;若是,则执行步骤105;若否,则返回执行步骤101。
具体的说,本步骤利用步骤103中的分析结果来判断连续红外影像中是否包含陆生哺乳动物与鸟类。
步骤105,从画面中提取陆生哺乳动物与鸟类的个体特征。
具体的说,若步骤104判定连续红外影像中包含陆生哺乳动物与鸟类,则从每帧画面中提取陆生哺乳动物与鸟类的个体特征。更具体的说,个体特征可以包括:大小、体温、轮廓等。
值得一提的是,在监测装置中还可以设置距离感应器,通过距离感应器感知的距离,和红外摄像头拍摄下红外影像中的物体尺寸,即可获得被摄物的实际尺寸。
步骤106,在每帧画面中标识陆生哺乳动物与鸟类个体。
具体的说,根据个性特征,在每帧画面中标识陆生哺乳动物与鸟类个体,由于在拍摄到的红外影像中可能有多个陆生哺乳动物与鸟类个体,所以对每个个体进行标识,利于后续的跟踪分析。
步骤107,获取对应每个陆生哺乳动物与鸟类个体的行为特征。
具体的说,跟踪每帧画面中的陆生哺乳动物与鸟类个体,获取对应每个陆生哺乳动物与鸟类个体的行为特征。将拍摄到某一陆生哺乳动物与鸟类个体的所有图像帧汇总分析,以获取它的行为特征。更具体的说,行为特征可以包括:运动速度、出现时间、运动维度、体型变化等。
步骤108,识别陆生哺乳动物与鸟类个体对应的种类。
具体的说,根据行为特征和预设的陆生哺乳动物与鸟类识别模型,识别陆生哺乳动物与鸟类个体对应的种类。其中,预设的陆生哺乳动物与鸟类识别模型可以是模糊神经网络结构的模型。
需要说明的是,预设的陆生哺乳动物与鸟类识别模型根据已知陆生哺乳动物与鸟类和对应的行为特征获得。具体方法如下:
本实施方式中的模糊神经网络结构分为4层,分别为输入层、模糊化层、模糊规则层、输出层。各层之间依据模糊逻辑系统的语言变量、模糊if-then规则、模糊推理方法、反模糊函数相联系。在规则为Ri的情况下,模糊推理如下:
其中,为模糊系统的模糊集;为模糊系统参数;yi为根据模糊规则得到的输出,输入部分(即if部分)(即:行为特征)是模糊的,输出部分(即then部分)(即:物种)是确定的,该模糊推理表示输出为输入的线性组合。
假设对于输入量x=[x1,x2,···,xk],首先根据模糊规则计算各输入变量xj的隶属度。
式(1)中,分别为隶属度函数的中心和宽度;k为输入参数个数;n为模糊子集数。
将各隶属度进行模糊计算,采用模糊算子为连乘算子。
根据模糊计算结果计算模糊模型的输出值yi。
模糊神经网络分为输入层、模糊化层、模糊规则计算层和输出层等四层。输入层与输入向量连接,节点数与输入的维数相同。模糊化层采用隶属度函数(1)对输入值进行模糊化得到模糊隶属度值。模糊规则计算层采用模糊连乘(2)计算得到。输出层采用个公式(3)计算模糊神经网络的输出。
本实施方式相对于现有技术而言,主要区别及其效果在于,在监测野外的预定区域时,将获取陆生哺乳动物与鸟类个体照片改为获取连续红外影像,并通过红外影像进一步识别陆生哺乳动物与鸟类个体,以及各个陆生哺乳动物与鸟类个体对应的行为特征。由于不同的陆生哺乳动物与鸟类具有不同的行为特征,所以根据确定的行为特征,可以获知对应的陆生哺乳动物与鸟类的种类。其中,利用预设的陆生哺乳动物与鸟类识别模型表达行为特征和陆生哺乳动物与鸟类之间的对应关系,由于预设的模型为模糊神经网络结构的模型,所以在提升自动化的同时,保证准确率。另外,由于利用红外摄像头的周期性转动监测预设区域,使得硬件的监测范围尽可能大,降低硬件成本。
本发明的第二实施方式涉及一种陆生哺乳动物与鸟类的监测方法。第二实施方式与第一实施方式大致相同,主要区别之处在于:在第一实施方式中,在获取连续红外影像时,是控制红外摄像头停止转动的。而在本发明第二实施方式中,在获取连续红外影像时,红外摄像头并不停止转动。这样有利于简化红外摄像头的控制软件和硬件。
本实施方式中的陆生哺乳动物与鸟类监测方法流程图如图2所示,具体如下:
本实施方式中的步骤201和第一实施方式中的步骤101相类似,在此不再赘述。
步骤202,在监测到有生物进入预定区域时,记录监测到生物时的红外摄像头所处的方向。
具体的说,由于后续红外摄像头不会停止周期性转动,所以为了尽可能拍摄到进入预设区域的生物,就需要记录当时红外摄像头所处的方向。
步骤203,在红外摄像头每次转动至方向时,均获取红外影像。
具体的说,如果红外摄像头的转动周期为1分钟,那么获取的红外影像就是以1分钟为间隔的连续红外影像。
本实施方式中的步骤204至209和第一实施方式中的步骤103至108相类似,在此不再赘述。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包含相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第三实施方式涉及一种陆生哺乳动物与鸟类的监测装置,如图3所示,包括:红外摄像模组和处理器。
其中,红外摄像模组(本实施方式中可以为红外摄像头,如红外红外摄像头),用于监测预定区域。具体的说,红外摄像模组在监测过程中,周期性转动。
红外摄像模组还用于在监测到有生物进入预定区域时,获取一组连续红外影像,连续红外影像包含多帧画面。
处理器,用于分析连续红外影像,在连续红外影像中包含陆生哺乳动物与鸟类时,从每帧画面中提取陆生哺乳动物与鸟类的个体特征。
处理器,还用于根据个性特征,在每帧画面中标识陆生哺乳动物与鸟类个体。
处理器,还用于跟踪每帧画面中的陆生哺乳动物与鸟类个体,获得对应每个陆生哺乳动物与鸟类个体的行为特征。
处理器,还用于根据行为特征和预设的陆生哺乳动物与鸟类识别模型,识别陆生哺乳动物与鸟类个体对应的种类;其中,预设的陆生哺乳动物与鸟类识别模型根据已知陆生哺乳动物与鸟类和对应的行为特征获得。
处理器还用于在红外摄像模组监测到有生物进入预定区域时,控制红外摄像头停止转动并启动录制功能。
本实施方式相对于现有技术而言,主要区别及其效果在于,在监测野外的预定区域时,将获取生物个体照片改为获取连续红外影像,并通过红外影像进一步识别陆生哺乳动物与鸟类个体,以及各个陆生哺乳动物与鸟类个体对应的行为特征。由于不同的陆生哺乳动物与鸟类具有不同的行为特征,所以根据确定的行为特征,可以获知对应的陆生哺乳动物与鸟类的种类。其中,利用预设的陆生哺乳动物与鸟类识别模型表达行为特征和陆生哺乳动物与鸟类之间的对应关系,由于预设的模型为模糊神经网络结构的模型,所以在提升自动化的同时,保证准确率。另外,由于利用红外摄像头的周期性转动监测预设区域,使得硬件的监测范围尽可能大,降低硬件成本。
不难发现,本实施方式为与第一实施方式相对应的系统实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本发明第四实施方式涉及一种陆生哺乳动物与鸟类的监测装置。第四实施方式与第三实施方式大致相同,主要区别之处在于:在第三实施方式中,在获取连续红外影像时,是控制红外摄像头停止转动的。而在本发明第四实施方式中,在获取连续红外影像时,红外摄像头并不停止转动。这样有利于简化红外摄像头的控制软件和硬件。
具体的说,本实施方式中的处理器还用于在红外摄像模组监测到有生物进入预定区域时,记录监测到生物时的红外摄像头所处的方向;控制红外摄像头在每次转动至方向时并启动拍摄功能。
由于第二实施方式与本实施方式相互对应,因此本实施方式可与第二实施方式互相配合实施。第二实施方式中提到的相关技术细节在本实施方式中依然有效,在第二实施方式中所能达到的技术效果在本实施方式中也同样可以实现,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第二实施方式中。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (13)
1.一种陆生哺乳动物与鸟类的监测方法,其特征在于,包括:
监测预定区域;
在监测到有生物进入所述预定区域时,获取一组连续红外影像,所述连续红外影像包含多帧画面;
分析所述连续红外影像;若所述连续红外影像中包含陆生哺乳动物与鸟类,则从每帧画面中提取所述陆生哺乳动物与鸟类的个体特征;
根据所述个性特征,在每帧画面中标识陆生哺乳动物与鸟类个体;
跟踪每帧画面中的陆生哺乳动物与鸟类个体,获取对应每个所述陆生哺乳动物与鸟类个体的行为特征;
根据所述行为特征和预设的物种识别模型,识别所述陆生哺乳动物与鸟类个体对应的种类;其中,所述预设的陆生哺乳动物与鸟类识别模型根据已知陆生哺乳动物与鸟类和对应的行为特征获得。
2.根据权利要求1所述的陆生哺乳动物与鸟类的监测方法,其特征在于,所述监测预定区域,具体为:利用红外摄像头监测预定区域。
3.根据权利要求2所述的陆生哺乳动物与鸟类的监测方法,其特征在于,所述利用红外摄像头监测预定区域,具体为:利用所述红外摄像头周期性转动,监测所述预定区域。
4.根据权利要求3所述的陆生哺乳动物与鸟类的监测方法,其特征在于,所述在监测到有生物进入所述预定区域时,获取一组连续红外影像,具体为:
在监测到有生物进入所述预定区域时,控制所述红外摄像头停止转动并启动录制功能,获取一组连续红外影像。
5.根据权利要求3所述的陆生哺乳动物与鸟类的监测方法,其特征在于,所述在监测到有生物进入所述预定区域时,获取一组连续红外影像,具体为:
在监测到有生物进入所述预定区域时,记录监测到生物时的红外摄像头所处的方向;
在所述红外摄像头每次转动至所述方向时,均获取红外影像。
6.根据权利要求2所述的陆生哺乳动物与鸟类的监测方法,其特征在于,所述连续红外影像为视频红外影像。
7.根据权利要求1所述的陆生哺乳动物与鸟类的监测方法,其特征在于,利用以下方法判断所述红外影像中是否存在陆生哺乳动物与鸟类:
提取所述红外影像中的轮廓,利用轨迹跟踪法判断所述红外影像中是否存在所述陆生哺乳动物与鸟类。
8.根据权利要求1所述的陆生哺乳动物与鸟类的监测方法,其特征在于,所述预设的陆生哺乳动物与鸟类识别模型为模糊神经网络结构的模型。
9.一种陆生哺乳动物与鸟类的监测装置,其特征在于,包括:红外摄像模组和处理器;
所述红外摄像模组,用于监测预定区域;还用于在监测到有生物进入所述预定区域时,获取一组连续红外影像,所述连续红外影像包含多帧画面;
所述处理器,用于分析所述连续红外影像,在所述连续红外影像中包含陆生哺乳动物与鸟类时,从每帧画面中提取所述陆生哺乳动物与鸟类的个体特征;
所述处理器,还用于根据所述个性特征,在每帧画面中标识陆生哺乳动物与鸟类个体;
所述处理器,还用于跟踪每帧画面中的陆生哺乳动物与鸟类个体,获得对应每个生物个体的行为特征;
所述处理器,还用于根据所述行为特征和预设的陆生哺乳动物与鸟类识别模型,识别所述陆生哺乳动物与鸟类个体对应的种类;其中,所述预设的物种识别模型根据已知陆生哺乳动物与鸟类和对应的行为特征获得。
10.根据权利要求9所述的陆生哺乳动物与鸟类的监测装置,其特征在于,所述红外摄像模组为红外摄像头。
11.根据权利要求10所述的陆生哺乳动物与鸟类的监测装置,其特征在于,所述红外摄像头,通过周期性转动监测所述预定区域。
12.根据权利要求11所述的陆生哺乳动物与鸟类的监测装置,其特征在于,所述处理器还用于在所述红外摄像头监测到有生物进入所述预定区域时,控制所述红外摄像头停止转动并启动录制功能。
13.根据权利要求11所述的陆生哺乳动物与鸟类的监测装置,其特征在于,所述处理器还用于在所述红外摄像头监测到有生物进入所述预定区域时,记录监测到生物时的红外摄像头所处的方向;控制所述红外摄像头在每次转动至所述方向时并启动拍摄功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610987505.0A CN108074224B (zh) | 2016-11-09 | 2016-11-09 | 一种陆生哺乳动物与鸟类的监测方法及其监测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610987505.0A CN108074224B (zh) | 2016-11-09 | 2016-11-09 | 一种陆生哺乳动物与鸟类的监测方法及其监测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108074224A true CN108074224A (zh) | 2018-05-25 |
CN108074224B CN108074224B (zh) | 2021-11-05 |
Family
ID=62154116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610987505.0A Active CN108074224B (zh) | 2016-11-09 | 2016-11-09 | 一种陆生哺乳动物与鸟类的监测方法及其监测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108074224B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109099965A (zh) * | 2018-07-11 | 2018-12-28 | 云南电网有限责任公司电力科学研究院 | 一种基于共享电力铁塔的智能生态监测系统 |
CN109766856A (zh) * | 2019-01-16 | 2019-05-17 | 华南农业大学 | 一种双流RGB-D Faster R-CNN识别哺乳母猪姿态的方法 |
CN109949283A (zh) * | 2019-03-12 | 2019-06-28 | 天津瑟威兰斯科技有限公司 | 基于卷积神经网络识别虫子种类和活性的方法及系统 |
CN110008850A (zh) * | 2019-03-15 | 2019-07-12 | 交通运输部天津水运工程科学研究所 | 一种基于鸟类颜色提取的庇护植物筛选方法 |
CN110826358A (zh) * | 2018-08-08 | 2020-02-21 | 杭州海康威视数字技术股份有限公司 | 动物情绪的识别方法、装置及存储介质 |
CN112738460A (zh) * | 2020-12-24 | 2021-04-30 | 安庆师范大学 | 一种长江江豚智能实时监测系统 |
CN114549516A (zh) * | 2022-03-03 | 2022-05-27 | 石河子大学 | 一种应用于多种类高密度极小虫体行为学的智能分析系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060056056A1 (en) * | 2004-07-19 | 2006-03-16 | Grandeye Ltd. | Automatically expanding the zoom capability of a wide-angle video camera |
CN102065272A (zh) * | 2009-11-13 | 2011-05-18 | 中国科学院遥感应用研究所 | 基于声像一体化野生鸟类识别技术的远程无线监测系统 |
CN102148931A (zh) * | 2010-02-09 | 2011-08-10 | 三洋电机株式会社 | 摄像装置 |
CN103955718A (zh) * | 2014-05-15 | 2014-07-30 | 厦门美图之家科技有限公司 | 一种图像主体对象的识别方法 |
CN105608444A (zh) * | 2016-01-27 | 2016-05-25 | 大连楼兰科技股份有限公司 | 一种用于自动驾驶的野生动物图像识别方法 |
-
2016
- 2016-11-09 CN CN201610987505.0A patent/CN108074224B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060056056A1 (en) * | 2004-07-19 | 2006-03-16 | Grandeye Ltd. | Automatically expanding the zoom capability of a wide-angle video camera |
CN102065272A (zh) * | 2009-11-13 | 2011-05-18 | 中国科学院遥感应用研究所 | 基于声像一体化野生鸟类识别技术的远程无线监测系统 |
CN102148931A (zh) * | 2010-02-09 | 2011-08-10 | 三洋电机株式会社 | 摄像装置 |
CN103955718A (zh) * | 2014-05-15 | 2014-07-30 | 厦门美图之家科技有限公司 | 一种图像主体对象的识别方法 |
CN105608444A (zh) * | 2016-01-27 | 2016-05-25 | 大连楼兰科技股份有限公司 | 一种用于自动驾驶的野生动物图像识别方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109099965A (zh) * | 2018-07-11 | 2018-12-28 | 云南电网有限责任公司电力科学研究院 | 一种基于共享电力铁塔的智能生态监测系统 |
CN110826358A (zh) * | 2018-08-08 | 2020-02-21 | 杭州海康威视数字技术股份有限公司 | 动物情绪的识别方法、装置及存储介质 |
CN109766856A (zh) * | 2019-01-16 | 2019-05-17 | 华南农业大学 | 一种双流RGB-D Faster R-CNN识别哺乳母猪姿态的方法 |
CN109766856B (zh) * | 2019-01-16 | 2022-11-15 | 华南农业大学 | 一种双流RGB-D Faster R-CNN识别哺乳母猪姿态的方法 |
CN109949283A (zh) * | 2019-03-12 | 2019-06-28 | 天津瑟威兰斯科技有限公司 | 基于卷积神经网络识别虫子种类和活性的方法及系统 |
CN109949283B (zh) * | 2019-03-12 | 2023-05-26 | 天津瑟威兰斯科技有限公司 | 基于卷积神经网络识别虫子种类和活性的方法及系统 |
CN110008850A (zh) * | 2019-03-15 | 2019-07-12 | 交通运输部天津水运工程科学研究所 | 一种基于鸟类颜色提取的庇护植物筛选方法 |
CN110008850B (zh) * | 2019-03-15 | 2023-01-10 | 交通运输部天津水运工程科学研究所 | 一种基于鸟类颜色提取的庇护植物筛选方法 |
CN112738460A (zh) * | 2020-12-24 | 2021-04-30 | 安庆师范大学 | 一种长江江豚智能实时监测系统 |
CN114549516A (zh) * | 2022-03-03 | 2022-05-27 | 石河子大学 | 一种应用于多种类高密度极小虫体行为学的智能分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108074224B (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108074224A (zh) | 一种陆生哺乳动物与鸟类的监测方法及其监测装置 | |
Khan et al. | Energy-efficient deep CNN for smoke detection in foggy IoT environment | |
CN108764085B (zh) | 基于生成对抗网络的人群计数方法 | |
Levy et al. | Live repetition counting | |
CN110516620A (zh) | 目标跟踪方法、装置、存储介质及电子设备 | |
Wang et al. | Attentive normalization for conditional image generation | |
CN108229280A (zh) | 时域动作检测方法和系统、电子设备、计算机存储介质 | |
CN104484890B (zh) | 基于复合稀疏模型的视频目标跟踪方法 | |
CN107590427B (zh) | 基于时空兴趣点降噪的监控视频异常事件检测方法 | |
DE112019006156T5 (de) | Erkennung und behandlung von unsachgemässen eingaben durch neuronale netzwerke | |
DE112021002965T5 (de) | Generierung von szenengraphen für unmarkierte daten | |
CN115880720A (zh) | 一种基于置信度分享的无标注场景自适应人体姿态和外形估计方法 | |
Mi et al. | Training-free uncertainty estimation for neural networks | |
DE102021131289A1 (de) | Echtzeit-rendering mit impliziten formen | |
Mahmood et al. | How much more data do i need? estimating requirements for downstream tasks | |
Dey et al. | Asc-net: Adversarial-based selective network for unsupervised anomaly segmentation | |
CN112668492A (zh) | 一种自监督学习与骨骼信息的行为识别方法 | |
DE102021205690A1 (de) | Trainieren neuronaler Netze mit begrenzten Daten unter Verwendung invertierbarer Augmentationsoperatoren | |
Lin et al. | Attention guided network for salient object detection in optical remote sensing images | |
Suttapak et al. | Diminishing-feature attack: The adversarial infiltration on visual tracking | |
DE102021130626A1 (de) | Trigger-reagierende clipextraktion basierend auf fernanalyse | |
Fan et al. | Global contextual attention for pure regression object detection | |
Guan et al. | Rfdg: Reinforcement federated domain generalization | |
Dong et al. | A detection-regression based framework for fish keypoints detection | |
DE102022120595A1 (de) | Durchführen von verdeckungs-bewusster globaler 3d-posen- und formschätzung von gelenkigen objekten |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 100041 courtyard 15, Shixing street, Shijingshan District, Beijing Applicant after: Environmental Planning Institute of the Ministry of Ecology and Environment Address before: No. 8, Dayangfang, andingmenwai, Chaoyang District, Beijing 100013 Applicant before: CHINESE ACADEMY FOR ENVIRONMENTAL PLANNING |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |