CN112016380A - 野生动物监测方法及系统 - Google Patents
野生动物监测方法及系统 Download PDFInfo
- Publication number
- CN112016380A CN112016380A CN202010428128.3A CN202010428128A CN112016380A CN 112016380 A CN112016380 A CN 112016380A CN 202010428128 A CN202010428128 A CN 202010428128A CN 112016380 A CN112016380 A CN 112016380A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- data
- camera
- sequence
- 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
- 241001465754 Metazoa Species 0.000 title claims abstract description 129
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000007613 environmental effect Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 21
- 238000004146 energy storage Methods 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 30
- 230000001960 triggered effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 241000251539 Vertebrata <Metazoa> Species 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012843 least square support vector machine Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种野生动物监测方法及系统，所述方法包括：获取位于相机附近的多种传感器所感测的数据，根据所获取的数据确定是否触发所述相机进行图像序列的采集；其中，所述多种传感器所感测的数据包括红外数据、声音强度数据和环境数据中的至少两种数据；获取所述相机所采集的图像序列，在所述图像序列中选择包含动物且非冗余的图像；将所选择的图像发送给服务器。本发明提高了野生动物的监测效率，减少传输时间，降低系统功耗，同时减少服务器系统负担。
Description
技术领域
本发明涉及动物行为监测领域，更具体地，涉及一种针对野生动物，尤其是针对野外陆生脊椎动物的监测方法及系统。
背景技术
野外陆生脊椎动物作为生态系统中的重要组成部分，受全球及区域性气候变化、栖息地占用及破碎化等影响，其生物多样性受到严重威胁。如何在有限的财力、物力和人力的前提下，最大限度地掌握野生陆生脊椎动物的数量和行为节律等信息(即监测野生动物)，已成为目前野生动物保护工作中难度极大的一环。
要监测野生动物，目前常用的方式是给野生动物佩戴定位装置，根据定位装置返回的数据对野生动物的行为进行跟踪。然而这种监测方式具有以下局限性：首先，受大小、形状等因素的限制，定位装置通常只能佩戴在个体较大并且易于捕捉的野生动物身上，通用性不强；其次，野生动物在短时间内很难适应佩戴定位装置，这在一定程度上也影响了野生动物的行为节律；再次，外置的定位装置还存在容易损坏、丢失、难以回收利用等问题。
面对上述定位装置存在的问题，当前越来越多的研究者将红外技术应用到野生动物的保护和监测中，例如将红外传感器与相机结合到一起，通过红外传感器触发相机自动采集野生动物的图像。图1展示了申请号为201310563161.7的中国专利申请所公开的集成有红外传感器和相机的监测装置的一个案例，其中，红外传感器用于感测附近是否有动物存在，如感测到有动物存在则启动相机进行图像采集，相机随后将采集到的图像发送到服务器进行分析处理。红外技术对于野生动物的行为影响较小并且设备损耗大部分来自于设备自然老化，与佩戴定位装置相比其通用性更强。然而，红外技术能够监测到的动物类型仍然有限，即仅局限于恒温动物；而且红外相机、红外传感器经常会出现误判，例如在有动物的情况下没有启动相机或者在没有动物的情况下启动相机，导致大量的无效图像(例如，不包含动物的图像)以及冗余图像(例如，相同或相似的图像)被发送到服务器，造成网络带宽的浪费；此外，设备通常会与太阳能装置结合使用以获得电能，而目前的太阳能电池板造型比较单一(通常呈矩形)，放在野外比较突兀，因而可能影响野生动物的生活习性。
无论是定位装置还是红外技术，通常都需要以无线的方式从野外传输数据(例如位置信息、图像等)至服务器。图2示出了申请号为201310563162.1的中国专利申请所公开的基于无线图像传感器网络构建的野生动物监测系统，如图2所示，以集成有红外传感器和相机的监测装置为例，相机通过无线传感器网络组网，传感器网络通过汇聚节点与3G网络连接，从而将图像发送至基站，并通过互联网上传至服务器。然而，该无线传感器网络存在通讯速率低的问题，并不适用于传输图像。此外，当前的野生动物监测技术通常只能采集位置信息和图像，而大量研究发现野生动物的习性还与环境等因素有关，对野生动物的监测需要大量相关数据的支持。
发明内容
为克服上述现有技术中存在的问题，根据本发明的一个实施例，提供一种野生动物监测方法，包括：获取位于相机附近的多种传感器所感测的数据，根据所获取的数据确定是否触发所述相机进行图像序列的采集；其中，所述多种传感器所感测的数据包括红外数据、声音强度数据和环境数据中的至少两种数据；获取所述相机所采集的图像序列，在所述图像序列中选择包含动物且非冗余的图像；将所选择的图像发送给服务器。
上述方法中，所述图像序列包括至少三幅图像，以及在所述图像序列中选择包含动物且非冗余的图像包括：将所述图像序列中的每三幅连续图像作为一组，得到一个或多个组；从每个组的三幅连续图像中提取轮廓图像并且从所述轮廓图像中提取轮廓特征，根据所述轮廓特征识别动物种类，若识别出动物种类则从该组中选择图像；其中，所述轮廓图像是将该组的第一幅与第二幅灰度图像的差分图像、第二幅与第三幅灰度图像的差分图像以及第一幅灰度图像与背景灰度图像的差分图像进行相与运算得到的。
上述方法中，从每个组的三幅连续图像中提取轮廓图像并且从所述轮廓图像中提取轮廓特征包括对于每个组，执行以下步骤：
a)将该组的三幅连续图像转换为三幅连续的灰度图像；
b)根据下式获得该组的轮廓图像：
M(x，y)＝D1(x，y)×D2(x，y)
其中，x、y表示像素坐标，n表示相机图片的编号；M(x，y)表示该组的轮廓图像；Fn(x，y)、Fn+1(x，y)、Fn+2(x，y)分别表示该组的第一幅、第二幅、第三幅灰度图像；dn,n+1(x，y)表示该组的第一幅与第二幅灰度图像的差分图像；dn+1,n+2(x，y)表示该组的第二幅与第三幅灰度图像的差分图像；Bk(x，y)表示背景灰度图像；T1表示预定的连续图像差分阈值；T2表示预定的背景阈值；D1表示运动图像的差分结果，D2表示含有动物图像与背景图像的差分结果。
c)对获得的所述轮廓图像进行平滑滤波处理，获得轮廓特征。
上述方法中，根据所述轮廓特征识别动物种类，若识别出动物种类则从该组中选择图像包括：将所述轮廓特征输入训练好的识别模型，以识别动物种类；响应于识别出动物种类，从该组的三幅连续图像中选择第二和第三幅图像。
上述方法中，根据所获取的传感器数据确定是否触发所述相机进行图像序列的采集包括：将所获取的数据输入训练好的分类器；根据所述分类器的输出确定是否触发所述相机进行图像序列的采集。
上述方法还可以包括：判断所获取的声音强度数据是否大于等于预定的声音强度阈值，若大于等于预定的声音强度阈值则确定触发声音采集器进行声音数据的采集；将所采集的声音数据以及所述多种传感器所感测的数据发送给所述服务器。
上述方法中，将所选择的图像发送给服务器包括：若存在Wi-Fi信号，则通过Wi-Fi连入互联网，并且基于MQTT协议向所述服务器发送所选择的图像；如不存在Wi-Fi信号，则通过4G或5G连入互联网，并且基于MQTT协议向所述服务器发送所选择的图像。
根据本发明的一个实施例，还提供一种野生动物监测系统，所述系统包括：
电源模块，包括太阳能电池板和储能电池，所述电源模块用于向所述野生动物监测系统的其他部件供电；
相机，其用于采集图像序列；
多种传感器，位于所述相机附近，所述多种传感器包括红外传感器、声音传感器和环境传感器中的至少两种传感器；
通讯模块，用于连接到服务器；
处理模块，与所述电源模块、相机、多种传感器以及通讯模块耦合，用于执行计算机程序以实现上述野生动物监测方法。
上述系统中，所述多种传感器包括环境传感器，所述环境传感器包括环境光传感器；所述电源模块还包括电池管理单元，所述电池管理单元用于获取所述储能电池的电量和所述环境光传感器所感测的光照强度数据，计算所述野生动物监测系统的剩余工作时间，以及在所述野生动物监测系统的剩余工作时间低于预定的报警阈值时向所述处理模块发送警报。
上述系统中，所述太阳能电池板呈伞顶状。
本发明实施例提供如下的有益效果：
1.采用训练好的分类器根据多种传感器感测的多种数据来自动地判断相机的拍摄范围内是否有动物存在，从而确定是否触发相机进行图像序列的采集，一方面使得所监测的野生动物不局限于恒温动物，因而通用性较强；另一方面，针对相机的拍摄范围内是否有动物存在，减少了误判，实现了相机对其拍摄范围内的动物的精准拍摄，并且减少了对无效图像的捕获。
2.除了减少对无效图像的捕获，本发明实施例还对相机所捕获的图像序列进行轮廓特征的提取，根据轮廓特征来识别对应的动物种类并根据识别结果确定是否向服务器发送相应的图像，因此减少了无效图像的传输，提高了数据传输效率，进而提高了野生动物的监测效率。其中，在提取轮廓特征时利用了连续图像的差分图像，使得难以从相同或相似的图像中提取到轮廓特征，从而减少了冗余图像的传输，并且进一步提高了数据传输效率和监测效率。
3.采用Wi-Fi和4G/5G两种模式进行数据传输，在有Wi-Fi信号的情况下，通过Wi-Fi传输数据；在没有Wi-Fi信号但有4G或5G网络覆盖的情况下通过4G或5G网络传输数据，这两种方式均具备高带宽的特性，确保图像数据快速稳定传输至服务器，且成本较低。其中，使用MQTT协议来异步传输数据，进一步降低了传输功耗。
4.除了图像数据，本发明实施例还采集声音数据、位置数据以及精准时间数据，将这些数据与图像数据、多种传感器感测的数据一起发送给服务器，更多的原始数据有益于研究者对野生动物进行更进一步的识别与分析。
5.本发明采用太阳能电池板供电的方式，其中太阳能电池板采用异形材料，例如伞顶状、蘑菇状等的太阳能电池板，既不会破坏自然景观，也不会对野生动物的习性造成影响。
附图说明
将通过参考附图对示例性实施例进行详细描述，附图意在描绘示例性实施例而不应被解释为对权利要求的预期范围加以限制。除非明确指出，否则附图不被认为依比例绘制。
图1示意性示出了现有的野生动物监测装置的示意图；
图2示意性示出了现有的野生动物监测装置与服务器之间进行数据传输的示意图；
图3示意性示出了根据本发明一个实施例的野生动物监测方法的流程图；
图4示意性示出了根据本发明一个实施例的在图像序列中选择包含动物且非冗余的图像的方法流程图；
图5示意性示出了根据本发明一个实施例的基于消息队列遥测传输协议的数据传输流程图；
图6示意性示出了根据本发明一个实施例的野生动物监测系统的框图；
图7示意性示出了根据本发明一个实施例的野生动物监测系统的透视图；
图8示意性示出了根据本发明一个实施例的野生动物监测系统的调度工作流程图。
具体实施方式
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
根据本发明的一个实施例，提供一种野生动物监测方法。该野生动物监测方法可以在具备计算及存储功能的电子设备处执行，该电子设备位于相机附近，并且用于监测野生动物的行为，尤其是野外陆生脊椎动物的行为。概括而言，该野生动物监测方法包括：获取位于相机附近的多种传感器所感测的数据，根据所获取的数据确定是否触发相机进行图像序列的采集；获取相机所采集的图像序列，在图像序列中选择包含动物且非冗余的图像；以及将所选择的图像发送给服务器。
图3示意性地示出了根据本发明一个实施例的野生动物监测方法的流程图，包括步骤S11-S15，下文将参照图3对该野生动物监测方法的各步骤进行描述：
步骤S11.获取位于相机附近的多种传感器所感测的数据。
要捕获野生动物的图像，需要在野生动物可能出现的位置处部署相机，该相机可以是数码照相机、录像机或者红外相机等等。另外，在相机的附近还需要部署用于感测多种不同数据的多种传感器，例如红外传感器、声音传感器以及环境传感器，环境传感器可以包括但不限于温湿度传感器、环境光传感器以及大气压强传感器等。其中，红外传感器被布置为感测相机拍摄范围内的红外数据；声音传感器用于感测相机附近的声音强度数据；温湿度传感器用于感测相机附近的温度数据和湿度数据；环境光传感器用于感测相机附近的光照强度数据并且大气压强传感器用于感测相机附近的气压强度数据；温度数据、湿度数据、光照强度数据和气压强度数据统称为环境数据。应理解，本发明不对传感器的种类进行限制，也不对每种传感器的数量进行限制。
步骤S12.根据所获取的数据确定是否触发相机进行图像序列的采集，若确定触发相机进行图像序列的采集则执行步骤S13，否则返回步骤S11。
在获取了多种传感器所感测的数据之后，即获取了红外数据、声音强度数据和环境数据之后，若环境数据包括不止一种数据，则首先对环境数据进行处理。例如，若环境数据包括温度数据、湿度数据、光照强度数据和气压强度数据，则首先对这些数据进行加权平均处理，公式如下：
其中，n为同类传感器的数量，x1,···,xn为不同位置相同类型传感器所感测的数据，w1,···,wn为各个传感器的权重，
为得到经处理的环境数据。每种数据的权值可以根据经验来设定，加权平均处理可以降低数据计算的复杂度、减少偶然误差并且提高处理效率。随后，将所获取的红外数据、声音强度数据以及经处理的环境数据(或者未经处理的环境数据，若环境数据只包括一种数据则无需进行加权平均处理)输入训练好的分类器，根据分类器的输出确定是否触发相机进行图像序列的采集。分类器的输出可以有两类，一类用于指示触发相机进行图像序列的采集，这也表示相机的拍摄范围内有动物出现；而另一类用于指示不对相机进行触发，这也表示相机的拍摄范围内无动物出现。根据本发明的一个实施例，采用最小二乘支持向量机(LS-SVM)来实现上述分类器，最小二乘支持向量机的优势在于其使用最小二乘线性系统作为损失函数，能够以较小的数据量来实现分类回归，该最小二乘支持向量机的训练过程如下：
获得训练数据集{xi,yi}，i＝1,2,...,l，其中，l表示样本数；
表示第i个输入数据，该输入数据有n维，由上述多种传感器所感测的红外数据、声音强度数据、经处理的环境数据(或者未经处理的环境数据)组成；
表示第i个输入数据(即xi)的类别，其值可以为1或0，例如分别用于指示触发相机(表示对应于第i个输入数据，相机的拍摄范围内有动物出现)或者不触发相机(表示对应于第i个输入数据，相机的拍摄范围内无动物出现)。
约束条件表示如下：
yi[ωTφ(xi)+b]＝1-ξi(i＝i,···,l) (2)
如上文所述，公式(2)中的xi表示第i个输入数据，yi表示第i个输入数据的类别，l表示样本数。此外，公式(2)中的φ(·)表示非线性变换，为非显性结构，用于将输入数据从原空间映射到高维空间F；ξi表示第i个松弛变量；ω为权重，b为偏置参数。
优化问题表示如下：
其中，γ表示惩罚因子并且ξ＝[ξ1,···,ξl]。
上述问题的拉格朗日(Lagrange)函数表示如下：
其中，ai表示第i个拉格朗日乘子。
根据KKT(Karush-Kuhn-Tucker)条件，可以得到下式：
根据公式(5)，消去其中的ω和ξ(如上文所述，ξ＝[ξ1,···,ξl])得到如下的线性矩阵方程：
其中，s＝[1,···,l]T，ηl＝[1,···,l]，Ω表示核矩阵，其中Ωkl＝φT(xk)φ(xl),k,l＝1,2,...,N，I表示单位矩阵，α＝[a1,···,al]，Y＝[y1,···,yl]T。
公式(6)为线性矩阵方程，可以使用最小二乘法求出α和b。
利用核函数K(x,xi)＝φT(x)φ(xi)，得到预测输出函数为：
基于公式(7)，对于输入数据x(输入数据由多种传感器感测到的红外数据、声音强度数据、经处理的环境数据/未经处理的环境数据组成)，其类别由下式给出：
其中，sgn(·)表示阶跃函数，用于将连续值转换为0或1。如上文所述，结果为0表示相机的拍摄范围内无动物出现，指示不触发相机并返回步骤S11；结果为1表示相机的拍摄范围内有动物出现，指示触发相机并执行步骤S13。
与现有技术中仅根据红外数据来判断相机的拍摄范围内是否有动物出现相比，本发明采用了多种传感器来获取多种不同的数据，包括红外数据、声音强度数据以及环境数据，随后通过最小二乘支持向量机根据所获取的多种数据自动得到分类结果，以确定是否触发相机。一方面使得能够监测到的野生动物不局限于恒温动物；另一方面综合多种数据来进行相机触发的确定，减少了误判从而实现了相机对其拍摄范围内的动物的精准拍摄，同时减少了对无效图像的捕获。
此外，本领域技术人员应理解，尽管上文中描述了根据红外数据、声音强度数据以及环境数据来确定是否触发相机，但是仅根据红外数据和声音强度数据、红外数据和环境数据、或者声音强度数据和环境数据来确定是否触发相机也是可以的。
步骤S13.响应于确定触发相机进行图像序列的采集，执行触发相机的操作。
触发相机后，相机可以执行图像连拍或者拍摄视频，并且在拍摄预定的图像张数后或者到达预定的时限后停止操作。若执行连拍，则得到由连续拍摄的图像组成的图像序列；若拍摄视频，则得到由连续的帧组成的图像序列(后文中，每一帧也称作每幅图像)。如果相机是数码照相机或者摄像机，则得到的图像序列中的图像为彩色RGB图像；如果相机是红外相机，则得到的图像序列中的图像为红外图像。
步骤S14.获取相机所采集的图像序列，在图像序列中选择包含动物且非冗余的图像，作为待发送的图像。
如上文所述，基于多种传感器所感测的数据并且利用分类器能够实现相机对其拍摄范围内的动物的精准拍摄，然而相机仍有可能捕获到不包含动物的图像，并且所捕获的图像序列中可能存在大量的冗余图像。为解决这一问题，在步骤S14中从图像序列中将包含动物且非冗余的图像选择出来，从而避免将无效图像和冗余图像传输到服务器。图4示意性地示出了根据本发明一个实施例的在图像序列中选择包含动物且非冗余的图像的方法流程图，其中图像序列包括至少三幅图像，如图4所示，该方法包括如下的子步骤：
子步骤S141.对图像序列中的图像进行预处理。其中，预处理包括：对图像序列中的每幅图像，过滤该图像中的噪声并且进行图像分割处理。根据本发明的一个实施例，可以通过对图像基于Shearlet变换进行分解和重构来过滤该图像中的噪声。
子步骤S142.将图像序列中的每三幅连续图像作为一组，得到一个或多个组，其中每个组包括图像序列中的三幅连续图像。
子步骤S143.从每个组的三幅连续图像中提取轮廓图像，并且从轮廓图像中提取轮廓特征，根据所提取的轮廓特征识别动物种类，若识别出动物种类则从该组中选择图像作为待发送的图像，若未识别出动物种类则排除该组中的图像(即，后续不向服务器发送该组中的图像)。
具体地，子步骤S143包括对于所得到的每个组，执行以下操作：
①将该组中的三幅连续图像转换为三幅连续的灰度图像。以相机所采集的图像序列中的图像为彩色RGB图像为例，将彩色RGB图像转换为灰度图像的公式如下：
Gray＝0.3×R+0.59×G+0.11×B (9)
可以对彩色RGB图像中的每个像素应用公式(9)，从而将彩色RGB图像转换为灰度图像。公式(9)中，Gray表示灰度值，R、G、B分别为像素的红色分量、绿色分量和蓝色分量的值。转换后得到的三幅连续的灰度图像可以分别记为Fn(x，y)、Fn+1(x，y)、Fn+2(x，y)，其中1≤n≤N-2，N表示图像序列中的图像的个数；x、y用于表示像素坐标。
若相机所采集的图像序列中的图像为红外图像，则在步骤①中是将该组中的三幅连续的红外图像转换为三幅连续的灰度图像。
②根据第一幅与第二幅灰度图像的差分图像、第二幅与第三幅灰度图像的差分图像以及第一幅灰度图像与背景灰度图像的差分图像获得轮廓图像。
具体地，根据本发明的一个实施例，利用下式计算该组中第一幅与第二幅灰度图像的差分图像dn,n+1(x，y)以及第二幅与第三幅灰度图像的差分图像dn+1,n+2(x，y)：
其中，Fn(x，y)、Fn+1(x，y)、Fn+2(x，y)分别表示该组的第一幅、第二幅和第三幅灰度图像；T1表示预定的连续图像差分阈值。
对第一幅与第二幅灰度图像的差分图像dn,n+1(x，y)以及第二幅与第三幅灰度图像的差分图像dn+1,n+2(x，y)进行相与运算，得到二值差分图像，如下式所示：
根据本发明的一个实施例，利用下式计算该组的第一幅灰度图像与背景灰度图像的差分图像：
其中，Bk(x，y)表示当前的背景灰度图像(即，无动物经过时由相机拍摄的图像的灰度图像)；T2表示预定的背景阈值；Fn(x，y)表示三幅连续的灰度图像中的第一幅灰度图像。
对D1(x，y)和D2(x，y)进行相与运算，获得轮廓图像：
M(x，y)＝D1(x，y)×D2(x，y) (13)
其中，M(x，y)表示从该组中获得的轮廓图像。
从公式(10)-(11)可知，通过求差分图像削弱了两幅连续图像的相似部分，同时突出了两幅连续图像的变化部分。根据公式(10)-(13)可知，冗余图像的像素通过相与运算，其在轮廓图像中对应的值为0，后续将难以提取到轮廓特征，从而难以识别出动物种类，并因此可能不会从该组中选择图像进行发送，即减少了冗余图像的传输，从而提高了传输效率和监测效率。
③从轮廓图像中提取轮廓特征。根据本发明的一个实施例，对获得的轮廓图像M(x，y)进行平滑滤波处理，从而获得轮廓特征O(x，y)(即，图像中的动物的轮廓特征)。
④根据所提取的轮廓特征识别动物种类，若识别出动物种类则从该组中选择图像作为待发送的图像，若未识别出动物种类则排除该组中的图像(即，后续不向服务器发送该组中的图像)。
具体地，将轮廓特征O(x，y)输入训练好的TensorFlow Lite模型，以识别对应的动物种类。对于输入的轮廓特征O(x，y)，TensorFlow Lite模型识别是否有对应的动物种类，其输出数据可以包括指示未识别出动物种类的数据或者指示动物种类的数据。若未识别出动物种类，则不从该组的三幅连续图像中选择图像作为待发送的图像；若识别出动物种类，则从该组中选择一幅或多幅图像作为待发送的图像并且本地存储所选择的图像，例如，可以从该组的三幅连续图像中选择后两幅图像作为待发送的图像。
针对未识别出动物种类的组，该组中的图像所包含的(运动的)目标可能不是动物，因此这类无效数据不会被选择并发送到服务器，从而减少了无效图像的传输，提高了传输效率，并且进而提高了野生动物的监测效率。
步骤S15.将待发送的图像以及多种传感器所感测的数据发送给服务器，以在服务器侧进行进一步的处理。
根据本发明的一个实施例，将待发送的图像以及多种传感器所感测的数据经由包括4G单元、5G单元和Wi-Fi单元的通讯模块发送给服务器。具体地，检测是否有Wi-Fi信号，若检测到Wi-Fi信号则通过Wi-Fi连入互联网；若没有Wi-Fi信号，但有4G或5G信号(即位于4G或5G覆盖区域)，则通过4G或5G连入互联网，其中若同时存在4G或5G信号，则优选通过5G连入互联网。应理解，在4G或5G没有覆盖的区域，需要通过Wi-Fi中继进行组网，以实现电子设备侧与服务器侧之间的数据传输。
在连接到互联网之后，通过消息队列遥测传输(Message Queuing TelemetryTransport，MQTT)协议来实现数据(包括待发送的图像以及多种传感器所感测的数据)向服务器的异步传输。MQTT协议传输的数据分为主题(Topic)和负载(payload)两部分，主题为消息的类型，订阅者在订阅主题后会收到该主题的消息内容(即负载，payload)，payload为消息内容。MQTT协议引入了MQTT代理(MQTT broker)，通过MQTT代理在发布者(Publisher，例如执行野生动物监测方法的电子设备侧)和订阅者(Subscriber，例如服务器侧)之间异步传输数据，MQTT代理作为消息的中转，其过滤所有接收到的消息，并按照一定的机制分发这些消息，使得所有注册到MQTT代理的订阅者只接收到其订阅了的主题的消息内容，而不会接收到未订阅的主题的消息内容。如图5所示，服务器可以订阅电子设备侧的主题terminal_id/msgup以及terminal_id/picup，前者对应于多种传感器所感测的数据(例如，由环境传感器所感测的环境数据等)，后者对应于待发送的图像，terminal_id可以是上述执行野生动物监测方法的电子设备的编号(例如，电子设备中的主控芯片的UID)，用于避免在多个这样的电子设备联网时产生冲突。上述的MQTT代理可以是由云服务商提供的各种MQTT代理，也可以自行搭建。此外，图5还示出了在电子设备侧和服务器侧之间传输的其他数据类型：例如图像确认消息、发布任务列表消息(如图5中所示的terminal_id/msgdown，本领域技术人员应理解，电子设备侧也可以作为订阅者来订阅服务器侧发布的主题)等。异步传输的数据包体可以是二进制数据，例如用于打包图像；也可以是JSON格式的数据，例如用于打包发布任务列表消息、多种传感器所感测的数据等等。待数据发送完成后，无需保持长连接，可以以定期连接到MQTT代理的方式来进行数据的传输。
通过采用Wi-Fi和4G/5G两种模式进行数据传输，具有传输稳定，适用范围广，成本低等优点。另外，使用MQTT协议来异步传输数据，这对于低功耗、低速网络而言具有较好的适应性，并且具备完善的QoS机制，增强了所传输的数据安全性和完整性。此外，除了向服务器发送待发送的图像之外，还发送多种传感器所感测的数据，有益于研究者对野生动物的识别与分析。在将待发送的图像以及多种传感器所感测的数据发送给服务器之后，可以返回步骤S11继续获取位于相机附近的多种传感器所感测的数据，并且执行步骤S12-S15。
在上述实施例中，尽管以MQTT协议为例描述了异步数据传输过程，然而本领域技术人员应理解，其他诸如CoAP协议等的协议也可以用于传输图像以及多种传感器所感测的数据。在上述实施例中，通过训练好的TensorFlow Lite模型根据所提取的轮廓特征来识别动物种类，而在其他实施例中，也可以通过将从每个组中提取的轮廓特征与现有轮廓特征(例如，本地存储的各种动物种类所对应的轮廓特征)进行匹配来识别动物种类。具体地，计算所提取的轮廓特征与现有轮廓特征之间的距离，将与所提取的轮廓特征距离最近并且小于等于预定距离阈值的现有轮廓特征所对应的动物种类作为所提取的轮廓特征所对应的动物种类；若最小距离大于预定距离阈值，则表示未识别出动物种类。在上述实施例中，相机被触发后，在拍摄预定的图像张数后或者到达预定的时限后停止操作，而在其他实施例中，也可以根据多种传感器后续感测的数据利用训练好的分类器再次确定是否触发相机进行图像序列的采集(该过程参见步骤S12)，若确定触发相机进行图像序列的采集则不停止相机拍摄，若确定不触发相机则停止相机拍摄。
在一个优选的实施例中，还可以在相机附近部署声音采集器(或者采用具有声音采集功能的声音传感器)来采集声音数据。具体地，在获取声音传感器所感测的声音强度数据后，确定是否触发声音采集器进行声音数据的采集，其中若声音强度数据大于等于预定的声音强度阈值则触发声音采集器进行声音数据的采集。此外，在向服务器发送待发送的图像以及多种传感器所感测的数据的同时，还发送所采集的声音数据，所采集的声音数据也有益于研究者对野生动物进行识别与分析。在进一步的实施例中，还可以在相机附近部署定位模块来获取位置数据(例如，经纬度数据和海拔数据等)以及精准时间数据，并且可以在获取位置数据和精准时间数据之后，将这些数据与上述待发送的图像、多种传感器所感测的数据、声音数据一起发送至服务器。
根据本发明的一个实施例，还提供一种野生动物监测系统，该野生动物监测系统用于实现上述野生动物监测方法。
图6示意性地示出了根据本发明一个实施例的野生动物监测系统的框图，如图6所示，该野生动物监测系统600包括相机模块601、多种传感器602、处理模块603、通讯模块604和电源模块605。下文将参照图6详细描述该野生动物监测系统600的各个部件：
相机模块601包括相机、通讯电路和控制电路，相机模块601通常部署在野生动物可能出现的位置处。其中，相机可以是数码照相机、录像机或者红外相机等等，相机在经由控制电路接收到来自处理模块603的触发信号后，开始图像序列的采集。相机可以执行图像连拍或者拍摄视频，并且在拍摄预定张数后或者到达预定的时限后停止操作，在停止操作后，相机可以经由通讯电路将所采集的图像序列发送给处理模块603。
多种传感器602位于相机附近，用于感测多种不同的数据。多种传感器602可以包括红外传感器、声音传感器以及环境传感器，其中环境传感器包括但不限于：温湿度传感器、环境光传感器以及大气压强传感器。
处理模块603包括：主控微控制单元(即主控MCU)，其例如可以是BCM2837芯片；存储电路以及辅助电路。处理模块603从多种传感器602获取多种传感器602所感测的数据，根据所获取的数据确定是否触发相机模块601中的相机进行图像序列的采集，若确定触发相机进行图像序列的采集则向相机模块601发送触发信号。处理模块603还从相机模块601获取相机所采集的图像序列，在图像序列中选择包含动物且非冗余的图像，并且将所选择的图像经由通讯模块604发送给服务器。
具体地，处理模块603在获取了多种传感器602所感测的红外数据、声音强度数据以及环境数据之后，若环境数据包括不止一种数据，则首先对环境数据进行处理(例如，如上文所述的加权平均处理)，得到经处理的环境数据。随后，将所获取的红外数据、声音强度数据以及经处理的环境数据(或者未经处理的环境数据，应理解，若环境数据只包括一种数据则无需进行加权平均处理)输入上文所述的分类器，根据该分类器的输出确定是否触发相机模块601中的相机进行图像序列的采集；若确定触发相机进行图像序列的采集，则处理模块603向相机模块601发送触发信号。本领域技术人员应理解，尽管这里描述了处理模块603根据红外数据、声音强度数据以及环境数据来确定是否触发相机，但仅根据红外数据和声音强度数据、红外数据和环境数据、或者声音强度数据和环境数据来确定是否触发相机也是可以的。
处理模块603还可以从相机模块601获取相机所采集的图像序列，对图像序列中的图像进行预处理(例如，如上文所述的噪声过滤和图像分割处理)。随后，将图像序列中的每三幅连续图像作为一组，得到一个或多个组；从每个组的三幅连续图像中提取轮廓图像，并且从轮廓图像中提取轮廓特征，将轮廓特征输入训练好的TensorFlow Lite模型，以识别动物种类，若识别出动物种类则从该组的三幅连续图像中选择一幅或多幅图像作为待发送的图像，若未识别出动物种类则不进行图像选择(即排除该组中的图像作为待发送的图像)。在选择了待发送的图像之后，将待发送的图像以及多种传感器所感测的数据经由通讯模块604发送给服务器，以在服务器侧进一步处理。除了利用训练好的TensorFlow Lite模型，在另一个实施例中，处理模块603也可以通过将从每个组中提取的轮廓特征与现有轮廓特征(例如，本地存储的各种动物种类所对应的轮廓特征)进行匹配来识别动物种类。
通讯模块604包括4G单元、5G单元、Wi-Fi单元、USB接口以及RS232串行接口，以连接至服务器。通讯模块604经由USB接口或者RS232串行接口接收来自处理模块603的待发送的图像以及多种传感器所感测的数据。通讯模块604还用于检测是否有Wi-Fi信号，若检测到Wi-Fi信号则经由Wi-Fi单元通过Wi-Fi连入互联网；若没有Wi-Fi信号，但有4G或5G信号(即位于4G或5G覆盖区域)，则经由4G或5G单元通过4G或5G连入互联网，其中若同时存在4G或5G信号，则优选通过5G连入互联网。应理解，在4G或5G没有覆盖的区域，需要通过Wi-Fi中继进行组网，例如采用星型网络进行组网。在连接到互联网之后，通讯模块604通过MQTT协议来实现数据(包括待发送的图像以及多种传感器所感测的数据)向服务器的异步传输。待数据发送完成后，通讯模块604无需保持长连接，可以以定期连接到MQTT代理的方式来进行数据的异步传输。在本发明的另一个实施例中，通讯模块604也可以通过CoAP协议来实现数据向服务器的异步传输。
电源模块605包括异形太阳能电池板、储能电池和电池管理单元，用于向野生动物监测系统的其他部件供电。其中，电池管理单元用于从多种传感器602中的环境光传感器获取所感测的光照强度数据，并且从储能电池获取储能电池的电量，根据光照强度数据和储能电池的电量计算野生动物监测系统的剩余工作时间，并且在野生动物监测系统的剩余工作时间低于预定的报警阈值时向处理模块603发送警报，处理模块603可以例如在接收到警报后控制野生动物监测系统进入待机状态。根据本发明的一个实施例，太阳能电池板采用异形材料，例如伞顶状、蘑菇状的异形材料，这样既不会破坏自然景观，也不会对野生动物的习性造成影响。
本领域技术人员应理解，尽管在图6中将一些单元(例如，红外传感器、声音传感器以及环境传感器)包括在一个模块(例如，多种传感器602)内，然而在实际的部署中，这些单元可以不必布置在一处。图7示意性地示出了根据本发明一个实施例的野生动物监测系统的透视图，如图7所示，该野生动物监测系统呈伞状，其中，由多块异形太阳能电池板704构成伞顶701；伞柄702上具有相机模块601、通讯模块604、红外传感器705和声音传感器706；底座703内包括处理模块603、环境传感器707(例如包括温湿度传感器、环境光传感器以及大气压强传感器)、电源管理单元708和储能电池709。
在一个优选的实施例中，野生动物监测系统还可以包括声音采集器，声音采集器例如可以位于相机模块601的附近。处理模块603在获取声音传感器所感测的声音强度数据后，确定是否触发声音采集器进行声音数据的采集，其中若声音强度数据大于等于预定的声音强度阈值则触发声音采集器进行声音数据的采集。声音数据可以与待发送的图像、多种传感器所感测的数据一起，经由通讯模块604发送到服务器。此外，在一个优选的实施例中，野生动物监测系统还可以包括定位模块，该定位模块可以支持BDS中国北斗卫星导航系统、GPS或者GLONASS卫星导航系统等，从而能够获取经纬度数据、海拔数据以及精准时间数据。处理模块603可以从定位模块获取经纬度数据、海拔数据以及精准时间数据，并且更新野生动物监测系统的时间；此外，除了上述的待发送的图像、多种传感器所感测的数据、声音数据之外，处理模块603还可以经由通讯模块604向服务器发送精准时间数据、经纬度数据和海拔数据。
以上结合图6-7描述了野生动物监测系统的各个部件以及各部件之间的联系，下文将参照图8，以包括声音采集器和定位模块的优选实施例为例，描述根据本发明一个实施例的野生动物监测系统的调度工作流程。
参见图8，野生动物监测系统在中断唤醒后执行初始化，随后开启调度管理器以并行或顺序地执行以下几个进程：
进程1.经由通讯模块通过Wi-Fi或者4G/5G连接互联网；从MQTT代理订阅主题；发送自上一次发送数据之后本地存储的待发送图像、多种传感器所感测的数据、声音数据、位置数据以及精准时间数据，获取来自MQTT代理的确认消息；关闭网络连接。
进程2.获取由多种传感器所感测的数据；根据所获取的声音强度数据确定是否触发声音采集器进行声音数据的采集，获取声音采集器采集的声音数据；根据所获取的由多种传感器所感测的数据确定是否触发相机进行图像序列的采集，获取相机采集的图像序列；从图像序列中选择包含动物且非冗余的图像；在本地存储所选择的图像、所采集的声音数据以及多种传感器所感测的数据。
进程3.经由定位模块连接全球定位系统，获取经纬度数据、海拔数据和精准时间数据；更新动物监测系统的时间；在本地存储经纬度数据、海拔数据以及精准时间数据。
进程4.由电源管理单元获取由环境光传感器所感测的光照强度数据；获取储能电池的电量；根据光照强度数据、储能电池的电量计算野生动物监测系统的剩余工作时间；若野生动物监测系统的剩余工作时间低于预定的报警阈值则发送警报，根据该警报，野生动物监测系统可进入待机状态。
在野生动物监测系统进入待机状态后，等待下一次中断唤醒。例如，在待机一段时间后中断唤醒。
应注意到一些示例性方法被描绘为流程图。虽然流程图将操作表述为顺序执行，但可以理解的是，许多操作可以并行、同时或同步地执行。另外，可以重新排列操作的顺序。处理可以在操作完成时终止，但是也可以具有并未包括在图中或实施例中的另外的步骤。
上述方法可以通过硬件、软件、固件、中间件、伪代码、硬件描述语言或者它们的任意组合来实现。当以软件、固件、中间件或伪代码实施时，用来执行任务的程序代码或代码分段可以被存储在计算机可读介质中，诸如存储介质，处理器可以执行该任务。
应理解，软件实现的示例性实施例通常在一些形式的程序存储介质上进行编码或者在一些类型的传输介质上实现。程序存储介质可以是任意的非瞬态存储介质，诸如磁盘(例如，软盘或硬盘)或光盘(例如，紧凑盘只读存储器或“CD ROM”)，并且可以是只读的或者随机访问的。类似地，传输介质可以是双绞线、同轴线缆、光纤，或者本领域已知的一些其它适用的传输介质。
虽然本发明已经通过优选实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所做出的各种改变以及变化。
Claims (10)
1.一种野生动物监测方法，其特征在于，所述方法包括：
获取位于相机附近的多种传感器所感测的数据，根据所获取的数据确定是否触发所述相机进行图像序列的采集；其中，所述多种传感器所感测的数据包括红外数据、声音强度数据和环境数据中的至少两种数据；
获取所述相机所采集的图像序列，在所述图像序列中选择包含动物且非冗余的图像；
将所选择的图像发送给服务器。
2.根据权利要求1所述的方法，其特征在于，所述图像序列包括至少三幅图像，以及在所述图像序列中选择包含动物且非冗余的图像包括：
将所述图像序列中的每三幅连续图像作为一组，得到一个或多个组；
从每个组的三幅连续图像中提取轮廓图像并且从所述轮廓图像中提取轮廓特征，根据所述轮廓特征识别动物种类，若识别出动物种类则从该组中选择图像；其中，所述轮廓图像是将该组的第一幅与第二幅灰度图像的差分图像、第二幅与第三幅灰度图像的差分图像以及第一幅灰度图像与背景灰度图像的差分图像进行相与运算得到的。
3.根据权利要求2所述的方法，其特征在于，从每个组的三幅连续图像中提取轮廓图像并且从所述轮廓图像中提取轮廓特征包括对于每个组，执行以下步骤：
a)将该组的三幅连续图像转换为三幅连续的灰度图像；
b)根据下式获得该组的轮廓图像：
M(x，y)＝D1(x，y)×D2(x，y)
其中，x、y表示像素坐标；M(x，y)表示该组的轮廓图像；Fn(x，y)、Fn+1(x，y)、Fn+2(x，y)分别表示该组的第一幅、第二幅、第三幅灰度图像；dn,n+1(x，y)表示该组的第一幅与第二幅灰度图像的差分图像；dn+1,n+2(x，y)表示该组的第二幅与第三幅灰度图像的差分图像；Bk(x，y)表示背景灰度图像；T1表示预定的连续图像差分阈值；T2表示预定的背景阈值；D1表示运动图像的差分结果，D2表示含有动物图像与背景图像的差分结果。
c)对获得的所述轮廓图像进行平滑滤波处理，获得轮廓特征。
4.根据权利要求2所述的方法，其特征在于，根据所述轮廓特征识别动物种类，若识别出动物种类则从该组中选择图像包括：
将所述轮廓特征输入训练好的识别模型，以识别动物种类；
响应于识别出动物种类，从该组的三幅连续图像中选择第二和第三幅图像。
5.根据权利要求1-4中任一项所述的方法，其特征在于，根据所获取的数据确定是否触发所述相机进行图像序列的采集包括：
将所获取的数据输入训练好的分类器；
根据所述分类器的输出确定是否触发所述相机进行图像序列的采集。
6.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：
判断所获取的声音强度数据是否大于等于预定的声音强度阈值，若大于等于预定的声音强度阈值则确定触发声音采集器进行声音数据的采集；
将所采集的声音数据以及所述多种传感器所感测的数据发送给所述服务器。
7.根据权利要求1-4中任一项所述的方法，其特征在于，将所选择的图像发送给服务器包括：
若存在Wi-Fi信号，则通过Wi-Fi连入互联网，并且基于MQTT协议向所述服务器发送所选择的图像；
如不存在Wi-Fi信号，则通过4G或5G连入互联网，并且基于MQTT协议向所述服务器发送所选择的图像。
8.一种野生动物监测系统，其特征在于，所述系统包括：
电源模块，包括太阳能电池板和储能电池，所述电源模块用于向所述野生动物监测系统的其他部件供电；
相机，其用于采集图像序列；
多种传感器，位于所述相机附近，所述多种传感器包括红外传感器、声音传感器和环境传感器中的至少两种传感器；
通讯模块，用于连接到服务器；
处理模块，与所述电源模块、相机、多种传感器以及通讯模块耦合，用于执行计算机程序以实现权利要求1-7之一的方法。
9.根据权利要求8所述的系统，其特征在于，
所述多种传感器包括环境传感器，所述环境传感器包括环境光传感器；
所述电源模块还包括电池管理单元，所述电池管理单元用于获取所述储能电池的电量和所述环境光传感器所感测的光照强度数据，计算所述野生动物监测系统的剩余工作时间，以及在所述野生动物监测系统的剩余工作时间低于预定的报警阈值时向所述处理模块发送警报。
10.根据权利要求8或9所述的系统，其特征在于，所述太阳能电池板呈伞顶状。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2019104635073 | 2019-05-30 | ||
| CN201910463507 | 2019-05-30 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112016380A true CN112016380A (zh) | 2020-12-01 |
| CN112016380B CN112016380B (zh) | 2024-03-08 |
Family
ID=73506580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010428128.3A Active CN112016380B (zh) | 2019-05-30 | 2020-05-20 | 野生动物监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112016380B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112637557A (zh) * | 2020-12-09 | 2021-04-09 | 光谷技术有限公司 | 一种生态监测预警方法及系统 |
| CN112665652A (zh) * | 2021-01-05 | 2021-04-16 | 宁波大学 | 一种旱田土壤动物数据的野外自动监测与获取系统及方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6583813B1 (en) * | 1998-10-09 | 2003-06-24 | Diebold, Incorporated | System and method for capturing and searching image data associated with transactions |
| CN202524504U (zh) * | 2012-03-22 | 2012-11-07 | 中国科学院动物研究所 | 野生动物红外自动监测仪 |
| CN103546728A (zh) * | 2013-11-14 | 2014-01-29 | 北京林业大学 | 一种野生动物野外监测装置 |
| CN103561242A (zh) * | 2013-11-14 | 2014-02-05 | 北京林业大学 | 一种基于无线图像传感器网络的野生动物监测系统 |
| US20140253726A1 (en) * | 2013-03-11 | 2014-09-11 | Curtis Stokes Koontz | System, apparatus, and method for predicting animal activity or inactivity |
| WO2015180267A1 (zh) * | 2014-05-26 | 2015-12-03 | 北京中电兴发科技有限公司 | 智能监测装置和方法 |
| CN205385562U (zh) * | 2016-03-02 | 2016-07-13 | 鼎盛特安全预警技术(北京)有限公司 | 一种野外工作自供电长寿命无线传输远程监控摄像装置 |
| US20160217345A1 (en) * | 2013-08-26 | 2016-07-28 | International Business Machines Corporation | Role-based tracking and surveillance |
| CN106911914A (zh) * | 2017-02-28 | 2017-06-30 | 中国科学院城市环境研究所 | 红外热成像动物活动追踪系统 |
| KR20170090907A (ko) * | 2016-01-29 | 2017-08-08 | 한화테크윈 주식회사 | 감시 방법 |
| CN107592502A (zh) * | 2017-09-21 | 2018-01-16 | 南昌工程学院 | 一种太阳能供电的无线传感网络图像监测系统 |
| US20180130323A1 (en) * | 2016-11-08 | 2018-05-10 | Tianjin Hualai Technology Co., Ltd. | Surveillance camera |
| WO2018189734A1 (en) * | 2017-04-13 | 2018-10-18 | Dairymaster | Data collection system and method for collecting data relating to the behaviour, a state or a characteristic of a plurality of animals |
| CN108924483A (zh) * | 2018-06-27 | 2018-11-30 | 南京朴厚生态科技有限公司 | 一种基于深度学习技术的野外动物的自动监测系统和方法 |
| CN109510972A (zh) * | 2019-01-08 | 2019-03-22 | 中南林业科技大学 | 一种基于物联网的野生动物智能监视方法 |
| KR20190033892A (ko) * | 2017-09-22 | 2019-04-01 | 국립생태원 | 야생동물 모니터링 시스템 및 그 방법 |
-
2020
- 2020-05-20 CN CN202010428128.3A patent/CN112016380B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6583813B1 (en) * | 1998-10-09 | 2003-06-24 | Diebold, Incorporated | System and method for capturing and searching image data associated with transactions |
| CN202524504U (zh) * | 2012-03-22 | 2012-11-07 | 中国科学院动物研究所 | 野生动物红外自动监测仪 |
| US20140253726A1 (en) * | 2013-03-11 | 2014-09-11 | Curtis Stokes Koontz | System, apparatus, and method for predicting animal activity or inactivity |
| US20160217345A1 (en) * | 2013-08-26 | 2016-07-28 | International Business Machines Corporation | Role-based tracking and surveillance |
| CN103546728A (zh) * | 2013-11-14 | 2014-01-29 | 北京林业大学 | 一种野生动物野外监测装置 |
| CN103561242A (zh) * | 2013-11-14 | 2014-02-05 | 北京林业大学 | 一种基于无线图像传感器网络的野生动物监测系统 |
| WO2015180267A1 (zh) * | 2014-05-26 | 2015-12-03 | 北京中电兴发科技有限公司 | 智能监测装置和方法 |
| KR20170090907A (ko) * | 2016-01-29 | 2017-08-08 | 한화테크윈 주식회사 | 감시 방법 |
| CN205385562U (zh) * | 2016-03-02 | 2016-07-13 | 鼎盛特安全预警技术(北京)有限公司 | 一种野外工作自供电长寿命无线传输远程监控摄像装置 |
| US20180130323A1 (en) * | 2016-11-08 | 2018-05-10 | Tianjin Hualai Technology Co., Ltd. | Surveillance camera |
| CN106911914A (zh) * | 2017-02-28 | 2017-06-30 | 中国科学院城市环境研究所 | 红外热成像动物活动追踪系统 |
| WO2018189734A1 (en) * | 2017-04-13 | 2018-10-18 | Dairymaster | Data collection system and method for collecting data relating to the behaviour, a state or a characteristic of a plurality of animals |
| CN107592502A (zh) * | 2017-09-21 | 2018-01-16 | 南昌工程学院 | 一种太阳能供电的无线传感网络图像监测系统 |
| KR20190033892A (ko) * | 2017-09-22 | 2019-04-01 | 국립생태원 | 야생동물 모니터링 시스템 및 그 방법 |
| CN108924483A (zh) * | 2018-06-27 | 2018-11-30 | 南京朴厚生态科技有限公司 | 一种基于深度学习技术的野外动物的自动监测系统和方法 |
| CN109510972A (zh) * | 2019-01-08 | 2019-03-22 | 中南林业科技大学 | 一种基于物联网的野生动物智能监视方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张履冰 等: "红外相机技术在我国野生动物监测中的应用:问题与限制", 生物多样性, vol. 22, no. 06, 30 November 2014 (2014-11-30), pages 20 - 27 * |
| 汪建;刘建斌;杜世平;: "多传感器和图像信息融合的养殖监测系统", 农机化研究, no. 11, pages 181 - 121 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112637557A (zh) * | 2020-12-09 | 2021-04-09 | 光谷技术有限公司 | 一种生态监测预警方法及系统 |
| CN112665652A (zh) * | 2021-01-05 | 2021-04-16 | 宁波大学 | 一种旱田土壤动物数据的野外自动监测与获取系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112016380B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111928888B (zh) | 一种水域污染智能监控分析方法及系统 | |
| CN109492536B (zh) | 一种基于5g架构的人脸识别方法及系统 | |
| EP2688296A1 (en) | Video monitoring system and method | |
| CN110084113B (zh) | 活体检测方法、装置、系统、服务器及可读存储介质 | |
| CN110784628A (zh) | 图像数据的采集处理方法、系统及智能摄像头、服务器 | |
| US11715286B2 (en) | Method and system for recognizing marine object using hyperspectral data | |
| US11935378B2 (en) | Intrusion detection methods and devices | |
| CN112016380B (zh) | 野生动物监测方法及系统 | |
| CN111223263A (zh) | 一种全自动综合型火灾预警响应系统 | |
| KR102333143B1 (ko) | 무인 계수 서비스 제공 시스템 | |
| CN111191507A (zh) | 智慧社区的安全预警分析方法及系统 | |
| CN113312957A (zh) | 基于视频图像的脱岗识别方法、装置、设备及存储介质 | |
| CN113723184A (zh) | 基于智能网关的场景识别系统、方法、装置和智能网关 | |
| CN113935364A (zh) | 基于YOLOv4网络的无人机火焰检测方法及系统 | |
| CN112449147A (zh) | 光伏电站视频集群监控系统及其图像处理方法 | |
| CN111060079A (zh) | 河道异物识别方法以及河道异物监控平台系统 | |
| CN115082813A (zh) | 检测方法、无人机、检测系统及介质 | |
| CN112422895A (zh) | 基于无人机的图像分析跟踪、定位系统及方法 | |
| CN115457411B (zh) | 航油管线无人化巡视方法、装置和航油安全运维系统 | |
| CN108596068B (zh) | 一种动作识别的方法和装置 | |
| CN116318365A (zh) | 天地多元一体化的时空服务大数据平台 | |
| CN113705442A (zh) | 一种户外大牌广告画面监控识别系统及方法 | |
| CN114677584A (zh) | 一种双注意力机制配电站水浸识别方法及系统 | |
| CN113115072A (zh) | 一种基于端云协同的视频目标检测跟踪调度方法及系统 | |
| CN111553541A (zh) | 一种基于图像预测天气的系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |