CN112733809B - 一种用于自然保护区监控系统的智能图像识别方法及系统 - Google Patents

一种用于自然保护区监控系统的智能图像识别方法及系统 Download PDF

Info

Publication number
CN112733809B
CN112733809B CN202110199172.6A CN202110199172A CN112733809B CN 112733809 B CN112733809 B CN 112733809B CN 202110199172 A CN202110199172 A CN 202110199172A CN 112733809 B CN112733809 B CN 112733809B
Authority
CN
China
Prior art keywords
image
sub
original image
elements
module
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.)
Active
Application number
CN202110199172.6A
Other languages
English (en)
Other versions
CN112733809A (zh
Inventor
常灵逸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202110199172.6A priority Critical patent/CN112733809B/zh
Publication of CN112733809A publication Critical patent/CN112733809A/zh
Application granted granted Critical
Publication of CN112733809B publication Critical patent/CN112733809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/38—Outdoor scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于自然保护区监控系统的智能图像识别方法和系统，基于自然保护区监控系统获取原始图像，对原始图像进行划窗剪裁，获得原始图像裁剪后的数据集，其中，该数据集由若干张子图像组成，每张子图像的格式为360*640；基于Xception模型和Xception模型的训练权重，通过输入原始图像裁剪后的若干张子图数像据集，获得对应子图像的张量；再将该组子图像的张量作为输入，送入全连接神经网络模型，得到原始图像的张量，从而得到原始图像的真实类别，本发明对游人、钓鱼、开船的行为作出预警达到了91.4％的准确率。

Description

一种用于自然保护区监控系统的智能图像识别方法及系统
技术领域
本发明属于计算机视觉领域，涉及一种用于自然保护区监控系统的智能图像识别方法及系统。
背景技术
随着AI技术的快速发展和在某些领域的颠覆式应用，AI在工业中的地位越来越明显，在商业上的普及以及渗透力度越来越来大。而计算机视觉作为AI技术里最重要的组成部分之一，目前在生活中的很多方面实现了落地应用。而AI的准确率决定着一个AI技术被市场的认可和推广程度，因此高准确率的AI技术至关重要。
目前计算机视觉很少涉及自然保护区进行尝试，更没有建立起该领域精确度baseline。一个原因是自然保护区中用于拍摄图像的监控装置大部分设置在距离地面十几米甚至几十米的地方，距离监控目标在几百米以上，通过监控装置拍摄的原始图像分辨率高，需要克服的因素很多，比如小目标、树木遮挡、光线(阴暗面)、空气能见度、聚焦等因素；另一个原因是自然保护区提供用于进行图像识别的用来训练神经网络的原始图像数量少，对于计算机视觉提出了更高的要求，急需一款计算机视觉系统和处理方法，通过对少量图像样本的处理识别后，就可以应用于自然保护区的监控系统，并且具有较高的识别率，填补了自然保护区安防领域的计算机视觉的空白。
发明内容
为了解决上述问题，本发明提供一种用于自然保护区监控系统的智能图像识别方法，包括以下步骤：
S1.基于自然保护区监控系统获取原始图像，对原始图像进行剪裁，获得子图像数据集，其中，子图像数据集包括若干张子图像，每张子图像的子图像格式为360*640；
S2.基于Xception模型和Xception模型的训练权重，通过输入子图像数据集，构建子图像数据集对应的子图像张量模型；
S3.基于子图像张量模型，通过设置全连接神经网络，构建原始图像类别预测模型，通过原始图像类别预测模型，获得原始图像类别，用于自然保护区监控系统对保护区进行检测，判断是否有预警目标闯入保护区。
优选地，子图像数据集至少包括9张或25或49或81张子图像。
优选地，剪裁为划窗剪裁；划窗剪裁包括水平划窗和竖直划窗；划窗剪裁包括水平划窗和竖直划窗的步长为固定步长；水平划窗的步长为子图像水平像素的二分之一，竖直划窗的步长为子图像竖直像素的二分之一。
优选地，原始图像包括若干图像元素，其中，图像元素至少包括风景元素、游人元素、开船元素、钓鱼元素；子图像数据集包括风景元素、游人元素、开船元素、钓鱼元素的一项或几项；预警目标至少包括游人元素、开船元素、钓鱼元素；子图像张量模型为子图像中包含图像元素的概率。
优选地，当子图像数据集的两张子图像包括相同图像元素和具有相同图像元素时，将相同图像元素提取或删除，用于增强对原始图像的识别。
一种用于自然保护区监控系统的智能图像识别系统，包括：
原始图像收集模块、原始图像裁剪模块、子图像张量生成模块、原始图像类别预测模块、存储模块；存储模块与原始图像收集模块、原始图像裁剪模块、子图像张量生成模块、原始图像类别预测模块连接；原始图像收集模块用于通过自然保护区监控系统收集原始图像；原始图像裁剪模块用于将原始图像裁剪成若干张子图像；子图像张量生成模块用于生成每个子图像对应的子图像张量；原始图像类别预测模块，用于通过汇总一组子图像对应的张量模型，生成原始图像张量模型，根据原始图像张量模型，得到原始图像的类别，根据类别判断是否有预警目标闯入保护区。
优选地，原始图像收集模块与自然保护区监控系统的视频服务器连接。
优选地，子图像张量生成模块，至少包括风景元素张量生成模块、游人元素张量生成模块、开船元素张量生成模块、钓鱼元素张量生成模块；用于基于子图像，分析原始图像中风景元素、游人元素、开船元素、钓鱼元素的局部信息概率；原始图像类别预测模块，通过汇总局部信息概率，基于设置全连接神经网络，获得原始图像具有风景元素、游人元素、开船元素、钓鱼元素的全局信息概率最高的类别。
优选地，子图像张量生成模块还包括，数据增强模块；数据增强模块用于在子图像张量生成模块训练过程中，提取或删除两个具有相同图像元素和图像元素概率的子图像的相同图像元素。
本发明的积极进步效果在于：按照划窗裁剪的方式，将原始的图像裁剪成了5*5＝25张子图像像；然后使用Xception模型对每一张子图像像预测出一个1*4的张量；然后汇总5*5个张量作为输入，送入全连接神经网络，预测出原始图像的类别(风景元素、游人元素、钓鱼元素、开船元素)；其中Xception模型训练过程中，使用一种特定的数据增强；全连接神经网络从0开始训练；这样可以极大提高模型预测的准确率，从而为AI落地国家自然保护区铺平道路，在计算机视觉安防领域自然保护区方面，使用AI技术自动分析视频数据，对人、钓鱼、开船的行为作出预警达到了91.4％的准确率。
附图说明
图1是本发明实施例提供的国家自然保护区视频监控的解决方案内部逻辑；
图2是本发明实施例提供的国家自然保护区视频监控的系统架构设计；
图3是本发明实施例所述的图像增强示例1；
图4是本发明实施例所述的图像增强示例2；
图5是本发明实施例所述的图像增强示例3。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。用于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1-5所示，本发明提供了一种用于自然保护区监控系统的智能图像识别方法，包括以下步骤：
S1.基于自然保护区监控系统获取原始图像，对原始图像进行剪裁，获得子图像数据集，其中，子图像数据集包括若干张子图像，每张子图像的子图像格式为360*640；
S2.基于Xception模型和Xception模型的训练权重，通过输入子图像数据集，构建子图像数据集对应的子图像张量模型；
S3.基于子图像张量模型，通过设置全连接神经网络，构建原始图像类别预测模型，通过原始图像类别预测模型，获得原始图像类别，用于自然保护区监控系统对保护区进行检测，判断是否有预警目标闯入保护区。
子图像数据集至少包括9张或25或49或81张子图像。
剪裁为划窗剪裁；划窗剪裁包括水平划窗和竖直划窗；划窗剪裁包括水平划窗和竖直划窗的步长为固定步长；水平划窗的步长为子图像水平像素的二分之一，竖直划窗的步长为子图像竖直像素的二分之一。
原始图像包括若干图像元素，其中，图像元素至少包括风景元素、游人元素、开船元素、钓鱼元素；子图像数据集包括风景元素、游人元素、开船元素、钓鱼元素的一项或几项；预警目标至少包括游人元素、开船元素、钓鱼元素；子图像张量模型为子图像中包含图像元素的概率。
当子图像数据集的两张子图像包括相同图像元素和具有相同图像元素时，将相同图像元素提取或删除，用于增强对原始图像的识别。
一种用于自然保护区监控系统的智能图像识别系统，包括：
原始图像收集模块、原始图像裁剪模块、子图像张量生成模块、原始图像类别预测模块、存储模块；存储模块与原始图像收集模块、原始图像裁剪模块、子图像张量生成模块、原始图像类别预测模块连接；原始图像收集模块用于通过自然保护区监控系统收集原始图像；原始图像裁剪模块用于将原始图像裁剪成若干张子图像；子图像张量生成模块用于生成每个子图像对应的子图像张量；原始图像类别预测模块，用于通过汇总一组子图像对应的张量模型，生成原始图像张量模型，根据原始图像张量模型，得到原始图像的类别，根据类别判断是否有预警目标闯入保护区。
原始图像收集模块与自然保护区监控系统的视频服务器连接。
子图像张量生成模块，至少包括风景元素张量生成模块、游人元素张量生成模块、开船元素张量生成模块、钓鱼元素张量生成模块；用于基于子图像，分析原始图像中风景元素、游人元素、开船元素、钓鱼元素的局部信息概率；原始图像类别预测模块，通过汇总局部信息概率，基于设置全连接神经网络，获得原始图像具有风景元素、游人元素、开船元素、钓鱼元素的全局信息概率最高的类别。
子图像张量生成模块还包括，数据增强模块；数据增强模块用于在子图像张量生成模块训练过程中，提取或删除两个具有相同图像元素和图像元素概率的子图像的相同图像元素。
实施例一：本发明实施例提供了一种国家自然保护区视频监控的解决方案，参见图1，该方法包括：
将高清的图像数据作为输入，经过图像裁剪ImageCrop模块，输出(2*3-1)*(2*3-1)＝25张子图像像；
将每一张子图像像作为输入，经过深度学习模型Model1，输出对应的张量(张量的内容是风景、人、钓鱼、开船对应的概率)；
再将这5*5个张量作为输入，经过送入神经网络Model2，输出最终的图像分类的结果。
需要说明的是，高清的图像的像素是固定，都是1280*1920，因此可以按照指定的裁剪策略进行裁剪。
进一步地，裁剪之后格式应该5*5个张量，每一个张量的形状是360*640*3，并且这些张量需要按照该张量对应的子图像像在原始图像的位置保持好顺序。这样每一个张量就可以直接送入到Model1，而无需再进行任何转换。
需要说明的是，深度学习模型Model1在使用之前，需要训练。训练的时候有以下注意事项：
事项1：用于训练的图像，应该从原始的图像(1280*1920的自然保护区的真实图像)经过图像裁剪ImageCrop模块得到；
事项2：通过图像裁剪ImageCrop模块得到的训练集往往存在严重的数据不平衡；而严重的数据不平衡会影响模型最终的准确率；因此需要使用特定的数据增强来适当抵消训练集的数据不平衡；
事项3：使用的特定的数据增强具体如下：
一般情况下，风景类别中，子图像像数量往往会非常大，而人、钓鱼、开船的子图像像数量往往存在不同程度的少；因此需要使用该数据增强的技术来增大游人、钓鱼、开船类别中子图像像的数量。而该数据增强的方法具体是通过分析游人、钓鱼、开船类别中的子图像与风景类别中子图像像的重叠情况，从而推断出新的图像应该是游人、钓鱼、开船类别，从而将该新的图像放入该类别中。以下举一例说明该情况。
假设风景类别中用于训练的图像2770，人类别中用于训练的图像597，开船类别中用于训练的图像107，钓鱼类别中用于训练的图像的数量285；我们想要通过数据增强的方式来增加人、钓鱼、开船类别中图像的数量，从而减小数据不平衡。
经过分析发现，图3的左半侧与图4的右半侧的内容完全一样，因此可以推断出图5一定是钓鱼的图像，因此可以将该图像加入到钓鱼的图像类别中，这样就可以增加钓鱼类别中的图像了
以上的数据增强技术均适用于游人、开船、钓鱼类别中，通过该数据增强的技术可以增加人、开船、钓鱼类别中图像的训练集，从而降低原始数据中数据倾斜的问题；进一步的，数据增强技术不仅能够增加训练集中关于游人、开船、钓鱼的信息量，从而提升模型的准确率，而且能够降低寻找学习风景、游人、开船、钓鱼之间统计差异的特征的难度，进一步提升了模型的准确率。
事项4：在训练的过程中，80％的数据用来做训练集；10％的数据用来做验证集；10％的数据用来做测试集；并且数据增强的数据只能存在于训练集，不能存在于验证集和训练集。
进一步地，在使用Model1的过程中，不需要进行数据增强，直接将图像裁剪ImageCrop模块生产的图像作为输入即可。
需要说明的是，单次Model1的输出是1*4的张量tensor1，而5*5次将生产5*5个1*4的张量tensor1，这些张量需要转换为1个5*5*4的张量tensor2。然后tensor2作为Model2的输入，输出一个1*4的张量tensor3。
进一步地，需要使用argmax获取tensor3最大概率的索引，然后使用该索引得到原始图像的类别信息。
本发明实施例能够使得该模型非常少的训练集(原始图像，人:107张图像、船:38张、钓鱼:85张、风景:59张),得到非常好的泛化效果。即：在测试集原始图像上的准确率达到91.4％，从而很好地满足自然保护区要求。
实施例二
本发明实施例提供了国家自然保护区视频监控的系统，能够实现上述国家自然保护区视频监控的解决方案的所依赖的软件环境并对外提供稳定的、成熟的、标准化的Web服务，参见图2，所述国家自然保护区视频监控的系统包括：
进程Process1实时地每隔1秒钟从视频服务器VideoServer中以RTSP流的方式获取指定摄像头的帧数据，也就是原始的图像；然后Process1将帧数据保存至磁盘Disk中特定的路径里；
进程Process2独立地从该路径里读取帧数据通过http的形式上传至国家自然保护区视频监控服务MonitorServer的指定接口中，等接口返回上传成功之后，在磁盘上删除已经上传成功的图片。
客户端从国家自然保护区视频监控服务MonitorServer指定的接口中获取需要报警的信息，该信息包括：原始的高清图片，图片的类别(游人、钓鱼、开船)。
需要说明的是，以RTSP流的方式从视频服务器VideoServer中获取指定摄像头的帧数据，都是实时的帧数据。进程Process1应该每获取1帧数据，sleep1秒，然后继续获取1帧数据，如此往复。一旦获取帧数据失败，应该立刻释放RTSP流句柄，并重新获取一个新的RTSP流句柄，从而按照相同的策略获取帧数据。
进一步地，进程Process1中应该使用多线程的形式来实现，每一线程Thread负责从视频服务器VideoServer指定的RTSP流中获取特定摄像头的帧数据。
需要说明的是，Process2上传图片至国家自然保护区视频监控服务MonitorServer的指定接口时，一次上传一批图片。比如：一批的量是8张。
Process2上传图片至国家自然保护区视频监控服务MonitorServer的指定接口时，采用特定的频率，比如：每5秒上传一次。如果磁盘的路径下，有超过一批的量时就上传；如果不够一批的量时，就等待下一次上传。
进一步地，所述的进程Process1、Process2和Client的关系是：
Process1与Process2和Client完全是独立的、并行的。
本发明的实施例能够利用国家自然保护区视频监控的解决方案中模型的高准确率，以及软件环境，对外提供稳定的、成熟的、标准化的Web服务。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (5)

1.一种用于自然保护区监控系统的智能图像识别方法，其特征在于，包括以下步骤：
S1.基于自然保护区监控系统获取原始图像，对所述原始图像进行剪裁，获得子图像数据集，其中，所述子图像数据集包括若干张子图像，每张子图像的子图像格式为360*640；
S2.基于Xception模型和所述Xception模型的训练权重，通过输入所述子图像数据集，构建所述子图像数据集对应的子图像张量模型；
S3.基于所述子图像张量模型，通过设置全连接神经网络，构建原始图像类别预测模型，通过所述原始图像类别预测模型，获得原始图像类别，用于所述自然保护区监控系统对保护区进行检测，判断是否有预警目标闯入保护区；
所述子图像数据集至少包括9张或25或49或81张所述子图像；
所述剪裁为划窗剪裁；
所述划窗剪裁包括水平划窗和竖直划窗；
所述划窗剪裁包括水平划窗和竖直划窗的步长为固定步长；
所述水平划窗的步长为子图像水平像素的二分之一，所述竖直划窗的步长为子图像竖直像素的二分之一；
所述原始图像包括若干图像元素，其中，所述图像元素至少包括风景元素、游人元素、开船元素、钓鱼元素；
所述子图像数据集包括所述风景元素、游人元素、开船元素、钓鱼元素的一项或几项；
所述预警目标至少包括所述游人元素、开船元素、钓鱼元素；
所述子图像张量模型为所述子图像中包含所述图像元素的概率；
其中Xception模型训练过程中，当所述子图像数据集的两张子图像包括相同图像元素和具有相同图像元素时，将所述相同图像元素提取或删除，用于增强对所述原始图像的识别；
全连接神经网络从0开始训练。
2.一种用于自然保护区监控系统的智能图像识别系统，用于实现权利要求1所述的自然保护区监控系统的智能图像识别方法,其特征在于，包括：
原始图像收集模块、原始图像裁剪模块、子图像张量生成模块、原始图像类别预测模块、存储模块；
所述存储模块与所述原始图像收集模块、原始图像裁剪模块、子图像张量生成模块、原始图像类别预测模块连接；
原始图像收集模块用于通过所述自然保护区监控系统收集所述原始图像；
所述原始图像裁剪模块用于将所述原始图像裁剪成若干张子图像；
所述子图像张量生成模块用于生成每个子图像对应的子图像张量；
原始图像类别预测模块，用于通过汇总一组子图像对应的张量模型，生成原始图像张量模型，根据所述原始图像张量模型，得到所述原始图像的类别，根据所述类别判断是否有预警目标闯入保护区。
3.根据权利要求2所述一种用于自然保护区监控系统的智能图像识别系统，其特征在于，
所述原始图像收集模块与所述自然保护区监控系统的视频服务器连接。
4.根据权利要求2所述一种用于自然保护区监控系统的智能图像识别系统，其特征在于，
所述子图像张量生成模块，至少包括风景元素张量生成模块、游人元素张量生成模块、开船元素张量生成模块、钓鱼元素张量生成模块；
用于基于所述子图像，分析所述原始图像中风景元素、游人元素、开船元素、钓鱼元素的局部信息概率；
所述原始图像类别预测模块，通过汇总所述局部信息概率，基于设置全连接神经网络，获得所述原始图像具有所述风景元素、游人元素、开船元素、钓鱼元素的全局信息概率最高的类别。
5.根据权利要求2所述一种用于自然保护区监控系统的智能图像识别系统，其特征在于，
所述子图像张量生成模块还包括，数据增强模块；
所述数据增强模块用于在子图像张量生成模块训练过程中，提取或删除两个具有所述相同图像元素和图像元素概率的所述子图像的所述相同图像元素。
CN202110199172.6A 2021-02-22 2021-02-22 一种用于自然保护区监控系统的智能图像识别方法及系统 Active CN112733809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110199172.6A CN112733809B (zh) 2021-02-22 2021-02-22 一种用于自然保护区监控系统的智能图像识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110199172.6A CN112733809B (zh) 2021-02-22 2021-02-22 一种用于自然保护区监控系统的智能图像识别方法及系统

Publications (2)

Publication Number Publication Date
CN112733809A CN112733809A (zh) 2021-04-30
CN112733809B true CN112733809B (zh) 2022-02-15

Family

ID=75596872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110199172.6A Active CN112733809B (zh) 2021-02-22 2021-02-22 一种用于自然保护区监控系统的智能图像识别方法及系统

Country Status (1)

Country Link
CN (1) CN112733809B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115331386B (zh) * 2022-10-13 2022-12-27 合肥中科类脑智能技术有限公司 一种基于计算机视觉的防垂钓检测告警系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504377B (zh) * 2014-12-25 2017-09-15 中邮科通信技术股份有限公司 一种公交车乘客拥挤程度识别系统及方法
KR102495539B1 (ko) * 2018-07-16 2023-02-06 에스케이하이닉스 주식회사 메모리 시스템 및 메모리 시스템의 동작방법
CN109711471A (zh) * 2018-12-28 2019-05-03 井冈山大学 一种基于深度卷积神经网络的水稻病害图像识别方法
CN111553438A (zh) * 2020-05-07 2020-08-18 广州鹄志信息咨询有限公司 一种基于卷积神经网络的图像识别方法

Also Published As

Publication number Publication date
CN112733809A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
Nikouei et al. Smart surveillance as an edge network service: From harr-cascade, svm to a lightweight cnn
US10832069B2 (en) Living body detection method, electronic device and computer readable medium
CN112906463A (zh) 基于图像的火情检测方法、装置、设备及存储介质
KR101996371B1 (ko) 영상 캡션 생성 시스템과 방법 및 이를 위한 컴퓨터 프로그램
KR20190079047A (ko) 육안 인식 검사원의 부하경감을 위한 등급별 영상인식 기술을 이용한 cctv 영상내 의심물체 부분검사 지원 시스템 및 방법
KR102149832B1 (ko) 딥러닝 기반의 자동 폭력 감지 시스템
US10997469B2 (en) Method and system for facilitating improved training of a supervised machine learning process
CN112084812B (zh) 图像处理方法、装置、计算机设备及存储介质
JP6787831B2 (ja) 検索結果による学習が可能な対象検出装置、検出モデル生成装置、プログラム及び方法
CN111031330A (zh) 一种基于多模态融合的网络直播内容分析方法
CN112733809B (zh) 一种用于自然保护区监控系统的智能图像识别方法及系统
CN114581994A (zh) 一种课堂考勤管理方法和系统
CN113011254B (zh) 一种视频数据处理方法、计算机设备及可读存储介质
US11532158B2 (en) Methods and systems for customized image and video analysis
CN108600254A (zh) 一种音视频识别系统
CN113569613A (zh) 图像处理方法、装置、图像处理设备及存储介质
CN115588150A (zh) 基于改进YOLOv5-L的宠物犬视频目标检测方法及系统
CN111553408B (zh) 视频识别软件自动测试的方法
CN110427920B (zh) 一种面向监控环境的实时行人解析方法
CN113344048A (zh) 多任务的行为识别模型训练方法、装置、设备及存储介质
CN110163043B (zh) 面部检测方法、装置、存储介质及电子装置
CN112395993A (zh) 基于监控视频数据的遮挡船只检测方法、装置及电子设备
CN117173748B (zh) 一种基于人形识别与人形检测的视频人形事件提取系统
CN114710713B (zh) 基于深度学习的自动化视频摘要生成方法
CN113688868B (zh) 一种多线程的图像处理方法及装置

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