CN113486810A - 一种公园盗猎鸟类的智能识别方法 - Google Patents
一种公园盗猎鸟类的智能识别方法 Download PDFInfo
- Publication number
- CN113486810A CN113486810A CN202110772328.5A CN202110772328A CN113486810A CN 113486810 A CN113486810 A CN 113486810A CN 202110772328 A CN202110772328 A CN 202110772328A CN 113486810 A CN113486810 A CN 113486810A
- Authority
- CN
- China
- Prior art keywords
- tree
- detection module
- park
- hunting
- personnel
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种公园盗猎鸟类的智能识别方法,具体涉及公园防盗猎技术领域,包括以下步骤:步骤一、利用公园内拍照设备对公园内部的人群和树木进行拍照;步骤二、利用树木检测模块对拍照所获得的照片进行处理,然后利用树木检测模块中的识别功能识别图像上的树木,并判断该图像上的树木上是否存在鸟类,同时树木检测模块还会识别该树木的周围是否存在人类;步骤三、利用人员检测模块检测对拍照所获得的照片进行处理。本发明通过利用计算机视觉图像识别技术,检测公园内是否有人打鸟,本发明基于efficientdet框架,结合深度学习神经网络自主研发,能够有效的提高识别的精度,从而能够精准的检测出公园中的偷猎行为,并且还能够避免将行人误认为偷猎者。
Description
技术领域
本发明涉及防盗猎技术领域,具体是一种公园盗猎鸟类的智能识别方法。
背景技术
公园是城市的起居空间,作为城市居民的主要休闲游憩场所。其活动空间、活动设施为城市居民提供了大量户外活动的可能性,承担着满足城市居民休闲游憩活动需求的主要职能。这也是城市公园的最主要、最直接的功能。城市公园由于具有大面积的绿化,无论是在防止水土流失、净化空气、降低辐射、杀菌、滞尘、防尘、防噪音、调节小气候、降温、防风引风、缓解城市热岛效应等方面都具有良好的生态功能。城市公园作为城市的绿肺,在改善环境污染状况、有效地维持城市的生态平衡等方面具有重要的作用。城市公园是城市中最具自然特性的场所,往往具有和大量的绿化,是城市的绿色软质景观,它和城市的其他建筑等灰色硬质景观形成鲜明的对比,使城市景观得以软化。同时,公园也是城市的主要景观所在。因此,其在美化城市景观中具有举足轻重的地位。而且,在公园的树林中也居住了大量的鸟类,各种各样的鸟儿在树林里嬉戏、叽叽喳喳地叫着也会给这水泥筑成的城市增添一抹活力。
但是,随着公园的开放,越来越多的人群会在公园中休息、游玩。由于公园中人群混杂,所以总是会出现一些打鸟者,他们手拿弹弓,随意弹射公园中的鸟类。虽然已经有明文严禁打鸟,但是公园内打鸟的现象屡禁不止,专门派人看守费时费力,即时抓到了偷猎者,也存在取证困难的问题。目前针对公园内鸟类偷猎行为进行有效检测与识别的方法是基于传统的前后帧像素比对方法。像素比对方法的原理是通过对待检测区域进行实时图像采集,对采集图像的前后帧数据进行比对,以判断是否有盗鸟、打鸟的行为。
然而,由于传统的前后帧像素比对方法能够搜集到的打鸟图像数据有限,即可以比对的标准数据分布有限。而采集和计算出的像素差异数值分布是随机多样的,导致这种方法存在两个问题:经常会把行人误认为偷猎者;检测不出偷猎行为。
发明内容
为了解决上述现有技术中存在的缺陷,本发明提供了一种公园盗猎鸟类的智能识别方法,能够有效的提高识别的精度,从而能够精准的检测出公园中的偷猎行为,并且还能够避免将行人误认为偷猎者。
本发明采用的技术方案:一种公园盗猎鸟类的智能识别方法,包括图像采集模块,人员检测模块、猎鸟姿态检测模块、树木检测模块和逻辑判断模块,包括以下步骤:
S1:利用图像采集模块对公园内部的树木和周围人员进行拍照;
S2:利用树木检测模块对拍照获得的照片进行处理,获得单帧图像并识别图像上的树木,并判断该图像上的树木是否存在鸟类,同时识别树木周围是否存在人员;
S3:利用人员检测模块对拍照获得的照片进行处理,对树木周围的人员进行识别,以识别该人员的行为姿态特征;
S4:利用猎鸟姿态检测模块对人员的行为姿态特征进行评估,识别盗猎者常用姿势,以识别盗猎者;
S5:利用逻辑判断模块分析人员检测模块、猎鸟姿态检测模块和树木检测模块所识别出来的信息,当识别到在树木周围活动的人员有多次出现盗猎者猎鸟的姿势,则可以判定该人为猎鸟嫌疑人,然后通过逻辑判断模块输出检测结果。
优选的,步骤S2中利用树木检测模块对照片进行识别的方法为采用efficientdet算法,包括以下步骤:
A1:对图像数据进行尺寸规整,使其符合深度卷积神经网络的输入参数要求;
A2:利用深度卷积神经网络经过卷积运算对图像数据进行特征提取,得出可以代表图像数据特征的特征图;
A3:将特征图作为入参进入区域建议网络,生成图中目标的区域建议,也就是候选框;经过候选框池化完成尺寸规整;
A4:经过全连接神经网络层运算,得出图像数据中的类别信息和位置信息。
优选的,所述的图像采集模块采用监控设备或航拍设备。
优选的,所述的深度卷积神经网络的基本结构包括两层:
第一层为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征;该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;
第二层为特征映射层,每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等,特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性;
所述的深度卷积神经网络中的每一个卷积层都跟有一个用来求局部平均与二次提取的计算层。
本发明的有益效果:
1、本发明通过利用人员检测模块、猎鸟姿态检测模块和树木检测模块对公园中的树木和人员进行定位识别,并利用人员检测模块识别人员的行为姿态特征,再结合猎鸟姿态检测模块中的猎鸟行为特征进行比较,已确定被检测人员是否存在偷猎的行为特征,然后再利用逻辑判断模块对人员检测模块、猎鸟姿态检测模块和树木检测模块中所识别的信息进行处理分析,从而能够判定该被检测人员是否是盗猎者,与现有技术相比,本发明通过多种模型对人员以及树木进行定位,能够综合判断能够准确地检测公园内猎鸟行为,能够实现降低工作过程中不规范行为的发生;
2、本发明通过在人员检测模块和树木检测模块中应用efficientdet 算法,结合深度学习神经网络自主研发,能够有效的提高识别的精度,从而能够精准的检测出公园中的偷猎行为,并且还能够避免将行人误认为偷猎者。
附图说明
图1是本发明的方法流程图;
图2是本发明步骤efficientdet算法的原理图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照说明书附图1-2,该实施例的一种公园盗猎鸟类的智能识别方法,包括以下步骤:
步骤S1:利用公园内拍照设备对公园内部的人群和树木进行拍照,其中该拍照设备是指安装在公园树木旁的监控设备或公园内部的航拍设备,能够便于时刻对公园内部的树木进行监测,从而能够及时发现公园中所存在偷猎鸟类的人员,而且将拍照设备有目的性的安装在树木的周围还能够最大限度的发挥该拍照设备的作用,以避免在公园内部安装过多的拍照设备而造成成本的增加,此外,该拍照设备的安装还能够提供警醒的作用,以警示一些潜在的打鸟者,做到防患于未然;
步骤S2:利用树木检测模块对拍照所获得的照片进行处理,以获得单帧图像,然后利用树木检测模块中的识别功能识别图像上的树木,并判断该图像上的树木上是否存在鸟类,同时树木检测模块还会识别该树木的周围是否存在人员;其中,树木检测模块在对照片进行识别时应用了efficientdet算法,该算法首先对图像数据进行尺寸规整,以匹配深度卷积神经网络的输入参数要求,深度卷积神经网络经过卷积运算对图像数据进行特征提取,得出可以代表图像数据特征的特征图,特征图作为入参进入区域建议网络,生成图中目标的区域建议,也就是候选框,区域建议经过候选框池化,完成尺寸规整,经过后续全连接神经网络层的运算,得出图中目标的类别信息和位置信息;
步骤S3:利用人员检测模块检测对拍照所获得的照片进行处理,以获得单帧图像,并利用人员检测模块中的识别功能对树木周围的人员进行识别,以识别该人员的行为姿态特征;其中,人员检测模块在对照片进行识别时应用了efficientdet算法,该算法首先对图像数据进行尺寸规整,以匹配深度卷积神经网络的输入参数要求,深度卷积神经网络经过卷积运算对图像数据进行特征提取,得出可以代表图像数据特征的特征图,特征图作为入参进入区域建议网络,生成图中目标的区域建议,也就是候选框,区域建议经过候选框池化,完成尺寸规整,经过后续全连接神经网络层的运算,得出图中目标的类别信息和位置信息;
efficientdet算法中所应用到的卷积神经网络(CNN)的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习,所以在使用CNN时,避免了显示的特征抽取,而隐式地从训练数据中进行学习;再者由于同一特征映射面上的神经元权值相同,所以网络可以并行学习,这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性,其布局更接近于实际的生物神经网络,权值共享降低了网络的复杂性,特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度;
步骤S4:利用猎鸟姿态检测模块对人员检测模块中识别到的人员姿势进行评估,以识别其中盗猎者常用的猎鸟姿势,以识别盗猎者,该猎鸟姿态检测模块在识别的过程中会提取被检测人员的行为特征信息,当该被检测人员的行为特征信息与猎鸟检测模块中所存储的猎鸟行为特征信息相一致时,该猎鸟姿态检测模块就会判定该被检测人员为盗猎者;
步骤S5:利用逻辑判断模块分析处理人员检测模块、猎鸟姿态检测模块和树木检测模块所识别出来的信息,当识别到在树木周围活动的人群有多次出现盗猎者猎鸟的姿势,则可以判定该人为猎鸟嫌疑人,然后通过逻辑判断模块输出检测结果,其中的“多次”指的是三次,当被检测人员只是偶尔出现了与盗猎行为相一致的行为姿态时并不能判定该人为盗猎者,从而能够有效的防止本发明将路人判定为盗猎者,提高本发明的准确性。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (4)
1.一种公园盗猎鸟类的智能识别方法,包括图像采集模块,人员检测模块、猎鸟姿态检测模块、树木检测模块和逻辑判断模块,其特征在于:包括以下步骤:
S1:利用图像采集模块对公园内部的树木和周围人员进行拍照;
S2:利用树木检测模块对拍照获得的照片进行处理,获得单帧图像并识别图像上的树木,并判断该图像上的树木是否存在鸟类,同时识别树木周围是否存在人员;
S3:利用人员检测模块对拍照获得的照片进行处理,对树木周围的人员进行识别,以识别该人员的行为姿态特征;
S4:利用猎鸟姿态检测模块对人员的行为姿态特征进行评估,识别盗猎者常用姿势,以识别盗猎者;
S5:利用逻辑判断模块分析人员检测模块、猎鸟姿态检测模块和树木检测模块所识别出来的信息,当识别到在树木周围活动的人员有多次出现盗猎者猎鸟的姿势,则可以判定该人为猎鸟嫌疑人,然后通过逻辑判断模块输出检测结果。
2.根据权利要求1所述的一种公园盗猎鸟类的智能识别方法,其特征在于:步骤S2中利用树木检测模块对照片进行识别的方法为采用efficientdet算法,包括以下步骤:
A1:对图像数据进行尺寸规整,使其符合深度卷积神经网络的输入参数要求;
A2:利用深度卷积神经网络经过卷积运算对图像数据进行特征提取,得出可以代表图像数据特征的特征图;
A3:将特征图作为入参进入区域建议网络,生成图中目标的区域建议,也就是候选框;经过候选框池化完成尺寸规整;
A4:经过全连接神经网络层运算,得出图像数据中的类别信息和位置信息。
3.根据权利要求1所述的一种公园盗猎鸟类的智能识别方法,其特征在于:所述的图像采集模块采用监控设备或航拍设备。
4.根据权利要求2所述的一种公园盗猎鸟类的智能识别方法,其特征在于:所述的深度卷积神经网络的基本结构包括两层:
第一层为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征;该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;
第二层为特征映射层,每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等,特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性;
所述的深度卷积神经网络中的每一个卷积层都跟有一个用来求局部平均与二次提取的计算层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772328.5A CN113486810A (zh) | 2021-07-08 | 2021-07-08 | 一种公园盗猎鸟类的智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772328.5A CN113486810A (zh) | 2021-07-08 | 2021-07-08 | 一种公园盗猎鸟类的智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486810A true CN113486810A (zh) | 2021-10-08 |
Family
ID=77938013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110772328.5A Pending CN113486810A (zh) | 2021-07-08 | 2021-07-08 | 一种公园盗猎鸟类的智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486810A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399362A (zh) * | 2018-01-24 | 2018-08-14 | 中山大学 | 一种快速行人检测方法及装置 |
CN112149591A (zh) * | 2020-09-28 | 2020-12-29 | 长沙理工大学 | 用于sar图像的ssd-aeff自动桥梁检测方法及系统 |
-
2021
- 2021-07-08 CN CN202110772328.5A patent/CN113486810A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399362A (zh) * | 2018-01-24 | 2018-08-14 | 中山大学 | 一种快速行人检测方法及装置 |
CN112149591A (zh) * | 2020-09-28 | 2020-12-29 | 长沙理工大学 | 用于sar图像的ssd-aeff自动桥梁检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tao et al. | Smoke detection based on deep convolutional neural networks | |
CN108062574B (zh) | 一种基于特定类别空间约束的弱监督目标检测方法 | |
CN107016357B (zh) | 一种基于时间域卷积神经网络的视频行人检测方法 | |
CN111259850A (zh) | 一种融合随机批掩膜和多尺度表征学习的行人重识别方法 | |
CN106250877A (zh) | 近红外人脸识别方法及装置 | |
US10445602B2 (en) | Apparatus and method for recognizing traffic signs | |
CN110796057A (zh) | 行人重识别方法、装置及计算机设备 | |
CN103942577A (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
Arif et al. | Automated body parts estimation and detection using salient maps and Gaussian matrix model | |
CN109190513A (zh) | 结合图像显著性检测和神经网络的车辆重识别方法与系统 | |
CN104504395A (zh) | 基于神经网络实现人车分类的方法和系统 | |
CN112464730B (zh) | 一种基于域无关前景特征学习的行人再识别方法 | |
CN111046964A (zh) | 一种基于卷积神经网络的人和车辆红外热图像识别方法 | |
CN111488850B (zh) | 一种基于神经网络的老年人跌倒检测方法 | |
CN108960189A (zh) | 图像再识别方法、装置及电子设备 | |
CN109784288B (zh) | 一种基于判别感知融合的行人再识别方法 | |
CN113627472B (zh) | 基于分层深度学习模型的智慧园林食叶害虫识别方法 | |
CN110321862B (zh) | 一种基于紧致三元损失的行人再识别方法 | |
CN106980852A (zh) | 基于角点检测与匹配的药品识别系统及其识别方法 | |
CN112989889B (zh) | 一种基于姿态指导的步态识别方法 | |
CN106778487A (zh) | 一种2dpca人脸识别方法 | |
CN111639610A (zh) | 一种基于深度学习的火情识别方法及系统 | |
CN109165698A (zh) | 一种面向智慧交通的图像分类识别方法及其存储介质 | |
CN102163286A (zh) | 一种色情图像评价方法 | |
Shah et al. | CNN based auto-assistance system as a boon for directing visually impaired person |
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 |