CN114842412B - 一种确定企鹅种群数量的方法、装置及计算机可读介质 - Google Patents

一种确定企鹅种群数量的方法、装置及计算机可读介质 Download PDF

Info

Publication number
CN114842412B
CN114842412B CN202210412662.4A CN202210412662A CN114842412B CN 114842412 B CN114842412 B CN 114842412B CN 202210412662 A CN202210412662 A CN 202210412662A CN 114842412 B CN114842412 B CN 114842412B
Authority
CN
China
Prior art keywords
penguin
determining
penguins
young
adult
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
CN202210412662.4A
Other languages
English (en)
Other versions
CN114842412A (zh
Inventor
赵鹏
刘浩
邓雨菲
刘鹏佳
严锦濛
崔振华
葛颂
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.)
Hainan University
Sanya Research Institute of Hainan University
Original Assignee
Hainan University
Sanya Research Institute of Hainan University
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 Hainan University, Sanya Research Institute of Hainan University filed Critical Hainan University
Priority to CN202210412662.4A priority Critical patent/CN114842412B/zh
Publication of CN114842412A publication Critical patent/CN114842412A/zh
Priority to US18/136,280 priority patent/US20230334891A1/en
Application granted granted Critical
Publication of CN114842412B publication Critical patent/CN114842412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种确定企鹅种群数量的方法、装置及计算机可读介质，涉及图像处理技术领域。本发明一实施例的方法包括：先获取无人机载传感器所采集的企鹅栖息地影像；并获取企鹅栖息地影像中有企鹅分布的感兴趣区域，以及感兴趣区域的所有灰度值；之后针对任一灰度值：基于灰度值确定企鹅形态；最后根据所有的企鹅形态确定企鹅数量。由此，能够根据无人机载传感器所采集的企鹅栖息地影像自动确定同一时点的企鹅种群数量，避免了传统人工计数方法造成的误差，提高了企鹅种群数量统计的准确性和可靠性，解决了由于南极企鹅分布密集导致无法精确统计企鹅种群数量的问题。

Description

一种确定企鹅种群数量的方法、装置及计算机可读介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种确定企鹅种群数量的方法、装置及计算机可读介质。
背景技术
生物种群通常是指在一定时间内占据一定空间的同种生物的所有个体。种群数量是种群内个体数量的总和。种群数量是计算种群密度、出生率、死亡率、迁入率和迁出率的基础。
确定南极企鹅种群数量一方面有助于揭示南极企鹅种群的变化规律，从而为南极企鹅的种群保护提供基础数据支撑；另一方面也有助于分析影响南极企鹅种群分布的自然、社会因素，从而有利于生态系统保护和恢复，进而为促进栖息地周围经济社会可持续发展提供必要的依据。
为了确定南极企鹅种群数量，传统方法主要是通过人工进行实地观测和计数。然而，传统方法不仅要受观测人员经验的影响，而且整个过程需要耗费大量的人力、物力和时间；因此计数结果存在较大的误差，经济性和效率也不高。
发明内容
有鉴于此，本发明实施例提供一种确定企鹅种群数量的方法、装置及计算机可读介质，能够准确观测同一时点企鹅种群的数量。
为实现上述目的，根据本发明实施例第一方面，提供一种确定企鹅种群数量的方法，该方法包括：获取无人机载传感器所采集的企鹅栖息地影像；获取所述企鹅栖息地影像中有企鹅分布的感兴趣区域，以及所述感兴趣区域的所有灰度值；针对任一所述灰度值：基于所述灰度值确定企鹅形态；根据所有的企鹅形态确定企鹅数量。
可选的，所述基于所述灰度值确定企鹅形态，包括：若所述灰度值满足第一预设条件，则确定所述灰度值对应成体企鹅，并从所述企鹅栖息地影像中获取所述灰度值对应的栅格数据；将所述栅格数据转换成矢量数据，并基于所述矢量数据确定成体企鹅的周长属性参数；若所述周长属性参数满足第三预设条件，则确定所述成体企鹅为站立形态；若所述周长属性参数满足第四预设条件，则确定所述成体企鹅为俯卧形态。
可选的，所述基于所述灰度值确定企鹅形态，包括：若所述灰度值满足第二预设条件，则确定所述灰度值对应幼体企鹅，并从所述企鹅栖息地影像中获取所述灰度值对应的栅格数据；将所述栅格数据转换成矢量数据，并基于所述矢量数据确定幼体企鹅的面积属性参数；若所述面积属性参数满足第五预设条件，则确定所述幼体企鹅为单独形态；若所述面积属性参数满足第六预设条件，则确定所述幼体企鹅为托儿所形态。
可选的，所述企鹅分为成体企鹅和幼体企鹅；所述根据所有的企鹅形态确定企鹅数量，包括：根据成体企鹅形态确定成体企鹅数量；根据幼体企鹅形态确定幼体企鹅数量；基于所述成体企鹅数量和所述幼体企鹅数量确定企鹅总数量。
可选的，所述根据所述幼体企鹅形态确定幼体企鹅数量，包括：统计单独形态对应的幼体企鹅数量，得到第一幼体企鹅数量；统计托儿所形态对应的幼体企鹅数量，得到第二幼体企鹅数量；基于所述第一幼体企鹅数量和所述第二幼体企鹅数量确定幼体企鹅数量。
可选的，基于面向对象分类法确定所述灰度值对应成体企鹅或幼体企鹅。
为实现上述目的，根据本发明实施例第二方面，还提供一种确定企鹅种群数量的装置，该装置包括：第一获取模块，用于获取无人机载传感器所采集的企鹅栖息地影像；第二获取模块，用于获取所述企鹅栖息地影像中有企鹅分布的感兴趣区域，以及所述感兴趣区域的所有灰度值；第一确定模块，用于针对任一所述灰度值：基于所述灰度值确定企鹅形态；第二确定模块，用于根据所有的企鹅形态确定企鹅数量。
可选的，所述第一确定模块包括：第一确定单元，用于若所述灰度值满足第一预设条件，则确定所述灰度值对应成体企鹅，并从所述企鹅栖息地影像中获取所述灰度值对应的栅格数据；第二确定单元，用于将所述栅格数据转换成矢量数据，并基于所述矢量数据确定成体企鹅的周长属性参数；第三确定单元，用于若所述周长属性参数满足第三预设条件，则确定所述成体企鹅为站立形态；第四确定单元，用于若所述周长属性参数满足第四预设条件，则确定所述成体企鹅为俯卧形态。
可选的，所述第一确定模块包括：第一确定单元，还用于若所述灰度值满足第二预设条件，则确定所述灰度值对应幼体企鹅，并从所述企鹅栖息地影像中获取所述灰度值对应的栅格数据；第二确定单元，还用于将所述栅格数据转换成矢量数据，并基于所述矢量数据确定幼体企鹅的面积属性参数；第三确定单元，还用于若所述面积属性参数满足第五预设条件，则确定所述幼体企鹅为单独形态；第四确定单元，还用于若所述面积属性参数满足第六预设条件，则确定所述幼体企鹅为托儿所形态。
为实现上述目的，根据本发明实施例第三方面，还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述的确定企鹅种群数量的方法。
本发明实施例首先获取无人机载传感器所采集的企鹅栖息地影像；并获取企鹅栖息地影像中企鹅分布的感兴趣区域，以及感兴趣区域的所有灰度值；之后针对任一灰度值：基于灰度值确定企鹅形态；最后根据所有的企鹅形态确定企鹅数量。通过无人机载传感器采集企鹅栖息地影像，由此不仅能够实现无接触、无干扰的的观测，而且观测范围更大；之后基于企鹅栖息地影像确定企鹅种群数量，由此能够根据采集的企鹅栖息地影像自动确定企鹅种群数量，提高了企鹅种群数量统计结果的准确性和可靠性。
上述的非惯用的可选方式所具有的进一步的效果将在下文结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中在附图中，相同或对应的标号表示相同或对应的部分。
图1为本发明一实施例确定企鹅种群数量的方法的流程图；
图2为本发明另一实施例基于灰度值确定成体企鹅形态的流程图；
图3为本发明又一实施例基于灰度值确定幼体企鹅形态的流程图；
图4为本发明一实施例确定企鹅种群数量的装置的结构示意图；
图5为本发明实施例可以应用于其中的示例性系统架构图；
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，本发明一实施例确定企鹅种群数量的方法的流程图，该方法至少包括如下操作流程：
S101，获取无人机载传感器所采集的企鹅栖息地影像。
S102，获取企鹅栖息地影像中有企鹅分布的感兴趣区域，以及感兴趣区域的所有灰度值。
S103，针对任一灰度值：基于灰度值确定企鹅形态。
S104，根据所有的企鹅形态确定企鹅数量。
在S101中，获取当前企鹅所处的环境特征和形态学参数；基于预设规则或者映射关系，选取与当前环境特征和当前形态学参数对应的分辨率；基于选取的分辨率，利用无人机载传感器采集企鹅栖息地影像。
在优选的实施例中，对企鹅栖息地影像进行傅里叶变换处理，得到处理后的企鹅栖息地影像；由此能够使企鹅栖息地影像中企鹅的特征更加突出，提高了后期企鹅栖息地影像处理的精度。
在S102中，在企鹅生存环境中通常有新鲜粪便的地方就是企鹅栖息地或者企鹅活动的区域。根据新鲜粪便产生的时间不同，新鲜粪便在企鹅栖息地影像中通常呈现红色或者土红色；为此，基于企鹅的生境类型特征，从企鹅栖息地影像中选取红色区域或者土红色区域作为企鹅分布的感兴趣区域。由于成体企鹅在灰度图像中通常呈现黑色，而幼体企鹅在灰度图像中通常呈现灰色，为此获取感兴趣区域的所有灰度值。
在S103中，将灰度值输入预先训练好的模型，得到成体企鹅或者幼体企鹅的形态。也可以根据预设规则，基于灰度值确定企鹅形态，例如基于面向对象分类规则确定灰度值对应成体企鹅或幼体企鹅。
具体地，当灰度值满足第一预设条件，则确定灰度值对应成体企鹅；当灰度值满足第二预设条件，则确定灰度值对应幼体企鹅；当灰度值满足第三预设条件，则确定灰度值对应企鹅生存环境；从企鹅栖息地影像中获取成体企鹅或者幼体企鹅灰度值对应的栅格数据，基于栅格数据确定企鹅的形态属性。
在S104中，企鹅分为成体企鹅和幼体企鹅；根据成体企鹅形态确定成体企鹅数量；根据幼体企鹅形态确定幼体企鹅数量；基于成体企鹅数量和幼体企鹅数量确定企鹅总数量。
具体地，成体企鹅形态有站立形态和俯卧形态；统计站立形态对应的成体企鹅数量，得到第一成体企鹅数量；统计俯卧形态对应的成体企鹅数量，得到第二成体企鹅数量；基于第一成体企鹅数量和第二成体企鹅数量确定成体企鹅总数量。幼体企鹅形态有单独形态和托儿所形态；统计单独形态对应的幼体企鹅数量，得到第一幼体企鹅数量；统计托儿所形态对应的幼体企鹅数量，得到第二幼体企鹅数量；基于第一幼体企鹅数量和第二幼体企鹅数量确定幼体企鹅数量。基于成体企鹅总数量和幼体企鹅总数量确定企鹅总数量。
需要说明的是，企鹅可以是南极企鹅，也可以是其他种类的企鹅。
本发明实施例首先获取无人机载传感器所采集的企鹅栖息地影像；并获取企鹅栖息地影像中企鹅分布的感兴趣区域，以及感兴趣区域的所有灰度值；之后针对任一灰度值：基于灰度值确定企鹅形态；最后根据所有的企鹅形态确定企鹅数量。通过无人机载传感器采集企鹅栖息地影像，由此不仅能够实现无接触、无干扰的的观测，而且观测范围更大；之后基于无人机遥感图像确定企鹅种群数量，由此能够根据采集的企鹅栖息地影像自动确定企鹅种群数量，提高了企鹅种群数量统计结果的准确性。
如图2所示，本发明另一实施例基于灰度值确定成体企鹅形态的流程图，本实施例是在前述实施例的基础上进一步优化得到的，确定成体企鹅形态的方法至少包括如下操作流程：
S201，若灰度值满足第一预设条件，则确定灰度值对应成体企鹅，并从企鹅栖息地影像中获取灰度值对应的栅格数据。
S202，将栅格数据转换成矢量数据，并基于矢量数据确定成体企鹅的周长属性参数。
S203，若周长属性参数满足第三预设条件，则确定成体企鹅为站立形态。
S204，若周长属性参数满足第四预设条件，则确定成体企鹅为俯卧形态。
例如：成体企鹅的灰度阈值为a，幼体企鹅的灰度阈值为b，企鹅栖息地影像中最小灰度值为min，最大灰度值为max。当前灰度值为f(x)；若min≤f(x)≤a，则确定灰度值f(x)对应成体企鹅。从企鹅栖息地影像中获取f(x)对应的栅格数据；将该栅格数据转换成矢量数据，基于矢量数据确定成体企鹅的周长属性参数C。若周长属性参数C≥C0，则确定成体企鹅为站立形态；若周长属性参数C＜C0，则确定成体企鹅为俯卧形态。
本实施例先基于灰度值确定企鹅的种类，之后根据成体企鹅栅格数据对应的周长属性参数确定企鹅的形态；由此，利用面向对象分类方法通过软件对企鹅栖息地影像进行处理，从而能够准确确定成体企鹅的形态，实现了自动化统计成体企鹅的形态，进而能够准确获取成体企鹅的数量，避免了人工计数导致企鹅种群数量统计不准确的问题。
如图3所示，本发明又一实施例基于灰度值确定幼体企鹅形态的流程图，本实施例是在前述实施例的基础上进一步优化得到的，确定幼体企鹅形态的方法至少包括如下操作流程：
S301，若灰度值满足第二预设条件，则确定灰度值对应幼体企鹅，并从企鹅栖息地影像中获取灰度值对应的栅格数据。
S302，将栅格数据转换成矢量数据，并基于矢量数据确定幼体企鹅的面积属性参数。
S303，若面积属性参数满足第五预设条件，则确定幼体企鹅为单独形态。
S304，若面积属性参数满足第六预设条件，则确定幼体企鹅为托儿所形态。
例如：成体企鹅的灰度阈值为a，幼体企鹅的灰度阈值为b，企鹅栖息地影像中最小灰度值为min，最大灰度值为max。当前灰度值为f(x)；若a＜f(x)≤b，则确定灰度值f(x)对应幼体企鹅。从企鹅栖息地影像中获取f(x)对应的栅格数据；将该栅格数据转换成矢量数据，基于矢量数据确定幼体企鹅的面积属性参数S。若0<S≤S0，则灰度值f(x)的栅格数据对应1只幼体企鹅，若S0<S≤2S0，则为2只幼体企鹅，若S0<S≤NS0，则为N只幼体企鹅，依次类推。3只及以上幼体企鹅聚集时所形成的形态为托儿所状态。
本实施例先基于灰度值确定企鹅的种类，之后根据幼体企鹅栅格数据对应的面积属性参数确定幼体企鹅的形态；由此，基于面向对象分类规则利用软件对企鹅栖息地影像进行处理，从而能够准确区分幼体企鹅的不同形态，实现了自动化统计幼体企鹅的形态，进而为幼体企鹅种群数量的统计提供了依据，避免了人工计数导致企鹅种群数量统计不准确的问题。
应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在的逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
下面结合具体应用对本发明实施例确定企鹅种群数量的方法进行详细说明。
获取无人机载传感器所采集的企鹅栖息地影像；
首先，获取所述企鹅栖息地影像中有企鹅分布的感兴趣区域，以及所述感兴趣区域各波段的亮度值；其次，根据影像各波段成体企鹅和幼体亮度值的差异，选取二者差异最大的波段或波段组合，将企鹅种群划分为成体企鹅和幼体企鹅：根据成体企鹅站立和俯卧姿态下体长、体宽、周长、面积等形态学参数的差异，将成体企鹅划分为站立形态和俯卧形态；将幼体企鹅总面积除以幼体企鹅正射影像的平均面积，计算幼体企鹅总数，并将3只及以上聚集在一起的幼体企鹅判定为托儿所形态，将1～2只独立分布的幼体企鹅判定为单独形态，分别计算站立形态和俯卧形态的成体企鹅的数量、托儿所形态内幼体企鹅的数量，以及单独形态的幼体企鹅的数量；最后，将成体企鹅数量和幼体企鹅数量相加得到企鹅种群数量。
获取无人机载传感器在南极采集的企鹅栖息地影像；在遥感软件ENVI中对企鹅栖息地影像进行傅里叶变换预处理。统计预处理后的企鹅栖息地影像中企鹅灰度阈值：成体企鹅为a＝-70，幼体企鹅b＝-38。
确定企鹅栖息地影像中阿德利鹅分布的感兴趣区域。基于遥感软件ENVI中面向对象分类规则和预设灰度阈值提取企鹅栖息地影像中的成体企鹅M与幼体企鹅m。其中，f(x)为企鹅栖息地影像中的任一灰度值，min为企鹅栖息地影像中最小灰度值，max为最大灰度值。
若min≤f(x)≤-70，则f(x)为成体企鹅对应的灰度值；
若-70＜f(x)≤-38，则f(x)为幼体企鹅对应的灰度值；
若-38＜f(x)≤max，则为环境对应的灰度值。
然从企鹅栖息地影像中获取f(x)对应成体企鹅的栅格数据，以及幼体企鹅的栅格数据。将成体企鹅的栅格数据转换成矢量数据，基于矢量数据确定成体企鹅的周长属性参数C；将幼企鹅的栅格数据转换成矢量数据，基于矢量数据确定幼体企鹅的面积属性参数S。根据周长属性参数区分成体企鹅的站立形态和俯卧形态，根据实测企鹅形态数据设定周长分割阈值为C0＝1m，若1m≤C，则成体企鹅为站立形态M1；否则，成体企鹅为俯卧形态M2。
根据面积属性参数区分幼体企鹅的单独形态m1、托儿所(3只及以上幼体企鹅聚集)形态m2，根据实测企鹅形态数据设定面积分割阈值S0＝0.053m2。若0<S≤0.053m2,则为1只幼体企鹅；若0.053m2<S≤0.106m2,则为2只幼体企鹅聚集，依此类推。根据成体企鹅形态确定成体企鹅数量；根据幼体企鹅形态确定幼体企鹅数量；基于成体企鹅数量和幼体企鹅数量确定企鹅总数量；结果如图表1所示。
表1企鹅种群数量的统计结果
如图4所示，为本发明一实施例确定企鹅种群数量的装置的结构示意图，该装置400包括：第一获取模块401，用于获取无人机载传感器所采集的企鹅栖息地影像；第二获取模块402，用于获取所述企鹅栖息地影像中企鹅分布的感兴趣区域，以及所述感兴趣区域的所有灰度值；第一确定模块403，用于针对任一所述灰度值：基于所述灰度值确定企鹅形态；第二确定模块404，用于根据所有的企鹅形态确定企鹅数量。
在可选的实施例中，所述第一确定模块401包括：第一确定单元，用于若所述灰度值满足第一预设条件，则确定所述灰度值对应成体企鹅，并从所述企鹅栖息地影像中获取所述灰度值对应的栅格数据；第二确定单元，用于将所述栅格数据转换成矢量数据，并基于所述矢量数据确定成体企鹅的周长属性参数；第三确定单元，用于若所述周长属性参数满足第三预设条件，则确定所述成体企鹅为站立形态；第四确定单元，用于若所述周长属性参数满足第四预设条件，则确定所述成体企鹅为俯卧形态。
在可选的实施例中，所述第一确定模块401包括：第一确定单元，还用于若所述灰度值满足第二预设条件，则确定所述灰度值对应幼体企鹅，并从所述企鹅栖息地影像中获取所述灰度值对应的栅格数据；第二确定单元，还用于将所述栅格数据转换成矢量数据，并基于所述矢量数据确定幼体企鹅的面积属性参数；第三确定单元，还用于若所述面积属性参数满足第五预设条件，则确定所述幼体企鹅为单独形态；第四确定单元，还用于若所述面积属性参数满足第六预设条件，则确定所述幼体企鹅为托儿所形态。
在可选的实施例中，所述企鹅分为成体企鹅和幼体企鹅；所述第二确定模块404包括：第一确定单元，用于根据成体企鹅形态确定成体企鹅数量；第二确定单元，用于根据幼体企鹅形态确定幼体企鹅数量；第三确定单元，用于基于所述成体企鹅数量和所述幼体企鹅数量确定企鹅总数量。
在可选的实施例中，第二确定单元包括：第一统计子单元，用于统计单独形态对应的幼体企鹅数量，得到第一幼体企鹅数量；第二统计子单元，用于统计托儿所形态对应的幼体企鹅数量，得到第二幼体企鹅数量；确定子单元，用于基于所述第一幼体企鹅数量和所述第二幼体企鹅数量确定幼体企鹅数量。
在可选的实施例中，基于面向对象分类法确定所述灰度值对应成体企鹅或幼体企鹅。
上述装置可执行本发明实施例所提供的确定企鹅种群数量的方法，具备执行确定企鹅种群数量的方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的确定企鹅种群数量的方法。
如图5所示，为本发明实施例可以应用于其中的示例性系统架构图，该系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所产生的点击事件提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的点击数据、文本内容等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本申请实施例所提供的确定企鹅种群数量的方法一般由服务器505执行，相应地，确定企鹅种群数量的装置一般设置于服务器505中。
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图6，其示出了适于用来实现实施例的终端设备或服务器的计算机系统的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该单元本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：本发明一实施例确定企鹅种群数量的方法的流程图，该方法至少包括如下操作流程：S101，获取无人机载传感器所采集的企鹅栖息地影像。S102，获取企鹅栖息地影像中企鹅分布的感兴趣区域，以及感兴趣区域的所有灰度值。S103，针对任一灰度值：基于灰度值确定企鹅形态。S104，根据所有的企鹅形态确定企鹅数量。
本发明实施例的方法使用无人机载传感器观测企鹅种群，获得同一时点的种群数量，避免了传统人工计数方法造成的误差，提高了统计的准确性精度和可靠性。本发明采用遥感影像观察企鹅种群，避免了因近距离观察南极企鹅对动物行为的干扰及对其栖息地的破坏，也大大增强了野外观测的安全性和经济性，具有较高的应用价值。解决了种群数量多、分布密集的南极企鹅种群数量观察统计的难题。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到变化或替换，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以所述权利要求的保护范围为准。

Claims (6)

1.一种确定企鹅种群数量的方法，其特征在于，包括：
获取无人机载传感器所采集的企鹅栖息地影像；
获取所述企鹅栖息地影像中有企鹅分布的感兴趣区域，以及所述感兴趣区域的所有灰度值；
针对任一所述灰度值，确定企鹅形态；
若所述灰度值满足第一预设条件，则确定所述灰度值对应成体企鹅；并从所述企鹅栖息地影像中获取所述灰度值对应的栅格数据；
将所述栅格数据转换成矢量数据，并基于所述矢量数据确定成体企鹅的周长属性参数；
若所述周长属性参数满足第三预设条件，则确定所述成体企鹅为站立形态；
若所述周长属性参数满足第四预设条件，则确定所述成体企鹅为俯卧形态；
若所述灰度值满足第二预设条件，则确定所述灰度值对应幼体企鹅；并从所述企鹅栖息地影像中获取所述灰度值对应的栅格数据；
将所述栅格数据转换成矢量数据，并基于所述矢量数据确定幼体企鹅的面积属性参数；
若所述面积属性参数满足第五预设条件，则确定所述幼体企鹅为单独形态；
若所述面积属性参数满足第六预设条件，则确定所述幼体企鹅为托儿所形态；
根据所有的企鹅形态确定企鹅数量。
2.根据权利要求1所述的方法，其特征在于，所述企鹅分为成体企鹅和幼体企鹅；所述根据所有的企鹅形态确定企鹅数量，包括：
根据成体企鹅形态确定成体企鹅数量；
根据幼体企鹅形态确定幼体企鹅数量；
基于所述成体企鹅数量和所述幼体企鹅数量确定企鹅总数量。
3.根据权利要求2所述的方法，其特征在于，所述根据所述幼体企鹅形态确定幼体企鹅数量，包括：
统计单独形态对应的幼体企鹅数量，得到第一幼体企鹅数量；
统计托儿所形态对应的幼体企鹅数量，得到第二幼体企鹅数量；
基于所述第一幼体企鹅数量和所述第二幼体企鹅数量确定幼体企鹅数量。
4.根据权利要求1所述的方法，其特征在于，
基于面向对象分类法确定所述灰度值对应成体企鹅或幼体企鹅。
5.一种确定企鹅种群数量的装置，其特征在于，包括：
第一获取模块，用于获取无人机载传感器所采集的企鹅栖息地影像；
第二获取模块，用于获取所述企鹅栖息地影像中有企鹅分布的感兴趣区域，以及所述感兴趣区域的所有灰度值；
第一确定模块，用于针对任一所述灰度值：基于所述灰度值确定企鹅形态；所述第一确定模块包括：
第一确定单元，用于若所述灰度值满足第一预设条件，则确定所述灰度值对应成体企鹅，并从所述企鹅栖息地影像中获取所述灰度值对应的栅格数据；还用于若所述灰度值满足第二预设条件，则确定所述灰度值对应幼体企鹅，并从所述企鹅栖息地影像中获取所述灰度值对应的栅格数据；
第二确定单元，用于将所述栅格数据转换成矢量数据，并基于所述矢量数据确定成体企鹅的周长属性参数；还用于将所述栅格数据转换成矢量数据，并基于所述矢量数据确定幼体企鹅的面积属性参数；
第三确定单元，用于若所述周长属性参数满足第三预设条件，则确定所述成体企鹅为站立形态；还用于若所述面积属性参数满足第五预设条件，则确定所述幼体企鹅为单独形态；
第四确定单元，用于若所述周长属性参数满足第四预设条件，则确定所述成体企鹅为俯卧形态；还用于若所述面积属性参数满足第六预设条件，则确定所述幼体企鹅为托儿所形态；
第二确定模块，用于根据所有的企鹅形态确定企鹅数量。
6.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
CN202210412662.4A 2022-04-19 2022-04-19 一种确定企鹅种群数量的方法、装置及计算机可读介质 Active CN114842412B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210412662.4A CN114842412B (zh) 2022-04-19 2022-04-19 一种确定企鹅种群数量的方法、装置及计算机可读介质
US18/136,280 US20230334891A1 (en) 2022-04-19 2023-04-18 Method for determining a penguin population, device and computer readable medium therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210412662.4A CN114842412B (zh) 2022-04-19 2022-04-19 一种确定企鹅种群数量的方法、装置及计算机可读介质

Publications (2)

Publication Number Publication Date
CN114842412A CN114842412A (zh) 2022-08-02
CN114842412B true CN114842412B (zh) 2024-07-26

Family

ID=82566295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210412662.4A Active CN114842412B (zh) 2022-04-19 2022-04-19 一种确定企鹅种群数量的方法、装置及计算机可读介质

Country Status (2)

Country Link
US (1) US20230334891A1 (zh)
CN (1) CN114842412B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399806A (zh) * 2019-07-02 2019-11-01 北京师范大学 基于高分辨率遥感影像识别阿德利企鹅数量的方法
CN111696177A (zh) * 2020-05-06 2020-09-22 广东康云科技有限公司 人体三维模型和仿真人像动画的生成方法、装置和介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2634748B1 (de) * 2012-02-28 2019-06-12 Siemens Healthcare GmbH Bilddatenbestimmungsverfahren
CN112990517A (zh) * 2019-12-12 2021-06-18 中移雄安信息通信科技有限公司 一种人群分布预测方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399806A (zh) * 2019-07-02 2019-11-01 北京师范大学 基于高分辨率遥感影像识别阿德利企鹅数量的方法
CN111696177A (zh) * 2020-05-06 2020-09-22 广东康云科技有限公司 人体三维模型和仿真人像动画的生成方法、装置和介质

Also Published As

Publication number Publication date
CN114842412A (zh) 2022-08-02
US20230334891A1 (en) 2023-10-19

Similar Documents

Publication Publication Date Title
CN110288049B (zh) 用于生成图像识别模型的方法和装置
CN108427939B (zh) 模型生成方法和装置
Ye et al. Development of a highly flexible mobile GIS-based system for collecting arable land quality data
CN109884279A (zh) 土壤含水量的反演方法和反演装置
CN107729473B (zh) 文章推荐方法及其装置
CN113887447B (zh) 一种针对密集群体目标的密度估计、分类预测模型的训练、推理方法及装置
Lanzante A cautionary note on the use of error bars
CN111311480B (zh) 图像融合方法和装置
CN117290561B (zh) 业务状态信息反馈方法、装置、设备和计算机可读介质
CN112200173B (zh) 多网络模型训练方法、图像标注方法和人脸图像识别方法
De Nardis et al. ThingsLocate: a ThingSpeak-based indoor positioning platform for academic research on location-aware internet of things
CN110879776A (zh) 一种测试用例的生成方法和装置
CN113780270A (zh) 目标检测方法和装置
CN110232130B (zh) 元数据管理谱系生成方法、装置、计算机设备和存储介质
CN107666398B (zh) 基于用户行为的群组通知方法、系统以及存储介质
CN114842412B (zh) 一种确定企鹅种群数量的方法、装置及计算机可读介质
CN111158881B (zh) 数据处理方法、装置、电子设备和计算机可读存储介质
CN116662904A (zh) 数据类型的变异检测方法、装置、计算机设备及介质
CN111538918A (zh) 一种推荐方法、装置、电子设备及存储介质
CN113808134B (zh) 油罐布局信息生成方法、装置、电子设备、介质
CN114140723B (zh) 多媒体数据的识别方法、装置、可读介质及电子设备
CN116502700A (zh) 皮肤检测模型训练方法、皮肤检测方法、装置及电子设备
CN114049454B (zh) 一种基于混合聚类解译岩体结构面产状的方法及系统
CN113689959B (zh) 基于人工智能的疫情防控决策方法、装置、设备及介质
CN111726476B (zh) 图像处理方法、装置、设备和计算机可读介质

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