CN115690577A - 一种用于动植物识别的无人机及其工作方法 - Google Patents

Abstract

本发明提供了一种用于动植物识别的无人机及其工作方法，属于无人机技术领域。解决了无人机识别动植物时间长、效率低的问题。其技术方案为：包括以下步骤：步骤一、图像采集；步骤二、图片信息预处理；步骤三、图像识别；步骤四、轮廓识别；步骤五、数据比对；步骤六、报警；用于动植物识别的无人机，包括无人机机体；无人机机体下方设置有图像采集结构。本发明的有益效果为：有效提高了动植物识别的高效性和准确性，可以利用热像仪和高清摄像结合，提升了动植物追踪过程中的识别精准度。

Description

一种用于动植物识别的无人机及其工作方法

技术领域

本发明涉及无人机技术领域，尤其涉及一种用于动植物识别的无人机及其工作方法。

背景技术

人类的生存繁衍离不开湿地，湿地生态环境复杂，分布面积广，其中每个物种都是生态系统中的重要一员，通过食物链的关系，物种之间起到互相依存、互相牵制的作用，然而一旦某一环节出现问题，整个生态系统的平衡就会受到严重影响，因此，为了确保生物多样性和改善生态系统状况，及时准确地了解湿地目标动植物的空间分布信息和生活环境状态至关重要，目前湿地动植物的检测方法有人工检测和遥感检测，，但是由于生态环境复杂，人工检测受到约束，不易开展，更多采用遥感检测，其中无人机相对于光学遥感卫星而言，具有高效性、低成本的优点，因此选择利用无人机采集湿地区域内的影像并进行目标检测与追踪是更加高效的解决方案。

近年来无人机技术飞速发展，应用广泛，其中无人机航拍图像目标检测更是被应用在多个领域，不但可以捕获直观和高度实时的信息，具有良好的时效性，且观测范围广，不受地形影响，同时也减少了人力物力的投入，极其方便，为湿地动植物的检测提供了强有力的手段。

无人机航拍图像目标检测应用丰富，但传统无人机图像捕捉更多采用摄像的方式，容易受到环境的影响，若遇到雨雾天气或者夜晚光线较暗时，采集到的图像信息不易被识别，具有一定的局限性；传统无人机检测更多集中在人工操作和手动进行特征识别上，需要大量的时间进行目标提取和检测，后来随着计算机和人工智能的快速发展，基于深度学习算法的目标检测更加具有优势，它们可以直接对目标的位置和类别进行预测，具有更快的检测速度，但是同时复杂多样的背景信息也容易对待检目标产生混淆，通用的目标检测算法很难取得理想检测效果，研究者们进行大量研究。

经过国内文献和专利检索发现，现有专利《一种用于污染源监测的无人机遥感测绘设备》(申请号：CN202120660793.5)中公开了一种污源监测的无人机遥感测绘设备，包括本体和摄像头，还包括便于进行光源位置调节的移动调节结构，所述调节结构安装于内部底端两侧，利用照明灯和螺纹杆，通过电机转动带动螺纹杆进行转动，螺纹杆在转动时能够带动活块的位置发生改变，活动位置改变可改变底端的照明端进行左右移动，从而更好地的将需要照亮的部分进行测绘。但是该方法使用照明灯时可能会影响图像的准确性，甚至会对湿地动植物的空间分布产生影响，而且当周围环境与需要检测的目标动植物颜色相似时，很难通过该方法测绘识别，使用范围具有局限性，不宜对湿地动植物进行检测。

经过国内文献和专利检索发现，现有专利《基于深度学习模型的无人机遥感松材线虫病害检测方法》(申请号：CN202210238878.3)中公开了一种基于深度学习模型的无人机遥感松材线虫病害监测方法，方法包括:步骤一、无人机遥感数据获取、处理，实地勘察了解作业区域实际状况：获取松材线虫病害监测所需数据；步骤二、松材线虫病害样本库的建立：获取对应松材线虫病害标签构建松材线虫病害样本库；步骤三、设计针对性的松材线虫病害深度学习监测算法:经过空间信息保留模块提取目标空间细节信息利用上下文信息模块，获取上下文信息，结合注意力优化模块对多层次特征进行融合,输出最终提取结果。但是该方法的多层次特征融合对于现实的目标提取具有一定难度，因为湿地检测的动物活动范围大，目标空间难以确定，具有局限性。

如何解决上述技术问题为本发明面临的课题。

发明内容

本发明的目的在于提供一种用于动植物识别的无人机及其工作方法。解决了无人机识别动植物困难的问题。有效提高了动植物识别的高效性和准确性，可以利用热像仪和高清摄像结合，提升了动植物追踪过程中的识别精准度，解决了现有识别模式中时间长、效率低的问题。

本发明的思想为：用热成像和高清摄像结合获取图像，减少了环境对动植物识别的影响，同时在采集图像后，用图像预处理进行了图像分组，处理使热成像和高清图片的空间分辨相似，根据接收到的热辐射能量的不同，绘制热成像温度曲线，将暖对象和无生命的背景区分开，使得动植物识别更有针对性，更具目标性，有效提高了动植物识别的高效性。

为了实现上述发明目的，本发明采用技术方案具体为：

一种用于动植物识别的无人机的工作方法，包括以下步骤：

步骤一、图像采集，通过图像采集模块用来采集热成像和高清摄像头的拍摄图片，在不同角度对识别区域拍摄；

步骤二、图片信息预处理；对于形成的图片信息进行预处理：通过图像预处理模块，用来根据图像位置属性进行图像分组，以热成像与高清图片的同时刻相似视角分组，处理图片，使热成像和高清图片的空间分辨相似，使热成像和高清图片的像元大小、像解率和视场角相似；热成像根据接收到的热辐射能量的不同，将暖对象与无生命的背景对象区分开，对暖对象进行编码；利用第一通道：将编码的暖对象与摄像头拍摄的高清图片自动比对，根据编码，先把目标物与背景物分离出来；

步骤三、图像识别；将步骤二中处理后的图像分为有特征提取部分和无图像提取部分；若有特征提取部分，则获取模式特征以及神经网络分类能力来识别目标图像，将识别后的结果与信息库中的录入图片，算出重合度，提交结果；

步骤四、轮廓识别；根据轮廓进行比对，若是该像元小于像元可进行比对的最小值，比对困难，则同比例放大；

对比轮廓重合度，若轮廓重合度大于80％，则将目标信息打包发送，产生报警，并进行关联追踪录像；

若轮廓重合度小于80％，将热成像中的目标物放入图片中的对应场景中；

若未遮掩部分重合度大于80％，则将目标信息打包发送，产生报警，并进行关联追踪录像；

若轮廓重合度继续小于80％，可能该对象完全被遮掩，则进入第二通道，进行人工比对，并根据指令进一步拍摄该物体周围；

步骤五、数据比对；通过外貌识别以及行为识别，将视频慢动作处理，分析动物行为，与动植物信息库中的习性对比；

其次，通过周围环境识别，将拍摄的周围环境与信息库中的动植物栖息地进行比较；此时识别率若达到90％的则自动归类，若低于90％的则上传人工识别；

步骤六、报警；将编码的暖对象物体归类，若发现有遗漏，产生报警。

所述步骤三中，若无特征提取部分，将整副图像直接转换成数字信息进行输入，判断是否存在噪音；

若存在噪音则运用基于分形特征的红外图像识别方法，提取其分形特征以供进一步的纹理分割、目标识别，对其进行红外图像预处理，以增强其对比度，进行红外图像分形特征提取，基于神经网络的红外图像识别，通过对原始数据的训练，获得最佳的权系数，从而得出识别结果；

若不存在噪音则运用基于小波矩的图像识别方法，运用BP网络，进行识别，将输入图像经过归一化处理，极坐标化，旋转不变小波矩特征提取后，送入BP网络分类器进行识别，从而获得识别结果；BP网络，全称Back Propagation，一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。

若识别结果能顺利算出重合度则直接上交结果，若无法顺利识别则提交人工进行识别。

用于动植物识别的无人机，包括无人机机体；所述无人机机体下方设置有图像采集结构；

所述图像采集结构包括可旋转相机支撑架以及云台摄像机；所述可旋转相机支撑架连接在图像采集结构下方，所述云台摄像机连接在可旋转相机支撑架下方。

所述云台摄像机具备红外热成像、高清可见光和激光补米三光谱重型功能。

还包括安装在无人机机体上的所述图像采集模块、图像预处理模块、图像识别模块、重合度筛选模块以及目标处理模块，其中

所述图像采集模块用来采集热成像和高清摄像头的拍摄图片；

所述图像预处理模块用来根据图像位置进行图像分组，并使热成像和高清图片的空间分辨相似；

所述图像识别模块用来将视觉识别所得图像与系统原有录入图像进行系统比对，得出识别对象的轮廓重合度；

所述目标处理模块用来与动物信息库作比对，并根据比对情况进行处理。

所述图像采集模块连接有图像预处理模块，图像预处理模块包含分离编码目标对象模块；所述图像采集模块连接用以采集热成像和高清摄像头的拍摄图片，可在不同角度对识别区域拍摄；所述图像预处理模块用来根据图像位置属性进行图像分组，以热成像与高清图片的同时刻相似视角分组，并处理使热成像和高清图片的空间分辨相似，即使热成像和高清图片的像元大小、像解率和视场角相似；所述分离编码目标对象模块用来根据接收到的热辐射能量的不同，将暖对象和无生命的背景区分开，分别对暖对象和无生命的目标对象进行编码。

所述图像预处理模块连接有图像识别模块，所述图像识别模块包括有特征提取模块和无特征提取模块；

所述有特征提取模块连接神经网络分类模块，所述神经网络分类模块连接有计算重合度模块；

所述无特征提取模块连接有数字信息转换模块，所述数字信息转换模块连接有噪声判断模块，所述噪声判断模块对于数字信息进行判断，若无噪声或噪声很小可忽略不计时，所述噪声判断模块连接有基于小波矩的图像识别方法，所述小波矩的图像识别方法连接有BP网络识别模块，所述BP网络识别模块连接有分辨测试模块，所述分辨测试模块连接有识别模块；若有噪声即噪声无法忽略不计时，所述噪声判断模块连接有基于分形特征的红外图像识别方法，所述基于分形特征的红外图像识别方法连接有红外图像预处理模块，所述红外图像预处理模块连接有红外图像分形特征提取模块，所述红外图像分形特征提取模块连接有识别模块；所述识别模块连接有重合度判断模块，所述重合度判断模块连接有结果提交模块；所述重合度判断模块连接有人工识别模块。

与现有技术相比，本发明的有益效果为：

1、本发明通过设置图像采集模块、图像预处理模块，所述图像采集模块连接可以采集热成像和高清摄像头的拍摄图片，可在不同角度对识别区域拍摄，并用图像预处理模块来根据图像位置属性进行图像分组，以热成像与高清图片的同时刻相似视角分组，并处理使热成像和高清图片的空间分辨相似，即使热成像和高清图片的像元大小、像解率和视场角相似，有效提高了动植物识别的高效性。

2、本发明通过设置的分离编码目标对象模块，所述分离编码目标对象模块用来根据接收到的热辐射能量的不同，绘制热成像温度曲线，将暖对象和无生命的背景区分开，分别对暖对象和无生命的目标对象进行编码，使得动植物识别更有针对性，更具目标性。

3、本发明通过设置的图像识别模块，即神经系统识别，在有特征提取部分，充分利用人的经验来获取模式特征以及神经网络分类能力来识别目标图像，使得识别结果更加准确。若在无特征提取部分，基于小波矩的图像识别方法中，运用BP网络进行识别，将输入图像经过归一化处理，极坐标化，旋转不变小波矩特征提取后，送入BP网络分类器进行识别，获得识别结果。小波矩特征对具有平移、缩放和旋转的样本具有良好的分辨能力，在无噪声的情况下，小波矩特征都能正确分辨测试样本，识别率优于几何矩，差距达到30个百分点。由于小波矩具有较好的提取图像局部特征能力，最高正确识别率达到98％，所以识别结果准确率能够得到保证。其中基于分形特征的红外图像识别方法，提取其分形特征以供进一步的纹理分割、目标识别，通过对原始数据的训练，获得最佳的权系数，取得很好的识别结果。通过这几种识别方法，可以有效提高识别效率和识别结果。

4、本发明通过设置的重合度筛选模块，所述重合度筛选模块，若轮廓重合度大于80％，则将目标信息打包发送，产生报警，并进行关联追踪录像；若轮廓重合度小于80％，可能物体有部分遮掩，可将热成像的目标物填补高清图片的对应场景，若未被遮掩部分重合度大于80％，则将目标信息打包发送，并进行关联录像；若轮廓重合度继续小于80％，可能该对象被完全遮掩，可人工介入，并根据指令进一步拍摄该疑似目标周围，使得识别的目标对象更准确。

5.本发明通过目标处理模块将追踪拍摄的动植物与动植物信息库比对，通过外貌识别、行为识别，即将拍摄录像慢动作处理，分析动物行为，与动植物信息库的习性相对比，此识别率达到90％以上可自动归类，对于遗漏或未做处理的目标对象进行报警，实时定位并人工介入，这样可减少人工操作，通过智能分析，更快更高效地进行识别归类。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明一种用于动植物识别的新型无人机的逻辑结构示意图；

图2为本发明一种用于动植物识别的新型无人机图像预处理模块的结构示意图；

图3为本发明一种用于动植物识别的新型无人机分离编码目标对象模块的结构示意图；

图4为本发明一种动植物识别的新型无人机图像识别的算法结构示意图；

图5为本发明一种动植物识别的新型无人机轮廓度筛选模块的逻辑结构图；

图6为本发明一种动植物识别的新型无人机的结构图。

其中，附图标记为：1-无人机机体、2-图像采集结构、21-可旋转相机支撑架、22-云台摄像机。

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，以下结合附图及实施例，对本发明进行进一步详细说明。当然，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。

实施例1

如图1-图5所示，本发明提供的技术方案为：一种用于动植物识别的无人机的工作方法，包括以下步骤：

步骤一、图像采集，通过图像采集模块用来采集热成像和高清摄像头的拍摄图片，在不同角度对识别区域拍摄；

步骤二、图片信息预处理；对于形成的图片信息进行预处理：通过图像预处理模块，用来根据图像位置属性进行图像分组，以热成像与高清图片的同时刻相似视角分组，处理图片，使热成像和高清图片的空间分辨相似，使热成像和高清图片的像元大小、像解率和视场角相似；热成像根据接收到的热辐射能量的不同，将暖对象与无生命的背景对象区分开，对暖对象进行编码；利用第一通道：将编码的暖对象与摄像头拍摄的高清图片自动比对，根据编码，先把目标物与背景物分离出来；

步骤三、图像识别；将步骤二中处理后的图像分为有特征提取部分和无图像提取部分；若有特征提取部分，则获取模式特征以及神经网络分类能力来识别目标图像，将识别后的结果与信息库中的录入图片，算出重合度，提交结果；

步骤四、轮廓识别；根据轮廓进行比对，若是该像元小于像元可进行比对的最小值，比对困难，则同比例放大；

对比轮廓重合度，若轮廓重合度大于80％，则将目标信息打包发送，产生报警，并进行关联追踪录像；

若轮廓重合度小于80％，将热成像中的目标物放入图片中的对应场景中；

若未遮掩部分重合度大于80％，则将目标信息打包发送，产生报警，并进行关联追踪录像；

若轮廓重合度继续小于80％，可能该对象完全被遮掩，则进入第二通道，进行人工比对，并根据指令进一步拍摄该物体周围；

步骤五、数据比对；通过外貌识别以及行为识别，将视频慢动作处理，分析动物行为，与动植物信息库中的习性对比；

其次，通过周围环境识别，将拍摄的周围环境与信息库中的动植物栖息地进行比较；此时识别率若达到90％的则自动归类，若低于90％的则上传人工识别；

步骤六、报警；将编码的暖对象物体归类，若发现有遗漏，产生报警。

所述步骤三中，若无特征提取部分，将整副图像直接转换成数字信息进行输入，判断是否存在噪音；

若存在噪音则运用基于分形特征的红外图像识别方法，提取其分形特征以供进一步的纹理分割、目标识别，对其进行红外图像预处理，以增强其对比度，进行红外图像分形特征提取，基于神经网络的红外图像识别，通过对原始数据的训练，获得最佳的权系数，从而得出识别结果；

若不存在噪音则运用基于小波矩的图像识别方法，运用BP网络，进行识别，将输入图像经过归一化处理，极坐标化，旋转不变小波矩特征提取后，送入BP网络分类器进行识别，从而获得识别结果；BP网络，全称Back Propagation，一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。

若识别结果能顺利算出重合度则直接上交结果，若无法顺利识别则提交人工进行识别。

结合图6，用于动植物识别的无人机，包括无人机机体1；所述无人机机体1下方设置有图像采集结构2；

所述图像采集结构2包括可旋转相机支撑架21以及云台摄像机22；所述可旋转相机支撑架21连接在图像采集结构2下方，所述云台摄像机22连接在可旋转相机支撑架21下方。

所述云台摄像机22具备红外热成像、高清可见光和激光补米三光谱重型功能。

还包括安装在无人机机体1上的所述图像采集模块、图像预处理模块、图像识别模块、重合度筛选模块以及目标处理模块，其中：

所述图像采集模块用来采集热成像和高清摄像头的拍摄图片；

所述图像预处理模块用来根据图像位置进行图像分组，并使热成像和高清图片的空间分辨相似；

所述图像识别模块用来将视觉识别所得图像与系统原有录入图像进行系统比对，得出识别对象的轮廓重合度；

所述目标处理模块用来与动物信息库作比对，并根据比对情况进行处理。

所述图像采集模块连接有图像预处理模块，图像预处理模块包含分离编码目标对象模块；所述图像采集模块连接用以采集热成像和高清摄像头的拍摄图片，可在不同角度对识别区域拍摄；所述图像预处理模块用来根据图像位置属性进行图像分组，以热成像与高清图片的同时刻相似视角分组，并处理使热成像和高清图片的空间分辨相似，即使热成像和高清图片的像元大小、像解率和视场角相似；所述分离编码目标对象模块用来根据接收到的热辐射能量的不同，将暖对象和无生命的背景区分开，分别对暖对象和无生命的目标对象进行编码。

所述图像预处理模块连接有图像识别模块，所述图像识别模块包括有特征提取模块和无特征提取模块；

所述有特征提取模块连接神经网络分类模块，所述神经网络分类模块连接有计算重合度模块；

所述无特征提取模块连接有数字信息转换模块，所述数字信息转换模块连接有噪声判断模块，所述噪声判断模块对于数字信息进行判断，若无噪声或噪声很小可忽略不计时，所述噪声判断模块连接有基于小波矩的图像识别方法，所述小波矩的图像识别方法连接有BP网络识别模块，所述BP网络识别模块连接有分辨测试模块，所述分辨测试模块连接有识别模块；若有噪声即噪声无法忽略不计时，所述噪声判断模块连接有基于分形特征的红外图像识别方法，所述基于分形特征的红外图像识别方法连接有红外图像预处理模块，所述红外图像预处理模块连接有红外图像分形特征提取模块，所述红外图像分形特征提取模块连接有识别模块；所述识别模块连接有重合度判断模块，所述重合度判断模块连接有结果提交模块；所述重合度判断模块连接有人工识别模块。

参照图6，其为一种用于动植物识别的无人机，包括无人机机体1；所述无人机机体1下方设置有图像采集结构2；

云台摄像机22采用红外热成像+高清可见光+激光补米三光谱重型一体化的相机。

工作原理：无人机通过旋转相机支撑架21以旋转红外热成像+高清可见光+激光补米三光谱重型一体化云台摄像机22来对所测对象进行实时拍摄，通过图像采集结构2来采集热成像和高清摄像头的拍摄图片，并在不同角度对识别区域拍摄。

无人机1图像采集完成后，需根据图像位置属性进行图像分组，预处理使热成像和高清图片的空间分辨相似。热成像根据接收到的热辐射能量的不同，可以将暖对象与无将编码的暖对象与摄像头拍摄的高清图片自动比对，根据编码，先把目标物与背景物分离出来。

无人机1编码完成后，进行图像识别，预处理之后的图像经过判断之后，分为有特征提取部分和无图像提取部分。若有特征提取部分，则充分利用人的经验来获取模式特征以及神经网络分类能力来识别目标图像，而后将识别后的结果与信息库中的录入图片，算出重合度，提交结果即可。若无特征提取部分，则将整副图像直接转换成数字信息进行输入，而后判断是否存在噪音，若存在噪音则运用基于分形特征的红外图像识别方法，提取其分形特征以供进一步的纹理分割、目标识别，对其进行红外图像预处理，以增强其对比度，而后进行红外图像分形特征提取，基于神经网络的红外图像识别，通过对原始数据的训练，获得最佳的权系数，从而得出识别结果。若不存在噪音则运用基于小波矩的图像识别方法，运用BP网络进行识别，将输入图像经过归一化处理，极坐标化，旋转不变小波矩特征提取后，送入BP网络分类器进行识别，从而获得识别结果。若识别结果能顺利算出重合度则直接上交结果，若无法顺利识别则提交人工进行识别。

根据轮廓进行比对，若是该像元小于像元可进行比对的最小值，比对困难，则同比例放大，对比轮廓重合度若轮廓重合度大于80％，则将目标信息打包发送，产生报警，并进行关联追踪录像。若轮廓重合度小于80％，可能物体有部分遮掩，可将热成像中的目标物放入图片中的对应场景中，若未遮掩部分重合度大于80％，则将目标信息打包发送，产生报警，并进行关联追踪录像。若轮廓重合度继续小于80％，可能该对象完全被遮掩，则进入第二通道，进行人工比对，并根据指令进一步拍摄该物体周围。

将追踪拍摄的动物与动物信息库比对。首先通过外貌识别，包括动植物颜色、形状等，以及行为识别，将视频慢动作处理，分析动物行为，与动植物信息库中的习性对比。其次，通过周围环境识别，将拍摄的周围环境与信息库中的动植物栖息地进行比较。此时识别率若达到90％的则自动归类，若低于90％的则上传人工识别。将编码的暖对象物体归类，若发现有遗漏，发生报警。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种用于动植物识别的无人机，其特征在于，包括无人机机体(1)；所述无人机机体(1)下方设置有图像采集结构(2)；

所述图像采集结构(2)包括可旋转相机支撑架(21)以及云台摄像机(22)；所述可旋转相机支撑架(21)连接在图像采集结构(2)下方，所述云台摄像机(22)连接在可旋转相机支撑架(21)下方。

2.根据权利要求1所述的一种用于动植物识别的无人机，其特征在于，所述云台摄像机(22)具备红外热成像、高清可见光和激光补米三光谱重型功能。

3.根据权利要求2所述的一种用于动植物识别的无人机，其特征在于，还包括安装在无人机机体(1)上的所述图像采集模块、图像预处理模块、图像识别模块、重合度筛选模块以及目标处理模块，其中

所述图像采集模块用来采集热成像和高清摄像头的拍摄图片；

所述图像预处理模块用来根据图像位置进行图像分组，并使热成像和高清图片的空间分辨相似；

所述图像识别模块用来将视觉识别所得图像与系统原有录入图像进行系统比对，得出识别对象的轮廓重合度；

所述目标处理模块用来与动物信息库作比对，并根据比对情况进行处理。

4.根据权利要求3所述的一种用于动植物识别的无人机，其特征在于，

所述图像采集模块连接有图像预处理模块，图像预处理模块包含分离编码目标对象模块；所述图像采集模块连接用以采集热成像和高清摄像头的拍摄图片，在不同角度对识别区域拍摄；

所述图像预处理模块用来根据图像位置属性进行图像分组，以热成像与高清图片的同时刻相似视角分组，并处理使热成像和高清图片的空间分辨相似，热成像和高清图片的像元大小、像解率和视场角相似；

所述分离编码目标对象模块用来根据接收到的热辐射能量的不同，将暖对象和无生命的背景区分开，分别对暖对象和无生命的目标对象进行编码。

5.根据权利要求4所述的一种用于动植物识别的无人机，其特征在于，所述图像预处理模块连接有图像识别模块，所述图像识别模块包括有特征提取模块和无特征提取模块；

所述有特征提取模块连接神经网络分类模块，所述神经网络分类模块连接有计算重合度模块；

所述无特征提取模块连接有数字信息转换模块，所述数字信息转换模块连接有噪声判断模块，所述噪声判断模块对于数字信息进行判断，若无噪声或噪声很小可忽略不计时，所述噪声判断模块连接有基于小波矩的图像识别方法，所述小波矩的图像识别方法连接有BP网络识别模块，所述BP网络识别模块连接有分辨测试模块，所述分辨测试模块连接有识别模块；若有噪声即噪声无法忽略不计时，所述噪声判断模块连接有基于分形特征的红外图像识别方法，所述基于分形特征的红外图像识别方法连接有红外图像预处理模块，所述红外图像预处理模块连接有红外图像分形特征提取模块，所述红外图像分形特征提取模块连接有识别模块；所述识别模块连接有重合度判断模块，所述重合度判断模块连接有结果提交模块；所述重合度判断模块连接有人工识别模块。

6.一种基于权利要求5的用于动植物识别的无人机的工作方法，其特征在于，包括以下步骤：

步骤一、图像采集；通过图像采集模块用来采集热成像和高清摄像头的拍摄图片，在不同角度对识别区域拍摄；

步骤二、图片信息预处理；对于形成的图片信息进行预处理：通过图像预处理模块，根据图像位置属性进行图像分组，以热成像与高清图片的同时刻相似视角分组，处理图片，使热成像和高清图片的空间分辨相似，使热成像和高清图片的像元大小、像解率和视场角相似；热成像根据接收到的热辐射能量的不同，将暖对象与无生命的背景对象区分开，对暖对象进行编码；利用第一通道：将编码的暖对象与摄像头拍摄的高清图片自动比对，根据编码，先把目标物与背景物分离出来；

步骤三、图像识别；将步骤二中处理后的图像分为有特征提取部分和无图像提取部分；若有特征提取部分，则获取模式特征以及神经网络分类能力来识别目标图像，将识别后的结果与信息库中的录入图片，算出重合度，提交结果；

步骤四、轮廓识别；根据轮廓进行比对，若是该像元小于像元可进行比对的最小值，比对困难，则同比例放大；

对比轮廓重合度，若轮廓重合度大于80％，则将目标信息打包发送，产生报警，并进行关联追踪录像；

若轮廓重合度小于80％，将热成像中的目标物放入图片中的对应场景中；

若未遮掩部分重合度大于80％，则将目标信息打包发送，产生报警，并进行关联追踪录像；

若轮廓重合度继续小于80％，可能该对象完全被遮掩，则进入第二通道，进行人工比对，并根据指令进一步拍摄该物体周围；

步骤五、数据比对；通过外貌识别以及行为识别，将视频慢动作处理，分析动物行为，与动植物信息库中的习性对比；

其次，通过周围环境识别，将拍摄的周围环境与信息库中的动植物栖息地进行比较；此时识别率若达到90％的则自动归类，若低于90％的则上传人工识别；

步骤六、报警；将编码的暖对象物体归类，若发现有遗漏，产生报警。

7.根据权利要求6所述的一种用于动植物识别的无人机的工作方法，其特征在于，所述步骤三中，若无特征提取部分，将整副图像直接转换成数字信息进行输入，判断是否存在噪音；

若存在噪音则运用基于分形特征的红外图像识别方法，提取其分形特征以供纹理分割、目标识别，对其进行红外图像预处理，以增强其对比度，进行红外图像分形特征提取，基于神经网络的红外图像识别，通过对原始数据的训练，获得最佳的权系数，从而得出识别结果；

若不存在噪音则运用基于小波矩的图像识别方法，运用BP网络进行识别，将输入图像经过归一化处理，极坐标化，旋转不变小波矩特征提取后，送入BP网络分类器进行识别，从而获得识别结果；

若识别结果算出重合度则直接上交结果，若无法识别则提交人工进行识别。

Images