CN117765480A - 一种道路沿线野生动物迁徙预警方法及系统 - Google Patents

Abstract

本申请涉及野生动物监测图像处理技术领域，特别是涉及一种道路沿线野生动物迁徙预警方法及系统；本发明通过将待识别图像首先通过相似度比较初步判断是否存在野生动物，再通过后续的深度学习模型进一步精确识别是否存在野生动物，以及识别野生动物种类和数量，可大大减少图像识别的时间，提高野生动物迁徙预警的效率；同时，本发明为了进一步提高预警效率，通过相似度比较算法对待识别图像进行分类，根据图像中初步判断包含的野生动物数量分为第一图像类别和第二图像类别，第一图像类别的图像通过简单的卷积神经网络模型进行识别，第二图像类别的图像通过复杂的带残差机制的卷积神经网络模型进行识别，从而实现了效率和准确度的统一。

Description

一种道路沿线野生动物迁徙预警方法及系统

技术领域

本发明涉及野生动物监测图像处理技术领域，特别是涉及一种道路沿线野生动物迁徙预警方法及系统。

背景技术

公路、铁路等线性工程对野生动物的负面影响，如交通冲撞事故造成的野生动物死亡数量增加、对动物迁移、扩散产生的阻隔作用以及对栖息地的占用和破坏，已经日益引起行业管理者和研究者的重视。

一般地，在公路或者铁路设计建设过程中，会设计建设野生动物通道从而实现野生动物保护，其中，野生动物通道周围一般会设置监测装置对通道利用情况进行监测，进而对野生动物的迁移情况进行预警，从而指导志愿者或者政府部门对公路或者铁路通行采取措施，以保证野生动物顺利迁徙。

现有技术中一般通过人工识别监控视频的形式对道路野生动物迁徙进行预警，然而，上述方案具有人力成本高、预警效率低的缺点，不能满足无人化的监测需求；同时，现有技术中也存在通过深度学习模型对野生动物识别的方案，然而，上述方案直接将监控图像输入至深度学习模型中，导致模型运算量巨大，预警效率不高。

因此，现有技术亟需一种提高预警效率的道路沿线野生动物迁徙预警的技术方案。

发明内容

本发明要解决的技术问题是针对上述技术方案的不足，提供一种提高预警效率的道路沿线野生动物迁徙预警方法及系统。

为了实现上述目的，根据本发明的一个方面，提供一种道路沿线野生动物迁徙预警方法，包括以下步骤：

S1：通过监控设备获取道路沿线监控视频；

S2：将所述监控视频转换成帧图像形式，并按比例进行抽帧操作；

S3：采用相似度比较法初步判断待识别图像中是否存在野生动物；若初步判断所述待识别图像存在野生动物，则进入S4，若初步判断所述待识别图像不存在野生动物，则选择下一图像作为待识别图像，所述相似度比较法在初步判断存在野生动物后，还用于对待识别图像进行分类，其中，若所述相似度比较法获取所述待识别图像具有相似度大于设定阈值的区域小于等于N，则将所述待识别图像分类至第一图像类别，若所述相似度比较法获取所述待识别图像具有相似度大于设定阈值的区域大于N，则将所述待识别图像分类至第二图像类别，N为预设的自然数；

S4：将所述待识别图像输入至深度学习模型中，得到所述野生动物类型和数量；

在所述S4中，所述深度学习模型包括第一卷积神经网络模型和第二卷积神经网络模型，其中，第一卷积神经网络模型用于对第一图像类别的待预测图像进行图像识别，得到所述野生动物类型和数量；所述第二卷积神经网络模型用于对第二图像类别的待预测图像进行图像识别，得到所述野生动物类型和数量，第一卷积神经网络模型为普通卷积神经网络模型，第二卷积神经网络模型为带残差机制的卷积神经网络模型；S5：根据所述野生动物类型和数量以及所述待识别图像发送给技术人员，用于对所述野生动物迁徙进行预警。

优选地，所述监控设备为红外相机；

优选地，以20:1的比例进行抽帧操作；即每20帧图像抽取1帧图像用于进行图像识别；

优选地，所述S3具体为：首先获取待预警区域的不同种类野生动物以及不同年龄、性别的野生动物图像作为标准图像；然后将所述待识别图像与所述标准图像进行相似度比较，若所述待识别图像与所述标准图像存在相似度大于设定阈值的区域，则初步判断所述待识别图像存在野生动物，进入S4，若不存在相似度大于设定阈值的区域，则选择下一帧图像作为待识别图像。

更近一步地，所述设定阈值为75%。

优选地，所述S3中，N的取值为3。

优选地，所述第一卷积神经网络模型的训练集为一张图像中人工标注的野生动物图像数量小于等于三个的图像，所述第二卷积神经网络模型的训练集为一张图像中人工标注的野生动物数量大于三个的图像。

根据本发明的另一方面，提供一种道路沿线野生动物迁徙预警系统，所述系统采用上述的道路沿线野生动物迁徙预警方法，所述系统包括：

监控模块，用于通过监控设备获取道路沿线监控视频；

图像转换模块，用于将所述监控视频转换成帧图像形式，并按比例进行抽帧操作；

初步识别模块，用于采用相似度比较法初步判断待识别图像中是否存在野生动物；若初步判断所述待识别图像存在野生动物，则进入S4，若初步判断所述待识别图像不存在野生动物，则选择下一图像作为待识别图像所述相似度比较法在初步判断存在野生动物后，还用于对待识别图像进行分类，其中，若所述相似度比较算法获取所述待识别图像具有相似度大于设定阈值的区域小于等于N，则将所述待识别图像分类至第一图像类别，若所述相似度比较算法获取所述待识别图像具有相似度大于设定阈值的区域大于N，则将所述待识别图像分类至第二图像类别，N为预设设置的自然数；

深度学习模型识别模块，用于将所述待识别图像输入至深度学习模型中，得到所述野生动物类型和数量，所述深度学习模型包括第一卷积神经网络模型和第二卷积神经网络模型，其中，第一卷积神经网络模型用于对第一图像类别的待预测图像进行图像识别，得到所述野生动物类型和数量；所述第二卷积神经网络模型用于对第二图像类别的待预测图像进行图像识别，得到所述野生动物类型和数量，第一卷积神经网络模型为普通卷积神经网络模型，第二卷积神经网络模型为带残差机制的卷积神经网络模型；

迁徙预警模块，用于根据所述野生动物类型和数量以及所述待识别图像发送给技术人员，用于对所述野生动物迁徙进行预警。

根据本发明的另一方面，提供一种计算机可读存储介质，计算机可读存储介质上存储有数据处理程序，数据处理程序被处理器执行上述的道路沿线野生动物迁徙预警方法。

基于上述技术方案，本申请提供的一种道路沿线野生动物迁徙预警方法及系统，具有如下技术效果：

本发明通过将待识别图像首先通过相似度比较初步判断是否存在野生动物，再通过后续的深度学习模型进一步精确识别是否存在野生动物，以及识别野生动物种类和数量，可大大减少图像识别的时间，提高野生动物迁徙预警的效率；同时，本发明为了进一步提高预警效率，通过相似度比较算法对待识别图像进行分类，根据图像中初步判断包含的野生动物数量分为第一图像类别和第二图像类别，其中，第一图像类别中单张图像中野生动物数量少，第二图像类别中单张图像中野生动物数量多，第一图像类别的图像通过简单的卷积神经网络模型进行识别，第二图像类别的图像通过复杂的带残差机制的卷积神经网络模型进行识别，从而实现了效率和准确度的统一。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种道路沿线野生动物迁徙预警方法的流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，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。基于本申请中的实施例，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，都属于本申请保护的范围。

下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的是，以下对各个概念的说明，仅为了使本申请的内容更加容易理解，并不表示对本申请保护范围的限定。

实施例一、如图1所示，一种道路沿线野生动物迁徙预警方法，包括以下步骤：

S1：通过监控设备获取道路沿线监控视频；

具体地，所述监控设备为红外相机；

S2：将所述监控视频转换成帧图像形式，并按比例进行抽帧操作；

本实施例中将所述监控图像转换成帧图像形式，通过此种操作，可将视频数据转换成图像数据，方便后续的野生动物识别，另外，通过视频数据会转换成大量的图像数据，此时，若对每一帧图像均进行识别操作，这无疑对识别模型的实时性具有极大的考验，而且，由于每张图像与相邻的图像变化可能较小，因此，对每帧图像均进行识别操作也没有必要；因此，本实施例中，按比例对转换成的帧图像进行抽帧操作；

具体地，以20:1的比例进行抽帧操作；即每20帧图像抽取1帧图像用于图像识别；

S3：采用相似度比较法初步判断待识别图像中是否存在野生动物；若初步判断所述待识别图像存在野生动物，则进入S4，若初步判断所述待识别图像不存在野生动物，则选择下一图像作为待识别图像；

具体地，所述S3具体为：首先获取待预警区域的不同种类野生动物以及不同年龄、性别的野生动物图像作为标准图像；然后将所述待识别图像与所述标准图像进行相似度比较，若所述待识别图像与所述标准图像存在相似度大于设定阈值的区域，则认为初步判断存在野生动物进入S4，若不存在相似度大于设定阈值的区域，则选择下一帧图像作为待识别图像。

更近一步地，所述设定阈值为75%。实际上，通过设定不同阈值，可对初步判断的程度进行调节，从而调节输入至后续的深度学习模型的图像的数量，进而对图像识别效率进行调节。

在本实施例中，通过将待识别图像首先通过相似度比较初步判断是否存在野生动物，再通过后续的深度学习模型进一步精确识别是否存在野生动物，以及识别野生动物种类和数量，可大大减少图像识别的时间，提高野生动物迁徙预警的效率。

更近一步地，所述相似度比较法在初步判断存在野生动物后，还用于对待识别图像进行分类，其中，若所述相似度比较算法获取所述待识别图像具有相似度大于设定阈值的区域小于等于N，则将所述待识别图像分类至第一图像类别，若所述相似度比较算法获取所述待识别图像具有相似度大于设定阈值的区域大于N，则将所述待识别图像分类至第二图像类别。

值得注意的是，N的具体取值可根据后续不同模型的运算结果通过多次试验获取，实际上，N的值越大，后续通过不同模型识别的精度也会不同，也就是说，若N设置一个较大的值，采用模型识别第一图像类别的待识别图像时，则会存在识别精度不高的问题；在本实施例中，N的取值为3。

S4：将所述待识别图像输入至深度学习模型中，得到所述野生动物类型和数量；

具体地，所述深度学习模型为卷积神经网络模型；卷积神经网络（convolutionalneural network），简称CNN或者ConvNet，是一种多层前馈人工神经网络。卷积神经网络可以看作前馈网络的特例，主要在网络结构上对前馈网络进行简化和改进，从理论上讲，反向传播算法也可以用于训练卷积神经网络。

所述卷积神经网络是一种多层前馈网络，每层输入是多个二维矩阵的模式，所述卷积神经网络模型由三部分构成，分别为输入层、中间层和输出层，其中，所述中间层为卷积层和池化层交替出现。

所述卷积神经网络的输入层直接接收二维视觉模式，如二维图像，不再需要额外的人工参与过程去选择或者设计合适的图像特征作为输入，卷积神经网络可以自动地从原始图像数据中提取特征，学习分类器。卷积神经网络可大大减少人工预处理过程，有助于学习与当前图像处理任务最为有效的视觉特征。

所述中间层是一个特征抽取层，其中，每个卷积层中包含多个卷积神经元，每个卷积神经元只和前一层网络对应位置的局部感受域相连，并提取该部分的图像特征，具体提取的特征取决于该神经元与前一层局部感受域的连接权重，不同的连接权重提取出不同的特征； 为了进一步减少网络参数，卷积神经网络同时限制同一个卷积层不同的神经元与前一层网络不同位置相连的权重均相等，即一个卷积层只用来提取前一层网络中不同位置处的同一种特征，这种限制策略称为权值共享，通过设计多个卷积层，卷积神经网络可以抽取到多个不同特征，用于最终的图像处理任务。在实际使用场景中，应该根据具体任务来决定使用多少个卷积层，每个卷积层有多少个卷积神经元。

池化层属于中间层，也是一个特征映射层，每个池化层包含多个池化神经元，池化神经元仅与前一层网络对应位置的局部感受域相连，和卷积神经元不同的是，每个池化神经元与前一层网络局部感受域连接的所有权值都固定为特定值，在网络训练过程中不再进行迭代更新；当前池化层网络不仅不再产生新的训练参数，而且对前一层网络抽取得到的特征进行下采样，进一步降低了网络规模。通过对前层网络局部感受域的下采样，使网络对于输入模式潜在的形变更为鲁棒。

所述卷积神经网络的输出层与常见前馈网络一样，为全连接方式。最后一层隐连接层所得到的二维特征模式被拉伸成一个向量，与输出层以全连接方式相连。该结构可充分挖掘网络最后抽取特征与输出类别标签之间的映射关系，在复杂应用中，输出层可以设计为多层全连接方式。

具体地，在所述S4中，所述深度学习模型包括第一卷积神经网络模型和第二卷积神经网络模型，其中，第一卷积神经网络模型用于对第一图像类别的待识别图像进行图像识别，得到所述野生动物类型和数量；所述第二卷积神经网络模型用于对第二图像类别的待识别图像进行图像识别，得到所述野生动物类型和数量；第一卷积神经网络模型的训练集为一张图像中人工标注的野生动物图像数量小于等于三个的图像，所述第二卷积神经网络模型的训练集为一张图像中人工标注的野生动物数量大于三个的图像；在本实施例，采用不同的训练集训练各自的模型，提高了模型识别野生动物以及数量的准确度。

更近一步地，第二卷积神经网络模型为带残差机制的卷积神经网络模型，通过残差机制，使得在卷积神经网络模型训练过程中，学习到的特征更为准确，进而使得其更适合执行复杂的识别任务。值得强调的，第一卷积神经网络模型设置为普通的卷积神经网络模型，第二卷积神经网络模型为带残差机制的卷积神经网络模型，通过这样的设置，使得一张图像中野生动物少的待识别图像通过一个简单的模型即可准确识别，一张图像中野生动物多的待识别图像通过复杂的模型去准确识别，进而实现了效率和准确度的统一。

S5：根据所述野生动物类型和数量以及所述待识别图像发送给技术人员，用于对所述野生动物迁徙进行预警；

具体地，不同种类的野生动物迁徙规律不同，在本实施例中，在获取到野生动物类型和数量后，将图像及野生动物类型和数量发送给专业技术人员，专业技术人员根据上述信息以及野生动物习性和季节信息对所述野生动物迁徙进行预警。

实施例二，本实施例包括一种道路沿线野生动物迁徙预警系统，所述系统采用实施例一的道路沿线野生动物迁徙预警方法，所述系统包括：

监控模块，用于通过监控设备获取道路沿线监控视频；

图像转换模块，用于将所述监控视频转换成帧图像形式，并按比例进行抽帧操作；

初步识别模块，用于采用相似度比较法初步判断待识别图像中是否存在野生动物；若初步判断所述待识别图像存在野生动物，则进入S4，若初步判断所述待识别图像不存在野生动物，则选择下一图像作为待识别图像所述相似度比较法在初步判断存在野生动物后，还用于对待识别图像进行分类，其中，若所述相似度比较算法获取所述待识别图像具有相似度大于设定阈值的区域小于等于N，则将所述待识别图像分类至第一图像类别，若所述相似度比较算法获取所述待识别图像具有相似度大于设定阈值的区域大于N，则将所述待识别图像分类至第二图像类别，N为预设设置的自然数；

深度学习模型识别模块，用于将所述待识别图像输入至深度学习模型中，得到所述野生动物类型和数量，所述深度学习模型包括第一卷积神经网络模型和第二卷积神经网络模型，其中，第一卷积神经网络模型用于对第一图像类别的待预测图像进行图像识别，得到所述野生动物类型和数量；所述第二卷积神经网络模型用于对第二图像类别的待预测图像进行图像识别，得到所述野生动物类型和数量，第一卷积神经网络模型为普通卷积神经网络模型，第二卷积神经网络模型为带残差机制的卷积神经网络模型；

迁徙预警模块，用于根据所述野生动物类型和数量以及所述待识别图像发送给技术人员，用于对所述野生动物迁徙进行预警。

实施例三，本实施例包括一种计算机可读存储介质，计算机可读存储介质上存储有数据处理程序，数据处理程序被处理器执行实施例一的道路沿线野生动物迁徙预警方法。

本领域技术人员应明白，本文的实施例可提供为方法、装置（设备）、或计算机程序产品。因此，本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

本文是参照根据本文实施例的方法、装置（设备）和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的实施例及/或实施方式，仅是用以说明实现本发明技术的较佳实施例及/或实施方式，并非对本发明技术的实施方式作任何形式上的限制，任何本领域技术人员，在不脱离本发明内容所公开的技术手段的范围，当可作些许的更动或修改为其它等效的实施例，但仍应视为与本发明实质相同的技术或实施例。

Claims (8)

1.一种道路沿线野生动物迁徙预警方法，其特征在于，包括以下步骤：

S1：通过监控设备获取道路沿线监控视频；

S2：将所述监控视频转换成帧图像形式，并按比例进行抽帧操作；

S3：采用相似度比较法初步判断待识别图像中是否存在野生动物；若初步判断所述待识别图像存在野生动物，则进入S4，若初步判断所述待识别图像不存在野生动物，则选择下一图像作为待识别图像；

所述相似度比较法在初步判断存在野生动物后，还用于对待识别图像进行分类，其中，若所述相似度比较法获取所述待识别图像具有相似度大于设定阈值的区域小于等于N，则将所述待识别图像分类至第一图像类别，若所述相似度比较法获取所述待识别图像具有相似度大于设定阈值的区域大于N，则将所述待识别图像分类至第二图像类别，N为预设的自然数；

S4：将所述待识别图像输入至深度学习模型中，得到野生动物的类型和数量；

在所述S4中，所述深度学习模型包括第一卷积神经网络模型和第二卷积神经网络模型，其中，第一卷积神经网络模型用于对第一图像类别的待预测图像进行图像识别，得到野生动物的类型和数量；所述第二卷积神经网络模型用于对第二图像类别的待预测图像进行图像识别，得到野生动物的类型和数量，第一卷积神经网络模型为普通卷积神经网络模型，第二卷积神经网络模型为带残差机制的卷积神经网络模型；

S5：根据所述野生动物类型和数量以及所述待识别图像发送给技术人员，用于对野生动物迁徙进行预警。

2.根据权利要求1所述的道路沿线野生动物迁徙预警方法，其特征在于， 所述监控设备为红外相机。

3.根据权利要求1所述的道路沿线野生动物迁徙预警方法，其特征在于，所述S2中，以20:1的比例进行抽帧操作。

4.根据权利要求1所述的道路沿线野生动物迁徙预警方法，其特征在于，所述S3具体为：首先获取待预警区域的不同种类野生动物以及不同年龄、性别的野生动物图像作为标准图像；然后将所述待识别图像与所述标准图像进行相似度比较，若所述待识别图像与所述标准图像存在相似度大于设定阈值的区域，则初步判断所述待识别图像存在野生动物，进入S4，若不存在相似度大于设定阈值的区域，则选择下一帧图像作为待识别图像。

5.根据权利要求4所述的道路沿线野生动物迁徙预警方法，其特征在于，所述设定阈值为75%。

6.根据权利要求1所述的道路沿线野生动物迁徙预警方法，其特征在于，所述S3中，N的取值为3。

7.根据权利要求1所述的道路沿线野生动物迁徙预警方法，其特征在于，所述第一卷积神经网络模型的训练集为一张图像中人工标注的野生动物图像数量小于等于三个的图像，所述第二卷积神经网络模型的训练集为一张图像中人工标注的野生动物数量大于三个的图像。

8.一种道路沿线野生动物迁徙预警系统，所述系统采用权利要求1-7任一项所述的道路沿线野生动物迁徙预警方法，所述系统包括：

监控模块，用于通过监控设备获取道路沿线监控视频；

图像转换模块，用于将所述监控视频转换成帧图像形式，并按比例进行抽帧操作；

初步识别模块，用于采用相似度比较法初步判断待识别图像中是否存在野生动物；若初步判断所述待识别图像存在野生动物，则进入S4，若初步判断所述待识别图像不存在野生动物，则选择下一图像作为待识别图像，所述相似度比较法在初步判断存在野生动物后，还用于对待识别图像进行分类，其中，若所述相似度比较算法获取所述待识别图像具有相似度大于设定阈值的区域小于等于N，则将所述待识别图像分类至第一图像类别，若所述相似度比较算法获取所述待识别图像具有相似度大于设定阈值的区域大于N，则将所述待识别图像分类至第二图像类别，N为预设设置的自然数；

深度学习模型识别模块，用于将所述待识别图像输入至深度学习模型中，得到所述野生动物类型和数量，所述深度学习模型包括第一卷积神经网络模型和第二卷积神经网络模型，其中，第一卷积神经网络模型用于对第一图像类别的待预测图像进行图像识别，得到所述野生动物类型和数量；所述第二卷积神经网络模型用于对第二图像类别的待预测图像进行图像识别，得到所述野生动物类型和数量，第一卷积神经网络模型为普通卷积神经网络模型，第二卷积神经网络模型为带残差机制的卷积神经网络模型；

迁徙预警模块，用于根据所述野生动物类型和数量以及所述待识别图像发送给技术人员，用于对所述野生动物迁徙进行预警。