一种基于深度学习的动物图像识别方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112380962A(43)申请公布日2021.02.19(21)申请号202011257048.2(22)申请日2020.11.11(71)申请人成都摘果子科技有限公司地址610041四川省成都市高新区天府大道中段1388号1栋10层1069号(72)发明人王楠黄祺程川(74)专利代理机构成都金英专利代理事务所(普通合伙)51218代理人袁英(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)权利要求书2页说明书6页附图1页(54)发明名称一种基于深度学习的动物图像识别方法及系统(57)摘要本发明公开了一种基于深度学习的动物图像识别方法及系统，通过获取待识别的动物连续图像，计算图像前后帧差分值大小进而调整前后帧距离，利用灰度处理和经验容差处理获得第二差分图，将原图像与第二差分图混合获得用以深度学习识别的目标图，对目标图进行识别预测，缩小目标图到指定大小进行重复识别预测，对获得的所有预测值进行筛选保留。相比于传统动物识别采用的使用拍摄原图进行动物识别训练与预测，本发明采用目标图进行训练预测，排除背景干扰，强化动物图特征，提高了识别精度与效率。旨在解决现有技术中存在的缺乏一种高精度与高效率的基于图像分析的动物园区内的动物识别方法的技术问题。CN112380962ACN112380962A权利要求书1/2页1.一种基于深度学习的动物图像识别方法，其特征在于，所述动物识别方法包括如下步骤：获取待识别的动物连续图像；通过计算图像前后帧差分值大小调整前后帧距离，区分动物图像中背景部分和前景部分；利用灰度处理计算的前后帧差分值大小获得第一差分图，对第一差分图进行二值化处理；利用经验容差处理获得第二差分图，将原图像与第二差分图混合获得用以深度学习识别的目标图；将目标图划分为S×S的网格，预测每个网格的M个条件类别概率P(Class[i]|Object)和N个boundingbox和置信度；将获得的条件类别概率与boundingbox置信度相乘，得到每个boundingbox属于特定类别的confidencescore，并预测获得最终预测值；缩小目标图到指定大小，重复上述对目标图进行预测过程，对获得的所有预测值进行筛选保留。2.如权利要求1所述的一种基于深度学习的动物图像识别方法，其特征在于，所述获取待识别的动物连续图像通过调取或导入监控视频，对监控视频中动物出现的连续画面帧进行提取。3.如权利要求1所述的一种基于深度学习的动物图像识别方法，其特征在于，所述调整前后帧距离具体为：根据计算的前后帧差分值大小进行动态调整，将差分值大于预设值的前后帧间距离缩小，将差分值小于预设值的前后帧间距离扩大。4.如权利要求1所述的一种基于深度学习的动物图像识别方法，其特征在于，所述第一差分图为前后帧计算所得的差分值表达的灰度图，所述灰度图中将相同部分置0，完全不同部分置255。5.如权利要求4所述的一种基于深度学习的动物图像识别方法，其特征在于，所述第二差分图为对第一差分图进行二值化处理后的经验容差值差分图，所述经验容差值差分图将图中小于预设容差值部分置0，大于预设容差值部分置1。6.如权利要求5所述的一种基于深度学习的动物图像识别方法，其特征在于，所述目标图的构造方法为：原图与第二差分图混合，第二差分图为1的部分对应的原图RGB值不变，将第二差分图为0的部分对应的原图RGB值置(0,0,0)。7.如权利要求1所述的一种基于深度学习的动物图像识别方法，其特征在于，所述S×S的网格中，每个网格负责预测目标中心落在其中的目标，若目标中心落在多个网格边界，通过非极大值抑制算法筛选获得对应网格来进行预测。8.如权利要求7所述的一种基于深度学习的动物图像识别方法，其特征在于，所述置信度表示为：若包含目标，则confidence＝0，如果含有目标，则9.如权利要求8所述的一种基于深度学习的动物图像识别方法，其特征在于，所述每个boundingbox包括5个预测值：x,y,w,h及置信度；其中：x,y表示boundingbox中心坐标，w,h为boundingbox大小。2CN112380962A权利要求书2/2页10.一种基于深度学习的动物图像识别系统，其特征在于，所述的动物图像识别系统包括如下单元：图像获取单元：获取待识别的动物连续图像；前后帧调整单元：通过计算图像前后帧差分值大小调整前后帧距离，区分动物图像中背景部分和前景部分；目标图获取单元：利用灰度处理计算的前后帧差分值大小获得第一差分图，对第一差分图进行二值化处理；利用经验容差处理获得第二差分图，将原图像与第二差分图混合获得用以深度学习识别的目标图；目标图训练与预测单元：将目标图划分为S×S的网格