论文部分内容阅读
对于一个视频数据从野生动物出现到消失共需要解决三个问题:野生动物在何时出现，出现后在每一帧图像中的位置及其所属的类别。对于这三个问题本文首先利用基于显著性区域检测的目标检测算法得到目标第一次出现的位置，将该位置作为目标跟踪的初始位置，然后对于后续帧中的目标位置则利用跟踪器确定。对于野生动物目标的种类识别则可离线进行，根据跟踪与检测的结果将目标从背景中分割出来作为自编码网络的输入，输出则为目标的种类。本文的主要工作可分为以下几个方面: (1)在目标检测方面通过对野外自然图像的分析，提出了一种基于精准背景模板的显著性区域检测算法，改进了当前一些基于背景模板方法存在的不足之处（不能够处理当目标出现在图像边缘的情况），并与其它9种有代表性的方法在公共数据集上做了比较。实验证明本章所提算法获得了更为接近真值的结果，并成功的应用于自然环境中野生动物的检测与分割。 (2)在目标跟踪方面通过对野外自然场景的分析，将目标跟踪器分为4部分，分别完成4个部分的选型设计，提出了一种基于产生式与判别式联合模型的目标跟踪算法。该算法能够有效的应对跟踪过程中遇到的光照变化、遮挡、运动模糊、目标姿态与尺度变化等多种干扰因素，并通过实验验证了本文算法的有效性。 (3)在目标识别方面利用PTZ(Pan-tilt-Zoom)网络相机从自然保护区采集到的数据，构建了共10个类别的样本库，并利用SLIC(Simple linear iterativeclustering)超像素分割算法解决了样本集尺度归一化问题，同时通过控制超像素数量减少了自编码网络的输入维度，利用ZCA白化减少了特征之间的相关性。在训练自编码网络的过程中，为了增强网络的鲁棒性与减轻网络的过拟合现象，分别引入denoising与dropout机制，最后通过实验验证了网络的有效性。 本文针对野外生态环境的观测需求，在现有方法的基础上，设计出一种适合于自然环境中野生动物目标的检测、跟踪与种类识别的方法，并能够对现有方法在准确率等方面作出提升。