基于深度卷积神经网络的内蒙古地区陆生野生动物自动识别

• 作 者: 程浙安
• 出 处: 北京林业大学
• 发表日期: 2020年04期
• 关键词: 野生动物 卷积神经网络 图像增强 识别分类 目标检测

通过图像信息掌握野生动物资源状况是当前野生动物监测的主流方式,基于深度卷积神经网络网络的野生动物监测图像的自动识别可以解决人工分类效率低、成本高的问题,但是也面临着“图像光照条件变化”、“监测图像背景信息复杂”、“目标位置、大小不定”等难点,影响自动识别准确率。为了实现野生动物监测图像的准确、高效的自动分类,本文对基于深度卷积神经网络的野生动物自动检测识别算法进行了研究,本文的主要研究与工作内容如下:1.建立了内蒙古地区主要陆生野生动物监测图像数据库。利用红外感应相机与无线图像传感器网络于2012年至2018年间在内蒙古赛罕乌拉保护区采集到的监测图像,建立了内蒙古地区主要陆生野生动物监测图像数据库。包括马鹿、斑羚、野猪、猞猁、狍、貂等6种国家级保护动物,总数为10720张,并完成图像级与像素级的标定工作。2.提出了野生动物监测图像光照自适应增强算法。基于具有颜色恒常性的Retinex理论,提出一种监测图像自适应增强算法。针对光照不均导致的光晕伪影问题,提出一种水平/垂直梯度引导滤波器,实现照度分量图像的估计;进而提出以Otus阈值为基准值的对比度拉伸函数,对照度分量图像进行拉伸,提高算法自适应能力;最后使用照度分量灰度图像计算反射分量图像,保持色彩相关性,实现野生动物监测图像的自适应增强。3.提出了基于自我注意机制深度残差网络的野生动物自动识别算法。针对经典卷积神经网络感受野受限,无法准确提取野生动物特征的问题,提出一种基于自我注意机制的深度残差网络(SA-ResNet),并且对网络结构、训练方法、超参数进行试验分析。试验结果表明,本文提出的方法测试集准确率最终为90.12%。4.提出了基于深度卷积神经网络的野生动物目标检测识别算法。针对目标位置的不确定性、复杂背景环境影响和物种数量不平衡造成识别准确率低的问题,提出一种改进Faster RCNN的野生动物目标检测识别方法,首先搭建SA-Resnet1 52作为骨干网络提取特征图;然后采用K-means算法对区域建议网络的Anchors进行重新回归,提高网络对野生动物检测的准确性;提出一种自适应类别权重损失函数,解决不同物种数据不平衡导致准确率低问题。实验结果表明,本文提出的目标检测算法mAP值可以达到92.2%。本文针对传统野生动物监测图像人工分拣成本高、效率低的问题,提出从图像增强到深度卷积神经网络特征提取到目标检测识别完整的野生动物智能识别的解决方案,为提高野生动物保护的智能化、自动化水平提供理论支撑。