[发明专利]基于机器视觉的林业生态环境人机交互方法

说明书

技术领域

本发明属于神经网络领域，涉及基于机器视觉的林业生态环境人机交互方法。

背景技术

随着计算机、通信、传感三大核心信息技术的高速发展，以物联网、大数据、人工智能为代表的新一代信息技术成为当今世界的中心科学技术，必将给未来的经济社会和生态环境带来深刻的影响。与此同时，我国现代化林业发展也迈向“智慧林业”2.0发展时代。市场调研表明国家级森林公园、自然保护区、生态保护区、旅游风景区、国有林场等对生态宣传、生态科普、生态旅游服务方面的人机交互设备需求十分迫切。人机交互设备是一类结构复杂、集成度高、技术密集的基础装备，引领高新技术的发展，处于价值链高端和产业链的关键环节。经历数十年的发展，人机交互以越来越自然的方式呈现在人们面前。视觉智能可识别人员性别、衣着色彩、衣着样式、举手姿势、吸烟行为、人群聚集密度等信息，根据举手姿势选择人员咨询发问，根据不文明行为进行提示劝告，根据人群密度进行预警，根据人脸识别进行游客统计。深度学习在机器视觉上的一个重要突破是行人检测。目前基于深度学习最好的结果是20.86％。在最新的研究进展中，很多在物体检测中已经被证明行之有效的思路都有其在深度学习中的实现。例如，联合深度学习提出的形变层，对物体部件间的几何形变进行建模；多阶段深度学习模拟在物体检测中常用的级联分类器；可切换深度网络表示物体各个部件的混合模型；通过迁移学习将一个深度模型行人检测器自适应到一个目标场景。

发明内容

有鉴于此，本发明的目的在于提供一种基于机器视觉的林业生态环境人机交互方法，融合人工智能在图像处理中的已有先进成果，面向林业生态典型应用场景，采用“云”到“端”的处理方式，利用视觉感知所记忆的信息，构建林业生态环境统一语义表达的人机交互平台，使之成为林业生态系统与外界沟通的重要信息源与“使能器”。

为达到上述目的，本发明提供如下技术方案：

基于机器视觉的林业生态环境人机交互方法，包括以下步骤：

S1：基于尺度相关池与级联抑制分类器的人流量监测；

S2：基于目标三维行为时间尺度不变的特殊人群判别；

S3：基于级联卷积神经网络的危险行为分析；

S4：多层次抽象语义决策图像分类的野生动物监控：通过使用尺度不变特征变换算法(Scale Invariant Feature Transform,SIFT)描述符对特征点进行描述以提取特征；通过构建视觉词典，利用K-means聚类方法将特征点聚成数类，视觉词典由聚类中心形成的视觉词汇组成；利用特征局部投影生成码书，构造BoF(Bag-of-Features)特征；通过利用BoF特征训练分类器，获取分类模型，对待分类野生动物图像特征进行预测。

进一步，所述步骤S1具体为：通过构造级联卷积神经网络，来识别行人特征，并利用边界框的数量统计，获得人流量估计；卷积神经网络的每一个卷积层都将得到一系列的粗糙对象建议，借助对每一个卷积层使用级联抑制分类器CRC将负面对象建议去除，得到相对精细的建议；幸存的对象建议通过下一层卷积层得到的特征再次使用级联抑制分类器进行负面建议消除；依次循环往下，到达第三层卷积层加入使用尺度相关池与级联抑制分类器相结合；对像素点最少即最小对象的检测识别；依次第四层第五层方法相同，分别对中等对象和大对象进行检测识别；通过对每一层的卷积特征都进行池化，综合使用各层特征对对象目标进行检测。

进一步，所述步骤S2具体为：通过建立目标行为的统计模型，来识别及描述具有时空差异性的个体步态与行为；在建模阶段，首先用相似矩阵描述目标姿态变化，并转换矩阵参数到对数空间形成一致的运动参数序列；然后基于多边形近似算法提取时间尺度不变特征(Time Scale Invariant Feature,TSIF)，并用动态时间规整对有限类别行为进行统计建模；在行为识别阶段，将测试行为与参考模型相匹配得到最小代价行为类别；

在层次化流程对视频帧进行处理的前提下，采用基于多点跟踪模型，并用相似矩阵表示目标运动姿态的方法实现单目视觉下目标三维运动姿态估计；在估计相似矩阵时，满足跟踪点数不少于矩阵参数；所跟踪的点包括外部标记点和内部标记点，外部标记点是在目标表面人为设置；内部标记点用尺度不变特征转换或加速分割测试特征关键点算法在目标区域自动选取；为避免内部标记点的位置漂移和误匹配对跟踪的影响，通过采用人工标记的外部点。