[发明专利]一种基于宽度学习的鸟巢识别方法

权利要求书

1.一种基于宽度学习的鸟巢识别方法，其特征在于，包括以下步骤：

S1：收集鸟巢的图像数据，构建训练输入矩阵；

S2：利用步骤S1构建的训练输入矩阵构建目标宽度学习系统模型；

S3：利用步骤S2构建的的宽度学习系统模型对实时图像数据进行分析，实现鸟巢识别。

2.根据权利要求1所述的一种基于宽度学习的鸟巢识别方法，其特征在于，所述步骤S1中构建训练输入矩阵的具体步骤如下：

S1-1：对收集到的鸟巢图像数据进行筛选和标记；

S1-2：将鸟巢图像数据对BGR三个通道分别做高斯滤波处理，一维高斯分布函数为：其中，G(x)为概率，σ为标准差，即高斯半径；

S1-3：对训练输入矩阵进行归一化操作，归一化转化函数为：其中，X为初始的鸟巢图像数据矩阵，mean(X)表示对X求均值，std(X)表示对X求标准差。

3.根据权利要求1所述的一种基于宽度学习的鸟巢识别方法，其特征在于，所述步骤S2利用步骤S1构建的训练输入矩阵构建目标宽度学习系统模型的具体步骤如下：

S2-1：确定训练输入矩阵中的输入样本的个数N；

S2-2：确定宽度学习系统模型的映射特征节点个数n、增强节点个数m、迭代次数epochs；

S2-3：设定宽度学习系统模型的映射特征节点输出Z_i；

Z_i＝φ(XW_ei+β_ei),i＝1,...,n；Zⁿ＝[Z₁,...,Z_n]；

S2-4：设定宽度学习系统模型的增强节点输出H_m；

H_j＝ξ(ZⁿW_hj+β_hj),j＝1,...,m；H^m＝[H₁,...,H_m]；

S2-5：设定宽度学习系统模型的输出Y；

Y＝[Zⁿ|H^m]W^m；

其中，函数φ和ξ为激活函数；宽度学习系统模型的权重：W^m＝[Zⁿ|H^m]⁺Y；伪逆求解方程为：

S2-6：将所述宽度学习系统模型中的初始权重值W_ei、W_hj和偏置值β_ei、β_hj设定为随机数；

S2-7：利用所述映射特征节点、增强节点、初始权重值以及初始偏置值构建所述宽度学习系统模型并对所述宽度学习系统模型进行训练得到所述目标宽度学习系统模型。

4.根据权利要求3所述的一种基于宽度学习的鸟巢识别方法，其特征在于，所述利用所述映射特征节点、所述增强节点、所述初始权重值以及所述初始偏置值构建所述宽度学习系统模型并对所述宽度学习系统模型进行训练得到所述目标宽度学习系统模型之后，还包括：

判断所述目标宽度学习系统模型的训练误差是否满足条件；

若否，则对所述目标宽度学习系统模型中的映射特征节点个数n、增强节点个数m、迭代次数epochs和LearningRate四个参数进行调整。

5.根据权利要求4所述的一种基于宽度学习的鸟巢识别方法，其特征在于，对所述目标宽度学习系统模型中的映射特征节点个数n、增强节点个数m、迭代次数epochs和LearningRate四个参数进行调整包括：

确定所述目标宽度学习系统模型中的映射特征节点个数和增强节点个数；

在训练过程中，多尺度、分批次地调整所述目标宽度学习系统模型中的映射特征节点个数和增强节点个数；

通过修改所述映射特征节点个数和增强节点个数对所述目标宽度学习系统模型中的映射特征节点个数n、增强节点个数m、迭代次数epochs和LearningRate四个参数进行调整。

6.根据权利要求1所述的一种基于宽度学习的鸟巢识别方法，其特征在于，利用所述目标宽度学习系统模型对所述实时图像数据进行分析，实现自动识别鸟巢之后，还包括：

利用所述实时图像数据对所述目标宽度学习系统模型再次进行训练以更新所述目标宽度学习系统模型中映射特征节点和增强节点的权重值和偏置值。