[发明专利]一种海岛滨海湿地水鸟识别方法、分布查询系统及介质

说明书

本发明属于海洋生态环境监测技术领域，公开了一种海岛滨海湿地水鸟识别方法、分布查询系统及介质。利用新颖的区域卷积网络模型和全卷积网络模型对图像中存在的目标水鸟的整体及其关键部位进行自动检测与定位；并利用深度卷积概率神经网络模型对高层语义特征进行概率建模，增强对图像内容的表达，基于表达后的图像对目标水鸟进行识别。本发明基于人工智能的海岛/滨海湿地重要水鸟种类调查技术，提供高效的视频目标跟踪、机器学习、目标图像智能检测与识别技术，提出基于计算机视觉技术的水鸟图像在线智能检测与识别系统，实现对目标区域内的重要水鸟类别、数量及生境条件和生活状态等的监测与识别。

技术领域

本发明属于海洋生态环境监测技术领域，尤其涉及一种海岛滨海湿地水鸟识别方法、分布查询系统及介质。

背景技术

目前，随着计算机视觉和机器学习技术的快速发展，基于图像的鸟类识别吸引了越来越多的关注和重视。当前的鸟类识别研究的主流方法主要基于单幅图像。首先在基础性的鸟类数据库建设方面，在国际上影响最大的是加州理工学院和康奈尔大学的视觉实验室联合构建的CUB-200-2011鸟类数据库，该数据库共包括200种鸟类和11,788张图像，每幅图像均标注了鸟的整体位置、尺寸、14个鸟体主要部位和28组属性。此外，康奈尔大学鸟类学实验室创建了NABirdsV1数据库，包括400种鸟和48,000张标注图像；哥伦比亚大学和马里兰大学联合构造了包含500种鸟类的Birdsnap数据库。在鸟类识别研究方法领域，2013年之前主要采用基于视觉词袋模型—首先在图像中提取局部特征描述子并进行编码，在定位鸟体主要部位基础上在图像空间上进行池化，最后通过支撑向量机等分类器进行训练和分类。近两三年来，以基于深度学习为主导的方法取得了更好的识别效果，成为鸟类识别的主流方法。这类方法一般先通过在大规模数据库上预训练出一个深度卷积神经网络模型(CNN)，然后在特定的鸟类数据库上进行精细训练得到适合该数据库的模型。为了准确识别，一般还需要配合以鸟体的关键部位(例如鸟头、鸟喙、鸟腹、鸟翅和鸟尾等)的准确检测，在这些关键区域中提取深度特征从而进行整体的鸟类识别。基于视频序列进行鸟类识别的研究尚处于起步阶段，这类方法除了提取每帧图像的特征外，还设法在连续多帧图像中通过视频目标跟踪计算得到特征点的轨迹信息用于识别。

在国内，基于计算机视觉的鸟类识别研究尚处于起步阶段。在数据库建设方面，目前国内最大的鸟类方面的网站“鸟网”，收录了659个鸟种，但仅包含1900张图片，数量较少且缺少关键部位标注等信息，不适合用于鸟类的精准识别研究。北京航空航天大学的研究人员采集了包含17段视频的红外鸟类数据库，但该数据库的图像中鸟体很小，仅能见到轮廓信息而缺乏颜色或纹理等细节信息，不能进行精准识别。在研究方法层面，国内的鸟类识别主要基于经典方法，例如通过边缘检测和分割等基本图像处理技术对鸟体轮廓进行分割，通过提取底层特征如颜色、纹理和形状等并训练浅层支撑向量机或浅层BP神经网络进行分类。在监测系统方面，湖南工业大学的研究人员开发了武夷山九曲湿地鸟类联网监测及识别系统，通过摄像头、无线网络收集远程数据到服务器，对鸟类图像进行分类。此外，中国科学院遥感应用研究所的研究人员于2009年申报了“基于声像一体化野生鸟类识别技术的远程无线监测系统”的发明专利，在该专利中采用鸣声录制模块将录制的鸟鸣声通过抽样、量化转化为数字信号，采用视频录制模块通过摄像头录制生态环境的影像，将录制的影像通过抽样、量化转化为数字信号，再用音视频数据处理模块将音视频进行联合编码，然后采用数据传输模块将联合编码后的数据流通过无线方式传输到观测站，之后用文件存储模块将接收到的数据流以文件形式存储在观测站服务器中。江西师范大学的研究人员于2014年申报了“一种能够自动识别跟踪湿地鸟类的监测装置”的实用新型专利(已授权)，在该监测装置中协处理器DM6437分别连接若干个高速图像采集器和主处理器DM355，主处理器DM355通过无线交换机连接监控设备与处理设备，再由处理设备通过电机连接高速图像采集器，通过该装置实现提取湿地鸟类的特性、特征，识别不同鸟类及其运动轨迹规律，实现MPG-4视频压缩、流明体播放、远程云台控制及多种数据的传输。上述技术产品均属于初期研究阶段的成果，难以满足实际应用中的高效性和智能性要求。