[发明专利]基于FSAF算法的生态生物识别方法

说明书

本发明公开了基于FSAF算法的生态生物识别方法，包括如下步骤：收集生态生物特征，将收集的生态特征进行收集分类，并建立分布式生态特征数据库；发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；对采集的生物图像数据进行图像去噪处理，并将分析后的生物图像数据进行存储；通过FSAF算法对采集的生物图像数据进行目标检测；将得到的所需识别的生物图像数据特征与分布式生态特征数据库中的特征数据进行对比识别。本发明通过设置FSAF算法，能够让图像中的每个目标实例自主选择最适合的特征层，有效的提高了目标检测的精度，提高了生物识别率。

技术领域

本发明涉及生物识别技术领域，尤其涉及基于FSAF算法的生态生物识别方法。

背景技术

水生物是判断河水是否受到污染的有效参照物。河水中不同化学物质的分布和浓度，将决定河中水生物的类型构成。一些水生物在某种河流条件下可以繁殖很快，在另一环境下则可能死亡，这是由河水中的不同成分决定的。因此，只要分析河流中水生物的类型构成，就可对某一河段中存在什么样的化学物质做出判断。水生生物群落与水环境有着错综复杂的相互关系，对水质变化起着重要作用。不同种类的水生生物对水体污染的适应能力不同，有的种类只适于在清洁水中生活，被称为清水生物(或寡污生物)。而有些水生生物则可以生活在污水中，被称为污水生物。水生生物的存亡标志着水质变化程度，因此生物成为水体污化的指标，通过水生生物的调查，可以评价水体被污染的状况。

目前通过生物识别技术对水生物进行识别，然而，现有的生物识别技术识别精度不高，准确率不高。

发明内容

基于背景技术存在的技术问题，本发明提出了基于FSAF算法的生态生物识别方法。

本发明提出的基于FSAF算法的生态生物识别方法，包括如下步骤：

S1收集生态生物特征，将收集的生态特征进行收集分类，并建立分布式生态特征数据库；

S2发起生态生物识别请求，根据请求在生态环境中采集生物图像数据；

S3对采集的生物图像数据进行图像去噪处理，并将分析后的生物图像数据进行存储；

S4通过FSAF算法对采集的生物图像数据进行目标检测；

S41输入图像经过Backbone的特征提取后，可以得到P₃～P₇特征图金字塔，其中下标为l表示特征金字塔的层数，得到的特征金字塔的每层C＝260通道；

S42在得到特征金字塔后，对每层特征金字塔分别使用两个子网络，分别用来进行分类和位置回归；

S43特征金字塔的每一个特征层，在分类和回归子网的头部各加一个卷积层，都相应的产生目标类别与位置的预测，最后再将其融合起来，同时使用NMS来得到最后的检测结果；

S5将得到的所需识别的生物图像数据特征与分布式生态特征数据库中的特征数据进行对比识别。

优选的，所述步骤S4在训练过程中，通过feature selection模块，为每一个目标选择最佳的特征层。

优选的，所述步骤S42子网络中，对每一个anchor预测一个四维的，类别无关的偏移量，进行位置回归。

优选的，所述步骤S42两个子网络由RPN网络修改得到。

优选的，所述步骤S2采用图像归一法和图像增强法对采集的生物图像数据进行处理。

优选的，所述步骤S2对采集的生物图像做颜色校正处理，并采用混合滤波方法对原始图片做降噪处理。

优选的，所述步骤S4中FSAF的网络结构主要由ResNet+FPN+2xFCN子网络构成。