一种基于神经网络的犬只检测与预警系统的制作方法

本发明涉及图像处理技术领域，尤其涉及一种基于神经网络的犬只检测与预警系统。

背景技术：

流浪犬伤人并非偶发事件，据国家有关部门发布的全国法定传染病统计，2018年，全国有500余人死于狂犬病。从流浪犬活动范围看，有人的地方就会有流浪犬，这也在无形中放大了潜藏的危害。现代社会人烟密集，无论是从传播疾病还是从咬人伤人的角度讲，养犬都存在着潜在的危险，因此亟需采用技术手段将这一危险扼杀在萌芽之中。对犬只的检测与测距技术存在着一定的技术难度，首先犬只的大小各异需要采用相应方法加以解决，其次，在预警速度上需要对算法进行优化，省去不必要的计算开销以达到快速处理的效果。

技术实现要素：

本发明的目的在于提供一种基于神经网络的犬只检测与预警系统，对不同种类的犬只进行快速识别，并对犬只距离测算算法进行优化，提高犬只预警速度，有效预防犬只伤人情况的发生。

为实现上述目的，本发明提供了一种基于神经网络的犬只检测与预警系统，所述基于神经网络的犬只检测与预警系统包括数据采集子系统、检测与测距子系统和预警子系统，所述数据采集子系统、所述检测与测距子系统和所述预警子系统依次电性连接，

所述数据采集子系统，用于利用摄像头对犬只进行图像采集；

所述检测与测距子系统，用于获取所述数据采集子系统采集的图像，并利用ssd检测框架经darknet-53网络预测后直接预测图片类型，并在所述ssd检测框架基础上对人犬距离计算采用k-means算法对犬只的检测数据进行聚类处理；

所述预警子系统，用于将所述检测与测距子系统的结果进行上传，并进行预警操作。

其中，所述检测与测距子系统包括图像分类模块、检测模块和测距模块，所述图像分类模块、所述检测模块和所述测距模块依次电性连接，

所述图像分类模块，用于对所述数据采集子系统采集的图像进行特征提取；

所述检测模块，用于根据所述图像分类模块提取出来的特征，使用ssd检测框架训练出检测模型，并输出检测结果；

所述测距模块，用于利用k-means算法对犬只的所述检测数据进行聚类处理，并进行距离估计。

其中，所述检测模块包括darknet-53主干网络单元、预测网络单元和深度估计网络单元，所述darknet-53主干网络单元、所述预测网络单元和所述深度估计网络单元依次电性连接，

所述darknet-53主干网络单元，用于对ssd检测框架进行改进，并将作用于第四卷积层的输出结果传输至所述预测网络单元；

所述预测网络单元，用于接收所述输出结果进行多尺度预测，并采用池化和锚点的方法进行下采样和预测对应的概率和坐标值；

所述深度估计单元，用于借助细粒度级别图像中的物体边界框和部件设定点训练出检测模型，并分别对应犬只的头部，躯干和四肢进行检测，得到理想的犬只检测结果。

其中，所述预测网络单元包括融合特征层和批标准化层，所述融合特征层和所述批标准化层电性连接，

所述融合特征层，用于在所述预测网络单元的不同特征层空间内预测目标类别得分和边界框位置；

所述批标准层，用于加快所述预测网络单元的收敛速度，并对数据进行归一化处理。

其中，所述预测网络单元还包括非线性激活单元层，所述非线性激活单元层与所述融合特征层电性连接，

所述非线性激活单元层，用于增加所述预测网络单元的非线性表达，提升所述预测网络单元的表达能力。

其中，所述预测网络单元还包括平移变换层，所述平移变换层与所述批标准层电性连接，

所述平移变换层，用于对所述批标准层的输出数据进行尺度变换和平移。

其中，所述深度估计单元包括损失层和残差层，所述损失层和所述残差层电性连接，

所述损失层，用于根据所述预测网络单元输出的视差图获取损失数据，建立损失函数；

所述残差层，用于根据所述损失函数约束所述视差图的一致性。

其中，所述基于神经网络的犬只检测与预警系统还包括移动终端，所述移动终端与所述数据采集子系统和所述预警系统电性连接，

所述移动终端，用于提供所述数据采集子系统使用的摄像头，并接收所述预警子系统上传的数据。

本发明的一种基于神经网络的犬只检测与预警系统，所述基于神经网络的犬只检测与预警系统包括数据采集子系统、检测与测距子系统和预警子系统，所述数据采集子系统、所述检测与测距子系统和所述预警子系统依次电性连接，利用摄像头对犬只进行图像采集，获取所述数据采集子系统采集的图像，并利用ssd检测框架经网络预测后直接预测图片类型，并在所述ssd检测框架基础上对人犬距离计算采用k-means算法对犬只的检测数据进行聚类处理，将所述检测与测距子系统的结果进行上传，并进行预警操作，对不同种类的犬只进行快速识别，并对犬只距离测算算法进行优化，提高犬只预警速度，有效预防犬只伤人情况的发生。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种基于神经网络的犬只检测与预警系统的结构示意图。

图2是本发明提供的检测模块的结构示意图。

1-数据采集子系统、2-检测与测距子系统、3-预警子系统、4-移动终端、5-图像分类模块、6-检测模块、7-测距模块、61-darknet-53主干网络单元、62-预测网络单元、63-深度估计网络单元、621-融合特征层、622-批标准化层、623-非线性激活单元层、624-平移变换层、631-损失层、632-残差层。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1和图2，本发明提供一种基于神经网络的犬只检测与预警系统，所述基于神经网络的犬只检测与预警系统包括数据采集子系统1、检测与测距子系统2和预警子系统3，所述数据采集子系统1、所述检测与测距子系统2和所述预警子系统3依次电性连接，

所述数据采集子系统1，用于利用摄像头对犬只进行图像采集；

所述检测与测距子系统2，用于获取所述数据采集子系统1采集的图像，并利用ssd检测框架经darknet-53网络预测后直接预测图片类型，并在所述ssd检测框架基础上对人犬距离计算采用k-means算法对犬只的检测数据进行聚类处理；

所述预警子系统3，用于将所述检测与测距子系统2的结果进行上传，并进行预警操作。

在本实施方式中，所述基于神经网络的犬只检测与预警系统包括数据采集子系统1、检测与测距子系统2和预警子系统3，所述数据采集子系统1、所述检测与测距子系统2和所述预警子系统3依次电性连接，首先利用摄像头采集犬只的图像信息，然后将所述图像信息传输至所述检测与测距子系统2中，然后所述检测与测距子系统2接收所述图像信息，所述检测与测距子系统2是一种基于深度学习云平台，利用ssd检测框架经darknet-53(基础特征提取器)网络预测后直接预测图片类型，其中，所述ssd检测框架具备one-stage中端到端的优势，省去了two-stage中候选框提取过程，并对人犬距离计算采用k-means算法对犬只的检测数据进行聚类处理，其基本的流程可以概括为：首先需要提取深度特征，然后需要对区域进行分类，并且对位置进行精修。在考虑候选目标时，采用了anchor的机制，通过anchor对特征图上的每个像素点来进行回归和分类的判定，并且通过这样的过程能够实现更好的精度，最后将结果传至所述预警子系统3，所述预警子系统3接收所述检测与测距子系统2的检测结果，并将所述检测结果进行上传，然后根据所述检测结果进行预警操作，提出一种“端-云-端”的预防犬只伤人系统，发现与预警在端侧，图像检测与数据分析在云上进行，实现数据的高效处理，提高预警响应速度，对不同种类的犬只进行快速识别，并对犬只距离测算算法进行优化，提高犬只预警速度，有效预防犬只伤人情况的发生。

进一步的，所述检测与测距子系统2包括图像分类模块5、检测模块6和测距模块7，所述图像分类模块5、所述检测模块6和所述测距模块7依次电性连接，

所述图像分类模块5，用于对所述数据采集子系统1采集的图像进行特征提取；

所述检测模块6，用于根据所述图像分类模块5提取出来的特征，使用ssd检测框架训练出检测模型，并输出检测结果；

所述测距模块7，用于利用k-means算法对犬只的所述检测数据进行聚类处理，并进行距离估计。

在本实施方式中，所述检测与测距子系统2包括图像分类模块5、检测模块6和测距模块7，所述图像分类模块5、所述检测模块6和所述测距模块7依次电性连接，首先利用所述图像分类模块5对所述数据采集子系统1采集的犬只的所述图像信息进行特征提取，并将提取完成的所述图像信息传输至所述检测模块6中，然后所述检测模块6根据所述图像分类模块5提取出来的特征，使用ssd检测框架训练出检测模型，分别对应犬只的头部，躯干和四肢进行检测这样便可得到理想的犬只检测结果，并将所述检测结果传输至所述测距模块7，利用k-means算法对犬只的所述检测数据进行聚类处理，并进行距离估计，由于所述检测数据中有属于犬只的像素点，也有背景像素点，所以需要将属于犬只的像素分割出来。在这里图像的像素值为连续的浮点数，且范围不确定，如果采用阈值分割或分类等算法，则阈值的设定影响算法精度，所以本发明采用聚类算法，将像素值聚为两类，并且像素点多的类别为犬只的像素，假设样本集输入变量为(x1,x2,x3,...,xm)，样本集划分为k个簇(c1,c2,c3,...,ck)，则我们的目标是最小化平方误差e，

其中，μi是簇ci的均值向量，也可称作质心，表达式为：

其中，k-means算法流程为：

输入：样本集d＝x1,x2,...,xm，聚类簇数为k，最大迭代次数为n。

输出：划分为c＝c1,c2,c3,...,cm的簇。

可以对犬只进行检测并进行距离估计，从而对危险情况及时预警，利用端-云-端的架构模式实现本系统，起到了一个电子屏障的作用。

进一步的，所述检测模块6包括darknet-53主干网络单元61、预测网络单元62和深度估计网络单元63，所述darknet-53主干网络单元61、所述预测网络单元62和所述深度估计网络单元63依次电性连接，

所述darknet-53主干网络单元61，用于对ssd检测框架进行改进，并将作用于第四卷积层的输出结果传输至所述预测网络单元62；

所述预测网络单元62，用于接收所述输出结果进行多尺度预测，并采用池化和锚点的方法进行下采样和预测对应的概率和坐标值；

所述深度估计单元，用于借助细粒度级别图像中的物体边界框和部件设定点训练出检测模型，并分别对应犬只的头部，躯干和四肢进行检测，得到理想的犬只检测结果。

在本实施方式中，所述检测模块6包括darknet-53主干网络单元61、预测网络单元62和深度估计网络单元63，所述darknet-53主干网络单元61、所述预测网络单元62和所述深度估计网络单元63依次电性连接，所述检测模块6的结构参见图2，所述darknet-53主干网络单元61对原有ssd检测框架进行改进，darknet-53主要作用于第四卷积层的输出结果，并将所述输出结果传输至所述预测网络单元62，所述预测网络单元62规定输入大小为300*300，并分别针对不同尺度的特征图进行预测，最终对检测结果进行评估分析，同时分别对不同边框赋予不同权重值和偏移量值的预测，因采取了darknet-53网络结构，故所述检测模块6省去最后两层以提高检测效率。在所述预测网络单元62对四种不同尺度进行预测，分别为19*19，10*10，3*3和1*1，这四种不同尺度特征图作为后续预测网络输入，对于不同尺度特征图会有池化的方法进行下采样，对于不同的特征图后续预测采用锚点方法进行，以此预测相应的概率和坐标值，并将预测结果传输至所述深度估计单元，所述深度估计单元借助细粒度级别图像中的物体边界框和部件关键点训练出检测模型，分别对应犬只的头部，躯干和四肢进行检测这样便可得到理想的犬只检测结果。

进一步的，所述预测网络单元62包括融合特征层621和批标准化层622，所述融合特征层621和所述批标准化层622电性连接，

所述融合特征层621，用于在所述预测网络单元62的不同特征层空间内预测目标类别得分和边界框位置；

所述批标准层，用于加快所述预测网络单元62的收敛速度，并对数据进行归一化处理。

在本实施方式中，所述预测网络单元62包括融合特征层621和批标准化层622，所述融合特征层621和所述批标准化层622电性连接，所述融合特征层621为6层卷积核大小为3*3，步幅为2的卷积层，在所述预测网络单元62的不同特征层空间内预测目标类别得分和边界框位置，并利用所述批标准层加快所述预测网络单元62的收敛速度，并对数据进行归一化处理，其中，批标准化的算法为：

输入：批处理x:b＝x{x1,...,m}；

输出：标准化后的网络响应值：{yi＝bnγ,β(xi)}。

计算批处理数据的方差：

批标准化：

进一步的，所述预测网络单元62还包括非线性激活单元层623，所述非线性激活单元层623与所述融合特征层621电性连接，

所述非线性激活单元层623，用于增加所述预测网络单元62的非线性表达，提升所述预测网络单元62的表达能力。

在本实施方式中，所述预测网络单元62还包括非线性激活单元层623，所述非线性激活单元层623与所述融合特征层621电性连接，所述非线性激活单元层623位于所述融合特征层621的每层卷积层之后，所述非线性激活单元层623的加入增加了模型的非线性表达，进一步提升了模型的表达能力，并且因为归一化后数据分布集中在0值附近，由于加入relu所述非线性激活单元层623，对于输入为负值时，经所述非线性激活单元层623后输出为0。

进一步的，所述预测网络单元62还包括平移变换层624，所述平移变换层624与所述批标准层电性连接，

所述平移变换层624，用于对所述批标准层的输出数据进行尺度变换和平移。

在本实施方式中，所述预测网络单元62还包括平移变换层624，所述平移变换层624与所述批标准层电性连接，采用变换和平移步骤，通过学习β和γ值，对归一化输出进行尺度变换和平移，从而恢复出融合层原始特征输出，其中，尺度变换和平移为：

进一步的，所述深度估计单元包括损失层631和残差层632，所述损失层631和所述残差层632电性连接，

所述损失层631，用于根据所述预测网络单元62输出的视差图获取损失数据，建立损失函数；

所述残差层632，用于根据所述损失函数约束所述视差图的一致性。

在本实施方式中，所述深度估计单元包括损失层631和残差层632，所述损失层631和所述残差层632电性连接，利用所述损失层631根据所述预测网络单元62输出的视差图获取损失数据，建立损失函数，所述损失函数为：

其中，lrecon为图像重建损失，和为左右视差图的一致性损失，lgrad为梯度损失，所述预测网络单元62输出左右的视差图，由左至右和由右至左的视差图在三维空间中同一个点的视差应

该是一致的，因此采用双重约束加强视差图的一致性。α，β和λ为三种损失所占的比重系数，所述残差层632采用resnet网络中提出的残差结构作为所述深度估计单元的结构，可以有效保障梯度的反向传播，不会出现随着网络层数加深在训练集上准确率下降，并且性能损失非常少，是一种可以堆叠的结构，resblock部分可以用下式表示：

y＝f(x)+x

其中，f(·)表示三层卷积层，当网络已经达到最优时，f(·)可以通过学习使得输出为0，进一步约束所述视差图的一致性。

进一步的，所述基于神经网络的犬只检测与预警系统还包括移动终端4，所述移动终端4与所述数据采集子系统1和所述预警系统电性连接，

所述移动终端4，用于提供所述数据采集子系统1使用的摄像头，并接收所述预警子系统3上传的数据。

在本实施方式中，所述基于神经网络的犬只检测与预警系统还包括移动终端4，所述移动终端4与所述数据采集子系统1和所述预警系统电性连接，所述移动终端4提供所述数据采集子系统1使用的摄像头，并接收所述预警子系统3上传的数据，发送预警信号，其中，所述移动终端4为手机、平板或手环等带摄像头的移动设备。

本发明的一种基于神经网络的犬只检测与预警系统，所述基于神经网络的犬只检测与预警系统包括数据采集子系统1、检测与测距子系统2和预警子系统3，所述数据采集子系统1、所述检测与测距子系统2和所述预警子系统3依次电性连接，利用摄像头对犬只进行图像采集，获取所述数据采集子系统1采集的图像，并利用ssd检测框架经网络预测后直接预测图片类型，并在所述ssd检测框架基础上对人犬距离计算采用k-means算法对犬只的检测数据进行聚类处理，将所述检测与测距子系统2的结果进行上传，并进行预警操作，对不同种类的犬只进行快速识别，并对犬只距离测算算法进行优化，提高犬只预警速度，有效预防犬只伤人情况的发生。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。