一种用于自动驾驶的野生动物图像识别方法
【技术领域】
[0001] 本发明涉及野生动物图像识别方法，具体说是一种用于自动驾驶的野生动物图像 识别方法。
【背景技术】
[0002] 随着人类文明的高速发展，人类活动的影响范围也在加速扩张，随着公路的不断 修建，越来越多的公路修建到了野生动物的活动范围内，许多野生动物面临着生存压力就 是和人类争夺生存空间，我们的生活中经常会见到此种类型的冲突。比如在某条公路上，野 生动物突然横穿马路，汽车的驾驶员在行驶过程中没有预料到，造成不必要的伤害。无论对 于人类和地球都是一种损失。
[0003] 随着汽车性能提升，汽车作为一种代步的工具已经使人类的活动范围越来越来， 甚至已经威胁到动物们的日常生活了，而汽车的高速对于动物而言是相当危险的，动物无 法有效的躲避告诉公路的汽车，如何对驾驶员提高警觉道路上野生动物的出现一直是一个 问题。
[0004] 现有的技术大多对于行人的检测，对于野生动物的检测目前还没有，而动物和人 的区别在于动物的多样性，而流形学习算法对特征的提取效果很少被使用到图像处理技 术。
【发明内容】
[0005] 针对上述技术不足，本发明的目的提供一种用于自动驾驶的野生动物图像识别方 法。
[0006] 本发明解决其技术问题所采用的技术方案是:一种用于自动驾驶的野生动物图像 识别方法，包括以下步骤：
[0007] 采用LLE算法对采集图像进行流形学习，得到图像特征；
[0008] 通过图像特征对神经网络进行训练；
[0009] 将实时采集的图像代入神经网络进行识别，得到野生动物种类标签，并将该标签 对应的野生动物种类通知驾驶员。
[0010] 所述采用LLE算法对采集图像进行流形学习包括以下步骤：
[0011] 以图像作为样本构造 k-近邻图，并计算任意两个图像之间的相似度作为近似测地 线距离：
[0012] min(dG(i , j) ,dc(i ,k)+dc(k, j))
[0013] 其中，dG为k-近邻图上任意两个图像之间的欧式距离，图像索引号i、j、k为1、 2、···、Ν，其中N为图像张数；
[0014] 构造矩阵M= (I-W)T(I-W)，其中I为ΝXΝ单位矩阵，W为NXΝ近k-邻图矩阵，即k-近 邻图上任意两个图像之间的近似测地线距离矩阵；
[0015] 对Μ矩阵进行特征分解，X取Μ的前m个特征向量作为特征提取的结果，即图像特征 ΧΙ··Χπι〇
[0016] 所述通过图像特征对神经网络进行训练包括以下步骤：
[0017] 将图像特征作为输入，车辆类型标签为输出，隐层节点为K-means算法聚类得到的 中心；
[0018] 对神经网络进行训练得到隐层各节点输出的权重。
[0019] 所述K-means算法包括以下步骤：
[0020] 1)选择c个类的初始中心：c为样本个数的若干分之一，第一个样本为数据集的中 心，第c个样本为所有数据点中距离前c-1个数据点最远的点；其中数据集为X，数据点表示 某张图像特征；
[0021] 2)对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的 类；
[0022] 3)将每个类中的点取平均值作为该类的聚类中心；返回步骤2)，直到当前所有类 的聚类中心与上一次迭代得到所有类的聚类中心之差小于阈值为止。
[0023] 所述将实时采集的图像代入神经网络进行识别包括以下步骤：
[0024] 将实时采集的图像采用LLE算法对采集图像进行流形学习，得到图像特征；
[0025] 将图像特征和权重代入神经网络，得到野生动物种类标签：
[0026]
[0027] Yn为车辆类型标签，W为权重，Dn为当前样本与各聚类中心的距离矩阵，D为所有聚 类中心之间的距离矩阵，P为隐层节点个数。
[0028] 本发明具有以下有益效果及优点：
[0029] 1.本发明通过流形学习的思想，获取图像在低维的表达，从而更有效的代表原始 样本的特征，为后续学习和训练提供样本的明显特征。
[0030] 2.本发明融入了流形学习的思想，通过获取数据的低维表达，从而更好的代表数 据原始的特征。
[0031] 3.本发明采用K-means算法求取神经网络的隐层节点，并且由于设定的c类的初始 中心，使K-means算法的迭代次数大幅减少，减小算法时间消耗，运算速度快。
【附图说明】
[0032]图1是本发明的方法流程图；
[0033]图2是本发明的神经网络示意图。
【具体实施方式】
[0034]下面结合实施例对本发明做进一步的详细说明。
[0035]随着流形学习的兴起，高维数据在低维潜在的流形则可以更好的表达高维的特 征，而图像的像素的则可以看出图像样本的维度，这样可以通过流形学习的算法实现动物 图像特征的提取。
[0036]本发明通过流形学习 LLE算法获取各种野生动物图像的低维表达，作为学习机的 特征对学习机进行学习，本发明的目的使得汽车行驶到某一区域，智能车载系统可以自动 的识别出出现在车前方马路上的生活在该区域的野生动物，从而给驾驶员以足够的注意进 行避让，具体的步骤如下。
[0037] 如图1所示，具体的步骤如下：
[0038] 1.对于所有已知类型野生动物（不同区域的野生动物种类是不同的，针对不同的 区域检测的野生动物种类也是不同的）图像集的特征提取，将所有种野生动物为主的野生 动物图片进行特征提取，裁剪成固定大小的图片，以图像作为样本构造 k_近邻图，即通过计 算欧式距离计算任意两张图片的相似度矩阵：
[0039] 将图片按照列排成向量，将两个向量之间的距离作为图像的相似度来构造近邻 图，本发明中近邻数为总样本数的5%，即对于每个样本而言其距离最小的前k个即为该样 本的近邻。将每幅图片的前k幅与该图片连成一条边构造近邻图，其中近邻图中有边的边 值为1，其余无边的为〇，计算所有点之间的近似最短测地线距离：
[0040] min(dG(i , j) ,dc(i ,k)+dc(k, j))
[0041] dG为任意两个图像之间的欧式距离，1、」、1^=1、2、-_、1其中~为图像张数;按照图 中点之间的距离最