一种基于图像局部特征识别的动物数量估计方法与流程

本发明涉及一种基于图像局部特征识别的动物数量估计方法，属于特征识别及图像检测技术领域。

背景技术：

种群数量统计是重要自然资源保护必不可少的统计方法，特别是濒危物种数量的统计尤为重要。独特的生存环境，使得濒危物种数量准确统计尤为困难。现有的统计方法主要是通过建立自然保护区、专员观察监视、基于深度学习的种群图像检测方法。基于深度学习的种群图像检测方法需要大量的训练数据集，建立复杂的深度神经网络模型，选择合适的优化方法，耗费大量时间对数据集进行预处理和标记以及数据集学习。针对目前种群数量统计方法的缺陷，本发明提出一种基于图像局部特征识别的动物数量估计方法，根据种群图片局部特征检测和识别，结合相关数量统计方法，得到该地区种群数量。该方法具有检测速度快、效率高，估计准确度高等优点。

技术实现要素：

本发明的目的在于针对现有种群数量图像检测存在成本高、效率低的技术缺陷，提出了一种基于图像局部特征识别的动物数量估计方法。

所述估计方法的核心思想为：首先针对彩色参考图像进行预处理、去噪处理、图像分割、开启与闭合以及提取局部特征操作；再针对待识别图像进行预处理、去噪处理、图像分割、开启与闭合以及对所有分割区域提取与彩色参考图像属性相同的特征，最后通过计算参考图像局部特征向量与待识别图像特征向量之间的欧氏距离并根据欧氏距离大小及先验知识识别和估计出目标个数。包括如下步骤：

步骤一、对彩色参考图像进行预处理，得到预处理后的图像，并初始化特征库为空集合；

其中，彩色参考图像为具有局部特征的图像，局部特征主要指角、牙、尾巴以及耳朵；

其中，预处理包括图像灰度化转化为灰度图像、归一化灰度级为[0255]；

步骤二、对步骤一的预处理图像进行去噪处理，得到去噪后的图像；

其中，去噪处理为中值滤波、高斯滤波以及均值滤波三者中的一种；

步骤三、将去噪后的图像进行局部极大差值纹理分割，再单阈值分割得到分割后的序列块；

步骤四、应用图形形态学方法去除步骤三输出的序列块上的局部暗点和亮点并对序列块进行编号标记，提取包含局部特征序列块对应的局部特征向量，再将提取到的局部特征向量添加到特征库中，并基于局部特征确定阈值以及种群比例z；

其中，图形形态学方法为先开启，后闭合；

步骤五、对待识别图像进行预处理、小波去噪、图像分割并编号标记，得到编号后的序列块，再分别提取每一编号后序列块的特征向量；

其中，图像分割为先进行全局极大差值纹理分割，再多阈值分割；

其中，每一编号后序列块的特征向量中的属性排序与步骤四的局部特征向量相同；

步骤六、计算步骤五中的每一个编号后序列块的特征向量与步骤四中的局部特征向量之间的欧氏距离；

步骤七、对步骤六输出的所有欧氏距离进行从小到大排序，并依次判断步骤六输出的欧氏距离与阈值的关系，进行如下操作：若当前欧氏距离小于阈值，则当前欧氏距离所对应的编号后序列块被识别为目标，否则被识别为非目标；

步骤八、将步骤七中被识别为目标的数量进行累加得到含局部特征的目标数y；

步骤九、根据种群比例，计算(1+z)*y，得出该区域的种群数量。

有益效果

一种基于图像局部特征识别的动物数量估计方法，与现有种群数量估计方法相比，具有如下有益效果：

所述方法计算开销小且估计准确率高。

附图说明

图1是本发明一种基于图像局部特征识别的动物数量估计方法的流程图；

图2是本发明一种基于图像局部特征识别的动物数量估计方法及实施例1中步骤一具体实施时将彩色图像灰度化的结果；

图3是本发明一种基于图像局部特征识别的动物数量估计方法及实施例1中步骤四实施时的分割结果；

图4是本发明一种基于图像局部特征识别的动物数量估计方法实施例1中的仿真结果。

具体实施方式

下面结合附图及具体实施例对本发明一种基于图像局部特征识别的动物数量估计方法进行详细说明。

实施例1

本实施例叙述了本发明一种基于图像局部特征识别的动物数量估计方法在藏羚羊种群数量统计场景下的具体实施。

本发明所述的动物数量估计方法流程图如图1所示。图1可以看出，本估计方法，包括如下步骤：

单只雄性藏羚羊彩色图像作为彩色参考图像进行步骤一到步骤四的操作；

其中，步骤一具体实施时，局部特征指藏羚羊角；

其中，单只雄性藏羚羊彩色参考图像为具有局部特征的图像，大小为683*1024*3，局部特征是雄性藏羚羊羊角；

步骤一中预处理包括图像灰度化转化为灰度图像，大小为683*1024、归一化灰度级为[0255]，如图2所示；

步骤二具体实施时，去噪处理为中值滤波的去除椒盐噪声方法，核的大小为3*3；

步骤三具体实施时，将去噪后的图像进行图像分割得到图像分割后的二值图像序列块；

其中，图像分割具体为先进行纹理分割，分割方式为局部最大差值，再阈值分割：根据纹理图得到图像直方图，由直方图选取阈值大小为0.1，纹理图像上小于阈值0.1的像素设置为0，大于阈值0.1的像数设置为1；

步骤四具体实施时，应用图形形态学方法去除步骤三输出的二值图像序列块上的局部暗点和亮点并对序列块进行编号标记，标记结果如图3所示。标记序列块12为“v型”羊角区域，根据regionprops函数提取“v型”羊角区域的几何统计特征信息，包括area(像数),centroid(重心),eccentricity(偏心率),perimeter(周长)等。根据多次实验结果选取其中四个特征信息组成特征向量为e1，四个特征信息分别为致密度、区域椭圆长短径比、与区域具有相同标准二阶中心矩的椭圆的离心率、与区域具有相同标准二阶中心矩的椭圆的长轴与x轴的交角。再将提取到的局部特征向量e1添加在特征库中，并基于“v型”羊角局部特征确定阈值dt＝15以及种群比例z＝3:1；

其中，图形形态学方法为先开启，后闭合；

步骤五具体实施时，对待识别多只羊群图像进行预处理、小波去噪、图像分割并编号标记，得到n个编号后的序列块，再分别提取每一序列块的特征向量，分别为e1'、e'2…e'n；

其中，图像分割为先进行全局极大差值纹理分割，再多阈值分割；

其中，每一编号后序列块的特征向量ei'(i＝1...n)中的属性排序与步骤四的局部特征向量e1相同；

步骤六具体实施时，计算步骤五中的每一个编号后序列块的特征向量ei'(i＝1...n)与步骤四中的局部特征向量e1之间的欧氏距离di，di＝[d1,d2...dn]；

步骤七具体实施时，对步骤六输出的所有欧氏距离di((i＝1...n))进行从小到大排序，并依次判断步骤六输出的欧氏距离与阈值dt的关系，进行如下操作：若当前欧氏距离小于阈值，即di＜dt，则当前欧氏距离所对应的编号后序列块被识别为目标并标记为“+”，否则被识别为非目标，识别结果如图4所示；

步骤八具体实施时，六只雄性藏羚羊识别出了4只，识别率为67％；

步骤九具体实施时，根据当地藏羚羊雌雄比例为3:1，计算出该区域的藏羚羊种群数量为16只。

实施例2

为了进一步验证所述方法的鲁棒性，本实施例选取了一张藏羚羊雌雄混合的图像进行了实验。包含5只雄性和3只雌性，识别结果为3只雄性，识别率为60％，实验结果表明所述方法具有较强的鲁棒性。

实施例3

本实施例叙述了本发明一种基于图像局部特征识别的动物数量估计方法在兔群识别场景下的具体实施。

步骤一具体实施时，对含有单只兔彩色参考图像进行预处理，得到预处理后的图像，并初始化特征库为空集合；

其中，彩色参考图像为具有局部特征的图像，局部特征指耳朵；

步骤二具体实施时，去噪处理为高斯滤波；

步骤三具体实施时，将去噪后的图像进行局部极大差值纹理分割，再单阈值分割得到分割后的序列块；

步骤四具体实施时，应用图形形态学方法去除步骤三输出的序列块上的局部暗点和亮点并对序列块进行编号标记，提取包含局部特征序列块对应的局部特征向量，再将提取到的局部特征向量添加到特征库中，并基于局部特征确定阈值以及种群比例z＝0；

其中，图形形态学方法为先开启，后闭合；

步骤五具体实施时，对待识别图像进行预处理、小波去噪、图像分割并编号标记，得到编号后的序列块，再分别提取每一编号后序列块的特征向量；

其中，图像分割为先进行全局极大差值纹理分割，再多阈值分割；

其中，每一编号后序列块的特征向量中的属性排序与步骤四的局部特征向量相同；

步骤六具体实施时，计算步骤五中的每一个编号后序列块的特征向量与步骤四中的局部特征向量之间的欧氏距离；

步骤七具体实施时，对步骤六输出的所有欧氏距离进行从小到大排序，并依次判断步骤六输出的欧氏距离与阈值的关系，进行如下操作：若当前欧氏距离小于阈值，则当前欧氏距离所对应的编号后序列块被识别为目标，否则被识别为非目标；

步骤八具体实施时，将步骤七中被识别为目标的数量进行累加得到含局部特征的目标数y，即该区域的兔子种群数量。

以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。