一种基于图像的宠物行为检测方法与流程

本发明涉及计算机科学人工智能领域。更具体地说，本发明涉及一种基于图像的宠物行为检测方法。

背景技术：

目前，人们的生活质量已经得到大大的提高，不仅仅再只是注重温饱问题，也很注重与生活质量的提高。现在越来越多的家庭饲养猫狗等宠物，甚至将宠物视为家庭的一员，对于它们的许多趣味行为，主人通常会采用监控摄像进行拍摄并记录下来，以便日后进行反复观看。而人们在与宠物日常相处的过程中，人们除了希望与宠物之间有更多有趣的互动，更希望了解宠物的各种行为习惯，以人的角度来定义宠物的各种姿态，进而来推测宠物的状态。

技术实现要素：

本发明的目的是提供一种基于图像的宠物行为检测方法，解决了以上所述问题。

为了实现根据本发明的这些目的和其它优点，提供了一种基于图像的宠物行为检测方法，步骤如下：

s1、通过摄像模块拍摄到多张宠物每种姿势的图像样本，对每张图像样本中的宠物姿势进行标记并归类，以得到包含宠物每种姿势的图像数据集；

s2、建立检测模型，设置判误率和迭代训练次数；

s3、将图像数据集导入检测模型内，按照s2中预设的迭代训练次数对检测模型进行训练，得到最终用于检测宠物行为的检测模型；

s4、对宠物的行为进行检测时，通过摄像模块拍摄到宠物的场景图像，将拍摄的场景图像输入检测模型中，检测模型将场景图像中的信息进行提取，得到该场景图像属于宠物各类姿势中某一类姿势的概率。

进一步地，所述s1中，得到图像数据集的具体过程如下：

通过摄像模块拍摄到1200张包含宠物每种姿势的图像样本，使用lableimg对每张图像样本进行标注，标注的信息为每张图像样本中的宠物的姿势、颜色、纹理和轮廓特征信息，根据每张图像样本中标注的特征信息进行归类，以得到包含宠物每种姿势的图像数据集。

进一步地，所述s1中用于制作图像数据集的宠物的种类为哈士奇、金毛、白猫和橘猫中的任意一种或几种，标记的宠物姿势为坐、躺和站立。

进一步地，所述s2中的检测模型为mobilenet和ssd合成的模型。

进一步地，所述s2中的误判率为0.00001，迭代训练次数为40000次。

进一步地，所述s3中得到最终用于检测宠物行为的检测模型的具体过程如下：

步骤a、将所述s1中的图像数据集随机分成训练集和测试集；

步骤b、将训练集导入检测模型内，按照预设的迭代训练次数对检测模型进行训练，然后采用测试集针对上述训练后的检测模型进行测试；

若准确率达到预期值，则将上述训练后的检测模型作为用于检测宠物行为的检测模型；

若准确率未达到预期值，将所述步骤sa中的训练集和测试集进行交换，将测试集输入检测模型内并按预设的迭代训练次数进行训练，然后采用训练集对上述训练后的检测模型进行测试；

若所述步骤b中的准确率未达到预期值，再重复所述步骤a和所述步骤b，直到训练后的检测模型的准确率达到预期值。

进一步地，所述s1中的摄像模块为摄影机。

进一步地，所述s4中的场景图像为单张照片或视频。

本发明的有益效果是：本发明可以通过检测模型对主人拍下的图片或视频去检测图片或视频中宠物的各种行为，以帮助主人随时了解其宠物的状态，增加主人和宠物之间的互动的趣味性，有利于宠物和主人之间的情感建立，提高人们对饲养宠物的兴趣以及人们的生活质量；此外，本发明中的检测模型具有检测速度快和检测结果精准等优点。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明所述一种基于图像的宠物行为检测方法的流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述试剂和材料，如无特殊说明，均可从商业途径获得；在本发明的描述中，术语“横向”、“纵向”、“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，并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。

如图1所示，本发明的实施例提供一种基于图像的宠物行为检测方法，步骤如下：

s1、通过摄像模块拍摄到多张宠物每种姿势的图像样本，对每张图像样本中的宠物姿势进行标记并归类，以得到包含宠物每种姿势的图像数据集；其中，具体的步骤为：通过摄像模块拍摄了哈士奇、金毛、白猫和橘猫四类品种宠物的坐、躺和奔跑每种行为的100张图像样本，共计拍摄到1200张图像样本，在进行每张图像样本中的信息进行标注前，先对拍摄到的1200张图像样本进行顺序混乱，以避免个人主观认知态度会影响后续对每张图像样本中信息进行标注，再使用labelimg进行每张图像样本中宠物的姿态、颜色、纹理和轮廓等特征信息进行标注，最后根据每张图像样本标注的特征信息对1200张图像样本进行归类，将归类的结果保存为xml格式，以得到包含宠物每种姿势的图像数据集。

s2、建立检测模型，设置判误率和迭代训练次数；其中，判误率越低，迭代训练次数越多，检测模型检测宠物行为的精确度越高。本实施例中，误判率为0.00001，迭代训练次数为40000次，迭代训练次数显著低于现有的同种检测模型的训练次数，有利于提高检测设备的cpu利用效率。

s3、将图像数据集导入检测模型内，按照s2中预设的迭代训练次数对检测模型进行训练，得到用于检测宠物行为的检测模型；具体操作步骤为：将所述s1中的1200张图像样本随机分出的600图像样本作为第一训练集，和600张图像样本作为第一测试集，然后将第一测试集导入检测模型内，训练40000次后，然后采用第一训练集针对上述训练后的检测模型进行测试，若准确率达到预期值，则将上述训练后的检测模型作为用于检测宠物行为的检测模型；否则将所述s1中随机分得的第一训练集和第一测试集进行交换，将第一测试集输入检测模型内并训练40000次后，再采用第一训练集对上述训练后的检测模型进行测试；若第一测试集对检测模型训练后的检测结果未达到预期值，再将所述s1中的1200张图像样本随机分出的700图像样本作为第二训练集，和500张图像样本作为第二测试集，再重复上述步骤，以对检测模型进行训练并检测，得到的检测结果若仍未达到预期值，再将第二训练集和第二测试集进行交换，并重复上述步骤，并对检测模型的准确率进行检测；一直重复上述步骤，直至检测到最终的检测模型的准确率达到预期值，则得到最终用于检测宠物行为的检测模型。在本实施例中，预期值设定为0.95，训练后的检测模型的准确率达到0.9563，loss值稳定在0.005以下。

s4、当需要对宠物的行为进行检测时，先将图像数据集导入检测模型内，再将摄像模块拍摄到宠物的场景图像输入检测模型中，检测模型将场景图像中的信息进行提取，并与图像数据集中标注的信息进行匹配，得到该场景图像属于图像数据集中某类品种宠物的某种姿势的概率；其中，摄像模块拍摄到的场景图像可以为单张图片信息，也可以为视频信息，若为单张图片信息，先将单张的场景图像输入到检测模型中，检测模型对场景图像中宠物的姿势、颜色、纹理和轮廓特征信息进行提取，并与检测模型内图像数据集标注的宠物的姿势、颜色、纹理和轮廓信息进行匹配，检测场景图像中属于图像数据集中某类品种的宠物的某种姿势的概率，进而检测得到场景图像中的宠物的行为；同理，若场景图像为视频信息，先将视频信息输入到检测模型中，检测模型对视频中每帧图像中宠物的姿势、颜色、纹理和轮廓等特征信息进行提取，并与检测模型内图像数据集标注的宠物的姿势、颜色、纹理和轮廓等信息进行匹配，检测场景图像中属于图像数据集中某类品种的宠物的某种姿势的概率，进而检测得到场景图像中的宠物的行为。本实施例中，检测模型不仅可以对单张图片信息进行检测，还可以对视频中的每帧图像的场景进行检测，实用性强，应用范围广。此外，本发明中训练后的模型，具有内存小和轻量级的优点，可以通过配置环境移植到手机端，在手机上使用，以方便主人随时对宠物的行为进行检测。

优选的，所述s1中的摄像模块为摄影机。

在本实施例中，摄像机拍摄的画面质量更加高清。尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。