基于MLKP算法的生态生物识别方法与流程

基于mlkp算法的生态生物识别方法
技术领域
1.本发明涉及生物识别技术领域，尤其涉及基于mlkp算法的生态生物识别方法。


背景技术：

2.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，有许多水生生物对水中毒物很敏感，也可以通过水生生物毒性实验结果来判断水质污染程度。现有通过对水生生物的图像采集识别来判断生物的种类，然而，现有的生物识别过程中不便于对图像进行划分分割，不便于精准的对图像特征进行识别，识别率较差。


技术实现要素：

3.基于背景技术存在的技术问题，本发明提出了基于mlkp算法的生态生物识别方法。
4.本发明提出的基于mlkp算法的生态生物识别方法，包括如下步骤：
5.s1收集生态生物特征，将收集的生态特征进行分类，并建立生态特征数据库；
6.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；
7.s3对采集的生物图像数据进行优化求精，得到优化后的生物图像数据；
8.s4通过mlkp算法对处理后的生物图像数据进行目标检测；
9.s41利用mlkp算法生成一系列作为样本的候选框，利用不同尺寸的候选框选定图中的某一部分作为候选区域；
10.s42通过卷积神经网络进行样本分类，提取候选区域相关的视觉特征；
11.s43利用分类器对视觉特征进行识别；
12.s5将生物图像的视觉特征与生态特征数据库中的特征数据进行对比识别。
13.优选的，所述步骤s3的优化求精包括：对生物图像进行分割，获得分割后的各个子图像进行优化求精，并合并还原成生物图像。
14.优选的，所述对生物图像进行分割后，对分割后的生物图像进行归约处理，具体过程为：采样递归算法对分割的生物图像进行归约处理。
15.优选的，所述对生物图像进行分割具体过程为：采用随机划分方法对生物图像进行划分，获得多个子图像。
16.优选的，所述各个子图像进行优化求精，并合并还原成生物图像，具体过程为：对分割后的多个子图像设定一个初始划分向量，将初始划分向量反向映射到划分向量，从而求出原图的划分向量，形成对原图的划分。
17.优选的，所述反向映射的过程中，每映射到一个无向图上，都要对映射后的划分结
果进行优化，采用基于kl分割算法的一种贪心优化算法gr对映射后的划分结果进行优化。
18.优选的，所述步骤s5将识别成功结果进行发送提示信息，并将生物图像视觉特征存储至生态特征数据库中。
19.优选的，所述步骤s42视觉特征提取网络为backbone network。
20.本发明中，所述基于mlkp算法的生态生物识别方法，通过设置mlkp算法，能够便于提高生物特征的识别，同时，通过对图像进行分割，能够对生物图像的特征进行深层次的识别，提高生物识别率。
附图说明
21.图1为本发明提出的基于mlkp算法的生态生物识别方法的流程图；
22.图2为本发明提出的基于mlkp算法的生态生物识别方法的目标检测流程图。
具体实施方式
23.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
24.参照图1-2，基于mlkp算法的生态生物识别方法包括如下步骤：
25.s1收集生态生物特征，将收集的生态特征进行分类，并建立生态特征数据库；
26.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；
27.s3对采集的生物图像数据进行优化求精，得到优化后的生物图像数据；
28.s4通过mlkp算法对处理后的生物图像数据进行目标检测；
29.s41利用mlkp算法生成一系列作为样本的候选框，利用不同尺寸的候选框选定图中的某一部分作为候选区域；
30.s42通过卷积神经网络进行样本分类，提取候选区域相关的视觉特征；
31.s43利用分类器对视觉特征进行识别；
32.s5将生物图像的视觉特征与生态特征数据库中的特征数据进行对比识别。
33.本发明中，步骤s3的优化求精包括：对生物图像进行分割，获得分割后的各个子图像进行优化求精，并合并还原成生物图像。
34.本发明中，对生物图像进行分割后，对分割后的生物图像进行归约处理，具体过程为：采样递归算法对分割的生物图像进行归约处理。
35.本发明中，对生物图像进行分割具体过程为：采用随机划分方法对生物图像进行划分，获得多个子图像。
36.本发明中，各个子图像进行优化求精，并合并还原成生物图像，具体过程为：对分割后的多个子图像设定一个初始划分向量，将初始划分向量反向映射到划分向量，从而求出原图的划分向量，形成对原图的划分。
37.本发明中，反向映射的过程中，每映射到一个无向图上，都要对映射后的划分结果进行优化，采用基于kl分割算法的一种贪心优化算法gr对映射后的划分结果进行优化。
38.本发明中，步骤s5将识别成功结果进行发送提示信息，并将生物图像视觉特征存储至生态特征数据库中。
39.本发明中，步骤s42视觉特征提取网络为backbone network。
40.本发明：收集生态生物特征，将收集的生态特征进行分类，并建立生态特征数据库；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优化求精，得到优化后的生物图像数据；通过mlkp算法对处理后的生物图像数据进行目标检测；利用mlkp算法生成一系列作为样本的候选框，利用不同尺寸的候选框选定图中的某一部分作为候选区域；通过卷积神经网络进行样本分类，提取候选区域相关的视觉特征；利用分类器对视觉特征进行识别；将生物图像的视觉特征与生态特征数据库中的特征数据进行对比识别。
41.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。


技术特征：
1.基于mlkp算法的生态生物识别方法，其特征在于，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分类，并建立生态特征数据库；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优化求精，得到优化后的生物图像数据；s4通过mlkp算法对处理后的生物图像数据进行目标检测；s41利用mlkp算法生成一系列作为样本的候选框，利用不同尺寸的候选框选定图中的某一部分作为候选区域；s42通过卷积神经网络进行样本分类，提取候选区域相关的视觉特征；s43利用分类器对视觉特征进行识别；s5将生物图像的视觉特征与生态特征数据库中的特征数据进行对比识别。2.根据权利要求1所述的基于mlkp算法的生态生物识别方法，其特征在于，所述步骤s3的优化求精包括：对生物图像进行分割，获得分割后的各个子图像进行优化求精，并合并还原成生物图像。3.根据权利要求2所述的基于mlkp算法的生态生物识别方法，其特征在于，所述对生物图像进行分割后，对分割后的生物图像进行归约处理，具体过程为：采样递归算法对分割的生物图像进行归约处理。4.根据权利要求2所述的基于mlkp算法的生态生物识别方法，其特征在于，所述对生物图像进行分割具体过程为：采用随机划分方法对生物图像进行划分，获得多个子图像。5.根据权利要求2所述的基于mlkp算法的生态生物识别方法，其特征在于，所述各个子图像进行优化求精，并合并还原成生物图像，具体过程为：对分割后的多个子图像设定一个初始划分向量，将初始划分向量反向映射到划分向量，从而求出原图的划分向量，形成对原图的划分。6.根据权利要求5所述的基于mlkp算法的生态生物识别方法，其特征在于，所述反向映射的过程中，每映射到一个无向图上，都要对映射后的划分结果进行优化，采用基于kl分割算法的一种贪心优化算法gr对映射后的划分结果进行优化。7.根据权利要求1所述的基于mlkp算法的生态生物识别方法，其特征在于，所述步骤s5将识别成功结果进行发送提示信息，并将生物图像视觉特征存储至生态特征数据库中。8.根据权利要求1所述的基于mlkp算法的生态生物识别方法，其特征在于，所述步骤s42视觉特征提取网络为backbone network。

技术总结
本发明公开了基于MLKP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分类，并建立生态特征数据库；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优化求精，得到优化后的生物图像数据；通过MLKP算法对处理后的生物图像数据进行目标检测；将生物图像的视觉特征与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MLKP算法，能够便于提高生物特征的识别，同时，通过对图像进行分割，能够对生物图像的特征进行深层次的识别，提高生物识别率。提高生物识别率。提高生物识别率。


技术研发人员：杨志峰 沈永明 张远 蔡宴朋
受保护的技术使用者：澜途集思生态科技集团有限公司
技术研发日：2022.05.19
技术公布日：2022/10/3